数据地图---使用Training Dynamics来映射和诊断数据集
最近看到一篇很有趣的文章，发表于EMNLP-20，作者团队主要来自AllenAI：
Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics
我们以往的关注点主要在模型身上，这篇文章则是关注于我们的训练数据集，希望通过模型训练过程中的一些动态指标——training dynamics，来发掘数据集的一些性质，比如不同样本的难易程度，从而帮助我们更好地训练模型。这其实是Data-centric方向中的data selection要考虑的主要问题之一。
曾经我介绍过另一篇分析训练过程中的example forgetting现象的文章（深度学习中的样本遗忘问题 (ICLR-2019)），这篇文章则是在此基础上更进一步，用一种更精细化的方式，来可视化我们的数据集。
论文的核心方法，用一句话就可以介绍完毕：
假设我们训练一个分类模型N个epoch，针对每一个sample，在每个epoch结束后，我们都记录该sample在正确类别上的概率。然后在训练结束后，我们对这N个概率，我们计算概率的均值和标准差，分别记为confidence和variability，构成该sample的坐标，这样就可以绘制数据地图（dataset cartography）。
下面是使用SNLI数据集绘制的数据地图：
上图大致可以分为三个区域：
- easy-to-learn：是confidence较高，但是variability较低的区域
- hard-to-learn：是confidence较低，variability也较低的区域
- ambiguous：是variability较高的区域
从名字就可以看出这三个区域的样本，拥有不同的性质。
接下来作者做了一个实验，只使用某一个区域的样本进行训练，看看分别有什么样的效果：
上面这个表中，作者只选取了1/3的样本，来跟全量样本的训练进行对比。high-confidence就是指easy-to-learn的样本。可以看出：
- 只使用easy的样本，效果会很差，比随机选1/3的结果都差；
- 只使用hard的样本，效果不错，在OOD上甚至可以超过100%训练样本
- 只使用ambiguous样本，在所有subset中效果最好
在其他数据集上，也有类似的现象：
作者进一步做了一些实验，来探究三个区域样本的功能，发现：
- easy样本，虽然对模型性能的贡献不大，但是如果完全不使用的话，模型的收敛会很困难
- ambiguous的贡献基本上是最大的
- hard样本贡献也很大，但是里面可能包含很多noise，如果数据错标的话，基本都出现在hard区域
以上就差不多是论文的内容了，其实很简单，但是这样的一个数据地图，其实可以帮助我们进一步观察数据集的特点，帮助我们从data-centric的角度去做出改进。
笔者自己也跑了一下在SST2数据集上的数据地图，分别使用一个大模型和一个小模型，发现差异明显：
下图是使用RoBERTa-large的效果：
下图则是使用BERT-tiny的效果：
还是挺有意思的，通过这些差异，也许我们可以进一步地发现数据集中的一些特点。
原作者的GitHub：https://github.com/allenai/cartography 然而这个repo好久没有维护了，很难直接运行，所以我使用最新版的transformers库复现了一下，两行命令即可绘制上述数据地图： https://github.com/beyondguo/TrainingDynamics 欢迎大家 star 来跑跑看。
写作不易 如果觉得有所收获的话
大家就点一个赞吧 :)
2022年的第10/52篇原创笔记 和我一起挖掘有趣的AI研究吧！
