论文解读：P-Tuning v2: Prompt Tuning Can Be Comparable to Finetuning Universally Across Scales and Tasks_p-tuning和prompt tuning

论文解读：P-Tuning v2: Prompt Tuning Can Be Comparable to Finetuning Universally Across Scales and Tasks

  P-tuning等方法的提出，避免了人工构建离散的template，而让模型可以自动学习continuous embedding，然而P-tuning在一些复杂的自然语言理解（Natural Langauge Understanding， NLU）任务上效果很差。因此本文基于P-tuning和Prefix-tuning，拓展提出p-tuning的V2版本模型——P-tuning V2，并引入Deep Prompt Encoding和Multi-task Learning。

简要信息：

核心要点：

• 在原始P-tuning基础上，提出deep prompt tuning，对pseudo token采用更深的表征，该方法可以视为Prefix-tuning的拓展版本（Prefix-tuning本身用于生成任务，作者将其拓展为NLU任务）；

---

一、动机

• Fine-tuning需要微调整个预训练语言模型，且额外添加了新的参数，而Prompting则可以将整个预训练语言模型的参数保持固定，而只需要添加prompt来预测结果即可；因此无需微调，但容易陷入局部最优；
• Prompt-tuning则是将Prompt加入到微调过程中，此时只对Prompt部分的参数进行训练，而语言模型的参数固定不变。例如，在P-tuning中引入continuous template，此时template是连续可微调的token，而不是离散的token，模型可以学习一个pseudo token；
  但发现P-tuning等Prompt-tuning方法在一些自然语言理解（NLU）任务中（例如抽extractive QA、序列标注等），基于普通的预训练语言模型，现有的prompting工作推理能力十分有限；
• 因此本文提出P-tuning-V2模型（对Prefix-tuning的扩展），发现稍微改进优化后的prompt-tuning依然可以达到与传统Fine-tuning一样甚至更好的效果；提出Deep Prompt Tuning，进一步对pseudo continuous embedding进行深度表征：

Deep prompt tuning increases the capacity of continuous prompts and closes the gap to finetuning across various settings, especially for small models and hard tasks.

  如下图（RTE、BoolQA、CB验证集的平均准确率）：

当预训练语言模型的参数很少时，P-tuning效果显然很差，而只有当参数规模达到100亿时，才勉强达到Fine-tuning效果。

二、方法：

2.1 P-tuning

  如上图，输入一个句子，设计一个template，其包含pseudo token，对这部分token使用LSTM进行表征，并替换原始的pre-trained model word embedding后，得到：

$$[\mathbf{e}(\mathbf{x}),h_0,\cdots ,h_i,\mathbf{e}([MASK])]$$

将其喂入MLM，MLM输出[MASK]位置的概率分布，根据verbalizer给出label word以及对应的class预测概率。
  然而P-tuning其存在两个问题：

• Fail to work well on small models：发现当预训练语言模型的参数量低于100亿时，Prompt-tuning会比传统的Fine-tuning差；

But for those smaller models (from 100M to 1B), there is a significant discrepancy between performances of prompt tuning and fine-tuning.

• Fail to work well on hard NLU tasks：发现像序列标注等对推理和理解要求高的任务，prompt-tuning效果会变差；

2.2 Deep Prompt Tuning

  先前的P-tuning用了一层BiLSTM来表征pseudo token，显然是推理能力不足的原因之一，因此该部分提出Deep Prompt Tuning，替换原来的BiLSTM而使用Prefix-tuning中的深层模型，如下图：

  P-tuning V2相比P-tuning，区别在于：

• 取消了reparamerization：对pseudo token，不再使用BiLSTM或MLP进行表征，且不再替换pre-trained model word embedding，取而代之的是直接对pseudo token对应的深层模型的参数进行微调；
• Multi-task learning：对于pseudo token的continous prompt，随机初始化比较难以优化，因此采用multi-task方法，具体实现相见实验部分；
• P-tuning V2无需verbalizer，而完全变为生成模型，可以在[CLS]部分输出sentence-level class，以及每个token位置上输出token-level class。

三、实验

  挑选部分NLU task，包括：

• GLUE（SST-2、MNLI-m）；
• SuperGLUE（RTE、BoolQ、CB）；
• 实体识别（CoNLL03、OntoNotes 5.0、CoNLL04）；
• ExtractiveQA（SQuAD1.1、SQuAD2.0）；
• Semantic Role Labelling（CoNLL05、CoNLL12）。

  Baseline选择：

• PT-2：本文提出的P-tuning V2；
• MPT-2：本文提出的P-tuning V2，并采用Multi-task learning方法；
• PT：P-tuning；
• FT：传统的Fine-tuning方法；

3.1 Across Scales

• Prompt-tuning/P-tuning方法在参数规模小的语言模型上，效果低于传统的Fine-tuning；
• P-tuning V2则不论在小模型还是大模型上，均可以提升；
• 当选择100亿参数规模的语言模型时，P-tuning V2基本可以与传统的Fine-tuning保持相当水平；

3.2 Across Tasks

  挑选几个比较复杂的任务：
（1）实体识别（CoNLL03、OntoNotes 5.0、CoNLL04）：

• 任务旨在对每个token进行分类，并输出对应的标签；
• Multi-task版本：三个task混合起来进行训练，并分别对应一个分类器，continuous prompt及其参数则共享；
• 实验结果如下：
  

（2）ExtractiveQA（SQuAD1.1、SQuAD2.0）：

• 任务旨在给定question和passage，从passage中抽取一个span text作为答案。本文视为一种序列标注任务，每个位置token输出start和end的概率；
• Multi-task版本：直接将两个task训练数据混合起来，且不考虑unanswerable情况；（问题：SQuAD1.1和2.0有很多是重复的）
• 实验结果如下：
  

（3）Semantic Role Labelling（CoNLL05、CoNLL12）：

• 任务旨在给定一个句子，对句子中的word或phrase标注语义角色（semantic role）；
  Multi-task版本：三个task混合起来进行训练，并分别对应一个分类器，continuous prompt及其- - 参数则共享；
• 实验结果如下：
  

（4）结论：

• P-tuning在复杂的NLU任务上效果很差；
• P-tuning V2可以与传统Fine-tuning有差不多的效果；
• Multi-task P-tuning V2效果更好，分析认为可能是变相的数据增强带来的影响。