训练数据有缺陷？TrustAI来帮你！
2022年5月，百度正式发布了首个集可信分析和增强于一体的可信AI工具集-TrustAI。近日TrustAI迎来重大更新。本次升级针对NLP领域数据标注的常见问题，如训练数据中存在脏数据阻碍模型效果提升，数据标注成本太高但又不清楚该标注什么数据，数据分布有偏导致模型鲁棒性差等，TrustAI发布了多项功能帮助NLP开发者解决训练数据缺陷问题，用最小的标注成本获得最大幅度的效果提升。
- 想了解更多TrustAI的信息，请点击：
链接：https://github.com/PaddlePaddle/TrustAI
下面将介绍TrustAI如何解决3类数据缺陷问题：
**问题一： 训练数据存在脏数据
- 措施：自动识别脏数据，降低人力检查成本
训练数据标注质量对模型效果有较大影响，往往会成为模型效果提升的瓶颈。但当标注数据规模较大时，数据检查就成为一个难题。
TrustAI提供了脏数据（即标注质量差的数据）自动识别功能，帮助降低人工检查数据的成本。如图一所示，在两个公开数据集上，TrustAI自动识别的脏数据比例远高于随机选择策略。
图一 不同策略识别出的脏数据比例
进一步通过对10%的脏数据进行人工修正后，在相似度计算任务的原始测试数据和鲁棒性测试数据上，模型效果可以分别提高2.13%和4.01%，如表一所示。
表一 修正脏数据后的实验结果
**问题二：训练数据覆盖不足
- 措施：标注尽量少的数据，提升模型效果
训练数据覆盖不足会导致模型在对应的测试数据上表现不好。数据扩充是提升模型效果直接的方法，然而数据标注是一个费时费力的工作，如何标注更少的数据带来更大的效果提升是大多数NLP开发者面临的难题。
TrustAI可识别因训练数据覆盖不足而导致的预测效果差的测试样本（这些样本构成的集合称为目标集），并能帮助开发者从未标注数据中选择有效数据进行标注，提高训练数据对目标集的覆盖度，进而提升模型效果。如表二所示，当增加20%的训练数据时，TrustAI选择的数据可显著提升模型效果，在目标集上效果提升了14.41%，而随机选择的数据仅能带来0.01%的提升。
表二 有效增强训练数据的实验结果
****问题三：训练数据分布偏置
- 措施：缓解数据偏置对模型训练的影响，提升模型鲁棒性
研究表明，神经网络模型会利用数据集中的偏置作为预测的捷径，如在情感分析任务中，遇到否定词模型会倾向预测为“负向”情感。这种偏置会导致模型没有真正理解语言，导致模型的鲁棒性降低。
TrustAI提供了数据权重修正和数据分布修正两种优化策略，在不需要人工介入的条件下，缓解训练数据偏置对模型训练的影响，提升模型的语义理解能力，进而提升模型的鲁棒性。如表三所示，在相似度计算任务的鲁棒性测试集上，数据权重修正策略可带来准确率0.94%的提升。在表四中，数据分布修正策略在情感分析任务的鲁棒性数据集上，可使模型准确率提升1.41%。
表三 数据权重修正的实验结果
表四 数据分布修正的实验结果
以上是本次TrustAI开源的功能介绍，欢迎大家前往TrustAI主页进行体验和使用。关于TrustAI的更多介绍参见：
关于TrustAI工具集推荐阅读
百度重磅发布业界首个集可信分析和增强于一体的可信AI工具集-TrustAI
TrustAI支持pip一键安装，欢迎大家了解更多技术详情和使用方法，并贡献你的Star和Fork！
- TrustAI项目链接：https://github.com/PaddlePaddle/TrustAI
目前，飞桨自然语言处理开发库PaddleNLP已将TrustAI解决训练数据缺陷的能力接入到文本分类系统方案中。PaddleNLP已开源文本分类系统，覆盖多分类、多标签、层次分类三大高频场景，结合TrustAI可信增强能力和数据增强API，提供有效训练数据选择、脏数据清洗、数据增强多种数据优化方案，高效地、低成本地解决文本分类任务中数据标注常见痛点问题，欢迎大家使用！
- 项目直达：
https://github.com/PaddlePaddle/PaddleNLP/tree/develop/applications/text_classification
关注【飞桨PaddlePaddle】公众号
获取更多技术内容~