陳丹琦ACL學術報告來了！詳解大模型「外掛」數(shù)據(jù)庫7大方向3大挑戰(zhàn)，3小時干貨滿滿

蕭簫 2023-07-10 12:58:00 來源：量子位

蕭簫 西風 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

清華姚班校友陳丹琦，在ACL 2023上做了場最新演講！

話題還是近期非常熱門的研究方向——

像GPT-3、PaLM這樣的（大）語言模型，究竟是否需要依靠檢索來彌補自身缺陷，從而更好地應用落地。

在這場演講中，她和其他3位主講人一起，共同介紹了這個主題的幾大研究方向，包括訓練方法、應用和挑戰(zhàn)等。

演講期間聽眾的反響也很熱烈，不少網(wǎng)友認真地提出了自己的問題，幾位演講者盡力答疑解惑。

至于這次演講具體效果如何？有網(wǎng)友直接一句“推薦”給到評論區(qū)。

所以，在這場長達3個小時的演講中，他們具體講了些什么？又有哪些值得一聽的地方？

大模型為何需要“外掛”數(shù)據(jù)庫？

這場演講的核心主題是“基于檢索的語言模型”，包含檢索和語言模型兩個要素。

從定義上來看，它指的是給語言模型“外掛”一個數(shù)據(jù)檢索庫，并在進行推理（等操作）時對這個數(shù)據(jù)庫進行檢索，最后基于檢索結果進行輸出。

這類外掛數(shù)據(jù)存儲庫，也被稱之為半?yún)?shù)模型或非參數(shù)模型。

之所以要研究這個方向，是因為如GPT-3和PaLM這類（大）語言模型，在表現(xiàn)出不錯的效果同時，也出現(xiàn)了一些讓人頭疼的“bug”，主要有三個問題：

1、參數(shù)量過大，如果基于新數(shù)據(jù)重訓練，計算成本過高；
2、記憶力不行（面對長文本，記了下文忘了上文），時間一長會產(chǎn)生幻覺，且容易泄露數(shù)據(jù)；
3、目前的參數(shù)量，不可能記住所有知識。

在這種情況下，外部檢索語料庫被提出，即給大語言模型“外掛”一個數(shù)據(jù)庫，讓它隨時能通過查找資料來回答問題，而且由于這種數(shù)據(jù)庫隨時能更新，也不用擔心重訓的成本問題。

介紹完定義和背景之后，就是這個研究方向具體的架構、訓練、多模態(tài)、應用和挑戰(zhàn)了。

在架構上，主要介紹了基于檢索的語言模型檢索的內(nèi)容、檢索的方式和檢索的“時機”。

具體而言，這類模型主要會檢索token、文本塊和實體詞語（entity mentions），使用檢索的方式和時機也很多樣性，是一類很靈活的模型架構。

在訓練方式上，則著重介紹了獨立訓練（independent training，語言模型和檢索模型分開訓練）、連續(xù)學習（sequential training）、多任務學習（joint training）等方法。

至于應用方面，這類模型涉及的也就比較多了，不僅可以用在代碼生成、分類、知識密集型NLP等任務上，而且通過微調(diào)、強化學習、基于檢索的提示詞等方法就能使用。

應用場景也很靈活，包括長尾場景、需要知識更新的場景以及涉及隱私安全的場景等，都有這類模型的用武之地。

當然，不止是文本上。這類模型也存在多模態(tài)擴展的潛力，可以將它用于文本以外的任務上。

聽起來這類模型優(yōu)點很多，不過基于檢索的語言模型，當下也存在一些挑戰(zhàn)。

陳丹琦在最后“收尾”的演講中，著重提到了幾點這個研究方向需要解決的幾大難題。

其一，小語言模型+（不斷擴張的）大數(shù)據(jù)庫，本質(zhì)上是否意味著語言模型的參數(shù)量依舊很大？如何解決這一問題？

例如，雖然這類模型的參數(shù)量可以做到很小，只有70億參數(shù)量，但外掛的數(shù)據(jù)庫卻能達到2T……

其二，相似性搜索的效率。如何設計算法使得搜索效率最大化，是目前非?；钴S的一個研究方向。

其三，完成復雜語言任務。包括開放式文本生成任務，以及復雜的文本推理任務在內(nèi)，如何用基于檢索的語言模型完成這一任務，也是需要持續(xù)探索的方向。

當然，陳丹琦也提到，這些話題是挑戰(zhàn)的同時，也是研究機遇。還在尋找論文課題的小伙伴們，可以考慮是否把它加進研究列表了~

值得一提的是，這次演講也不是“憑空”找出的話題，4位演講者貼心地在官網(wǎng)放出了演講參考的論文鏈接。

從模型架構、訓練方法、應用、多模態(tài)到挑戰(zhàn)，如果對這些話題中的任何一部分感興趣，都可以去官網(wǎng)找找對應的經(jīng)典論文來看：

現(xiàn)場解答聽眾困惑

這么干貨滿滿的演講，四位主講人也不是沒有來頭，在演講中他們還耐心地對聽眾提出的問題進行了解答。

我們先來康康主講人都是誰。

首先是主導這次演講的普林斯頓大學計算機科學助理教授陳丹琦。

她是計算機科學領域近來最受關注的華人青年學者之一，也是08級清華姚班校友。

在信息學競賽圈，她頗具傳奇色彩——CDQ分治算法就是以她的名字命名。2008年，她代表中國隊斬獲一枚IOI金牌。

而她的那篇長達 156 頁的博士畢業(yè)論文《Neural Reading Comprehension and Beyond》，更是一度火爆出圈，不光獲得當年斯坦福最佳博士論文獎，還成為了斯坦福大學近十年來最熱門畢業(yè)論文之一。

現(xiàn)在，陳丹琦除了是普林斯頓大學計算機科學助理教授，也是該校從頭搭建NLP小組的聯(lián)合負責人、AIML小組成員。

她的研究方向主要聚焦于自然語言處理和機器學習，并且對在實際問題中具有可行性、可擴展性和可泛化性的簡單而又可靠的方法饒有興趣。

同樣來自普林斯頓大學的，還有陳丹琦的徒弟鐘澤軒?（Zexuan Zhong）。

鐘澤軒是普林斯頓大學的四年級博士生。碩士畢業(yè)于伊利諾伊大學香檳分校，導師是謝濤；本科畢業(yè)于北京大學計算機系，曾在微軟亞研院實習，導師是聶再清。

他的最新研究主要聚焦于從非結構化文本中提取結構化信息、從預訓練語言模型中提取事實性信息、分析稠密檢索模型的泛化能力，以及開發(fā)適用于基于檢索的語言模型的訓練技術。

此外，主講人還有來自華盛頓大學的Akari Asai、Sewon Min。

Akari Asai是華盛頓大學主攻自然語言處理的四年級博士生，本科畢業(yè)于日本東京大學。

她主要熱衷于開發(fā)可靠且適應性強的自然語言處理系統(tǒng)，提高信息獲取的能力。

最近，她的研究主要集中在通用知識檢索系統(tǒng)、高效自適應的NLP模型等領域。

Sewon Min是華盛頓大學自然語言處理小組的博士候選人，讀博士期間，曾在Meta AI兼職擔任研究員長達四年，本科畢業(yè)于首爾國立大學。

最近她主要關注語言建模、檢索以及二者的交叉領域。

在演講期間，聽眾也很熱情地提出了眾多問題，例如為啥要用perplexity（困惑度）來作為演講的主要指標。

主講人給出了細心解答：

在比較參數(shù)化的語言模型時，困惑度（PPL）經(jīng)常被用到。但困惑度的改善能否轉化為下游應用仍然是一個研究問題。

現(xiàn)已有研究表明，困惑度與下游任務（尤其是生成任務）有很好的相關性，并且困惑度通?？商峁┓浅７€(wěn)定的結果，它可以在大規(guī)模評估數(shù)據(jù)上進行評估（相對于下游任務來說，評估數(shù)據(jù)是沒有標簽的，而下游任務可能會受到提示的敏感性和缺乏大規(guī)模標記數(shù)據(jù)的影響，從而導致結果不穩(wěn)定）。

還有網(wǎng)友提出了這樣的疑問：

關于“語言模型的訓練成本高昂，而引入檢索可能會解決這個問題”的說法，你只是將時間復雜度替換為空間復雜度（數(shù)據(jù)存儲）了嗎？

主講人給出的解答是醬嬸的：

我們討論的重點是如何將語言模型縮減到更小，從而減少時間和空間的需求。然而，數(shù)據(jù)存儲實際上也增加了額外的開銷，這需要仔細權衡和研究，我們認為這是當前的挑戰(zhàn)。

與訓練一個擁有一百億以上參數(shù)的語言模型相比，我認為目前最重要的是降低訓練成本。

想找這次演講PPT，或是蹲具體回放的，可以去官網(wǎng)看看~

官方網(wǎng)址：
https://acl2023-retrieval-lm.github.io/

參考鏈接：
[1]https://twitter.com/AkariAsai/status/1677455831439384582
[2]https://twitter.com/cosmtrek/status/1678077835418955781
[3]https://app.sli.do/event/ok8R2jMMvNjp9uMkxi63Qi/live/questions