LeCun預(yù)言的自監(jiān)督模型來了：首個多模態(tài)高性能自監(jiān)督算法，語音、圖像文本全部SOTA

機(jī)器之心報道

編輯：陳萍、小舟

人類似乎對不同的學(xué)習(xí)模式有著相似的認(rèn)知，機(jī)器也應(yīng)該如此！

自監(jiān)督學(xué)習(xí)能在各種任務(wù)中學(xué)習(xí)到分層特征，并以現(xiàn)實(shí)生活中可使用的海量數(shù)據(jù)作為資源，因此是走向更通用人工智能的一種途徑，也是深度學(xué)習(xí)三巨頭之一、圖靈獎得主 Yann LeCun 一直推崇的研究方向。

LeCun 認(rèn)為：相比于強(qiáng)化學(xué)習(xí)，自監(jiān)督學(xué)習(xí)（SSL）可以產(chǎn)生大量反饋，能夠預(yù)測其輸入的任何一部分（如預(yù)測視頻的未來畫面），從而具有廣泛的應(yīng)用前景。

自監(jiān)督學(xué)習(xí)通過直接觀察環(huán)境來進(jìn)行學(xué)習(xí)，而非通過有標(biāo)簽的圖像、文本、音頻和其他數(shù)據(jù)源進(jìn)行學(xué)習(xí)。然而從不同模態(tài)（例如圖像、文本、音頻）中學(xué)習(xí)的方式存在很大差異。這種差異限制了自監(jiān)督學(xué)習(xí)的廣泛應(yīng)用，例如為理解圖像而設(shè)計的強(qiáng)大算法不能直接應(yīng)用于文本，因此很難以相同的速度推動多種模態(tài)的進(jìn)展。

現(xiàn)在，MetaAI（原 Facebook AI）提出了一種名為 data2vec 的自監(jiān)督學(xué)習(xí)新架構(gòu)，在多種模態(tài)的基準(zhǔn)測試中超越了現(xiàn)有 SOTA 方法。

data2vec 是首個適用于多模態(tài)的高性能自監(jiān)督算法。Meta AI 將 data2vec 分別應(yīng)用于語音、圖像和文本，在計算機(jī)視覺、語音任務(wù)上優(yōu)于最佳單一用途算法，并且在 NLP 任務(wù)也能取得具有競爭力的結(jié)果。此外，data2vec 還代表了一種新的、全面的自監(jiān)督學(xué)習(xí)范式，其提高了多種模態(tài)的進(jìn)步，而不僅僅是一種模態(tài)。data2vec 不依賴對比學(xué)習(xí)或重建輸入示例，除了幫助加速 AI 的進(jìn)步，data2vec 讓我們更接近于制造能夠無縫地了解周圍世界不同方面的機(jī)器。data2vec 使研究者能夠開發(fā)出適應(yīng)性更強(qiáng)的 AI，Meta AI 相信其能夠在多種任務(wù)上超越已有系統(tǒng)。

• 論文地址：https://ai.facebook.com/research/data2vec-a-general-framework-for-self-supervised-learning-in-speech-vision-and-language

• 項目地址：https://github.com/pytorch/fairseq/tree/main/examples/data2vec

論文一作 Meta AI 研究員 Alexei Baevski 表示：我們發(fā)布了最新 SSL 方法 data2vec，與單獨(dú)訓(xùn)練相比，我們在具有相同預(yù)訓(xùn)練任務(wù)的視覺、語音和 NLP 上獲得了 SOTA。語音和文本的代碼和模型已經(jīng)發(fā)布，視覺模型代碼即將到來！

即將成為 Meta CTO 的 Boz（領(lǐng)導(dǎo) Reality Labs 團(tuán)隊的 AR、VR、AI、Portal 等）也發(fā)推表示：很高興 data2vec 能夠幫助為跨多種模態(tài)的、更通用的自監(jiān)督學(xué)習(xí)鋪平道路——這項工作還將對我們正在構(gòu)建的 AR 眼鏡開發(fā)情境化 AI 產(chǎn)生重大影響。

data2vec 是如何工作的？

大部分 AI 仍然基于監(jiān)督學(xué)習(xí)，它只適用于具有標(biāo)注數(shù)據(jù)的任務(wù)。但是，假如我們希望機(jī)器可以完更多的任務(wù)，那么收集所有的標(biāo)注數(shù)據(jù)將變得不現(xiàn)實(shí)。例如，雖然研究人員在為英語語音和文本創(chuàng)建大規(guī)模標(biāo)注數(shù)據(jù)集方面做了大量工作，但對于地球上成千上萬的語言來說，這樣做是不可行的。

自監(jiān)督使計算機(jī)能夠通過觀察世界，然后弄清楚圖像、語音或文本的結(jié)構(gòu)來了解世界。不需要專門訓(xùn)練就能對圖像進(jìn)行分類或理解語音的機(jī)器，其擴(kuò)展性也會大大提高。

data2vec 訓(xùn)練方式是通過在給定輸入的部分視圖的情況下預(yù)測完整輸入模型表示（如下動圖所示）：首先 data2vec 對訓(xùn)練樣本的掩碼版本（學(xué)生模型）進(jìn)行編碼，然后通過使用相同模型參數(shù)化為模型權(quán)重的指數(shù)移動平均值（教師模型）對輸入樣本的未掩碼版本進(jìn)行編碼來構(gòu)建訓(xùn)練目標(biāo)表示。目標(biāo)表示對訓(xùn)練樣本中的所有信息進(jìn)行編碼，學(xué)習(xí)任務(wù)是讓學(xué)生在給定輸入部分視圖的情況下預(yù)測這些表示。

data2vec 以相同的方式學(xué)習(xí)圖像、語音和文本。

模型架構(gòu)

Meta AI 使用標(biāo)準(zhǔn)的 Transformer 架構(gòu)（Vaswani 等人，2017）：對于計算機(jī)視覺，Meta AI 使用 ViT 策略將圖像編碼為一系列 patch，每個 patch 跨越 16x16 像素，然后輸入到線性變換（Dosovitskiy 等人， 2020；Bao 等人，2021）。語音數(shù)據(jù)使用多層 1-D 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行編碼，該網(wǎng)絡(luò)將 16 kHz 波形映射到 50 Hz 表示（Baevski 等人，2020b）。對文本進(jìn)行預(yù)處理以獲得子詞（sub-word）單元（Sennrich 等人，2016；Devlin 等人，2019），然后通過學(xué)習(xí)的嵌入向量將其嵌入到分布空間中。

data2vec 還可以為不同模態(tài)預(yù)測不同的單元：圖像的像素或視覺 token、文本的單詞以及語音的學(xué)習(xí)清單。像素的集合與音頻波形或文本段落非常不同，因此，算法設(shè)計與特定的模態(tài)緊密聯(lián)系在一起。這意味著算法在每種模式下的功能仍然不同。

掩碼：在輸入樣本作為 token 序列嵌入后，Meta AI 用學(xué)習(xí)的掩碼嵌入 token 替換掩碼單元的一部分，并將序列饋送到 Transformer 網(wǎng)絡(luò)。對于計算機(jī)視覺，Meta AI 遵循 Bao 等人的分塊掩碼（block-wise）策略；對于語音，Meta AI 掩碼潛在語音表示的跨度 ；對于語言，Meta AI 使用掩碼 token 。

訓(xùn)練目標(biāo)：Meta AI 預(yù)測的表示是上下文表示，不僅對特定的時間步長進(jìn)行編碼，還對來自樣本的其他信息進(jìn)行編碼，這是由于在 Transformer 網(wǎng)絡(luò)中使用了自注意力，這是與 BERT、wav2vec 2.0 或 BEiT、MAE、SimMIM 和 MaskFeat 重要區(qū)別，這些預(yù)測目標(biāo)缺乏上下文信息。

面向多種模態(tài)：data2vec 通過訓(xùn)練模型來簡化其方法，以預(yù)測輸入數(shù)據(jù)的表征。沒有預(yù)測視覺 token、詞、聲音等的方法，而是專注于預(yù)測輸入數(shù)據(jù)的表征，單個算法就可以處理完全不同類型的輸入。這消除了學(xué)習(xí)任務(wù)中對特定模態(tài)目標(biāo)的依賴。

直接預(yù)測表征并不簡單，它需要為任務(wù)定義一個穩(wěn)健的特征歸一化，以對不同的模態(tài)都是可靠的。該研究使用教師網(wǎng)絡(luò)首先從圖像、文本或語音中計算目標(biāo)表征。然后掩碼部分輸入并使用學(xué)生網(wǎng)絡(luò)重復(fù)該過程，然后預(yù)測教師網(wǎng)絡(luò)的潛在表征。即使只能查看部分信息，學(xué)生模型也必須預(yù)測完整輸入數(shù)據(jù)的表征。教師網(wǎng)絡(luò)與學(xué)生模型相同，但權(quán)重略有不同。

實(shí)驗(yàn)及結(jié)果

該研究在 ImageNet 計算機(jī)視覺基準(zhǔn)上測試了該方法，結(jié)果如下。

用于計算機(jī)視覺的 data2vec：在 ImageNet 基準(zhǔn)上，ViT-B 模型與其他方法的性能比較結(jié)果。

應(yīng)用于語音的 data2vec：在 LibriSpeech 基準(zhǔn)測試中使用 10h 標(biāo)記數(shù)據(jù)的 Base 模型與其他方法的性能比較結(jié)果，錯誤率越低，性能越好。

應(yīng)用于文本的 data2vec：在使用原始 BERT 設(shè)置重新訓(xùn)練時，與 RoBERTa 相比，Base 模型在 GLUE 自然語言理解基準(zhǔn)上的性能。分?jǐn)?shù)越高，性能越好。

通過觀察進(jìn)行學(xué)習(xí)

自監(jiān)督學(xué)習(xí)在計算機(jī)視覺、視頻等多種模態(tài)方面取得了很大進(jìn)展。這種方法的核心思想是為了更廣泛地學(xué)習(xí)，以使人工智能可以學(xué)習(xí)完成各種任務(wù)，包括完全未見過的任務(wù)。研究者希望機(jī)器不僅能夠識別訓(xùn)練數(shù)據(jù)中顯示的動物，而且還能通過給定描述識別新生物。

data2vec 證明其自監(jiān)督算法可以在多種模態(tài)下良好執(zhí)行，甚至比現(xiàn)有最佳算法更好。這為更一般的自監(jiān)督學(xué)習(xí)鋪平了道路，并讓人工智能更接近使用視頻、文本、音頻來學(xué)習(xí)復(fù)雜世界的目標(biāo)。

由于收集高質(zhì)量數(shù)據(jù)成本很高，因此該研究還希望 data2vec 能讓計算機(jī)僅用很少的標(biāo)記數(shù)據(jù)來完成任務(wù)。data2vec 是邁向更通用人工智能的重要一步，未來有望消除對特定模態(tài)特征提取器的需求。

參考鏈接：

https://ai.facebook.com/blog/the-first-high-performance-self-supervised-algorithm-that-works-for-speech-vision-and-text/

推薦閱讀

吳恩達(dá)：告別，大數(shù)據(jù)

如何寫一篇合格的NLP論文

[深度文]YoloX部署、優(yōu)化、訓(xùn)練相關(guān)

南京大學(xué)人工智能學(xué)院教授俞揚(yáng)：我的牛年小結(jié)

2202年了，AI還是不如貓！圖靈獎得主Yann LeCun：3大挑戰(zhàn)依然無解