​ACL2023 | 为学生模型的学习水平量身定制指导，促进知识蒸馏的效果_天天通讯

来自：PaperWeekly

进NLP群—>加入NLP交流群

本文介绍我们在 Amazon AI lab 期间的工作，文章已被 ACL 2023 主会接收：Tailoring Instructions to Student"s Learning Levels Boosts Knowledge Distillation，代码已开源。

(资料图)

文章链接：

/abs/2305.09651

代码链接：

https://github.com/twinkle0331/lgtm

简介

大规模预训练语言模型的参数量较大，直接将其部署到下游任务会带来高昂的计算和存储成本。知识蒸馏（Knowledge Distillation）是针对该问题的一种解决方案，通过训练一个小的学生模型，让其模仿教师模型在下游任务上的输出，从而达到和教师模型相近的效果，并降低了部署成本。

但现有的一些文献表明，一个效果更好的教师模型，不一定能教出更好的学生模型。这是由于效果更好的教师模型，往往和学生模型的规模差距更大，这在知识蒸馏的过程中容易产生优化困难的问题，继而导致教师学到的知识不能高效地传递给学生。

一种解决这种问题的方式是 learning to teach，通过学生的反馈来调整教师的输出。online distillation 和 meta distillation 是 learning to teach 两种有代表性的方法。然而，这两种方法都有不足之处。前者聚焦于学生在训练集上的反馈，而忽略了学生在验证集上的反馈，可能会削弱学生的泛化能力；后者虽然引入了学生在验证集上的反馈，但却忽略了教师自身在训练集上的学习，仅依靠学生的反馈调整教师的输出，容易导致教师的性能变差。

因此，我们提出了 LGTM（Learning Good Teacher Matters）模型，导出了 distillation influence 的概念，即通过学生在验证集上的输出，评估每个训练样本对其泛化能力的影响，从而动态地分配权重给不同的训练样本。学生难以泛化的样本，会被给予更低的权重。而教师通过学生的反馈，并结合自身在训练集上学习到的知识，能够动态地调整自身输出，从而给予学生更合适的监督信号。

下图可以直观地表示不同蒸馏方式间的差异：

方法

在下文的讲解中会用到的数学符号：

: 教师模型，学生模型。 和 分别表示教师和学生在第 m 个训练 step 时的模型参数。

: 训练集，验证集。

: 训练集的一个 batch，包含 个训练样本。 表示 batch 中的一个训练样本。

: 验证集的一个 batch。

: cross entropy loss。

2.1 Distillation influence

Influence function（Pruthi 等 [1]；Koh 和 Liang 等 [2]），用来估计每个训练样本对模型预测结果的影响。而在知识蒸馏的场景下，我们可以通过计算每个训练样本和验证集 batch 的梯度相似度，来量化每个训练样本对模型泛化能力的影响。

因此，我们可以从 influence function，导出 distillation influence：

具体推导过程可参考文章的附录A。

为了将 distillation influence 引入教师的训练过程，我们提出了 influence loss：

表示每个样本的 distillation influence，有助于增强学生泛化能力的样本，会被赋予更高的权重。

2.2 Finite difference approximation

然而，在计算 中的 distillation influence 时，需要逐一地对训练 batch 里的每个样本计算 这一项的梯度，对 需要计算 次 forward 和 backward，计算效率受限于训练 batch 的大小 。因此，我们可以利用 finite difference [3] 技巧，对 influence loss 进行近似：

近似后，对于一个 batch 里的所有训练样本，只需对 计算两次 forward，对 计算一次 backward 即可，大大提高了计算效率。

具体推导过程可看文章的附录B。

2.3 Teacher"s auxiliary loss

前文提到的 meta distillation 的一个缺陷是忽略了教师自身对训练样本的学习。因此，我们引入了 auxiliary loss。

即为最终训练教师的目标函数。 和 的结合，表示教师能兼顾学生的反馈和自身的学习。

下面是我们的方法的总体算法图：

实验

我们的 LGTM 模型，在 6 个文本分类数据集达到了 SOTA 效果，证明了我们方法的有效性：

为了进一步分析 distillation influence，我们选取了 MRPC 数据集中的两个典型样本，可视化了 distillation influence 在训练过程中的变化：

左图样本的 ground truth 标签是 0，然而教师和学生在一开始一直分类错误该样本，说明这个样本是难样本，如果过于关注对该样本的学习，可能会削弱学生的泛化能力。因此，该样本被赋予了负权重。右图样本的 ground truth 标签是 1，教师和学生都能分对该样本，说明该样本是较为简单的样本，有助于帮助学生建立决策边界，因此被赋予了正向权重。

我们也随机选取了 64 个样本，可视化了 distillation influence 的整体趋势图：

可以看出，无论样本被给予正权重还是负权重，distillaion influence 的变化趋势是相似的。在训练过程中，我们的方法能动态地赋予训练样本不同的权重。

总结与未来工作

我们的方法提出了 distillation influence，能够量化不同训练样本对学生泛化能力的影响，从而动态赋予这些样本不同的权重。通过实验，我们证明了这种根据学生的反馈动态调整训练样本权重的方式，能够有效地缓解过拟合现象，促进知识蒸馏的效果。

未来可以将我们的方法拓展到更复杂的任务，如文本生成任务。

参考文献

[1] /paper/2020/hash/e6385d39ec9394f2f3a354d9d2b88eec-Abstract.html

[2] /v70/koh17a?ref=

[3] /homes/dgleich/publications/Gleich%202005%20-%20finite%20calculus.pdf

进NLP群—>加入NLP交流群

标签：