ducanhdinh/jepa_proof_vicreg

BERT encoder pretrained from scratch với VICReg (Variance-Invariance-Covariance Regularization).

Hai masked text views được encode bởi một BERT encoder dùng chung, sau đó đưa qua expander MLP. VICReg kết hợp 3 loss terms để căn chỉnh các views và ngăn feature collapse mà không cần negative samples:

Loss term	Hệ số	Mô tả
Invariance	25.0	MSE giữa z1 và z2 (căn chỉnh hai views)
Variance	25.0	Giữ std của mỗi chiều ≥ 1 (chống collapse)
Covariance	1.0	Decorrelate các chiều embedding

Kiến trúc

Text → BERT (mean-pool) → z ∈ R^768 → Expander MLP → z' ∈ R^3072
                                                       ↑ VICReg loss áp dụng tại đây

Expander gồm 3 lớp Linear-BatchNorm-ReLU (dim = 3072).

Thông số huấn luyện

Tham số	Giá trị
Max sequence length	256
Batch size	256
Epochs	10
Learning rate	0.0001
Expander dim	3072
Max span length (masking)	5
sim_coeff	25.0
std_coeff	25.0
cov_coeff	1.0

Cách dùng — BERT encoder (feature extraction)

from transformers import BertModel, BertTokenizerFast
import torch

tokenizer = BertTokenizerFast.from_pretrained("ducanhdinh/jepa_proof_vicreg")
bert      = BertModel.from_pretrained("ducanhdinh/jepa_proof_vicreg/encoder")

encoded = tokenizer(
    ["Hello world!", "VICReg is great."],
    return_tensors="pt",
    padding=True,
    truncation=True,
)
with torch.no_grad():
    out    = bert(**encoded)
    hidden = out.last_hidden_state          # (B, T, 768)
    mask   = encoded["attention_mask"].unsqueeze(-1).float()
    emb    = (hidden * mask).sum(1) / mask.sum(1).clamp(min=1)  # mean-pool → (B, 768)

Cách dùng — Full model (encoder + expander)

import torch
from transformers import BertTokenizerFast

# Load weights thủ công
from text_vicreg import TextVICReg, VICRegPretrainConfig

cfg   = VICRegPretrainConfig()
model = TextVICReg(cfg)
state = torch.load(
    hf_hub_download("ducanhdinh/jepa_proof_vicreg", "pytorch_model.bin"),
    map_location="cpu",
)
model.load_state_dict(state)
model.eval()