Dropout 是一种能够有效缓解过拟合的正则化技术，被广泛应用于深度神经网络当中。但是被 dropout 所丢掉的位置都有助于缓解过拟合的吗？
中山大学 和 Meta AI 在 NeurIPS 2022 接收的论文在研究了注意力中的 dropout 后发现：不同注意力位置对过拟合的作用并不一致，如果丢弃了不恰当的位置甚至会加速过拟合。基于这一发现，我们提出了一种归因驱动的 Dropout（AD-DROP），该方法选择高归因的位置进行 Drop，从而实现更具针对性的 dropout。
论文标题：
AD-DROP: Attribution-Driven Dropout for Robust Language Model Fine-Tuning
论文链接：
https://arxiv.org/abs/2210.05883
代码链接：
https://github.com/TaoYang225/AD-DROP
介绍
本文涉及两个方面的背景知识：1）Dropout；2）归因分析（Attribution）。
Dropout[1]：原始的 dropout 以一定的概率随机地从网络中选取部分神经元丢弃，使得神经元之间不能协同适应，从而提升网络的泛化性能，达到缓解过拟合的目的。在 dropout 的基础上，衍生了许多变体，如：Concrete Dropout，DropBlock，AutoDropout，Mixout，R-Drop 等。但是许多的工作都遵循了 dropout 的固有模式，即以一定的采样概率随机地采样子结构进行丢弃。
Attribution[2]：归因是一种可解释的方法，旨在将模型的输出归结到输入特征上，为输入特征分配不同的分数，以衡量不同输入特征对模型最终预测的贡献程度。常见的归因方法包括基于扰动的 [3]、基于注意力的 [4]、基于梯度的。其中基于梯度的方法又包括：梯度本身 [5]、输入乘梯度 [6] 、积分梯度 [7] 等。
虽然随机采样的 dropout 被证明是一种能够有效缓解过拟合的手段，但是现有的工作缺乏深入地探究这些所丢弃的 units 对缓解过拟合的作用。在这项工作中，我们结合自注意力归因 [8] 来尝试研究这一问题。
前置实验
自注意力归因可以为注意力位置分配不同的归因分数（代表对预测的贡献程度，通常认为归因分数越高，对预测越重要）。那么一个自然而言的想法就是：如果按归因分数的大小来丢掉注意力位置，会发生什么？因此，我们在三个数据集（MRPC/SST-2/QNLI）上做了一个实验（附录B）：
1. 首先微调好一个 roberta-base 模型；
2. 然后，在验证集上，计算注意力每个位置的归因分数（注意：为了计算方便，直接采用梯度本身，而非积分梯度，实验中发现积分梯度也有一致的现象；此外，采用真实标签对应的逻辑输出进行归因。）
3. 设置不同的比例，把注意力矩阵中每一行中的位置，按“归因分数低到高/归因分数高到低”的位置通过添加 attention mask 来 drop 掉，结果如下：
在三个数据集上，观察到了几乎一致的现象：
1. 从低到高 drop，一开始模型会快速拟合标签（接近 100% 准确率），随后趋势保持平稳，最后由于丢弃掉过多的信息准确率大幅度的下降；
2. 从高到低 drop，模型性能首先快速下降，随后趋势变缓，最后由于丢弃掉过多的信息可能存在一个上升趋势。可以理解：基于真实标签的梯度归因“泄露”了标签信息，从而使得丢弃掉归因分数“低/高”的位置可以快速“拟合/远离”真实标签。这一实验恰恰说明，不同注意力位置的作用是不一致的。
上述实验是基于微调好的模型做的，为了进一步验证这两种 mask 策略对模型训练的影响，我们在训练过程中也应用了两种 mask 策略，并与原始微调和随机 Dropout 比较（具体实现细节见论文 2.2 节），结果如下：
▲ MRPC中训练集与验证集的loss曲线，除红色线外，丢弃率设置为0.3
红色线代表不施加注意力的 dropout（原始微调）。绿色线为施加随机 dropout，与红色线相比，轻微缓解了过拟合，验证集的最小 loss 更低；蓝色线代表 drop 掉 30% 低归因的位置，可以看到模型快速过拟合训练集，但是在验证集上没有收敛（loss 震荡）。
黄色线代表 drop 掉 30% 高归因的位置，与红色线和绿色线相比，这种策略显著降低了模型的收敛速度，同时验证集能正常收敛，但是验证集最小 loss 要略高于红色线和绿色线（存在欠拟合）。上述实验说明：
不同注意力位置对过拟合的作用并不一致，如果丢弃了不恰当的位置甚至会加速过拟合；
缓解过拟合的方向是 drop 高归因的位置，但同时需要防止产生欠拟合。
方法
3.1 AD-DROP
基于上述发现，我们设计了一种新的 dropout 模式：AD-DROP（Attribution-Driven Dropout）。AD-DROP 与原生 dropout 的区别如下：
▲ 原生 dropout 与 AD-DROP 的注意力图比较，位置颜色越深代表归因分数越大，位置交叉的圆圈代表被 drop 的位置，红色框线代表高归因的候选丢弃区域（如Top-3）
原始 dropout 在每一行中随机的丢弃位置，高归因与低归因位置的丢弃率相同；而 AD-DROP 中，首先选定一个高归因分数的候选区域，然后从中再随机的 drop（施加随机的好处在于，不至于丢弃全部的高归因信息，导致缺乏必要的预测信息无法收敛）。AD-DROP 关注于 drop 高归因的区域，以达到缓解过拟合的目的，实现过程包含如下四个步骤：
▲ AD-DROP的实现步骤
在每一个 batch 中，对于输入 x ，首先经过第一次前向计算，得到模型的预测输出，将预测概率最大的类别作为伪标签。
计算伪标签对应的逻辑输出对每一个注意力矩阵的梯度/积分梯度，得到归因矩阵 。
在归因矩阵中，每一行选取归因分数最高的 p 部分（比例值）作为候选丢弃区域；然后以概率为 q 的随机 dropout 应用于候选丢弃区域，产生 mask 矩阵。
进行第二次前向计算，此时加入得到的 mask 矩阵，计算出 loss 用于最终的参数更新。
这里采用伪标签进行归因的原因有两点：1）如果采用真实标签归因会泄露标签信息，并导致训练和推理不一致；2）AD-DROP 的目的是抑制模型对当前预测而言高归因位置的依赖，可能能够纠正预测错误的样本。
3.2 交叉微调
我们进一步设计了一种交叉微调（Cross-tuning）策略，以防止在应用 AD-DROP 时，高归因的位置被过度丢弃，从而提升训练的稳定性。交叉微调策略即交替执行原始的微调 epoch 与带有 AD-DROP 的 epoch。算法如下：
实验和分析
我们主要在 GLUE 基准上验证了 AD-DROP 的有效性，并做了许多的消融分析实验。
总体实验结果：在验证集上，AD-DROP 在 BERT 和 RoBERTa 上平均提升了 1.98 和 1.29 个点；在测试集上，AD-DROP 在 BERT 和 RoBERTa 上平均提升了 0.87 和 0.62 个点。
消融实验：对比了不同算归因的方式（梯度 GA、积分梯度 IGA、注意力 AA、随机 RA），发现梯度相关的归因要好于其他的方式；此外伪标签要好于真实标签；交叉微调要好于不加交叉微调。
交叉微调的影响：在两个关键参数 p 和 q 的搜索范围 [0.1,0.9] 内，观察验证集结果的分布情况，交叉微调可以显著提升 AD-DROP 在不同参数下的有效性。
参数的敏感性分析：在搜索范围内，将 AD-DROP 对比原始微调结果的差异归一化后进行可视化，发现 AD-DROP 在 BERT 上对引入的两个超参数不敏感，大部分情况下都能 work，而在 RoBERTa 上则需要仔细的参数搜索，猜测原因可能是 RoBERTa 进行了更有效地预训练，更不容易产生过拟合。
此外还做了重复性实验、数据量的影响、小样本场景、大模型的影响等。这里就不一 一详细介绍了，感兴趣的朋友请移步原文查看。