摘要

大量未标注数据的涌现以及自监督学习（Self-Supervised Learning, SSL）技术的快速发展，使得SSL在众多迁移学习场景中成为首选方法。随着SSL方法的持续快速演进，实践中涌现出大量针对特定任务或领域训练的模型，这迫切需要一种能够有效预测新任务或新领域迁移性能的方法。目前，线性探测（linear probing）通常被用作此类性能估计器——即在冻结的特征提取器之上训练一个线性分类器。然而，本文指出线性探测存在一个显著缺陷：其性能与端到端微调（end-to-end finetuning）模型的实际表现相关性较弱，而后者往往是迁移学习的最终目标；在某些情况下，线性探测甚至会严重误判模型的潜在性能。为此，本文提出一种改进方案：通过解冻并联合微调批量归一化（batch normalization）层与分类头，构建一个显著更优的代理任务（proxy task）。在ResNet-50模型上，该方法仅需额外训练模型参数的0.16%，即可实现以下优势：（i）与端到端微调性能具有更强的相关性；（ii）在多样本（many-shot）和少样本（few-shot）学习场景中均优于传统线性探测；（iii）在某些情况下，其性能甚至超越线性探测和端到端微调，达到病理学数据集上的当前最优水平。最后，本文分析并讨论了批量归一化层微调对特征分布带来的变化，探讨其可能成为性能提升的关键原因。相关代码已开源，地址为：https://github.com/vpulab/bn_finetuning。