In-Context Learning是最近比较火热的方向，其主要针对超大规模模型（例如1750B参数量的GPT-3模型），在只提供少量标注样本作为提示的前提下，即可以实现很惊艳的效果。本文将元学习引入到In-Context Learning中。
论文PDF：https://doi.org/10.18653/v1/2022.acl-long.53

一、动机

本文提出in-context tuning（ICT）用于few-shot learning

• 目前，向语言模型通过prompting可以在小样本场景下得到很大的成功。例如GPT-3

For example, to coax the model into performing sentiment classification on the target input “This movie is a waste of time”, we prompt the LM with the sequence “I like the movie! Positive review? Yes. Horrible Movie! Positive review? No. This movie is a waste of time. Positive review? ___”, and predict “positive” if the next word is more likely to be “Yes” rather than “No”.

• 然而原始的语言模型在预训练时并没有针对in-context进行优化

raw LMs are not optimized for in-context FSL during pre-training, and exhibit undesirable behavior when used for FSL

• 先前工作发现prompting会过度受到（oversensitive）样本选取以及instruction本身影响

Previous work has also shown that prompting raw LMs is often oversensitive to example choices and instruction wording

二、方法

在训练（fine-tuning）阶段，给定一系列的训练task，每一个task都有相应的instruction，以及该task对应的少量样本（输入/输出对）。在测试阶段，给定一个新的unseen task，以及该task对应的instruction和少量样本（输入/输出对），旨在让模型能够对测试样本预测其类别。如下图，给定一个情感分析task：

在训练时，直接对instruction $I_T$、若干少量标注数据 $S_T$ 以及target样本 $x_{target}^T$ 进行拼接，并基于in-context learning训练目标进行优化，预测对应类别 $y_{target}^T$：

三、实验

（1）baseline模型
Raw In-context Learning

与in-context tuning一样，给定unseen task的instruction、少量标注样本（输入/输出对）和样本输入，直接预测样本的输出。此时没有fine-tuning过程，属于zero-shot learning场景。

Instruction-tuning + Fine-tuning

给定若干种类的task，基于instruction以及样本的输入，用于训练。在fine-tuning阶段，给定unseen task的instruction以及K个样本，进行fine-tuning。

Instruction-tuning

此时只有instruction和样本的输入，属于zero-shot learning场景。

MAML

给定若干task的instruction和一个样本输入，用于训练并预测目标。其与传统的MAML一样，只是训练目标变为instruction tuning

• In-context tuning比原始的in-context learning效果好，说明直接对in-context learning obective进行训练是有效的；
• MAML的效果超越了instruction-tuning，说明MAML是可以充分利用few-shot example来实现task adaptation；而本文提出的方法超越了MAML，则说明in-context tuning可以充分利用预训练语言模型的归纳偏置（inductive bias）