【论文极速看】CLIP-Lite：一种不依赖于负样本数量的高效多模态学习方法

【论文极速看】CLIP-Lite：一种不依赖于负样本数量的高效多模态学习方法

FesianXu 20220201 at Baidu Search Team

$\nabla$ 联系方式：

e-mail: FesianXu@gmail.com

github: https://github.com/FesianXu

知乎专栏: 计算机视觉/计算机图形理论与应用

微信公众号：

---

传统的CLIP [1]对比学习模型依赖于海量的图文对训练数据，以及每个正样本对应的负样本的数量，为了弥补CLIP模型对于负样本数量的极度依赖，而单纯通过当前batch size提供足够的负样本又强烈依赖于显卡资源的现况，有些方案提出采用虚拟batch size（即是memory bank）进行弥补 [2]。MoCo [3]模型提出采用动量编码器和负样本队列的方式，可以利用训练历史上的负样本，从而扩大了参与训练的负样本数量。

在文章[4]中，作者提出了CLIP-Lite，该模型通过Jensen-Shannon散度对互信息进行下界估计，而不是像CLIP采用infoNCE对互信息进行估计。互信息（Mutual Information, MI）描述了『在知道某个随机变量$Y$​​后，对于另一个随机变量$X$​​​的不确定性的减少程度』，对于离散随机变量$X,Y$​​而言，其联合概率分布为$P_{X,Y}(x,y)$​​，其互信息可表示为$I(X;Y)$​​，那么：
$$\begin{array}{rl}I(X;Y)& =\sum _{x,y}{P}_{XY}(x,y)\log (\frac{P_{XY}(x,y)}{P_X(x)P_Y(y)})\\ & ={\mathbb{E}}_{P_{XY}}[\log (\frac{P_{XY}}{P_X{P}_Y})]\end{array}\text{\hspace{1em}(1-1)}$$
定义随机变量的熵（entropy）和条件熵（conditional entropy）为：
$$\begin{array}{rl}H(X)& =-\sum _x{P}_X(x)\log (P_X(x))=-{\mathbb{E}}_{P_X}[\log (P_X)]\\ H(X|Y)& =\sum _y{P}_Y(y)[-\sum _x{P}_{X|Y}(x|y)\log (P_{X|Y}(x|y))]={\mathbb{E}}_{P_Y}[-{\mathbb{E}}_{P_{X|Y}}[\log P_{X|Y}]]\end{array}\text{\hspace{1em}(1-2)}$$
其中有:
$$P_{X|Y}(x|y)=\frac{P_{XY}(x,y)}{P_Y(y)}\text{\hspace{1em}(1-3)}$$
联合(1-2)和(1-3)，我们有：
$$\begin{array}{rl}I(X;Y)& =H(X)-H(X|Y)\\ & =-\sum _x{P}_X(x)\log (P_X(x))-\sum _y{P}_Y(y)[-\sum _x{P}_{X|Y}(x|y)\log (P_{X|Y}(x|y))]\\ & =-\sum _x{P}_X(x)\log (P_X(x))+\sum _y\sum _x{P}_{XY}(x,y)\log (P_{X|Y}(x|y))\\ & =-\sum _y\sum _x{P}_{XY}(x,y)\log (P_X(x))+\sum _y\sum _x{P}_{XY}(x,y)\log (P_{X|Y}(x|y))\\ & =\sum _y\sum _x{P}_{XY}(x,y)[\log (P_{X|Y}(x|y))-\log (P_X(x))]\\ & =\sum _y\sum _x{P}_{XY}(x,y)\log (\frac{P_{XY}(x,y)}{P_X(x)P_Y(y)})\end{array}\text{\hspace{1em}(1-4)}$$
因此互信息可以理解为在知道了额外信息（随机变量$Y$​）后，对于随机变量$X$​的不确定性的减少程度。显然，当且仅当$P_{XY}(x,y)=P_X(x)P_Y(y)$的时候，有 $I(X;Y)=0$​，此时可以理解为随机变量$X,Y$​​​是完全独立的。

对互信息进行优化在表征学习中有着广泛地应用，通过最大化互信息可以学习到更好的表征。不难看出，互信息可以用Kullback-Leibler(KL) 散度表示，为：
$$I(X;Y)=D_{KL}(P_{XY}(x,y)||P_Y(y)P_X(x))\text{\hspace{1em}(1-5)}$$
然而，对高维的连续随机变量进行互信息估计是一件很困难的事情，特别是当联合概率分布和边缘概率分布都是未知分布的情况下。因此存在有一些方法尝试对互信息进行下界估计，通过对下界进行求最优化从而间接达到对互信息进行优化的目的。目前最常用的有几种下界估计，Donsker-Varadhan（DV）下界，infoNCE下界和Jensen-Shannon（JS）散度下界。DV下界 [5,6] 如(1-6)所示，其中的$T_{\omega }(x,y)$​​是一个参数为$\omega$​的神经网络判别器，$T_{\omega }:\mathcal{X}\times \mathcal{Y}\to \mathbb{R}$​​​，其对$x$​和$y$​​​的相关程度进行判断。
$$\begin{array}{rl}I(X;Y)& :=D_{KL}(P_{XY}(x,y)||P_Y(y)P_X(x))\ge {\hat{I}}_{\omega }^{(DV)}(X;Y)\\ & ={\mathbb{E}}_{P_{XY}}[T_{\omega }(x,y)]-\log ({\mathbb{E}}_{P_X{P}_Y}[\exp (T_{\omega }(x,y))])\end{array}\text{\hspace{1em}(1-6)}$$
假设$Y=E_{\psi }(X)$是对输入$X$进行求表征的函数，$\psi$是表征神经网络的参数。那么对${\hat{I}}_{\omega }^{(DV)}(X;E_{\psi }(X))$进行最优化，需要同时优化$\omega ,\psi$。表示为：
$$(\hat{\omega },\hat{\psi })=\arg \underset{\omega ,\psi }{\max }{\hat{I}}_{\omega }(X;E_{\psi }(X))\text{\hspace{1em}(1-7)}$$
infoNCE下界如式子(1-8)所示：
$${\hat{I}}_{\omega ,\psi }^{infoNCE}(X;E_{\psi }(X))={\mathbb{E}}_{\mathbb{P}}[T_{\omega ,\psi }(x,E_{\psi }(x))-{\mathbb{E}}_{\tilde{\mathbb{P}}}[\log \sum _{x^{\prime }}\exp (T_{\omega ,\psi }(x^{\prime },E_{\psi }(x)))]]\text{\hspace{1em}(1-8)}$$
从式子(1-6)和(1-8)中，我们发现DV下界和infoNCE下界都依赖于负样本数量，越多负样本才能有越好的效果（笔者暂时还不太理解DV下界为啥依赖于负样本数量）。而在CLIP-Lite中作者提出用JS下界去替代CLIP中的infoNCE下界，而JS下界不依赖于负样本数量，因此每个正样本至多只需要一个负样本就可以进行下界优化，如Fig 1.1所示。JS下界见式子(1-9):
$$\begin{gathered} I(X;E_{\psi }(X))\ge {\hat{I}}_{\omega }^{JS}(X;E_{\psi }(X)) \\ ={\mathbb{E}}_{P(X,E_{\psi }(X))}[-\log (1+\exp (-T_{\omega }))]-{\mathbb{E}}_{P(X)P(E_{\psi }(X))}[\log (1+\exp (T_{\omega }))]\text{\hspace{1em}(1-9)} \end{gathered}$$

Fig 1.1 CLIP-Lite对比CLIP，每个正样本只需要一个负样本即可完成有效的表征对比学习。

其中的$T_{\omega }:\mathcal{X}\times E_{\psi }(X)\to \mathbb{R}$同样是个以$\omega$​为参数的神经网络判别器，用于判断当前输入的图文对是正样本还是负样本，最后的优化目标同样是同时对$\omega$和$\psi$进行优化：
$$(\hat{\omega },{\hat{\theta }}_i,{\hat{\theta }}_t)=\arg \underset{\omega ,{\hat{\theta }}_i,{\hat{\theta }}_t}{\max }{\hat{I}}_{\omega }^{JSD}(f_i(x_i;{\theta }_i),f_t(x_t;{\theta }_t))\text{\hspace{1em}(1-10)}$$
其中的$f_i(x_i)$和$f_t(x_t)$​是图片和文本的编码器，如Fig 1.2所示。

Fig 1.2 图片编码器和文本编码器，通过优化JS下界间接进行互信息优化。

Reference

[1]. Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., … & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. arXiv preprint arXiv:2103.00020.

[2]. https://fesian.blog.csdn.net/article/details/119515146

[3]. He, K., Fan, H., Wu, Y., Xie, S., & Girshick, R. (2020). Momentum contrast for unsupervised visual representation learning. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 9729-9738).

[4]. Shrivastava, Aman, Ramprasaath R. Selvaraju, Nikhil Naik, and Vicente Ordonez. “CLIP-Lite: Information Efficient Visual Representation Learning from Textual Annotations.” arXiv preprint arXiv:2112.07133 (2021).

[5]. M.D Donsker and S.R.S Varadhan. Asymptotic evaluation of certain markov process expectations for large time, iv. Communications on Pure and Applied Mathematics, 36(2):183–212, 1983.

[6]. Hjelm, R. Devon, Alex Fedorov, Samuel Lavoie-Marchildon, Karan Grewal, Phil Bachman, Adam Trischler, and Yoshua Bengio. “Learning deep representations by mutual information estimation and maximization.” arXiv preprint arXiv:1808.06670 (2018).