對(duì)比學(xué)習(xí)可以應(yīng)用于監(jiān)督和無監(jiān)督的場景下，目前在CV、NLP等領(lǐng)域中取得了較好的性能。本文對(duì)對(duì)比學(xué)習(xí)進(jìn)行基礎(chǔ)介紹，以及其在NLP和多模態(tài)中的應(yīng)用。

引言

對(duì)比學(xué)習(xí)的主要思想是相似的樣本的表示相近，而不相似的遠(yuǎn)離。對(duì)比學(xué)習(xí)可以應(yīng)用于監(jiān)督和無監(jiān)督的場景下，并且目前在CV、NLP等領(lǐng)域中取得了較好的性能。本文先對(duì)對(duì)比學(xué)習(xí)進(jìn)行基礎(chǔ)介紹，之后會(huì)介紹對(duì)比學(xué)習(xí)在NLP和多模態(tài)中的應(yīng)用，歡迎大家批評(píng)和交流。

對(duì)比學(xué)習(xí)基礎(chǔ)介紹

損失函數(shù)

1. NCE[1]（Noise-contrastive estimation）：是估計(jì)統(tǒng)計(jì)模型的參數(shù)的一種方法，主要通過學(xué)習(xí)數(shù)據(jù)分布和噪聲分布之間的區(qū)別。下面給出NCE的原始形式，它包含一個(gè)正負(fù)樣本對(duì)。在之后的許多研究工作中，包含多個(gè)正樣本或負(fù)樣本也被廣義的稱為NCE。下式中x表示數(shù)據(jù)，y為噪聲。

2. InfoNCE[2]：在CPC中提出，使用分類交叉熵?fù)p失在一組負(fù)樣本中識(shí)別正樣本。原論文給出的式子如下：

3. Triplet Loss：三元組損失，最初是由谷歌在FaceNet[3]中提出，主要用于識(shí)別在不同角度和姿勢下的人臉。下式中加號(hào)在右下角表示max(x,0)。

4. N-pair Loss[4]：Multi-Class N-pair loss，是將Triplet Loss泛化到與多個(gè)負(fù)樣本進(jìn)行對(duì)比。

衡量標(biāo)準(zhǔn)

衡量指標(biāo)由(Wang & Isola, 2020)[5]提出，文中說明了對(duì)比學(xué)習(xí)算法具有兩個(gè)關(guān)鍵屬性alignment和uniformity，很多有效的對(duì)比學(xué)習(xí)算法正是較好地滿足了這兩種性質(zhì)。

alignment：衡量正例樣本間的近似程度

uniformity：衡量特征向量在超球體上的分布的均勻性

文章同時(shí)給出了衡量兩種性質(zhì)的評(píng)價(jià)指標(biāo)，并同時(shí)指出優(yōu)化這兩個(gè)指標(biāo)會(huì)在下游任務(wù)上表現(xiàn)更好。

關(guān)鍵技術(shù)

1. 正負(fù)樣本的構(gòu)造

數(shù)據(jù)增強(qiáng)：給定訓(xùn)練數(shù)據(jù)，需要進(jìn)行數(shù)據(jù)增強(qiáng)來得到更多正樣本。正確有效的數(shù)據(jù)增強(qiáng)技術(shù)對(duì)于學(xué)習(xí)好的表征至關(guān)重要。比如SimCLR[6]的實(shí)驗(yàn)表明，圖片的隨機(jī)裁剪和顏色失真是最有效的兩種方式。而對(duì)于句子來說，刪除或替換可能會(huì)導(dǎo)致語義的改變。

負(fù)樣本構(gòu)造：一般對(duì)比學(xué)習(xí)中使用in-batch negatives，將一個(gè)batch內(nèi)的不相關(guān)數(shù)據(jù)看作負(fù)樣本。

多個(gè)模態(tài)：正樣本對(duì)可以是兩種模態(tài)的數(shù)據(jù)，比如圖片和圖片對(duì)應(yīng)描述。

2. 大的batch size

在訓(xùn)練期間使用大的batch size是許多對(duì)比學(xué)習(xí)方法成功的一個(gè)關(guān)鍵因素。當(dāng)batch size足夠大時(shí)，能夠提供大量的負(fù)樣本，使得模型學(xué)習(xí)更好表征來區(qū)別不同樣本。

對(duì)比學(xué)習(xí)在NLP領(lǐng)域的應(yīng)用

A Simple but Tough-to-Beat Data Augmentation Approach for Natural Language Understanding and Generation

受多視圖學(xué)習(xí)的啟發(fā)，這篇文章主要提出了一種Cutoff的數(shù)據(jù)增強(qiáng)方法，包含以下三種策略：

Token cutoff：刪除選中的token信息。為了防止信息泄露，三種類型的編碼都被改為0。

Feature cutoff：刪除特征，將整列置為0。。

Span cutoff：刪除連續(xù)的文本塊。

作者將Cutoff應(yīng)用到自然語言理解和機(jī)器翻譯任務(wù)上去，實(shí)驗(yàn)結(jié)果表明這種簡單的數(shù)據(jù)增強(qiáng)方式得到了與基線相當(dāng)或更好的結(jié)果。目前，Cutoff也作為一種常用的數(shù)據(jù)增強(qiáng)方法應(yīng)用到不同的對(duì)比學(xué)習(xí)模型中去。

CERT：Contrastive Self-supervised Learning for Language Understanding

CERT主要流程圖如下。可以看出，在預(yù)訓(xùn)練Bert的基礎(chǔ)上，CERT增加了CSSL預(yù)訓(xùn)練任務(wù)來得到更好的表征。

本文首先通過back-translation方式進(jìn)行數(shù)據(jù)增強(qiáng)，使用不同語言的翻譯模型來創(chuàng)建不同的正樣本。

CSSL Pretraining：使用類似MoCo[7]的對(duì)比學(xué)習(xí)框架，采用一個(gè)隊(duì)列去存儲(chǔ)數(shù)據(jù)增強(qiáng)后的keys，并且使用一種動(dòng)量更新的方法對(duì)該隊(duì)列進(jìn)行更新。給定句子q，設(shè)隊(duì)列中存有與其互為正樣本的k+，故對(duì)比損失定義如下：

作者測試了CERT在GLUE 數(shù)據(jù)集的上的性能。在11個(gè)任務(wù)中，CERT在7個(gè)任務(wù)上優(yōu)于BERT，2個(gè)任務(wù)上效果相當(dāng)，整體性能優(yōu)于BERT。這進(jìn)一步證明了對(duì)比自監(jiān)督學(xué)習(xí)是一個(gè)學(xué)習(xí)更好的語言表征的方法。

SimCSE: Simple Contrastive Learning of Sentence Embeddings(EMNLP2021)

SimCSE有兩個(gè)變體：Unsupervised SimCSE和Supervised SimCSE，主要不同在于對(duì)比學(xué)習(xí)的正負(fù)例的構(gòu)造。

Unsupervised SimCSE：

正樣本：一個(gè)句子通過編碼器進(jìn)行兩次編碼，兩次使用不同的dropout 掩碼，

Supervised SimCSE：

使用NLI（Natural Language Inference）數(shù)據(jù)集，利用其標(biāo)注的句子之間的關(guān)系來構(gòu)造對(duì)比學(xué)習(xí)的正負(fù)樣本。如上圖所示，給定一個(gè)前提

本文作者在多個(gè)數(shù)據(jù)集上評(píng)估了SimCSE的性能，發(fā)現(xiàn)在STS（語義文本相似性）系列任務(wù)上，SimCSE在無監(jiān)督和有監(jiān)督的條件下均大幅超越了之前的SOTA模型。

上面提到了衡量對(duì)比學(xué)習(xí)質(zhì)量的指標(biāo)：alignment和uniformity，作者將其進(jìn)行了可視化，可以發(fā)現(xiàn)所有模型的uniformity都有所改進(jìn)，表明預(yù)訓(xùn)練BERT的語義向量分布的奇異性被逐步減弱。

ESimCSE: Enhanced Sample Building Method for Contrastive Learning of Unsupervised Sentence Embedding

ESimCSE是對(duì)上述SimCSE構(gòu)建正負(fù)樣本方法的改進(jìn)，主要出發(fā)點(diǎn)如下：

句子的長度信息通常會(huì)被編碼，因此無監(jiān)督的SimCSE中的每個(gè)正對(duì)長度是相同的。故用這些正對(duì)訓(xùn)練的無監(jiān)督SimCSE 往往會(huì)認(rèn)為長度相同或相似的句子在語義上更相似。

Momentum Contrast（動(dòng)量對(duì)比）最早是在MoCo提出，是一種能夠有效的擴(kuò)展負(fù)例對(duì)并同時(shí)緩解內(nèi)存限制的一種方法。ESimCSE借鑒了這一思想來擴(kuò)展負(fù)例。

正例：作者先探究了句子對(duì)的長度差對(duì)SimCSE的影響，當(dāng)長度差大于3時(shí)無監(jiān)督SimCSE模型的效果大幅度降低。為了降低句子長度差異的影響，作者嘗試了隨機(jī)插入、隨機(jī)刪除和詞重復(fù)三種方法構(gòu)建正例，發(fā)現(xiàn)前兩者導(dǎo)致語義相似度下降明顯，而詞重復(fù)可以保持較高的相似度，同時(shí)緩解了句子長度帶來的問題。故使用word repetition進(jìn)行正例構(gòu)造。

負(fù)例：① in-batch negatives ② 動(dòng)量更新隊(duì)列中的樣本

故損失函數(shù)如下：

實(shí)驗(yàn)表明，ESimCSE整體效果優(yōu)于無監(jiān)督的SimCSE，在語義文本相似性（STS）任務(wù)上效果優(yōu)于BERTbase版的SimCSE 2%。

對(duì)比學(xué)習(xí)在多模態(tài)中的應(yīng)用

Scaling Up Visual and Vision-Language Representation Learning With Noisy Text Supervision (ICML 2021)

本文提出ALIGN模型，作者利用了超過10億的圖像文本對(duì)的噪聲數(shù)據(jù)集，沒有進(jìn)行細(xì)致的數(shù)據(jù)清洗或處理。ALIGN使用一個(gè)簡單的雙編碼器結(jié)構(gòu)，基于對(duì)比學(xué)習(xí)損失來對(duì)齊圖像和文本對(duì)的視覺和語言表示 。作者證明了，數(shù)據(jù)規(guī)模的巨大提升可以彌補(bǔ)數(shù)據(jù)內(nèi)部存在的噪聲，因此即使使用簡單的對(duì)比學(xué)習(xí)方式，模型也能達(dá)到SOTA的特征表示。

在預(yù)訓(xùn)練中，將匹配的圖像-文本對(duì)視為正樣本，并將當(dāng)前訓(xùn)練batch中的其他隨機(jī)圖像-文本對(duì)視為負(fù)樣本。損失函數(shù)如下：

text-to-imageloss

ALIGN模型得到的對(duì)齊的圖像和文本表示在跨模態(tài)匹配/檢索任務(wù)中實(shí)現(xiàn)了SOTA效果。同時(shí)ALIGN模型也適用于zero-shot圖像分類、圖像分類等任務(wù)。例如，ALIGN在ImageNet中達(dá)到了88.64%的Top-1準(zhǔn)確率 。

Align before Fuse: Vision and Language Representation Learning with Momentum Distillation (NeurIPS 2021)

作者提出了 ALign BEfore Fuse(ALBEF) ，首先用一個(gè)圖像編碼器和一個(gè)文本編碼器獨(dú)立地對(duì)圖像和文本進(jìn)行編碼。然后利用多模態(tài)編碼器，通過跨模態(tài)注意，將圖像特征與文本特征進(jìn)行融合。并提出動(dòng)量蒸餾(Momentum Distillation)對(duì)抗數(shù)據(jù)中的噪聲，得到更好的表征。

ALBEF預(yù)訓(xùn)練任務(wù)：圖像-文本對(duì)比學(xué)習(xí)(ITC) 、掩蔽語言建模(MLM) 和圖像-文本匹配(ITM) 。

ITC：Image-Text Contrastive Learning，目的是在融合前學(xué)習(xí)到更好的單模態(tài)表征。受MoCo的啟發(fā)，作者維護(hù)了兩個(gè)隊(duì)列來存儲(chǔ)最近的M個(gè)圖像-文本表示，故對(duì)于每個(gè)圖像和文本，作者計(jì)算圖像到文本和文本到圖像的相似度如下：

為ground truth（one-hot 編碼），ITC定義為p和y之間的交叉熵：

MLM：Masked Language Modeling，利用給定圖像和上下文文本來預(yù)測mask詞

ITM：Image-Text Matching，把圖像和文本是否匹配看作二分類問題

故整個(gè)預(yù)訓(xùn)練的損失函數(shù)為上述三者的和。

由于用于預(yù)訓(xùn)練的數(shù)據(jù)集往往含有噪聲，作者提出同時(shí)從動(dòng)量模型生產(chǎn)的偽標(biāo)簽中去學(xué)習(xí)。將上述相似度計(jì)算公式中的

同時(shí)，作者從互信息最大化的角度來證明了ALBEF實(shí)際上最大化了圖像-文本對(duì)的不同views之間的互信息的下界。

與現(xiàn)有的方法相比，ALBEF在多個(gè)下游視覺語言任務(wù)上達(dá)到了SOTA的效果。

VLMO: Unified Vision-Language Pre-Training with Mixture-of-Modality-Experts

本文提出VLMO模型，既可以作為融合編碼器去做分類任務(wù)，也可以作為雙編碼器去做檢索任務(wù)。VLMO引入一個(gè) Mixture-of-Modality-Experts（MoME）的Transformer，能夠根據(jù)輸入數(shù)據(jù)的類型選擇不同的expert，如下圖所示。

VLMO的預(yù)訓(xùn)練任務(wù)與前面類似，通過圖像-文本對(duì)比學(xué)習(xí)、掩碼語言建模和圖像-文本對(duì)匹配進(jìn)行聯(lián)合預(yù)訓(xùn)練。

其中，Image-Text Contrast預(yù)訓(xùn)練任務(wù)具體為：給定一個(gè)batch的圖像文本對(duì)，圖像文本對(duì)比學(xué)習(xí)的目標(biāo)是從n*n個(gè)可能的圖像文本對(duì)中預(yù)測匹配的對(duì)，事實(shí)上在這一batch中有N個(gè)正樣本對(duì)，之后使用交叉熵?fù)p失進(jìn)行訓(xùn)練。下式中，h為編碼，p為softmax歸一化后的相似性。

本文巧妙的地方在于采用了分階段的預(yù)訓(xùn)練方式，得到了更泛化的表示。

VLMO模型在VQA等多模態(tài)下游任務(wù)上進(jìn)行微調(diào)，效果達(dá)到了SOTA。

審核編輯：gt