論文の概要: Genixer: Empowering Multimodal Large Language Models as a Powerful Data Generator

• arxiv url: http://arxiv.org/abs/2312.06731v1
• Date: Mon, 11 Dec 2023 09:44:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 18:35:44.507653
• Title: Genixer: Empowering Multimodal Large Language Models as a Powerful Data Generator
• Title（参考訳）: Genixer: 強力なデータジェネレータとしてのマルチモーダル大言語モデル
• Authors: Henry Hengyuan Zhao, Pan Zhou, Mike Zheng Shou
• Abstract要約: Genixerは、高品質なマルチモーダルチューニングチューニングデータを生成する革新的なデータ生成パイプラインである。 10の一般的なマルチモーダルタスクのデータセットをインストラクションチューニングデータに変換する。 その後、訓練済みのMLLMを訓練し、タスク固有の命令データを生成する。 実験により、Genixerのフィルタリングされたデータは画像キャプションやVQAタスクのカカポを継続的に改善することが示された。
• 参考スコア（独自算出の注目度）: 71.66233345255701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) excel in understanding human instructions, driving the development of Multimodal LLMs (MLLMs) with instruction tuning. However, acquiring high-quality multimodal instruction tuning data poses a significant challenge. Previous approaches relying on GPT-4 for data generation proved expensive and exhibited unsatisfactory performance for certain tasks. To solve this, we present Genixer, an innovative data generation pipeline producing high-quality multimodal instruction tuning data for various tasks. Genixer collects datasets for ten prevalent multimodal tasks and designs instruction templates to transform these datasets into instruction-tuning data. It then trains pretrained MLLMs to generate task-specific instruction data and proposes an effective data filtering strategy to ensure high quality. To evaluate Genixer, a base MLLM model, Kakapo, is built and achieves SoTA performance in image captioning and visual question answering (VQA) tasks across multiple datasets. Experimental results show that filtered data from Genixer continually improves Kakapo for image captioning and VQA tasks. For the SoTA Shikra MLLM model on the image-region-related tasks, e.g., region caption and detection, Genixer also successfully generates corresponding data and improves its performance. Genixer opens avenues for generating high-quality multimodal instruction data for diverse tasks, enabling innovative applications across domains. The code and models will be released soon.
• Abstract（参考訳）: 大規模言語モデル(LLM)は人間の指示を理解する上で優れており、命令チューニングを備えたマルチモーダルLLM(MLLM)の開発を推進している。 しかし、高品質なマルチモーダル命令チューニングデータを取得することは大きな課題となる。 データ生成にGPT-4を頼っていた従来のアプローチは高価であり、特定のタスクに不満足な性能を示した。 そこで我々は,様々なタスクに対して高品質なマルチモーダル命令チューニングデータを生成する革新的なデータ生成パイプラインGenixerを提案する。 genixerは10の一般的なマルチモーダルタスク用のデータセットを収集し、これらのデータセットを命令チューニングデータに変換するための命令テンプレートを設計する。 その後、事前訓練されたMLLMを訓練してタスク固有の命令データを生成し、高品質なデータフィルタリング戦略を提案する。 Genixerを評価するために、基本的なMLLMモデルであるKakapoが構築され、複数のデータセットにわたる画像キャプションと視覚的質問応答(VQA)タスクにおいて、SoTAのパフォーマンスを達成する。 実験結果から,Genixerのフィルタリングデータにより,画像キャプションやVQAタスクのカカポが継続的に改善されていることがわかった。 画像領域関連タスク(例えば、地域キャプションや検出)におけるSoTAシクラMLLMモデルでは、Genixerは対応するデータの生成にも成功し、その性能を向上させる。 Genixerは、さまざまなタスクのための高品質なマルチモーダル命令データを生成するための道を開いた。 コードとモデルはまもなくリリースされる予定だ。

関連論文リスト

• Infinity-MM: Scaling Multimodal Performance with Large-Scale and High-Quality Instruction Data [21.905041803331113]
  VLM(Vision-Language Models)は近年大きな進歩を遂げているが、オープンソースの命令データの規模や品質に制限があるため、その性能は損なわれている。 Infinity-MMは4000万のサンプルを持つ大規模マルチモーダル・インストラクション・データセットであり、厳密な品質のフィルタリングと重複によって強化されている。 また,詳細な画像アノテーションと多様な質問生成を用いた,オープンソースのVLMに基づく合成命令生成手法を提案する。
  論文  参考訳（メタデータ） (2024-10-24T09:03:48Z)
• TAT-LLM: A Specialized Language Model for Discrete Reasoning over Tabular and Textual Data [73.29220562541204]
  我々は,言語モデル(LLM)の驚くべきパワーを活用して課題を解決することを検討する。 LLaMA2を微調整し,既存のエキスパートアノテートデータセットから自動生成したトレーニングデータを用いてTAT-LLM言語モデルを開発する。
  論文  参考訳（メタデータ） (2024-01-24T04:28:50Z)
• COCO is "ALL'' You Need for Visual Instruction Fine-tuning [39.438410070172125]
  ビジュアルインストラクション微調整(IFT)は、MLLMの出力をユーザの意図に合わせるための重要なプロセスである。 近年,多面的アプローチによる視覚的IFTデータセットの構築が提案されている。 我々は新しいIFTデータセットを構築し、COCOデータセットからの画像と、より多様な指示を得られるようにした。
  論文  参考訳（メタデータ） (2024-01-17T04:43:45Z)
• Curated LLM: Synergy of LLMs and Data Curation for tabular augmentation in low-data regimes [57.62036621319563]
  本稿では,Large Language Models (LLMs) の知識を低データ構造におけるデータ拡張に活用したCLLMを紹介する。 従来のジェネレータと比較して,低データ方式におけるCLLMの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-12-19T12:34:46Z)
• MLLM-DataEngine: An Iterative Refinement Approach for MLLM [62.30753425449056]
  本稿では,データ生成,モデルトレーニング,評価を橋渡しする新しいクローズドループシステムを提案する。 各ループ内で、MLLM-DataEngineはまず評価結果に基づいてモデルの弱点を分析する。 ターゲットとして,異なる種類のデータの比率を調整する適応型バッドケースサンプリングモジュールを提案する。 品質については、GPT-4を用いて、各データタイプで高品質なデータを生成する。
  論文  参考訳（メタデータ） (2023-08-25T01:41:04Z)
• Diffusion Model is an Effective Planner and Data Synthesizer for Multi-Task Reinforcement Learning [101.66860222415512]
  Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。 生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
  論文  参考訳（メタデータ） (2023-05-29T05:20:38Z)
• Visual Instruction Tuning [79.70923292053097]
  本稿では,言語のみの GPT-4 を用いてマルチモーダルな言語イメージ命令追跡データを生成する試みについて紹介する。 このようなデータに対して,LLaVA: Large Language and Vision Assistantを導入する。 科学QAを微調整すると、LLaVAとGPT-4の相乗効果は92.53%の新しい最先端精度を達成する。
  論文  参考訳（メタデータ） (2023-04-17T17:59:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。