清北微软深挖GPT，把上下文学习整明白了！和微调基本一致，只是参数没变而已

大型预训练语言模型其中一个重要的特点就是上下文学习（In-Context Learning，ICL）能力，即通过一些示范性的输入-标签对，就可以在不更新参数的情况下对新输入的标签进行预测。

性能虽然上去了，但大模型的ICL能力到底从何而来仍然是一个开放的问题。

为了更好地理解ICL的工作原理，清华大学、北京大学和微软的研究人员共同发表了一篇论文，将语言模型解释为元优化器（meta-optimizer），并将ICL理解为一种隐性的（implicit）微调。

论文链接：​https://arxiv.org/abs/2212.10559​

从理论上讲，这篇文章弄清楚了Transformer注意力中存在一个基于梯度下降优化的对偶形式（dual form），并在此基础上，对ICL的理解如下。GPT首先根据示范实例产生元梯度，然后将这些元梯度应用于原始的GPT，建立ICL模型。

在实验中，研究人员综合比较了ICL和基于真实任务的显式微调的行为，以提供支持该理解的经验证据。

结果证明，ICL在预测层面、表征层面和注意行为层面的表现与显式微调类似。

此外，受到元优化理解的启发，通过与基于动量的梯度下降算法的类比，文中还设计了一个基于动量的注意力，比普通的注意力有更好的表现，从另一个方面再次支持了该理解的正确性，也展现了利用该理解对模型做进一步设计的潜力。

ICL的原理

研究人员首先对Transformer中的线性注意力机制进行了定性分析，以找出它与基于梯度下降的优化之间的对偶形式。然后将ICL与显式微调进行比较，并在这两种优化形式之间建立联系。

Transformer注意力就是元优化

设X是整个query的输入表征，X'是示例的表征，q是查询向量，则在ICL设置下，模型中一个head的注意力结果如下:

可以看到，去除缩放因子根号d和softmax后，标准的注意力机制可以近似为：

将Wzsl设为Zero-Shot Learning(ZSL)的初始参数后，Transformer注意力可以转为下面的对偶形式：

可以看到，ICL可以被解释为一个元优化（meta-optimization）的过程：

1. 将基于Transformer的预训练语言模型作为一个元优化器；

2. 通过正向计算，根据示范样例计算元梯度；

3. 通过注意力机制，将元梯度应用于原始语言模型上，建立一个ICL模型。

ICL和微调对比

为了比较ICL的元优化和显式优化，研究人员设计了一个具体的微调设置作为比较的基线：考虑到ICL只直接作用于注意力的key和value，所以微调也只更新key和value投影的参数。

同样在非严谨形式下的线性注意力中，微调后的head注意力结果可以被表述为：

为了与ICL进行更公平的比较，实验中进一步将微调设置限制如下：

1. 将训练例子指定为ICL的示范样例；

2. 只对每个例子进行一步训练，其顺序与ICL的示范顺序相同；

3. 用ICL所用的模板对每个训练样例进行格式化，并使用因果语言建模目标进行微调。

比较后可以发现，ICL与微调有许多共同的属性，主要包括四个方面。

都是梯度下降

可以发现ICL和微调都对Wzsl进行了更新，即梯度下降，唯一的区别是，ICL通过正向计算产生元梯度，而finetuning通过反向传播获得真正的梯度。

相同的训练信息

ICL的元梯度是根据示范样例获得的，微调的梯度也是从相同的训练样本中得到的，也就是说，ICL和微调共享相同的训练信息来源。

训练样例的因果顺序相同

ICL和微调共享训练样例的因果顺序，ICL用的是decoder-only Transformers，因此示例中的后续token不会影响到前面的token；而对于微调，由于训练示例的顺序相同，并且只训练一个epoch，所以也可以保证后面的样本对前面的样本没有影响。

都作用于注意力

与zero-shot学习相比，ICL和微调的直接影响都仅限于注意力中key和value的计算。对于ICL来说，模型参数是不变的，它将示例信息编码为额外的key和value以改变注意力行为；对于微调中引入的限制，训练信息也只能作用到注意力key和value的投影矩阵中。

基于ICL和微调之间的这些共同特性，研究人员认为将ICL理解为一种隐性微调是合理的。

实验部分

任务和数据集

研究人员选择了横跨三个分类任务的六个数据集来对比ICL和微调，包括SST2、SST-5、MR和Subj四个用于情感分类的数据集；AGNews是一个话题分类数据集；CB用于自然语言推理。

实验设置

模型部分使用了两个类似于GPT的预训练语言模型，由fairseq发布，其参数量分别为1.3B和2.7B.

对于每个任务，使用相同的模板来对ZSL、ICL和微调的样本进行格式化。

结果

准确率

与ZSL相比，ICL和微调都取得了相当大的改进，这意味着它们的优化，对这些下游任务都有帮助。此外，ICL在少数情况下比微调更好。

Rec2FTP（Recall to Finetuning Predictions）

GPT模型在六个数据集上的得分结果显示，平均而言，ICL可以正确预测 87.64%的例子，而微调可以纠正ZSL。在预测层面，ICL可以覆盖大部分正确的的行为进行微调。

SimAOU(Similarity of Attention Output Updates)

从结果中可以发现，ICL更新与微调更新的相似度远高于随机更新，也意味着在表示层面上，ICL倾向于以与微调变化相同的方向改变注意力结果。

SimAM(Similarity of Attention Map)

作为SimAM的基线指标，ZSL SimAM计算了ICL注意力权重和ZSL注意力权重之间的相似度。通过比较这两个指标，可以观察到，与ZSL相比，ICL更倾向于产生与微调相似的注意力权重。

同样，在注意力行为层面，实验结果证明了ICL的行为与微调相似。