【Lifelong learning】Lifelong Language Knowledge Distillation

链接：http://arxiv.org/abs/2010.02123

简介

Lifelong Language Knowledge Distillation终身语言知识提炼，是一种利用知识蒸馏的终身学习方法。
其主要思想是：每次遇到新任务时，不直接让model去学习，而是先在任务上训练一个teacher model，然后运用知识蒸馏技术，将知识传递给model。

• 知识蒸馏：有两个模型： student model（小）和teacher model（大）。student model需要通过训练，模仿teacher model的行为并使得两者性能相近。

本文将知识蒸馏的思想运用到了终身学习的语言领域。但不同之处在于： L2KD的student model和teacher model是一样大的。

如下图所示。这种方法只需要为每个新任务多花一点时间训练一个一次性teacher model，在学习下一个任务时可以丢弃该模型;因此，L2KD不需要额外的内存或模型容量，这使得提出的模型在实际使用中更有效。

必须要指出的是：L2KD作为一种方法而非具体模型，可以加到大部分LLL模型上去。
因此，本文就将L2KD加到了LAMOL上去。
LAMOL介绍：https://blog.youkuaiyun.com/Baigker/article/details/121650749?spm=1001.2014.3001.5501

Proposed Approach

正如在简介中提到的，L2DK本质是一种知识蒸馏，并且在实际运用中要加到其他模型上去。因此本文也遵循这一顺序，即：先介绍LAMOL，再介绍知识蒸馏，最后才说明L2KD的原理。

LAMOL

在LAMOL的setting中，语言数据集中的所有样本都有三个部分:上下文、问题和答案。我们可以简单地将这三个部分连接成一个句子，并训练模型根据上下文和前面的问题生成答案。

除了生成给定问题的答案外，该模型还可以同时学习对整个训练样本建模。
通过这样做，在训练下一个任务时，模型可以生成前一个任务的样本（被称为伪数据），同时训练新任务的数据和前一个任务的伪数据。
因此，模型在适应新任务时忘记的更少。

知识蒸馏

语言模型

一般来说，语言模型的目标是使预测下一个词时的负对数似然(NLL)最小化：
而在知识蒸馏中，我们将student model和teacher model之间的预测误差最小化。
被认为是误差的目标单元可能在单词级或序列级进行。

Word-Level (Word-KD)

在预测下一个词时，我们最小化student和teacher的输出分布之间的交叉熵:

其中输入$x_{<t}$来自标准答案（ground truth）序列。$V$表示词汇集，$V_k$为$V$中的第$k$个单词。
${\theta }_S$和${\theta }_T$分别为学生模型和教师模型的参数。

Sequence-Level (Seq-KD)

我们将teacher model中的贪心解码或beam search输出序列$\hat{x}$