论文解读：A Self-Training Method for Machine Reading Comprehension with Soft Evidence Extraction
摘要：
深度神经网络网络在机器阅读理解（MRC）任务上得以成功应用，诸多经典的方法都是基于两个部分，一个是evidence extractor（证据抽取器），另一个是answer prediction（答案预测器）。其中前者目的是从上下文中寻找更相关的信息，后者则是根据抽取的信息生成答案。但是在一些是否问答或多项选择类型问答时，由于evidence extractor模块没有监督类信息使得训练并不简单。为了解决这个问题。我们提出一种Self-Training（自训练方法），通过迭代的过程自动生成evidence label实现对evidence extractor的模块的监督。在每一次迭代过程中，一个传统的MRC模型根据ground truth和noisy label进行训练，并将训练好的模型去预测一个结果作为下一个迭代过程的监督标签。
动机
（1）机器阅读理解可以分为两个类：一个是基于抽取式问答，即根据question从passage中抽取一个span作为答案；另一种是非抽取式式，例如Yes/No是非类，或者选择类等。他们都基于一种范式，即在evidence extractor部分抽取证据信息，在answer prediction部分做预测。在抽取类MRC中，由于其有真实的span进行监督，因此很好训练；但是在非抽取式MRC中，数据集中只有答案，而没有在passage中的evidence span，这使得无法直接训练evidence extractor部分。
（2）这一类问题属于典型的只知道结果（answer），但不知道中间正确结果（evidence label），因此传统的方法典型的有基于人工标注golden evidence，远程监督，以及使用强化学习自主地发现evidence等。但是这类方法（尤其是强化学习）训练非常不稳定；同时远程监督方法也会带来大量噪声；
（3）Self-Training策略是一种迭代训练，在MRC任务中，即每次训练时，根据最终的结果golden answer以及上一轮预测得到的evidence label，一同进行训练；本轮预测的evidence label再次用于下一轮的；
方法：
Self-Training策略：
在训练过程中，维护两个数据池，分别记做U（unlabeled data）和L（labeled data），两个数据池分别对应不包含evidence label和包含evidence label。首先在两个数据池上对MRC的base模型进行训练；其次训练好的模型对U数据池上数据进行预测；通过Selector模块挑选置信度最高的示例并转移到L数据池中。以此反复迭代，如下图所示：
base model
（1）输入question Q和document D，其中D包含若干个句子S。
（2）token attention：根据Q与D中第i个句子的每个token计算权重，并对第i个句子的所有token进行加权求和，得到每个句子的表示：
其次，每个句子根据自身再次计算每个token之间的权重，并加权去和得到句子的表示：
（3）sentence-level attention：根据每个句子的表示，学习一个权重并对所有句子进行加权求和，得到整个文档的表示：
理解：句子被分配权重越高，说明该句子对预测的贡献越大。
loss
loss分为两个部分，一个是根据golden answer使用negative log损失函数，这部分和传统的目标一样，本文记做task-specific loss
第二部分是本文的核心，记做evidence loss：
假设我们的目标是要挑选K个evidence sentence，我们一步步地计算loss。第一步step，挑选最合理的句子（理解为权重最大的）并计算loss，第二步step在剩余的句子上计算loss，而前面已经被挑选的句子则不再计算loss；最终所有step的loss进行平均，直到K个evidence sentence全部挑选完成。第二部分的loss公式可以定义为：
其中 D , Q , E D,Q,E D,Q,E 分别表示document，question和evidence label（0/1值）， M K M^K MK表示mask。
对于每一个step，均在unselected的句子上计算权重，不过要注意的是，其本质是在所有sentence上计算权重，但是为了不去计算已被挑选的sentence，则显式添加一个mask。因为在计算attention时，神经网络的输出维度是固定的，即sentence总的数量没法变，因此只能通过添加mask方法来控制已被挑选的句子不去计算attention，这部分比较类似于transformer中的mask，通过添加一个非常小的数使得其权重接近于0：
因此每个step的loss表示为：
其中mask矩阵中，已被挑选的句子设置为非常小的数（无穷小），未被挑选的句子则使用上一step的mask值：
最终模型的loss是task-specific和evidence两个loss的和。
Selector
事实上，每一个迭代包含两个部分，一个就是上面介绍的训练，另一个就是在U数据池上进行预测，并挑选置信度高的。假设在一个包含evidence label的数据上，作者定义置信度为
即两个loss的负数的指数乘积，事实上其表示loss越小，其置信度就越高。对于预测的evidence label则可以通过上面的式子重新计算一次loss，并获得置信度，挑选两个loss分别都低于阈值的样本加入到L数据池中。