prompt-based few- shot learner, SFLM，通过弱增强和强增强技术给出文本样本的两个视图，SFLM会在弱增强版上生成一个伪标签后，在强增强版进行了微调的时候模型预测相同的伪标签。
未标记的数据也包含丰富的下游任务信息，比标记的数据更容易获得，在本文中，主要研究了在少量有标记和无标记数据的情况下，语言模型的few-shot learning，半监督学习得益于部分标记的数据集。通用的半监督学习是一种自我训练，它利用标记数据提供的监督信号为未标记数据创建伪标签，这些伪标签可以作为完善模型的额外监督
1. Problem setup
我们的目标是使PLMs在few-shot setting下适应到下游任务。模型m应该利用来自每个类别的极少标记数据去正确分类未见过的样例。
令x表示少量带标签的训练集，每类包含 N 个样本，令u表示和x相同任务域的无标签数据集。令无标签数据的数量为有限的大小UN，其中U为是无标签数据和带标签数据之间的比值。
图中展示了这一过程，举例包含一个带标签数据和三个无标签数据。SFLM 通过以下损失函数优化：
第一个labeled data监督损失，prompt template，第二个以及第三个loss基于unlabeled data，（1）利用MLM计算自监督损失（2）利用弱增强生成伪标签，然后通过自训练损失来强制强增强（随机掩码）对伪标签进行预测。
1. Prompt-based supervised loss
FT model
2. Self-training loss
对于每个未标记的句子ui，我们得到了弱增强α（ui）和强增强A（ui）。首先，我们为每个batch中的无标签句子根据弱增强版本的类别预测概率打上伪标签
然后，我们为强增强版本的预测预测结构和伪标签 计算基于prompt的交叉熵损失
其中τ定义了阈值，超过该阈值，我们保留一个伪标签
与图像不同，由于文本数据的离散型，文本增强技术可能很棘手。受到近期表征学习的一些启发，作者使用dropout进行弱增强，并使用随机 token mask作为强增强手段。对于弱增强，句子的表面形式保存未变，α(ui) =ui.对于强增强，用 [MASK] 随机替换掉句子中15%的token，然后分别将两个增强的句子输入到语言模型中。
3. Self-supervised loss
引入辅助自监督损失Lss；使用掩码语言模型损失是因为它的简单性和效率
网友评论