Нормализация ближайших соседей: новый способ улучшения контрастивного поиска

 Nearest Neighbor Normalization: A Sublinear Approach to Improving Contrastive Retrieval

Проблемы контрастивных моделей изображений и текста

Контрастивные модели изображений и текста сталкиваются с серьезными трудностями в оптимизации точности поиска. Хотя они эффективно обучаются с помощью контрастивных функций потерь, их основная цель — это предварительное обучение, а не производительность в реальных задачах поиска. Это приводит к недостаточно эффективным векторным представлениям.

Проблемы существующих методов

Современные методы имеют такие недостатки, как:

  • Проблема “хабности”, когда одни и те же кандидаты по многим запросам становятся ближайшими соседями.
  • Необходимость в больших вычислительных ресурсах и интеграции внешних баз данных.

Решение: Нормализация ближайших соседей (NNN)

Исследователи из MIT и Стэнфорда предложили метод Нормализации ближайших соседей (NNN), который улучшает производительность контрастивного поиска без необходимости в обучении. Этот метод:

  • Эффективен по времени, с подлинейной сложностью.
  • Использует механизм коррекции для оценки векторов, получающих непропорционально высокие оценки.
  • Улучшает точность поиска, снижая предвзятости, такие как гендерная предвзятость.

Как работает NNN?

Метод рассчитывает оценку совпадения между запросом и кандидатом на основе косинусного сходства. Для устранения предвзятости к “хабным” изображениям, метод вычисляет коррекцию, которая вычитается из оригинальной оценки.

Преимущества NNN

Метод NNN демонстрирует значительные улучшения в производительности по сравнению с существующими подходами:

  • Снижение гендерной предвзятости в задачах поиска изображений.
  • Улучшение средней точности поиска: с 56.5% до 69.6% для Retrieval@1.
  • Снижение вычислительных затрат по сравнению с другими методами.

Заключение

Нормализация ближайших соседей представляет собой значительный шаг вперед в системах контрастивного поиска. Этот метод эффективен, мощен и способен улучшить как справедливость, так и точность в многомодальных системах поиска.

Как использовать ИИ в вашей компании?

Если вы хотите развивать свою компанию с помощью ИИ, рассмотрите следующие шаги:

  • Определите, как ИИ может изменить вашу работу.
  • Выберите ключевые показатели эффективности (KPI) для улучшения.
  • Внедряйте решения ИИ постепенно, начиная с небольших проектов.
  • Анализируйте результаты и расширяйте автоматизацию на основе полученных данных.

Получите помощь по внедрению ИИ

Если вам нужны советы по внедрению ИИ, пишите нам.

Попробуйте ИИ-ассистент в продажах, который поможет отвечать на вопросы клиентов и генерировать контент для отдела продаж.

Узнайте, как ИИ может изменить ваши процессы с решениями от Flycode.ru.

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект