読み⼿：⻄⽥光甫（NTT⼈間研・東⼤吉永研） @最先端NLP勉強会 1

⼀⾔で⾔うと • 事前学習済み⾔語モデルのFine-Tuningにおける 学習過程を分析した論⽂ 2

もう少し説明すると • 訓練データにノイズを与えて学習することで， Fine-Tuningに3つの段階があることを明らかにした 3 訓練データ（ノイズあり）と開発データ （ノイズなし）における性能の変化 訓練データ中のノイズのある事例のみに おける性能の変化 ※薄い線ほどノイズが⼩さい学習

もう少し説明すると • 訓練データにノイズを与えて学習することで， Fine-Tuningに3つの段階があることを明らかにした – Fitting: 汎化によりデータ中のパターンを発⾒・学習する 4 訓練データ（ノイズあり）と開発データ （ノイズなし）における性能の変化 Fitting中は訓練・開発データでの性能が向上し，ノイズは誤分類する 訓練データ中のノイズのある事例のみに おける性能の変化

もう少し説明すると • 訓練データにノイズを与えて学習することで， Fine-Tuningに3つの段階があることを明らかにした – Fitting: 汎化によりデータ中のパターンを発⾒・学習する – Settling: 変化が起こらない 5 訓練データ（ノイズあり）と開発データ （ノイズなし）における性能の変化 Settling中は全データにおける性能が停滞する 訓練データ中のノイズのある事例のみに おける性能の変化

もう少し説明すると • 訓練データにノイズを与えて学習することで， Fine-Tuningに3つの段階があることを明らかにした – Fitting: 汎化によりデータ中のパターンを発⾒・学習する – Settling: 変化が起こらない – Memorization: 個々のデータを記憶する 6 訓練データ（ノイズあり）と開発データ （ノイズなし）における性能の変化 Memorization中はノイズを正解するようになり，開発データの性能が落ちる 訓練データ中のノイズのある事例のみに おける性能の変化

⽬次 • 導⼊ • 実験1:ノイズ下の設定でどのように汎化・記憶が進むか？ • 実験2:データの記憶と忘却はどのように起こるか？ • 実験3:少数クラスを記憶できるか？ • Few-shot learningにおける提案⼿法と評価 7

導⼊ • BERTに代表される事前学習済み⾔語モデルが 何を学習しているのかについて，過去に分析がされてきた – 関係知識，⾔語知識，etc. • しかし，⾔語モデルがどのように知識を学習するのかに ついては知⾒が少ない • Fine-Tuningではデータに共通のパターンを発⾒する汎化が 重要である⼀⽅，低頻度な事例を記憶することも重要 • BERTのFine-Tuningの学習過程を分析することで， 汎化・記憶がどのように起こるのかを分析した 8

実験設定1 • 固有表現認識（NER）で分析 – structured predictionの評価として⼀般的 – label imbalanceが存在するため，今回の分析に適切 – （私⾒）別にテキスト分類でもよかったのでは？ • 以下の2つの⼿段でモデルが個々のデータを記憶する 能⼒を分析 – 𝑥%の訓練データのラベルを⼊れ替える（𝑥 = 0~50．実験1） – あるクラスの訓練データを𝑁個に制限する（𝑁 = 0~200．実験3） 9

実験設定2 • データセット – CoNLL03: NERで標準的なデータセット – JNLPBA: Bio-NERで標準的なデータセット （付録⾏きの結果は本発表では割愛） – WNUT17: テスト時に低頻度なentityが多く現れるデータセット （付録⾏きの結果は本発表では割愛） • モデル – BERT-base – RoBERTa（BERTと同じ傾向のため本発表では割愛） – DeBERTa（BERTと同じ傾向のため本発表では割愛） – bi-LSTM-CRF（10層・300次元単語ベクトル+50次元⽂字ベクト ル．総パラメータ数30M．実験2のみ） 10

⽬次 • 導⼊ • 実験1:ノイズ下の設定でどのように汎化・記憶が進むか？ – 𝑥%の訓練データのラベルを⼊れ替える（𝑥 = 0~50） • 実験2:データの記憶と忘却はどのように起こるか？ • 実験3:少数クラスを記憶できるか？ • Few-shot learningにおける提案⼿法と評価 11

実験1: 分析1 • Fine-Tuningに3つの段階（Fitting, Settling, Memorization） があることを明らかにした – 特にSettlingの発⾒が貢献．事前学習済みResNetにもSettlingは存在 するが，BERTはSettlingが⻑いのが特徴 – Settlingが⻑いので，厳密なEarly StoppingはBERTには不要かつ Settling中で⽌められるならBERTはラベルノイズに対してロバスト – ノイズがなければEpochが⼤きくても性能は維持される 12 訓練データ（ノイズあり）と開発データ （ノイズなし）における性能の変化 訓練データ中のノイズのある事例のみに おける性能の変化

• ラベルノイズはMemorizationで初めて学習される – Settling中はノイズのあるデータは誤分類する – ノイズからはパターンを学習できないので，Memorization中に 何回も事例を⾒ることで徐々に丸暗記していく • （私⾒）なら，訓練データを綺麗にすることにお⾦を かけるのはコスパが悪い？ 13 実験1: 分析2 訓練データ（ノイズあり）と開発データ （ノイズなし）における性能の変化 訓練データ中のノイズのある事例のみに おける性能の変化

⽬次 • 導⼊ • 実験1:ノイズ下の設定でどのように汎化・記憶が進むか？ • 実験2:データの記憶と忘却はどのように起こるか？ • 実験3:少数クラスを記憶できるか？ • Few-shot learningにおける提案⼿法と評価 14

実験2: 定義 • データに対するeventを以下のように定義する – Forgetting Event: 今のepochでは誤分類したが1epoch前は正解 – Learning Event: 今のepochでは正解したが1epoch前は誤分類 – First Learning Event: 初めて正解した • 条件を満たすデータを以下のように呼ぶ – Unforgettable Example: Forgetting Eventが起こらないデータ – Forgettable Example: Forgetting Eventが⼀度以上起こったデータ – Learned Example: Learning Eventが⼀度以上起こったデータ 15

実験2: 分析1 • 事前学習済みのBERTは忘却の起こる割合が少ない →事前学習は重要な情報を維持することに有効 • 画像処理では忘却の割合がモデル構造に⾮依存であるこ とが知られているが，⾔語処理ではモデル構造への依存 が⼤きい →（私⾒）単純にLSTMが⼤規模化に適さないのでは？ 16

実験2: 分析2 • ラベルノイズを与えると実験1と同様の結果が得られる – Fittingでクリーンなデータを学習 – SettlingではFirst Learning Eventは起こらない – Memorizationでノイズを学習 17 First Learning Eventsの発⽣率

⽬次 • 導⼊ • 実験1:ノイズ下の設定でどのように汎化・記憶が進むか？ • 実験2:データの記憶と忘却はどのように起こるか？ • 実験3:少数クラスを記憶できるか？ – あるクラスの訓練データを𝑁個に制限する（𝑁 = 0~200） • Few-shot learningにおける提案⼿法と評価 18

実験3: 分析1 • 訓練データの性能は下がらないが，開発データの性能は⼤ きく下がる →データ量は汎化性能を上げるために重要 • データ量が少ないほど初期に記憶される →（私⾒）と⾔うより，データ量が少ないとノイズとして 認識され，珍しいノイズほど初期に記憶する？ 19 CoNLL03でLOCを削減したときの LOCクラスのfirst learning eventの分布 CoNLL03でLOCを削減したときの 学習過程 ※濃い線ほどデータが少ない学習（N=5~95）

実験3: 分析2 • クラスの学習にはCoNLL03で25~100データ，JNLPBAで 50データ以上が必要 20 CoNLL03でMISC, LOCをそれぞれ削減した ときの削減ラベル・全体に対する性能 JNLPBAでMISC, LOCをそれぞれ削減した ときの削減ラベル・全体に対する性能

⽬次 • 導⼊ • 実験1:ノイズ下の設定でどのように汎化・記憶が進むか？ • 実験2:データの記憶と忘却はどのように起こるか？ • 実験3:少数クラスを記憶できるか？ • Few-shot learningにおける提案⼿法と評価 21

提案⼿法・ProtoBERT 訓練1 • Few-shot learningの⼿法として⼀般的なPrototypical NetworkをBERTと組み合わせるProtoBERTを提案 • 訓練時は，各クラスからsupport example 𝑆! とquery example 𝑄! をサンプリングしてmini-batchとする – イメージ：（通常はモデルパラメータの）クラス⾏列を supportを使って都度計算 – イメージ：queryの分類確率を計算し，正しく分類するように学習 （つまり，queryが普通の訓練データの役割） 22

提案⼿法・ProtoBERT 訓練2 • クラス𝑘のsupport example 𝑥" の表現𝑓(𝑥" )のクラス平均を クラスベクトル𝑐! とする • query表現𝑓(𝑥)とクラスベクトル𝑐! の距離× −1 をlogitとし， Cross-Entropy Lossで学習 23

提案⼿法・ProtoBERT 推論 • 訓練終了時に訓練データ全体をsupportとして再度 クラスベクトルを計算 – 計算量削減のために訓練中のクラスベクトルの指数移動平均を 使うこともできる（running centroids） • 評価データをqueryとして分類確率を計算，出⼒する 24

評価結果・低リソース設定 • 低リソース設定においてProtoBERTは通常のBERTを上回る • 少数クラスのデータが増えるにつれBERTに追いつかれ， BERTを下回るようになる – （私⾒）スケールが⼤きいのでかなり負けている？ 25 CoNLL03でMISCとLOCを削減したときの 全開発データにおける評価結果． CoNLL03でMISCとLOCを削減したときの 同クラスにおける評価結果．

評価結果・全データで訓練した場合 • 全データで訓練・評価した場合も通常のBERTと同程度の 性能を発揮 – （私⾒）前⾴の結果と反する？最後には追いつくということ？ • 評価データに低頻度entityが多いWNUT17では 全データでもBERTを上回る • 計算量の⼩さいrunning centroids（クラスベクトルが 訓練中の指数移動平均）でも僅かに下がるだけ 26

まとめ • BERTのFine-Tuningの学習過程を分析することで， 汎化・記憶がどのように起こるのかを分析し， 以下の事項を発⾒した – Fine-Tuningには3つの段階（Fitting, Settling, Memorization）がある – Settling中に⽌められればBERTはラベルノイズにロバスト – 事前学習済みのBERTは知識忘却を他のモデルに⽐べて起こさない – BERTは少数クラスの分類に弱い – ProtoBERTは低リソースの設定でBERTを上回り，全データの 設定でも⼀部のデータセットではBERTを上回る • （私⾒）知⾒として⾯⽩いが，⼀般的な現象なのかは疑問 – NER以外のタスク？ – ラベル⼊れ替え以外のノイズ？ 27

28

SettlingはResNetでは現れない 29

Settlingは事前学習済みモデルにのみ現れる 30

Forgettable Examplesの実例 31

ノイズ検知器としてのBERT • サンプルごとにLoss（epochを次元としてベクトル化？）を k-meansでクラスタリングするだけでノイズ検知器となる 32

ノイズ検知器としてのBERT • 4epoch訓練したBERTを使って閾値を最適化するだけで ノイズ検知器となる – 𝑥はサンプルレベルのLoss – 𝜇!(#) は正（負）例の平均 • 少量の例外以外は分類可能 – 例外はSettling以前に記憶できていない（いる）データと思われる 33