Meta AI 发布 data2vec！统一模态的新里程碑！
文 | ZenMoore
编 | 小轶转 | 夕小瑶的卖萌屋
如果让大家举一个最成功的自监督模型的例子，尤其对于各位 NLPer，肯定毫不犹豫地祭出我大 BERT. 想当年 BERT 打了一个名叫 MLM (Masked Language Model) 的响指，直接成了 NLP 灭霸。
视觉界、语音界闻声而来，纷纷开启了 BERT 的视觉化、语音化的改造。
视觉界，以 patch 或者像素类比 NLP 的 token；语音界，虽然不能直接找到 token 的替代，但是可以专门做 quantification 硬造 token.
但是，思考这样一个问题：为什么这些图像或者语音模态的自监督，非要一股 NLP 味儿呢？
要知道，虽然确实有生物学的研究表明，人类在进行视觉上的学习时，会使用与语言学习相似的机制，但是，这种 learning biases 并不一定完全可以泛化到其他模态。
所以有没有什么办法，能够把不同模态的自监督表示学习统一起来，不再是仿照 MLM 做 MIM (Masked Image Modelling)、MAM (Masked Audio Modelling)？
昨天，Meta AI （原 Facebook）发布最新自监督学习框架 Data2Vec，立即在整个 AI 圈疯狂刷屏。这份工作或许预示着——多模态的新时代，即将到来。
本文就为大家简单解读一下，这份 AI 圈的今日头条，究竟做了些什么。
论文标题:
Data2vec: A General Framework for Self-supervised Learning in Speech, Vision and Language
论文作者:
Alexei Baevski, Wei-Ning Hsu, Qiantong Xu, Arun Babu, Jiatao Gu, Michael Auli
Meta AI, SambaNova
论文链接:
https://ai.facebook.com/research/data2vec-a-general-framework-for-self-supervised-learning-in-speech-vision-and-language
模型算法
编码、掩码
首先，对于三个不同的模态：文本、图像、语音，采用不同的编码方式以及掩码方式。
模态特定的编码方式 ：
文本模态 : token embedding 图像模态：参考 ViT[1, 2]，以 image patch 为单位，经过一个线性变换(linear transformation) 语音模态：使用多层一维卷积对 waveform 进行编码[3]。
模态特定的掩码方式：
文本模态：对 token 掩码 图像模态：block-wise masking strategy [2] 语音模态：对语音模态来说，相邻的音频片段相关性非常大，所以需要对 span of latent speech representation 进行掩码 [3]
掩码符为训练后得到的 MASK embedding token，而不是简单的 MASK token，原因且看下文。
Student : 模型训练
之后，在 student-mode 中，根据 masked input 对掩码位置的表示进行预测。需要注意的是，这里模型预测的并不是掩码位置(如 text token, pixel/patch, speech span)，而是掩码位置经过模型编码后的表示。因为这个表示经过了 Attention/FFN 等一系列模块的处理，自然是模态无关的，不仅如此，它还是连续的(continuous)，编码了丰富的上下文语义(contextualized)。
如果把输入空间比作物理世界，表示空间比作精神空间。那么，作者相当于直接在“精神空间”中想象被遮住的部分(mask),颇有一种“梦里看花”的感觉。上次见到这“梦一般”的算法，还是 Hinton 老爷子的 Sleep-Wake[4].
具体地，训练目标为如下的 smooth L1 loss：
其中， 为使用 teacher model 构建的 training target； 为 student model 在时刻 的输出； 是超参，用来调整 L1 损失的平滑度。
Teacher : 数据构建
最后，还有一个问题，既然变成了对表示的掩码而非对原输入的掩码，那么训练数据怎么来呢？
这就是 teacher-mode 的妙用。与 student-mode 不同的是，teacher-mode 的输入不再是 masked input，而是 original input, 这样，掩码位置对于 teacher 来说就是可见的，自然能够得到掩码位置对应的表示，而这个表示，就是 student-mode 的 training target.
当然，为了保证“师生”两个模型的一致性，两者的参数是共享的。另外，又为了在训练初期让 Teacher 的参数更新更快一些，作者采用了一个指数滑动平均(EMA)：.
其中， 是 Teacher 的参数， 是 Student 的参数， 类似于学习率，也是一个带有 scheduler 的参数。
具体地，training target 这么构建(按步骤)：
找到 student-mode 输入中被 mask 掉的 time-step 计算 teacher network 最后 K 层 transformer block 的输出： 归一化 : 平均 : , 即 training target.
对于第三步的归一化：语音模态采用 instance normalization 文本和图像模态采用 parameter-less layer normalization
Representation Collapse
在实验中，作者还遇到了 Representation Collapse 的问题：模型对于所有掩码片段输出非常相似的 representation.
这个已经有好多解决办法啦~ 对于本文，有以下几种情况：
学习率太大或者其 warmup 太短：通过调参解决 指数滑动平均太慢了：还是调参 对于相邻 target 相关性强的模态或者掩码片段较长的模态 (比如语音模态)：设置 variance 罚项[5]，或者归一化[6]，归一化的效果更好一些。 而对于 targets 相关性不那么强的模态例如 NLP/CV 等，momentum tracking 就足够。
与同类工作的对比
与其他 NLP 自监督算法的对比：
和 BERT 不同，本文预测的并不是离散 token, 而是 continuous/contextualized representation.
好处1: target 不是 predefined (比如有预定义的词表等), target set 也是无限的 (因为是连续的)，因此可以让模型更好的适配特定的输入
好处2：考虑了更多上下文信息
与其他 CV 自监督算法的对比：
与 BYOL[6]/DINO[7] 等：本文新增了掩码预测任务，而且是对多层进行回归(即参数 K) 与 BEiT[2]/MAE[8] 等带掩码预测任务的算法：本文对 latent representation 进行预测
与其他 Speech 自监督算法的对比:
与 Wav2vec2.0[3]/HuBERT[9] 等 : 其他工作一般需要另外预测 speech 中的离散单元（或联合学习或交互学习），而本文不需要 这种 quantification.
与多模态预训练的对比：
本文工作重点不在于多模态任务或者多模态训练，而在于如何把不同模态的自监督学习目标统一起来。
实验结果
计算机视觉
实验任务：Image Classification
实验结论：可以看到本文工作有较明显的改进
语音
实验任务：Automatic Speech Recognition
实验结论：改进很明显
Natural Language Processing
wav2vec 2.0 masking : masking span of four tokens[3]
实验任务：GLUE
实验结果：作者仅仅对比了 19 年的两个 baseline, 说明在文本模态上的改进效果仍然受限，但是这个分数也非常好了
Ablation 1 : layer-averaged targets
这也是和 BYOL[6]/DINO[7] 等模型的一大区分：对多层进行回归
从图表可见，比起只使用 top layer, 平均多层输出来构建 target 是很有效的！
Ablation 2 : 使用 Transformer 的哪一层？
基于语音模态进行实验，发现使用 FFN 层输出最有效，使用自注意力模块的输出基本没用。原因：自注意力模块在残差连接之前，得到的 feature 具有很大的偏差(bias)。
写在最后
也许，在表示空间中而非输入空间中进行掩码预测的自监督表示学习，是自监督未来的重要方向！
不过，作者也指出 Data2Vec 的一大局限：编码方式以及掩码方式仍然是 modality-specific 的。能否使用类似于 Perceiver[10] 的方式直接在 raw data 上进行操作？或者是否真的有必要统一各个模态的 encoder 呢？
犹记得卖萌屋作者群里有过这么一个分享，是 Yoshua Bengio 等在 EMNLP'20 的文章[11]，里面界定了 NLP 发展的五个阶段：
毋庸置疑，多模态的火热标志着我们正在进入第三个阶段：多模态时代。
Data2Vec 巧妙地使用“梦里看花”的方式，让我们看到了自监督的强大威力，也让我们意识到模态统一大业就在眼前！也许，现在的 Data2Vec，只是一颗不能发挥全部威力的宝石，就像 Word2Vec 一样，但相信在不久的将来，从 Data2Vec 出发，能够看到一统多模态的灭霸，就像 BERT 那样！山雨欲来，风满楼！
萌屋作者：ZenMoore
来自北航中法的本科生，数学转码 (AI)，想从 NLP 出发探索人工认知人工情感的奥秘... 个人主页是 zenmoore.github.io, 知乎 ID 是 ZenMoore, 微信号是 zen1057398161, 嘤其鸣矣，求其友声！
作品推荐
[1] An image is worth 16x16 words: Transformers for image recognition at scale.
https://arxiv.org/abs/2010.11929[2] Beit: BERT pre-training of image transformers.
https://arxiv.org/abs/2106.08254[3] Baevski, A., Zhou, Y., Mohamed, A., and Auli, M. wav2vec 2.0: A framework for self-supervised learning of speech representations. In Proc. of NeurIPS, 2020b
[4] The wake-sleep algorithm for unsupervised neural networks
https://www.cs.toronto.edu/~hinton/csc2535/readings/ws.pdf[5] Vicreg: Varianceinvariance-covariance regularization for self-supervised learning.
https://arxiv.org/abs/2105.04906[6] Bootstrap your own latent: A new approach to self-supervised learning
https://arxiv.org/abs/2006.07733[7] Emerging Properties in Self-Supervised Vision Transformers
https://arxiv.org/abs/2104.14294[8] Masked Autoencoders Are Scalable Vision Learners
https://arxiv.org/abs/2111.06377[9] HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units
https://arxiv.org/abs/2106.07447[10] Perceiver: General Perception with Iterative Attention
https://arxiv.org/abs/2103.03206[11] Experience Grounds Language
https://arxiv.org/abs/2004.10151
