- 微信
- 微博
  
  分享文章到微博
- 复制链接
  
  复制链接到剪贴板

揭秘In-Context Learning(ICL)：大型语言模型如何通过上下文学习实现少样本高效推理[示例设计、ICL机制详解

汀丶发表于 2024/06/18 16:41:03 2024/06/18

【摘要】揭秘In-Context Learning(ICL)：大型语言模型如何通过上下文学习实现少样本高效推理[示例设计、ICL机制详解]

揭秘In-Context Learning(ICL)：大型语言模型如何通过上下文学习实现少样本高效推理[示例设计、ICL机制详解]

自GPT-3首次提出了In-Context Learning(ICL)的概念而来，ICL目前已经变成了一种经典的LLMs使用方法。ICL，即In-Context Learning，是一种让大型语言模型（LLMs）通过少量标注样本在特定任务上进行学习的方法。这种方法的核心思想是，通过设计任务相关的指令形成提示模板，利用少量标注样本作为提示，引导模型在新的测试数据上生成预测结果。

ICL主要思路是：给出少量的标注样本，设计任务相关的指令形成提示模板，用于指导待测试样本生成相应的结果。
ICL的过程：并不涉及到梯度的更新，因为整个过程不属于fine-tuning范畴。而是将一些带有标签的样本拼接起来，作为prompt的一部分，引导模型在新的测试数据输入上生成预测结果。
ICL方法：表现大幅度超越了Zero-Shot-Learning，为少样本学习提供了新的研究思路。

1.ICL定义

1.1 形式化定义

给出少量任务相关的模型输入输出示例(demonstration)，如 $k$ 个示例 $D_k={f(x_1,y_1),...,f(x_k,y_k)}$ ，其中 $f(x_k,y_k)$ 是一个预定义的关于Prompt的函数（文本格式），用于将 $k$ 个任务相关的示例，转换成自然语言Prompt。

给出任务定义 $I$ ，示例 $D_k$ ，以及一个新的输入 $x_{k+1}$ ，我们的目的是通过LLM生成输出 $\hat{y}_k+1$ 。公式化为：

1.2 实例理解

以一个分类任务进行举例，从训练集中抽取了 $k=3$ 个包含输入输出的实例，使用换行符"\n"来区分输入和输出。

在预测时，可以更换测试样本输入（绿色部分），并在末尾留出空间让LLM生成。

2.示例设计(Demonstration Design)

2.1 示例选择

ICL的性能，在不同的示例中，会有很大差异。即同一个测试样本，在选择不同的示例下，得到的结果可能会不一样。为了使得LLM生成更高准确率的结果，我们需要选取合适的示例。目前有两类方法：

(1) 启发式方法

《What Makes Good In-Context Examples for GPT-3?

我们很容易能有这样一个想法：如果demonstration与测试样本输入在语义上相近的话，是否效果会更好？本论文给出了肯定的答案。

作者使用RoBERTa-large模型作作为编码器，选取了其CLS embedding的输出向量作为训练样本的文本表征。使用K-近邻算法以及欧式距离方法，选取与当前test sentence语义最近的10个训练个样本，作为demonstration。

实验效果表明，该方法比随机抽取训练样本作为demonstration效果更好。

《Diverse demonstrations improve in-context compositional generalization》

用来挑选demostration的训练数据和测试数据有时候可能会存在较大的分布差异，这个时候很难通过KNN等基于相似方法来挑选合适的demostration。本论文从多样性的角度去挑选demostration，目的在于尽可能地覆盖所有可能的输出，提高模型在新场景的泛化能力。

具体做法是，在原有相似度的基础上，考虑不同demostration之间的差异性。当两个demostration高度语义相似时，剔除其中一个。

(2) LLM-based方法

除了启发式方法以外，还有研究者使用LLMs来直接生成demostrations。

《Learning To Retrieve Prompts for In-Context Learning》

作者认为demostrations的好坏，不应该由人来决定，而应该由模型来判定。

对于一条测试数据 $(x,y)$ ，作者将训练集中每一个样本数据都当作示例 $e$ ，将 $(e,x)$ 输入模型，通过模型生成 $y$ 的概率 $Prob_{\hat g}(y|e,x)$ ，来评估当前示例的好坏。

为了缓解由于训练集过大而导致计算开销成本高的问题。作者使用了 $BM25$ 、 $SBERT$ 等方法，预先对所有训练集进行召回，筛选出候选示例集。再对其每一条示例进行评估，选取最高分的k条示例作为正例集，最低分k条作为负例集，使用对比学习的方法，训练retrever。同时生成一个针对输入编码的Utterance encoder和针对示例编码的prompt encoder。

基于训练好的retrever，结合Faiss相似度计算框架，找出输入input对应最佳的demostrations。

《Active Example Selection for In-Context Learning》

我们知道，主动学习的思路是从样本库中选择适合的样本，提供给标注者标注。

而示例选择问题与主动学习的思路有点类似，示例选择目标是选择适合的示例，提供给prompt，以使测试样本得到较高的准确率。

由于demostrations的可选空间，与样本库（一般是训练集）呈指数关系，要枚举所有的demostrations组合，并不现实。因此，作者将示例选择看作是一个序列决策问题，这样就可以基于马尔可夫决策过程（MDP），使用强化学习（RL）的方法去解决。

我们知道一个经典的MDP模型，有3个基本定义(状态state、动作action、奖励reward)。文章将state定义为当前时刻的demostration，即 $(x_i,y_i)$ ，action定义为样本库中所有的样本和一个停止信号标识（┴），reward定义为LLMs利用state与当前action构成的demostrations，在验证集中的准确率。即，prompt是由state+action构造成的demostrations，加上验证集中的样本输入一起组成。通过对比验证集标签与LLMs输出，可计算准确率。

定义好MDP的各个关键部分后，作者基于off-policy的方式，使用CQL(Q-learning的一个变种，用于缓解Q-Learning对于Q值估计过高的问题)，构造一个三层MLP层的Q网络，用于学习最优策略。

《Self-generated in-context learning: Leveraging auto-regressive language models as a demonstration generator》

前面提及的方法，都是从样本库中挑选出合适的demonstration，而本论文方法是利用LLMs自身的能力，生成合适的demonstration。目的是最小化对外部样本库的依赖。

整个过程分为两个阶段：

1.借助预先设计的prompt，让LLMs生成k个合适的示例
2.在原来输入的基础上，加入第一阶段生成的示例，让LLMs预测最终结果

实验结显示，当使用Self-generated的方式生成8个demonstration作为in-context sample，于从样本库中抽取5个demonstration作为in-context sample的效果相当。

2.2 示例格式

在完成demonstrations的选择后，下一步就是将demonstrations整合成一个自然语言Prompt。

《Cross-task generalization via natural language crowdsourcing instructions》

这篇论文提出了一个新的跨任务instruction数据集。他们使用总包的方式，按照规定的instruction格式，对多个开源数据集进行改造。

针对每一个promt，其格式包含：

title: 包含一个high-level的任务描述，以及其相关技能，如question generation，answer generation等
prompt: 单独的文本命令，一般出现在输入示例之前。
definition: 指令的补充内容，更加详细地描述指令的具体执行细节。
things to avoid: 包含模型应该避免的内容，或规则。
emphasis and caution: 强调在众包过程中，警告或反对的内容
positive examples: 提供一个类似系统期望的输入、输出例子，使得众包人员更好地理解任务。
negative examples:提供一个类似系统期望的输入、输出的负例，让众包人员尽量避免。
reason: 解释为什么例子是positive或negative。
suggestion: 包含一些建议，主要用于指导如何将负例改成正例。

模型在经过上述instruction数据集微调后，能在unseen样本上，达到较好的生成效果。在新样本推断时，将demonstrations加入到task instances即可。

《SELF-INSTRUCT: Aligning Language Models with Self-Generated Instructions》

本论文提出了一种半自动化self-instruction过程，使用少量人工标注的数据，生成大量能用于instruction的数据。并开源了一个基于GPT3的52K self-instruct数据集。

一般来说，instruction数据集，会包含两/三个部分：(指令、输入、输出)或（指令、输出）。如

本论文提出的方法包含几个步骤：

1.人工设计175个不同任务的启动任务池，且给每个任务编写一个instruction和一个实例。

2.使用LLMs生成新的指令。生成指令的prompt由6个人工编写的instruction和从模型生成结果中抽取2个instruction，按照指定模板公式组合后，输入模型，并输出一个新的指令

3.判断指令是否属于分类任务。由于分类任务和非分类任务用的prompt模板不同，故需要进行分开识别。分别从任务池中抽取分类instruction和非分类instruction，再加上新生成的指令，输入模型，模型输出是否为分类任务

4.生成实例。分为两种策略：

(1)先生成输入，在生成输出。适用于非分类任务。
(2)先生成输出，再生成输入。适用于分类任务，缓解生成结果单一化问题。

5.结果过滤。对于新生成的instruction，比较其与任务池中的instruction的ROUGE-L值，当小于0.7时才会加入任务池。（ROUGE-L越大，说明instruction越相似）

《Automatic chain of thought prompting in large language models》

LLMs通过生成中间推理步骤的方式可以做复杂任务推理。在prompt示例(demonstration)中引入这些推理步骤的方法称为chain-of-thought(CoT) prompting，即：思维链prompting。

传统的CoT分为两种范式：

1.Zero-Shot-CoT: 在LLMs中添加一个简单的prompt即可，如"Let’s think step by step"。以促进在回答问题之前一步步地思考。

2.Manual-CoT: 加入多个由人工设计的prompt，包含问题、推理链和答案。

由于Zero-Shot-CoT方法存在不稳定性，而Manual-Cot方法需要大量人工成本投入。作者提出了一种基于Auto-CoT的方法，自动构建包含问题和推理链的说明样例(demonstrations)。

整个过程分了两个阶段：

1.question cluster: 目的是将数据集中的question划分到不同簇中。

使用Sentence-Bert计算每个question的向量表示；
使用k-means方法将question记性簇划分；
最后对每个簇中的question，根据距离中心点距离，升序排序。

2.demostration sampling: 目的是从每个簇中选取一个代表性的question，基于LLMs，使用Zero-Shot-CoT生成推理链。

对于每一个簇 $i$ 里的每一个问题 $q^{(i)}_j$ ，使用Zero-Shot-CoT的方法，将 $[Q:q^{(i)}_j,A:[P]]$ （其中 $[P]$ 表示"Let’s think step by step"）输入到LLMs，LLMs生成该问题的推理链 $r^{(i)}_j$ 和答案 $a^{(i)}_j$ ；
若问题 $q^{(i)}_j$ 不超过60个tokens，且推理链 $r^{(i)}_j$ 不超过5个推理步骤，则将问题+推理链+答案，加入到demostrations列表中: $[Q:q^{(i)}_j,A:r^{(i)}_j。a^{(i)}_j]$ ；
遍历完所有簇，将得到k个demostrations，将其拼接上测试question，构造成新的Prompt，输入LLMs便可得到生成结果。

值得一提的是，Auto-CoT在多个开源推理任务的数据集上，效果与Manual-CoT相当，甚至某些任务表现得更好。

《Least-to-Most Prompting Enables Complex Reasoning in Large Language Models》

虽然CoT在很多自然语言推理任务上效果显著，但是当问题比prompt里的demostrations更难时，LLMs的表现往往会很糟糕。于是作者提出了Least-to-Most Prompting的策略思想，将问题分解成一个个小问题，结合使用COT，那么模型就能把问题解出来了。

整个过程分为两个阶段：

1.将原问题分解为一系列子问题。

要求LLMs根据输入和提示"To solve xx, we need to solve xx"，生成子问题。

2.依次解决子问题，最后解决原始问题。

将原始context，加上阶段1中生成的子问题进行组合，通过LLMs依次生成每个子问题的思维链和答案。
当生成完所有子问题的答案后，再拼接上原始问题，通过LLMs输出生成结果。

2.3 示例排序

我们知道，demostrations一般是由多个示例组成，而不同的示例排序会不会对模型在新样本中的表现产生影响？

论文《Calibrate before use: Improving few-shot performance of language models》给出了肯定的答案。作者指出，在一个正常的prompt+demostrations+新样本的输入中，LLMs会更加倾向于将新样本对应的标签，预测为demostrations最后一个示例对应的标签，成为Recency Bias。因此demostrations的排序，对LLMs的表现也是有相当大的影响。

2.3.1 启发式方法

《What Makes Good In-Context Examples for GPT-3?》

我们在选择那一节有介绍过该论文，思路是使用k-nearest neighbors+欧式距离的方法，根据与测试样本的相似度，对demostrations进行排序，与测试样本越相似，排序越后。

2.3.2 基于熵的方法

《Fantastically ordered prompts and where to find them: Overcoming few-shot prompt order sensitivity》

作者提出了一种基于Global Entropy和Loacl Entropy的方法对demostrations进行排序，取得了比随机排序更优的效果。

该过程分为两个步骤：

1.生成用来验证的无标注数据集。

将demostrations按照不同的顺序排列，输入LLMs，让其生成不同带标签的伪数据。

2.确定评价指标来评估demostrations的展示顺序优劣。

作者观察到大多数使模型失效的demostrations顺序，会让模型的标签分布相对极端，从而导致标签分布的熵值较低。
设计了两种基于熵的指标（Global Entropy和Loacl Entropy），来评估当前demostrations排序的结果质量。

3.ICL机制

3.1 预训练机制如何影响ICL？

知识积累：预训练阶段，模型会接触到大量的无标注或弱标注数据，从而学习到丰富的语言知识、常识和上下文信息。这些积累的知识和信息为ICL提供了坚实的基础，使得模型能够利用上下文信息做出更准确的预测。
泛化能力：预训练过程使模型具备了较强的泛化能力，即模型能够将在预训练阶段学到的知识和技能应用到新的、未见过的任务和数据上。这种泛化能力是ICL得以实现的关键，因为ICL正是利用了模型在预训练阶段学到的知识来进行少量样本学习。
参数初始化：预训练为模型的参数提供了良好的初始化值。在ICL过程中，模型不需要对参数进行大量的更新，而只需要根据少量标注样本进行微调，即可快速适应新的任务。这种快速的适应能力是ICL的一个重要优势。

3.2 LLMs怎样表现出ICL能力？

利用上下文信息：LLMs能够充分利用输入序列中的上下文信息来做出决策。例如，在文本分类任务中，模型可以通过分析整个句子的语境来判断句子的情感倾向。
设计提示模板：对于特定的任务，LLMs可以通过设计任务相关的指令形成提示模板。这些提示模板可以包含少量标注样本，用于指导模型生成预测结果。
少样本学习：LLMs在只有少量标注数据可用时仍能表现出良好的性能。通过利用预训练阶段学到的知识和泛化能力，模型可以在少量样本上快速学习并适应新的任务。
性能提升：实验表明，ICL方法的表现大幅度超越了Zero-Shot-Learning，为少样本学习提供了新的研究思路。在多个自然语言处理任务上，采用ICL方法的LLMs相比传统的微调方法取得了更好的性能。