CLIPのアプローチ

【 natural language supervision とは何か？ 】

CLIP (Contrastive Language–Image Pre-training) は、テキストとイメージを結合することを目指したOpenAIのプロジェクトです。

CLIPは、大規模言語モデルをマルチモーダルな人工知能に展開する上での、OpenAIの中心的なプロジェクトと考えていいと思います。

OpenAIは、CLIPを次のように紹介しています。https://openai.com/research/clip

「CLIPと呼ばれるニューラルネットワークを導入し、natural language supervision から視覚概念を効率的に学習する。CLIPは、GPT-2やGPT-3の「ゼロショット」機能と同様に、認識すべき視覚カテゴリの名前を与えるだけで、あらゆる視覚分類ベンチマークに適用できる。」

ここでのキー・コンセプトは、“natural language supervision” です。その意味は、すぐ後で説明します。先の文は、それを視覚概念の学習に活かすと言っています。


【 CLIP登場の背景 】

“natural language supervision” の説明の前に、CLIPの登場の背景を見ておきましょう。その背景を、OpenAIは、とても率直に語っています。

「ディープラーニングはコンピュータ・ビジョンに革命をもたらしたが、現在のアプローチにはいくつかの大きな問題がある。」

最大のものは、データセットの問題だとOpenAIは言います。

「また、ベンチマークでは優れた性能を発揮するモデルも、ストレス・テストでは失望するほど低い性能しか発揮できず、コンピュータ・ビジョンへのディープラーニング・アプローチ全体に疑問を投げかけている。」

データセットには、どういう問題があるのでしょう？

先に見た Vision Transformer は、”Inductive Bias Free”なシンプルなアーキテクチャーでも、データセットの規模を拡大すると、画像認識の性能を上げられることを強調し、「大規模訓練が帰納的バイアスに勝ることを発見した。」と豪語していたのですが、OpenAIのCLIPのアプローチは、すこし違ったものです。

「典型的なビジョン・データセットは、作成に労力とコストがかかる一方で、狭い範囲の視覚概念しか教えない。標準的なビジョン・モデルは、1つのタスクと1つのタスクにしか向いておらず、新しいタスクに適応させるためには多大な労力を必要とする。」

例えば、代表的なビジョン・データセットであるImageNetは、一つの画像には一つのカテゴリー（ラベル）が割り当てられています。ただ、象の画像には「象」というラベルがつけられているだけです。

このようなデータセットで訓練されたシステムは、提示された画像が「なんであるか」という質問には答えられるかもしれませんが、それ以外のタスクには、対応できません。

しかし、画像認識には多様なタスクが存在します。
　「そこはどこ？」
　「何をしているの？」


【 “natural language supervision”とは何か？ 】

「我々はこのような問題を解決することを目的としたニューラルネットワークを発表する。」

それがCLIPだといいます。

「それは、インターネット上に豊富に存在する多種多様なnatural language supervisionを用いて、多種多様な画像で学習される。これは重要な変更点である。」

例えば、象がいる画像に「象」というラベルを人手で一つつけるのではなく、その画像に「動物園で象がリンゴを食べている」というテキストを対応させ、この画像とテキストのペアを画像データセットに加えるのです。こうしたデータは、インターネット上にはたくさん存在します。

“natural language supervision” というのは、自然言語で書かれたテキストの意味を抽出して、その管理下で画像処理のタスク処理を行うということです。それは、画像の「意味」を対応するテキストが与えると考えることです。

（どう日本語に訳すのがいいか難しいですが、「自然言語監督」でもいいかなとも思っています。）

従来のImageNETのようなデータセットでは、「この画像は何？」という画像認識タスクに対して「象」と答えるしかなかったのですが、この新しいデータセットでは、「ここはどこ？」 ー＞ 「動物園」、「何をしているの」 ー＞ 「リンゴを食べている」のように、複数の画像認識タスクに対応できます。

細かいことですが、画像と対応付けられたテキストは、もはや単なる分類カテゴリー名のラベルではないので、単純なデフォールトでは「〇〇の画像」あるいは「〇〇の写真」と記述した方がいいことになります。これはこれで、ベタですが画像の意味記述になっています。

 Vision Transformer は、大規模言語モデルのTransformer という処理スタイルの形式を画像処理に転用したのですが、CLIPは、もう少し深いところで、大規模言語モデルの自然言語の「意味理解」の能力を画像認識に活かそうとしているように見えます。

実際は、もう少し複雑なのですが（というか、いろいろな単純化がなされているのですが）、CLIPのアーキテクチャーを論文にそくして見ていきたいと思います


------------------------------------------------------------

ショートムービー 「 CLIPのアプローチ 」を公開しました
https://youtu.be/4WcwlSR-2nE?list=PLQIrJ0f9gMcNq1c2SNCMXp8BbIn1XK76C

ショートムービー 「 CLIPのアプローチ 」のpdf資料
https://drive.google.com/file/d/1aXju5ZQ7yDUxXBMOqMpkoNIjBI1jnH13/view?usp=sharing

blog : 「 natural language supervision とは何か？」
https://maruyama097.blogspot.com/2023/09/clip.html

セミナーに向けたショートムービーの再生リスト
https://www.youtube.com/playlist?list=PLQIrJ0f9gMcNq1c2SNCMXp8BbIn1XK76C

マルレク「大規模言語モデルの展開」のまとめページ

コメント

コメントを投稿

このブログの人気の投稿

マルレク・ネット「エントロピーと情報理論」公開しました。

イメージ
前回の秋葉原でのマルレクのネット配信が始まりました。 https://crash.academy/class/156 タイトルを「エントロピーと情報理論 -- 量子情報理論入門 -- 」に変更しました。最初の30分は、無料です。 次回のマルレク「量子コンピュータとは何か？」の導入となるコンテンツです。 講演資料は、こちらです。 https://goo.gl/CKayix  あわせて、ご利用ください。 　　　--------------------------------- 　　　マルレク・ネット　ビデオ・コンテンツ　 　　　--------------------------------- 　「エントロピーと情報理論」 　　　　 https://crash.academy/class/156 　「人工知能の歴史を振り返る」 　　　　 https://crash.academy/class/139/ 　「ニューラル・コンピューターとは何か？」 　　　　 https://crash.academy/class/101/ 　「Google ニューラル機械翻訳」 　　　　 https://crash.academy/class/76/ 　「RNNとLSTMの基礎」 　　　　 https://crash.academy/class/66/
続きを読む

初めにことばありき

旧約の「創世記」の「光よあれ」は、ビッグバンを思わせて、物理学者はちょっと萌えるかもしれないのだが、新約の「ヨハネによる福音書」には、言語学者が喜びそうなフレーズがある。 「初めに言があった。言は神と共にあった。言は神であった。」 僕が知っていたのは、「はじめにことばありき」という訳だったのだが。この口語訳での「言」は、英訳だとこうなっている。 "In the beginning was the Word, and the Word was with God, and the Word was God." 「言」= "Word" である。はじめにあったのは、Wordであって、Language ではない。だから、新しい口語訳では、普段、あまり馴染みない「言」という訳語を使ったのかも。「初めに語があった」では、なんかしまらないんだろうな。（僕は、「はじめにことばありき」というフレーズの方が好きだ。） ちなみに、「ヨハネによる福音書」は、英語では、"Gospel of John" という。「ジョンのゴスペル」である。でも、そう日本語に訳してしまうと、ジョン・レノンがバラードではなく、ゴスペルを歌っているようで、まずいんだろうな。 「ことば」・「言」・"Word" と訳されている、元々の言葉を調べてみると面白い。 キリスト教のオーソドックスな原典であるラテン語訳聖書では、この部分は、こうなる。 "In principio erat Verbum, et Verbum erat apud Deum, et Deus erat Verbum" 「イン・プリンキピオー・エラト・ウェルブム」 英訳 Word のラテン語の原語は、Verbum である。この単語、英語に直訳すれば、Verbである。「初めに、動詞があった。」　言語学の「従属性文法 (Dependency Grammar) 」理論の人たち、喜びそう。 もっとも、英語のVerbは、元々は、動詞というより広く言葉全体をさしてたらしい。そのことは、「ノンバーバル・コミュニケーション (Non-Verbal Communication) 」というのが、動詞を使わないコミュニケーション
続きを読む

人間は、善と悪との重ね合わせというモデルの失敗について

人間は善と悪との「重ね合わせ」だという前回の話は、人間の本性の複雑さを語るのには、ありうる喩えなのかもしれないが、量子の「重ね合わせ」の喩えとしては、実は、二つの点で失敗しているのだ。 一つには、複雑な善と悪との重ね合わせから情報を引き出す「簡単・粗野」な方法として、善か悪かの判断のみを下す「善悪測定器」を、便宜的に導入したのだが、これがマズイ。 複雑な量子の状態を「測定」した時に、我々は、その状態を複雑なまま見いだすことは出来ないのだ。量子が、善と悪との状態の重ね合わせだとしたら、測定によって我々が見いだすのは、必ず、善か悪か、どちらかの状態の量子を見いだす。 もしも、量子が、善悪二つの状態の重ね合わせではなく、もっと沢山の状態（例えば、100個の状態）の重ね合わせの場合でも、我々が「測定」で得られるのは、その中の、たった一つの状態である。 だから、量子の世界では、善か悪かの判断のみを下す「善悪測定器」は、決して「便宜的」なものではなく、これ以外の測定はできないという意味で、「原理的」な制約を表現しているのである。そのことが、先の喩えでは、うまく表現されていない。 量子の不思議さを、「重ね合わせ」の状態が不思議だと思っている人も多いのだが、それは違うと思う。 善と悪との重ね合わせの前回の例もそうだし、波だって、フーリエ変換だって、我々の日常に、たくさん「重ね合わせ」の現象は存在する。それは、ちっとも不思議なことではないし、表象するのも簡単である。 不思議なのは、「重ね合わせ」ではなく、量子に対する「測定」の方なのだ。それは、我々が「測定」に対してもつイメージとは、かけ離れている。量子力学の基礎の部分を構成しているのは、この不思議な「測定」の形式化・数式化なのである。（そして、それは、難しいものではない。今度の「紙と鉛筆」の演習に来て。） 二つ目の失敗も、実は、「測定」の扱いに関係している。 先の例では、丸山は、1,000回ほど「善悪測定器」にかけられ、その結果で、70% 悪人で、30% 善人 だと判定されるみたいな話をした。それが違うのである。 我々が「測定」で得られるのは、「重ね合わせ」を構成する複数の状態の中のたった一つの状態であると書いたのだが、それだけではないのだ。「測定」によって、量子の状態は、「測定」された一
続きを読む