Data Filtering Network 论文阅读和理解

目录

一、TL；DR

二、Introduction

2.1 apple的结论

2.2 业界做法：

2.3 我们的做法（Apple）

2.4 如何获取好的DFN

三、未完待续（这周出去购物了，下周继续补充）

一、TL；DR

1. 核心观点：
   1. 高质量的数据过滤网络与下游的表现是不一致的，下游性能好的网络可能过滤不出高质量数据，性能差的网络可能过滤出高质量数据
   2. 假设存在一个大型未整理数据集。DFNs可以诱导出一个大规模、高质量的预训练数据集。
2. 实际数据集：DFNs与大型未过滤的图像-文本池配对，产出20亿高质量的图文数据集：DFN-2B（20亿）

二、Introduction

2.1 apple的结论

开局放大招，直接说明高质量数据是可以节省算力+提升性能的：

2.2 业界做法：

   LAION数据集的构建方法：

很显然，上述数据的构建方法非常依赖open AI的clip模型，模型的性能会限制实际过滤出的数据的质量（我理解是某些具备高信息熵的FN会被漏掉，且FP会进来），根据我实际的数据集构建经验也确实如此，不再加一级人工逻辑数据集几乎无法直接使用，clip的判断在图像文本对的描述如果足够细节的情况下，极其容易出错，尤其是在小批量数据增加上，会给实际训练的模型带来退化；

DataComp数据集构建和评估方法：

    Common Crawl包括128亿对图像-文本配对，通过使用各种数据filter技术的效果固定使用open-ai的vit-L14的训练资源来评估imagenet等38个下游任务的性能，将这个基准测试作为评估fiter网络的主要方法； 

    同时，datacomp的作者还发布了DataComp-1B的数据集，该数据集是通过聚类和clip的筛选2个方法来提高数据集质量，从而改进来LAION5B，但该方法依旧依赖clip的模型性能，并且引入了昂贵的聚类算法

2.3 我们的做法（Apple）

适用范围：高效的过滤达数万亿的样本，因此数据池子要求比较大，如果满足数据过滤的网络，则保留数据，如下是伪代码：

对于给定的DFN和数据池子，用于训练DFN的数据池称之为过滤数据集，用于DFN过滤后构建的数据集是诱导数据集，将DFN的性能定义为诱导模型的性能，该性能是通过标准的基准测试上评估得到的（例如DataComp上一样），则DFN的质量就是诱导数据集训练出来的模型的强度，apple是基于DataComp来构建的；

apple使用1.28亿、12.8亿、128亿三个级别的数据池子，且使用每个池子的提供的模型超参数也和DataCOmp一致，此外，通过将300亿非DataComp网络爬取的图像与DataComp超大规模池相结合，将DFN扩展到一个包含420亿图像的更大池中。然后使用DFN诱导出的数据集表示为DFN-5B，最后用它来训练一个ViT-H/14模型。

老实说，这张图有一些致命，常见的思路都是使用当前的模型来做过滤，训练一轮以后在使用新的模型来作为过滤，如此迭代，但是下面这张图说明了模型的的过滤表现和最终Imagenet的下游性能也许是不相关的

上图表示，DFN的下游任务性能哪怕差30个点（0.80-0.45-0.55），但是诱导出来的数据集的Imagenet性能还更高

2.4 如何获取好的DFN

核心理念：数据质量是训练好的过滤模型的关键，

如上图所示，横坐标是噪音数据的占比，也就是网络爬取（CC2M中的采样的1KW原始干净的数据），poison是对里面进行一定高质量数据替换成爬虫数据的比例，我们发现，被替换后10%左右，DFN的性能急剧下降，而后缓慢下降，因此说明训练DFN的数据一定是要高质量的数据，而业务model 本身的表现逐步下降，几乎是一条直线了
 

三、未完待续（这周出去购物了，下周继续补充）