【论文笔记】Why Attentions May Not Be Interpretable?

Why Attentions May Not Be Interpretable?

arxiv地址

工作背景

关于attention 机制的可解释性有很强的争议，所以本文作者试图找到影响attention可解释性的根本原因。作者提出根本影响因素之一是 : combinatorial shortcuts(attention除了要高亮重要的part, e.g. tokens, pixels，还会携带一些额外的信息，这些信息可以被下游模型用来做预测)

工作思路：
问题1：
在现有的模型中，Attention的作用真的只是找到重要的tokens(pixels)吗？
解决思路：
首先思考模型过程：attention layer需要对input, $X$找到一个权重分布$M$，让后面的modules根据$X,M$来预测$Y$，那么下游模型的预测任务可以表示为$\mathbb{E}(Y|X,M)$。如果attention的作用只是highlight important part，那么需要下游任务$\mathbb{E}(Y|X,M)$能够根据$X,M$正确的计算出$Y$，也就是说这是一个无偏估计（根据X,M估计的Y就是真实的X,M对应的Y）。因为只有下游任务的模型是无偏估计，我们模型的训练目标才是：让attention尽可能地找到正确的M，即从X中找到重要的parts，从而最小化损失：$\underset{m}{\min }\mathcal{L}(y,\mathbb{E}(y|x,m))$。
问题2：
那么下游任务是无偏估计吗？如何分析？
解决思路：
从输入数据着手：如果我们能够获得充足的数据（所有的$X,M$的combination）那么得到的$\mathbb{E}(Y|X,M)$是无偏的。但是实际上这是不可能的。退一步讲，从casual effect estimation的角度分析。如果把$M$的不同采样当作是不同的treatment, $X$和$M$的随机combination也可以被证明是提供无偏的期望估计。不管怎么说，需要两类输入$X,M$他们之间是独立的。但是attention机制使得$M$是依赖于$X$的，$M$是根据$X$来计算得到的($M=Attn(Q,K,V)$)。因此下游任务的输入是$X,M$的highly selective combination. M是highly related to X(and Y as well)的。
所以，我们学习到的$\mathbb{E}(Y|X,M)$是有偏的。

从整体的训练任务角度来看，因为下游任务是有偏的，attention会找一些有偏的特征来适应有偏的下游任务，因此fail to highlight the essential features。结果就是attention和下游任务共同作用，然后找到了一条意料之外的方法来拟合数据，比如，正样本高亮第一个词，负样本高亮最后一个词。。。作者称这种现象为combinatorial shortcuts。

问题3：
找到了造成attention不可解释的原因，combinatorial shortcuts，如何消除这个影响，使得结果可解释呢？
作者从两个角度提出了两种方法：

1. 找到所有的X,M的combination，先训练下游模型，得到无偏的$\mathbb{E}(Y|X,M)$。然后固定无偏的下游模型，训练attention layer，这样在无偏下游模型的激励下，attention会尽可能找到重要的feature来预测正确的y，最小化损失。
   优点：理论完善，理论上可以完全消除combinatorial shortcuts。
   缺点：in fact 很难找到全部的combination。

2. 因为实际上所有的combination很难找到，而且大部分的combination对于训练的作用很小，因此另一个角度是如何对现有的数据做一些处理使得它能够recover 我们需要的数据分布.现有的能采样到的三类数据空间是$X,Y,M$,对于现有的数据来说，他们服从的分布肯定是一个$M$依赖于$X,Y$的分布，设为$P$。我们期望的是$M$独立于$X,Y$的分布$Q$，因此引入一个额外的二分变量$S$，$S=1$的时候对应的样本是我们能看见的，其余的是我们没有采样到的，这样输入数据就有四类了，$X,Y,M,S$。
   $P(\cdot )=Q(\cdot |S=1)$
   然后我们可以把期望的约束放在我们引入的分布$Q$上：比如$M独$立于$X,Y$，即：
   $Q(M|X,Y)=Q(M)$
   当两边都是向量的时候(M, X×Y)很难算，因此作者只让$M$独立于$Y$:
   $Q(M|Y)=Q(M)$
   同时又因为$S$肯定是依赖于某些变量的（否则引入这个变量没意义，$P$还是等于$Q$）， 作者假设$S$依赖于$Y,M$：
   $Q(S=1|X,Y,M)=Q(S=1|Y,M)$
   同时为了简化问题，还引入了一个假设：P,Q的边缘分布是一样的：
   $P(M)=Q(M),P(Y)=Q(Y)$
   这个假设意味着：
   $Q(M)=P(M)=Q(M|S=1)$
   意味着对Q来说，M,S独立，M,Y独立。（感觉这些假设应该是为了推导凑的…）
   这样就就可以得到instance weight: $w=P(y)/P(y|m)$
   得到：
   $${\mathbb{E}}_{x,y\sim P}[w\mathcal{L}(f(x,m),y)]={\mathbb{E}}_{x,y,m\sim Q}[\mathcal{L}f(x,m),y]$$
   也就是说我们对现有的样本加一个weight $w$，这样等价于我们用服从$Q$的样本$(x,y,m)$来训练模型，因为分布$Q$中，$M$独立于$Y$，因此我们获得的模型是相对无偏的。一定程度缓解了combinatorial shortcuts.
   当然这个方法也有一些缺点，比如不是所有的样本都符合作者给定的这些假设，同时$M,X$之间的依赖关系也没有彻底去除。