概述
BYOL（Bootstrap Your Own Latent）可以在没有任何标签的情况下学习有用的图像表示，而且令人惊讶的是，没有负面例子。它表明，自我监督学习不需要依赖于推开不同的图像，从而避免了对大量底片的需要。
BYOL 和非对比自我监督是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
大多数早期的自我监督方法都是对比的：它们将同一图像的两个增强视图拉在一起，同时将不同的图像分开，这需要许多负样本以避免崩溃（网络为所有内容输出相同的向量）。 DeepMind 在 2020 年推出的 BYOL 完全消除了负面影响。它使用两个网络：在线网络和目标网络。一张图像的两个增强视图通过两个网络；在线网络添加了一个预测头，并经过训练来预测目标网络对另一个视图的表示。至关重要的是，目标网络的权重不是通过梯度下降来训练的。相反，它们是在线权重的指数移动平均值 (EMA)。这种不对称性加上 EMA 目标可以防止对比方法担心的微不足道的崩溃，匹配或击败 ImageNet 上的对比基线。
技术洞察
三种成分可以在没有负数的情况下停止崩溃：在线分支上的额外预测器 MLP、目标分支上的停止梯度以及 EMA 更新的目标。该目标充当缓慢移动的回归目标，因此在线网络追逐稳定的、滞后的目标，而不是其自身的移动副本。预测器的不对称性打破了对称性，否则会让两个分支平凡地输出一个常数。投影仪中的批量归一化也有助于隐式正则化。
掌握 BYOL 和非对比自我监督
BYOL（Bootstrap Your Own Latent）可以在没有任何标签的情况下学习有用的图像表示，而且令人惊讶的是，没有负面例子。它表明，自我监督学习不需要依赖于推开不同的图像，从而避免了对大量底片的需要。 BYOL 和非对比自我监督是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将 BYOL 和非对比自我监督视为一种运营模式，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 BYOL 和非对比自我监督的强大团队可以根据可靠性和成本来优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
在数百万张未标记的照片上预训练视觉主干，然后在缺乏专家注释的小型标记医学成像数据集上进行微调。
从原始相机流中学习机器人感知功能，无需手动标记，从而降低了教学操作任务的成本。
使用 BYOL 嵌入构建图像检索和重复数据删除系统，将视觉上相似的图像分组，而无需任何类标签。
在对土地利用或森林砍伐分类进行微调之前，在大量未标记的档案上初始化卫星或航空图像模型。
实施模式
BYOL 和非对比自我监督的实践
在数百万张未标记的照片上预训练视觉主干，然后在缺乏专家注释的小型标记医学成像数据集上进行微调。
在数百万张未标记的照片上预训练视觉主干，然后在缺乏专家注释的小型标记医学成像数据集上进行微调。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
BYOL 和非对比自我监督的实践
从原始相机流中学习机器人感知功能，无需手动标记，从而降低了教学操作任务的成本。
从原始相机流中学习机器人感知功能，无需手动标记，从而降低教学操作任务的成本当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
BYOL 和非对比自我监督的实践
使用 BYOL 嵌入构建图像检索和重复数据删除系统，将视觉上相似的图像分组，而无需任何类标签。
使用 BYOL 嵌入构建图像检索和重复数据删除系统，将视觉上相似的图像分组，而无需任何类标签。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
BYOL 和非对比自我监督的实践
在对土地利用或森林砍伐分类进行微调之前，在大量未标记的档案上初始化卫星或航空图像模型。
在对土地利用或森林砍伐分类进行微调之前，在大量未标记的档案上初始化卫星或航空图像模型当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。