简介
具有针对性的单模态学习目标的多模态学习方法在缓解多模态学习不平衡问题方面表现出了卓越的功效。然而,之前被忽视的多模态和单模态学习目标之间的梯度冲突,这可能会误导单模态编码器优化。为了很好地减少这些冲突,作者观察了多模态损失和单模态损失之间的差异,其中更容易学习的多模态损失的梯度幅度和协方差都小于单模态损失。利用这一特性,文中分析了多模态场景下的 Pareto 积分,并提出了 MMPareto 算法,该算法可以确保最终梯度的方向对所有学习目标都是通用的,并增强幅度以提高泛化能力,从而提供单模态辅助。
研究动机
多模态学习过程中存在模态不均衡问题,即大多数多模态模型不能很好地联合利用所有模态,对每种模态的利用不平衡。此外,在多任务场景下,模型优化中存在先前被忽视的风险,这也可能会限制模型的能力。不可否认,单模态学习目标有效地增强了相应模态的学习。同时,单模态编码器参数的优化受到多模态联合学习目标和自身单模态学习目标的影响。这需要同时最小化两个学习目标,但通常不存在一组可以满足该目标的参数。因此,这些多模态和单模态学习目标在优化过程中可能会发生冲突。在图 1a 中,以广泛使用的 Kinetics Sounds 数据集上的视频编码器为例。可看出负余弦相似度表明多模态和单模态梯度在优化过程中确实存在方向冲突。特别是,早期训练阶段的这些冲突可能会严重损害模型能力,从而导致主要的多模态学习可能会受到干扰。
论文贡献
(1)提出了多模态帕累托(MMPareto)算法,该算法在梯度积分时分别考虑方向和大小。它确保了无害的单模态辅助,其中最终梯度的方向是所有学习目标的共同方向,并增强了泛化能力。
(2)对该方法的收敛性进行了分析。基于多种类型数据集的结果,该方法有效缓解了不平衡的多模态学习问题,并且可以很好地配备具有密集跨模态交互的模型,例如多模态 Transformers 。单模态性能甚至优于单独训练的单模态模型,这是以前很少实现的。
(3)验证了所提出的方法还可以扩展到任务难度存在明显差异的多任务情况,表明其可扩展性。
MMPareto方法
类似多任务的多模态框架
在多模态学习中,模型有望通过整合多种模态的信息来产生正确的预测。因此,经常存在多模态联合损失,需要融合多模态特征进行预测。然而,仅利用这种联合损失来一起优化所有模态可能会导致优化过程由一种模态主导,而导致其他模态严重优化不足。为了克服这种不平衡的多模态学习问题,引入针对每种模态优化的单模态损失被广泛使用,并被证明可以有效缓解这种不平衡的多模态学习问题。在这些场景中,损失函数为:
其中 是多模态联合损失, 是模态 k 的单模态损失。n 是模态的数量。我们主要考虑多模态判别任务,并且所有损失都是交叉熵损失函数。这种类似多任务的多模态框架如图 2 的左侧部分所示。
SGD 属性和假设
多模态框架同时具有多模态损失函数和单模态损失函数。对于,模态k的单模态编码器参数、迭代t处的和的梯度满足:
其中和是批次采样协方差。在多模态情况下,单模态损失仅接收基于相应模态数据的预测。相比之下,多模态损失通过来自所有模态数据的更充分信息进行优化,使其更容易训练。经验证,多模态损失比单模态损失收敛速度更快,训练误差更低.
基于之前的研究和作者在文中的验证,可提出假设1:
假设1. 在多任务多模态情况下,对于共享单模态编码器,单模态损失的梯度往往比易于学习的多模态损失具有更大的幅度和更大的批量采样协方差。
多模态学习中的帕累托积分
在多模态情况下,多模态损失和单模态损失紧密相关,但它们的梯度仍然可能存在冲突,如图1a。因此,如何很好地整合θ和θ是需要解决的问题。这符合多任务学习中帕累托方法的思想。在帕累托方法中,在每次迭代时,梯度被分配不同的权重,加权组合是最终的梯度,它可以提供有利于所有学习目标的下降方向。最后,参数可以收敛到权衡状态,即帕累托最优,其中任何目标都不能在不损害任何其他目标的情况下推进。将帕累托积分引入多模态框架是很自然的,避免了多模态和单模态梯度之间的冲突。对于模态 k,帕累托算法被公式化来求解:
其中表示L2范数。为了简洁起见,在某些部分将模态 k 表示为。这个问题等价于寻找梯度向量族的凸包中的最小范数。帕累托最优的必要条件是这个优化问题的最小范数为 0,并且相应的参数是帕累托平稳,或者它可以提供所有学习共同的下降方向目标。
多模态帕累托算法
基于以上分析,传统的帕累托方法在多模态学习中可能会导致极小值,进而削弱模型泛化能力。文中提出了多模态帕累托(MMPareto)算法,分别考虑冲突情况和非冲突情况。整体算法如图2所示。文中以模态k的编码器为例,所有模态的编码器都遵循相同的积分。为了简洁起见,还省略了 θ。
非冲突情况 首先考虑cos β ≥ 0 的情况。在这种情况下, 和 之间的余弦相似度为正。对于方向,梯度向量族 的任意凸组合对于所有学习目标都是通用的。因此,在这种情况下,在积分过程中指定 2 = 2 = 1 而不是 Pareto 解析解,以增强 SGD 噪声项。通过此设置,最终梯度为 ,噪声项为与传统 Pareto 噪声项相比,强度有所增强。
冲突情况 对于 cos β < 0 的情况,必须找到所有损失的共同方向,并在梯度积分过程中增强 SGD 噪声强度。因此,首先解决Pareto优化问题,得到和,这可以提供一个不冲突的方向。此外,为了增强噪声项的强度,增加了最终梯度的大小。以统一基线的大小为基准,在适当的范围内调整:
总体而言,MMPareto 提供了无冲突方向和增强的 SGD 噪声强度,帮助模型收敛到更平坦的最小值并更好地泛化。除此之外,我们还分析了所提出的 MMPareto 方法的收敛性.
实验结果
根据表1,可以得出统一基线可以获得相当可观的性能,甚至可以优于或与这些不平衡的多模态学习方法相媲美。原因可能是单模态损失的引入有效地增强了每种模态的学习,这符合这些比较方法的核心思想。此外,与现有的多模态预测方法相比,MMpareto 方法具有无冲突优化过程,取得了相当大的改进。更重要的是,MMPareto方法同时表现出出色的单模态性能,甚至可以超越单独训练的单模态模型。例如,在 CREMA-D 和 Kinetics Sounds 数据集上,MMPareto 的音频准确性优于纯音频方法。这在之前的研究中是很少实现的。
读者福利:如果大家对大模型感兴趣,这套大模型学习资料一定对你有用
对于0基础小白入门:
如果你是零基础小白,想快速入门大模型是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
包括:大模型学习线路汇总、学习阶段,大模型实战案例,大模型学习视频,人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型!
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费
】🆓
👉AI大模型学习路线汇总👈
大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费
】🆓