听说过数据扩增（Data Augmentation），也听说过虚拟对抗训练（Virtual Adversarial Traning），但是我没想到会有人将其结合，谓之虚拟数据扩增（Virtual Data Augmentation）。这篇文章主要讲解EMNLP2021上的一篇论文Virtual Data Augmentation: A Robust and General Framework for Fine-tuning Pre-trained Models，该论文提出了一种鲁棒且通用的数据扩增方法，论文源码在https://github.com/RUCAIBox/VDA
论文开篇提到目前数据扩增存在的主要问题：产生数据多样性的同时如何保证其仍然在同一个语义空间中？简单地说，增强数据扩增的多样性很容易，核心就一个字："乱"，例如许多数据扩增方法会随机打乱一个句子中token的位置，或者是随机删除某些token，随机插入某些token。这样虽然增强了样本的多样性，但是语义可能也会产生非常大的变化，甚至不再与原样本的语义相同。保持语义不变，或者说保证扩增后的样本和原样本在同一个语义空间中很容易，核心就是："不要太乱"，例如通过同义词替换等，这种方法可以做到几乎不改变语义，但是数据多样性却不够，因为本质上还是同一句话
这两个需求实际上是矛盾的，我们所能做的只是尽力达到某种平衡。具体来说，作者所提出的方法包含两个重要部分：Embedding Augmentation以及Regularized Training
Embedding Augmentation
假设现在我们有句子「Time is enough for test」，对于每个位置的token，我们都可以将其替换为[MASK]，然后通过MLM预测Vocabulary中所有token在该位置的概率，例如
[MASK] is enough for test
[MASK]位置输出的token及其概率为
代码语言：javascript复制Time p=0.5
Day p=0.3
Hours p=0.15
...再比如
Times is enough for [MASK]
[MASK]位置输出的token及其概率为
代码语言：javascript复制test p=0.5
evaluation p=0.3
experiment p=0.1
...看到这里大家脑海中可能已经有了一个数据扩增的想法，就是利用MLM任务对句子中每个位置的token进行预测，然后根据预测概率随机挑选出一个token进行替换，例如上面的句子可能就会被替换为「Hours is enough for evaluation」。这确实是一种还不错的数据扩增方法，但是论文作者却并不是这么做的
为了描述简单，我们仅讨论对于给定句子S中的一个token tilde{w}进行扩增的情况（实际上句子S中的所有token都会进行该操作），通过MLM任务我们可以预测出Vocabulary中所有单词在tilde{w}位置的概率
其中，V是Vocabulary中的token数量
为了增强数据扩增的多样性，或者说引入某些噪声以增强抗干扰性，我们从高斯分布中随机采样出一个向量
将该向量与公式(1)的概率分布进行混合，我们可以得到一个新的概率分布
然后对于每个即将被替换的token tilde{w}，我们根据概率p'(hat{w}_imid S)加权融合所有token hat{w}_i的Embedding向量
其中，mathbf{p}_{tilde{w}}={p'(hat{w}_imid S)}_{i=1}^V，mathbf{M}_Ein mathbb{R}^{Vtimes d}是MLM模型的词向量矩阵
举个简单的例子解释一下，为了方便，同样还是以替换一个token为例，并且整个Vocabulary只有4个token，词向量的维度为2。首先我们有一句话「She is a good student」，将「good」进行MASK，然后通过MLM模型，预测出概率分布为
从左到右分别是good, perfect, excellent, smart的概率，根据高斯分布mathcal{N}(0, sigma^2)随机产生的向量为
这里我并没有具体指明方差sigma^2到底是多少，因为我懒得算
将p(hat{w}_imid S)与epsilon混合后进行Softmax得到新的概率分布为
假设Embedding矩阵为
那么最终「good」这个位置对应的embedding为
$$ begin{aligned} hat{mathbf{e}}_{tilde{w}} &= p'(hat{w}_imid S) cdot mathbf{M}_E\ &=begin{bmatrix}0.4\0.2\0.2\0.2end{bmatrix}^Tcdot begin{bmatrix}0.2,0.3\0.1,0.5\0.4,0.2\0.1,0.4end{bmatrix}\ &= begin{bmatrix}0.2, 0.34end{bmatrix} end{aligned} $$
到此为止，不知道大家有没有体会到什么叫「Virtual Data Augmentation」，Virtual本质上就是不用一个真实的token去替换，而是使用一个embedding去替换，而如果你用这个embedding去反查mathbf{M}_E矩阵一般是找不到对应的索引的，也就是说我们生成的这个embedding并不对应一个实际存在的token
Regularized Traning
标题起的很有故事，但本质上就是多引入了一个损失函数，具体来说，现在我们的优化目标为
其中f表示含有参数theta的预训练模型，n为样本个数，k表示由一条句子扩增出了k条句子。具体来说，如果是分类任务，则
其中，text{CE}(cdot ,cdot)是Cross-Entropy Loss，可以根据具体任务替换的，mathbf{E}_i表示第i条句子通过Word2Vec之后生成的向量，其维度为[seq_len, emd_dim]
为了防止扩增后的样本与原始样本间的语义产生巨大差距，换句话说，我们希望扩增后的样本与原样本间的分布是接近的，因此论文引入了KL散度作为第二项损失
其中，k指的是原样本扩增出了k个样本，D_{sKL}是对称的KL散度，具体来说
实际上这种方法可以看作是多任务，我们希望模型参数训练到一种境界，这种境界是，不论模型对原样本进行下游任务，还是让模型判断原样本与扩增样本的差距，模型都能做的很好。最后给出论文中的一张图结束这部分（图中一个样本扩增了3条样本）
Results
如果单看原始的准确率对比，似乎提升并不是很大，感觉我随便引入一些trick都能达到甚至超过Virtual Data Augmentation的效果。关键在于第二列「Att Acc」，这代表模型受到攻击时的结果，这部分的提升特别大，表明VDA这种方法确实有很强的抗干扰性，或者说鲁棒性很强
个人总结
实际上前面已经把这篇论文讲的很清楚了，这里没有什么好总结的，但我倒是有一点个人拙见想和大家讨论一下，因为他做MLM任务时，将整个Vocabulary都作为候选集，这样无论是对计算速度还是显存占用都不是很友好，我觉得可以将其改为取出概率最大的前Top k个token，这个k可以取的稍微大一点，例如200, 300等，这样可以保证取到后面一些语义上不那么相近的token的同时，避免对整个Vocabulary进行运算，至少不会生成几万几十万那么夸张的概率分布
