[论文解读] Using J-K fold Cross Validation to Reduce Variance When Tuning NLP Models

Henry B. Moss, David S. Leslie+1 more|arXiv (Cornell University)|Jun 19, 2018

Topic Modeling参考文献 31被引用 18

一句话总结

本文提出J-K折交叉验证以减少自然语言处理（NLP）超参数调优过程中性能估计的方差，表明较低的K值与较高的J值可带来更稳定、可复现的模型选择。其核心贡献在于证明增加J可弥补较低K值带来的影响，从而最小化调优不稳定性，实证结果表明在多个NLP任务中，超参数选择具有一致性。

ABSTRACT

K-fold cross validation (CV) is a popular method for estimating the true performance of machine learning models, allowing model selection and parameter tuning. However, the very process of CV requires random partitioning of the data and so our performance estimates are in fact stochastic, with variability that can be substantial for natural language processing tasks. We demonstrate that these unstable estimates cannot be relied upon for effective parameter tuning. The resulting tuned parameters are highly sensitive to how our data is partitioned, meaning that we often select sub-optimal parameter choices and have serious reproducibility issues. Instead, we propose to use the less variable J-K-fold CV, in which J independent K-fold cross validations are used to assess performance. Our main contributions are extending J-K-fold CV from performance estimation to parameter tuning and investigating how to choose J and K. We argue that variability is more important than bias for effective tuning and so advocate lower choices of K than are typically seen in the NLP literature, instead use the saved computation to increase J. To demonstrate the generality of our recommendations we investigate a wide range of case-studies: sentiment classification (both general and target-specific), part-of-speech tagging and document classification.

研究动机与目标

• 为解决在调优NLP模型时K折交叉验证性能估计的高变异性问题，该问题会损害可靠的超参数选择。
• 研究J-K折交叉验证如何通过减少性能估计的内部方差来稳定超参数调优。
• 提供在尊重计算预算的前提下，选择最优J和K值以最小化方差的实际指导原则。
• 证明在有效模型调优中，方差而非偏差是主要问题，主张采用较低K值与较高J值，而非传统K折设置。
• 表明当前NLP实践中依赖单次划分或高K折交叉验证，会导致超参数选择不稳定、不可复现且次优。

提出的方法

• 提出J-K折交叉验证作为标准K折交叉验证的扩展，其中执行J次独立的K折验证以估计模型性能。
• 通过J次独立K折运行的平均性能来减少超参数评估的方差。
• 在IMDB情感数据集上，使用重复的随机划分对LSTM超参数（宽度与L2正则化）进行调优。
• 通过测量在1,000次随机数据打乱中选定超参数的标准差来评估性能稳定性。
• 比较不同J与K组合（如1-10折、8-5折）的调优结果，以评估方差减少与一致性。
• 在训练过程中使用早停法并保留验证集，同时在J-K折框架中将验证集视为随机划分过程的一部分。

实验结果

研究问题

• RQ1 K折交叉验证的内部变异性在多大程度上影响NLP模型的超参数调优稳定性？
• RQ2 与标准K折或单次划分验证相比，J-K折交叉验证能否显著降低性能估计的方差？
• RQ3 在固定计算预算下，J与K之间最优的权衡是什么，以最小化调优方差？
• RQ4 K值的选择如何影响所选超参数的稳定性，尤其是在K值较高的情况下？
• RQ5 当前NLP实践中依赖单次划分或高K折交叉验证，在多大程度上导致次优或不可复现的超参数选择？

主要发现

• J-K折交叉验证显著降低了超参数选择的方差，其中8-5折交叉验证在LSTM宽度（70）和正则化（0.001）的最优选择上表现最一致。
• 准确率估计的标准差从1-10折交叉验证的0.293%降至8-5折交叉验证的0.148%，表明性能估计更加稳定。
• 使用1-10折交叉验证的调优结果极不稳定，LSTM宽度在30至90之间近乎均匀选择，表明未能识别出明确最优解。
• 所选超参数（如正则化）的标准差随J的增加而减小，但仍高于参数网格的间距，表明即使J=8，调优仍对划分方式敏感。
• 即使总计算量相似，较低K值（如K=5）与较高J值（如J=8）的组合也比高K值与低J值的组合产生更稳定、可复现的超参数选择。
• 结果表明，性能估计的变异性可能超过模型间实际的性能差异（例如，<1%的准确率提升），若无方差减少技术，将无法区分真实改进与噪声。