论文 : Adversarial Multi-task Learning for Text Classification

最近决定每周读一篇GAN的论文。一方面，提升自己的阅读理解能力。另一方面，拓展自己的思路。作为GAN的初学者，有很多表述不当的地方欢迎大家批评指正！

标题：对抗多任务学习用于文本分类。所谓多任务学习(MTL)就是指学习某一类任务的通用知识(focus on learning the shared layers to extract the common and task-invariant features)。比如学习AlexNet，VGG的卷积部分（不含全连接层）。这样学习出来的卷积特征通常表示一些通用的特征表示（类似于SIFT，HOG）。而利用全连接层，就可以学的一些可以针对某个具体任务的特征，比如分类，分割，检测等。详细可以看这篇关于多任务学习文章。

Abstract

作者提出利用GAN进行多任务学习，可以缓解多任务学习中学习的shared knowledge存在task-specific features问题。

Introduction

作者为解决目前多任务学习中存在的问题，设计了一个shared-private learning framework. 其主要关键点就是引入了对抗训练以及正交约束，这样可以阻止 shared and private latent features from interfering with each other。说白了，作者就是要将task-specific features 以及 task-dependent features分开来，示意图如下：

Shared-Private Model示意图

举个栗子，通用的shared-private model存在下面的问题：

文本分类任务存在的问题举例

第一句话的infantile是一个中性词，但是第二句是贬义词。显然，这是一个task-specific feature, 但是，目前的模型却会把他们放到shared space，这样就会导致shared space 中的特征冗余。为了解决这个问题，作者提出的框架引入了正交约束，使得shared-privete space 天生就是分离的。

作者提出的框架具有两个关键点：

• 对抗训练：使得shared features space 仅仅包含通用的特征。
• 正交约束：从private and shared space中消除冗余约束。

作者本文的工作有以下三点：

• 提出了一种更精确的划分task-specific features 以及 shared space 的方法，而不是以前那种通过shared parameters来粗糙的划分。
• 对于多类问题，拓展了以前的二值GAN，不仅使得多任务可以联合训练，而且还可以利用未标记的数据。
• 将shared knowledge 浓缩到现成的layer中，使其可以很容易的迁移到新任务中。

LSTM用于文本分类

LSTM可以表示为下式：

LSTM计算公式

对于分类问题，给定一个词序列，首先要学得每一个词的向量表示（即词嵌入，所谓词嵌入，是学得序列的一个向量表示，ont-encoding就是一种表示，但这样通常维度很高，词嵌入通常有一个降维过程，word2vec就是一种词嵌入方法），经过LSTM之后，其最后一个时刻的输出h作为整个序列的特征表示，而后跟上一个softmax非线性层预测每一类的概率。

网络的优化目标是交叉熵损失。

Multi-task Learning for TextClassification

多任务学习的关键就是在潜在的特征空间共享方案。共享方案通常有两种：

• Fully-Shared Model (FS-MTL) ：这种模型忽略了task-dependent特性
• Shared-Private Model (SP-MTL) ：这种模型对每个任务都引入了shared space 和 private space。分别用LSTM学得，并级联。

示意图如下：

上图其实表示的就是多任务学习的两种网络框架，上述网络的优化目标如下（alpha为各个任务的权重因子，L表示交叉熵损失）：

损失函数

Incorporating Adversarial Training

作者将shared space学得的特征丢到判别器中，最大化判别器的损失，以达到对抗训练的目的。损失函数如下（d表示任务的类型）：

对于一个sentence，LSTM生成一个特征表示误导判别器，与此同时，判别器尝试尽可能减小判别误差。此外，从上面的公式可以看出，训练过程并未用到样本的label，所以可以将这个引入无监督学习以解决相关问题。

可以看出，上述模型还存在一个问题，那就是对抗训练只能保证task-dependent features 不进入shared space，但是task-invariant features还是会进入private space。因此，作者受他人工作启发，引入正交约束，对代价函数进行惩罚，使LSTM尽量从不同层面提取特征。惩罚函数如下：

惩罚函数

总结起来，最终代价函数如下（lambda和gama为超参数，即各个loss的权重比例）：

最终代价函数

网络利用反向传播进行训练，对抗网络的训练可以用gradient reverse layer。整体网络框架如下：

作者提出的网络框架

Experiment

效果不错，就不讲啦。

作者本文的两大关键点就是：对抗训练，正交约束。