引言：多模态统一表示空间的挑战与机会
在人工智能领域，多模态统一表示空间是实现多模态理解和生成的基础。这种统一空间能够将音频、图像、文本等多种模态的数据融合在一个共享的表示空间中，从而使得机器能够更好地理解和处理来自不同源的信息。然而，构建这样的统一表示空间面临着巨大的挑战，例如需要处理的模型参数可能高达数十亿，且在训练过程中容易发生灾难性遗忘问题。这些问题严重限制了多模态统一表示空间的进一步发展。
尽管存在挑战，多模态统一表示空间也带来了前所未有的机会。通过有效地融合来自不同专家空间的知识，可以极大地增强预训练的统一空间的能力，使其在多种下游任务中表现更加出色。例如，通过将图像-文本和音频-文本的专家空间知识整合到统一的音频-图像-文本空间中，可以创建出在多个数据集上性能超越单一模态专家模型的统一表示空间。
本文提出了一种名为“Molecule-Space”的新方法，该方法将多模态表示空间视为“分子”，并通过“分子空间反应”将额外的专家空间知识整合到预训练的统一空间中。这种方法不仅提高了统一空间的性能，而且通过定制化的推理策略，还能根据不同的应用需求灵活调整增强后的统一空间。
论文标题 : Molecule-Space: Free Lunch in Unified Multimodal Space via Knowledge Fusion
机构 : Zhejiang University, ByteDance
论文链接 :
项目地址 :
Molecule-Space概念介绍
Molecule-Space是一种新颖的概念，它将多模态表示空间视为“分子”，并通过“分子空间反应”将预训练的统一空间与额外的专家空间融合。这种方法主要包括两种基本的空间反应：空间位移反应和空间组合反应。空间位移反应通过将统一空间对齐到专家空间来继承专家空间的所有知识，但这种方法可能会牺牲统一空间的部分信息。而空间组合反应则是一种温和的知识融合方案，它将专家空间对齐到统一空间，从而保留了统一空间的知识并能够并行结合多个专家空间。
在这两种基本反应的基础上，进一步提出了复杂的顺序与并行反应，有效地同时整合多个空间。例如，在实验中，通过空间位移反应首先将统一空间与先进的图像-文本专家空间整合，并调整产品以修复其丢失的知识。然后，通过空间组合反应并行整合额外的专家空间，进一步增强统一空间。通过这些反应后，设计了粗到细的定制化推理策略，以灵活地适应不同的应用需求，选择模块和调整组合因子。
知识融合的策略
在Molecule-Space中，知识融合策略是通过设计简单而有效的投影器学习管道和提出混合投影器策略来加强空间对齐的鲁棒性和表征的辨别性。首先，通过采样整个数据集的子集，分别训练多个投影器，并将它们集成以实现更鲁棒的对齐和更具辨别性的表征。
在基本反应的实现中，单一投影器训练不涉及复杂的内部空间对齐损失，这简化了学习流程并可能提高泛化性能。例如，位移反应的训练损失仅计算不同空间特征之间的InfoNCE损失，而组合反应则在平行对齐多个专家空间时使用。
此外，定制化推理策略允许在不同应用中灵活选择对齐的专家空间和调整组合因子，从而在保持高级图像-文本能力的同时增强音频-文本和音频-图像性能。这种策略的实施，使得Molecule-Space不仅在实验中通过整合ImageBind的音频-图像-文本空间与多个先进空间在多个下游任务中表现优越，还通过定制化推理在特定领域超越了现有的图像-文本和音频-文本专家模型。
实验设计与验证
1. 基础反应的设计
在Molecule-Space的实验设计中，我们首先定义了两种基础的“分子空间反应”：空间位移反应和空间组合反应。空间位移反应通过将统一空间对齐到专家空间来继承专家空间的全部知识，而空间组合反应则是将专家空间对齐到已冻结的统一空间，从而保留统一空间的知识并部分整合专家空间的知识。
2. 复杂的顺序与并行反应
基于这两种基础反应，我们进一步设计了复杂的顺序与并行反应，以有效地同时整合多个空间。例如，首先通过位移反应将高级图像-文本专家空间整合到统一空间中，并调整其他模态的数据以修复丢失的知识。然后，通过并行的组合反应将其他模态的专家空间整合进来，进一步增强统一空间。
3. 实验验证
为了验证Molecule-Space的有效性，我们在ImageBind的音频-图像-文本统一空间上进行了实验。通过整合一个图像-文本和两个音频-文本的专家空间，我们构建了一个在九个数据集上的五个下游任务中表现优越的音频-图像-文本空间。此外，通过定制化推理，我们甚至在图像-文本或音频-文本任务中超越了使用的专家空间。
定制化推理策略
1. 粗粒度组合模块选择
在推理过程中，我们可以灵活选择任何已对齐的专家空间来获得特定方面的增益。例如，可以选择特定的音频-文本专家空间来构建针对特定需求的统一空间。
2. 细粒度组合因子调整
除了选择不同的模块，我们还可以通过改变不同专家空间的组合权重来以细粒度方式定制增强的统一空间。例如，较小的组合权重意味着部分吸收音频-文本知识，适度的知识融合可以同时增强音频-文本和音频-图像的性能，同时保持先进的图像-文本能力。
通过这种粗到细的定制化推理策略，Molecule-Space不仅在实验中显示出强大的性能，还能根据不同的应用需求灵活调整，展现出其在多模态表示空间中的广泛应用潜力。
讨论与未来方向
1. 知识融合的选择：位移反应与组合反应
在Molecule-Space中，位移反应和组合反应作为基本的空间反应，各有其独特的优势和局限。位移反应虽然能够完全继承专家空间的知识，但可能会牺牲一部分统一空间的信息。相比之下，组合反应能够保留统一空间的知识，但只能部分融合专家空间的知识。这两种反应的选择和应用，依赖于具体的应用需求和预期的效果。
2. 复杂反应路径的探索
本研究提出的复杂顺序与并行反应，通过结合位移反应和组合反应的优点，展示了在多空间融合中的有效性。未来的研究可以进一步探索不同的复杂反应路径，以优化多模态空间的融合效果，特别是在处理更多模态输入时的表现。
3. 细粒度组合因子的调整
通过对组合因子的细粒度调整，Molecule-Space能够在保持图像-文本能力的同时，增强音频-文本和音频-图像的表现。这种灵活的调整机制为多模态表示空间的优化提供了更多可能性。未来的工作可以在更多的应用场景中测试和优化这一机制，以实现更精确的知识融合。
4. 项目器的设计与集成
Mixture-of-Projectors策略通过集成多个训练有素的项目器，增强了空间对齐的鲁棒性和表示的区分性。探索不同的项目器结构和训练目标，可能会进一步提升模型的性能和适应性。未来的研究可以在这一方向上进行深入，特别是在不同模态和复杂数据集上的应用。
总结
Molecule-Space通过将多模态空间视为“分子”，并通过“分子空间反应”来融合知识，提出了一种有效的统一多模态表示空间增强方法。通过位移反应和组合反应，以及基于这些基础的复杂顺序与并行反应，Molecule-Space不仅在实验上超越了ImageBind等基线模型，还通过定制化推理策略，展示了在特定领域甚至超越专家模型的潜力。此外，细粒度的组合因子调整和项目器的设计为多模态空间的进一步研究提供了新的视角和工具。未来，Molecule-Space的概念和方法可以扩展到更多模态和应用场景，为多模态人工智能的发展提供强有力的支持。
本文转载自，作者：