DINO 中的中心化与锐化：为什么它们能避免模型坍塌？理解 DINO 中的中心化（centering）和锐化（sharpening），最重要的不是先背公式，而是先回答三个问题：自监督学习为什么会发生模型坍塌（model collapse）？中心化到底“减掉”了什么？锐化为什么只需要调一个温度参数，就能让输出变得更明确？整个逻辑可以先浓缩成一句话：中心化（centering）防止所有样本都跑到同一个输出维度；锐化（sharpening）防止模型对所有维度都给出差不多的概率。两者作用方向相反，因此可以互相制衡。一、先建立场景：DINO 到底在学习什么？假设我们有一张图片xxx。对它进行两种不同的数据增强，例如：第一张裁掉左边；第二张裁掉右边；或者一张改变颜色，另一张改变亮度。得到：x1=Aug⁡1(x)x_1=\operatorname{Aug}_1(x)x1​=Aug1​(x)x2=Aug⁡2(x)x_2=\operatorname{Aug}_2(x)x2​=Aug2​(x)DINO 中存在两个网络：学生网络（student network）教师网络（teacher network）教师看到x1x_1x1​，学生看到x2x_2x2​。我们的目标是：虽然两张图片长得不完全一样，但是它们来自同一张原图，因此教师和学生应该产生相似的表示。可以简单写成：pt(x1)≈ps(x2)p_t(x_1)\approx p_s(x_2)pt​(x1​)≈ps​(x2​)其中：ptp_tpt​表示教师的输出概率；psp_sps​表示学生的输出概率。学生通过训练不断模仿教师。看起来非常合理，但这里隐藏着一个严重问题。二、为什么会出现模型坍塌？1. 模型发现了一种“作弊方法”假设教师和学生都输出三个数字。理想情况下，不同图片应该产生不同结果。例如图片 A：[0.8,0.1,0.1][0.8,0.1,0.1][0.8,0.1,0.1]图片 B：[0.1,0.8,0.1][0.1,0.8,0.1][0.1,0.8,0.1]图片 C：[0.1,0.1,0.8][0.1,0.1,0.8][0.1,0.1,0.8]说明模型能够区分不同图片。但是模型可能发现：如果不管输入什么图片，我永远输出同样的答案，那么教师和学生不就永远一致了吗？例如所有图片都输出：[1,0,0][1,0,0][1,0,0]那么对于任意图片：pt(x)=ps(x)=[1,0,0]p_t(x)=p_s(x)=[1,0,0]pt​(x)=ps​(x)=[1,0,0]教师和学生确实完全一致。训练损失可能也很低。但是问题在于：模型虽然完成了“教师和学生保持一致”这个任务，却完全没有学习到图片之间的区别。这就是模型坍塌（model collapse）。三、坍塌其实有两个不同的极端理解这一点，是理解中心化和锐化的关键。第一种：单一维度坍塌假设无论输入什么图片，模型都输出：[0.98,0.01,0.01][0.98,0.01,0.01][0.98,0.01,0.01]第一维永远特别大。也就是说：所有图片都被认为属于同一个方向。可以把这种情况称为单一维度主导（single-dimension domination）。第二种：均匀坍塌还有另一种极端。无论输入什么图片，模型都输出：[1/3,1/3,1/3][1/3,1/3,1/3][1/3,1/3,1/3]看起来似乎没有某个维度统治其他维度。但是所有图片依然完全相同。所以这仍然是坍塌。这种情况可以称为均匀坍塌（uniform collapse）。因此，我们面对两个相反的危险：[1,0,0]和[1/3,1/3,1/3][1,0,0]\qquad\text{和}\qquad[1/3,1/3,1/3][1,0,0]和[1/3,1/3,1/3]DINO 的设计非常巧妙：中心化（centering）主要阻止第一种情况；锐化（sharpening）主要阻止第二种情况。四、模型的输出是怎样变成概率的？假设教师网络最后产生KKK个数字：z=[z1,z2,…,zK]z=[z_1,z_2,\dots,z_K]z=[z1​,z2​,…,zK​]这些数字叫做logits（未归一化分数）。例如：z=[2,1,0]z=[2,1,0]z=[2,1,0]它们本身不是概率。为了变成概率，需要经过Softmax 归一化（softmax normalization）：pi=exp⁡(zi/τ)∑j=1Kexp⁡(zj/τ)p_i=\frac{\exp(z_i/\tau)}{\sum_{j=1}^{K}\exp(z_j/\tau)}pi​=∑j=1K​exp(zj​/τ)exp(zi​/τ)​其中τ\tauτ叫做温度（temperature）。最终得到：p=[p1,p2,…,pK]p=[p_1,p_2,\dots,p_K]p=[p1​,p2​,…,pK​]并且：∑i=1Kpi=1\sum_{i=1}^{K}p_i=1i=1∑K​pi​=1为了方便理解，高中阶段可以暂时把pip_ipi​想象成：模型对“第iii个潜在类别”的偏好程度。需要注意：DINO 并没有真正人工定义“类别 1 是猫、类别 2 是狗”，这里的“类别”只是帮助理解。五、中心化到底是什么？先记住一个最简单的统计学操作。假设三个人的成绩为：80,90,10080,\ 90,\ 10080,90,100平均值是：xˉ=90\bar{x}=90xˉ=90每个人减去平均数：80−90=−1080-90=-1080−90=−1090−90=090-90=090−90=0100−90=10100-90=10100−90=10于是：[80,90,100]→[−10,0,10][80,90,100]\rightarrow[-10,0,10][80,90,100]→[−10,0,10]原来的数据围绕 90 分布。减去平均值以后，数据围绕 0 分布。这就是最基本的“中心化”。六、DINO 中为什么也需要中心化？假设教师网络有三个输出维度。观察大量图片以后发现：c=[10,2,1]c=[10,2,1]c=[10,2,1]也就是说：第一维平均输出大约是 10；第二维平均输出大约是 2；第三维平均输出大约是 1。这说明第一维存在一个非常严重的“天然偏高”。现在三张图片分别得到：zA=[12,3,2]z_A=[12,3,2]zA​=[12,3,2]zB=[11,4,1]z_B=[11,4,1]zB​=[11,4,1]zC=[13,2,2]z_C=[13,2,2]zC​=[13,2,2]只看原始数字，会发现：每一张图片都是第一维最大。如果直接经过 Softmax，很可能所有图片都变成：[1,0,0][1,0,0][1,0,0]于是发生单一维度坍塌。但注意：第一维很大，不一定说明这张图片真的特别属于第一维。也可能只是：第一维平时本来就特别大。因此我们应该去掉这种“长期偏置”。七、中心化具体做什么操作？最直观的形式是：z′=z−cz'=z-cz′=z−c也就是：当前输出减去长期平均输出。对于图片 A：zA′=[12,3,2]−[10,2,1]z'_A=[12,3,2]-[10,2,1]zA′​=[12,3,2]−[10,2,1]得到：zA′=[2,1,1]z'_A=[2,1,1]zA′​=[2,1,1]对于图片 B：zB′=[11,4,1]−[10,2,1]z'_B=[11,4,1]-[10,2,1]zB′​=[11,4,1]−[10,2,1]得到：zB′=[1,2,0]z'_B=[1,2,0]zB′​=[1,2,0]对于图片 C：zC′=[13,2,2]−[10,2,1]z'_C=[13,2,2]-[10,2,1]zC′​=[13,2,2]−[10,2,1]得到：zC′=[3,0,1]z'_C=[3,0,1]zC′​=[3,0,1]现在情况发生了变化。原来：三张图片第一维都最大。中心化以后：A 更偏向第一维；B 更偏向第二维；C 更偏向第一维。这时网络开始表现出样本之间的区别。八、中心化真正减掉的是什么？可以把网络输出想象成两部分：当前输出=长期偏置+当前图片真正带来的变化\text{当前输出}=\text{长期偏置}+\text{当前图片真正带来的变化}当前输出=长期偏置+当前图片真正带来的变化例如：z=[10+a,2+b,1+c]z=[10+a,2+b,1+c]z=[10+a,2+b,1+c]其中：[10,2,1][10,2,1][10,2,1]是各个维度长期存在的平均偏置。真正由当前图片决定的是：[a,b,c][a,b,c][a,b,c]如果中心为：ccenter≈[10,2,1]c_{\text{center}}\approx[10,2,1]ccenter​≈[10,2,1]那么：z−ccenter≈[a,b,c]z-c_{\text{center}}\approx[a,b,c]z−ccenter​≈[a,b,c]因此，中心化真正做的事情是：去掉“这个神经元平时就很大”的影响，只看“这张图片让它比平时高了多少”。这是理解中心化最重要的一句话。九、中心ccc是怎样计算出来的？DINO 使用下面的更新公式：c←mc+(1−m)1B∑i=1Bgθt(xi),(4)c\leftarrow mc+(1-m)\frac{1}{B}\sum_{i=1}^{B}g_{\theta_t}(x_i),\tag{4}c←mc+(1−m)B1​i=1∑B​