PHI-S : Équilibrage de la distribution pour la distillation multi-enseignant sans étiquette

PHI-S: Distribution Balancing for Label-Free Multi-Teacher Distillation

October 2, 2024

Auteurs: Mike Ranzinger, Jon Barker, Greg Heinrich, Pavlo Molchanov, Bryan Catanzaro, Andrew Tao

cs.AI

Résumé

Divers modèles de base visuelle présentent des forces et des faiblesses distinctes, qui peuvent être améliorées par une distillation de connaissances multi-enseignants hétérogène sans étiquettes, appelée "modèles agglomératifs". Nous nous appuyons sur ce corpus de travaux en étudiant l'effet des statistiques d'activation des enseignants, en particulier l'impact de la fonction de perte sur la qualité du modèle étudiant résultant. Nous explorons une boîte à outils standard de techniques de normalisation statistique pour mieux aligner les différentes distributions et évaluer leurs effets. De plus, nous examinons l'impact sur les mesures de correspondance des enseignants en aval, ce qui motive l'utilisation de matrices de Hadamard. Avec ces matrices, nous démontrons des propriétés utiles, montrant comment elles peuvent être utilisées pour une standardisation isotropique, où chaque dimension d'une distribution multivariée est standardisée en utilisant la même échelle. Nous appelons cette technique "Standardisation PHI" (PHI-S) et démontrons empiriquement qu'elle produit le meilleur modèle étudiant parmi l'ensemble des méthodes étudiées.

English

Various visual foundation models have distinct strengths and weaknesses, both of which can be improved through heterogeneous multi-teacher knowledge distillation without labels, termed "agglomerative models." We build upon this body of work by studying the effect of the teachers' activation statistics, particularly the impact of the loss function on the resulting student model quality. We explore a standard toolkit of statistical normalization techniques to better align the different distributions and assess their effects. Further, we examine the impact on downstream teacher-matching metrics, which motivates the use of Hadamard matrices. With these matrices, we demonstrate useful properties, showing how they can be used for isotropic standardization, where each dimension of a multivariate distribution is standardized using the same scale. We call this technique "PHI Standardization" (PHI-S) and empirically demonstrate that it produces the best student model across the suite of methods studied.