쑨원대학교 인간-기계 지능 융합 연구소(HCP)는 AIGC 및 다중 모드 대형 모델에서 유익한 성과를 거두었으며 최근 AAAI 2023 및 CVPR 2023에서 10개 이상의 논문에 선정되었습니다. 글로벌 연구 기관의 첫 번째 계층입니다.
작업 중 하나는 인과 모델을 사용하여 튜닝 시 다중 모달 대형 모델의 제어 가능성과 일반화를 크게 개선한 것입니다. "마스크된 이미지는 강력한 미세 조정을 위한 반사실 샘플입니다."
링크: https://arxiv.org/abs/2303.03052
사전 훈련된 대규모 모델을 사용하여 다운스트림 작업을 미세 조정하는 것은 현재 인기 있는 딥 러닝 패러다임입니다. . 특히, 최근 사전 학습된 대규모 언어 모델인 ChatGPT의 뛰어난 성능으로 인해 이러한 기술 패러다임이 널리 인식되었습니다. 대규모 데이터로 사전 학습한 후 이러한 대규모 사전 학습 모델은 실제 환경에서 변화하는 데이터 분포에 적응할 수 있으므로 일반 시나리오에서 강력한 견고성을 보여줍니다.
그러나 미리 훈련된 대형 모델이 다운스트림 장면 데이터로 미세 조정되어 특정 애플리케이션 작업에 적응할 때 대부분의 경우 이러한 데이터는 특이합니다. 이러한 데이터를 사용하여 사전 훈련된 대형 모델을 미세 조정하면 모델의 견고성이 저하되어 사전 훈련된 대형 모델을 기반으로 적용하기가 어려워지는 경우가 많습니다. 특히 시각적 모델의 경우 이미지의 다양성이 언어를 훨씬 뛰어넘기 때문에 다운스트림 미세 조정 학습으로 인해 비전 관련 사전 학습된 대형 모델의 견고성이 저하되는 문제가 특히 두드러집니다.
이전 연구 방법은 일반적으로 모델 통합 및 기타 방법을 통해 모델 매개변수 수준에서 암시적으로 미세 조정된 사전 훈련된 모델의 견고성을 유지합니다. 그러나 이들 연구에서는 미세 조정이 모델의 분포를 벗어난 성능 저하로 이어지는 본질적인 이유를 분석하지 않았으며, 위에서 언급한 대형 모델의 미세 조정 후 견고성이 감소하는 문제를 명확하게 해결하지 못했습니다.
본 연구는 크로스 모달 대형 모델을 기반으로 사전 학습된 대형 모델의 강인성 손실에 대한 본질적인 이유를 인과성 관점에서 분석하고 이에 따라 모델의 강인성을 크게 향상시킬 수 있는 방법을 제안합니다. 모델을 미세 조정하세요. 이 방법을 사용하면 모델이 다운스트림 작업에 적응하면서 강력한 견고성을 유지할 수 있으며 실제 응용 프로그램의 요구 사항을 더 잘 충족할 수 있습니다.
2021년 OpenAI에서 출시한 대규모 교차 모달 사전 학습 모델 CLIP(Contrastive Language-Image Pre-training)을 예로 들어 보겠습니다. CLIP은 대조 이미지-텍스트를 기반으로 하는 대규모 교차 모달 사전 학습 모델입니다. 공동 학습 모델은 Stable Diffusion과 같은 생성 모델의 기초입니다. 이 모델은 약 4억 개의 이미지-텍스트 쌍이 포함된 대규모 다중 소스 데이터에 대해 훈련되었으며 어느 정도 분포 변화에 강력한 인과 관계를 학습합니다.
그러나 단일 기능 다운스트림 데이터로 CLIP을 미세 조정하는 경우 훈련 이미지의 비의미적 표현과 의미적 표현이 매우 얽혀 있기 때문에 모델에서 학습한 이러한 인과 지식을 파괴하기 쉽습니다. 예를 들어 CLIP 모델 전송을 "농장"의 다운스트림 시나리오에 적용하면 많은 훈련 이미지에 풀밭에 있는 "소"가 표시됩니다. 이 시점에서 미세 조정 훈련을 통해 모델은 잔디의 "소"가 아닌 의미론적 표현에 의존하여 이미지의 의미론을 예측하는 방법을 학습할 수 있습니다. 그러나 이 상관관계가 반드시 맞는 것은 아닙니다. 예를 들어 "소"가 도로에 나타날 수도 있습니다. 따라서 모델을 미세 조정하고 훈련한 후에는 견고성이 감소하고 적용 중 출력 결과가 극도로 불안정해지고 제어성이 부족해질 수 있습니다.
팀의 다년간의 대형 모델 구축 및 학습 경험을 바탕으로 이 작업은 사전 학습된 모델의 미세 조정으로 인해 발생하는 견고성 감소 문제를 인과 관계의 관점에서 재검토합니다. 인과관계 모델링 및 분석을 기반으로 본 연구에서는 이미지 마스크를 기반으로 반사실적 샘플을 구성하고 마스크 이미지 학습을 통해 모델 견고성을 향상시키는 미세 조정 학습 방법을 제안합니다.
구체적으로, 다운스트림 훈련 이미지의 허위 상관 관계를 깨기 위해 이 작업은 비의미적 영역을 조작하기 위해 이미지의 특정 영역의 콘텐츠를 마스킹하고 대체하는 CAM(클래스 활성화 맵) 기반 방법을 제안합니다. 이미지의 의미 표현 또는 의미론적 표현은 반사실적 샘플을 생성합니다. 미세 조정된 모델은 증류를 통해 사전 훈련된 모델에 의해 이러한 반사실적 샘플의 표현을 모방하는 방법을 학습할 수 있으므로 의미적 요인과 비의미적 요인의 영향을 더 효과적으로 분리하고 다운스트림 필드의 분포 이동에 대한 적응성을 향상시킬 수 있습니다.
실험에 따르면 이 방법은 다운스트림 작업에서 사전 훈련된 모델의 성능을 크게 향상시키는 동시에 기존 대형 모델 미세 조정 훈련 방법에 비해 견고성을 향상시키는 데 상당한 이점이 있습니다.
이 작업의 중요한 의의는 사전 훈련된 대형 모델이 딥러닝 패러다임에서 물려받은 '블랙박스'를 어느 정도 열고, '해석 가능성'과 '제어 가능성' 문제를 해결한다는 점입니다. 대형 모델 중요한 탐색을 통해 사전 훈련된 대형 모델을 통한 실질적인 생산성 향상에 더 가까워졌습니다.
중산대학교 HCP 팀은 Transformer 메커니즘이 등장한 이후 수년 동안 대형 모델 기술 패러다임에 대한 연구에 참여해 왔으며 대형 모델의 훈련 효율성을 향상하고 인과 모델을 도입하는 데 전념하고 있습니다. 대형 모델의 "제어성" 문제를 해결합니다. 수년에 걸쳐 팀은 시각, 언어, 음성 및 교차 양식에 대한 여러 대규모 사전 훈련 모델을 독립적으로 연구하고 개발했습니다. Huawei의 Noah's Ark Laboratory와 공동으로 개발한 "Wukong" 교차 모드 대형 모델(링크: https:/ /arxiv.org/abs/2202.06767)이 전형적인 경우입니다.
팀 소개
쑨원대학교 인간-컴퓨터 지능 융합 연구실(HCP Lab)은 다중 모드 인지 컴퓨팅, 로봇 공학 및 임베디드 시스템, 메타버스 및 디지털 휴먼, 제어 가능한 콘텐츠 생성, 현장에서 체계적인 연구를 수행하고, 제품 프로토타입의 심층적인 응용 시나리오를 만들고, 다수의 원천 기술을 수출하고, 기업가 팀을 육성합니다. 이 연구실은 2010년 IAPR 연구원인 Lin Liang 교수가 설립했으며 중국 이미지 그래픽 학회 과학기술상 1등상, Wu Wenjun 자연과학상, 지방 자연과학 1등상 등을 수상했습니다. Liang Xiaodan, Wang Keze와 같은 국가 수준의 젊은 인재를 양성했습니다.
위 내용은 Sun Yat-sen University HCP 연구실의 새로운 혁신: 인과 패러다임을 사용하여 다중 모드 대형 모델 업그레이드의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

1 前言在发布DALL·E的15个月后,OpenAI在今年春天带了续作DALL·E 2,以其更加惊艳的效果和丰富的可玩性迅速占领了各大AI社区的头条。近年来,随着生成对抗网络(GAN)、变分自编码器(VAE)、扩散模型(Diffusion models)的出现,深度学习已向世人展现其强大的图像生成能力;加上GPT-3、BERT等NLP模型的成功,人类正逐步打破文本和图像的信息界限。在DALL·E 2中,只需输入简单的文本(prompt),它就可以生成多张1024*1024的高清图像。这些图像甚至

“Making large models smaller”这是很多语言模型研究人员的学术追求,针对大模型昂贵的环境和训练成本,陈丹琦在智源大会青源学术年会上做了题为“Making large models smaller”的特邀报告。报告中重点提及了基于记忆增强的TRIME算法和基于粗细粒度联合剪枝和逐层蒸馏的CofiPruning算法。前者能够在不改变模型结构的基础上兼顾语言模型困惑度和检索速度方面的优势;而后者可以在保证下游任务准确度的同时实现更快的处理速度,具有更小的模型结构。陈丹琦 普

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

由于复杂的注意力机制和模型设计,大多数现有的视觉 Transformer(ViT)在现实的工业部署场景中不能像卷积神经网络(CNN)那样高效地执行。这就带来了一个问题:视觉神经网络能否像 CNN 一样快速推断并像 ViT 一样强大?近期一些工作试图设计 CNN-Transformer 混合架构来解决这个问题,但这些工作的整体性能远不能令人满意。基于此,来自字节跳动的研究者提出了一种能在现实工业场景中有效部署的下一代视觉 Transformer——Next-ViT。从延迟 / 准确性权衡的角度看,

3月27号,Stability AI的创始人兼首席执行官Emad Mostaque在一条推文中宣布,Stable Diffusion XL 现已可用于公开测试。以下是一些事项:“XL”不是这个新的AI模型的官方名称。一旦发布稳定性AI公司的官方公告,名称将会更改。与先前版本相比,图像质量有所提高与先前版本相比,图像生成速度大大加快。示例图像让我们看看新旧AI模型在结果上的差异。Prompt: Luxury sports car with aerodynamic curves, shot in a

人工智能就是一个「拼财力」的行业,如果没有高性能计算设备,别说开发基础模型,就连微调模型都做不到。但如果只靠拼硬件,单靠当前计算性能的发展速度,迟早有一天无法满足日益膨胀的需求,所以还需要配套的软件来协调统筹计算能力,这时候就需要用到「智能计算」技术。最近,来自之江实验室、中国工程院、国防科技大学、浙江大学等多达十二个国内外研究机构共同发表了一篇论文,首次对智能计算领域进行了全面的调研,涵盖了理论基础、智能与计算的技术融合、重要应用、挑战和未来前景。论文链接:https://spj.scien

译者 | 李睿审校 | 孙淑娟近年来, Transformer 机器学习模型已经成为深度学习和深度神经网络技术进步的主要亮点之一。它主要用于自然语言处理中的高级应用。谷歌正在使用它来增强其搜索引擎结果。OpenAI 使用 Transformer 创建了著名的 GPT-2和 GPT-3模型。自从2017年首次亮相以来,Transformer 架构不断发展并扩展到多种不同的变体,从语言任务扩展到其他领域。它们已被用于时间序列预测。它们是 DeepMind 的蛋白质结构预测模型 AlphaFold

说起2010年南非世界杯的最大网红,一定非「章鱼保罗」莫属!这只位于德国海洋生物中心的神奇章鱼,不仅成功预测了德国队全部七场比赛的结果,还顺利地选出了最终的总冠军西班牙队。不幸的是,保罗已经永远地离开了我们,但它的「遗产」却在人们预测足球比赛结果的尝试中持续存在。在艾伦图灵研究所(The Alan Turing Institute),随着2022年卡塔尔世界杯的持续进行,三位研究员Nick Barlow、Jack Roberts和Ryan Chan决定用一种AI算法预测今年的冠军归属。预测模型图


핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

AI Hentai Generator
AI Hentai를 무료로 생성하십시오.

인기 기사

뜨거운 도구

안전한 시험 브라우저
안전한 시험 브라우저는 온라인 시험을 안전하게 치르기 위한 보안 브라우저 환경입니다. 이 소프트웨어는 모든 컴퓨터를 안전한 워크스테이션으로 바꿔줍니다. 이는 모든 유틸리티에 대한 액세스를 제어하고 학생들이 승인되지 않은 리소스를 사용하는 것을 방지합니다.

DVWA
DVWA(Damn Vulnerable Web App)는 매우 취약한 PHP/MySQL 웹 애플리케이션입니다. 주요 목표는 보안 전문가가 법적 환경에서 자신의 기술과 도구를 테스트하고, 웹 개발자가 웹 응용 프로그램 보안 프로세스를 더 잘 이해할 수 있도록 돕고, 교사/학생이 교실 환경 웹 응용 프로그램에서 가르치고 배울 수 있도록 돕는 것입니다. 보안. DVWA의 목표는 다양한 난이도의 간단하고 간단한 인터페이스를 통해 가장 일반적인 웹 취약점 중 일부를 연습하는 것입니다. 이 소프트웨어는

SublimeText3 영어 버전
권장 사항: Win 버전, 코드 프롬프트 지원!

에디트플러스 중국어 크랙 버전
작은 크기, 구문 강조, 코드 프롬프트 기능을 지원하지 않음

SublimeText3 Linux 새 버전
SublimeText3 Linux 최신 버전
