대조 학습
대조 학습은 임베딩 공간에서 유사한 것을 하나로 모으고 서로 다른 것을 밀어내는 모델을 가르칩니다.
개요
It matters because it lets AI learn powerful representations from mostly unlabeled data, powering image search, recommendations, and multimodal models.
심층 분석
레이블을 예측하는 대신 대조 학습은 비교를 통해 학습합니다. 즉, 앵커 항목이 주어지면 일치하는 '양성' 항목이 벡터 공간에서 해당 항목에 가깝게 배치되고 일치하지 않는 '부정 항목'은 멀리 위치하도록 모델이 훈련됩니다. SimCLR과 같은 일반적인 자체 감독 방법은 동일한 이미지에 대해 두 가지 무작위 확대(자르기, 색상 지터, 흐림)를 수행하여 긍정적인 결과를 생성합니다. 배치의 다른 모든 것은 부정적입니다. 모델은 입력을 벡터에 매핑하고 손실은 쌍에 대해 높은 유사성을 보상하고 나머지에 대해서는 낮은 유사성을 보상합니다. 이는 거리가 의미를 반영하는 임베딩을 생성하므로 다운스트림 작업에는 훨씬 적은 수의 레이블이 필요합니다. CLIP은 여러 양식에 걸쳐 동일한 아이디어를 적용하여 이미지를 캡션과 일치시킵니다.
기술적 통찰력
주력 손실은 InfoNCE(유사성 점수에 대한 소프트맥스)이며, 종종 코사인 유사성을 긍정적인 요소가 얼마나 선호되는지를 제어하는 온도로 나눈 값입니다. 결정적으로 성능은 많은 부정적인 측면에서 향상되므로 대규모 배치 또는 메모리 뱅크/큐(MoCo의 경우)가 이를 제공합니다. BYOL 및 SimSiam과 같은 일부 방법은 명시적인 음수를 삭제하고 대신 모든 임베딩이 동일해지는 붕괴를 방지하기 위해 모멘텀 또는 정지 경사 대상 네트워크를 사용합니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
대조 학습의 미래
대조 학습은 가면을 쓴 생성적 자기 감독을 통해 전체적인 유사성과 세부적인 세부 사항을 모두 포착하는 하이브리드 목표로 수렴되고 있습니다. 가장 큰 영향은 다중 모드입니다. 대조적으로 정렬된 이미지-텍스트(현재 오디오 및 비디오) 임베딩은 검색, 검색 증강 생성 및 제로샷 분류를 뒷받침하며 그 공간은 커질 것입니다. 대규모 배치에 대한 욕구를 줄이고, 더 나은 증강 및 네거티브 마이닝 전략을 개발하고, 라벨이 부족하고 비용이 많이 드는 의료 영상 및 시계열과 같은 영역으로 접근 방식을 확장하는 데 더 많은 작업이 필요할 것으로 예상됩니다.
실제 구현
CLIP은 공유 이미지-텍스트 공간을 학습하여 '스케이트보드를 탄 개'와 같은 문구를 입력하여 사진 라이브러리를 검색할 수 있습니다.
레이블이 지정되지 않은 사진에서 SimCLR을 사용하여 비전 백본을 사전 훈련한 다음 레이블이 지정된 작은 세트만으로 질병 감지를 위해 미세 조정합니다.
사용자가 좋아하는 항목을 임베딩하여 가장 가까운 이웃 검색을 위해 서로 가까이 위치하는 제품 또는 노래 추천을 구축합니다.
동일한 사람의 두 사진이 서로 가깝고 서로 다른 사람이 멀리 떨어져 있도록 임베딩을 훈련하는 얼굴 확인 시스템입니다.
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Contrastive Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
연합학습
자주 묻는 질문
What is Contrastive Learning?
대조 학습은 임베딩 공간에서 유사한 것을 하나로 모으고 서로 다른 것을 밀어내는 모델을 가르칩니다. 이는 AI가 대부분 레이블이 지정되지 않은 데이터로부터 강력한 표현을 학습하고 이미지 검색, 권장 사항 및 다중 모드 모델을 지원하기 때문에 중요합니다.
대조 학습의 핵심 목표는 무엇입니까?
대조 학습은 임베딩 공간을 형성하므로 일치하는 쌍은 가깝고 일치하지 않는 쌍은 멀리 떨어져 있습니다.
SimCLR과 같은 자기 감독 이미지 방법에서 포지티브 쌍은 일반적으로 어떻게 생성됩니까?
SimCLR은 한 이미지의 두 확대 보기에서 포지티브를 형성하고 배치의 다른 이미지는 네거티브 역할을 합니다.
대조 학습과 가장 관련이 있는 손실 함수는 무엇입니까?
온도와의 유사성 점수에 대한 소프트맥스인 InfoNCE는 표준 대비 목표입니다.
MoCo와 같은 메소드가 메모리 뱅크나 큐를 사용하는 이유는 무엇입니까?
대조 학습은 많은 부정적인 측면에서 이점을 얻습니다. 대기열은 배치 크기를 관리 가능하게 유지하면서 이를 제공합니다.
BYOL과 SimSiam은 명시적인 부정문을 사용하지 않고 구체적으로 어떤 문제를 방지합니까?
네거티브가 없으면 모델은 모든 것을 동일한 벡터에 간단하게 매핑할 수 있습니다. 정지 경사 및 운동량 목표는 이러한 붕괴를 방지합니다.