ProtoCLIP:原型的对比语言图像预训练
IEEE transactions on neural networks and learning systems
|December 4, 2023
概括
原型对比语言图像预训练 (ProtoCLIP) 增强了表示分组,以提高效率和稳定性. 这种方法可以提高下游任务的性能,并且与CLIP相匹配.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 对比性语言图像预训练 (CLIP) 擅长将学习到的表征转移到下游任务中.
- CLIP的InfoNCE目标是对准正图像-文本对并分离负图像,间接分组相似的表示.
- 在CLIP中通过模式内点观察到一个潜在的代表性分组效应.
研究的目的:
- 引入原型对比语言图像预训 (ProtoCLIP) 以提高表示分组的效率和稳定性.
- 改善多式联络模式中的转移学习能力.
- 为了解决代表性学习中的模式差距.
主要方法:
- ProtoCLIP 建立了在图像和文本空间之间进行原型级别的区分,以实现高效的知识传输.
- 原型反向翻译 (PBT) 将表示分组与对齐脱,使得在很大的模式差距下学习成为可能.
- 在线插曲式培训策略允许扩展到无限数据,并结合外部知识来源.
主要成果:
- 在概念捕捉数据集上,ProtoCLIP实现了 +5.81%的ImageNet线性探测改进和 +2.01%的ImageNet零射击分类改进.
- 在YFCC-15M数据集中,ProtoCLIP使用只有33%的培训时间,与CLIP的表现相匹配.
- 提出的方法表明,尽管存在显著的模式差距,但有效地学习了有意义的表示.
结论:
- ProtoCLIP提供了一种更有效,更强大的方法来进行对比性语言形象预训练.
- 通过PBT将分组与对齐脱是处理模式差距和整合外部知识的关键.
- ProtoCLIP为现有的预训练方法提供了可扩展和有效的替代方案,减少了训练时间和提高了性能.
更多相关视频
12:49Transcranial Direct Current Stimulation tDCS of Wernicke's and Broca's Areas in Studies of Language Learning and Word Acquisition
Published on: July 13, 2019
17.0K
10:11Portable Intermodal Preferential Looking IPL: Investigating Language Comprehension in Typically Developing Toddlers and Young Children with Autism
Published on: December 14, 2012
18.5K
