Prompt-aligned Gradient for Prompt Tuning（CORR2022 / ICCV2023）
1 Motivation
- 经过CoOp微调过的prompt会导致模型更关注背景而不是前景对象，对于分类任务不利
2 Contribution
提出了一种基于prompt对齐的梯度的引导方法（ProGrad），来应对prompt学习中添加的不正确偏置的问题。在tuning的过程中进行一种正则化，来确保这一步的tuning不和原本的知识（zero-shot CLIP）产生冲突。
- 一般方向（general direction）：zero-shot CLIP
- 域特殊方向（domain-specific direction）：CoOp计算得出
- 垂直向量 G ⊥ G_⊥ G⊥
- 平行向量 G ∥ G_∥ G∥
3 具体方法
由CoOp进行学习的域特殊方向，加强其在当前数据下的精度的优化方向，但是这可能导致过拟合。用一个一般普通的prompt和zero-shot CLIP的logits计算一个KL散度，这个KL散度回传的梯度作为一般方向。
3.1 交叉熵损失
L c e L_{ce} Lce：模型预测 p ( t i ∣ x ) p(t_i|x) p(ti∣x)与真实值 y y y的交叉熵损失
3.2 KL散度
L k l L_{kl} Lkl：模型预测 p ( t i ∣ x ) p(t_i|x) p(ti∣x)与zero-shot CLIP 预测 p z s ( w i ∣ x ) p_{zs}(w_i|x) pzs(wi∣x)的KL散度
3.3 梯度
- 将 L c e L_{ce} Lce的梯度表示为 G d = ∇ v L c e ( v ) G_d =∇vL{ce}(v) Gd=∇vLce(v)
- 将 L k l L_{kl} Lkl的梯度表示为 G g = ∇ v L k l ( v ) G_g =∇vL{kl}(v) Gg=∇vLkl(v)
G d G_d Gd和 G g G_g Gg的关系：
- 夹角小于90°：说明下游知识优化方向与一般知识不冲突 ，此时安全地更新梯度 G p r o g r a d G_{prograd} Gprograd作为 G d G_d Gd
- 夹角大于90°：说明下游知识优化方向与一般知识冲突 ，此时，将 G d G_d Gd投影 G g G_g Gg的正交方向 ，避免增加 L k l L_{kl} Lkl
3.4 ProGrad策略公式
在本文CoOp中，我们没有使用 G d G_d Gd来更新上下文向量，而是使用 G p r o g r a d G_{prograd} Gprograd来优化，可以避免过拟合：
- λ=1：将 G d G_d Gd投影到 G g G_g Gg的正交方向
- λ=0：使prograd退化为CoOp
3.5 总体流程
- 可学习上下文和类别输入文本编码器，图像输入图像编码器
- 将文本特征与图像特征计算相似概率，得到 p p p
- p p p与 y y y计算 C E L o s s CE Loss CELoss，得到 G d G_d Gd
- p p p与 p z s p_{zs} pzs计算 K L L o s s KL Loss KLLoss，得到 G g G_g Gg
- 将 G d G_d Gd和 G g G_g Gg反传回去，使用 G p r o g r a d G_{prograd} Gprograd更新可学习参数