本文中，包括劉知遠、唐杰、孫茂松等在內(nèi)來自清華大學(xué)的研究者對大模型的參數(shù)高效微調(diào)進行了全方位的理論和實驗分析。

預(yù)訓(xùn)練語言模型 (PLM) 已經(jīng)毫無疑問地成為各種 NLP 任務(wù)的基礎(chǔ)架構(gòu)，而且在 PLM 的發(fā)展中，呈現(xiàn)出了一個似乎不可逆的趨勢：即模型的規(guī)模越來越大。更大的模型不僅會在已知任務(wù)上取得更好的效果，更展現(xiàn)出了完成更復(fù)雜的未知任務(wù)的潛力。然而，更大的模型也在應(yīng)用上面臨著更大的挑戰(zhàn)，傳統(tǒng)方法對超大規(guī)模的預(yù)訓(xùn)練模型進行全參數(shù)微調(diào)的過程會消耗大量的 GPU 計算資源與存儲資源，巨大的成本令人望而卻步。

這種成本也造成了學(xué)術(shù)界中的一種「慣性」，即研究者僅僅在中小規(guī)模模型上驗證自己的方法，而習(xí)慣性地忽略大規(guī)模模型。

在近期論文《Delta Tuning: A Comprehensive Study of Parameter Efficient Methods for Pre-trained Language Models》中，來自清華大學(xué)和北京智源人工智能研究院的研究者隨機選取了 1000 篇來自最近五個 NLP 會議的論文，發(fā)現(xiàn)使用預(yù)訓(xùn)練模型已經(jīng)成為了研究的基本范式，但涉及大模型的卻寥寥無幾（如下圖 1 所示）。

圖 1：在 1000 篇隨機挑選的論文中，使用預(yù)訓(xùn)練模型的統(tǒng)計分布。
在這樣的背景下，一種新的模型適配方案——參數(shù)高效（Parameter-efficient）方法逐漸受到關(guān)注，與標準全參數(shù)微調(diào)相比，這些方法僅微調(diào)模型參數(shù)的一小部分，而其余部分保持不變，大大降低了計算和存儲成本，同時還有著可以媲美全參數(shù)微調(diào)的性能。研究者認為，這些方法本質(zhì)上都是在一個「增量」（Delta Paremters）上進行調(diào)整，因此將它命名為 Delta Tuning。

• 論文地址：https://arxiv.org/pdf/2203.06904.pdf
• OpenDelta工具包：https://github.com/thunlp/OpenDelta

研究者定義和描述了 Delta Tuning 問題，并通過一個統(tǒng)一的框架對以往的研究進行梳理回顧。在該框架中，現(xiàn)有 Delta Tuning 方法可以被分為三組：增量式（Addition-based）、指定式（Specification-based）和重參數(shù)化（Reparameterization）的方法。
除去實踐意義之外，研究者認為它還具有非常重要的理論意義，Delta Tuning 在某種程度上昭示著大模型的背后機理，有助于人們進一步發(fā)展面向大模型甚至深度神經(jīng)網(wǎng)絡(luò)的理論。為此，他們從優(yōu)化和最優(yōu)控制兩個角度，提出理論框架去討論 Delta Tuning，以指導(dǎo)后續(xù)的結(jié)構(gòu)和算法設(shè)計。
此外，研究者對代表性方法進行了全面的實驗對比，并在超過 100 個 NLP 任務(wù)的結(jié)果展示了不同方法的綜合性能比較。實驗結(jié)果涵蓋了對 Delta Tuning 的性能表現(xiàn)、收斂表現(xiàn)、高效性表現(xiàn)、Power of Scale、泛化表現(xiàn)、遷移性表現(xiàn)的研究分析。
他們還開發(fā)了一個開源工具包 OpenDelta，使從業(yè)者能夠高效、靈活地在 PLM 上實現(xiàn) Delta Tuning。

給定一個預(yù)訓(xùn)練模型和訓(xùn)練數(shù)據(jù) D，PLM 適配的目標是生成一個模型的參數(shù)為。將定義為在原始模型之上的操作。對于傳統(tǒng)的全參數(shù)微調(diào)來說，有，其中是中所有參數(shù)相對于訓(xùn)練數(shù)據(jù)的更新值。在 Delta Tuning 中，則是指修改少量參數(shù)。經(jīng)驗上來說，全參數(shù)微調(diào), 而 Delta Tuning 則有。因此可以依據(jù)調(diào)整的參數(shù)形式和結(jié)構(gòu)，將參數(shù)高效的 Delta Tuning 劃分為三種策略，并且將之前的方法進行梳理：

這類方法引入在原始模型中不存在的額外可訓(xùn)練神經(jīng)模塊或參數(shù)。在這類方法中，依據(jù)上述的定義，我們有和。常見的增量式方法包括 Adapter-Tuning、Prefix Tuning、Prompt Tuning 等等。它們不約而同地將小規(guī)模的神經(jīng)模塊或者可調(diào)參數(shù)插入到模型中，并且通過只微調(diào)這一小部分參數(shù)來達到模型高效適配的效果。其中 Adapter-tuning 是這類方法的開創(chuàng)性工作，它證明僅僅在每一層添加一個簡單的神經(jīng)網(wǎng)絡(luò)，就可以在很多任務(wù)上媲美全參數(shù)微調(diào)。
同時，Adapter 還彰顯了它在多任務(wù)和多語言場景下的潛力。Prefix-tuning 和 Prompt Tuning 是最近非?；馃岬?Delta Tuning 算法，它們將一些可調(diào)的向量插入到輸入層或者表示層來進行微調(diào)。其中，Prompt Tuning 可以視為 Prefix Tuning 的簡化版，即只在輸入層添加 Soft Prompt。這種做法有一個非常大的好處，就是不用修改模型內(nèi)部的結(jié)構(gòu)，同時，隨著模型參數(shù)量增大到 100 億，它也被證明可以在一些數(shù)據(jù)上達打到和全參數(shù)微調(diào)相當?shù)男Ч?。但這類方法也面臨著很大的優(yōu)化問題，實驗證明，它的優(yōu)化效率往往比其他微調(diào)范式更低，收斂時間更長，并且在中小型模型上表現(xiàn)不佳。
圖3：Delta Tuning的形式化表述。

這類方法指定原始模型中的特定的某些參數(shù)變得可訓(xùn)練，其他參數(shù)則被凍結(jié)。在這類方法中可以將訓(xùn)練參數(shù)集合表示為，此時更新的參數(shù)表示為。當時，是從到的增量值，否則。
指定式的方法不會在模型中引入任何新參數(shù)，也不尋求改變模型的結(jié)構(gòu)，而是直接指定要優(yōu)化的部分參數(shù)。這個想法很簡單，但效果卻出奇的好，例如，一些方法只會微調(diào) BERT 和 RoBERTa 最后一層的四分之一，并且可以產(chǎn)生全參數(shù)微調(diào)的 90% 的性能。
一個工作 BitFit 指出，僅通過優(yōu)化模型內(nèi)部的偏項并凍結(jié)其他參數(shù)，該模型仍然可以在多個基準測試中重現(xiàn)超過 95% 的全參數(shù)微調(diào)性能。BitFit 的經(jīng)驗結(jié)果還表明，即使使用少量隨機參數(shù)集進行 Delta Tuning（這顯然會降低性能），該模型仍然可以在 GLUE 基準測試中產(chǎn)生合格的結(jié)果。另一個有價值的觀察是，不同的偏置項在模型適應(yīng)期間可能具有不同的功能。
除了手動或啟發(fā)式地對要更新的參數(shù)進行指定之外，還可以去學(xué)習(xí)這樣的指定。Diff Pruning 就是其中的一個代表性工作，它將微調(diào)后的模型參數(shù)重參數(shù)化為預(yù)訓(xùn)練參數(shù)和一個差異向量的總和，即。
這時關(guān)鍵的問題就是鼓勵差異向量盡可能稀疏，這項工作通過對可微近似來正則化向量，以實現(xiàn)稀疏的目標。實際上，由于在學(xué)習(xí)階段引入了要優(yōu)化的新參數(shù)，Diff Pruning 比全參數(shù)微調(diào)占用更多的 GPU 內(nèi)存，這可能會在大型 PLM 上的應(yīng)用中面臨挑戰(zhàn)。掩碼方法（Masking）為 PLM 學(xué)習(xí)選擇性掩碼，僅更新特定任務(wù)的臨界權(quán)重。為了學(xué)習(xí)這樣一組掩碼，引入了與模型權(quán)重相關(guān)的二進制矩陣，其中每個值由閾值函數(shù)生成。在反向傳播期間，矩陣由噪聲估計器更新。

這類方法通過轉(zhuǎn)換將現(xiàn)有的優(yōu)化過程重參數(shù)化為參數(shù)有效的形式。將要重新參數(shù)化的參數(shù)集表示為，并假設(shè)每個都用新參數(shù)來進行表示，然后更新的參數(shù)表示為，其中存在。
簡單來說，重參數(shù)化方法往往基于一類相似的假設(shè)：即預(yù)訓(xùn)練模型的適配過程本質(zhì)上是低秩或者低維的。因此可以將這個過程等效為參數(shù)高效的范式。
例如，我們可以假設(shè)模型適配具有一個「本征維度」，通過將微調(diào)過程重參數(shù)化為一個低維子空間的優(yōu)化過程，可以僅僅通過微調(diào)子空間內(nèi)的參數(shù)就達到令人滿意的性能。從這個意義上說，PLM 可以作為通用的壓縮框架，將優(yōu)化復(fù)雜度從高維壓縮到低維。一般來說，較大的 PLM 通常具有較小的內(nèi)在維度，并且預(yù)訓(xùn)練過程隱含地減少了 PLM 的內(nèi)在維度。受這些觀察的啟發(fā)，重參數(shù)化的 Delta Tuning 方法也被提出，該方法使用低維代理參數(shù)對（部分）原始模型參數(shù)進行重參數(shù)化，僅優(yōu)化代理參數(shù)，從而降低計算和內(nèi)存成本。
另一個著名的工作 LoRA 則假設(shè)模型調(diào)整期間權(quán)重的變化具有較低的「本征秩」。基于這一假設(shè)，他們提出了針對自注意模塊中原始權(quán)重矩陣的變化優(yōu)化低秩分解。在部署中，優(yōu)化的低秩分解矩陣相乘以獲得自注意力權(quán)重矩陣的增量。通過這種方式，LoRA 可以匹配 GLUE 基準上的微調(diào)性能。他們展示了該方法在各種規(guī)模和架構(gòu)的 PLM ，甚至 GPT3 上的有效性。
這類低維假設(shè)不僅適用于單任務(wù)的適配，還可以將其擴充到多任務(wù)的場景。IPT 假設(shè)對于多個任務(wù)存在著同一個低維本征子空間，而僅僅調(diào)整子空間的參數(shù)就可以同時在 100 多個 NLP 任務(wù)上達到令人滿意的效果。此方法沒有使用隨機子空間，而是試圖找到一個由多個 NLP 任務(wù)共享的公共子空間。實驗表明，在一個 250 維的低維子空間內(nèi)，僅僅通過調(diào)整 250 個參數(shù)，就可以在 100 多個 NLP 任務(wù)上復(fù)現(xiàn) Prompt Tuning 超過 80% 的性能。
重參數(shù)化方法往往基于類似的低維或低秩假設(shè)。

Delta Tuning 本質(zhì)上是否有共通之處？研究者認為，Delta Tuning 方法不僅具有很高的實用價值，更具有深遠的理論意義，它們似乎都在不約而同地證明一件事情：即大模型的適配過程似乎是一個非常低消耗的過程（相比于預(yù)訓(xùn)練），它可以通過非常少的數(shù)據(jù)和非常少的參數(shù)調(diào)整來完成。Delta Tuning 的成功啟發(fā)研究人員去進一步地探索模型適配背后的理論框架，本文提出了優(yōu)化和最優(yōu)控制兩個視角的框架去對 Delta Tuning 進行理論層面的闡釋。

Delta Tuning 試圖通過微調(diào)一小部分參數(shù)來達到在原大規(guī)模語言模型上做全參數(shù)微調(diào)的效果，并減少內(nèi)存占用。從優(yōu)化角度，研究者分析 Delta Tuning 的效果并討論了在低維假設(shè)下的一些 Delta Tuning 方法的設(shè)計。使用 Delta Tuning 后，目標函數(shù)及其所依賴的參數(shù)都可能會發(fā)生改變。
對新的目標函數(shù)，僅優(yōu)化其與 Delta Tuning 有關(guān)的參數(shù)，如果初值足夠好，在一定假設(shè)意義下模型的性能不會有大的損害。但是為了確保 Delta Tuning 的有效性，有必要去開發(fā)問題的結(jié)構(gòu)來設(shè)計這個新的目標函數(shù)。其出發(fā)點是利用問題內(nèi)在的低維特性。一般而言，在實踐中有兩種思路被證明是有用的：

• 在特定的低維的子空間內(nèi)尋找解向量；
• 在特定的低維的函數(shù)空間內(nèi)近似目標函數(shù)。
  

因為對深度學(xué)習(xí)中的大部分應(yīng)用，目標函數(shù)通常有很多局部極小值點，所以當初值接近一個局部極小值點時，僅僅個別搜索方向是重要的，或者目標函數(shù)在此鄰域能被更簡單的函數(shù)近似表示。因此這兩種優(yōu)化思路都有望取得較好效果，并且對低維的參數(shù)進行優(yōu)化通常也更為有效和穩(wěn)定。
解空間的低維表示。已有研究表明預(yù)訓(xùn)練語言模型的參數(shù)優(yōu)化遵循低維的流形 (Aghajanyan et al., 2021)， 因此可以將此流形嵌入到解向量的一個低維的表示上。如果這個低維表示是精確的，那么在原模型上的全參數(shù)微調(diào)等價于在此低維參數(shù)上的微調(diào)。如果低維表示存在誤差，那么當預(yù)訓(xùn)練模型的目標函數(shù)和新的目標函數(shù)滿足 Lipschitz 連續(xù)性，最終全參數(shù)微調(diào)和低維參數(shù)微調(diào)的效果差異也是可控的。
一些 Delta Tuning 方法得益此設(shè)計思路。比如，在 LoRA (Hu et al., 2021a) 中，權(quán)重矩陣采用低秩近似；在 BitFit (Zaken et al., 2021) 和 diff pruning (Guo et al., 2021)，只有一些選定的參數(shù)被優(yōu)化。這些方法本質(zhì)都是在更小的關(guān)于解向量的子空間里更新參數(shù)，最終能取得較好的效果。
函數(shù)空間的低維表示。另一種做法是直接設(shè)計原目標函數(shù)的一個近似函數(shù)，并期望此函數(shù)近似的誤差較小。這樣的函數(shù)近似可以是增量網(wǎng)絡(luò) (Houlsby et al., 2019) 或增廣特征空間 (Lester et al., 2021)。因為通常更關(guān)心語言模型的最終效果，因此直接考慮對目標函數(shù)本身的近似效果是合理的。
在實踐中構(gòu)建這樣的函數(shù)近似有多種不同的做法。最簡單的是固定網(wǎng)絡(luò)中部分參數(shù)，只微調(diào)其余部分，該方法期望網(wǎng)絡(luò)的一部分能大致反映整個網(wǎng)絡(luò)的性能。因為網(wǎng)絡(luò)中函數(shù)的作用由數(shù)據(jù)流來刻畫，所以可以在原網(wǎng)絡(luò)中的數(shù)據(jù)通路中注入低秩的表示，得到的新模型是一個增量網(wǎng)絡(luò)，比如 Adapter。函數(shù)的誤差由增量網(wǎng)絡(luò)的表示能力來確定。
如果開發(fā) Transformer 的自回歸結(jié)構(gòu)，一些更精細的函數(shù)近似也能被得到。比如prompt tuning (Lester et al., 2021) 將一系列 prompt token 作為前綴添加到輸入中，并且只對這些 prompt token 依賴的參數(shù)微調(diào)。這種方式可以視作是對特征空間的增廣，并且得益于 Transformer 的性質(zhì)，這樣的函數(shù)能較好地近似原函數(shù)，并且引導(dǎo)語言模型關(guān)注具體的任務(wù)。相關(guān)的方法還有 prefix tuning (Li & Liang, 2021)。實驗觀測到 prompt tuning 對更大模型和更大的數(shù)據(jù)集有更好的優(yōu)勢，這也是合理的，因為這些方法本質(zhì)是用低維的函數(shù)來近似高維的函數(shù)，當模型和數(shù)據(jù)的規(guī)模增大時，也自然有更多的自由度來選擇函數(shù)近似的子空間。
兩種低維表示通常可以得到形式上相近的 Delta Tuning 方法。(He et al., 2022) 對 Adapter、prefix tuning 和 LoRA 做了一個形式上統(tǒng)一的表述，這可以被視作從函數(shù)近似的角度來看待各種 Delta Tuning 技術(shù)。
研究者的討論表明這些 Delta Tuning 方法都依賴于低維的假設(shè)。事實上，在不同的任務(wù)上甚至也存在公共的低維子空間 (Qin et al., 2021b)。Su et al. (2021) 以及實驗部分也展示了 Delta Tuning 在不同任務(wù)間的遷移性。因為 Delta Tuning 的實際效果不可避免地與任務(wù)相關(guān)，所以為了達到全參數(shù)微調(diào)的效果，更好地挖掘利用問題本身的結(jié)構(gòu)或者設(shè)計一些混合式算法是有益的。

基于以往的從最優(yōu)控制角度解釋深度學(xué)習(xí)的理論，研究者從揭示了 Delta Tuning 可以看作尋找最優(yōu)控制器的過程。對于一個自回歸的分類模型來說，模型會在最后一步（標記為位置）生成標簽的預(yù)測，該優(yōu)化過程可以表示為，其中。這里的函數(shù)定義了 PLM 中在 Delta 的干預(yù)下改變的前向傳播。具體來說，可學(xué)習(xí)的激活來自的固定參數(shù)，以便在第層的表示可以 被正確地轉(zhuǎn)換為。
因此，兩個連續(xù)層之間的表示變換由函數(shù)和 Transformer 中的殘差連接來描述。而無論是對 Addition-based 方法的 Adapter 和 Prefix，還是指定式方法的 BitFit，亦或是重參數(shù)化方法的 LoRA，都可以推導(dǎo)出這樣一個函數(shù)來表示 Delta Tuning（詳細推導(dǎo)在論文中）。

研究者把 Delta Tuning 中的 Softmax 函數(shù)和正則化項看作是終端，并且將 Delta 參數(shù)作為控制變量的運行損失，把 Delta Tuning 問題表述為離散時間控制問題，因而 Delta Tuning 中的前向和后向傳播等效于 Pontryagin 最大原理中共態(tài)過程的計算?？偠灾隽空{(diào)整可以看作是為特定下游任務(wù)尋求 PLM 的最佳控制器的過程。

研究者的分析可以啟發(fā)新穎的 Delta Tuning 方法的設(shè)計，還證明了 Delta 參數(shù) 對 PLM 的干預(yù)等同于控制器的設(shè)計。通過應(yīng)用控制器設(shè)計的理論，他們期望提出更多具有理論保證的 Delta Tuning 方法，即設(shè)計的 delta 結(jié)構(gòu)在充分激發(fā) PLM 的情況下具有原則上的可解釋性。

作為激發(fā)并調(diào)用大型 PLM 的高效方法，Delta Tuning在各種實際應(yīng)用場景下具有巨大的潛力。在本節(jié)中，研究者進行了系統(tǒng)的實驗，以更深入地了解不同主流 delta 調(diào)優(yōu)方法的屬性。

研究者首先選取全參數(shù)Fine-tuning和四種具有代表性的Delta Tuning方法（包括Prompt Tuning（PT）、Prefix-Tuning（PF）、LoRA（LR）和Adapter（AP））對性能、收斂性和效率分析進行了徹底的比較。
為了測試更加多樣的語言建模能力，研究者選取了超過 100 個NLP典型任務(wù)，包括文本分類（如情感分類，自然語言推斷）、問題回答（如抽取式閱讀理解）、語言生成（如文本摘要、對話）等任務(wù)，并且將所有任務(wù)的輸入和輸出都建模成sequence-to-sequence的格式，從而方便使用同一個模型（T5）統(tǒng)一建模所有任務(wù)。除了PT是在T5-base和T5-large上測試，其它方法均在T5-base上進行實驗。

性能分析：實驗結(jié)果如上表所示，從中可以發(fā)現(xiàn)，(1) 總的來說，由于不同的 Delta Tuning 方法僅僅微調(diào)很少的參數(shù)，增加了優(yōu)化的難度，因此在大多數(shù)情況下它們在性能上無法與 FT 匹敵，但兩者之間的差距并非不可逾越，這證明了參數(shù)高效自適應(yīng)的大規(guī)模應(yīng)用的潛力；(2) PF、LR、AP 這三種方法雖然設(shè)計元素不盡相同，但在性能上是不相上下的。它們中的任何一個方法都有可能在某些任務(wù)上表現(xiàn)出優(yōu)于其它方法的性能（甚至超越 FT ）。根據(jù)平均結(jié)果，所有方法的性能排名為 FT > LR > AP > PF > PT。同時，研究者也發(fā)現(xiàn)，Delta Tuning 方法的性能與其可調(diào)參數(shù)的數(shù)量并不一致，即更多可調(diào)參數(shù)不一定會帶來更好的性能，相比之下，Delta Tuning 的具體結(jié)構(gòu)設(shè)計可能會發(fā)揮作用更大的作用。(3) PT 作為這些方法中最容易實現(xiàn)的方法（即不修改模型的內(nèi)部結(jié)構(gòu)），在大多數(shù)情況下，它的性能是遠遠落后于其他 Delta Tuning 方法的。

收斂性分析：研究者節(jié)選了部分數(shù)據(jù)集上的不同微調(diào)方法在不同訓(xùn)練步數(shù)下性能的變化，其中由于 PT 相比其它方法而言收斂速度過慢，沒有列入上圖?？梢园l(fā)現(xiàn)，總的來說，這些微調(diào)方法的收斂速度排序為：FT > AP ≈ LR > PF。盡管 PF 在所有 Delta Tuning 方法中可調(diào)參數(shù)數(shù)量最多，但仍然面臨一些收斂困難，因此收斂速度與可微調(diào)的參數(shù)量也沒有直接的聯(lián)系。
在實驗中還發(fā)現(xiàn)，對于每種 Delta Tuning 方法，性能和收斂性都對可調(diào)參數(shù)的數(shù)量不敏感，相比之下，對具體的結(jié)構(gòu)更敏感?？偠灾芯空叩膶嶒炘谑諗啃院驼w性能方面得出了非常相似的結(jié)論，并且這些結(jié)論得到了大量數(shù)據(jù)集上結(jié)果的充分支持。

效率分析：Delta Tuning 可以減少參數(shù)的梯度計算，從而節(jié)省 GPU 顯存，體現(xiàn)了計算資源上的高效。為了具體驗證 Delta Tuning 對 GPU 顯存的效率提升，研究者進行了實驗以比較不同 Delta Tuning 方法在不同規(guī)模的 PLM 上微調(diào)所消耗的 GPU 顯存。
具體而言，他們選擇了三個尺度的 T5 模型，即 T5-base、T5-large、T5-xl，并測試了在不同 batch size 下達到的峰值 GPU 內(nèi)存。研究者使用 NVIDIA A100（最大 GPU 內(nèi)存 = 39.58GB）進行實驗。從上圖可以看出，在 batch size 較小（如1、8）時，Delta Tuning 最多可以節(jié)省 3/4 的 GPU 顯存，而在 batch size 較大時，Delta Tuning 至少可以節(jié)省 1/3 的 GPU 顯存。上述結(jié)果體現(xiàn)了 Delta Tuning 計算資源上的高效。

考慮到不同的 Delta Tuning 方法是相互兼容的，這意味著它們可以同時應(yīng)用在同一個 PLM 上。因此，研究者研究了 Delta Tuning 的組合是否會帶來性能上的提升。具體來說，他們探索了兩種組合方式：同時組合和順序組合，并且選擇了三種具有代表性的 Delta Tuning 方法，包括 Prompt Tuning、BitFit 和 Adapter。
同時組合：研究者首先探索同時應(yīng)用三種 Delta Tuning 方法的效果，并使用 RoBERTa-large 在 8 個 GLUE 子任務(wù)進行實驗。他們在全量數(shù)據(jù)和低資源場景下均進行實驗，并且探索了人工輸入模版對于性能的影響，人工模板旨在彌合預(yù)訓(xùn)練和下游任務(wù)適應(yīng)之間的差距。

從上表可以看出，(1) 無論在全量數(shù)據(jù)還是低資源場景下，無論是否存在手動模板，在 Delta Tuning 的組合中引入 Adapter 幾乎總是有助于平均 GLUE 性能；(2) 在組合中引入 Prompt Tuning 通常會損害平均性能，表明 Prompt Tuning 可能與其他兩種 Delta Tuning 方法不兼容；(3) 在組合中引入 BitFit 一般會提高平均性能；(4) 手動模板可以通過縮小下游任務(wù)適應(yīng)和預(yù)訓(xùn)練之間的差距顯著提高 zero-shot 性能（從 23.7 到 43.4）。
在 few-shot 設(shè)置下，人工模板也可以明顯提高平均性能。然而，當訓(xùn)練監(jiān)督信號相對比較豐富時（全量數(shù)據(jù)場景下），引入人工模板僅表現(xiàn)出微弱的性能提升，甚至有可能損害性能。 
順序組合：除了同時組合之外，研究者還進一步研究了上述三種 Delta Tuning 方法按照一定順序引入時的兼容性。具體來說，他們將整個微調(diào)分為 了3 個階段。在每個階段，研究者訓(xùn)練一個單獨的 Delta Tuning 方法；在接下來的階段中，他們固定前面階段訓(xùn)練得到的 Delta Tuning 參數(shù)不動 ，只優(yōu)化新引入的 Delta Tuning 參數(shù)。
研究者在 SST-2 情感分類數(shù)據(jù)集上，在使用 / 不使用人工模板的情況下對 RoBERTa-large 進行實驗。結(jié)果在下圖所示（節(jié)選），從中可以得出，在某些情況下，可以通過不斷引入新的 Delta Tuning 方法，整體性能能夠得到不斷提高，從而驗證了順序組合的優(yōu)勢；同時也發(fā)現(xiàn)，在不同的設(shè)置下，不存在固定最優(yōu)的組合順序。最優(yōu)的組合方式可能會因為不同的下游任務(wù)、使用的模型架構(gòu)等等因素而變化。

泛化差距分析：各種微調(diào)方法對訓(xùn)練數(shù)據(jù)的記憶能力（Memorization）和泛化能力（Generalization）不盡相同。為此，研究者報告了 RoBERTa-large 在全量數(shù)據(jù)設(shè)置下的泛化差距（訓(xùn)練集效果 - 開發(fā)集效果），結(jié)果如下表所示，從中可以看出，（1）單個 Delta Tuning 方法的泛化差距總是小于 Fine-tuning，這意味著過度參數(shù)化可能有助于更好地記憶（過度擬合）訓(xùn)練樣本。在所有 Delta Tuning 方法中，Prompt Tuning 往往具有最小的泛化差距。考慮到每種 Delta Tuning 方法均可以很好地泛化并在開發(fā)集上表現(xiàn)出非平凡的性能，因此過度擬合訓(xùn)練集可能不是良好泛化的必要條件；(2) 一般來說，組合幾個 Delta Tuning 方法會增大泛化差距，甚至達到與 全 Fine-tuning 相當?shù)某潭?。這表明，記住訓(xùn)練集（Memorization）可能不需要微調(diào)過多；換句話說，在 PLM 進行下游任務(wù)適應(yīng)時，即使模型可微調(diào)的容量很小，也足夠很好地記憶訓(xùn)練集；(3) 使用人工模板一般不會影響泛化差距。

3. 模型規(guī)模增長的性能變化
研究者研究了模型的規(guī)模增大對于 Delta Tuning 性能的影響。最近，有研究發(fā)現(xiàn) ，隨著使用的 PLM 的模型規(guī)模增長，Prompt Tuning 的性能會越來越強，甚至可以達到和全參數(shù) Fine-tuning 微調(diào)相匹敵的水平。
在這一小節(jié)中，研究者將探討是否所有 Delta Tuning 方法均能夠表現(xiàn)出這種模型規(guī)模的帶來的優(yōu)勢（Power of Scale）。具體來說，他們對 MNLI、QNLI 和 SST-2 三個典型的 NLP 任務(wù)進行了實驗，并選擇了三個規(guī)模不斷增加的 PLM（T5-small、T5-base、T5-xxl），評估了六種具有代表性的 delta 調(diào)整方法的性能（Adapter、LoRA、Prefix-Tuning、Prompt Tuning、Last Layer Tuning 和 Selective Module Tuning），結(jié)果如下圖所示。


從圖  (a-i) 中，可以觀察到，隨著 PLM 網(wǎng)絡(luò)規(guī)模的增長，所有 Delta Tuning 方法的性能和收斂性都得到了顯著提高；(2) 圖 (j-l) 表明，與其他 delta 調(diào)整方法相比，Prompt Tuning 往往對小規(guī)模 PLM（T5-small 和 T5-base）性能比較差。但是，其他 Delta Tuning 方法沒有這個問題；(3) 基于現(xiàn)有結(jié)果，在圖 11 (m-o) 和 (p-r) 中，研究者進一步設(shè)計了兩種 Delta Tuning 方法：Last Layer Tuning 和 Selective Module Tuning。對于 Last Layer Tuning ，只微調(diào) T5 encoder 的最后一層；對于 Selective Module Tuning，隨機選擇 T5 模型中的部分模塊進行微調(diào)。這兩種方法都表現(xiàn)出優(yōu)異的效果，尤其是當 PLM 的規(guī)模非常大時，Selective Module Tuning 整略好于 Last Layer Tuning。這些結(jié)果表明，將可微調(diào)的參數(shù)限制在某個特定層內(nèi)可能不是一個好的策略。
另一方面，當 PLM 的規(guī)模變得非常大時，跨不同層隨機選擇模塊來微調(diào)可以實現(xiàn)出色的性能。總的來說，上述結(jié)果表明，隨著 PLM 模型規(guī)模的增長，各種微調(diào)方法的性能 / 收斂速度得到顯著提升可能是 Delta Tuning 的常見現(xiàn)象。
研究者猜測這種現(xiàn)象的存在是因為，較大的 PLM 通常具有較小的本征維度（Intrinsic Dimension），因此，僅調(diào)整很少的參數(shù)即可獲得足夠強的表示能力，從而在下游任務(wù)中實現(xiàn)非平凡的性能；此外，過參數(shù)化的模型可能在下游優(yōu)化過程中更不容易陷入局部最優(yōu)，從而加速收斂。
4. 任務(wù)間遷移能力
研究者研究了不同下游任務(wù)之間 Delta Tuning 方法的可遷移性，具體而言，我們采用了 4 種 Delta Tuning 方法（Prompt Tuning、Prefix-Tuning、Adapter 和 LoRA）和 5 種不同類型的 12 個 NLP 任務(wù)（包括情感分析、自然語言推理、轉(zhuǎn)述識別、問答、總結(jié)），并將在源任務(wù)上訓(xùn)練好的 Delta 參數(shù)遷移到目標任務(wù)上，測試 zero-shot 遷移效果。
結(jié)果如下圖所示，從中可以觀察到：（1）對于屬于同一類別的任務(wù)，它們之間的遷移通常表現(xiàn)良好；（2）對于不同類型的任務(wù)，在它們之間遷移性能較差；(3) 另外還發(fā)現(xiàn)從文本生成任務(wù)（如問答和摘要）訓(xùn)練得到的 Delta 參數(shù)可以遷移到情感分析任務(wù)上并取得優(yōu)異的表現(xiàn)，這表明文本生成任務(wù)可能是一項更復(fù)雜的任務(wù)，解決該任務(wù)所需要的語言能力可能包括了情感分析能力。

快速訓(xùn)練與存儲空間節(jié)省。Transformer 模型雖然本質(zhì)上是可并行化的，但由于其龐大的規(guī)模，訓(xùn)練起來非常緩慢。盡管 Delta Tuning 的收斂速度可能比傳統(tǒng)的全參數(shù)微調(diào)慢，但隨著反向傳播期間可微調(diào)參數(shù)的計算量顯著減少，Delta Tuning 的訓(xùn)練速度也得到了顯著提升。前人工作已經(jīng)驗證了，使用 Adapter 進行下游調(diào)優(yōu)可以將訓(xùn)練時間減少到 40%，同時保持與全參數(shù)微調(diào)相當?shù)男阅?。由于輕量的特性，訓(xùn)練得到的 Delta 參數(shù)還可以節(jié)省存儲空間，從而方便在從業(yè)者之間共享，促進知識遷移。
多任務(wù)學(xué)習(xí)。構(gòu)建通用的人工智能系統(tǒng)一直是研究人員的目標。最近，超大型 PLM （例如 GPT-3） 已經(jīng)展示了同時擬合不同數(shù)據(jù)分布和促進各種任務(wù)的下游性能的驚人能力。因此，在大規(guī)模預(yù)訓(xùn)練時代，多任務(wù)學(xué)習(xí)受到越來越多的關(guān)注。作為全參數(shù)微調(diào)方法的有效替代，Delta Tuning 具有出色的多任務(wù)學(xué)習(xí)能力，同時保持相對較低的額外存儲。成功的應(yīng)用包括多語言學(xué)習(xí)、閱讀理解等。此外，Delta Tuning 也有望作為持續(xù)學(xué)習(xí)中災(zāi)難性遺忘的潛在解決方案。在預(yù)訓(xùn)練期間獲得的語言能力存儲在模型的參數(shù)中。因此，當 PLM 在一系列任務(wù)中按順序進行訓(xùn)練時，在沒有正則化的情況下更新 PLM 中的所有參數(shù)可能會導(dǎo)致嚴重的災(zāi)難性的遺忘。由于 Delta Tuning 僅調(diào)整最小參數(shù)，因此它可能是減輕災(zāi)難性遺忘問題的潛在解決方案。
中心化模型服務(wù)和并行計算。超大型 PLM 通常作為服務(wù)發(fā)布，即用戶通過與模型提供者公布的 API 交互來使用大模型，而不是本地存儲大模型?？紤]到用戶和服務(wù)提供商之間難以承受的通信成本，由于其輕量級的特性，Delta Tuning 顯然是比傳統(tǒng)全參數(shù)微調(diào)更具競爭力的選擇。一方面，服務(wù)提供商可以支持訓(xùn)練多個用戶所需的下游任務(wù)，同時消耗更少的計算和存儲空間。此外，考慮到一些 Delta Tuning 算法本質(zhì)上是可并行的（例如 Prompt Tuning 和 Prefix-Tuning 等），因此 Delta Tuning 可以允許在同一個 batch 中并行訓(xùn)練 / 測試來自多個用戶的樣本（In-batch Parallel Computing）。最近的工作還表明，大多數(shù) Delta Tuning 方法，如果本質(zhì)上不能并行化，也可以通過一些方法修改以支持并行計算。另一方面，當中心的達模型的梯度對用戶不可用時，Delta Tuning 仍然能夠通過無梯度的黑盒算法，僅調(diào)用模型推理 API 來優(yōu)化大型 PLM。
參考鏈接：

[1] Delta Tuning: A Comprehensive Study of Parameter Efficient Methods for Pre-trained Language Models, 2022.[2] Parameter-Efficient Transfer Learning for NLP, 2019.[3] Prefix-Tuning: Optimizing Continuous Prompts for Generation, 2021.[4] The Power of Scale for Parameter-Efficient Prompt Tuning, 2021.[5] Towards a Unified View of Parameter-Efficient Transfer Learning, 2021.[6] LoRA: Low-Rank Adaptation of Large Language Models, 2021.[7] COMPACTER: Efficient Low-Rank Hypercomplex Adapter Layers, 2021.[8] Masking as an Efficient Alternative to Finetuning for Pretrained Language Models, 2021.[9] Exploring Low-dimensional Intrinsic Task Subspace via Prompt Tuning, 2021.[10] Parameter-Efficient Transfer Learning with Diff Pruning, 2020.