谷歌MIT最新研究证明：高质量数据获取不难，大模型就是归途

获取高质量数据，已经成为当前大模型训练的一大瓶颈。

前几天，OpenAI被《纽约时报》起诉，并要求索赔数十亿美元。诉状中，列举了GPT-4抄袭的多项罪证。

甚至，《纽约时报》还呼吁摧毁几乎所有的GPT等大模型。

一直以来，AI界多位大佬认为「合成数据」或许是解决这个问题的最优解。

此前，谷歌团队还提出了用LLM代替人类标记偏好的方法RLAIF，效果甚至不输人类。

现如今，谷歌MIT的研究人员发现，从大模型中学习可以得到使用真实数据训练的最佳模型的表征。

这一最新方法称SynCLR，一种完全从合成图像和合成描述学习虚拟表征的方法，无需任何真实数据。

论文地址：https://arxiv.org/abs/2312.17742

实验结果表明，通过SynCLR方法学习到的表征，能够与OpenAI的CLIP在ImageNet 上的传输效果一样好。

从生成模型中学习

目前表现最好的「视觉表征」学习方法依赖于大规模的实际数据集。然而，真实数据的收集却有不少的困难。

为了降低收集数据的成本，研究人员本文中提出了一个问题：

从现成的生成模型中采样的合成数据，是否是一条通往大规模策划数据集的可行之路，从而训练出最先进的视觉表征？

与直接从数据中学习不同，谷歌研究人员称这种模式为「从模型中学习」。作为建立大规模训练集的数据源，模型有几个优势：

- 通过其潜在变量、条件变量和超参数，为数据管理提供了新的控制方法。

- 模型也更容易共享和存储（因为模型比数据更容易压缩），并且可以产生无限数量的数据样本。

越来越多的文献研究了生成模型的这些特性和其他优点和缺点，并将其作为训练下游模型的数据源。

其中一些方法采用混合模式，即混合真实数据集和合成数据集，或需要一个真实数据集来生成另一个合成数据集。

其他方法试图从纯粹的「合成数据」中学习表征，但远远落后于表现最好的模型。

论文中，研究人员提出的最新方法，使用生成模型重新定义可视化类的粒度。

如图2所示，使用2个提示生成了四张图片「一只戴着墨镜和沙滩帽的金毛猎犬骑着自行车」和「一只可爱的金毛猎犬坐在寿司做成的房子里」。

传统的自监督方法（如Sim-CLR）会将这些图像视为不同的类，不同图像的嵌入会被分开，而不会明确考虑图像之间的共享语义。

另一个极端是，监督学习方法（即SupCE）会将所有这些图像视为单一类（如「金毛猎犬」）。这就忽略了这些图像在语义上的细微差别，例如在一对图像中狗在骑自行车，而在另一对图像中狗坐在寿司屋内。

相反，SynCLR方法将描述视为类，即每个描述一个可视化类。

这样，我们就可以按照「骑自行车」和「坐在寿司店里」这两个概念对图片进行分组。

这种粒度很难在真实数据中挖掘，因为收集由给定描述的多张图片并非易事，尤其是当描述数量增加时。

然而，文本到图像的扩散模型从根本上就具备这种能力。

只需对相同的描述设定条件，并使用不同的噪声输入，文本到图像的扩散模型就能生成与相同描述相匹配的不同图像。

具体来说，作者研究了在没有真实图像或文本数据的情况下，学习视觉编码器的问题。

最新方法依赖3个关键资源的利用：一个语言生成模型（g1），一个文本到图像的生成模型（g2），以及一个经过整理的视觉概念列表（c）。

前处理包括三个步骤：

（1）使用（g1）合成一组全面的图像描述T，其中涵盖了C中的各种视觉概念；

（2）对于T中的每个标题，使用（g2）生成多个图像，最终生成一个广泛的合成图像数据集X；

（3）在X上进行训练，以获得视觉表示编码器f。

然后，分别使用llama-27b和Stable Diffusion 1.5作为（g1）和（g2），因为其推理速度很快。

合成描述

为了利用强大的文本到图像模型的能力，来生成大量的训练图像数据集，首先需要一个不仅精确描述图像而且展示多样性的描述集合，以包含广泛的视觉概念。

对此，作者开发了一种可扩展的方法来创建如此大量的描述集，利用大模型的上下文学习能力。

如下展示了三个合成模板的示例。

如下是使用Llama-2生成上下文描述，研究人员在每次推理运行中随机抽取三个上下文示例。

合成图像

对于每个文本描述，研究人员都会用不同的随机噪声启动反向扩散过程，从而生成各种图像。

在此过程中，无分类器引导（CFG）比例是一个关键因素。

CFG标度越高，样本的质量和文本与图像之间的一致性就越好，而标度越低，样本的多样性就越大，也就越符合基于给定文本的图像原始条件分布。

表征学习

论文中，表征学习的方法建立在StableRep的基础上。

作者提出的方法的关键组成部分是多正对比学习损失，它的工作原理是对齐（在嵌入空间）从同一描述生成的图像。

另外，研究中还结合了其他自监督学习方法的多种技术。

与OpenAI的CLIP相媲美

实验评估中，研究人员首先进行消融研究，以评估管道内各种设计和模块的有效性，然后继续扩大合成数据的量。

下图是不同描述合成策略的比较。

研究人员报告了9个细粒度数据集的ImageNet线性评估准确性和平均准确性。这里的每个项目包括1000万个描述和每个描述4张图片。

下表是ImageNet线性评估与细粒度分类的比较。

尽管只使用了合成数据，但SynCLR与OpenAI的CLIP和DINO v2模型取得了不相上下的结果。

下表是在相同的合成数据上比较SynCLR和CLIP，可以看出，SynCLR明显优于CLIP。

具体设置为，每个标题生成4个图像，SynCaps-150M为SynCLR和CLIP提供了更好的表示。

PCA可视化如下。按照DINO v2，研究人员计算了同一组图像的斑块之间的PCA，并根据其前3个分量进行着色。

与DINO v2相比，SynCLR对汽车和飞机的绘制的图更为准确，而对能绘制的图则稍差一些。

图6和图7中，分别展示了不同训练规模下的ImageNet线性准确率，以及不同训练参数规模下的精细分类。

为什么要从生成模型中学习？

一个令人信服的原因是，生成模型可以像数百个数据集一样同时运作，能够为策划训练数据提供了一种方便有效的方法。

总而言之，最新论文研究了视觉表征学习的新范式——从生成模型中学习。

在没有使用任何实际数据的情况下，SynCLR学习到的视觉表征，与最先进的通用视觉表征学习器学习到的视觉表征不相上下。