一个通用的自适应prompt方法，突破了零样本学习的瓶颈

深度学习自然语言处理原创
作者：Winni

今天要给大家介绍一篇Google的研究，解决了大语言模型（LLMs）在零样本学习方面的困境。相比于少样本学习，LLMs在零样本学习上常常表现得比较弱，这主要是因为缺乏指导。而且，目前的研究对零样本学习的改进也不多，因为在没有真实标签的任务中设计prompt方法还比较困难。

为了解决这个问题，这篇研究提出了一种Universal Self-adaptive Prompting (USP)方法，对LLMs的零样本学习进行了优化，同时也适用于少样本学习任务。USP只需要少量未标记的数据，就能大幅提升LLMs在20多个自然语言理解和生成任务上的表现。实际上，它的结果比起少样本基线方法甚至更好！

接下来就让我们一起揭开USP方法的神秘面纱，看看它是如何做到这一切的吧！

论文：Universal Self-adaptive Prompting
地址：https://arxiv.org/pdf/2305.14926.pdf

前言

在介绍USP方法之前，让我们先了解一下三种主流方法，分别是：Chain of Thought (CoT)、Self-Consistency (SC)和Consistency-based Self-adaptive Prompting (COSP)。这些方法是目前LLMs推理研究的主要方向，而COSP方法也是这篇研究的主要灵感来源。

首先，CoT方法将一个具体的推理问题拆分成多个步骤，并将每个步骤的解释信息输入LLMs，从而得出最终的答案。这种方法已经被证明可以解决具有较大推理难度的问题，并且当训练数据足够时，大模型会表现出出色的推理能力。很快，SC方法应运而生，对CoT方法进行了改进。SC方法认为，通过对多个CoT推理路径进行采样，并将它们的结果进行投票，选择一致性最高的输出作为最终答案，可以进一步提高LLMs的推理准确性。

而COSP方法采用了双阶段策略，以进一步增强LLMs的零样本学习能力。在第一阶段，COSP类似于SC，采用多路径解码进行零样本推理。它对同一查询在不同解码路径上进行预测，并计算出归一化熵，用于量化模型在不同解码路径下的自信程度和预测之间的差异。基于熵值（以及其他指标如多样性和重复性），COSP对第一阶段的输出进行排名，并选择自信的输出作为伪演示数据。在第二阶段，COSP再次将这些伪演示数据与查询结合，以类似于少样本推理的方式进行处理。最终的预测结果是通过两个阶段的输出进行多数投票得出的。

这些方法为LLMs的推理能力带来了显著提升。然而，它们对于不同类型的任务可能存在一些局限性和挑战。比如，针对一些分类NLP问题，模型的逻辑回归结果对于不确定性的量化很有用，但在COSP的设计中却忽视了这一信息。此外，对于那些涉及创造性和生成性任务的任务，多数投票的概念可能并不存在，因为有很多合理的解决方案存在。

因此，这篇研究的目标是提出一种通用的、适用于各种任务的方法，而不仅仅局限于COSP所考虑的狭窄领域。然而，要实现这个目标并不容易，因为通用的提示策略需要适应众多且差异巨大的任务，这些任务在目标、提示、评估以及置信度/不确定性量化方面都存在显著的差异。

接下来，我们将详细介绍Universal Self-adaptive Prompting（USP）方法，看看它是如何解决这些挑战的！

USP方法

如上图所示，USP总体上与COSP方法有一些相似之处：同样采用两阶段的过程。在第一阶段，LLMs以零样本的方式进行提示，生成一组候选回答，然后从中选择一些模型生成的伪演示数据。在第二阶段，这些伪演示数据以少样本的方式添加到测试查询之前，再次提示LLMs以获得最终的预测结果。

然而，USP引入了几个关键的设计决策，使其与COSP有所区别，有效地提高了其泛化能力：

任务特定的伪演示数据选择器：在USP中，从零样本输出中选择适合的查询-回答对是至关重要的，这就是伪演示数据选择器。COSP使用基于一致性的选择器，只适用于一部分特定任务，而USP则设计了一个选择器，针对不同任务，选择不同的伪演示数据集，增强了其灵活性。
测试集和生成伪演示数据集的分离：与COSP默认使用完整的测试集T在第一阶段生成伪演示数据不同，USP需要一个通用的无标签数据集D。该数据集可以是完整的测试集T其中的一个子集，或者是一个不同的无标签集合。D的唯一目的是生成伪演示数据，即使事先不知道完整的测试集，或者只有少量无标签的查询可用。
减少对多数投票的依赖：虽然多数投票对于COSP至关重要（如图中c所示），但它计算上较为昂贵，并且在多数本身无法明确定义的情况下不适用。相比之下，USP默认在第二阶段只进行一次解码，使用贪婪解码（即temperature=0），将最大似然估计（MLE）的输出作为最终预测结果。USP仍然支持对多次解码进行多数投票，以进一步提高性能，但不再依赖这种方式来运行。

任务特定的伪演示数据选择器

选择器的目标是为了构建候选伪演示数据集P（通过将数据集查询和LLMs的零样本预测连接而成），并从中选择一些伪演示数据S来添加到测试查询中。作者使用一个函数F来对每个候选伪演示数据进行评分。首先，找到在P中使得F最大的伪演示数据作为第一个被选中的伪演示数据。对于接下来的伪演示数据，作者使用一个带有多样性促进项的F来选择，同时惩罚那些与已选中的伪演示数据过于相似的候选项。

作者设计F函数的目的是根据任务的特性，将可能的任务分为三种通用类型（如下表所示），并对每种类型设计不同的评分函数。这样做可以实现通用提示，在不同的任务上取得良好的效果。在设计F函数时，作者考虑了可能的响应数量和正确响应的数量，并使用了一些技巧来确保评分的准确性和可比性。

下面我们详细介绍一下这三种任务的划分标准及选择方法的差异。

针对分类（CLS）问题，LLMs需要从几个可能选项中选择一个正确答案。这种情况下，标签空间很小，模型的逻辑回归结果对于不确定性的量化很有用。我们不需要使用SC方法来估计预测的置信度。对于伪演示数据集，我们只需查询LLM一次，并使用类别的负熵作为CLS情况下评分函数F的度量指标。

Short-form generation（SFG）问题是指这样一类生成问题：通常有很多可能的回答，但只有一个到几个是正确的短回答。例如问答任务，其中可能的回答涵盖整个词汇表V。与CLS情况不同，我们假设只能访问模型的输出，而没有对数概率分布。这种情况包括了COSP中的问题（例如COSP中考虑的算术推理问题），我们可以使用归一化熵来衡量模型的置信度，不过对于非CoT提示的任务，我们跳过了生成理由的步骤，直接询问答案。

最后一类是Long-form generation（LFG）问题，通常需要生成较长的回答，并有许多合理的可能回答，典型的例子包括总结和翻译。在这种情况下，如果对同一个查询进行m次温度采样解码，即使对于置信的预测，生成的文本也不可能完全相同，这是因为生成的文本长度较长。为了衡量这种情况下的置信度，我们首先按照SFG问题的设置，对每个回答进行m次温度采样查询，得到m个预测结果。随后，我们计算所有m个响应对之间的平均ROUGE分数。注意我们也可以采用其他指标例如如pairwise BLEU或句子的余弦相似度。我们使用FLFG来对D中的查询进行置信度排序，并确定要在S中使用哪些查询。对于伪演示的响应部分，我们再次对LLM进行一次解码，使用argmax或贪婪解码，以获得所选查询上的MLE预测结果。然后将这些预测结果与查询连接起来构建S。最后，鉴于零样本文本生成完全由提示驱动，我们观察到LLM有时会生成极具自信的文本补全，而不是实际完成指定的任务，选择这些输出作为伪演示会严重降低性能。考虑到这些输出通常具有异常高的平均ROUGE得分，我们采用了一种简单有效的异常值过滤方法，即移除得分大于上四分位数加1.5倍四分位距（IQR）的查询。这是一种经典的用于定义异常值的方法。

实验设置

作者在PaLM-540B和PaLM-62B上进行了实验，并考虑了各种常见的自然语言处理任务：对于CLS任务，包括常识推理、阅读理解、填空完成、自然语言推理等；对于SFG任务，包括开放域问答、阅读理解问答和词语预测；对于LFG任务，包括摘要任务。作者没有考虑CoT推理任务，因为先前的研究已经证明了COSP方法在这些任务上的有效性。

作者将USP与四个baseline进行比较，分别是：zero-shot、AutoCoT、Random demo（按照USP的步骤进行操作，但是在选择伪演示时不使用评分函数，而是从P中随机选择K个伪演示）、5-shot（few-shot, k=5）。为了公平比较，AutoCoT、Random demo和USP都会为每个样本生成5个伪演示，从每个任务中随机选择64个未标记的测试查询。

结果分析

下面3个表分别展示了CLS、SFG和LFG任务上的实验结果。

可以看到，在CLS、SFG和LFG任务中，USP显著改善了标准的zero-shot性能，优于其他zero-shot提示方法，并且在许多情况下接近甚至优于标准的few-shot提示方法，而这才仅使用了每个任务64个未标记样本。

无论是在不同的数据集还是不同的模型上，USP在SFG和LFG任务上的改进幅度比在CLS任务上要大，而在PaLM-540B上的改进幅度也比PaLM-62B更大。作者推测前一观察结果的原因是在生成任务中，LLMs更需要来自示例的指导，因为这些任务涉及到无限的动作选择，而在CLS任务中，LLM只需要从几个选项中选择一个回答。至于后一观察结果，作者认为较大的模型具有更强的能力从示例中学习，能够更好地利用更准确/更好的示例（5-shot结果在PaLM-540B中更强的事实也支持这一观点）。在这种情况下，USP生成的更准确/更高质量的伪示例导致了对基线方法的更大优势，而基线方法的伪示例质量仅取决于模型的平均表现。

为了分析伪演示选择器如何选择高质量的伪演示，作者分析了所有任务的未标记数据集D中查询的USP得分与ground-truth性能（准确性、EM或ROUGE，取决于任务类型）之间的关系。下图展示了一些代表性结果，在各种任务类型和不同难度的任务中（如图中由灰色虚线标记的平均性能），USP得分通常与ground-truth性能呈良好的相关性。最近的研究结果表明，更大的LLMs确实通过在上下文中学习信息（而不仅仅是遵循提示格式）并从正确示例中受益，这与USP的结果一致。