PHI-S: Bilanciamento della Distribuzione per la Distillazione Multi-Insegnante Senza Etichette

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

October 2, 2024

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

cs.AI

Abstract

Diversi modelli di base visivi presentano punti di forza e debolezze distinti, entrambi dei quali possono essere migliorati attraverso la distillazione della conoscenza multi-docente eterogenea senza etichette, denominata "modelli agglomerativi". Approfondiamo questo corpus di lavoro studiando l'effetto delle statistiche di attivazione degli insegnanti, in particolare l'impatto della funzione di perdita sulla qualità del modello studente risultante. Esploriamo un set standard di tecniche di normalizzazione statistica per allineare meglio le diverse distribuzioni e valutarne gli effetti. Inoltre, esaminiamo l'impatto sulle metriche di abbinamento degli insegnanti a valle, che motiva l'uso delle matrici di Hadamard. Con queste matrici, dimostriamo proprietà utili, mostrando come possano essere utilizzate per la standardizzazione isotropica, in cui ciascuna dimensione di una distribuzione multivariata viene standardizzata utilizzando la stessa scala. Chiamiamo questa tecnica "Standardizzazione PHI" (PHI-S) e dimostriamo empiricamente che produce il miglior modello studente tra l'insieme di metodi studiato.

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.