“ 或許自上次N篇ACL事件后，不少人會突然發現我銷聲匿跡了。的確，我20年論文斷供整整一年。這一年我經歷了論文從量變到質變的痛苦蛻變過程，而今天這一篇論文就是在這個過程后的第一個我略微滿意的工作Child-Tuning，推薦給大家。”

自BERT火了以后，基本上現在所有NLP領域都all in Pre-training & Fine-tuning了吧？但當“大”規模預訓練模型遇上“小”規模標注數據時，往往直接Fine-tuning會存在過擬合現象，進一步會影響Fine-tune完后模型的Generalization能力。如何更好地應對這一問題呢？

我們提出的Child-Tuning給出了一種新的解法--在Fine-tuning過程中僅更新預訓練模型中部分網絡的參數（這部分網絡本文就叫做Child Network），這么簡單直接的做法卻效果奇贊，結果在GLUE上相較標準Fine-tune有0.5～8.6個點的效果提升，但卻只需要幾行代碼的修改，你不想試試嗎？目前，該論文《Raise a Child in Large Language Model： Towards Effective and Generalizable Fine-tuning》已被EMNLP‘21接收。

01—

當“大”模型遇上“小”數據

自BERT提出以來，預訓練模型的參數量從最開始的3億，逐漸攀升到了GPT-2的15億，再到火出NLP圈的1750億參數的GPT-3。一方面模型越來越大，但另一方面，下游任務的標注數據量有些情況下卻很少。如果直接將“大”模型在下游“小”數據上進行標準的Fine-tune，將模型遷移到目標任務中去，會導致什么情況呢？

由于這種“大”與“小”的不匹配，往往容易出現過擬合的現象，導致模型在下游任務中的表現差、不穩定、泛化性能差等現象，從而影響我們對于預訓練模型的使用［1］。因此，越來越多工作開始聚焦于如何解決這種不匹配現象，緩解大規模預訓練模型在下游任務中的過擬合。

本文介紹的Child-Tuning圍繞這個問題進行探究，從backward參數更新的角度思考問題，提出一種新的Fine-tuning策略，在Fine-tuning過程中僅更新對應的Child Network，在不同下游任務中相比Vanilla Fine-tuning有明顯提高，如基于BERT模型在四個不同數據集中平均帶來1.5個點的提升，在ELETRA上甚至提升8.6個點。

02—

Child-Tuning 簡單有效的微調算法

在Fine-tuning過程中，我們一方面想利用大規模預訓練模型提供的強大知識，另一方面又想解決“海量參數”與“少量標注樣本”的不匹配問題，那么能否采用這樣的方式來解決問題呢？在forward的時候保持與正常Fine-tune一樣，利用整個模型的參數來編碼輸入樣本；在backward更新參數的時候，無需調整海量龐大的參數，而是僅僅其中中的一部分，即網絡中的一個Child Network。基于這個想法，本文提出一個新的Fine-tuning的策略——Child-Tuning。Child-Tuning的想法很簡單，做法也很簡單，概括性地講可以分為兩個步驟：

Step1：在預訓練模型中發現確認Child Network，并生成對應的Weights的Gradients 0-1 Mask；

Step2：在后向傳播計算完梯度之后，僅僅對Child Network中的參數進行更新，而其他參數保持不變。

在前面提到的Child-Tuning的兩個步驟中，Step2即僅對Child Network中的參數進行更新相對簡單。我們可以通過一個梯度掩碼（Gradients Mask）來實現，即在計算出各個參數位置的梯度之后將其乘以一個0-1矩陣的梯度掩碼，屬于Child Network中參數的位置對應為1，而不屬于的對應為0，之后再進行參數的更新。

那問題的關鍵就落到了，怎么識別Step1提到的Child Network呢？本文探索了兩種算法。一種是與下游任務無關的Child-Tuning_F方法，另一種則是與下游任務相關、能夠自適應感知下游任務特點的Child-Tuning_D，這兩種方式各有優缺點。

任務無關算法Child-Tuning_F對于下游任務無關算法Child-Tuning_F（F for Task-Free） ，其最大的優點是簡單有效，在Fine-tune的過程中，只需要在每一步更新的迭代中，從伯努利分布中采樣得到一個Gradients Mask （M_t）即可，相當于在對網絡參數更新的時候隨機地將一部分梯度丟棄。

盡管方式簡單，我們從理論上證明（詳細見原論文）這種方法可以有效提高模型更新量的方差，有利于模型逃離局部最優點，最終收斂于一個相對比較平坦的損失曲面上，從而提高模型的泛化能力。任務相關算法Child-Tuning_D然而對于下游任務無關微調算法Child-Tuning_F，也有一個缺點，就是它對于不同的下游任務的策略都是一樣的，對于模型中的不同參數也都平等對待。

為此，我們提出了一個任務相關的Child-Tuning_D （D for Task-Driven ），讓選取Child Network的策略能夠針對不同的下游任務自適應地進行調整，選擇出與下游任務最相關最重要的參數來充當Child Network。具體的，我們引入Fisher Information Matrix（FIM）［2］ 來估計每個參數對于下游任務的重要性程度，并與前人工作一致近似采用FIM的對角矩陣（即假設參數之間互相獨立）來計算各個參數相對下游任務的重要性分數［3］，之后選擇分數最高的那部分參數作為我們的Child-Network。

盡管Child-Tuning_D擁有感知下游任務特性的能力，但同時計算Fisher Information也降低了方法的效率，我們不可能在每次迭代的時候都重新計算估計一次Child Network。

因此，我們采用的策略是在Fine-tuning一開始的時候識別出Child Network，并在接下來的迭代中都保持不變，也就是整個Fine-tuning過程只有這部分參數會被更新，我們的實驗證明了這種近似手段同樣可以取得不錯的效果（我們曾經嘗試過在每個epoch之后重新估計一次，但是效果反而不如自始自終保持一致的這種方式）。

02—

Child-Tuning 實現僅需幾行代碼

總的來說，（在基于Adam優化器下的）Child-Tuning的偽代碼如圖4所示，最關鍵的部分在于紅框內的內容，即發現Child Network，以及根據Child Network生成梯度掩模，從而實現僅對Child Network中的參數進行更新。

具體到代碼實現層面，就只需要在原來optimizer里加入簡單幾行代碼：

for p in model.parameters（）： grad = p.grad.data

## Child-Tuning_F Begin

## reserve_p = 0.2 # the ratio of gradients that are reserved. grad_mask = Bernoulli（grad.new_full（size=grad.size（）， fill_value=reserve_p））grad *= grad_mask.sample（） / reserve_p

## Child-Tuning_F End ## # the followings are the original code of optimizer 。。..Child-Tuning代碼已開源到阿里預訓練體系AliceMind，關于實現的更多細節可以參看：https://github.com/alibaba/AliceMind/tree/main/ChildTuning。

03—

實驗結果

我們做的實驗主要探究了微調后模型的效果和泛化性能（更多有趣實驗可以參見論文：https://arxiv.org/pdf/2109.05687.pdf）：

下游任務效果

我們選取了BERT-large， XLNet-large，RoBERTa-large和ELECTRA-large四個不同的預訓練模型，并在四個GLUE基準集上的任務，即CoLA，RTE，MRPC跟STS-B上進行實驗。從下表中可以看到，相比傳統微調算法（Vanilla Fine-tuning），使用Child-Tuning的兩個不同版本（Task-Free和Task-Driven）都能帶來提高，BERT平均提升+1.5，ELETRA平均提升+8.6。

微調后模型的泛化性能

我們通過兩種不同的方式來探究模型的泛化能力：域遷移實驗（Domain Transfer）和任務遷移實驗（Task Transfer），如果模型的泛化能力更好，產生的編碼表示更具有泛化性，那么在相應的遷移實驗里邊將會在目標任務中取得更好的效果。對于域遷移實驗（Domain Transfer），我們在一個NLI數據集上Fine-tune模型，之后直接將其在其他不同的NLI數據集上進行測試。

下表展現的是在源數據集MNLI跟SNLI（為模擬少樣本情況，均降采樣到5k）遷移到其他目標數據集上的結果。可以看到，相比Vanilla Fine-tuning，Child-Tuning在目標數據集上都擁有更好的效果，這說明了使用Child-Tuning能夠有效提高模型泛化能力，防止在源數據集上過擬合。

類似地我們還進行了任務遷移實驗（Task Transfer），即在一個源任務上進行Fine-tune，之后將預訓練模型的參數凍結住，并遷移到另一個目標任務上，僅僅Fine-tune與目標任務相關的最頂層的線性分類器。下圖展示了在以MRPC為源任務，遷移到CoLA，STS-B，QNLI和QQP任務上的實驗結果，Child-Tuning相比Vanilla Fine-tuning在任務遷移實驗上同樣具有明顯的優勢，說明模型通過Child-Tuning的方法有效提高了泛化能力。

04—

小彩蛋：關于Rebuttal

這篇論文一開始的分數是4/4/3.5，經過rebuttal之后總共提高了1.5分，變成了4.5/4.5/4（滿分5分）。Reviewer主要關心的點就是本文與相關工作的區分度，比如Adapter［4］，以及DIff-Pruning［5］等工作的對比。其實Child-Tuning跟這些工作還是就是有較大不同的，主要體現在：

a） 動機不同：這些工作主要聚焦于微調盡量少的參數而模型效果不會損失太多（所謂的paramter efficient learning），而Child-Tuning主要關注如何更好的提高模型的效果與泛化性能；

b） 方法不同：Adapter引入了額外的參數模塊，Diff-pruning則通過L0范數約束參數更新量，而Child-Tuning不需要額外的新模塊，只需要在模型內識別確定Child Network即可；

c） 效果不同：Adapter跟Diff-pruning僅僅取得的效果與原模型相當/可比，而Child-Tuning則明顯提升了模型在下游任務中的表現。

點評：分別從“動機-》方法-》結果”這三個方面闡釋清楚文章的貢獻的這個模板大家可以沿用到reviewer “質疑你文章novelty” 或者 “跟xxx文章很相似” 的評審意見中。From：羅福莉

當我們從這三方面做了非常詳細的clarify，充分解答了reviewer的最大疑惑之后，reviewer對我們的評價也就相應地提高了。所以，rebuttal的時候抓住reviewer最關心的（而不是回復全部的問題），才更有可能影響reviewer提分哦～

ps：文章的最后感謝本文共一的實習生 潤昕，看到你的飛速成長，比我自己發了論文還開心！期待以及相信你有更好的未來～

責任編輯：haq