fast_adversarial_for_text_classification

本项目基于TextCNN，测试三种对抗训练模型（FGSM，PGD，FREE）在text classification上的表现。主要参考论文Fast is better than free: Revisiting adversarial training涉及的三个对抗训练方法：FGSM（Fast Gradient Sign Method）、PGD（projected gradient decent）、FREE（Free adversarial based on FGSM）。这三种方法主要差异在于delta、alpha参数的初始化和更新方式上，其差异性可以见下面三个模型对应的伪代码。

PGD、FREE、FGSM模型的计算逻辑:

1 环境

python3.7
torch 1.8.0+cu111
scikit-learn
scipy
numpy

2 数据集

本实验同样是使用THUCNews的一个子集进行训练与测试，数据集请自行到THUCTC：一个高效的中文文本分类工具包下载，请遵循数据提供方的开源协议;
文本类别涉及10个类别：categories = ['体育', '财经', '房产', '家居', '教育', '科技', '时尚', '时政', '游戏', '娱乐']；
cnews.train.txt: 训练集(5000*10)
cnews.val.txt: 验证集(500*10)
cnews.test.txt: 测试集(1000*10)
训练所用的数据，以及训练好的词向量可以下载：链接: https://pan.baidu.com/s/1DOgxlY42roBpOKAMKPPKWA，密码: up9d

3 生成对抗样本思路

本实验在文本按字级别Embedding上，利用对抗训练方法产生attack后，然后再加入embedding中，最后利用cnn来进行文本特征学习。其实现部分代码如下：

    def forward(self, inputs_ids,attack=None,is_training=True):
       embs = self.embedding(inputs_ids)
       if attack is not None:
           embs=embs+attack        #加入干扰信息
       embs=embs.unsqueeze(1)
       ....
       out = self.fc2(fc)
       return out

此外，论文涉及到三个超参数分别为epsilon、alpha、attack_iters，同时epsilon会控制delta参数的生成。本实验中，根据论文在图像领域的设定，以及自己主观经验判断和小范围的网格搜索方式设定以下具体值。相比论文中根据数据分布的均值和方差方式来设定，本项目显得更粗糙些，但为了达到只是实验对比的目的，此设定也是有效的。

epsilon = torch.tensor(0.1)
alpha= 0.04
attack_iters=5

4 运行步骤

首先在config.py中选择要运行的mode，训练与测试分别执行如下：
python run.py train
python run.py test

5 训练结果

四种模型训练20轮后，在测试集上实验结果如下：

Model	Accuracy	Precision	Recall	F1-score
TextCNN	95.14	95.16	95.14	95.11
FGSM	95.53	95.60	95.53	95.50
PGD	95.63	95.67	95.63	95.60
FREE	95.49	95.54	94.49	95.46

四种模型训练消耗的时间(minutes)对比如下：

model	total_cost	mean_cost
TextCNN	3.7	0.185
FGSM	5.83	0.2915
PGD	13.54	0.677
FREE	12.22	0.611

6 结论

通过本次实验，有以下几点结论与想法：

• 对抗训练技术方法的确有助于提高文本分类任务的效果；
  
• FGSM方法虽然提高了训练效率，但并不影响推理速度，而且NLP领域任务都不用大的轮数，所以PGD方法更合适些；
  
• 三种方法涉及delta、alpha超参数的初始化设定，面临不同的任务，会有变动，增加探寻合适参数的难度；
  
• 在文本分类中，觉得用word2vec或者bert方式初始化向量来进行干扰样本生成，应会比随机初始化embedding方式更合适，而且可以根据高频率词的分布来初始化delta、alpha更合理；
  
• 若在本论文提出的改进版FGSM基础上班，考虑如何更稳定或自动化的方式初始化delta等参数，是一个值得优化的方向。
  

Reference

1.FAST IS BETTER THAN FREE: REVISITING ADVERSARIAL TRAINING
2.https://github.com/locuslab/fast_adversarial
3.Adversarial Training Methods for Semi-Supervised Text Classification.
4.[论文笔记] Projected Gradient Descent (PGD)