基于k近邻与高斯噪声的虚拟困难样本增强方法

在本文中，我们将介绍亚马逊团队在ACL2022中的一篇论文VaSCL，该论文在SimCSE的基础上，提出了一种基于k近邻与高斯噪声的虚拟困难样本增强方法。作者在无监督训练中，进行困难样本增强，从而提高了模型的性能，并且超过了SimCSE。

论文标题：

Virtual Augmentation Supported Contrastive Learning of Sentence Representations

论文链接：

https://arxiv.org/abs/2110.08552

01

引言

在ACL2021中，陈丹琦团队提出了使用Dropout进行正样本增强的对比学习方法SimCSE，该方法操作简单却十分有效，在无监督对比学习中取得了非常好的效果。在有监督SimCSE中，作者对困难负样本的作用进行了探究实验，实验结果证明，引入困难负样本后，有监督SimCSE的指标从84.9提升至86.2。这说明，在对比学习中，引入困难样本是能够提升模型效果的。

然而在无监督SimCSE中，作者仅使用dropout的方式进行了正样本增强，没有额外引入困难样本，这在一定程度上限制了模型的能力。基于这个动机，亚马逊提出了一种基于k近邻与高斯噪声的虚拟困难样本增强的无监督对比学习方法VaSCL。

02

论文解读

基于Dropout的对比损失

在介绍VaSCL模型之前，我们先简单回顾一下无监督SimCSE。假设训练时的batch size为N，将一个batch的数据记作，将同一个样本分别输入模型中两次，使用不同的dropout mask编码得到两个向量和。则在规模为N的batch中，与的InfoNCE损失为：

基于k近邻的虚拟增强对比损失

在无监督SimCSE的损失函数的基础上，作者还设计了一种基于k近邻的虚拟困难样本增强的损失函数。

将通过模型编码之后得到向量序列。

作者通过以下方式获得第i个句向量的虚拟困难样本：

正样本增强：对添加高斯噪声，得到，其中就是经过高斯增强后的正样本。

获得k近邻：获得在中距离最近的k个负样本，在本文中我们称之为k近邻，记作。

对于来说，是正样本，是负样本集合。则对于，k近邻虚拟增强的对比损失如下。分子表示拉近与的距离，分母表示拉远与负样本之间的距离。

在CV中，我们会为输入的图片添加高斯噪声以增加模型的泛化性。添加了高斯噪声的图片，肉眼能看出微小的区别，但不会影响整张图片的语义信息。所以为句向量添加合适的高斯噪声，理论上也不会对句向量的语义信息产生很大的改变。

在的k近邻中，存放的是距离最近的k个负样本，也就是与最相似的k个负样本。只要batch size足够大，我们可以近似认为，就是的困难负样本集合，同样也是的困难负样本集合。

如何获得上述的高斯噪声呢？最容易想到的做法便是随机生成一个高斯噪声，直接添加到句向量中。但是为了提高模型的训练难度，生成更高质量的高斯噪声，作者生成若干个候选高斯噪声，然后选出一个使得最大化的高斯噪声。

从上述操作可以看出，对于最优的高斯噪声，作者希望它增强后的正样本与的距离尽可能远，与负样本的距离尽可能近，作者希望这个高斯噪声能够对模型产生尽可能大的迷惑性。通过这个高斯噪声，我们就可以得到困难正样本，并且从某种意义来说，也使得与的距离尽可能拉近，达到了增强负样本难度的目的，做法确实挺巧妙。

VaSCL对比损失

将上述两种对比损失进行组合，得到最终的VaSCL损失函数：

这个损失函数的含义如下：

对于每个句子，拉近同一个句子经过dropout之后的两个句向量之间的距离，拉远它们与其他句子的距离。

对于每个句子，拉近原句向量与高斯噪声增强之后的句向量的距离，拉远它们与k近邻负样本之间的距离。

03

实验结果

作者分别在STS任务、短文本聚类、意图识别等任务中进行了实验，实验结果如下表所示。可以看到，在三种任务中，绝大部分数据集上，VaSCL的表现都要优于SimCSE，这表明了基于k近邻与高斯噪声的困难样本增强的有效性。

04

总结

SimCSE通过dropout mask这种简单的方法，避免了人工进行正样本增强所带来的语义改变的问题，并且在无监督训练中取得了不错的效果。而VaSCL论文延续了SimCSE这种思想，引入了高斯噪声进行正样本增强，有着异曲同工之妙。

VaSCL在SimCSE的基础上，也进行了困难样本的增强。在进行高斯噪声增强时，使得增强的样本与原始样本尽可能不相似，与负样本尽可能相似，已达到【混淆视听】的效果。通过这种方式，VaSCL在绝大多数据集上的表现，也超过了SimCSE。

审核编辑 ：李倩