Abstract
尽管软提示微调在调整视觉语言模型以适应下游任务方面表现出色，但在处理分布偏移方面存在局限性，通过属性引导提示微调（Attribute-Guided，ArGue）来解决这个问题
Contributions
- 与直接在类名之前添加软提示的传统方法相比，通过大型语言模型（LLM）生成的原始视觉属性对齐模型，模型在这些属性上表达高置信度意味着其辨别正确类别理由的能力
- 引入属性采样来消除不利属性，只有语义上有意义的属性被保留下来
- 提出负提示，列举类别无关的属性以激活虚假相关性，并鼓励模型相对于这些负特征生成高度正交的概率分布
Intro.
在典型的分类任务中，提示微调直接在类名之前引入可学习的上下文。然而，零样本识别强调了将描述类别的视觉属性加入输入的重要性。尽管类名捕捉了高级语义，但在推断过程中，原始属性（例如，长尾/黑色爪子）提供了更精确的正则
本文通过识别VL模型中存在的捷径（shortcuts）来分析视觉属性对迁移学习的影响。这些模型在适应新任务时往往会提供不正确的决策理由。例如，正确地将天空中的物体分类为鸟，并不是因为它理解了语义特征，而是因为它检测到了鸟和天空之间的虚假相关性。一个主要突出虚假相关性的模型，例如背景，往往无法有效地推广到分布外数据。
与直接将图像特征与类名对齐的传统提示微调方法不同，ArGue鼓励模型在识别由LLMs生成的相关视觉属性时表现出高置信度。能够识别这些原始属性的模型捕捉到了类的正确理由，而不是受到虚假相关性的影响。
关键优势：
- 仅基于类名生成的属性自然地避免了图像中存在的捷径
- 原始属性可能被其他类共享，增强模型的泛化能力
尽管经过细致的提示调整，直接从LLMs生成的属性的固有质量仍不稳定。提出了属性采样来选择最具代表性和非冗余的属性，使其与相应的图像对齐。利用属性池聚类来选择每个簇中最具代表性的属性，同时避免冗余。根据簇在特征空间中与图像的相似性对属性进行排名，选择最相关的属性。该过程为图像选择最具语义相关性的视觉属性，实验表明减少80％的属性数量会使准确性的提高，同时减少计算资源开销。
在属性引导提示调整的基础上，引入了负提示 ArGue-N。当提供一个不具有类别特定语义并激活虚假相关性的负属性时，模型应该避免偏向于任何类。**ArGue-N 提供了一个通用的负提示，即"the background of a {class}"，背景激活了与类别不相关的区域。在使用负提示时，强制模型产生均匀的预测概率分布。**尽管通用负提示假设较弱，但在分布外数据集上观察到了稳定性能提升。
Method
ArGue: Attribute-Guided Prompt Tuning
传统的训练方法使CLIP实现高准确度，但可能并没有找到图像中的对应属性的一种"捷径"。当提供鸟类的类名时，CLIP可能会与天空建立语义相关，引入了对背景而不是捕捉鸟类语义的依赖，对虚假相关性的依赖大大削弱了泛化能力。提出训练一个对相关视觉属性表现出高置信度的模型：
- 与高级类别名称相比，明确与视觉属性对齐鼓励模型优先考虑类的内在语义
- 表示低级特征的视觉属性可能与多个类共享，从而促进对新类别或分布外数据的泛化
直接获取这些视觉属性的一种方法是查询LLMs关于特定类别的视觉特征。LLM的输入仅包括类别名称，从根本上规避了图像中存在的学习捷径。形式上，给定任何标签 c c c，得到一系列属性。优化Eq.4意味着期望模型对标签的每个属性表现出高置信度，同时最小化其与任何其他属性的关联
Attribute Sampling
虽然LLMs可以生成与类名相关的属性，但一些属性与视觉特征的语义相关性比其他属性更强。移除无效属性不仅减少了内存消耗，还提高了模型的准确性
- 所选属性应既具有代表性又不重复
- 所选属性应在语义上与特定类别的图像相关联
给定来自属性池的与类别 c c c 相关的属性 a t t r c attr_c attrc，根据它们在CLIP空间中的特征相似性将它们分成 N N N个簇，旨在确保每个簇代表一个不同信息，例如颜色或形状。在每个簇内，通过评估它们与CLIP空间内视觉特征的相似性来对属性进行排名，并选择与之最相关的属性，基于此过滤了：
- 非视觉属性，例如"甜"，"可食用"
- 与图像在语义上不相关的不正确的视觉属性
Prompt Regularization
少样本设置中，软提示学习的一个问题是模型可能会过拟合训练样本，在测试时导致未见数据的性能下降。提示正则化使软提示在特征空间中与自然文本接近，从而处理过拟合
Negative Prompting
使用负提示目标是明确列举缺乏特定类别信息的属性，期望模型在提供这些负属性时不偏向任何类别。当引入负提示，例如"the background of a cat"时，模型应该提供一个没有主导类的均匀预测。"the background of a [CLASS]"代表了一种典型的负属性，缺乏特定类别的信息，同时激活了图像中的虚假相关性。虽然可能提供更具体的负属性，但是为每个类手动标记开销较大，并且实验结果表明尽管"the background of a [CLASS]"是一个弱假设，其在大多数数据集上表现较好。
当模型过于依赖类别名称时，属性的影响往往会减弱。考虑到负提示包括类名，模型被设计为减弱负属性的影响，同时减弱类名的重要性。因此，模型能够识别并关注到由特定类别属性指示的区域，优先考虑这部分区域以获得精确的激活。为确保模型不偏向任何一个类，强制概率是均匀的（目标是最大化分布的熵）。
Experiments
