论文解读（AdSPT）《Adversarial Soft Prompt Tuning for Cross-Domain Sentiment Analysis》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ]

论文信息

论文标题：Adversarial Soft Prompt Tuning for Cross-Domain Sentiment Analysis
论文作者：Hui Wu、Xiaodong Shi
论文来源：2022 ACL
论文地址：download 
论文代码：download
视屏讲解：click

1 介绍 

　　动机：直接使用固定的预定义模板进行跨域研究，不能对不同域的 [MASK] 标记在不同域中的不同分布进行建模，因此没有充分利用提示调优技术。在本文中，提出了一种新的对抗性软提示调优方法（AdSPT）来更好地建模跨域情绪分析；

　　贡献：

• • 在提示式调优中，本文采用软提示来学习领域知识嵌入，从而减轻了 [MASK] 位置的领域差异；
  • 设计了一种新的对抗性训练策略来学习 [MASK] 位置的域不变表示；
  • 在 Amazon 评论数据集上的实验表明，AdSPT 方法在单源域适应下、多源域适应 取得了重大改进；　

2 相关

　　

　　在 book review 和 videp review 中，预测高频词不一样，且 高频词不在 预定义输出 “good，bad” 中；

3 方法

模型框架：

　　

3.1 提示输入

　　提示输入 $\boldsymbol{x}_{\text {prompt }}$：

　　　　$\boldsymbol{x}_{\text {prompt }}= {[\mathbf{e}(\text { "CLS }] "), \mathbf{e}(\boldsymbol{x}), \mathbf{h}_{0}, \ldots, \mathbf{h}_{k-1}, }\mathbf{e}(\text { "[MASK]") }, \mathbf{e}(\text { "[SEP]") })]$

　　注意：输入 $\boldsymbol{x}_{\text {prompt }}$ 不是一个 $\text{raw text}$ ，而是一个嵌入矩阵，$\text{nn.Embedding}$ 后的结果；

3.2 Encoder 输出

　　将 $\boldsymbol{x}_{\text {prompt }}$ 输入编码器，得到：

　　　　$\mathbf{h}_{[\mathrm{MASK}]}, \mathbf{s}_{[\mathrm{MASK}]}=\mathcal{M}\left(\boldsymbol{x}_{\text {prompt }}\right) $

　　其中，$\mathbf{h}_{[\text {MASK }]} \in \mathbb{R}^{h}$，$\mathbf{s}_{[\text {MASK }]} \in \mathbb{R}^{|\mathcal{V}|}$，$\mathrm{s}_{[\mathrm{MASK}]}= f\left(\mathbf{h}_{[\text {MASK }]}\right) $，$f$ 是 $\text{MLM head function}$；

3.3 情感分类

　　情感预测：

　　　　$\begin{aligned}p(y \mid \boldsymbol{x}) & =p\left(\mathcal{V}_{y}^{*} \leftarrow[\mathrm{MASK}] \mid \boldsymbol{x}_{\text {prompt }}\right) \\& =\frac{\exp \left(\mathbf{s}_{[\mathrm{MASK}]}\left(\mathcal{V}_{y}^{*}\right)\right)}{\sum_{y^{\prime} \in \mathcal{Y}} \exp \left(\mathbf{s}_{[\mathrm{MASK}]}\left(\mathcal{V}_{y^{\prime}}^{*}\right)\right)}\end{aligned}$

　　其中，$\mathcal{V}^{*} \in  \{ \text{good,bad} \}$；

　　情感分类损失：

　　　　$\mathcal{L}_{\text {class }}\left(\mathcal{S} ; \theta_{\mathcal{M}, p, f}\right) =-\sum_{i=1}^{N}  {\left[\log p\left(y_{i} \mid \boldsymbol{x}_{i}\right)^{\mathbb{I}\left\{\hat{y}_{i}=1\right\}}\right.} \left.+\log \left(1-p\left(y_{i} \mid \boldsymbol{x}_{i}\right)\right)^{\mathbb{I}\left\{\hat{y}_{i}=0\right\}}\right]$

3.4 域对抗性训练

　　设有 $\text{m}$ 个源域 ，源域、目标域的域标签分别为 $0 , 1$，$m$ 个域鉴别器 $\mathbf{g}=\left\{g_{l}\right\}_{l=1}^{m}$；

　　域预测：

　　　　$p(d \mid \boldsymbol{x})=\frac{\exp \left(g_{l}^{d}\left(\mathbf{h}_{[\mathrm{MASK}]}\right)\right)}{\sum_{d^{\prime} \in \mathcal{D}} \exp \left(g_{l}^{d^{\prime}}\left(\mathbf{h}_{[\mathrm{MASK}]}\right)\right)}$

　　域分类损失：

　　　　$\mathcal{L}_{\text {domain }}\left(\hat{\mathcal{S}}, \mathcal{T} ; \theta_{\mathcal{M}, p, \mathbf{g}}\right) =-\sum_{l=1}^{m} \sum_{i=1}^{N_{l}^{s}+N^{t}} {\left[\log p\left(d_{i} \mid \boldsymbol{x}_{i}\right)^{\mathbb{I}\left\{\hat{d}_{i}=1\right\}}\right.}\left.+\log \left(1-p\left(d_{i} \mid \boldsymbol{x}_{i}\right)\right)^{\mathbb{I}\left\{\hat{d}_{i}=0\right\}}\right]$

　　域对抗训练：

　　　　$\underset{\mathcal{M}, p}{\text{max}}\; \underset{\mathbf{g}}{\text{min}} \;\mathcal{L}_{\text {domain }}\left(\hat{\mathcal{S}}, \mathcal{T} ; \theta_{\mathcal{M}, p, \mathbf{g}}\right)$

3.5 训练目标

　　优化 $\text{PLM}$  $\mathcal{M}$ ，$\text{soft prompt embeddings}$  $p$ , $\text{MLM head function}$  $f$，$\text{domain discriminators }$ $\mathbf{g}$：

　　　　$\underset{\mathcal{M}, p, f}{\text{min}} \{ \lambda \mathcal{L}_{\text {class }}\left(\mathcal{S} ; \theta_{\mathcal{M}, p, f}\right) \left.-\underset{\mathbf{g}}{\text{min}} \mathcal{L}_{\text {domain }}\left(\hat{\mathcal{S}}, \mathcal{T} ; \theta_{\mathcal{M}, p, \mathbf{g}}\right)\right\}$

3.6 算法

　　如下：

　　

4 实验

single-source domain adaptation on Amazon reviews

　　

Results of multi-source domain adaptation on Amazon reviews

　　

Ablation experiments