11 KiB
tags
| tags | |
|---|---|
|
1. Информативность признаков: определение и численные показатели
Зачем измерять информативность признаков?
==В мультимодальном контексте вопрос «насколько полезен вектор признаков данной модальности для данного примера» является ключевым. Если текстовые признаки сформированы на основе ненадёжных или отсутствующих метаданных, их информативность низка и они вносят шум. Численная оценка информативности позволяет строить адаптивные механизмы слияния.==
1.1. Энтропия распределения активаций
Идея: слабоинформативный вектор признаков близок к равномерному распределению по компонентам (максимальная энтропия). Информативный вектор концентрирован — большинство активаций малы, единичные — высоки.
Для вектора v ∈ R^d после softmax-нормализации p = softmax(v):
H(v) = −Σᵢ p_i · log(p_i)
H → 0: вектор концентрирован в одном измерении → высокая информативность.H → log(d): вектор равномерен → низкая информативность.
Нормализованная энтропия:
H_norm(v) = H(v) / log(d) ∈ [0, 1]
Можно использовать как основу для коэффициента маршрутизации:
r = 1 − H_norm(v) # чем выше энтропия → меньше доверие → слабее остаток
Ограничения: чувствителен к масштабу вектора; требует нормализации перед применением.
1.2. Норма вектора признаков (L2-норма)
Идея: признаки с малой нормой несут мало информации (близки к нулевому вектору).
‖v‖₂ = √(Σᵢ vᵢ²)
Относительная норма (для сравнения модальностей):
SNR_proxy = ‖v_text‖ / (‖v_img‖ + ε)
Если SNR_proxy << 1 — текстовые признаки слабее визуальных → их вклад через остаточную связь нежелателен.
Плюсы: дифференцируем, вычислительно дёшев, не требует дополнительных слоёв.
Ограничения: норма зависит от масштаба, не отражает внутреннюю структуру вектора.
1.3. Дисперсия активаций
Идея: высокая дисперсия компонент вектора означает, что разные измерения несут различимую информацию. Низкая дисперсия (все компоненты близки) соответствует «вырождённому» вектору.
Var(v) = (1/d) · Σᵢ (vᵢ − μ_v)², μ_v = (1/d) · Σᵢ vᵢ
Нормализованный показатель:
CV(v) = std(v) / (|μ_v| + ε) # коэффициент вариации
Применение: можно использовать как вспомогательный показатель совместно с нормой.
1.4. Косинусное сходство с «эталонным» признаком (Task-Alignment Score)
Идея: информативность вектора модальности может быть оценена через его согласованность с результирующим предсказанием или с вектором другой модальности.
Task-Alignment:
TAS(v_text, v_img) = <v_text, v_img> / (‖v_text‖ · ‖v_img‖)
TAS → 1: модальности согласованы → текстовые признаки информативны относительно задачи.TAS → 0: модальности ортогональны → текст несёт независимую или нерелевантную информацию.TAS → −1: конфликт между модальностями → текст активно противоречит изображению.
Связь с L_align: это тот же показатель, который уже применяется в функции потерь L_align = 1 − TAS. Таким образом, L_align можно переосмыслить не только как функцию потерь, но и как оперативный сигнал информативности текстовой модальности.
1.5. Ранговые меры (эффективный ранг)
Идея: при работе с пакетом (батчем) изображений матрица признаков V ∈ R^{B×d} имеет эффективный ранг, отражающий разнообразие представлений. Вырожденный ранг (все строки похожи) означает, что модальность не несёт примеро-специфической информации.
Эффективный ранг через сингулярные значения:
σ₁ ≥ σ₂ ≥ ... ≥ σ_r — сингулярные числа V
p_i = σ_i / Σ_j σ_j
EffRank(V) = exp(−Σᵢ p_i · log(p_i)) # экспонента энтропии p
EffRank → 1: один доминирующий сингулярный вектор → признаки вырождены.EffRank → min(B, d): все направления равнозначны → признаки разнообразны.
Применение: полезен для мониторинга качества признаков в процессе обучения; вычислительно дороже поэлементных мер, но применим на уровне батча.
1.6. Взаимная информация (Mutual Information)
Идея: количество информации, которую вектор признаков v_text несёт о метке y.
MI(v_text; y) = H(y) − H(y | v_text)
Практическая аппроксимация (MINE): через нейросетевую оценку взаимной информации:
MI_θ(X; Y) ≈ E_{p(x,y)}[T_θ(x,y)] − log(E_{p(x)p(y)}[e^{T_θ(x,y)}])
где T_θ — обучаемая сеть-критик.
Применение в контексте CVGL: MI между текстовыми признаками (метаданные) и визуальными признаками (изображение) позволяет оценить, насколько текстовый контейнер дополняет визуальную информацию, а не дублирует её.
Ограничения: высокая вычислительная стоимость; требует отдельного обучения критика.
Сводная таблица показателей информативности
| Показатель | Формула (кратко) | Сложность | Дифф-мость | Применимость в ARGF |
|---|---|---|---|---|
| Нормализованная энтропия H_norm | −Σ p·log(p) / log(d) |
O(d) | ✓ (через softmax) | Коэффициент r напрямую |
| L2-норма | ‖v‖₂ |
O(d) | ✓ | Отношение норм как r |
| Дисперсия / CV | std(v)/|μ| |
O(d) | ✓ | Вспомогательный сигнал |
| Task-Alignment Score | <v_img, v_text> / (‖·‖·‖·‖) |
O(d) | ✓ | Переиспользование L_align |
| Эффективный ранг | exp(H(σ/Σσ)) |
O(Bd²) | Частично | Мониторинг обучения |
| Взаимная информация (MINE) | Нейросетевая оценка | Высокая | ✓ | Теоретическая рамка |
Проблемы
!
2. Идея для InfoScore
==Мера корректности проекции в конкретное подпространство==
!
📘 Часть 4. Модификации InfoScore для возможной интеграции
Если хочется сохранить InfoScore как активный компонент метода (а не только диагностику), возможны 4 пути модификации с разной степенью инвазивности.
🔹 4.1 Вариант M1 — SM-InfoScore (Subspace-Mahalanobis)
💡 Идея
Вместо меры информативности вектора в \mathbb{R}^d используется мера корректности его проекции в конкретное подпространство.
📐 Формулы
Обучаемые статистики (EMA по батчам)
\mu_{sub} = (1 - \alpha)\,\mu_{sub}^{prev} + \alpha \cdot \text{mean}_{batch}(v_{sub})
\Sigma_{sub} = (1 - \alpha)\,\Sigma_{sub}^{prev} + \alpha \cdot \text{cov}_{batch}(v_{sub})
где:
\alpha = 0.01— EMA momentum
📊 SM-InfoScore
SM(v_{sub}) =
(v_{sub} - \mu_{sub})^T \cdot
(\Sigma_{sub} + \varepsilon I)^{-1} \cdot
(v_{sub} - \mu_{sub}) \in \mathbb{R}_+
✅ Свойства
- ✔ Per-example (решает проблему EffRank)
- ✔ Теоретически обоснован (расстояние Махаланобиса)
- ✔ Дифференцируем (через стабильное разложение Холецкого)
- ✔ Связан с правдоподобием:
SM = -2 \log \mathcal{N}(v_{sub}; \mu_{sub}, \Sigma_{sub}) + \text{const}
🧩 Блок-схема
v_img → MLP_sub_img → P_sub^T → v_img_sub
|
↓
distance(·, μ_sub, Σ_sub) → SM_sub ∈ ℝ₊
μ_sub, Σ_sub ← EMA update (running statistics)
!