思维导图
摘要
给定包含旧类别和新类别的未标记数据集，广义类别发现（GCD）的目标是在正确分类旧类别的同时，准确发现新类别。当前的GCD方法仅使用单一的视觉模态信息，导致对视觉相似类别的分类效果不佳。文本信息作为一种不同的模态，能够提供互补的判别信息，这促使我们将其引入GCD任务中。然而，未标记数据缺乏类别名称，使得文本信息的利用难以实现。为了解决这一具有挑战性的问题，本文提出了一种文本嵌入合成器（TES），用于为未标记样本生成伪文本嵌入。具体而言，我们的TES利用CLIP能够生成对齐的视觉-语言特征这一特性，将视觉嵌入转换为CLIP文本编码器的标记，以生成伪文本嵌入。此外，我们采用双分支框架，通过不同模态分支的联合学习和实例一致性，使视觉信息和语义信息相互增强，促进视觉知识与文本知识的交互和融合。我们的方法充分发挥了CLIP的多模态潜力，在所有GCD基准测试上均大幅优于基线方法，达到了新的最先进水平。
背景
广义类别发现（GCD）任务定义
- 输入：包含已知类别（旧类）和未知类别（新类）的无标签数据集，以及少量有标签的旧类数据集
- 目标：在无标签数据中，正确分类已知类，同时准确发现未知类，打破传统模型的闭集假设，适配真实场景
现有 GCD 方法的局限
- 单模态依赖问题：当前方法（如 GCD、SimGCD）仅使用视觉模态信息，对视觉相似类别（如细粒度数据集的鸟类、汽车子类）分类效果差，难以区分细微差异
- CLIP 多模态潜力未释放：CLIP 具备视觉 - 语言对齐的多模态能力，但 GCD 无标签数据缺乏类名，无法直接调用其文本编码器，导致多模态优势被 “锁定”
图1. 我们方法的动机。(a) 当前的GCD方法[51]依赖单一的视觉特征，导致视觉相似类别的分类效果较差；我们的方法引入文本信息，提高了模型的判别能力。(b) 我们提出的方法将图像嵌入映射到文本嵌入，同时实现模态对齐。
创新
图2. 我们的GET框架概述。（a）在第一阶段，我们引入了一个文本嵌入合成器，为未标记数据生成伪文本嵌入。TES学习一种线性映射，将图像特征转换为文本编码器的输入标记。生成的伪文本嵌入随后在第二阶段用于联合训练。（b）在第二阶段，我们提出了一个双分支多模态联合训练框架，具有跨模态实例一致性目标。两个分支采用相同的参数化训练策略[51]，同时分别专注于文本和视觉信息。（c）我们的跨模态实例一致性目标使视觉和文本信息能够相互交换并从中受益。
综上所述，我们的贡献如下：
- 为解决文本编码器无法用于未标记数据的问题，我们提出了一种TES模块，将视觉嵌入转换为CLIP文本编码器的标记，以生成伪文本嵌入。
- 通过我们双分支框架中提出的跨模态实例一致性目标，不同模态信息相互增强，产生更具判别性的分类原型。
- 我们的方法在多个基准测试上取得了最先进的结果，为GCD提供了一种多模态范式。
方法
（详细公式见论文）
实验
表1. 细粒度和通用数据集上的结果（%）。最佳结果以粗体突出显示。
表2. 更具挑战性的数据集上的结果（%）。
表3. 不同组件的消融研究。
表4. 与不同融合方法的比较。
表5. 不同伪文本嵌入的实验。
表6. 使用不同提示词的结果。
表7. NEV和TV-100数据集上的结果。
（更多结果见附录）
结论
在这项研究中，我们提出利用多模态信息来解决GCD任务。具体而言，我们引入了一种文本嵌入合成器，为未标记数据生成伪文本嵌入。我们的文本嵌入合成器模块使得使用CLIP的文本编码器成为可能，从而释放了GCD任务的多模态潜力。同时，我们采用了双分支训练策略，并辅以跨模态实例一致性目标，这促进了不同模态之间的协同作用和相互学习。我们将GCD扩展到多模态范式的研究以及在多个基准测试上的优异性能，证明了我们方法的有效性。
局限性与未来工作。我们方法的一个局限性是将视觉和文本信息视为同等重要。实际上，有些样本的视觉信息可能比文本信息更丰富、更具辨别力，反之亦然。一种更合适的方法可能是让模型能够自适应地利用多模态信息，自主评估哪种模态的信息更为关键。我们将在未来的工作中深入研究这一方面。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
