Data Filtering Network论文浅析

type

status

date

slug

summary

Motivation

训练一个好的CLIP模型依赖大规模，高质量的训练数据。通过爬虫，可以很容易从互联网爬取大量（上千亿）的图文数据，满足大规模的要求是容易的。但是，互联网中的图文数据含有大量噪声，为了提升质量，数据治理（data curation）必不可少。如何设计一个鲁棒、低成本的data curation方案也是目前的一个研究热点，也是这篇文章的主题。

Main Idea

Data Filtering Network 的核心流程如下:

STEP1: 用高质量的数据训练DFN（data filter network）

STEP2: 用训练好的DFN对uncurated data进行过滤，得到DFN induced Dataset

filtering的代码逻辑

STEP3: 用DFN induced Dataset训练CLIP。

总体是一个二阶段的训练过程，先训练DFN，再训练CLIP。

实验

部分英文名词进行说明

ㅤ	description
uncurated data/data pool	未清洗的大规模爬取数据集
filter dataset	用来训练DFN的数据集
induced dataset	对data pool用DFN进行过滤的数据集
induced model	用induced dataset训练的CLIP模型

Data Filtering Network的形式探究

DFN的本质上是一个判别模型。给定一个sample，DNF判别其是否为正例。作者主要探究了3种DFN的形式：

仅考虑图片信息，建模为binary classification。具体来说，将CC12M和imageNet的图片作为正例（高质量图片），CommonCrawl的图片作为负例（低质量图片），训练一个分类模型来filter。

建模为重建任务。以mask区域的重建质量作为判别依据。具体来说，用高质量的图文数据训练M3AE。推理阶段计算data pool 图片mask区域的重建损失，高的作为噪声。

CLIP形式。用CLIP score进行filter。（作者最后用该方法训练DFN）

DFN和之前常用的CLIP filtering算法形式上一致。主要区别在于DFN中的CLIP是在高质量数据上训练的，过滤效果好一些。另外论文提供的一些实验上的insighting可以参考。

数据质量对DFN性能的影响

作者用induced model在下游任务的性能来间接评估DFN的性能。

作者评估用不同的高质量数据训练的DFN所产生的induced model的性能。实验发现：DFN的训练数据质量低时，induced model的性能明显下降。

Induced Dataset的构建

作者迁移OpenAI CLIP的权重，在HQITP-350M 高质量图文对数据上对其进行微调，得到DFN，随后用该模型对data pool数据进行打分，过滤得到DFB2B和DFN5B数据集，具体流程：

dataset	data pool	fiterring rule
`DFN2B`	`DataComp-xlarge` (12.8B)	将score得分在前2B(约15%)的数据作为induced dataset
`DFN5B`	`DataComp-xlarge` (12.8B) + 30B 额外的爬取数据	将score得分在前5B的数据作为induced dataset

`DFN`二阶段训练范式必要性研究

作者进一步探究所提出的二阶段范式的必要性

stage1: 训练DFN。“high quality filter dataset → DFN”,

stage2: 训练induced model。“data-pool → DFN (trained)→ induced dataset → induced model”

具体结果见表：

作者对比用DFN filter 和用OpenAI的CLIP fileter（OAI ViT-B/32 Induced Dataset ）在评估数据集的效果。有点困惑的是：作者的DFN2B用的是前15%的数据。而baseline 似乎用的是clip score > 0.3的数据。似乎不太公平？

Data Pool 对`DFN`性能的影响

从下表可知，DFN的性能随data pool size的增加而增加。这也很好理解，data pool越大，经过DFN过滤后，排在前2B的数据平均score就越高。

由于HQITP-350M 数据是闭源的。作者也在开源高质量数据上训练DFN，验证其方法的有效性

上表也间接验证了`数据质量对DFN性能的影响`。同样规模induced dataset, HQITP-350M 训练的DFN相较开源高质量数据，induced model的性能在不通data pool下都下降了7-8个点。

小结

文本从data curation的方向研究如何提升CLIP的performance。本文核心是提出了一个二阶段的训练范式：

Stage1: 用高质量数据训练DFN。“high quality filter dataset → DFN”；

Stage2: 用DFN清洗后的数据训练induced model （即CLIP）。“data-pool → DFN (trained)→ induced dataset → induced model”。

time	2023-09
paper	https://arxiv.org/abs/2309.17425
code	https://huggingface.co/apple/DFN5B-CLIP-ViT-H-14-378
org.	Apple
个人博客地址	http://myhz0606.com/article/dfn