- paper: Don't stop Pretraining: Adapt Language Models to Domains and Tasks
- GitHub： https://github.com/allenai/dont-stop-pretraining
论文针对预训练语料和领域分布，以及任务分布之间的差异，提出了DAPT领域适应预训练（domain-adaptive pretraining）和TAPT任务适应预训练（task-adaptive pretraining)两种继续预训练方案，并在医学论文，计算机论文，新闻和商品评价4个领域上进行了测试。想法很简单就是在垂直领域上使用领域语料做继续预训练，不过算是开启了新的训练范式，从之前的pretrain+fintune，到pretrain+continue pretrain+finetune
核心要点主要有以下4个
- 和预训练差异越大的领域，领域适应继续预训练的效果提升越显著
- 任务适应预训练轻量好使，效果也不差
- 领域预训练+任务预训练效果最好，不过成本较高
- 通过KNN扩展任务语料，能逼近领域预训练的效果
DAPT
首先作者通过每个领域内的Top10K高频词的重合度，来衡量领域之间，以及领域和预训练语料的文本相似度，相似度News>Reviews>Bio>CS。我们预期DAPT的效果会和相似度相关，理论上在相似度低的领域，继续预训练应该带来更大的提升。
训练部分作者复用了Roberta的预训练方案。为了保证4个领域可比，作者通过样本采样，以及不同的batch size保证了4个领域的step相同。为了防止灾难遗忘，作者只在领域数据上继续训练了1个epoch（12.5K steps）。除了News领域，其他领域的继续预训练都带来了MLM Loss的下降。
在下游分类任务微调中，继续训练的模型效果都显著优于原始Roberta，和预训练语料差异更大的领域CS，Bio整体的效果提升更显著，如下
为了剔除更多的训练样本可能带来的效果提升，作者按以上的语料相关性，每个领域都选择了相关性最低的另一个领域的继续预训练模型（¬DAPT），对比在下游微调中的效果，部分场景有提升部分有下降，但是都显著低于对应领域的继续预训练模型，从而进一步证明继续预训练的收益来自对应领域信息的补充。
TAPT
TAPT是使用任务样本直接进行继续训练。Task Adaptive和Domain Adaptive的主要区别是，Task对应的数据集更小训练成本更低，不过因为直接使用任务数据，所以和任务的相关度更高。对应以上DAPT训练1个epoch（12.5K steps）， TAPT训练100个epoch，每个epochs使用15%的Random Delete来进行样本增强。
作者对比了只使用DAPT，TAPT以及先使用DAPT+TAPT的效果：整体上DAPT+TAPT的继续预训练效果最好。其中针对更加垂直（和预训练语料相关性更小）的领域DAPT更好。感觉主要是因为领域垂直，TAPT受限于样本量能提供的领域信息不足，容易过拟和。而和预训练语料更相似的新闻领域和评论领域，TAPT的效果甚至超过DAPT，如下
作者进一步尝试了Cross Task Transfer，就是使用相同领域中任务1做继续预训练，然后在任务2上进行微调。效果显著低于使用相同任务的语料做T继续训练，这进一步说明了相同领域不同任务间的语料分布也是存在差异的，所以在部分任务上TAPT的效果要优于DAPT。
那能否在保留当前任务分布的前提下，拓展任务相关语料，解决TAPT样本量不足的问题呢？比较直观的方案就是使用文本Embedding，从相同领域的样本中，使用KNN抽取任务对应的K个相似样本来扩充任务样本。作者使用的是词袋模型VAMPIRE来计算文本表征，对比了不同参数K的效果，500KNN已经逼近DAPT。如果你有耐心>_<的话，KNN配合TAPT确实算是更优的方案，它的预训练成本显著低于DAPT，但又比TAPT的效果以及泛化性要显著更好
领域差异
说了半天继续预训练可以提高下游任务的效果，不过究竟继续预训练干了啥？？这部分在作者也没有很详细的证明，所以我们只能借助相关paper来猜想一哈~
- 领域词汇/实体/ngram差异： 垂直领域和通用领域的主要差异在专属实体和短语，也就是领域知识信息。继续预训练可以提供这部分的补充信息。不过这其实也challenge了论文复用Roberta的预训练方案并一定是最优方案，可能SpanBert或者ERNIE，甚至K-Bert对应的知识增强，实体掩码方案更合适
- 整体语料差异： 除知识之外，常规的文本表达和上下文语境也存在整体差异，可以通过继续与训练来进行调整。
- 优化空间分布，提高线性可分性：在之前探测Bert Finetune对向量空间的影响中我们讨论过，微调其实是对预训练文本表征的空间分布进行了调整，使得在下游任务中空间分布更简单更加线性可分，这里猜测继续预训练其实也起到了类似的效果。
- 提高模型泛化：在下游任务微调中，模型往往只更新/依赖任务相关的局部信息，而继续预训练目标的设置使得模型能更全面的学习领域/任务相关的上下文知识，一定程度上提高模型的泛化能力，起到更优的bayesian prior的作用
案例
总结下，针对单任务模型，直接使用TAPT成本最低实用性最高，针对领域底层大模型，使用DAPT效果更好。不过使用起来具体使用哪种预训练方案，以及如何避免灾难遗忘，感觉还是要case by case的来看。一些相关的案例有
- 金融负面主体识别比赛：Rank3的方案就尝试了在任务语料上继续预训练，并且配合实体掩码相关的预训练方案来提升模型效果。
- 疫情期间民情识别比赛: 作者用比赛数据提供的任务样本，以及任务样本相关的未标注样本进行做curated tapt，平均准确率有1个点左右的提升
- 淘宝UGC情感分类：评论底层大模型，使用评论领域语料来继续预训练，用于上层的子任务
最近在复现一些比赛方案时，尝试了下在金融负面主体这个任务中引入TAPT，因为是实体相关的情感分类问题，因此在TAPT上使用了Whole Word和Entity粒度结合的MLM作为预训练目标。在使用多任务的基础上，使用TAPT进一步训练后F1进一步有0.2%个点的提升，不过这个提升只有当预训练使用全部语料的时候才显著，如果和下游微调一样保留部分数据用于测试，则不会有显著的效果提升，这里的效果对比更支持上面的提高模型泛化能力这个假设~具体实现详见ClassicSolution/fin_neg_entity