語言是人與人之間最自然的溝通方式，能幫助我們傳遞很多重要的信息。斯坦福大學人工智能實驗室（SAIL）近日發(fā)表博客，介紹了其兩篇 ACL 2020 論文。這兩項研究立足于近段時間 BERT 等神經(jīng)語言模型的突破性成果，指出了一個頗具潛力的新方向：使用語言解釋來輔助學習 NLP 乃至計算機視覺領(lǐng)域的任務(wù)。

[[355187]]

想象一下：如果你是一位機器學習從業(yè)者并想要解決某個分類問題，比如將彩色方塊群分類為 1 或 0。你通常會這樣做：收集一個包含大量樣本的數(shù)據(jù)集，標注數(shù)據(jù)，然后訓練一個分類器。

但人類的學習方式卻并非如此。對于這個世界，人類有一種非常強大且直觀的信息溝通機制：語言！

只需一個短語「at least 2 red squares（至少兩個紅方塊）」，我們就能歸納上面的整個數(shù)據(jù)集，而且效率要高得多。

語言是人類學習的一大關(guān)鍵媒介：我們使用語言來傳遞關(guān)于這個世界的信念、教育他人以及描述難以直接體驗的事物。因此，對監(jiān)督式機器學習模型而言，語言理應(yīng)是一種簡單且有效的方法。但是，過去基于語言的學習方法都難以擴展到現(xiàn)代深度學習系統(tǒng)致力于解決的一般任務(wù)，而這些領(lǐng)域使用的語言形式往往很自由。

今年斯坦福大學 AI 實驗室（SAIL）的兩篇 ACL 2020 論文在這一研究方向上取得了一些進展：針對自然語言處理（NLP）和計算機視覺領(lǐng)域的多種高難度任務(wù)，他們首先用語言解釋這些任務(wù)，然后使用深度神經(jīng)網(wǎng)絡(luò)模型來學習這些語言解釋，進而幫助解決這些任務(wù)。

ExpBERT: Representation Engineering with Natural Language Explanations

Shaping Visual Representations with Language for Few-shot Classification

難在哪里？

對人類而言，語言是一種教授他人的直觀媒介，但為何使用語言來執(zhí)行機器學習會這么難？

主要的難題也是最基本的問題：在其它輸入的語境中理解語言解釋。光是構(gòu)建能夠理解豐富和模糊語言的模型就已經(jīng)很難了，而構(gòu)建能將語言與周圍世界關(guān)聯(lián)起來的模型還要更難。舉個例子，給定解釋「at least 2 red squares（至少兩個紅方塊）」，模型不僅要理解什么是「red（紅）」和「squares（方塊）」，還要理解它們?nèi)绾沃复溯斎氲奶囟ú糠郑ㄍǔ：軓?fù)雜）。

過去一些研究依靠語義解析器來將自然語言陳述（比如 at least 2 red squares）轉(zhuǎn)換為形式化的邏輯表征（比如 Count(Square AND Red) > 2)）。如果我們可以輕松地通過執(zhí)行這些邏輯公式來檢查解釋是否適用于輸入，則可以將解釋用作特征來訓練模型。但是，語義解析器僅對簡單的領(lǐng)域有效，因為簡單我們才能人工設(shè)計可能見到語言解釋的邏輯語法。它們難以處理更豐富和更模糊的語言，也難以擴展用于更復(fù)雜的輸入，比如圖像。

幸運的是，BERT 等現(xiàn)代深度神經(jīng)語言模型已經(jīng)顯現(xiàn)出解決多項語言理解任務(wù)的潛力。因此，SAIL 在這兩篇論文中提出使用神經(jīng)語言模型來緩解這些基本問題。這些神經(jīng)語言模型或以確定相關(guān)領(lǐng)域內(nèi)語言解釋為目標，或使用了可以解讀語言解釋的通用型「知識」來進行預(yù)訓練。下面將詳細地介紹這些神經(jīng)語言模型，看它們?nèi)绾文茉诟惶魬?zhàn)性的任務(wù)設(shè)置中學習更豐富且更多樣化的語言。

ExpBERT：使用自然語言解釋來設(shè)計和創(chuàng)建表征

論文地址：https://arxiv.org/abs/2005.01932

第一篇論文研究了如何使用語言解釋來構(gòu)建文本分類器。首先來看一個關(guān)系提取任務(wù)：模型需要根據(jù)一小段文本識別其中提到的兩個人是否已經(jīng)結(jié)婚。盡管當前最佳的 NLP 模型有可能僅基于數(shù)據(jù)來解決這一任務(wù)，但人類還能通過語言描述來暗示兩人是否已經(jīng)結(jié)婚，比如度蜜月的人通常是已婚的。這樣的語言解釋能用于訓練更好的分類器嗎？

對于語言任務(wù)，我們可以提取輸入 x 的特征（比如是否出現(xiàn)了特定詞）來訓練模型，而解釋還能提供額外的特征。仍以上述任務(wù)為例，我們知道「蜜月（honeymoon）」是相關(guān)的語言描述，如果我們能創(chuàng)建一個蜜月特征，并使其在段落描述到兩人將要度蜜月時激活，則這個信號應(yīng)該可用于訓練更好的模型。

但創(chuàng)建這樣的特征需要某種解釋解讀機制（explanation interpretation mechanism），這樣模型才能知道對輸入的解釋是否為真。語義解析器就是這樣一種工具：給定「A 和 B 正在度蜜月」，我們可以將這個解釋解析成一種邏輯形式，即當分析一個輸入時，如果在提到 A 和 B 時還提到了「蜜月」，則返回 1。但如果解釋更模糊呢？比如「A 和 B 很恩愛」。我們?nèi)绾谓馕鏊?/p>

盡管語義解析在領(lǐng)域較小時高效且準確，但擴展性能很差，因為它只能解讀遵循固定語法規(guī)則集和預(yù)定義函數(shù)（比如 contains 和 extract_text）的解釋。為了解決這些問題，SAIL 的研究者看中了神經(jīng)語言模型 BERT 的軟推理能力。BERT 在文本蘊涵任務(wù)上尤其高效，即確定一個句子是否暗含另一個句子或與另一個句子有矛盾。比如「她吃了披薩」暗含「她吃了食物」。

SAIL 提出的 ExpBERT 模型使用了針對文本蘊涵任務(wù)訓練的 BERT 模型，但研究者為其設(shè)定的訓練目標是識別任務(wù)段落里是否蘊涵一個解釋。BERT 在這一過程中輸出的特征可替代上述語義解析器提供的指示特征。

BERT 的這種軟推理能力能否提升語義解析效果？在上面的婚姻識別任務(wù)中，研究者發(fā)現(xiàn)相較于僅使用輸入特征（無解釋）訓練得到的分類器，ExpBERT 能帶來顯著提升。其中重要的一點是：使用語義解析器來解析解釋的作用不大，因為一般性的解釋（恩愛）難以轉(zhuǎn)換為邏輯形式。

論文還比較了更多基準方法，探索了更大的關(guān)系提取任務(wù)（如 TACRED），執(zhí)行了控制變量研究，研究了使用解釋相比于添加數(shù)據(jù)的高效性。此處不再贅述。

使用語言為少次分類任務(wù)塑造視覺表征

論文地址：https://arxiv.org/abs/1911.02683

上文描述的研究使用自然語言解釋來幫助解決單個任務(wù)，比如識別婚姻狀況。但是，認知科學領(lǐng)域的研究表明：語言還能讓我們獲取正確的特征和抽象概念，進而幫助我們解決未來的任務(wù)。例如，能說明 A 和 B 已婚的語言解釋還能說明其它一些對人類關(guān)系而言非常重要的概念：孩子、女兒、蜜月等等。知道這些額外概念不僅有助于識別已婚夫婦，還有助于幫助識別其它關(guān)系，比如兄弟姐妹、父母等。

在機器學習中，我們可能會問：如果我們最終希望解決的新任務(wù)沒有提供語言說明，語言如何為高難度且未指明的領(lǐng)域提供恰當?shù)奶卣?？SAIL 的第二篇論文便探索了這一任務(wù)設(shè)置，這個任務(wù)的難度更大：語言能否提升跨模態(tài)（這里是視覺）的表征學習？

具體來說，該研究重點關(guān)注的是少次視覺推理任務(wù)，比如下面這個來自 ShapeWorld 數(shù)據(jù)集的例子：

針對一個視覺概念給定一個小型訓練樣本集，任務(wù)目標是確定留出集的測試圖像是否表達了同樣的概念?，F(xiàn)在，如果假設(shè)能在訓練時間獲得相關(guān)視覺概念的語言解釋，又會如何呢？我們能否使用它們來學習一個更好的模型，即便在測試時沒有語言可用？

SAIL 的研究者將該任務(wù)放到了一個元學習任務(wù)框架中：他們沒有在單個任務(wù)上訓練和測試模型，而是選擇了在一組任務(wù)上訓練模型，其中每個任務(wù)都有一個小型訓練集和配套的語言描述（元訓練集 / meta-train set）。然后，他們在一組未見過任務(wù)組成的元測試集（meta-test set）上測試模型的泛化能力，并且該測試集沒有可用的語言描述。

首先，如果沒有語言描述，我們會如何解決這一任務(wù)？一種典型的方法是原型網(wǎng)絡(luò)（Prototype Network），其策略是學習某個能對訓練圖像執(zhí)行嵌入、求平均并將其與測試圖像的嵌入進行對比的模型 f_θ（在這里是一個深度卷積神經(jīng)網(wǎng)絡(luò)）：

在此基礎(chǔ)上，為了使用語言，SAIL 提出一種名為語言塑造型學習（Language Shaped Learning/LSL）的方法：如果能在訓練時使用語言解釋，則可以促使模型學習不僅對分類有用的表征，而且該表征還能用于預(yù)測語言解釋。SAIL 采用的具體方案是引入一個輔助訓練目標（即與最終的目標任務(wù)無關(guān)），同時訓練一個循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）解碼器來預(yù)測對輸入圖像表征的語言解釋。有一點至關(guān)重要，即這個解碼器的訓練過程取決于圖像模型 f_θ 的參數(shù)，因此該過程應(yīng)該能促使 f_θ 更好地編碼語言中顯現(xiàn)的特征和抽象。

從效果上看，可以說這是訓練模型在訓練期間表征概念時「把想法大聲說出來」。在測試階段，則可以直接拋棄 RNN 解碼器，使用這個「經(jīng)過語言塑造的」圖像嵌入按常規(guī)方式執(zhí)行分類即可。

研究者使用真實圖像和人類語言，在上述 ShapeWorld 數(shù)據(jù)集以及更真實的 Birds 數(shù)據(jù)集上進行了測試：

在這兩種情況下，相對于無語言解釋的基準模型（Meta）、使用隱含語言的學習（L3）方法，這個輔助訓練目標實現(xiàn)了性能提升：

此外，該論文還研究了語言的哪些部分最重要（其實差不多都挺重要），以及 LSL 需要多少語言才能取得優(yōu)于無語言模型的表現(xiàn)（其實只需一點點）。詳情請參閱原論文。

展望未來

正如 NLP 系統(tǒng)理解和生成語言的能力在日益增長一樣，機器學習系統(tǒng)基于語言學習解決其它高難度任務(wù)的潛力也在增長。SAIL 的這兩篇論文表明，在視覺與 NLP 領(lǐng)域的多種不同類型任務(wù)上，通過學習語言解釋，深度神經(jīng)語言模型可成功提升泛化能力。

研究者指出，這是訓練機器學習模型方面一個激動人心的新途徑，而且強化學習等領(lǐng)域已經(jīng)對一些類似的想法進行了探索。在他們的設(shè)想中，未來在解決機器學習任務(wù)時，我們無需再收集大量有標注數(shù)據(jù)集，而是可以通過人與人之間使用了成千上萬年的互動方式——「語言」來與模型進行自然且富有表達力的交互。