Gemma によるアジャイル安全分類器の紹介

1. 概要

この Codelab では、パラメータ効率チューニング（PET）を使用して、カスタマイズされたテキスト分類器を作成する方法について説明します。PET の手法では、モデル全体をファインチューニングするのではなく、少数のパラメータのみを更新するため、比較的簡単かつ迅速にトレーニングできます。また、比較的少ないトレーニング データでも、モデルが新しい動作を学習しやすくなります。この手法については、Towards Agile Text Classifiers for Everyone（すべての人を対象としたアジャイル テキスト分類器）に詳しく記載されています。ここでは、これらの手法をさまざまな安全タスクに適用し、わずか数百のトレーニング サンプルで最先端のパフォーマンスを実現する方法が示されています。

この Codelab では、LoRA PET メソッドと、より高速かつ効率的に実行できるため、より小さい Gemma モデル（gemma_instruct_2b_en）を使用します。Colab では、データを取り込み、LLM 用にフォーマットし、LoRA の重みをトレーニングして、結果を評価する手順を取り上げます。この Codelab では、ETHOS データセットを使用します。ETHOS は、YouTube と Reddit のコメントから構築された、ヘイトスピーチを検出するための一般公開されているデータセットです。200 の例（データセットの 1/4）のみでトレーニングした場合、F1: 0.80 および ROC-AUC: 0.78 を達成し、リーダーボードで現在報告されている SOTA をわずかに上回ります（執筆時点、2024 年 2 月 15 日）。800 のサンプルでトレーニングすると、F1 スコア 83.74、ROC-AUC スコア 88.17 などを達成できます。一般に、gemma_instruct_7b_en などの大規模なモデルのほうがパフォーマンスは向上しますが、トレーニングと実行のコストも大きくなります。

トリガーの警告: この Codelab ではヘイトスピーチを検出するための安全分類器を開発しているため、例と結果の評価には不適切な表現が含まれています。

2. インストールとセットアップ

この Codelab では、ベースモデルをダウンロードするために、最新バージョンの keras（3）、keras-nlp（0.8.0）と Kaggle アカウントが必要です。

!pip install -q -U keras-nlp
!pip install -q -U keras

Kaggle にログインするには、kaggle.json 認証情報ファイルを ~/.kaggle/kaggle.json に保存するか、Colab 環境で次のコマンドを実行します。

import kagglehub

kagglehub.login()

3. ETHOS データセットを読み込む

このセクションでは、分類器のトレーニングに使用するデータセットを読み込み、トレーニング セットとテストセットに前処理します。ここでは、ソーシャル メディアでヘイトスピーチを検出するために収集された、ETHOS という一般的な調査データセットを使用します。このデータセットの収集方法について詳しくは、ETHOS: an Online Hate Speech Detection Dataset をご覧ください。

import pandas as pd

gh_root = 'https://raw.githubusercontent.com'
gh_repo = 'intelligence-csd-auth-gr/Ethos-Hate-Speech-Dataset'
gh_path = 'master/ethos/ethos_data/Ethos_Dataset_Binary.csv'
data_url = f'{gh_root}/{gh_repo}/{gh_path}'

df = pd.read_csv(data_url, delimiter=';')
df['hateful'] = (df['isHate'] >= df['isHate'].median()).astype(int)

# Shuffle the dataset.
df = df.sample(frac=1, random_state=32)

# Split into train and test.
df_train, df_test = df[:800],  df[800:]

# Display a sample of the data.
df.head(5)[['hateful', 'comment']]

次のような画面が表示されます。

	ラベル	コメント
0	0	You said he but still not convinced this is a ...
1	0	well, looks like its time to have another child.
2	0	What if we send every men to mars to start a n...
3	1	It doesn't matter if you're black or white, ...
4	0	Who ever disliked this video should be ashamed...

4. モデルをダウンロードしてインスタンス化する

ドキュメントで説明されているように、Gemma モデルはさまざまな方法で簡単に使用できます。Keras では、次のことを行う必要があります。

import keras
import keras_nlp

# For reproducibility purposes.
keras.utils.set_random_seed(1234)

# Download the model from Kaggle using Keras.
model = keras_nlp.models.GemmaCausalLM.from_preset('gemma_instruct_2b_en')

# Set the sequence length to a small enough value to fit in memory in Colab.
model.preprocessor.sequence_length = 128

テキストを生成することで、モデルの動作をテストできます。

model.generate('Question: what is the capital of France? ', max_length=32)

5. テキスト前処理と区切り文字トークン

モデルが意図をより適切に理解できるように、テキストを前処理し、セパレータ トークンを使用できます。これにより、想定された形式に合わないテキストをモデルが生成する可能性が低くなります。たとえば、次のようなプロンプトを記述して、モデルに感情分類をリクエストできます。

Classify the following text into one of the following classes:[Positive,Negative]

Text: you look very nice today
Classification:

この場合、モデルは求めている出力を出力する場合もあれば、出力しない場合もあります。たとえば、テキストに改行文字が含まれていると、モデルのパフォーマンスに悪影響を及ぼす可能性があります。より堅牢なアプローチは、セパレータ トークンを使用することです。プロンプトは次のようになります。

Classify the following text into one of the following classes:[Positive,Negative]
<separator>
Text: you look very nice today
<separator>
Prediction:

これは、テキストを前処理する関数を使用して抽象化できます。

def preprocess_text(
    text: str,
    labels: list[str],
    instructions: str,
    separator: str,
) -> str:
  prompt = f'{instructions}:[{",".join(labels)}]'
  return separator.join([prompt, f'Text:{text}', 'Prediction:'])

ここで、以前と同じプロンプトとテキストを使用して関数を実行すると、同じ出力が表示されます。

text = 'you look very nice today'

prompt = preprocess_text(
    text=text,
    labels=['Positive', 'Negative'],
    instructions='Classify the following text into one of the following classes',
    separator='\n<separator>\n',
)

print(prompt)

出力は次のようになります。

Classify the following text into one of the following classes:[Positive,Negative]
<separator>
Text:well, looks like its time to have another child
<separator>
Prediction:

6. 出力の後処理

モデルの出力は、さまざまな確率を持つトークンです。通常、テキストを生成するには、最も確率が高い上位数個のトークンから選択し、文、段落、さらにはドキュメント全体を構成します。ただし、分類の目的上、実際に重要なのは、モデルが Positive の確率の方が Negative よりも確率が高いとモデルが判断しているかどうか、またはその逆かどうかです。

先ほどインスタンス化したモデルの場合、次のトークンが Positive か Negative かを示す独立確率への出力を処理できます。

import numpy as np


def compute_output_probability(
    model: keras_nlp.models.GemmaCausalLM,
    prompt: str,
    target_classes: list[str],
) -> dict[str, float]:
  # Shorthands.
  preprocessor = model.preprocessor
  tokenizer = preprocessor.tokenizer

  # NOTE: If a token is not found, it will be considered same as "<unk>".
  token_unk = tokenizer.token_to_id('<unk>')

  # Identify the token indices, which is the same as the ID for this tokenizer.
  token_ids = [tokenizer.token_to_id(word) for word in target_classes]

  # Throw an error if one of the classes maps to a token outside the vocabulary.
  if any(token_id == token_unk for token_id in token_ids):
    raise ValueError('One of the target classes is not in the vocabulary.')

  # Preprocess the prompt in a single batch. This is done one sample at a time
  # for illustration purposes, but it would be more efficient to batch prompts.
  preprocessed = model.preprocessor.generate_preprocess([prompt])

  # Identify output token offset.
  padding_mask = preprocessed["padding_mask"]
  token_offset = keras.ops.sum(padding_mask) - 1

  # Score outputs, extract only the next token's logits.
  vocab_logits = model.score(
      token_ids=preprocessed["token_ids"],
      padding_mask=padding_mask,
  )[0][token_offset]

  # Compute the relative probability of each of the requested tokens.
  token_logits = [vocab_logits[ix] for ix in token_ids]
  logits_tensor = keras.ops.convert_to_tensor(token_logits)
  probabilities = keras.activations.softmax(logits_tensor)

  return dict(zip(target_classes, probabilities.numpy()))

先ほど作成したプロンプトを使用して関数を実行することで、関数をテストできます。

compute_output_probability(
    model=model,
    prompt=prompt,
    target_classes=['Positive', 'Negative'],
)

出力は次のようになります。

{'Positive': 0.99994016, 'Negative': 5.984089e-05}

7. すべてを分類器としてまとめる

使いやすくするために、作成したすべての関数を、使いやすくなじみのある predict() や predict_score() などの関数を使用した sklearn のような 1 つの分類器にラップできます。

import dataclasses


@dataclasses.dataclass(frozen=True)
class AgileClassifier:
  """Agile classifier to be wrapped around a LLM."""

  # The classes whose probability will be predicted.
  labels: tuple[str, ...]

  # Provide default instructions and control tokens, can be overridden by user.
  instructions: str = 'Classify the following text into one of the following classes'
  separator_token: str = '<separator>'
  end_of_text_token: str = '<eos>'

  def encode_for_prediction(self, x_text: str) -> str:
    return preprocess_text(
        text=x_text,
        labels=self.labels,
        instructions=self.instructions,
        separator=self.separator_token,
    )

  def encode_for_training(self, x_text: str, y: int) -> str:
    return ''.join([
        self.encode_for_prediction(x_text),
        self.labels[y],
        self.end_of_text_token,
    ])

  def predict_score(
      self,
      model: keras_nlp.models.GemmaCausalLM,
      x_text: str,
  ) -> list[float]:
    prompt = self.encode_for_prediction(x_text)
    token_probabilities = compute_output_probability(
        model=model,
        prompt=prompt,
        target_classes=self.labels,
    )
    return [token_probabilities[token] for token in self.labels]

  def predict(
      self,
      model: keras_nlp.models.GemmaCausalLM,
      x_eval: str,
  ) -> int:
    return np.argmax(self.predict_score(model, x_eval))


agile_classifier = AgileClassifier(labels=('Positive', 'Negative'))

8. モデルのファインチューニング

LoRA は Low-Rank Adaptation の略です。これは、大規模言語モデルを効率的にファインチューニングするために使用できるファインチューニング手法です。詳しくは、LoRA: Low-Rank Adaptation of Large Language Models の論文をご覧ください。

Gemma の Keras 実装には、ファインチューニングに使用できる enable_lora() メソッドが用意されています。

# Enable LoRA for the model and set the LoRA rank to 4.
model.backbone.enable_lora(rank=4)

LoRA を有効にしたら、ファインチューニング プロセスを開始できます。Colab では、エポックごとに約 5 分かかります。

import tensorflow as tf

# Create dataset with preprocessed text + labels.
map_fn = lambda xy: agile_classifier.encode_for_training(*xy)
x_train = list(map(map_fn, df_train[['comment', 'hateful']].values))
ds_train = tf.data.Dataset.from_tensor_slices(x_train).batch(2)

# Compile the model using the Adam optimizer and appropriate loss function.
model.compile(
    loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer=keras.optimizers.Adam(learning_rate=0.0005),
    weighted_metrics=[keras.metrics.SparseCategoricalAccuracy()],
)

# Begin training.
model.fit(ds_train, epochs=4)

過学習が発生するまでは、より多くのエポックでトレーニングを行うほど精度が高くなります。

9. 結果を調べる

これで、トレーニングしたアジャイル分類器の出力を検査できるようになりました。このコードは、与えられたテキストから予測されたクラススコアを出力します。

text = 'you look really nice today'
scores = agile_classifier.predict_score(model, text)
dict(zip(agile_classifier.labels, scores))

{'Positive': 0.99899644, 'Negative': 0.0010035498}

10. モデルの評価

最後に、F1 スコアと AUC-ROC という 2 つの一般的な指標を使用して、モデルの性能を評価します。F1 スコアでは、特定の分類しきい値で適合率と再現率の調和平均を評価することで、偽陰性と偽陽性の誤差を捕捉します。一方、AUC-ROC は、さまざまなしきい値にわたって真陽性率と偽陽性率のトレードオフを捉え、この曲線の下の面積を計算します。

from sklearn.metrics import f1_score, roc_auc_score

y_true = df_test['hateful'].values
# Compute the scores (aka probabilities) for each of the labels.
y_score = [agile_classifier.predict_score(model, x) for x in df_test['comment']]
# The label with highest score is considered the predicted class.
y_pred = np.argmax(y_score, axis=1)
# Extract the probability of a comment being considered hateful.
y_prob = [x[agile_classifier.labels.index('Negative')] for x in y_score]

# Compute F1 and AUC-ROC scores.
print(f'F1: {f1_score(y_true, y_pred):.2f}')
print(f'AUC-ROC: {roc_auc_score(y_true, y_prob):.2f}')

F1: 0.84
AUC-ROC: = 0.88

モデル予測を評価するもう一つの興味深い方法は、混同行列です。混同行列は、さまざまな種類の予測エラーを視覚的に表します。

from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay

cm = confusion_matrix(y_true, y_pred)
ConfusionMatrixDisplay(
  confusion_matrix=cm,
  display_labels=agile_classifier.labels,
).plot()

最後に、ROC 曲線を確認して、さまざまなスコアしきい値を使用した場合に発生する可能性のある予測エラーを把握することもできます。

from sklearn.metrics import RocCurveDisplay, roc_curve

fpr, tpr, _ = roc_curve(y_true, y_score, pos_label=1)
RocCurveDisplay(fpr=fpr, tpr=tpr).plot()