[ICLR 2023] LPT: Long-tailed Prompt Tuning for Image Classification

Introduction

• 作者提出 Long-tailed Prompt Tuning (LPT)，通过 prompt learning 来解决长尾问题，包括 (1) 使用 shared prompt 学习 general features 并将预训练模型 adapt 到 target domain；(2) 使用 group-specific prompts 学习 group-specific features 来提高模型的 fine-grained discriminative ability

Preliminary Study

Performance Investigation of VPT (Visual Prompt Tuning)

• 作者首先通过对比 VPT (Visual Prompt Tuning) 和 linear probing 在 Places-LT 数据集上的精度来说明 prompt tuning 对长尾数据集是有效的 (VPT 的输入为 input tokens 加上 learnable prompts (tokens)，同时和 linear probing 一样在预训练模型最后加上 linear classifier)
• 从下表中可以看出：a) prompt tuning 可以持续提高模型的 LTR 性能；b) prompt tuning 对长尾分布具有鲁棒性，能更好地学习尾部类别。同时也可以注意到，简单的 prompt tuning 并不能直接让模型在长尾数据集上达到 SOTA
  

Analysis of Prompt Tuning

• 作者接下来分析了为什么 prompt tuning 适合长尾识别 (但仍然没有从原理上分析为什么)
• 由下图的 LDA 可视化可以看出 (use the pretrained ViT-B and the ViT-B fine-tuned by VPT on Places-LT to extract features of ImageNet val set and Places-LT val set)，prompt tuning 可以很好地将下游任务数据分布 (Places-LT) 和预训练数据分布 (ImageNet) 对齐，可以更好地让预训练模型 adapt 到长尾任务的 target domain (from domain adaptation perspective)
  
• 作者计算了 ViT-B 和 VPT 输出特征的平均类内距离、平均类间距离以及两者之商 $\gamma$，可以看到，VPT 的平均类内距离和 $\gamma$ 都更小，KNN 分类准确率更高，说明 VPT 输出的特征更具有区分度
  

Long-tailed Prompt Tuning (LPT)

Phase 1: Shared Prompt Tuning

• 类似于 VPT-Deep，给 ViT 的 $L$ 层都各自加上额外的 prompts，因此 phase 1 需要优化 shared prompt $\mathbf{u}=[{\mathbf{u}}_1,...,{\mathbf{u}}_L]$ 和 cosine classifier $f$，其中 shared prompt 用于学习所有类别的共同特征，并带来了上节讨论的 prompt tuning 的各种好处，包括 domain adaptation 和输出更具区分度的特征
• 每层里的前向过程为
  其中，$\mathbf{c}$ 为 [CLS]，$\mathbf{z}$ 为 token embed. 新添加的 prompts 不需要计算对应的自注意力输出，只需要作为 key 和 value 与 token embed 做交互即可
• 损失函数为
  

Phase 2: Group Prompts Tuning

• 作者在 phase 2 加入了 $m$ 组 group-specific prompts $\mathcal{R}=\{({\mathbf{k}}_1,{\mathbf{r}}^1),...,({\mathbf{k}}_m,{\mathbf{r}}^m)\}$ 用于学习 group-specific knowledge 从而增强模型的 fine-grained discriminative ability，其中 ${\mathbf{k}}_i$ 为 $i$-th group 的 key，${\mathbf{r}}^i$ 为 $i$-th group 的 prompts，包含 $L-K$ 个 prompt 序列 (只在后 $L-K$ 层使用 group-specific prompts).
• Phase 2 包含两个步骤：(1) 冻住 shared prompts，经过 $L$ 层推理得到 ${\mathbf{c}}_L$ 作为 query $\mathbf{q}$ 与 $m$ 个 keys 计算余弦相似度，选出相似度最高的 $k$ 个 groups
  然后对选出的 $k$ 个 groups 的 prompts 进行 prompt ensembling
  (2) 重新使用步骤 (1) 在前向传播中得到的 $({\mathbf{c}}_K,{\mathbf{z}}_K)$，在后 $L-K$ 层重新进行前向传播，每层的输入包括 [CLS] embed $\mathbf{c}$、patch embed $\mathbf{z}$、shared prompt $\mathbf{u}$ 和 group-specific prompt $\mathbf{r}$，每层里的前向过程为
  
• 损失函数为
  其中，$\beta$ 为 scale factor，第二项损失函数被用于增大 $\mathbf{q}$ 和其匹配的 $k$ 个 groups 的 keys 之间的余弦相似度，这是由于 Phase 1 生成的特征已经比较 compact 并且在 Phase 2 是不变的，因此该损失项可以使得 keys 靠近特征空间中的不同聚类中心，使得不同 groups 对应不同的 group-specific feature
• Dual Sampling. class-balanced sampling 和 instance-balanced sampling 分别容易使得模型对尾部和头部类别过拟合，作者采用 Dual Sampling，从 instance-balanced sampler 和 class-balanced sampler 分别采样一个 mini-batch { I } ins \{\mathbf I\}_{\text{ins}} {I}ins​ 和 { I } bal \{\mathbf I\}_{\text{bal}} {I}bal​. { I } bal \{\mathbf I\}_{\text{bal}} {I}bal​ 的损失函数对应 $\beta =1$ 时的 ${\mathcal{L}}_{{\mathbf{P}}_2}$， { I } ins \{\mathbf I\}_{\text{ins}} {I}ins​ 的损失函数对应 $\beta =\eta (E-e)/E$ 时的 ${\mathcal{L}}_{{\mathbf{P}}_2}$，其中 $\eta =0.5$ 为 initialized weight，$E$ 为总的训练 epoch 数，$e$ 为当前 epoch 数

Loss Function

• phase 1/2 中使用的 ${\mathcal{L}}_{\text{cls}}$ 采用 asymmetric GCL loss ${\mathcal{L}}_{\text{A-GCL}}$.
• 首先根据 GCL 对 logits $\hat{\mathbf{s}}$ 进行加上 bias 和 rescale
  其中，$\alpha$ 为 scaling factor，$ϵ$ 为从高斯分布中采样的随机变量 ($\Vert ϵ\Vert$ 为取绝对值)，$n_i$ 为训练集中类别 $i$ 的样本数，$n_{max}$ 为训练集中的最大类别样本数. 对应的 per-class probability 为
  
• 然后根据 ASL 进行 Asymmetric Focusing
  $${\mathcal{L}}_{\mathrm{A}-\mathrm{GCL}}=-{\mathbf{y}}_{\mathrm{j}}{\left(1-{\mathbf{p}}_{\mathrm{j}}\right)}^{{\lambda }_{+}}\log \left({\mathbf{p}}_{\mathrm{j}}\right)-\sum _{1\le \mathrm{i}\le \mathrm{C},\mathrm{i}\ne \mathrm{j}}{\mathbf{y}}_{\mathrm{i}}{\left({\mathbf{p}}_{\mathrm{i}}\right)}^{{\lambda }_{-}}\log \left({\mathbf{p}}_{\mathrm{i}}\right)$$其中，$j$ 为输入样本的标签类别，${\lambda }_{+}=0,{\lambda }_{-}=4$ 为 focusing parameter，$\mathbf{y}$ 为 label smoothing 后的类别标签向量，即 ${\mathbf{y}}_{\mathrm{j}}=0.9+0.1/C,{\mathbf{y}}_{\mathrm{i}}=0.1/C$ (疑问：ASL 本来是 BCE 上用的，但这里是 CE + label smoothing 之后再加上 ASL 的动态加权，${\left(1-{\mathbf{p}}_{\mathrm{j}}\right)}^{{\lambda }_{+}}$ 的意义和 ASL 一样，都是筛选出难样本，但感觉 ${\left({\mathbf{p}}_{\mathrm{i}}\right)}^{{\lambda }_{-}}$ 的意义已经和 ASL 完全不同了，可以等进一步理解 label smoothing 为什么有用之后再来看)

Experiments

• Model. ViT-B/16 with ImageNet-21k pretrained model.
• Shared Prompt. default length of prompt as 10.
• Group-specific Prompts. shared layer number $K=6$ and the size of prompt size $m=20$; for each prompt in the set, the prompt length is also set as 10 (Note that setting $K=6$ may lead to 1.5x inference cost compared to VPT). prompt ensemble number $k=2$.

Comparison with State-of-The-Art Methods

• Comparison on Places-LT.
  
• Comparison on CIFAR100-LT.
  
• Comparison on iNaturalist 2018.
  

Robustness with Domain Shift

Ablation Study

• Different Model Size and Pretrained Models.
  

• Effect of Each Phase.
  

• Decoupled Training. during joint training, the shared prompt is still updated simultaneously, thus the query function is sub-optimal during training, resulting in worse matching results.
  

• Query Function and Group Size $m$.
  when we further increase the size to 40, the final accuracy declines to 49.87%. A possible reason is that, some classes in the dataset may share some similar group-specific feature or knowledge

• Effect of $K$. $K$ 过大会导致无法学得有效的 group-specific knowledge，过小会导致 Phase 2 匹配 groups 时无法充分利用 Phase 1 得到的 adapted feature representation
  

• Effect of Ensemble Number $k$.
  

• Effect of Asymmetric GCL Loss.
  

• Statistic of Prompt Matching.
  

References

• Dong, Bowen, et al. “LPT: Long-tailed Prompt Tuning for Image Classification.” (ICLR 2023).
• code: https://github.com/DongSky/LPT