论文笔记 - MetaICL: Learning to Learn In Context

Motivation

• Facebook 的 MetaICL，牛逼就对了；
• 对 LM 针对 ICL 进行微调（而不是特定的任务）；
• 去除了自然语言的 Template，使用更直接的方式，排除了 Template 设计对 output distribution 造成的影响，让模型自己推测要进行的任务（所以感觉这种方式无法进行 Zero-Shot 了？）：
  • $$former:\;This\;movie \;is \;funny, \;so \;my \;altitude \;towards \;this \;movie \;is <positive>$$
  • $$now:\;Iput: \;This \;movie\; is \;funny. \;output:\;<positive>$$
  • 
• Noisy Channel 模式；（这里应该有个链接但是相关的文章我还没看🤣）

Analysis

• 为了验证 Meta-training 确实很行，提出了三种实验设置：
  • $HR\rightarrow LR$ 训练集很大，验证集很小；
  • $X\rightarrow X$ 训练任务和测试任务一样；
  • $Non-X\rightarrow X$ 训练任务和测试任务不一样（这个表现好说明泛化能力很强）。