PHI-S: Balanceamento de Distribuição para Destilação Multiprofessor sem Rótulos

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

October 2, 2024

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

cs.AI

Resumo

Diversos modelos de base visual possuem forças e fraquezas distintas, ambas as quais podem ser aprimoradas por meio da destilação de conhecimento multi-professor heterogêneo sem rótulos, denominada "modelos aglomerativos". Ampliamos este conjunto de trabalhos ao estudar o efeito das estatísticas de ativação dos professores, em particular o impacto da função de perda na qualidade do modelo estudante resultante. Exploramos um conjunto padrão de técnicas de normalização estatística para alinhar melhor as diferentes distribuições e avaliar seus efeitos. Além disso, examinamos o impacto nas métricas de correspondência de professores a jusante, o que motiva o uso de matrizes de Hadamard. Com essas matrizes, demonstramos propriedades úteis, mostrando como podem ser usadas para padronização isotrópica, em que cada dimensão de uma distribuição multivariada é padronizada usando a mesma escala. Chamamos essa técnica de "Padronização PHI" (PHI-S) e demonstramos empiricamente que ela produz o melhor modelo estudante entre o conjunto de métodos estudados.

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.