Meta-Learning：Learning to Learn and Applications
作者：Tobias Lee
知乎专栏：NLPer 的成长之路
原文链接，可点击文末"阅读原文"直达：
https://zhuanlan.zhihu.com/p/89448019
Meta-Learning 是一个最近非常 promising 的方向，背后的 Learning to Learn 的思想在解决一些 Low-Resource / Few-shot 场景下的问题是非常有帮助的。因此，这篇文章就是 Meta-Learning 的学习笔记，同时会讨论一些在 NLP 问题上的应用。
Meta-Learning
首先，在了解 Meta-Learning 具体的方法之前，一个很重要的问题就是，Meta-Learning 有什么用？为什么要用 Meta-Learning 呢？先来看看传统监督学习的 paradigm：在 training set 上利用 examples 来 training (update model parameter)，然后在 test set 上做 testing (only inference)。
如果我们希望我们的 model 有足够的泛化能力，那么对于 training set 的大小是有一定要求的，一般来说， the bigger the better，这也是现在预训练模型动辄 billion-level 的 Corpus 的一个很重要的原因。并且很多场景下的数据分布，是服从一个长尾分布的，即有一些 class 的样本很多，而有一些 class 的样本很少，典型的就是，类别不均衡问题，在这样的限制之下，怎么学习一个良好的分类器，特别是在那些只有极少数样例的 class 上。
另一个很明显的对比就是人类学习的时候，能够基于过往的经验快速地学习，即使新的任务只有 few examples，比如下面这个图，你觉得是哪个画家的风格呢？:
正确答案是 Braque（我在这两者之间摇摆不定了很久hhh），Chelsea 在 Tutorial 现场是多数人答对了，看来我可能真的没什么艺术天赋？这里每个风格只有 3 个样例，我们答对的一个很大的原因就是来自于过往的经验，如果我们的 Machine Learning Method 也能具备这样的能力，那么他是不是就能离真正的智能更近一步？Meta-Learning 就是用来做这个的，Learning to Learn！
Meta-Learning 的具体定义这里就不再展开，有兴趣的可以参考 Tutorial 中的符号。倒是有一些术语例如 k-shot 值得一提，这里的 k 指的是 example 的数量，而 k-way classification 则是指的是类别的数量。
接下来就是 Meta-Learning 的具体算法，主流算法可以分成三大类：
Black-box Adaption：核心的思想就是学习一个神经网络，来从过去的任务中学习模型的参数，新的任务则会根据之前学到的参数进行预测。因为要不断地 consuming tasks，所以一般这个学习模型参数的模型一般会采用 RNN-based Model。带来的一个问题就是：Outputing all neural net parameters does not seem scalable，要预测一个神经网络的所有参数，是不具备可拓展性的，特别是现在动辄几个 M 的参数的网络。一个直接的解决方案就是输出一个 low-dimension 的 vector 来代表之前 task 的 context，再过一个 NN 来习得模型的参数。
Non-parametric methods：或者说是 Metric-based，通过学一个度量 examples 之间的 metric，来利用之前的任务的信息，比如判断两张图片中的物体是不是同一个类别，一个很常规的方法就是训练一个 Siamese Network，得到各自的表示之后过一个 Distance NN 再判断是否是同类。测试的时候就是利用 test example 和其对应的 metric 进行比对，得到一个预测结果。主要的问题就是：一般受限与分类问题，以及对于 K 的泛化能力不是很好（比对所有的训练集，那么就是和 K 的大小成 linear 复杂度的）
Optimization-based inference：主要就是 Chelsea Finn 提出的 Model Agnostic Meta-Learning （MAML），下一节就详细地讲一讲 MAML。
MAML
之前已经讲了 MAML 提出的动机，就是希望 Model 能够具备快速学习的能力，甚至是在没有见过的样本类别、并且只有少数几个样例的情况下。Chelsea Finn 给出的解决方案就是：
一方面，学习一个好的初始化参数，如果背离目标太远那么快速 adapt 也就无从谈起，当然，这也就变相地要求我们测试的 task 和训练的用的 task 时候要是同一个分布
除了一个好的参数以外，在 training 过程中，我们去模拟 train-test 的过程，即提高模型参数对于 loss 的敏感性，这样才能只用几个样本就能够在未见过的 task 上取得一个比较好的效果
下面这一张图很直观地说明了 MAML 在做的事情：
具体的算法框架如下：
可以看到有两个循环：
内循环：采样一个 Task 之后，从这个 Task 中选取一些 examples 作为 training set，并且留一部分作为 validation set，根据这些样本上的 loss 对模型参数进行更新，得到的更新后的参数叫做
外循环：我们用内循环得到的 在之前留出的 validation set 上计算 Loss，再用这个 Loss 来更新原来的模型参数
值得注意的是这里的 只是一个临时的模型参数，最后使用的还是更新过的 。因为外循环通过对模型内循环得到的更新后的参数求导，所以这里隐含着二阶导数，当然，对于有着 Autograd 框架的我们来说只要 loss.backward() + optimizer.step() 就好。
我对于这个算法的理解是这样：首先我们内循环就是一般的梯度更新，但我们把传统的测试阶段也加入到了训练过程之中，即外循环的时候在 validation 集上计算 loss。这一步起到的作用就是引入训练过程中未见过的样例，再利用这上面的 loss 来更新梯度，从而使得模型更新后的参数具备快速 adapt 的能力。直觉上，这样的方法是 make sense 的，数学上能够证明 MAML 最后能够收敛到 optima 吗，Chelsea 也给出了答案，更多的证明就请参考 references 中的文章。
当然，也有研究者认为这样的二阶导数计算复杂，所以也提出了 REPTILE，一个一阶的 Meta-Learning 算法，框架如下：
和 MAML 的不同之处在于，这里的外循环被简化成更新梯度时，取前面更新 k 步后与原模型的改变量的 倍。特别地，当 Specifically, it maximizes the inner product between the gradients on different minibatches from the same task. If gradients from different batches have positive inner product, then taking a gradient step on one batch improves performance on the other batch.
也就是会有个同一个 task 内，maximize 多个 mini-batch 梯度的内积。Why？我的理解是，内积为正说明梯度的夹角小于九十度，那么两次更新的方向可以认为是近似的，所以一个 batch 上的更新能够提升在另外一个 batch 上的性能，从而提升了模型的泛化能力。
Pre-train & Multi-Task Learning
在学习的 MAML 过程中，会发现它背后的 idea 和目前盛行的 pre-train 很接近，他们都是去学一个初始化的参数，然后在下游的任务上进行 fine-tune；和 multi-task learning 也有些类似，那么它们的区别在哪呢？
和 pre-train 的一个最大的区别在于：MAML 对于新 task 的 fit 能力更强，几步 gradient update 就能够获取一个比较好的性能 适合 few-shot learning 这样的 task，因为在一开始选取参数的时候，pre-train model 侧重的是 model 的表达能力，能够很好的
而 Multi-Task Learning 可以看做是一个 zero-shot meta learning problem，也就是说，经过 multi-task 的 pre-training 之后，不再会有 N-way k-shot 的训练数据给你去 fine-tune 了
Applications in NLP
MAML 在 RL 中四处开花之后，很自然就会想到，把这个 framework 运用到 NLP 中，特别是那些天然存在 few-shot 设置的场景，接下来就介绍几篇 MAML 在具体的一些 NLP 任务上的应用文章（所有的文章都在参考文献里可以找到链接）。
Meta-Learning for Low-Resource Neural Machine Translation: EMNLP 2018 的文章，是 Meta-Learning 在 NMT 上的一次尝试，思路也很直接，机器翻译任务中存在着大量的语言，他们的语料因为使用范围、人数等原因本身就少，规模不大。那么，能不能利用富语料 e.g. En-De / Ch-En 做预训练，从而快速地 fit 小语料的翻译任务呢？套用 MAML 的框架，如果我们把每一个语言对视作是一种 task，那么只有少量数据的语言对的翻译就是 MAML 对应的 k-shot learning 问题，文章也给出了一个很直观的示意图：
实验的结果就是 MAML 能够在目标的四个语言对上打败 Multi-task Learning 和 Transfer Learning。作者在 training 的时候设计了一项正则项以及使用 ealy-stopping 来避免 meta-update 造成的偏移太大，并且提出了一种 fine-tune 只更新部分 Module 的思路，怀疑这个方法面临的一个主要问题就是在 Meta-Learning 阶段，模型参数容易产生比较大的偏移，从而倾向于某一种 source task，进而在下游任务取得比较差的表现。
Personalizing Dialogue Agents via Meta-Learning: EMNLP 19, 短文。在 PersonaChat(ConvAI2) 上做的 persona-chat 的实验，这篇文章把 Persona 看做是不同的 task，旨在不使用 Persona 的信息，仅仅通过用 MAML 来根据 dialog history，学习生产 personalized 的对话。生成的实验结果很有意思，在 BLEU 和 PPL 都没能超过普通的 Seq2Seq 方法，但是在 persona 的一致性和 Human-Evaluation 上超过了 Baseline。persona 一致性是通过一个预训练的分类器，判断对话是否和 persona 对应训练出来的。有点奇怪的是，PPL 和人类对 fluency 的评估结果是相反的。
Investigating Meta-Learning Algorithms for Low-Resource Natural Language Understanding Tasks：EMNLP 19 的一篇短文，如标题所说，主要是探究 MAML 在 NLU 任务上的应用。直接套框架，主要贡献在于比较了 MAML、FOMAML 以及 REPTILE 三种 MAML 算法的效果，并且对采样任务的方法（uniform/根据 dataset size 采样）做了探究。
Learning to Learn and Predict: A Meta-Learning Approach for Multi-Label Classification：EMNLP 19， 长文，这篇文章利用 Meta-Learning 的方式不再是学习初始化，而是之前的方式一：输出模型的参数。具体来说，是输出一个多标签分类器的 threshold 以及各个标签类别对于 loss function 的权重，motivation 在于：
多标签分类问题，存在标签之间的 dependency，以及不同标签之间的区分度是不同的（区别 organization 和 person 很简单，但是区别 broadcast 和 news 就不容易了），因此需要一个 label-specific 的 classifier
用 Meta-Learning 的思路，我们可以学习一个 classifier，而全部输出参数的话不太现实，这篇文章采用了输出两个值：分类的 threshold 以及不同 label 对于 loss function 的贡献度（权重）
需要解决的一个不可微分的问题（threshold 这里有个对梯度的截断），所以文章提出用 Policy gradient 的方法来训练这个 classifier，设计了一个跟预测的 threshold 以及 prediction label prob 的相关的 reward，具体请参考文章中的公式，一句话说就是分类正确并且和预测的 label 概率值和 prob threshold 差距越大，则 reward 越高，反之则会收到惩罚。
Summary
总结一下：
MAML 或者说 Meta-Learning 还是有很大的应用空间的，因为具体的问题存在着很多 few-shot 的场景，如果真的有这样的需求，那么可以尝试一下 MAML
简单的套用 MAML 框架，对于 NLP community 来说其实是没有太大增益的，想要有更大的 Contribution，还是需要结合具体的问题，针对问题提出基于 MAML 相应的解决方案。
References
ICML 2019 Meta-Learning Tutorial
PhD Thesis of Chelsea Finn - Learning to Learn with Gradient
Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks
Meta-Learning and Universality: Deep Representations and Gradient Descent can Approximate any Learning Algorithm
Reptile: On First-Order Meta-Learning Algorithms
Meta-Learning for Low-Resource Neural Machine Translation
Learning to Learn and Predict: A Meta-Learning Approach for Multi-Label Classification
Personalizing Dialogue Agents via Meta-Learning
Learning to Learn and Predict: A Meta-Learning Approach for Multi-Label Classification
Investigating Meta-Learning Algorithms for Low-Resource Natural Language Understanding Tasks
本文由作者授权AINLP原创发布于公众号平台，点击'阅读原文'直达原文链接，欢迎投稿，AI、NLP均可。
推荐阅读
BERT 瘦身之路：Distillation，Quantization，Pruning
关于AINLP
AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLP君微信(id：AINLP2)，备注工作/研究方向+加群目的。