paddlepaddle--paddlenlp/slm/examples/model_interpretation

NLP 可解释评估

深度学习模型在很多 NLP 任务上已经取得巨大成功，但其常被当作一个黑盒使用，内部预测机制对使用者是不透明的。这使得深度学习模型结果不被人信任，增加落地难度，尤其是在医疗、法律等特殊领域。同时，当模型出现效果不好或鲁棒性差等问题时，由于不了解其内部机制，导致很难对模型进行优化。近期，深度学习模型的可解释性被越来越多的人关注。但模型的可解释性评估还不够完善，本模块提供了3个 NLP 任务的评测数据和相关评测指标，旨在评估模型的可解释性。模块包含以下功能：

1. 完善可解释性评估体系，提供了评测数据和对应的评测指标
2. 提供了3种典型的证据抽取方法，分别是基于注意力（attention-based）、梯度（gradient-based）和线性模型（LIME）的证据抽取方法，并在 LSTM、Transformer（RoBERTa-base 和 RoBERTa-large）等常用模型网络结构上完成实验验证，分别验证模型结构复杂度、模型参数规模对模型可解释的影响
3. 提供模型较全面的评估报告，含模型本身准确率等效果、以及在3个可解释评测指标上的结果

可解释评估体系

评测数据

我们提供了情感分析、相似度计算、阅读理解等三个 NLP 任务上的中英文数据集。对于每一个数据集，人工标注了证据数据和扰动数据。

证据数据：给出模型预测依赖的证据（从人类认知角度），其由输入中的若干词构成。我们的标注标准包含3个维度：充分性（sufficiency）、简洁性（concision）、可理解性（understandability）。
扰动数据：旨在评估模型在扰动下的证据一致性。我们从抗干扰性、敏感性和泛化性等角度构建了扰动数据，其中，“敏感性”和“泛化性”维度下构建的数据可能会改变证据。

样例数据（来自中文情感分析任务）：

数据规模

任务	英文模型			中文模型
	规模	证据平均长度比例	证据平均数量	规模	证据平均长度比例	证据平均数量
情感分析	1,499	19.20%	2.1	1,646	30.10%	1.4
相似度任务	1,659	52.20%	1.0	1,629	70.50%	1.0
阅读理解	1,507	10.20%	1.0	1,762	9.60%	1.0

评估指标

合理性：评估模型预测依赖的证据与人工标注证据的拟合度，我们这里使用 macro-F1作为评估指标，其中模型预测依赖证据可以由本模块提供的证据分析方法（位于/model_interpretation/task/目录下）给出。

其中 S_i^p和 S_i^g分别代表针对第 i 条输入模型预测证据和人工标注证据，N 代表数据集中数据的数量

一致性：评估(原始输入，对应扰动输入)对中词重要度排序的一致性。证据分析方法对输入中每个词赋予一个重要度，基于该重要度对输入中所有词进行排序。我们使用搜索排序中的 MAP（mean average precision）指标来计算两个排序的一致性。这里给出了 MAP 的两种计算方式，分别见以下两个公式：
公式一（正在使用）：

公式二：

其中 X^o和 X^d分别代表原始输入和扰动输入的词重要度排序序列。|X^d|代表 X^d中词的个数，X^o_1:j表示 X^o中前 j 最重要的词。函数 G(x, Y)检查词 x 是否存在于列表 Y 中，如果存在则 G(x, Y)=1。MAP 越高表示两个序列排序一致性越高

忠诚性：评估模型给出的证据的忠诚性，即模型是否真的基于给出的证据进行预测的。这里从充分性和完备性两个角度进行评估。充分性，即模型给出的证据是否包含了预测需要的全部信息（即 y_ri = y_xi，其中 r_i表示输入 x_i的证据，y_x表示模型对输入 x 的预测结果）；完备性，即模型对输入 x 的预测结果（即 y_xi\ri ≠ y_xi，其中 x_i\r_i表示从输入 x_i中去除证据 r_i）。基于这两个维度，我们提出了一个新的指标 New-P，计算方式如下：

证据抽取方法

证据抽取方法（rationale-extraction），顾名思义，就是从输入中抽取对模型预测至关重要的词，又被称为后验解释方法（post-hoc explanation methods）。 该平台提供了3种典型的证据抽取方法，分别是：基于注意力机制（attention-based）的解释方法、基于梯度（gradient-based）的解释方法，和基于线性模型（linear-based）的解释方法：

Attention-based（Jain and Wallace, 2019）：

将注意力分数作为词重要度。注意力分数的获取取决于具体模型架构，我们提供了基于 LSTM 和 transformer 框架的提取方法，见每个具体任务下的 saliency_map 目录。

Gradient-based（Sundararajan et al., 2017）：

基于梯度给出每个词重要度。我们这里给出了 integrated gradient 计算方式，具体见 saliency_map 目录或论文Axiomatic attribution for deep networks。

Linear-based（Ribeiro et al.. 2016）：

使用线性模型局部模拟待验证模型，线性模型学习到的词的权重作为该词对预测结果的重要度，详细见论文" why should i trust you?" explaining the predictions of any classifier。

三个任务的被评估模型

为验证模型复杂度、参数规模对可解释的影响，针对每个任务，我们分别提供了基于 LSTM（简单结构）的模型、及 Transformer-based 预训练模型（复杂结构），其中，对于预训练模型，提供了 base 版本和 large 版本。
模型代码位置：/model_interpretation/task/{task}/，({task}可取值为["senti","similarity","mrc"]，其中 senti 代表情感分析，similarity 代表相似度计算，mrc 代表阅读理解)
模型运行及依赖环境请参考下方的“平台使用”。

平台使用

环境准备

代码运行需要 Linux 主机，Python 3.8（推荐，其他低版本未测试过） 和 PaddlePaddle 2.1 以上版本。

推荐的环境

• 操作系统 CentOS 7.5
• Python 3.8.12
• PaddlePaddle 2.1.0
• PaddleNLP 2.2.4

除此之外，需要使用支持 GPU 的硬件环境。

PaddlePaddle

需要安装 GPU 版的 PaddlePaddle。

# GPU 版本
pip3 install paddlepaddle-gpu

更多关于 PaddlePaddle 的安装教程、使用方法等请参考官方文档.

第三方 Python 库

除 PaddlePaddle 及其依赖之外，还依赖其它第三方 Python 库，位于代码根目录的 requirements.txt 文件中。

可使用 pip 一键安装

pip3 install -r requirements.txt

数据准备

模型训练数据

情感分析任务：

中文推荐使用 ChnSentiCorp，英文推荐使用 SST-2。本模块提供的中英文情感分析模型就是基于这两个数据集的。若修改训练数据集，请修改/model_interpretation/task/senti/pretrained_models/train.py (RoBERTa) 以及 /model_interpretation/task/senti/rnn/train.py (LSTM)。

相似度计算：

中文推荐使用 LCQMC，英文推荐使用 QQP。本模块提供的中英文相似度计算模型就是基于这两个数据集的，若修改训练数据集，请修改/model_interpretation/task/similarity/pretrained_models/train_pointwise.py(RoBERTa)以及/model_interpretation/task/similarity/simnet/train.py(LSTM)。

阅读理解中英文：

中文推荐使用DuReader_Checklist，英文推荐使用SQUDA2。请将阅读理解训练数据放置在/model_interpretation/task/mrc/data 目录下。

下载预训练模型

使用 paddlenlp 框架自动缓存模型文件。

其他数据下载

请运行 download.sh 自动下载

评测数据

评测数据样例位于/model_interpretation/data/目录下，每一行为一条 JSON 格式的数据。

情感分析数据格式：

id: 数据的编号，作为该条数据识别 key；
context：原文本数据；
sent_token：原文本数据的标准分词，注意：golden 证据是基于该分词的，预测证据也需要与该分词对应；
sample_type： 数据的类性，分为原始数据（ori）和扰动数据（disturb）；
rel_ids：与原始数据关联的扰动数据的 id 列表（只有原始数据有）；

相似度数据格式：

id：数据的编号，作为该条数据识别 key；
query（英文中为 sentence1）：句子1的原文本数据；
title（英文中为 sentence2）：句子2的原文本数据；
text_q_seg：句子1的标准分词，注意：golden 证据是基于该分词的，预测证据也需要与该分词对应；
text_t_seg：句子2的标准分词，注意：golden 证据是基于该分词的，预测证据也需要与该分词对应；
sample_type： 数据的类性，分为原始数据（ori）和扰动数据（disturb）；
rel_ids：与原始数据关联的扰动数据的 id 列表（只有原始数据有）；

阅读理解数据格式：

id：数据的编号，作为该条数据识别 key；
title：文章标题；
context：文章主体；
question：文章的问题；
sent_token：原文本数据的标准分词，注意：golden 证据是基于该分词的，预测证据也需要与该分词对应；
sample_type： 数据的类性，分为原始数据（ori）和扰动数据（disturb）；
rel_ids：与原始数据关联的扰动数据的 id 列表（只有原始数据有）；

模型运行

模型预测：

  model_interpretation/task/{task}/run_inter_all.sh (生成所有结果)
  model_interpretation/task/{task}/run_inter.sh (生成单个配置的结果，配置可以选择不同的评估模型，以及不同的证据抽取方法、语言)

(注：{task}可取值为["senti","similarity","mrc"]，其中 senti 代表情感分析，similarity 代表相似度计算，mrc 代表阅读理解)

证据抽取:

  cd model_interpretation/rationale_extraction
  ./generate.sh

可解释评估：

合理性（plausibility）：

model_interpretation/evaluation/plausibility/run_f1.sh

一致性（consistency）：

model_interpretation/evaluation/consistency/run_map.sh

忠诚性（faithfulness）：

model_interpretation/evaluation/faithfulness/run_newp.sh

评估报告

中文情感分析评估报告样例：

模型 + 证据抽取方法	情感分析
	Acc	Macro-F1	MAP	New_P
LSTM + IG	56.8	36.8	59.8	91.4
RoBERTa-base + IG	62.4	36.4	48.7	48.9
RoBERTa-large + IG	65.3	38.3	41.9	37.8