Contrastive Learning without Negative Pairs

Ruffy·2022년 9월 28일

Total Review

목록 보기

1/5

기존의 instance discriminator모델들이 negative samples를 사용한 이유는 다음과 같음
다양한 관점의 positive sample들이 학습 과정에서 관점과 관계없이 동일한 representation을 생성하지 않도록 하기 위함
- 즉, Augmentation을 통해 이미지의 다양한 요소를 representation에 녹여내려 했지만,
- Positive samples만 사용할 경우 인코더가 Augmentation을 무시하고 context-level의 representation을 만들어냄.
- 이를 방지하기 위해 전혀 다른 context를 가지는 이미지를 가져와 Negative Samples로 삼는 분류문제로 전환한 것임.
하지만, 이를 위해서는 많은 Negative Samples이 필요하며, 적절한 Augmentation 방법이 개발되어야 함.
기존 대조학습 방법들은 negative pair를 잘 선택해줘야 함.
이를 위해 customoized mining 전략 등이 제안됨.
많은 memory bank가 필요함
또한 굉장히 큰 batch size에서 학습을 시켜야 하고, 학습에 사용된 image augmentation option에도 성능 편차가 크다는 점 등 아직까지 안정적으로 학습시키기에 고려해야 할 요소가 많다는 문제점들이 있었음

1. Bootstrap Your Own Latent (BYOL)

Grill, J. B., Strub, F., Altché, F., Tallec, C., Richemond, P., Buchatskaya, E., ... & Valko, M. (2020). Bootstrap your own latent-a new approach to self-supervised learning. Advances in neural information processing systems, 33, 21271-21284. (2661회 인용)

음의 쌍을 사용하면 생기는 문제

이러한 방법은 큰 배치 크기 [8, 12], 메모리 뱅크 [9] 또는 사용자 정의 마이닝 전략 [14, 15]에 의존하여 음의 쌍[13]을 신중하게 처리해야 함.
→ BYOL은 positive pair만 사용함.

대조학습 방법 중에 미니 배치에서 Negative Samples를 도출하는 방법은 배치 크기가 줄어들면 성능이 저하됨.
→ BYOL은 Negative Samples를 사용하지 않으며, 그것이 더 작은 배치 크기에 더 robust할 것이라고 주장함.

배경

image를 2개 사용하는 방식 대신, network를 2개 사용하는 방식을 떠올림.
Step 1으로 A라는 network를 random initialization 시킨 뒤 weight을 고정시킴.
여기에 Self-Supervised Learning의 evaluation protocol인 linear evaluation protocol을 통해 ImageNet 데이터셋에 대한 정확도 측정함.
즉, random init후 freeze 시킨 feature extractor에 1개의 linear layer를 붙여서 ImageNet 데이터셋으로 학습시킨 뒤 정확도를 측정.
이 경우 feature extractor가 아무런 정보도 배우지 않은 채 linear layer만 붙였기 때문에 좋은 성능을 얻을 수 없고, 1.4%의 정확도 달성함.

Step 2로 unlabeled dataset을 random initialized A network + MLP에 feed forward 시켜서 prediction들을 얻어냄.
Step 3에서는 B라는 network를 하나 준비함.
B도 random initialization 시키는데, 바로 linear evaluation을 수행하지 않고, image들을 A network에 feed forward 시켜서 뽑아낸 prediction을 target으로 하여 이 target을 배우도록 학습시킴.
놀랍게도, B network는 A network가 내뱉은 부정확한 prediction들을 배우도록 학습한 뒤 linear evaluation을 하였을 때 18.8%라는 높은 성능을 얻음. (큰 폭으로 성능 증가함)

[참고] https://hoya012.github.io/blog/byol/

2. Variance-Invariance-Covariance Regularization for Self-Supervised Learning (VICReg)

Bardes, A., Ponce, J., & LeCun, Y. (2021). Vicreg: Variance-invariance-covariance regularization for self-supervised learning. arXiv preprint arXiv:2105.04906. (247회 인용)

음의 쌍을 사용하면 생기는 문제

큰 배치 크기를 필요로 함.
-> ViCReg는 Negative comparisons을 제거하고, 분산에 대한 명시적인 제약으로 대체하며 벡터 사이에서 음의 항의 역할을 효율적으로 수행함.

[feature space에서 어떻게 유사도를 비교하려 했던 거지?]

서로 다른 이미지로부터 나온 representation은 다를 것이고, 같은 이미지에서 augmentation된 것은 유사할 것이다.
feature의 각 dimension끼리도 서로 연관이 없어야 한다.
즉, 이 벡터를 구성할 때 하나 하나 특징 요소들이 서로간의 관련이 없어야, 좀 더 분별력이 있는 특징만을 갖고 있을 것이다.
이러한 목적으로 새롭게 목적함수를 정의하고 feature에서 불필요한 정보를 제거하는 것이 redundancy reduction 방법론임.
그 중 VICReg가 대표적인 것.
regularization term을 이용해서 loss로 줘서 explicit한 constraint를 주고, 위의 그림 참고

Main idea (1). Variance regularization

projector를 지나고 나온 벡터 Z는 nxd 차원을 가지게 됨.
한 배치 내에 각 차원의 분산이 유지되게 하는 것
샘플 내의 하나의 차원의 분산을 유지하도록 하는 constraint 준다.
실험에서는 gamma라는 target value에 맞게 유지되도록 하는 constraint이기 때문에 1로 고정함.
각 차원의 표준편차가 너무 작으면, 해당 요소는 되게 작은 범위내에서만 표현될거고, 다른 특징에 비해서 분별력이 떨어질 수 있음
따라서, 명시적으로 target gamma(=1)값만큼 표준편차는 유지되도록 해주었고, 이게 collapsed representation을 방지할 수 있음.

Main idea (2). Covariance regularization

한 배치 내에서 projection vector들의 공분산 행렬을 구하고, 그 공분산의 대각선 요소를 제외하고 나머지 것들 요소들이 0의 값으로 수렴하도록 constraint를 주는 것
어떤 두 벡터나 특징 차원을 갖는 것들의 공분산 행렬을 구함.
행과 열에 각각의 벡터가 나열되어 있는 것이고, 벡터의 각 요소끼리의 관계성을 공분산 행렬이 나타냄.
그때 대각선 요소는 지들끼리의 분산만 나타내고, 대각선 요소 말고 다른 부분은 서로 간의 연관관계를 나타내고, 이들의 절댓값이 커지면 양 또는 음의 방향으로 관계를 가진다.
이들을 0으로 하는 것이 목적이므로, 서로 간의 관계를 끊겠다는 목적!

Main idea (3). Invariance regularization

같은 이미지 샘플로부터 augment된 프로젝터들이 서로 가깝게 해주기 위함
위 그림도 같은 이미지에서 나온 다른 augmentation 애들을 의미함.

장점

negative pair 없이도 학습이 가능함
- variance regularization term의 효과로
- 다른 contrastive learning 방법(SimCLR, SwAV)에 비해 작은 배치 사이즈로도 안정적인 성능 보임
설명되지 않던 부분을 ablation study를 통해 보여줌.
공분산, 분산, 불변에 대한 것만 regularization term을 주었는데, 추가적인 redundancy reduction을 추가할 동기가 있었다.
공분산 행렬의 계산을 줄이기 위한 방법 언급

3. Exploring Simple Siames Representation Learning (SimSiam)

Chen, X., & He, K. (2021). Exploring simple siamese representation learning. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 15750-15758).(1512회 인용)