虽然ChatGPT在大众眼里的热度可能已经过去了，但它prompt出了我的焦虑，于是最近一直在补大模型相关的工作。比起小模型，大模型有一个很重要的涌现能力（Emergent ability）就是In-Context Learning（ICL），也是一种新的范式，指在不进行参数更新的情况下，只在输入中加入几个示例就能让模型进行学习，如下图中用ICL做情感分析任务的例子：
忽略大模型的贵，这个范式具备不少优势：
1. 输入的形式是自然语言，可以让我们可以更好地跟语言模型交互，通过修改模版和示例说明我们想要什么，甚至可以把一些知识直接输入给模型
2. 这种学习方式更接近人类，即通过几个例子去类比，而不是像精调一样从大量语料中统计出规律
3. 相比于监督学习，ICL不需要进行训练，降低了模型适配新任务的成本，同时也提升了 language-model-as-a-service 这种模式的可行性
是不是开始觉得有些香了，甚至想动手试一试？但又觉得跟自己以前会玩的精调有很大区别，不知道从何下手炼丹？
下面就给大家推荐一篇北大出品的综述，可以在一定程度上减少大家入门ICL的痛苦：
题目：A Survey for In-context Learning
链接：https://arxiv.org/abs/2301.00234
这篇文章非常系统地从精调、推理两个方向上给出了ICL的几种优化方法，接下来我们一一学习：
一、通过精调优化ICL效果
虽然预训练后的语言模型已经初步具备ICL能力，但预训练的MLM目标和下游ICL目标还是存在gap的，怎样精调才能把模型预热（warmup）、提升ICL效果是一个重要的研究方向。
注：这里的「精调」、「预热」不是为了让模型适配某个下游任务，而是让模型具备更好的通用ICL能力
有监督ICL训练
第一类方法非常直觉，既然要消除gap，我直接在有监督的ICL数据上训练不就好了？MetaICL[1]就直接把很多任务整合成了ICL的形式精调模型，在52个数据集上取得了比肩直接精调的效果。
另外还有部分研究专注于Instruction tuning，构建更好的任务描述让模型去理解，而不是只给几个例子（demonstration），比如LaMDA-PT[2]、FLAN[3]。
自监督ICL训练
有监督的数据毕竟是有限的，于是开始有研究者思考能不能借鉴预训练的方式，自监督地进行ICL训练。比如MetaAI的一篇工作[4]就很巧妙地把语言模型的一些任务转化成了ICL形式：
从上述两种训练方法来看，语言模型的ICL能力还有不少提升空间，因此建议大家使用ICL前最好先进行模型预热。不过也不用太多数据，因为上述的研究显示，随着预热的数据增多，模型的提升会到达一个瓶颈。
在推理阶段优化ICL效果
作者把推理阶段的优化方法分为Prompt设计和打分函数（Scoring Function）设计两种。
Prompt设计
作为激发大模型能力的输入，Prompt对ICL的效果影响很大。作者认为可以从组织方式和格式来进行Prompt的设计。组织方式是指如何选择数据样本并排序，格式是指怎么去写Prompt。
对于数据样本的选取，可以有以下方法：
- 无监督： 比如直接通过文本表示、互信息选取相近的结果；也有研究通过perplexity或者其他指标进行选取；甚至可以直接让语言模型自己生成[5]。
- 有监督： 既然选取不同的样本能得到不同的效果，那可以直接构造监督模型，去判别效果更好的样本；甚至有研究把样本选择建模成序列决策任务，把最终效果当作reward，用强化学习去做[6]。
对于数据样本的排序，目前的研究并不多，有两个思路：
1. 基于一些距离度量，把跟输入相近的排在后面（靠近输入）。
2. 在Lu等人[7]的研究中，他们找到了信息熵和ICL效果的联系，因此根据熵来决定最佳排序。
对于Prompt的格式，常见有两种：指令（Instruction）和推理步骤（Reasoning Steps）说明。
- Instruction： 任务的指令描述非常依赖人工，不过也可以尝试让语言模型自动生成描述并选择。
- Reasoning Steps： 对于更复杂的任务，可以人工显示地把推理步骤写出来，比如Chain-of-thought（CoT），来启发模型的推理能力。除了纯人工撰写外，还有以下方法：
· 让模型自己生成推理步骤
· Multi-stage ICL： 分多个步骤来完成任务，每一步都设计不同的子问题，让模型一步步解答。比如Self-Ask[8]这篇工作甚至让模型自己问自己。再比如Least-to-Most Prompting这篇工作先让模型把大问题拆成多个子问题，再挨个回答。
从上述Prompt设计的工作来看，作者认为有以下可以探索或注意的点：
1. 目前大多数样例选择的策略都是围绕单个样本展开的，但语料级别的选择还没有人研究过。
2. 对于 k 个样本，搜索空间是 k! ，怎样找到最优解还是一个很有挑战的问题
3. 虽然增加CoT可以提升推理效果，但怎样优化CoT还有待研究
4. 人工去写prompt的消耗还是很大的，可以尽量依靠语言模型去生成
打分函数（Scoring Function）
目前有几种方法：
1. Direct[9]： 直接取答案的条件概率，这种方法的缺点是只能衡量固定模式的答案（答案y在输入x后面）
2. Perplexity： 再用语言模型过一遍句子，这种方法可以解决上述固定模式的问题，但计算量增加了
3. Channel[10]： 评估 P(x|y) 的条件概率（用贝叶斯推一下），这种方法在不平衡数据下表现较好
这三种方法的对比如下:
目前关于如何用打分策略来校准偏差、降低模型敏感度的研究还是比较少，有兴趣的同学可以探索。
二、还有什么会影响ICL表现？
除了上述提到的方法外，作者还调研到一些LM预训练阶段影响ICL效果的因素，比如：
1. 预训练语料的多样性比数量更重要，增加多种来源的数据可能会提升ICL表现[11]
2. 用下游任务的数据预训练不一定能提升ICL表现，并且PPL更低的模型也不一定表现更好[12]
3. 当LM到达一定规模的预训练步数、尺寸后，会涌现出ICL能力[13]，且ICL效果跟参数量正相关[14]
三、为什么ICL有效果？
目前的一些研究猜测有以下原因：
1 . 跟训练数据的分布相关：比如训练数据有很多样例[15]，也有学者认为ICL可能是隐式的Bayesian inference[16]
2. 跟学习机制相关：有学者猜测LM可能自己就具备学习的能力，在做ICL的时候学到了这些知识[17]，或者隐式直接精调了自己[18]
3. 跟Transformer中的模块相关：有学者发现Transformer里的某些注意力头会通过拷贝固定的模式来预测下一个token[19]
上述大部分研究虽然都有数据来证实自己的猜想，但还是停留在很简单的任务或者小模型上，对于为什么ICL会有效还有待进一步的解释。
四、之后的研究方向
1. 新的预训练策略：毕竟目前LM的预训练目前跟ICL并不完全一致
2. 把ICL能力蒸馏到更小的模型
3. 在语言模型上进行知识增强和更新
4. 对于样例的鲁棒性
五、总结
对于大模型小样本的新数据集和落地应用，作者也介绍了不少新工作，推荐大家去原文查看。
关于为什么大模型会涌现出那么多能力，个人更倾向第一种，即模型本身就从训练数据中学到了这些，Prompt只不过是把这个能力激发，告诉模型怎么做而已。但为什么模型必须要达到一定尺寸才能具备ICL？目前还没看到好的解答，23年马上GPT4也要推出了，这个世界会越来越魔幻。
参考
[1] MetaICL: Learning to Learn In Context: https://aclanthology.org/2022.naacl-main.201/
[2] LaMDA: Language Models for Dialog Applications: https://arxiv.org/abs/2201.08239
[3] Finetuned Language Models are Zero-Shot Learners: https://openreview.net/forum?id=gEZrGCozdqR
[4] Improving In-Context Few-Shot Learning via Self-Supervised Training: https://aclanthology.org/2022.naacl-main.260/
[5] Self-Generated In-Context Learning: Leveraging Auto-regressive Language Models as a Demonstration Generator: https://arxiv.org/abs/2206.08082
[6] Active Example Selection for In-Context Learning: https://arxiv.org/abs/2211.04486
[7] Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity: https://aclanthology.org/2022.acl-long.556/
[8] Measuring and Narrowing the Compositionality Gap in Language Models: https://doi.org/10.48550/arXiv.2210.03350
[9] Language models are few-shot learners.: https://arxiv.org/abs/2005.14165
[10] Noisy Channel Language Model Prompting for Few-Shot Text Classification: https://aclanthology.org/2022.acl-long.365/
[11] On the Effect of Pretraining Corpora on In-context Learning by a Large-scale Language Model: https://aclanthology.org/2022.naacl-main.380/
[12] On the Effect of Pretraining Corpora on In-context Learning by a Large-scale Language Model: https://aclanthology.org/2022.naacl-main.380/
[14] Language models are few-shot learners.: https://arxiv.org/abs/2005.14165
[15] Data distributional properties drive emergent in-context learning in transformers.: https://arxiv.org/abs/2205.05055
[16] An explanation of in-context learning as implicit bayesian inference: https://arxiv.org/abs/2111.02080
[17] What can transformers learn in-context? A case study of simple function classes.: https://arxiv.org/abs/2208.01066
[18] Transformers learn in-context by gradient descent.: https://arxiv.org/abs/2212.07677
[19] In-context learning and induction heads: https://arxiv.org/abs/2209.11895
作者：李rumor
文章来源：公众号【李rumor】
快抢沙发！
