谷歌MIT最新研究證明：高質(zhì)量數(shù)據(jù)獲取不難，大模型就是歸途

【導(dǎo)讀】數(shù)據(jù)獲取最新解，便是從生成模型中學(xué)習(xí)。

獲取高質(zhì)量數(shù)據(jù)，已經(jīng)成為當(dāng)前大模型訓(xùn)練的一大瓶頸。

前幾天，OpenAI被《紐約時報》起訴，并要求索賠數(shù)十億美元。訴狀中，列舉了GPT-4抄襲的多項(xiàng)罪證。

甚至，《紐約時報》還呼吁摧毀幾乎所有的GPT等大模型。

一直以來，AI界多位大佬認(rèn)為「合成數(shù)據(jù)」或許是解決這個問題的最優(yōu)解。

此前，谷歌團(tuán)隊還提出了用LLM代替人類標(biāo)記偏好的方法RLAIF，效果甚至不輸人類。

現(xiàn)如今，谷歌MIT的研究人員發(fā)現(xiàn)，從大模型中學(xué)習(xí)可以得到使用真實(shí)數(shù)據(jù)訓(xùn)練的最佳模型的表征。

這一最新方法稱SynCLR，一種完全從合成圖像和合成描述學(xué)習(xí)虛擬表征的方法，無需任何真實(shí)數(shù)據(jù)。

論文地址：https://arxiv.org/abs/2312.17742

實(shí)驗(yàn)結(jié)果表明，通過SynCLR方法學(xué)習(xí)到的表征，能夠與OpenAI的CLIP在ImageNet 上的傳輸效果一樣好。

從生成模型中學(xué)習(xí)

目前表現(xiàn)最好的「視覺表征」學(xué)習(xí)方法依賴于大規(guī)模的實(shí)際數(shù)據(jù)集。然而，真實(shí)數(shù)據(jù)的收集卻有不少的困難。

為了降低收集數(shù)據(jù)的成本，研究人員本文中提出了一個問題：

從現(xiàn)成的生成模型中采樣的合成數(shù)據(jù)，是否是一條通往大規(guī)模策劃數(shù)據(jù)集的可行之路，從而訓(xùn)練出最先進(jìn)的視覺表征？

與直接從數(shù)據(jù)中學(xué)習(xí)不同，谷歌研究人員稱這種模式為「從模型中學(xué)習(xí)」。作為建立大規(guī)模訓(xùn)練集的數(shù)據(jù)源，模型有幾個優(yōu)勢：

- 通過其潛在變量、條件變量和超參數(shù)，為數(shù)據(jù)管理提供了新的控制方法。

- 模型也更容易共享和存儲（因?yàn)槟Ｐ捅葦?shù)據(jù)更容易壓縮），并且可以產(chǎn)生無限數(shù)量的數(shù)據(jù)樣本。

越來越多的文獻(xiàn)研究了生成模型的這些特性和其他優(yōu)點(diǎn)和缺點(diǎn)，并將其作為訓(xùn)練下游模型的數(shù)據(jù)源。

其中一些方法采用混合模式，即混合真實(shí)數(shù)據(jù)集和合成數(shù)據(jù)集，或需要一個真實(shí)數(shù)據(jù)集來生成另一個合成數(shù)據(jù)集。

其他方法試圖從純粹的「合成數(shù)據(jù)」中學(xué)習(xí)表征，但遠(yuǎn)遠(yuǎn)落后于表現(xiàn)最好的模型。

論文中，研究人員提出的最新方法，使用生成模型重新定義可視化類的粒度。

如圖2所示，使用2個提示生成了四張圖片「一只戴著墨鏡和沙灘帽的金毛獵犬騎著自行車」和「一只可愛的金毛獵犬坐在壽司做成的房子里」。

傳統(tǒng)的自監(jiān)督方法（如Sim-CLR）會將這些圖像視為不同的類，不同圖像的嵌入會被分開，而不會明確考慮圖像之間的共享語義。

另一個極端是，監(jiān)督學(xué)習(xí)方法（即SupCE）會將所有這些圖像視為單一類（如「金毛獵犬」）。這就忽略了這些圖像在語義上的細(xì)微差別，例如在一對圖像中狗在騎自行車，而在另一對圖像中狗坐在壽司屋內(nèi)。

相反，SynCLR方法將描述視為類，即每個描述一個可視化類。

這樣，我們就可以按照「騎自行車」和「坐在壽司店里」這兩個概念對圖片進(jìn)行分組。

這種粒度很難在真實(shí)數(shù)據(jù)中挖掘，因?yàn)槭占山o定描述的多張圖片并非易事，尤其是當(dāng)描述數(shù)量增加時。

然而，文本到圖像的擴(kuò)散模型從根本上就具備這種能力。

只需對相同的描述設(shè)定條件，并使用不同的噪聲輸入，文本到圖像的擴(kuò)散模型就能生成與相同描述相匹配的不同圖像。

具體來說，作者研究了在沒有真實(shí)圖像或文本數(shù)據(jù)的情況下，學(xué)習(xí)視覺編碼器的問題。

最新方法依賴3個關(guān)鍵資源的利用：一個語言生成模型（g1），一個文本到圖像的生成模型（g2），以及一個經(jīng)過整理的視覺概念列表（c）。

前處理包括三個步驟：

（1）使用（g1）合成一組全面的圖像描述T，其中涵蓋了C中的各種視覺概念；

（2）對于T中的每個標(biāo)題，使用（g2）生成多個圖像，最終生成一個廣泛的合成圖像數(shù)據(jù)集X；

（3）在X上進(jìn)行訓(xùn)練，以獲得視覺表示編碼器f。

然后，分別使用llama-27b和Stable Diffusion 1.5作為（g1）和（g2），因?yàn)槠渫评硭俣群芸臁?/p>

合成描述

為了利用強(qiáng)大的文本到圖像模型的能力，來生成大量的訓(xùn)練圖像數(shù)據(jù)集，首先需要一個不僅精確描述圖像而且展示多樣性的描述集合，以包含廣泛的視覺概念。

對此，作者開發(fā)了一種可擴(kuò)展的方法來創(chuàng)建如此大量的描述集，利用大模型的上下文學(xué)習(xí)能力。

如下展示了三個合成模板的示例。

如下是使用Llama-2生成上下文描述，研究人員在每次推理運(yùn)行中隨機(jī)抽取三個上下文示例。

合成圖像

對于每個文本描述，研究人員都會用不同的隨機(jī)噪聲啟動反向擴(kuò)散過程，從而生成各種圖像。

在此過程中，無分類器引導(dǎo)（CFG）比例是一個關(guān)鍵因素。

CFG標(biāo)度越高，樣本的質(zhì)量和文本與圖像之間的一致性就越好，而標(biāo)度越低，樣本的多樣性就越大，也就越符合基于給定文本的圖像原始條件分布。

表征學(xué)習(xí)

論文中，表征學(xué)習(xí)的方法建立在StableRep的基礎(chǔ)上。

作者提出的方法的關(guān)鍵組成部分是多正對比學(xué)習(xí)損失，它的工作原理是對齊（在嵌入空間）從同一描述生成的圖像。

另外，研究中還結(jié)合了其他自監(jiān)督學(xué)習(xí)方法的多種技術(shù)。

與OpenAI的CLIP相媲美

實(shí)驗(yàn)評估中，研究人員首先進(jìn)行消融研究，以評估管道內(nèi)各種設(shè)計和模塊的有效性，然后繼續(xù)擴(kuò)大合成數(shù)據(jù)的量。

下圖是不同描述合成策略的比較。

研究人員報告了9個細(xì)粒度數(shù)據(jù)集的ImageNet線性評估準(zhǔn)確性和平均準(zhǔn)確性。這里的每個項(xiàng)目包括1000萬個描述和每個描述4張圖片。

下表是ImageNet線性評估與細(xì)粒度分類的比較。

盡管只使用了合成數(shù)據(jù)，但SynCLR與OpenAI的CLIP和DINO v2模型取得了不相上下的結(jié)果。

下表是在相同的合成數(shù)據(jù)上比較SynCLR和CLIP，可以看出，SynCLR明顯優(yōu)于CLIP。

具體設(shè)置為，每個標(biāo)題生成4個圖像，SynCaps-150M為SynCLR和CLIP提供了更好的表示。

PCA可視化如下。按照DINO v2，研究人員計算了同一組圖像的斑塊之間的PCA，并根據(jù)其前3個分量進(jìn)行著色。

與DINO v2相比，SynCLR對汽車和飛機(jī)的繪制的圖更為準(zhǔn)確，而對能繪制的圖則稍差一些。

圖6和圖7中，分別展示了不同訓(xùn)練規(guī)模下的ImageNet線性準(zhǔn)確率，以及不同訓(xùn)練參數(shù)規(guī)模下的精細(xì)分類。

為什么要從生成模型中學(xué)習(xí)？

一個令人信服的原因是，生成模型可以像數(shù)百個數(shù)據(jù)集一樣同時運(yùn)作，能夠?yàn)椴邉澯?xùn)練數(shù)據(jù)提供了一種方便有效的方法。

總而言之，最新論文研究了視覺表征學(xué)習(xí)的新范式——從生成模型中學(xué)習(xí)。

在沒有使用任何實(shí)際數(shù)據(jù)的情況下，SynCLR學(xué)習(xí)到的視覺表征，與最先進(jìn)的通用視覺表征學(xué)習(xí)器學(xué)習(xí)到的視覺表征不相上下。