論文の概要: Breaking the Modality Barrier: Universal Embedding Learning with Multimodal LLMs

• arxiv url: http://arxiv.org/abs/2504.17432v1
• Date: Thu, 24 Apr 2025 10:51:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.334683
• Title: Breaking the Modality Barrier: Universal Embedding Learning with Multimodal LLMs
• Title（参考訳）: モダリティバリアを破る - マルチモーダルLLMを用いたユニバーサル埋め込み学習
• Authors: Tiancheng Gu, Kaicheng Yang, Ziyong Feng, Xingjun Wang, Yanzhao Zhang, Dingkun Long, Yingda Chen, Weidong Cai, Jiankang Deng,
• Abstract要約: 下流の多様なタスクに対する差別表現を学習する新しいフレームワークであるUniMEを紹介する。 最初の段階では、強力なLLMベースの教師モデルからテキスト識別的知識蒸留を行う。 第2段階では、識別表現学習をさらに進めるために、強陰性強化命令チューニングを導入する。
• 参考スコア（独自算出の注目度）: 28.20725794099928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Contrastive Language-Image Pre-training (CLIP) framework has become a widely used approach for multimodal representation learning, particularly in image-text retrieval and clustering. However, its efficacy is constrained by three key limitations: (1) text token truncation, (2) isolated image-text encoding, and (3) deficient compositionality due to bag-of-words behavior. While recent Multimodal Large Language Models (MLLMs) have demonstrated significant advances in generalized vision-language understanding, their potential for learning transferable multimodal representations remains underexplored.In this work, we present UniME (Universal Multimodal Embedding), a novel two-stage framework that leverages MLLMs to learn discriminative representations for diverse downstream tasks. In the first stage, we perform textual discriminative knowledge distillation from a powerful LLM-based teacher model to enhance the embedding capability of the MLLM\'s language component. In the second stage, we introduce hard negative enhanced instruction tuning to further advance discriminative representation learning. Specifically, we initially mitigate false negative contamination and then sample multiple hard negatives per instance within each batch, forcing the model to focus on challenging samples. This approach not only improves discriminative power but also enhances instruction-following ability in downstream tasks. We conduct extensive experiments on the MMEB benchmark and multiple retrieval tasks, including short and long caption retrieval and compositional retrieval. Results demonstrate that UniME achieves consistent performance improvement across all tasks, exhibiting superior discriminative and compositional capabilities.
• Abstract（参考訳）: Contrastive Language-Image Pre-Training (CLIP) フレームワークは、特に画像テキスト検索やクラスタリングにおいて、マルチモーダル表現学習において広く使われているアプローチとなっている。 しかし,その有効性には,(1)テキストトークンの切り離し,(2)孤立した画像テキストエンコーディング,(3)単語の袋の振る舞いによる構成性の欠如,の3つの重要な制限がある。 近年のMLLM(Multimodal Large Language Models)は、一般化された視覚言語理解において大きな進歩を見せているが、伝達可能なマルチモーダル表現を学習する可能性はまだ未解明であり、本研究では、MLLMを利用した新たな2段階のフレームワークであるUniME(Universal Multimodal Embedding)を紹介し、多様な下流タスクの識別表現を学習する。 第1段階では,MLLM 言語コンポーネントの埋め込み能力を高めるために,強力な LLM ベースの教師モデルからテキストによる識別的知識蒸留を行う。 第2段階では、識別表現学習をさらに進めるために、強陰性強化命令チューニングを導入する。 具体的には、最初は偽陰性汚染を軽減し、各バッチでインスタンス毎に複数のハードネガティブをサンプリングし、挑戦的なサンプルに集中させました。 このアプローチは識別力の向上だけでなく、下流タスクにおける命令追従能力の向上にも寄与する。 我々はMMEBベンチマークと複数検索タスクについて広範囲に実験を行い、短いキャプションと長いキャプション検索と合成検索を行った。 結果は、UniMEが全てのタスクで一貫したパフォーマンス向上を実現し、優れた識別能力と構成能力を示すことを示した。

関連論文リスト

• Discriminative Fine-tuning of LVLMs [67.14293827774827]
  CLIPのような対照的に訓練された視覚言語モデル(VLM)は、識別的視覚言語表現学習の事実上のアプローチとなっている。 我々は,LVLMの識別的微調整のための新たな訓練手法である「両世界のベスト」を組み合わせることを提案する。
  論文  参考訳（メタデータ） (2024-12-05T17:54:27Z)
• Enhancing Instruction-Following Capability of Visual-Language Models by Reducing Image Redundancy [37.471419716572086]
  LLM(Large Language Model)とMLLM(Multimodal Large Language Model)の命令追従能力には大きなギャップがある。 本稿では,このギャップを軽減するために,VMTC(Visual-Modality Token Compression)とCMAI(Cross-Modality Attention Inhibition)戦略を提案する。
  論文  参考訳（メタデータ） (2024-11-23T05:03:32Z)
• Unified Generative and Discriminative Training for Multi-modal Large Language Models [88.84491005030316]
  生成的トレーニングにより、視覚言語モデル(VLM)は様々な複雑なタスクに取り組むことができる。 CLIPのようなモデルで実証された差別的トレーニングは、ゼロショットイメージテキストの分類と検索に優れています。 本稿では,両パラダイムの強みを統合する統一的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-01T01:51:31Z)
• RA-BLIP: Multimodal Adaptive Retrieval-Augmented Bootstrapping Language-Image Pre-training [55.54020926284334]
  近年,MLLM (Multimodal Large Language Models) が注目されている。 検索拡張技術はLLMとMLLMの両方に有効なプラグインであることが証明されている。 本研究では,MLLMの新しい検索支援フレームワークであるRA-BLIP(Retrieval-Augmented Bootstrapping Language-Image Pre-training)を提案する。
  論文  参考訳（メタデータ） (2024-10-18T03:45:19Z)
• NoteLLM-2: Multimodal Large Representation Models for Recommendation [71.87790090964734]
  大規模言語モデル(LLM)は、テキスト理解や埋め込みタスクにおいて、例外的な習熟度を示している。 マルチモーダル表現のポテンシャル、特にアイテムツーイテム(I2I)レコメンデーションについては、未解明のままである。 本稿では,既存のLLMと視覚エンコーダの統合をカスタマイズし,効率的なマルチモーダル表現を実現するエンド・ツー・エンドのファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2024-05-27T03:24:01Z)
• FAC$^2$E: Better Understanding Large Language Model Capabilities by Dissociating Language and Cognition [56.76951887823882]
  大規模言語モデル(LLM)は、主に様々なテキスト理解および生成タスクにおける全体的なパフォーマンスによって評価される。 FAC$2$E, FAC$2$Eについて述べる。
  論文  参考訳（メタデータ） (2024-02-29T21:05:37Z)
• LION : Empowering Multimodal Large Language Model with Dual-Level Visual Knowledge [58.82222646803248]
  MLLM(Multimodal Large Language Models)は、マルチモーダル信号の知覚と理解が可能なLLMを提供する。 既存のMLLMの多くは、大まかに整列された画像テキストペアで事前訓練された視覚エンコーダを採用しており、視覚知識の抽出と推論が不十分である。 本稿では,2段階の視覚的知識を注入することによってMLLMを増強する,デュアルレベルvIsual knedgeOwl eNhanced Multimodal Large Language Model (LION)を提案する。
  論文  参考訳（メタデータ） (2023-11-20T15:56:44Z)
• Sight Beyond Text: Multi-Modal Training Enhances LLMs in Truthfulness and Ethics [32.123919380959485]
  MLLM(Multi-modal large language model)は、大規模言語モデル(LLM)に基づいて訓練される。 マルチモーダルなタスクでは優れているが、MLLMの純粋なNLP能力はしばしば過小評価され、テストされていない。 LLMをMLLMに移行するための一般的な戦略である視覚的インストラクションチューニングは、予期せぬ、興味深いことに、改善された真理性と倫理的整合性の両方を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2023-09-13T17:57:21Z)

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。