https://www.sohu.com/a/233269391_395209
本周我们要分享的论文是《Universal Language Model Fine-tuning for Text Classificatio》
迁移学习在计算机视觉方面取得了很多成功，但是同样的方法应用在NLP领域却行不通。文本分类还是需要从零开始训练模型。本文的作者提出了一种针对NLP的有效的迁移学习方法，通用语言模型微调（ULMFiT）并介绍了用于微调模型的关键技巧。
越底层的特征越通用，越顶层的特征越特殊
ULMFiT效果：该方法在6个文本分类任务上的性能明显优于现有的文本分类方法，在大部分的数据集上测试使得错误率降低了18-24%。此外，仅有100个标记样本训练的结果也相当不错。
Universal Language Model Fine-tuning
ULMFiT方法包括三个阶段：
LM pre-training：在语料库上训练语言模型，获取每个word在大语料库上面的representation；
LM fine-tuning：LM使用区分微调（Discriminative）和本文使用的是三角变化的学习率（Slanted triangular learning rates）两个trick对目标域数据进行微调，以学习每个word的特定语料上的representation。
Classifier fine-tuning：上层分类器训练，这一步也用了很多的trick。
文中使用的几种trick
Discr + STLR
Discr：每一层设置一个学习率的方法（第一层的特征具有通用性，所以设置相对较小的学习率，高层的特征与具体任务相关，因此设置相对较大的学习率）
STLR：学习率先逐渐增加后逐渐下降（由于具体任务的变化，先用较小的学习率，得到一个好的优化方向，再使用较大的学习率，进行优化，在训练后期再使用较小的学习率进行更细致的优化）
使用STLR技巧，学习率随迭代次数的变化
目标任务分类器微调（作者用了四种技巧）包括：
级联池化（Concat pooling）：把RNN模型里每一个时刻的输出pooling一下，然后concat到最后一层特征上
逐步解冻（Gradual unfreezing）
用于文本分类的BPTT（BPTT for Text Classification, BPTT backpropagation through time随时间的反向传播）
双向语言模型（Bidirectional language model）
实验
实验的主要目的有两个：一是验证该方法是否有效；二是验证该方法里面的哪一步更有效。
作者在六个比较常用的数据集上评估了该方法，这些数据文档的数量以及文档的长度都不尽相同，在三个常见的分类任务（情感分析、问题分类、主题分类）上进行实验。
通过和其他的一些文本分类方法进行比较，作者提出的ULMFiT方法错误率最低，效果最好。
在三类分类任务上，ULMFit的监督学习、半监督学习需要的数据比从头训练模型的数据要少得多，但是错误率却更低，模型的效果更好。
讨论LM fine-tuning的影响
论文中作者除了使用微调的方法，还增加了很多技巧以优化模型，所以需要对微调的方法是否有效进行讨论。
通过实验可以看出，从零开始训练模型和使用ULMFiT的方法，在三个测试集上错误率下降幅度较大，后面增加各种trick，使得模型的错误率进一步下降，但是下降的幅度却并不是很大，所以可以看出，确实是ULMFiT的方法是有效。
从论文中学习：
1、文中提到的ULMFiT方法，可以尝试使用在nlp迁移学习中。
2、在调模型时可以考虑增加一些技巧，可以优化结果。比如这篇文章中提到的一些技巧，可以参考。
论文链接：https://arxiv.org/abs/1801.06146v4