ECCV 2024 | 如何利用自监督学习强化多模态模型的领域泛化和自适应
首次提出了一种针对多模态开放集领域泛化(Multimodal Open-Set Domain Generalization, MM-OSDG)的方法,并通过自监督学习机制实现。掩码跨模态翻译(Masked Cross-modal Translation)和多模态拼图(Multimodal Jigsaw Puzzles)。这些任务帮助学习多模态的代表性特征,从而增强了模型的泛化能力和开放类检测能力。
-
论文链接:
-
https://arxiv.org/abs/2407.01518
简介
首次提出了一种针对多模态开放集领域泛化(Multimodal Open-Set Domain Generalization, MM-OSDG)的方法,并通过自监督学习机制实现。研究中引入了两种创新性的多模态自监督前置任务:掩码跨模态翻译(Masked Cross-modal Translation) 和 多模态拼图(Multimodal Jigsaw Puzzles)。这些任务帮助学习多模态的代表性特征,从而增强了模型的泛化能力和开放类检测能力。此外,还提出了一种新的熵加权机制,用于平衡不同模态的损失,并将该方法扩展至多模态开放集领域适应(Multimodal Open-Set Domain Adaptation, MM-OSDA)。通过在EPIC-Kitchens和HAC数据集上的广泛实验,验证了该方法的有效性和通用性。
研究动机
领域泛化和领域适应在应对机器学习模型在不同环境中的鲁棒性和适应性方面具有重要意义。然而,现有的研究大多集中于单一模态的数据,忽略了多模态数据在现实世界应用中的重要性。此外,当前的多模态方法通常假设源域和目标域的标签空间一致,而在实际应用中,目标域可能包含源域中未见过的新类别(开放集问题)。因此,本文的研究动机是通过引入自监督学习任务来解决多模态开放集领域泛化和适应问题。
论文贡献
-
首次提出MM-OSDG问题:定义并探讨了多模态开放集领域泛化问题,强调了其在实际应用中的重要性。
-
创新的自监督前置任务:提出了掩码跨模态翻译和多模态拼图任务,用于增强多模态特征的泛化能力和开放类检测能力。
-
熵加权机制:设计了一种新的熵加权机制,在不同模态间平衡损失,提高了模型的整体表现。
-
扩展至MM-OSDA:将方法扩展至多模态开放集领域适应情境,进一步验证了其在目标域未标注数据上的有效性。
MOOSA算法
论文框架
图 1:MM-OSDG MOOSA 框架。EntWei & EntMin:熵加权和最小化
MOOSA框架如图1所示,主要包括以下部分:
-
掩码跨模态翻译(Masked Cross-modal Translation):在多模态特征之间进行翻译,通过随机掩码部分输入模态的特征并进行翻译,学习更具代表性的特征表示。
-
多模态拼图(Multimodal Jigsaw Puzzles):将多模态特征进行分割和随机排列,通过拼图任务迫使模型学习多模态之间的内在关系。
-
熵加权机制(Entropy Weighting and Minimization):根据预测的熵值为每个模态分配权重,以平衡各模态的损失贡献。
损失函数
掩码跨模态翻译损失:
其中,表示对第i模态的特征进行随机掩码。
多模态拼图损失:
其中,为拼图分类器,为重新排列后的特征嵌入。
熵加权损失:
其中,通过熵值计算得到,用于调整不同模态的损失权重。
最终损失函数:
实验结果
在EPIC-Kitchens和HAC数据集上进行了广泛的实验,包括MM-OSDG、MM-OSDA和多模态闭集领域泛化(Multimodal Closed-Set DG)设置。实验结果表明,MOOSA框架在所有测试的基准数据集上均显著优于现有的最先进方法,在平均HOS上提升了高达5.63%。此外,MOOSA在单一源域开放集泛化中也展现出了优异的表现,进一步验证了其在各种开放集设置中的鲁棒性和通用性。
表 2:EPIC-Kitchens 数据集上具有不同模态组合的多模态Open-set DG。
表 3:HAC 数据集上具有所有模态的多模态Open-set DG
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
更多推荐
所有评论(0)