超越CLIP的多模态模型，只需不到1%的训练数据！南加大最新研究来了

羿阁 发自 凹非寺
量子位 | 公众号 QbitAI

火爆全网的AI绘画你玩了吗？

女娲无限版、DALL·E2、Imagen……这些通过文字生成图像的AI绘画工具，背后的原理都是一个叫“CLIP”的模型，它是AI如何“理解”人类语义这一问题的关键。

CLIP（Contrastive Language–Image Pre-training），是一种基于对比的图片-文本学习的跨模态预训练模型，由OpenAI于去年1月发布。

它好用是好用，但一个大问题是数据需求太大：4亿个图像文本对、256个GPU，这对许多公司和个人都很不友好。

对此，南加州大学的最新研究发现了一种基于本体的课程学习（Curriculum Learning）算法，只需不到1%的训练数据就能达到CLIP同款效果，甚至在图像检索方面表现更好。

新方法名为TOnICS（Training with Ontology-Informed Contrastive Sampling），相关论文已上传到arXiv。

原理介绍

在介绍新方法之前，首先需要回顾一下CLIP。

CLIP的模型结构其实非常简单：包括两个部分，即文本编码器和图像编码器。

两者分别编码后，将文本和视觉嵌入映射到相同空间中，使用对比学习的思想，将匹配的图片-文本Embedding的距离拉近，将不匹配的Embedding拉远。

在此基础上，TOnICS没有选择从头训练图像和文本编码器，而是把单模态预训练模型BERT用于文本编码，微软的VinVL用于图像编码，并使用InfoNCE损失函数将它们彼此对齐。

这是一种基于本体的课程学习算法，从简单的样本开始训练，方法是随机抽样小批次，并通过在图像和文本输入中加入相似的小批量数据，逐步加大对比任务的难度。

举个例子，在随机抽样生成的小批量数据中，如果想找到“一条叼着飞盘在草地上奔跑的狗”，只需要先找画面中有狗的图片即可，因为随机生成的图像中包含狗的概率非常小。

也就意味着，随机小批量抽样将对比任务简化为了对象匹配。

但当对小批样进行采样时，会抓取到很多画面中有狗的相似图片，因此仅靠识别图片中是否有狗已经不能解决问题了，该模型必须共享上下文级信息的语言和视觉表示，从而产生更细粒度的对齐。

此外，不同于CLIP从互联网收集构建了4亿个图像-文本对的数据集，BERT-VinVL模型只需不到1%的训练量，但效果并没有打折扣。

研究人员在MS-COCO和Conceptual Captions上训练BERT-VinVL模型，并将该模型与下游检索任务上的CLIP进行比较。

实验结果发现，BERT-VinVL模型同样能达到零样本学习效果，甚至在图像检索上表现更好（ [email protected] 提高了 1.5%）。

研究团队

该篇论文来自南加州大学的研究团队，作者分别是Tejas Srinivasan、Xiang Ren和Jesse Thomason。

第一作者Tejas Srinivasan，是南加州大学GLAMOR实验室的一年级博士生，跟随助理教授Jesse Thomason进行多模态机器学习和语言基础领域的研究。

他曾在微软研究院实习，并在人工智能基金会短暂地担任过 NLP 研究科学家。

之前在卡内基梅隆大学语言技术学院完成了硕士学位，本科毕业于孟买印度理工学院机械工程专业，辅修计算机科学学位。

参考链接：
[1]https://tejas1995.github.io/
[2]https://twitter.com/tejubabyface_/status/1554152177035186178
[3]https://arxiv.org/abs/2207.14525