[論文レビュー] Multimodal Adaptive Distillation for Leveraging Unimodal Encoders for Vision-Language Tasks

Zhecan Wang, Noel Codella+9 more|arXiv (Cornell University)|Apr 22, 2022

Multimodal Machine Learning Applications被引用数 8

ひとこと要約

本稿では、再訓練を伴わずに大規模な事前学習済み単モodalな視覚およびテキストエンコーダー（例：CLIP）から視覚言語モデルへの知識伝達を実現するためのマルチモーダル適応的蒸留（MAD）を提案する。MADはトークン選択モジュールとクロスアテンション整合性を用いて、モダリティ固有の知識を適応的に蒸留する。低ショット、ドメインシフト、完全な教師あり設定のあらゆる状況で、VCR、SNLI-VE、VQAの各ベンチマークで最先端の性能を達成し、CLIP-ViL pを含む先行手法を上回る。

ABSTRACT

Cross-modal encoders for vision-language (VL) tasks are often pretrained with carefully curated vision-language datasets. While these datasets reach an order of 10 million samples, the labor cost is prohibitive to scale further. Conversely, unimodal encoders are pretrained with simpler annotations that are less cost-prohibitive, achieving scales of hundreds of millions to billions. As a result, unimodal encoders have achieved state-of-art (SOTA) on many downstream tasks. However, challenges remain when applying to VL tasks. The pretraining data is not optimal for cross-modal architectures and requires heavy computational resources. In addition, unimodal architectures lack cross-modal interactions that have demonstrated significant benefits for VL tasks. Therefore, how to best leverage pretrained unimodal encoders for VL tasks is still an area of active research. In this work, we propose a method to leverage unimodal vision and text encoders for VL tasks that augment existing VL approaches while conserving computational complexity. Specifically, we propose Multimodal Adaptive Distillation (MAD), which adaptively distills useful knowledge from pretrained encoders to cross-modal VL encoders. Second, to better capture nuanced impacts on VL task performance, we introduce an evaluation protocol that includes Visual Commonsense Reasoning (VCR), Visual Entailment (SNLI-VE), and Visual Question Answering (VQA), across a variety of data constraints and conditions of domain shift. Experiments demonstrate that MAD leads to consistent gains in the low-shot, domain-shifted, and fully-supervised conditions on VCR, SNLI-VE, and VQA, achieving SOTA performance on VCR compared to other single models pretrained with image-text data. Finally, MAD outperforms concurrent works utilizing pretrained vision encoder from CLIP. Code will be made available.

研究の動機と目的

• 大規模で高品質な単モダリティエンコーダー（例：CLIP）を、高コストな再訓練を伴わずに視覚言語タスクに活用する課題に対処すること。
• 知識蒸留を用いて、低ショット、ドメインシフト、完全な教師あり条件の下で視覚言語モデルの性能を向上させること。
• 計算効率を維持したまま、クロスモーダル推論を強化し、モデルのショートカットに依存するのを減らす手法を開発すること。
• ゼロショットおよび少データ設定を含む、多様な視覚言語タスクとデータ環境において、蒸留の有効性を評価すること。

提案手法

• MADは、事前学習済みの単モダリティな視覚およびテキストエンコーダー（例：CLIP-V、CLIP-T）から、学生モデルである視覚言語モデルへの適応的蒸留を実行する。
• トークン選択モジュールは、学生モデル内の意味的に重要なトークンを特定・強調し、'is' や 'the' といった意味の薄い語の注目度を低下させる。
• クロスアテンション機構により、学生モデルのモダリティ表現を教師エンコーダーの表現と整合させる。これにより、クロスモーダル特徴の整合性が向上する。
• 対照的損失を用いて知識蒸留を実施し、学生モデルが教師の出力分布を複数のタスクで模倣するよう促進する。
• 本手法はモデルに依存せず、VL-BERT、UNITER、VILLAなど多様な学生アーキテクチャに適用可能である。
• 蒸留は微調整時のみに適用され、推論効率を保ちながら完全な再訓練を回避する。

実験結果

リサーチクエスチョン

• RQ1 CLIPのような事前学習済み単モダリティエンコーダーを、完全な再訓練を伴わずに視覚言語タスクに効果的に活用できるか？
• RQ2 適応的蒸留は、低ショット、ドメインシフト、完全な教師あり設定のあらゆる状況で性能を向上させるか？
• RQ3 蒸留により、視覚言語モデルにおける表面的で単純なテキスト的ショートカットへの依存を軽減できるか？
• RQ4 MADは、CLIP-ViL pのような同時期の手法と比較して、正確性および頑健性の面で優れているか？

主な発見

• MADはVCRベンチマークで最先端の性能を達成し、画像・テキストデータで事前学習された他の単一モデル手法を上回った。
• SNLI-VEでは、100%の学習データ設定下でベースライン比最大3.3%の精度向上を達成し、すべてのデータ環境で一貫した向上が見られた。
• 低ショット設定（0.3%データ）では、微調整ベースライン比1.7%、CLIP-ViL p比1.2%のVQA性能向上を達成した。
• MADは、視覚モダリティの重要度を高め、視覚とテキストモダリティの注目度の差を縮小することで、モダリティの不均衡を軽減した。
• 定性的な分析から、MADは意味の薄い語への注目度を低下させ、'sending' や 'telegram' のような意味のある語に注目を向けるようになった。
• MADを用いたアンサンブルモデルは、VQA検証セットで73.93%の精度を達成し、CLIP-ViL pの73.82%を上回った。