ICLR 2024 | 雞生蛋蛋生雞？再論生成數(shù)據(jù)能否幫助模型訓(xùn)練

AIGC動態(tài)2年前 (2024)發(fā)布機器之心

AIGC動態(tài)歡迎閱讀

原標(biāo)題：ICLR 2024 | 雞生蛋蛋生雞？再論生成數(shù)據(jù)能否幫助模型訓(xùn)練
關(guān)鍵字：數(shù)據(jù),模型,對比,強度,樣本
文章來源：機器之心
內(nèi)容字?jǐn)?shù)：7733字

內(nèi)容摘要：

機器之心專欄
機器之心編輯部隨著生成模型（如 ChatGPT、擴散模型）飛速發(fā)展，一方面，生成數(shù)據(jù)質(zhì)量越來越高，到了以假亂真的程度；另一方面，隨著模型越來越大，也使得人類世界的真實數(shù)據(jù)即將枯竭。
面對這一處境，一個近期的研究熱度是，能否利用生成模型生成的假數(shù)據(jù)來輔助學(xué)習(xí)？學(xué)界對此也產(chǎn)生了許多爭論：到底是可以左腳踩右腳（bootsrap）地實現(xiàn) weak-to-strong 的不斷提升，還是像雞生蛋、蛋生雞一樣，只不過是徒勞無功？
在近期 ICLR 2024 工作中，北大王奕森團隊針對這一「數(shù)據(jù)擴充」（Data Inflation）問題展開了深入研究。
他們針對對比學(xué)習(xí)（如 SimCLR、DINO、CLIP）這一常見的自監(jiān)督學(xué)習(xí)場景，從理論和實驗兩方面分析了生成數(shù)據(jù)對于表示學(xué)習(xí)能力的影響。為了控制變量，他們保證生成模型和表示學(xué)習(xí)都只能使用同一個（無監(jiān)督）真實數(shù)據(jù)集進行訓(xùn)練，避免了擴充數(shù)據(jù)本身帶來的收益。論文題目：Do Generated Data Always Help Contrastive Learning？
論文地址：https://arxiv.org/abs/2403.12448

原文鏈接：ICLR 2024 | 雞生蛋蛋生雞？再論生成數(shù)據(jù)能否幫助模型訓(xùn)練