通过蒸馏最优传输从少量配对数据中进行表示对齐

通过蒸馏最优传输从少量配对数据中进行表示对齐

_

借助有限数据连接世界:通过蒸馏最优传输实现表征对齐

在机器学习领域,对齐不同模态(如图像和文本)的表征是一项核心任务。传统上,实现高质量对齐需要大量成对数据,其中每个样本明确地将一种模态中的项目与另一种模态中的项目关联起来。然而,在许多现实场景中,成对数据稀缺,而未配对数据丰富。这种不匹配构成了重大挑战,但最近最优传输(OT)领域的进展提供了一种有前景的解决方案。arXiv预印本《通过蒸馏最优传输实现少量成对数据的表征对齐》中详细介绍了一种方法,该方法仅需少量成对样本即可对齐模态,并利用了熵最优传输的力量。

有限成对数据的挑战

想象一下,你有两种不同的模态——比如图像和文本描述——你希望对齐它们的表征,使得一种模态中的相似项目对应于另一种模态中的相似项目。标准方法是通过跨模态检索任务来实现,其中你获得成对的对齐样本(例如图像及其对应的描述),并训练模型来预测对齐。当有成千上万这样的成对样本时,这种方法效果很好。然而,在实践中,获取如此大量的成对数据往往是实际或不可能的。

如果你只有几百个成对样本,但每种模态都有无限的未配对数据,该怎么办?这正是论文作者所解决的问题。现有方法在这种设置下表现不佳,因为它们严重依赖于成对关系,而这些关系在数量上并不充足。没有足够的成对数据,过度拟合有限样本的风险很高,模型可能无法泛化到未见过的数据。

最优传输的力量

最优传输(OT)是一个数学框架,用于寻找将质量从一个域传输到另一个域的最有效方式,同时尊重某些约束。在机器学习中,OT已成为对齐分布的有力工具,特别是在跨模态任务中。其思想是将一种模态的表征分布映射到另一种模态,同时保留其底层结构。

论文的关键洞察是使用熵最优传输(EOT),这是OT的一种变体,通过引入正则化项使问题更具可处理性和鲁棒性。EOT有助于平滑传输计划,减少可能导致过度拟合的尖锐、不可学习的映射风险。

所提出的方法:蒸馏最优传输

作者提出了一种方法,该方法利用成对和未配对数据,在有限的成对样本下实现表征对齐。以下是该方法的逐步分解:

1. 表征提取

首先,使用独立预训练的编码器从两种模态中提取表征。这些编码器可以是用于图像的卷积神经网络(CNN),或用于文本的循环神经网络(RNN)或Transformer。

2. 使用成对锚点进行相似度匹配

核心思想是将两种模态中的每个表征表示为其与有限成对锚点集相似度的函数。具体来说,对于模态A中的每个表征( z_i )和模态B中的每个表征( y_i ),计算它们与每个成对锚点( (z_{\text{pair}}, y_{\text{pair}}) )的相似度。这种相似度可以使用核函数或距离度量来衡量。

例如,假设你有一组成对锚点( {(z_{\text{pair}}, y_{\text{pair}})}_{j=1}^N } )。对于给定的表征( z_i ),计算其与每个锚点的相似度:

similarity(z_i, z_{\text{pair}, j}) = \exp(-\|z_i - z_{\text{pair}, j}\|_2^2 / \sigma^2)

其中( \sigma )是一个带宽超参数。对所有的( N )个锚点重复此操作,并将相似度连接成一个向量( s_i \in \mathbb{R}^N )。

3. 使用熵最优传输进行匹配

有了所有表征的相似度向量( s_i ),现在可以定义一个熵最优传输问题。目标是在模态A的表征与模态B的表征之间找到一个传输计划( T ),同时匹配相似度分布。

熵OT成本函数定义为: [ \mathcal{L}(T) = \sum_{i,j} T(i,j) \log T(i,j) + \lambda \sum_{i,j} T(i,j) c_{ij} ] 其中: - ( T(i,j) )是模态A中的表征( i )与模态B中的表征( j )之间的传输计划。 - ( c_{ij} )是成本矩阵,可以从相似度向量( s_i )和( s_j )推导出来。 - ( \lambda )是一个正则化超参数。

成本矩阵( c_{ij} )可以定义为: [ c_{ij} = \sum_{k=1}^N \omega_k \cdot \exp(-|s_i^{(k)} - s_j^{(k)}|_2^2 / \tau^2) ] 其中( \omega_k )是每个锚点的权重,( \tau )是另一个带宽超参数。

4. 求解优化问题

熵OT问题是凸的,可以使用迭代方法(如Sinkhorn-Knopp缩放)高效地求解。解( T )提供了一个从模态A到模态B的映射,该映射根据有限的成对数据和未配对数据对齐了分布。

5. 使用未配对数据进行细化

为了进一步提高对齐效果,作者提出使用未配对数据来细化传输计划。这可以通过结合额外的相似度度量或通过使用包含未配对相似度的不同成本矩阵进行第二轮EOT来完成。

这为何重要

这项工作的意义在于它能够在极少数成对样本下执行跨模态对齐。这在成对数据生成昂贵或不可用的情况下尤其有价值,例如在医疗保健(对齐医学图像与患者报告)或多媒体(对齐图像与音频描述)中。

通过利用数据的结构和最优传输的力量,该方法即使在有限的成对数据下也能实现鲁棒对齐。这为传统方法会失败的跨模态应用开辟了新的可能性。

总结

《通过蒸馏最优传输实现少量成对数据的表征对齐》中提出的方法展示了熵最优传输在极少量成对数据下对齐模态的复杂应用。通过将表征表示为与成对锚点的相似度的函数并求解EOT问题,该方法在跨模态对齐任务中取得了令人印象深刻的结果。这项工作不仅推进了表征学习领域,还为成对数据稀缺的现实场景提供了一种实用解决方案。对于从事跨模态任务的 researchers 和 practitioners,该方法为未来的探索提供了一个有前景的方向。

忠实且完整的LLM辅助分层硬件知识图谱自动构建 2026-10-12
80岁捐赠者的血液细胞转化为分子年龄低于20岁的干细胞 2026-10-13

评论区