近几年NLP比较promising的方法

Contrastive Learning

对比学习的想法是，把不同类别的样本在特征空间推开，而让相似的样本距离更近，从而获得更好的样本表示

NLP中一个非常经典的是danqi女神的SimCSE：

思想是构造正负样本对进行优化，在CV那边负样本非常容易构造，而NLP因为token的离散性并没有那么容易构造，而SimCSE发现仅仅使用dropout构造出的负样本就能达到很好的效果

对比学习是非常强大的无监督学习方法，一般来说负样本越多越好，MoCo引入了动量库的概念，SimCLR使用了多组样本对比，CLIP把对比学习引入到多模态，并在预测的时候使用prmopt来抽取特征，首次使用无监督方法预训练多模态模型，效果炸裂，开启了多模态预训练模型的时代

Prompt Learning

Prompt在这里的中文翻译是 提示

Prompt的思想是用上下文来提示模型预测输出，例如：

This is a [Mask] man，让模型来填空，

不同的prompt对模型性能的影响不小，比如现在的ChatGPT已经引流了Prompt Engineering的火热（？）

顺便提一下，也有一些工作用生成的Prompt来提高模型性能（魔改），对Prompt向量进行调整实际上就是fine-tune，暂时还没有真的有用的

Instruction Tuning

Instruction跟prompt有点相似，他们的区别就是，prompt是让模型做填空，而instruction tuning是让模型做选择题，一般来说选择题是要比填空更简单的（判别 vs. 生成）

例如：
What is the sentiment of this sentence？[Mask] A. happy，B. sad C. nervous

ChatGPT就使用了instruction tuning的方法

Chain-of-Thought

思维链的思想是把复杂的任务拆分成不同的小问，诱导模型一步一步推导出正确的回答，也就是一种in-context learning？

魔法句子：“Let’s do it step by step”，“so the anwser is”，使用这两句话就能让大模型的推导能力变强

所以说LLM就像女人一样，都是需要哄哄的嘛

In-Context Learning

最近突然流行一个词 - Emergent ability，中文意思是涌现能力，说的是模型大到一定程度后，会涌现出小模型不具备的能力，比如In-Context Learning，通过上下文学习的能力

比如few-shot？

Raki的猜测：LLM具有强大的上下文理解能力，通过人给出的prompt推断出更加准确的问题意义与表示，就像你告诉小孩，这是黑猫那是白猫，然后他就能分别出黑狗和白狗一样

RLHF （Reinforcement Learning from Human Feedback）

名震天下的ChatGPT的核心技术就是RLHF，据Open AI说GPT-4很大程度就是靠他取得大幅效果提升的，核心是通过人类的反馈对LLM生成的回答进行打分排序，让模型拥有生成更符合人们偏好的回答的倾向

分别献上GPT-3.5

和 GPT-4自己对这个问题的回答

Adversarial Training

最后提一嘴对抗训练Adversarial Training，是一种能使模型更加robust的训练trick，在NLP任务中，对抗训练的角色不再是为了防御基于梯度的恶意攻击，反而更多的是作为一种regularization，提高模型的泛化能力，属于现在竞赛刷榜基本操作

Fast Gradient Sign Method（FGSM）

经典且朴素的方法，对着梯度加扰动

Fast Gradient Method（FGM）

对梯度加上Scale，果然万物都不能太绝对

Projected Gradient Descent（PGD）

多走几步，会更好

一般来说竞赛中FGM看起来是最常用的，比较robust，其他复杂的对抗训练trick就不过多介绍了，我是大道至简的忠实信徒，就像GPT3，GPT4也只是使用了很simple的自回归模型一样。

Summarization

看起来promising的方向已经好像也做干了

我们的东西被顶级机构做完了？winner takes all！

现在NLP community的首要任务是寻找新的方向保住community？

转行了转行了（orz Open AI）