R-Drop

论文：[2106.14448] R-Drop: Regularized Dropout for Neural Networks

一句话概述：用 KL 散度作为损失的 SimCSE。

摘要：Dropout 是深度学习训练时广泛使用的正则化工具，本文提出 R-Drop，强迫不同 Dropout 模型（就是带 Dropout 的模型跑两次数据）的输出分布彼此保持一致。具体通过最小化两个输出的双向 KL 散度，R-Drop 降低了模型参数的自由度并补充了 Dropout，从而降低了模型的空间复杂度，增强了泛化能力。效果那自然也是非常不错的。

简介

提出一种基于 Dropout 的简单有效的正则化方法，可以普遍应用于训练不同类型的深度模型。具体就是增加一个 KL 散度损失，模型架构不需要做任何改动。
可以减少模型参数的自由度，与其他适用于隐藏单元或模型权重的正则化方法互补。正常的正则化是泛化。
4 个 NLP 任务和 1 个 CV 任务共 18 个数据集上表现出极好的结果。

相关工作

正则化方法：权重衰减（L2 正则化）、Dropout、归一化、添加噪音（数据增强）、逐层预训练和初始化、Label 平滑等等。
自蒸馏：有点类似自蒸馏——不是从模型自身或不同的层，而是实例化的自知识蒸馏，也有点像共同学习，但没有额外的参数。

注：L2 正则化（目标函数上增加正则项，修改了优化目标）和权重衰减（训练每一步结束后，对网络中的参数值直接裁剪一定比例，优化目标不变）在简单梯度下降时是一个意思，但那些学习率随时间变化的优化方法就不一样了，此时 L2 正则化的效果会随之变化，但权值衰减的比例是固定的，与学习率无关。

方法

因为 Dropout 是随机的，所以过两次模型相当于跑了两个子模型，而最小化两次输出的双向 KL 散度可以对参数的自由度进行限制，进而避免过拟合，提升泛化能力。

$\mathcal{L}_{K L}^{i}=\frac{1}{2}\left(\mathcal{D}_{K L}\left(\mathcal{P}_{1}^{w}\left(y_{i} \mid x_{i}\right)|| \mathcal{P}_{2}^{w}\left(y_{i} \mid x_{i}\right)\right)+\mathcal{D}_{K L}\left(\mathcal{P}_{2}^{w}\left(y_{i} \mid x_{i}\right)|| \mathcal{P}_{1}^{w}\left(y_{i} \mid x_{i}\right)\right)\right)$

交叉熵损失为：

$\mathcal{L}_{N L L}^{i}=-\log \mathcal{P}_{1}^{w}\left(y_{i} \mid x_{i}\right)-\log \mathcal{P}_{2}^{w}\left(y_{i} \mid x_{i}\right)$

最终损失函数为：

$\mathcal{L}^i = \mathcal{L}_{N L L}^{i} + \alpha \cdot \mathcal{L}_{KL}^i$

官方提供了实现，也是异常简单：

# Code From: https://github.com/dropreg/R-Drop
def compute_kl_loss(self, p, q pad_mask=None):
    
    p_loss = F.kl_div(F.log_softmax(p, dim=-1), F.softmax(q, dim=-1), reduction='none')
    q_loss = F.kl_div(F.log_softmax(q, dim=-1), F.softmax(p, dim=-1), reduction='none')
    
    # pad_mask is for seq-level tasks
    if pad_mask is not None:
        p_loss.masked_fill_(pad_mask, 0.)
        q_loss.masked_fill_(pad_mask, 0.)

    # You can choose whether to use function "sum" and "mean" depending on your task
    p_loss = p_loss.sum()
    q_loss = q_loss.sum()

    loss = (p_loss + q_loss) / 2
    return loss

# keep dropout and forward twice
logits = model(x)
logits2 = model(x)

# cross entropy loss for classifier
ce_loss = 0.5 * (cross_entropy_loss(logits, label) + cross_entropy_loss(logits2, label))

kl_loss = compute_kl_loss(logits, logits2)

# carefully choose hyper-parameters
loss = ce_loss + α * kl_loss

Tensorflow 有苏神的实现：

# Code From: https://github.com/bojone/r-drop
def crossentropy_with_rdrop(y_true, y_pred, alpha=4):
    y_true = K.reshape(y_true, K.shape(y_pred)[:-1])
    y_true = K.cast(y_true, 'int32')
    loss1 = K.mean(K.sparse_categorical_crossentropy(y_true, y_pred))
    loss2 = kld(y_pred[::2], y_pred[1::2]) + kld(y_pred[1::2], y_pred[::2])
    return loss1 + K.mean(loss2) / 4 * alpha

实验

一共 4 个 NLP 任务和 1 个 CV 任务，在 MT，NLU 和 LM 任务上效果还行，Summarization 和 Image Classification 任务提升较小。此处仅展示 MT 和 NLU 任务：

α=5

NLU

α 在 0.1 0.5 和 1.0 之间动态调整。

其他实验 Summarization 的 α=0.7，LM 的 α=1.0/0.5（Transformer/Adaptive Input Transformer），图像分类任务 α=0.6。

研究

主要对 R-Drop 相关配置的变化做了一些实验。

正则化和成本分析

R-Drop 有更低的验证 loss，可以在训练过程中提供持续的正则化。
训练早期，Transformer 提升了 BLEU，但不久会陷入局部最优，R-Drop 持续提升 BLEU。

k-步 R-Drop
每隔 k 步执行 R-Drop，而不是每步都执行，具体效果见上图（右）：

k 越大收敛越快，但不是最优（过拟合），而且随着 k 增加 BLEU 越来越差。
每一步都执行比较好。

m-次 R-Drop

默认是两次（m=2），实验了 m=3，结果显示差不太多。

两个不同的 Dropout 比例

Dropout 比例一致时（0.3，0.3）效果最好。
两个比例在适当区间（0.3-0.5）效果最好。

α 的效果

在 NMT 任务上做了 1 3 5 7 10 等多组对照实验，结果发现：

小的没大的好。
太大也不好。
最佳值 5，相比 1 提升 1 个多点。

结论

提出一种基于 Dropout 的简单有效的正则化方法，最小化从模型训练中的 Dropout 采样的任何一对子模型的输出分布的双向 KL 散度。不仅可以增强大模型（BART、Roberta-Large），同时在大规模数据集上也取得了很好的效果。唯一的不足怕是训练时间要加倍。

Yam

Feeling, Coding, Thinking

R-Drop

简介

方法

实验

研究

结论