マルチモーダル自己教師あり学習: 目的関数、データ調整、モデル アーキテクチャの探索 - 最新のエディンバラのレビューを例に

マルチモーダル学習は、複数のモダリティからの情報を理解して分析することを目的としており、近年、監視メカニズムが大幅に進歩しました。

#ただし、データへの依存度が高く、高価な手動アノテーションが組み合わされると、モデルのスケーリングが妨げられます。同時に、現実世界では大規模なラベルなしデータが利用できるため、自己教師あり学習はラベル付けのボトルネックを軽減する魅力的な戦略となっています。

これら 2 つの方向に基づいて、自己教師ありマルチモーダル学習 (SSML) は、元のマルチモーダル データからの監視を活用する方法を提供します。

##論文アドレス: https : //arxiv.org/abs/2304.01008

#プロジェクト アドレス: https://github.com/ ys-zong/awesome-self-supervised-multimodal-learning

このレビューでは、最先端の手法の包括的なレビューを提供します。 SSML では、目的関数、データ アラインメント、モデル アーキテクチャという 3 つの直交軸に沿って分類します。 これらの軸は、自己教師あり学習方法とマルチモーダル データの固有の特性に対応します。

具体的には、トレーニング目標をインスタンス識別、クラスタリング、マスク予測のカテゴリに分割します。また、トレーニング中のマルチモーダル入力データのペアリングと調整戦略についても説明します。最後に、SSML メソッドの重要なコンポーネントであるエンコーダー、融合モジュール、デコーダーの設計を含むモデル アーキテクチャを確認します。

ダウンストリームのマルチモーダル アプリケーション タスクをレビューし、最先端の画像テキスト モデルとマルチモーダル ビデオ モデルの具体的なパフォーマンスをレポートし、SSML もレビューします。さまざまな分野でのアルゴリズム ヘルスケア、リモートセンシング、機械翻訳などの実用的なアプリケーション。最後に、SSML の課題と将来の方向性について説明します。

1. はじめに

人間

は、視覚、聴覚、触覚、嗅覚などのさまざまな感覚を通じて世界を認識します。私たちは、各モダリティからの補完的な情報を活用することで、周囲の状況を包括的に理解します。 AI 研究は、人間の行動を模倣し、同様の方法で世界を理解するインテリジェント エージェントの開発に焦点を当ててきました。この目的を達成するために、マルチモーダル機械学習の分野 [1]、[2] は、複数の異なるモダリティからのデータを処理および統合できるモデルを開発することを目的としています。近年、マルチモーダル学習は大幅な進歩を遂げ、視覚および言語学習 [3]、ビデオ理解 [4]、[5]、生物医学 [6]、自動運転 [7] などの分野での一連の応用につながっています。より根本的には、マルチモーダル学習は、人工知能における長年の基礎的な問題を前進させており、私たちをより一般的な人工知能に近づけています。

ただし、マルチモーダル アルゴリズムでは、効果的なトレーニングを行うために依然として高価な手動アノテーションが必要なことが多く、これがアルゴリズムの拡張の妨げになっています。最近、自己教師あり学習 (SSL) [9]、[10] が、すぐに利用できる注釈付きデータから教師を生成することで、この問題を軽減し始めています。シングルモーダル学習における自己監視はかなり明確に定義されており、トレーニングの目的と、監視に人間による注釈が使用されるかどうかのみに依存します。ただし、マルチモーダル学習の文脈では、その定義はより微妙になります。マルチモーダル学習では、1 つのモダリティが別のモダリティの監視信号として機能することがよくあります。手動アノテーションのボトルネックを解消することによる上方スケーリングの目標に関して、自己監視の範囲を定義する際の重要な問題は、クロスモーダルペアリングが自由に取得できるかどうかです。

自己教師ありマルチモーダル学習 (SSML) は、自由に利用できるマルチモーダル データと自己教師あり目標を活用することで、マルチモーダル モデルの機能を大幅に強化します。 このレビューでは、SSML アルゴリズムとそのアプリケーションをレビューします。目的関数、データ アライメント、モデル アーキテクチャという 3 つの直交軸に沿ってさまざまな手法を分解します。 これらの軸は、自己教師あり学習アルゴリズムの特性と、マルチモーダル データに必要な特定の考慮事項に対応します。図 1 は、提案された分類法の概要を示しています。事前タスクに基づいて、トレーニング目標をインスタンス識別、クラスタリング、マスク予測のカテゴリに分割します。これらのアプローチを 2 つ以上組み合わせたハイブリッド アプローチについても説明します。

マルチモーダル自己監視に特有なのは、マルチモーダル データ ペアリングの問題です。 モダリティ間のペアリング、またはより一般的にはアラインメントは、SSML アルゴリズムによって入力として (たとえば、あるモダリティが別のモダリティに監視を提供するために使用される場合) だけでなく、出力としても (たとえば、ペアになっていないデータから学習し、副産物）。我々は、マルチモーダルな自己監視で自由に利用できるとしばしば想定されている粗粒度レベルでの位置合わせのさまざまな役割 (例: Web クロールされた画像とキャプション [11])、時には明示的または暗黙的に誘導される粒度の細かい位置合わせ (例: 、タイトルの単語と画像パッチの対応[12])。さらに、目的関数とデータ調整の仮定の交差部分を調査します。

は、最新の SSML モデル アーキテクチャの設計も分析します。 具体的には、モード固有のエンコーダ (融合なしまたは後期融合あり) と初期融合のある統合エンコーダを比較して、エンコーダと融合モジュールの設計空間を検討します。また、特定のデコーダ設計を備えたアーキテクチャを調査し、これらの設計選択の影響についても説明します。

最後に、医療、リモート センシング、機械翻訳などを含む複数の実世界のドメインにおけるこれらのアルゴリズムの応用について説明し、SSML の技術的課題と社会的影響について説明します。については徹底的に議論されており、将来の研究の方向性を示しています。この分野の研究者や実務者に出発点を提供するために、手法、データセット、実装における最近の進歩を要約します。

既存のレビュー論文は、教師ありマルチモーダル学習 [1]、[2]、[13]、[14] のみに焦点を当てているか、単一モダリティの自己教師あり学習 [9] に焦点を当てています。 ]、[10]、[15]、または視覚言語事前トレーニング [16] などの SSML の特定のサブ領域。 最も関連性の高いレビューは[17]ですが、時間データに重点​​を置き、アライメントとアーキテクチャのマルチモーダル自己監視の重要な考慮事項を無視しています。対照的に、SSML アルゴリズムの包括的かつ最新の概要を提供し、アルゴリズム、データ、アーキテクチャをカバーする新しい分類法を提供します。

#2. 背景知識

マルチモーダル学習における自己監視

この用語は以前の文献で一貫性なく使用されてきたため、最初にこの調査で考慮される SSML の範囲について説明します。シングルモーダルコンテキストでの自己監視の定義は、さまざまな口実タスクのラベルフリーの性質を呼び出すことでより簡単になります。たとえば、よく知られたインスタンスの識別 [20] やマスクされた予測ターゲット [21] による自己監視の実装などです。対照的に、マルチモーダル学習では、モダリティとラベルの役割があいまいになるため、状況はさらに複雑になります。たとえば、教師付き画像キャプション [22] では、テキストは通常​​ラベルとして扱われますが、自己教師付きマルチモーダル視覚および言語表現学習 [11] では、テキストは入力モダリティとして扱われます。

マルチモーダルの文脈では、自己監視という用語は、少なくとも 4 つの状況を指すために使用されています。 (1) 自動的にペアになったマルチモーダル データからのラベルフリー学習 — — 映画などビデオとオーディオのトラック [23]、または RGBD カメラからの画像と深度データ [24] を使用します。 (2) マルチモーダル データからの学習。1 つのモダリティに手動でアノテーションが付けられている、または 2 つのモダリティが手動でペアになっていますが、このアノテーションは別の目的のために作成されているため、SSML の事前トレーニングには無料であると見なされます。たとえば、独創的な CLIP [11] で使用されている、ウェブから取得した画像とキャプションのペアのマッチングは、実際にはペアリングが監視される教師あり計量学習 [25]、[26] の一例です。ただし、パターンとペアリングは両方とも大規模に自由に利用できるため、多くの場合、自己監視型であると説明されます。この未管理の偶発的に作成されたデータは、COCO [22] や Visual Genome [27] などの特別に厳選されたデータセットよりも品質が低く、ノイズが多いことがよくあります。 (3) 高品質の目的アノテーション付きマルチモーダル データ (たとえば、COCO [22] の手動でキャプションが付けられた画像) から学習しますが、Pixel-BERT [28] などの自己教師型スタイルの目的を使用します。 (4) 最後に、無料のマルチモーダル データと手動でラベル付けされたマルチモーダル データを組み合わせて使用​​する「自己教師あり」手法があります [29]、[30]。この調査の目的のために、私たちは自己監視の考えに従い、手動アノテーションのボトルネックを打破することでスケールアップを目指します。したがって、自由に利用できるデータでトレーニングできるという観点から、最初の 2 つのカテゴリと 4 番目のカテゴリのメソッドが含まれています。手動でキュレーションされたデータセットに対してのみ示されている方法は、キュレーションされたデータセットに典型的な「自己監視」目標 (マスクされた予測など) を適用するため、除外します。

(a) 教師ありマルチモーダル学習と (b) 自己教師あり マルチモーダル学習の学習パラダイム: 手動アノテーションなしの自己教師あり事前トレーニング(上)、下流のタスクを監督して微調整します (下)。

3. 目的関数

このセクションでは、3 種類の自己教師ありマルチモーダル アルゴリズムのトレーニングに使用される目的関数を紹介します。識別、クラスタリング、マスキング予測。最後に、ハイブリッドターゲットについても説明しました。

3.1 インスタンスの識別

シングルモード学習では、インスタンスの識別 (ID) が元のデータを各データに変換します。のインスタンスは別のクラスとして扱われ、モデルは異なるインスタンスを区別するようにトレーニングされます。マルチモーダル学習のコンテキストでは、インスタンスの識別は通常、2 つの入力モダリティからのサンプルが同じインスタンスからのものであるかどうか、つまりペアであるかどうかを判断することを目的としています。そうすることで、異なるインスタンスのペアの表現空間をさらに遠ざけながら、パターンのペアの表現空間を揃えようとします。インスタンス認識の目標には、入力のサンプリング方法に応じて、対照予測と一致予測の 2 種類があります。

##3.2 クラスタリング

クラスタリング手法は、トレーニングされたエンドツー-end クラスタリングでは、意味的に顕著な特徴に基づいてデータがグループ化されます。実際には、これらの方法は、エンコードされた表現のクラスター割り当てを繰り返し予測し、これらの予測 (擬似ラベルとも呼ばれます) を監視信号として使用して、特徴表現を更新します。マルチモーダル クラスタリングは、マルチモーダル表現を学習する機会を提供し、各モダリティの疑似ラベルを使用して他のモダリティを監視することで従来のクラスタリングを改善することもできます。

3.3 マスク予測

マスク予測タスクでは、自動エンコード (BERT[101] と同様) を使用することも、実行する自動回帰メソッド (GPT [102] と同様)。

以上がマルチモーダル自己教師あり学習: 目的関数、データ調整、モデル アーキテクチャの探索 - 最新のエディンバラのレビューを例にの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。