[論文レビュー] ZeroGen: Efficient Zero-shot Learning via Dataset Generation

Jiacheng Ye, Jiahui Gao+6 more|arXiv (Cornell University)|Feb 16, 2022

Topic Modeling被引用数 6

ひとこと要約

ZeroGenは、タスク固有のプロンプトを用いて大規模事前学習言語モデル（PLM）によって合成学習データを生成することで、NLPにおける効率的なゼロショット学習のための画期的なアノテーションフリー枠組みを提案する。その後、この合成データ上で微小なタスク固有モデル（例：LSTM）を訓練し、PLMと比較してパラメータ数が桁違いに少ないにもかかわらず優れた性能を達成する。これは最先端のゼロショット結果を実現し、人為的アノテーションなしで効率的な推論を可能にする。

ABSTRACT

There is a growing interest in dataset generation recently due to the superior generative capacity of large pre-trained language models (PLMs). In this paper, we study a flexible and efficient zero-short learning method, extsc{ZeroGen}. Given a zero-shot task, we first generate a dataset from scratch using PLMs in an unsupervised manner. Then, we train a tiny task model (e.g., LSTM) under the supervision of the synthesized dataset. This approach allows highly efficient inference as the final task model only has orders of magnitude fewer parameters comparing to PLMs (e.g., GPT2-XL). Apart from being annotation-free and efficient, we argue that extsc{ZeroGen} can also provide useful insights from the perspective of data-free model-agnostic knowledge distillation, and unreferenced text generation evaluation. Experiments and analysis on different NLP tasks, namely, text classification, question answering, and natural language inference, show the effectiveness of extsc{ZeroGen}.

研究の動機と目的

• 人為的アノテーションデータを回避する柔軟でアノテーションフリーのゼロショット学習フレームワークの開発。
• データフリーでモデルに依存しない知識蒸留としての合成データ生成の可能性の探求。
• テキスト生成モデルの品質を、下流タスクの性能を通じて間接的に評価すること。
• プロンプト工学がゼロショット学習における生成データの有効性に与える影響の調査。
• 合成データ上で訓練された微小でタスク最適化されたモデルを用いた、効率的で展開可能な推論の実現。

提案手法

• 大規模事前学習言語モデル（PLM）を用いて、プロンプト駆動の非教師ありアプローチで完全な訓練データセットを生成する。
• 下流タスク（例：テキスト分類、質問応答）に整合する入出力ペアを生成するように、タスク固有のプロンプトを設計する。
• 生成されたデータセットから低品質または分布外のサンプルを除去するための単純なフィルタリングヒューリスティクスを適用する。
• 標準的な教師あり学習を用いて、合成データセット上で微小なタスク固有モデル（例：LSTM）を訓練する。
• 最終的な微小モデルを推論に使用し、低遅延・低コストの展開を可能にする。
• 下流タスクの性能を、PLMのテキスト生成品質の間接的かつ参考フリーな評価指標として活用する。

実験結果

リサーチクエスチョン

• RQ1 PLMがプロンプト工学を用いて生成した合成データによって、微小なモデルがゼロショット設定でそのPLM自体を上回る性能を発揮できるか？
• RQ2 生成データの品質と下流タスクの性能の相関関係はどの程度強く、テキスト生成の品質評価指標として有効か？
• RQ3 異なるプロンプト設計（例：自然言語スタイル vs. コード形式）は、最終タスクモデルの性能にどのように影響するか？
• RQ4 合成データ上で訓練されたモデルが、低リソース環境下で人為的アノテーションデータ上で訓練されたモデルを上回れるか？
• RQ5 トレーニングパイプラインに人為的アノテーションが存在しないことで、NLPモデルの展開の柔軟性と効率性が向上するか？

主な発見

• ZeroGenにおける微小タスクモデル（TAM）は、パラメータ数が約0.4%にとどまるにもかかわらず、ゼロショットテキスト分類においてそのPLM教師モデルを上回る性能を示した。
• 低リソース環境下では、合成データ上で訓練されたTAMが、完全に教師あり設定で人為的アノテーションデータ上で訓練された同じモデルを上回った。
• 下流タスクの性能は、テキスト生成の品質を強く反映しており、多様なデコード戦略を用いることでノイズの多いデータが生成され、性能が低下した。
• プロンプト工学は性能に顕著な影響を与える。自然言語風プロンプトと構造化プロンプトは、タスクによって異なる結果をもたらし、最良のフォーマットは一意ではなかった。
• 本フレームワークは、データフリーでモデルに依存しない知識蒸留を実現し、学生モデルがタスク固有のインダクティブバイアスを自由に組み込むことができる。
• 本手法は、特に展開制約のある環境において、従来のゼロショット学習の代替手段として実用的で効果的かつ効率的な代替手段を提供する。