CLIPFit：不绕弯子，直接微调比提示微调和适配器微调更好 | EMNLP'24

来源：晓飞的算法工程笔记公众号，转载请注明出处

论文: Vision-Language Model Fine-Tuning via Simple Parameter-Efficient Modification

论文地址：https://arxiv.org/abs/2409.16718
论文代码：https://github.com/minglllli/CLIPFit

创新点

提出了一种CLIPFit方法以高效地微调CLIP模型，从而揭示经典模型微调在视觉语言模型（VLMs）上的潜力。
与现有的提示调整或适配器调整方法不同，CLIPFit不引入任何外部参数，而仅微调CLIP固有参数中的一个小特定子集。

内容概述

微调视觉语言模型（VLMs）方面的进展见证了提示调优和适配器调优的成功，而经典模型在固有参数上的微调似乎被忽视了。有人认为，使用少量样本微调VLMs的参数会破坏预训练知识，因为微调CLIP模型甚至会降低性能。论文重新审视了这一观点，并提出了一种新视角：微调特定的参数而不是全部参数将揭示经典模型微调在VLMs上的潜力。

通过细致研究，论文提出了ClipFit，可以在不引入额外参数开销的情况下微调CLIP。仅通过微调特定的偏置项和归一化层，ClipFit可以将零样本CLIP的平均调和均值准确率提升7.27%。

为了理解CLIPFit中的微调如何影响预训练模型，论文进行了广泛的实验分析以研究内部参数和表示的变化。在文本编码器中，当层数增加时，偏置的变化减少。在图像编码器中，LayerNorm也有同样的结论。进一步的实验表明，变化较大的层对知识适应更为重要。

CLIPFit

在不引入任何外部参数的情况下，CLIPFit仅对文本编码器中FNN的投影线性层的偏置项进行微调，并更新图像编码器中的LayerNorm。

文本编码器

对于文本编码器，CLIPFit并不是对所有偏置项进行微调，而仅对文本编码器中FFNs的投影线性层（即第二层）的偏置项进行微调。仅微调部分偏置项将减少训练参数的数量，相较于微调所有偏置项。此外，实验表明，微调部分偏置项可以实现比微调所有偏置项更好的性能。

图像编码器

BitFit证明了在不引入任何新参数的情况下，仅微调预训练语言模型中的偏置项可以与完全微调的表现相媲美。然而，BitFit是为大型语言模型（LLM）微调设计的，直接将BitFit应用于视觉语言模型（VLM）微调可能会损害模型的泛化能力。

为此，CLIPFit并没有对图像编码器的偏置项进行微调，而是对LayerNorm进行微调。在LayerNorm中，两个可学习参数增益 \(\boldsymbol{g}\) 和偏置 \(\boldsymbol{b}\) 用于对标准化输入向量 \(\boldsymbol{x}\) 进行仿射变换，以进行重新中心化和重新缩放，这有助于通过重新塑形分布来增强表达能力。在训练过程中，不同的数据分布应该在LayerNorm中产生不同的增益和偏置，以实现分布的重新塑形。

如果在推理过程中应用偏移的增益和偏置，可能会导致次优解。因此，CLIPFit对图像编码器中的LayerNorm进行微调。

损失函数

在微调阶段，通用的预训练知识很容易被遗忘。因此，论文探索了两种不同的策略来减轻这种遗忘。

第一种策略是使用知识蒸馏损失来指导CLIPFit从原始的零样本CLIP中学习。设 \(\{\boldsymbol{w}_i^\mathrm{clip}\}_{i=1}^K\) 为原始CLIP的文本特征， \(\{\boldsymbol{w}_{i}\}_{i=1}^K\) 为CLIPFit的文本特征。CLIPFit的训练损失和知识蒸馏损失定义为：

\[\begin{equation} \mathcal{L}=\mathcal{L}_{\mathrm{ce}}+\beta \mathcal{L}_{\mathrm{k g}}, \end{equation} \]

\[\begin{equation} \mathcal{L}_\mathrm{k g} = \frac{1}{K}\sum_{i=1}^{K}\cos(\boldsymbol{w}_i^{\mathrm{clip}},\boldsymbol{w}_i), \end{equation} \]

第二种策略是使用均方误差（MSE）损失来惩罚文本编码器的变化。设 \(\{\boldsymbol{b}_i^\mathrm{clip}\}_{i=1}^L\) 为来自预训练CLIP的未固定文本偏置项， \(\{\boldsymbol{b}_i\}_{i=1}^L\) 为来自CLIPFit的未固定文本偏置项，其中 \(L\) 是未固定偏置层的数量。均方误差损失定义为：

\[\begin{equation} \mathcal{L}_\mathrm{m s e} = \frac{1}{L}\sum_{i=1}^{L}||\boldsymbol{b}_i^\mathrm{clip}-\boldsymbol{b}_i||^2. \end{equation} \]

这两种策略都能缓解遗忘问题，而知识蒸馏损失的效果更佳。因此，选择将知识蒸馏损失作为CLIPFit的最终解决方案。