TLDR: 多模态推荐中不同模态包含的信息不平衡，使得模型在训练过程中模态欠优化。针对这个问题，本文提出一种反事实知识蒸馏方法(CKD)。该方法由三个主要模块构成：特定模态知识蒸馏、通用-特定的蒸馏损失和反事实推理技术。

论文：https://arxiv.org/pdf/2408.06360
代码：https://github.com/CRIPAC-DIG/Balanced-Multimodal-Rec（待发布）

随着互联网的不断发展，越来越多的信息通过多种形式表示，如图像、文本和视频等，多模态推荐得到越来越多研究人员的关注。最近的工作发现：针对不同的模态优化相同的目标会导致收敛速度较慢或性能较低的弱模态的欠优化问题，称为模态不平衡问题。以亚马逊数据集的电子商务场景为例，由于文本模态包含更详细的信息，如项目的标题、类别和描述，与视觉模态相比，它收敛速度更快，性能更好。这一差距导致了多模态推荐模型中显著的欠优化问题。最近的研究试图调节不同模态的学习速度，然而这些方法需要对不同模型的参数进行明确的区分，因此仅适用于后期融合模型。

如下图所示，本文首先在Amazon-Clothing数据集上进行了试点研究（所有方法都采用早停法，导致曲线长度不同）。通过实验结果发现关于模态不平衡问题存在的三种现象。1)其中视觉和文本模态的性能比其对应的单模态模型的性能差，这表明这两种模态都没有得到充分的优化，并且远未达到其能力的上限。2)纯文本VBPR优于多模态VBPR。这表明在多模态联合训练过程中，模态之间存在很强的相互抑制现象，导致1 + 1 < 2。3)性能较差的弱模态(示例中的视觉模态)存在更严重的欠优化问题。

针对这些问题，本文提出了反事实知识蒸馏框架 CKD 来解决不平衡问题，并能够实现为后期融合和早期融合模型充分利用所有模态。CKD 是一种即插即用的插件框架，适用于不同的多模态推荐模型，总体框架如下图所示。(1)本文首先利用单模态模型作为教师，通过模态特定知识蒸馏来指导多模态学生模型。(2)其次，本文设计了通用和特定的蒸馏损失来指导多模态学生模型从教师那里学习关于通用和训练三元组的更广泛和更深入的知识。(3)最后，为了自适应地更多地关注收敛速度较慢的较弱模态，本文采用反事实推理技术来估计每个模态对训练目标的因果影响，通过该目标可以确定弱模态，量化不平衡程度并相应地重新加权蒸馏损失。

为了保证性能的公平比较，本文只考虑训练与多模态学生模型具有相同模型架构的单模态教师，而无需引入额外的强大模型。通过消融输入来训练单模态教师模型。具体来说，当训练模态𝑚1教师模型时，其它模态用它的平均特征向量，来代替消融其它模态M−{𝑚1}的输入，这可以保持这些模态的分布。

最后基于六种主干多模态推荐模型，和两种对比baseline模型在四个数据集上进行了对比试验。实验结果表明本文所提方法在Baby、Sports、Clothing 和 Beauty 四个数据集上的的平均Recall@20方面分别比主干多模态推荐模型提高了18.6%、20.1%、20.9%和15.7%。这表明本文所提方法成功缓解了模态不平衡问题，提高了推荐性能。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】