三位韩国人在EMNLP 2021 Findings上发表了一篇论文，名为Devil’s Advocate: Novel Boosting Ensemble Method from Psychological Findings for Text Classification，其中Devil's Advocate有一部同名电影，翻译过来叫「魔鬼代言人」，他们主要挑战的是传统模型融合的方法，例如硬投票(Hard-Voting)、软投票(Soft Voting)、Bagging等。源码在HwiyeolJo/DevilsAdvocate

在群体决策过程中，大部分人会根据既定思维进行思考，而Devil's Advocate是指那些提出的意见与大多数人不一致的那个人，Devil's Advocate的存在可以激发群体的头脑风暴，打破固化思维。以上内容参考维基百科恶魔的代言人

Ensembles

在具体讲解作者的方法前，先简单过一下常见的模型融合方法

Soft Voting

软投票是对不同模型的预测分数进行加权平均，例如有一个三分类问题，第一个模型对某个样本的预测概率为[0.2,0.1,0.7]；第二个模型对该样本的预测概率为[0.2,0.6,0.2]；第三个模型对该样本的预测概率为[0.1,0.7,0.2]，假设三个模型的投票权重均为\frac{1}{3}，则该样本最终的预测概率为

所以最终这个样本被预测为第2类。不过事实上很多时候模型有好有坏，所以我们的权重不一定是平均的，对于模型比较厉害的模型，我们会给他比较大的话语权（投票权重）

Hard Voting

硬投票可以看作是软投票的一个变种，还是以上面三个模型预测的概率分布为例。第一个模型预测样本为第2类，第二、三个模型都认为样本是第2类，根据少数服从多数原则，该样本就被认为是第2类

Bagging

Bagging方法的核心思想是「民主」。首先从训练集中有放回地随机采样一些样本，采样n次，训练出n个弱模型，利用这n个模型采用投票的方式得到分类结果，如果是回归问题则是计算模型输出的均值作为最后的结果

Boosting

Boosting的核心思想是「挑选精英」。Boosting与Bagging最本质的区别在于它对弱模型不是一致对待的，而是经过不停的考验和筛选来挑出「精英」，然后给精英更多的投票权，表现不好的模型则给较少的投票权

Proposed Method: Devil's Advoc

Training Norm and DevAdv models

无论你是用什么方法做模型融合，至少都需要2个以上的模型。作者提出的方法至少需要3个模型，这些模型会被分成两个阵营：Normal models (\text{Norm}_n, n\ge 2)、Devil's Advocate model (DevAdv)

首先我们使用传统的Cross Entropy Loss训练\text{Norm}_n模型

其中，\mathbf{Y}_{\text{Norm}_n}是\text{Norm}_n模型的预测值，\mathbf{Y}_{\text{true}}是真实标签。与训练\text{Norm}_n模型相反的是，我们需要随机生成与真实标签不相交的错误标签来训练DevAdv模型（不相交指的是没有任何一个样本的错误标签和真实标签相同），生成的错误标签为\mathbf{Y}_{\text{false}}，DevAdv模型的损失函数定义如下：

由于DevAdv模型是用错误标签训练出来的，所以该模型充当了「魔鬼代言人」的角色，不同意其他模型的预测分布。特别地，我们可以通过检查\arg \min (\mathbf{Y}_{\text{DevAdv}})是否为真实标签来评估DevAdv模型的性能

注意上面的函数是\arg \min，不是\arg \max，因为求\arg \max很明显预测结果大部分是\mathbf{Y}_{\text{false}}，但如果真实类别被预测的概率为最小，即通过\arg \min取到，我们就认为DevAdv非常会捣乱

Group Discussion: Fine-tuning

我看到这个标题的时候感觉很奇怪，这又不是预训练模型，怎么会有Fine-tuning阶段？仔细看了他们的代码之后才明白，他这个名字起的不好，不应该叫Fine-tuning，应该叫为Discussing或者Ensembles，即模型融合阶段。具体来说，之前我们已经把所有的模型都训练一遍了，接下来我们需要把DevAdv引入进来再训练一遍\text{Norm}_n模型。特别地，当前阶段只会更新\text{Norm}_n模型的参数，DevAdv模型的参数不会进行更新

给我一种感觉就像是："DevAdv，你已经学会如何抬杠了，快去干扰\text{Norm}_n他们的讨论吧"

对于\text{Norm}_n模型来说，此时的损失函数比较特殊

只有DevAdv模型的输出进行了归一化，\text{Norm}_n模型不进行归一化，目的是为了使得\text{Norm}_n预测的分布值远大于归一化的DevAdv的值。在CE Loss中，DevAdv模型阻止\text{Norm}_n模型对真实标签进行正确拟合。但在「Discuss」过程中，即使有DevAdv模型的干扰，\text{Norm}_n模型最终也能正确预测真实标签，主要有以下几个原因：

1. DevAdv模型在该阶段是不更新参数的，因此它相当于变成了一个固定的噪声生成器。\text{Norm}_n模型的参数是会随着损失进行调整的，所以肯定效果会慢慢变好，这是可以预见的
2. 非常特别的一点在于\text{MSE}损失。\text{Norm}_n模型在「Discuss」的过程中会互相影响、学习其他Norm models的信息

最后，对测试集进行测试时，采用软投票的机制组合\text{Norm}_n模型的结果。然后......然后就结束了吗？我们辛辛苦苦训练的DevAdv仅仅只是在「Discuss」阶段提供点噪声吗？来点作用啊DevAdv。仔细想一想，最开始在训练DevAdv模型的时候，我们评估它的指标是

我们将\mathbf{Y}_{\text{DevAdv}}内的值全部取负数，并将\arg \min改为\arg \max，它的结果仍然没变

但此时我们就可以让DevAdv一同参与到\text{Norm}_n模型的测试过程中了，其实就相当于三个模型共同进行软投票，此时预测结果为

Results

这本质是一个模型融合的方法，理论上来说所有模型都是适用的。首先我们看一下消融研究

其中比较重要的去掉了DiscussLoss的部分，何谓DiscussLoss，其实就是\text{Norm}_n模型相互讨论的阶段，即\text{MSE}损失。去掉这部分后，除了Yelp数据集有些反常居然上升了，其他的都有不同程度的下降。同时作者证明他们的方法可以使用超过3个模型的情况，例如最后一行，他们使用了4个模型，其中有3个正常模型，一个DevAdv，效果虽然不如使用3个模型的情况（第一行），但是比常规的软投票还是要好一些，特别地，此时他们使用KL散度来替代MSE损失

接着作者分别采用TextCNN和基于Transformers的模型（论文里就没写到底用的是BERT还是RoBERTa等，如果直接用transformer不太可能，seq2seq的模型如何做分类？）做了一组实验

基本上作者所提出的方法都要比软投票好一些，不过我特别好奇的是硬投票，以及其他的一些模型融合方法为什么不对比下呢？

个人总结

首先我要吐槽的是作者的美感，原论文中的数学公式写的非常丑，基本上感觉是直接用\text{}框住然后乱写一通，这里截个图给大家感受下

其次是上图中我红框框出来的部分（下面没有用红框框住的公式也一样），我觉得它这个公式写错了，漏了个\text{Softmax}，可以对比我这篇文章里的公式和他论文中的公式。最后是我觉得比较有意思的地方，因为单看「Discuss」的过程，DevAdv在里面充当的只是捣乱的角色，那为什么我不可以直接采样一个服从\mathcal{N}(0, \sigma^2)的向量分布呢，用这个分布直接替换掉\mathbf{Y}_{\text{DevAdv}}，直到我看到了公式(6)，我才明白DevAdv不仅仅是充当一个噪声生成器，实际上在最后Inference阶段，它也可以一起参与进来，而这一点是单纯采样一个向量分布所无法做到的。作者在他的文章中并没有做鲁棒性测试，实际上我觉得引入Devil's model误导模型训练的过程是可以增加模型的鲁棒性的