计算机科学 > 计算机视觉与模式识别
[提交于 2025年9月15日
]
标题: 嵌入中的迷失:视觉-语言模型中的信息丢失
标题: Lost in Embeddings: Information Loss in Vision-Language Models
摘要: 视觉-语言模型(VLMs)通常通过预训练的视觉编码器处理视觉输入,然后通过连接组件将输入投影到语言模型的嵌入空间中。 尽管对于模态融合至关重要,但这一投影步骤引起的潜在信息丢失及其对模型能力的直接影响仍研究不足。 我们引入了两种互补的方法,通过分析潜在表示空间来检验和量化这种损失。 首先,我们通过分析图像表示在投影前后之间的k最近邻关系变化来评估语义信息的保留情况。 其次,我们通过从投影表示中重建视觉嵌入来直接测量信息丢失,并在图像块级别定位损失。 实验表明,连接组件显著扭曲了视觉表示的局部几何结构,投影后k最近邻的差异达到40%-60%,这与检索性能的下降相关。 在图像块级别的嵌入重建为模型在视觉基础问答任务中的行为提供了可解释的见解,发现高信息丢失区域能够可靠地预测模型遇到困难的实例。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.