对比学习中的4种典型范式的应用分析

对比学习是无监督表示学习中一种非常有效的方法，核心思路是训练query和key的Encoder，让这个Encoder对相匹配的query和key生成的编码距离接近，不匹配的编码距离远。想让对比学习效果好，一个核心点是扩大对比样本（负样本）的数量，即每次更新梯度时，query见到的不匹配key的数量。负样本数量越多，越接近对比学习的实际目标，即query和所有不匹配的key都距离远。

对比学习目前有4种最典型的范式，分别为End-to-End、Memory Bank、Momentum Encoder以及In-Batch Negtive。这几种对比学习结构的差异主要体现在对负样本的处理上，4种方法是一种逐渐演进的关系。下面，我们来看看4种对比学习结构的经典工作。关于对比学习的损失函数，建议参考之前的文章表示学习中的7大损失函数梳理。

End-to-End End-to-End是一种最直接的对比学习方法，对于一个query，每次采样一个正样本以及多个负样本，使用对比学习loss计算损失，正样本和负样本都进行梯度反向传播。下面介绍几篇End-to-End的对比学习经典论文。

第一篇是Unsupervised Embedding Learning via Invariant and Spreading Instance Feature（2019）。本文的目标是学习图像好的表示，满足相似的图像embedding离得近，不相似的图像embedding离得远的特点。具体的，希望同一个图像经过不同的数据增强方式进行转换后，能够具有embedding的不变性，同时不同图像的embedding有明显差异。

这篇文章在原来每个样本为一个类别的分类基础上进行了优化，将每个图像进行一种数据增强的转换后，去让转换前后的图像的embedding离得更近。首先采样一个batch的图像，然后对每一个图像使用一种数据增强方法进行转换。优化的目标是让每一个图像xi转换后的图像xi‘能够被分为xi这个样本的类别。模型的训练仍然采用多个二分类的方式，每个样本的loss可以表示为：

最终采用底层共享参数的孪生网络结构进行模型训练。在训练阶段，每个样本的会使用该batch内其他样本作为负样本进行训练，并使用一种随机的argumentation策略生成一个正样本。

LEARNING DEEP REPRESENTATIONS BY MUTUAL INFORMATION ESTIMATION AND MAXIMIZATION（ICLR 2019，DIM）是另一个典型的End-to-End对比学习框架。本文提出在Deep InfoMax基础上进行对比学习，首先介绍一下Deep InfoMax。Deep InfoMax是一种无监督图像表示学习方法，目标是让输入样本和其经过Encoder后的表示互信息最大，互信息越大表明两个变量相关性越强，互信息可以采用InfoNCE、Jensen-Shannon MI estimator等方法求解。

具体实现上，随机采样一个图像，经过卷积得到feature map f（x），再经过网络得到一个图像的表示向量h（f（x）），整个过程相当于取了整个encoder中某一层的表示f（x），以及encoder的最终输出h（f（x）），让这两个表示的互信息尽可能大。同时随机选择其他图像，生成其feature map f（x’）。这样f（x）和h（f（x））构成正样本，f（x‘）和h（f（x））构成负样本，再代入loss进行优化。基本思路采用了MINE的方法，去求一个下界。使用一个discriminator去判别输入是配对的feature map和representaion的联合概率分布还是不配对的feature map和representaion的边缘概率分布的乘积。

最终学习的是中间表示中某一个部分的信息和最终encoder得到feature的相关性，互信息可以理解为在是否获取encoder最终表示的情况下，我们能预测出的中间层某部分的表示会好多少。这是使用相对的预估能力而非绝对的预估能力进行评估。

Learning Representations by Maximizing Mutual Information Across Views（2019）扩展了DIM，学习一个图像的两种不同增强方式的互信息最小。DIM使用同一张图像最终层和中间层的表示计算互信息，而本文采用一个图像的不同增强后的view计算。

End-to-End方法的主要问题在于，采样的负样本数量受到GPU内存限制，因此这种方法的每次更新能够使用到的负样本数量非常有限，影响了对比学习效果。 Memory Bank 针对End-to-End负样本采样数量受GPU内存限制的问题，基于Memory Bank的方法进入人们视野。Memory Bank的核心思路是，将某一轮模型对数据集中所有样本的表示存储起来，这些样本在作为负样本时，可以不进行梯度更新，极大提升了每个batch负样本数量。

Memory Bank对比学习的主要论文是Unsupervised feature learning via non-parametric instance discrimination（ICLR 2018）。当进行图像分类时，如果两个类别的图像相似，那么模型更容易把这两类的预测搞混，softmax得分排第二的的类别往往是和待预测类别比较相似的。这说明模型在学习的过程中，能够从图像数据本身学出哪些图片表达相似的事物，而不需要引入标签。因此本文希望只利用无监督的图片，就学习出比较好的图像表示，将原来的分类问题进行一个扩展，每个图片视为一个类别，做多分类任务，这样无需有监督数据就能学习图像表示。同时，将softmax中每个类别对应的权重替换为每个样本的embedding结果，将原来的softmax去掉每个类别的权重参数w后变为了 non-parametric softmax，最终表示为：

然而一个图像为一个类别带来的问题是计算softmax多分类损失时，分类的类别数和样本数相同。因此本文提出利用InfoNCE loss来近似拟合softmax多分类损失，它与层次softmax、negative sampling都是解决类别较多时多分为问题的高效方法。InfoNCE loss将多分类问题转换为多个二分类问题，原来是预测当前样本属于哪个类别，转换成判断每个样本（一个正样本和多个负样本）是否和当前样本匹配，或区分数据样本和噪声样本。 为了提升运行效率，本文采用Model Bank的方法，每个样本的表示更新后会存储到model bank中。下次需要负样本的时候直接从model bank取该样本表示，而不会进行前向计算和反向传播。每个类别只有一个样本会导致模型训练不稳定，因此本文在损失函数中引入平滑项，让模型在t轮迭代计算的表示和t-1轮相似，引入两轮表示的L2正则。随着模型不断收敛，这一项L2正则会逐渐变为0，整体又变成原来的InfoNCE loss。

Model Bank方法的问题在于，Model Bank中存储的样本表示不是最新训练的encoder产出的，和当前encoder生成的表示有一定差异，导致模型训练过程存在问题，例如当前encoder产出的编码可能要和n轮迭代之前产出的encoder编码做比较。同时，Model Bank侧两次样本表示更新不具备连续性，也会导致训练不稳定 Momentum Encoder Momentum Encoder主要为了解决Model Bank中每个样本缓存的表示和Encoder更新不一致的问题。Momentum Encoder的核心思路是，模型在key侧的encoder不进行训练，而是平滑拷贝query侧encoder的参数，如下面的公式：

这种更新方式保证了key侧参数的平滑性，且每次都能用最新的参数得到key侧样本的表示结果。典型的Momentum Encoder工作是Facebook提出的MoCo，论文Momentum Contrast for Unsupervised Visual Representation Learning。

In-Batch Negtive In-Batch Negtive也是对比学习中经常采用的一种扩大负样本数量的方法。对于匹配问题，假设每个batch内有N个正样本对，那么让这N个正样本之间互为负样本，这样每个样本就自动生成了2*（N-1）个负样本。这种技巧提出的很早，在近期对比学习中又得到非常广泛的应用。

A Simple Framework for Contrastive Learning of Visual Representations（2020）就采用了In-Btahc Negtive的方法。此外，本文也提出了对比学习的一些关键发现，包括对数据的argumentation的方式、batch size的大小、生成的embedding进行normalize、对对比学习loss的temperature进行调节都对对比学习效果有重要影响。融合了上述优化，本文提出SimCLR对比学习框架，以最大化同一个图像经过不同argumentation后表示的相关性为目标。整个流程分为3个步骤，首先对图像进行两种不同的增强得到一对正样本，然后经过Encoder得到表示，最后将表示映射后计算对比学习loss，采用In-Batch Negtive的方法进行学习。

在图像和文本匹配的多模态领域，In-Batch Negtive也非常常用，例如Learning Transferable Visual Models From Natural Language Supervision提出的CLIP模型。In-Batch Negtive的优点是非常简单，计算量不会显著增加。缺点是负样本只能使用每个batch内的数据，是随机采样的，无法针对性的构造负样本。

总结 本文总结了对比学习的4种基本训练结构，包括End-to-End、Memory Bank、Momentum Encoder以及In-Batch Negtive，以及各自的优缺点。对比学习训练方式发展的核心是，如何实现量级更大、质量更好、更平稳的负样本表示。通过优化负样本，可以显著提升对比学习的效果。 审核编辑：郭婷