重新審視Prompt優化問題，預測偏差讓語言模型上下文學習更強
- 論文鏈接: https://arxiv.org/abs/2303.13217
- 代碼鏈接: https://github.com/MaHuanAAA/g_fair_searching
研究介紹
大型語言模型在上下文學習中表現出了驚人的能力，這些模型可以通過幾個輸入輸出示例構建的上下文進行學習，無需微調優化直接應用于許多下游任務。然而，先前的研究表明，由于訓練樣本 (training examples)、示例順序 (example order) 和提示格式 (prompt formats) 的變化，上下文學習可能會表現出高度的不穩定性。因此，構建適當的 prompt 對于提高上下文學習的表現至關重要。
以前的研究通常從兩個方向研究這個問題：（1）編碼空間中的提示調整 (prompt tuning)，（2）在原始空間中進行搜索 (prompt searching)。
Prompt tuning 的關鍵思想是將任務特定的 embedding 注入隱藏層，然后使用基于梯度的優化來調整這些 embeddings。然而，這些方法需要修改模型的原始推理過程并且獲得模型梯度，這在像 GPT-3 和 ChatGPT 這樣的黑盒 LLM 服務中是不切實際的。此外，提示調整會引入額外的計算和存儲成本，這對于 LLM 通常是昂貴的。
更可行且高效的方法是通過在原始文本空間中搜索近似的演示樣本和順序來優化提示。一些工作從 “Global view” 或 “Local view” 構建提示。基于 Global view 的方法通常將提示的不同元素作為整體進行優化，以達到更優異的性能。例如，Diversity-guided [1] 的方法利用演示的整體多樣性的搜索，或者試圖優化整個示例組合順序 [2]，以實現更好的性能。與 Global view 相反，基于 Local view 的方法通過設計不同的啟發式選擇標準，例如 KATE [3]。
但這些方法都有各自的局限性：（1）目前的大多數研究主要集中在沿著單個因素搜索提示，例如示例選擇或順序。然而各個因素對性能的總體影響尚不清楚。（2）這些方法通常基于啟發式標準，需要一個統一的視角來解釋這些方法是如何工作的。（3）更重要的是，現有的方法會全局或局部地優化提示，這可能會導致性能不理想。
本文從 “預測偏差” 的角度重新審視了 NLP 領域中的 prompt 優化問題，發現了一個關鍵現象：一個給定的 prompt 的質量取決于它的內在偏差。基于這個現象，文章提出了一個基于預測偏差的替代標準來評估 prompt 的質量，該度量方法能夠在不需要額外開發集 (development set) 的情況下通過單個前向過程來評估 prompt。
具體來說，通過在一個給定的 prompt 下輸入一個 “無內容” 的測試，期望模型輸出一個均勻的預測分布（一個 “無內容” 的輸入不包含任何有用的信息）。因此，文中利用預測分布的均勻性來表示給定 prompt 的預測偏差。這與先前的后校準方法 [4] 用的指標類似，但與后校準在固定的 prompt 情況下使用這個 metric 進行概率后校準不同的是，文中進一步探索了其在自動搜索近似 prompt 中的應用。并通過大量實驗證實了一個給定 prompt 的內在偏差和它在給定測試集上的平均任務表現之間的相關性。
此外，這種基于偏差的度量使該方法能夠以 “局部到全局” 的方式搜索合適的 prompt。然而，一個現實的問題是無法通過遍歷所有組合的方式搜索最優解，因為它的復雜度將超過 O (N!)。
該工作提出了兩種新穎的策略以高效的方式搜索高質量的 prompt：(1) T-fair-Prompting (2) G-fair-Prompting。T-fair-Prompting 使用一種直觀的方式，首先計算每個示例單獨組成 prompt 的偏差，然后選擇 Top-k 個最公平示例組合成最終 prompt。這個策略相當高效，復雜度為 O (N)。但需要注意的是，T-fair-Prompting 基于這樣的假設：最優的 prompt 通常是由偏差最小的示例構建的。然而，這在實際情況下可能并不成立，并且往往會導致局部最優解。因此，文章中進一步介紹了 G-fair-Prompting 來改善搜索質量。G-fair-Prompting 遵循貪心搜索的常規過程，通過在每個步驟上進行局部最優選擇來找到最優解。在算法的每一步，所選擇的示例都能使更新的 prompt 獲得最佳的公平性，最壞情況時間復雜度為 O (N^2)，搜索質量顯著提高。G-fair-Prompting 從局部到全局的角度進行工作，其中在早期階段考慮單個樣本的偏差，而在后期階段則側重于減少全局預測偏差。
實驗結果
該研究提出了一種有效和可解釋的方法來提高語言模型的上下文學習性能，這種方法可以應用于各種下游任務。文章驗證了這兩種策略在各種 LLMs（包括 GPT 系列模型和最近發布的 LMaMA 系列）上的有效性，G-fair-Prompting 與 SOTA 方法相比，在不同的下游任務上獲得了超過 10％的相對改進。
與該研究最相近的是 Calibration-before-use [4] 方法，兩者都使用 “無內容” 的輸入提高模型的表現。但是，Calibration-before-use 方法旨在使用該標準來校準輸出，而該輸出仍然容易受到所使用示例的質量的影響。與之相比，本文旨在搜索原始空間找到近似最優的 prompt，以提高模型的性能，而不需要對模型輸出進行任何后處理。此外，該文首次通過大量實驗驗證了預測偏差與最終任務性能之間的聯系，這在 Calibration-before-use 方法中尚未研究。
通過實驗還能發現，即使不進行校準，該文章所提方法選擇的 prompt 也可以優于經過校準的隨機選擇的 prompt。這表明該方法可以在實際應用中具有實用性和有效性，可以為未來的自然語言處理研究提供啟示。
