對比學習是無監(jiān)督表示學習中一種非常有效的方法，核心思路是訓練query和key的Encoder，讓這個Encoder對相匹配的query和key生成的編碼距離接近，不匹配的編碼距離遠。想讓對比學習效果好，一個核心點是擴大對比樣本（負樣本）的數(shù)量，即每次更新梯度時，query見到的不匹配key的數(shù)量。負樣本數(shù)量越多，越接近對比學習的實際目標，即query和所有不匹配的key都距離遠。

對比學習目前有4種最典型的范式，分別為End-to-End、Memory Bank、Momentum Encoder以及In-Batch Negtive。這幾種對比學習結構的差異主要體現(xiàn)在對負樣本的處理上，4種方法是一種逐漸演進的關系。下面，我們來看看4種對比學習結構的經(jīng)典工作。關于對比學習的損失函數(shù)，建議參考之前的文章表示學習中的7大損失函數(shù)梳理。

End-to-End End-to-End是一種最直接的對比學習方法，對于一個query，每次采樣一個正樣本以及多個負樣本，使用對比學習loss計算損失，正樣本和負樣本都進行梯度反向傳播。下面介紹幾篇End-to-End的對比學習經(jīng)典論文。

第一篇是Unsupervised Embedding Learning via Invariant and Spreading Instance Feature（2019）。本文的目標是學習圖像好的表示，滿足相似的圖像embedding離得近，不相似的圖像embedding離得遠的特點。具體的，希望同一個圖像經(jīng)過不同的數(shù)據(jù)增強方式進行轉換后，能夠具有embedding的不變性，同時不同圖像的embedding有明顯差異。

這篇文章在原來每個樣本為一個類別的分類基礎上進行了優(yōu)化，將每個圖像進行一種數(shù)據(jù)增強的轉換后，去讓轉換前后的圖像的embedding離得更近。首先采樣一個batch的圖像，然后對每一個圖像使用一種數(shù)據(jù)增強方法進行轉換。優(yōu)化的目標是讓每一個圖像xi轉換后的圖像xi‘能夠被分為xi這個樣本的類別。模型的訓練仍然采用多個二分類的方式，每個樣本的loss可以表示為：

最終采用底層共享參數(shù)的孿生網(wǎng)絡結構進行模型訓練。在訓練階段，每個樣本的會使用該batch內其他樣本作為負樣本進行訓練，并使用一種隨機的argumentation策略生成一個正樣本。

LEARNING DEEP REPRESENTATIONS BY MUTUAL INFORMATION ESTIMATION AND MAXIMIZATION（ICLR 2019，DIM）是另一個典型的End-to-End對比學習框架。本文提出在Deep InfoMax基礎上進行對比學習，首先介紹一下Deep InfoMax。Deep InfoMax是一種無監(jiān)督圖像表示學習方法，目標是讓輸入樣本和其經(jīng)過Encoder后的表示互信息最大，互信息越大表明兩個變量相關性越強，互信息可以采用InfoNCE、Jensen-Shannon MI estimator等方法求解。

具體實現(xiàn)上，隨機采樣一個圖像，經(jīng)過卷積得到feature map f（x），再經(jīng)過網(wǎng)絡得到一個圖像的表示向量h（f（x）），整個過程相當于取了整個encoder中某一層的表示f（x），以及encoder的最終輸出h（f（x）），讓這兩個表示的互信息盡可能大。同時隨機選擇其他圖像，生成其feature map f（x’）。這樣f（x）和h（f（x））構成正樣本，f（x‘）和h（f（x））構成負樣本，再代入loss進行優(yōu)化。基本思路采用了MINE的方法，去求一個下界。使用一個discriminator去判別輸入是配對的feature map和representaion的聯(lián)合概率分布還是不配對的feature map和representaion的邊緣概率分布的乘積。

最終學習的是中間表示中某一個部分的信息和最終encoder得到feature的相關性，互信息可以理解為在是否獲取encoder最終表示的情況下，我們能預測出的中間層某部分的表示會好多少。這是使用相對的預估能力而非絕對的預估能力進行評估。

Learning Representations by Maximizing Mutual Information Across Views（2019）擴展了DIM，學習一個圖像的兩種不同增強方式的互信息最小。DIM使用同一張圖像最終層和中間層的表示計算互信息，而本文采用一個圖像的不同增強后的view計算。

End-to-End方法的主要問題在于，采樣的負樣本數(shù)量受到GPU內存限制，因此這種方法的每次更新能夠使用到的負樣本數(shù)量非常有限，影響了對比學習效果。 Memory Bank 針對End-to-End負樣本采樣數(shù)量受GPU內存限制的問題，基于Memory Bank的方法進入人們視野。Memory Bank的核心思路是，將某一輪模型對數(shù)據(jù)集中所有樣本的表示存儲起來，這些樣本在作為負樣本時，可以不進行梯度更新，極大提升了每個batch負樣本數(shù)量。

Memory Bank對比學習的主要論文是Unsupervised feature learning via non-parametric instance discrimination（ICLR 2018）。當進行圖像分類時，如果兩個類別的圖像相似，那么模型更容易把這兩類的預測搞混，softmax得分排第二的的類別往往是和待預測類別比較相似的。這說明模型在學習的過程中，能夠從圖像數(shù)據(jù)本身學出哪些圖片表達相似的事物，而不需要引入標簽。因此本文希望只利用無監(jiān)督的圖片，就學習出比較好的圖像表示，將原來的分類問題進行一個擴展，每個圖片視為一個類別，做多分類任務，這樣無需有監(jiān)督數(shù)據(jù)就能學習圖像表示。同時，將softmax中每個類別對應的權重替換為每個樣本的embedding結果，將原來的softmax去掉每個類別的權重參數(shù)w后變?yōu)榱?non-parametric softmax，最終表示為：

然而一個圖像為一個類別帶來的問題是計算softmax多分類損失時，分類的類別數(shù)和樣本數(shù)相同。因此本文提出利用InfoNCE loss來近似擬合softmax多分類損失，它與層次softmax、negative sampling都是解決類別較多時多分為問題的高效方法。InfoNCE loss將多分類問題轉換為多個二分類問題，原來是預測當前樣本屬于哪個類別，轉換成判斷每個樣本（一個正樣本和多個負樣本）是否和當前樣本匹配，或區(qū)分數(shù)據(jù)樣本和噪聲樣本。 為了提升運行效率，本文采用Model Bank的方法，每個樣本的表示更新后會存儲到model bank中。下次需要負樣本的時候直接從model bank取該樣本表示，而不會進行前向計算和反向傳播。每個類別只有一個樣本會導致模型訓練不穩(wěn)定，因此本文在損失函數(shù)中引入平滑項，讓模型在t輪迭代計算的表示和t-1輪相似，引入兩輪表示的L2正則。隨著模型不斷收斂，這一項L2正則會逐漸變?yōu)?，整體又變成原來的InfoNCE loss。

Model Bank方法的問題在于，Model Bank中存儲的樣本表示不是最新訓練的encoder產(chǎn)出的，和當前encoder生成的表示有一定差異，導致模型訓練過程存在問題，例如當前encoder產(chǎn)出的編碼可能要和n輪迭代之前產(chǎn)出的encoder編碼做比較。同時，Model Bank側兩次樣本表示更新不具備連續(xù)性，也會導致訓練不穩(wěn)定 Momentum Encoder Momentum Encoder主要為了解決Model Bank中每個樣本緩存的表示和Encoder更新不一致的問題。Momentum Encoder的核心思路是，模型在key側的encoder不進行訓練，而是平滑拷貝query側encoder的參數(shù)，如下面的公式：

這種更新方式保證了key側參數(shù)的平滑性，且每次都能用最新的參數(shù)得到key側樣本的表示結果。典型的Momentum Encoder工作是Facebook提出的MoCo，論文Momentum Contrast for Unsupervised Visual Representation Learning。

In-Batch Negtive In-Batch Negtive也是對比學習中經(jīng)常采用的一種擴大負樣本數(shù)量的方法。對于匹配問題，假設每個batch內有N個正樣本對，那么讓這N個正樣本之間互為負樣本，這樣每個樣本就自動生成了2*（N-1）個負樣本。這種技巧提出的很早，在近期對比學習中又得到非常廣泛的應用。

A Simple Framework for Contrastive Learning of Visual Representations（2020）就采用了In-Btahc Negtive的方法。此外，本文也提出了對比學習的一些關鍵發(fā)現(xiàn)，包括對數(shù)據(jù)的argumentation的方式、batch size的大小、生成的embedding進行normalize、對對比學習loss的temperature進行調節(jié)都對對比學習效果有重要影響。融合了上述優(yōu)化，本文提出SimCLR對比學習框架，以最大化同一個圖像經(jīng)過不同argumentation后表示的相關性為目標。整個流程分為3個步驟，首先對圖像進行兩種不同的增強得到一對正樣本，然后經(jīng)過Encoder得到表示，最后將表示映射后計算對比學習loss，采用In-Batch Negtive的方法進行學習。

在圖像和文本匹配的多模態(tài)領域，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的優(yōu)點是非常簡單，計算量不會顯著增加。缺點是負樣本只能使用每個batch內的數(shù)據(jù)，是隨機采樣的，無法針對性的構造負樣本。

總結 本文總結了對比學習的4種基本訓練結構，包括End-to-End、Memory Bank、Momentum Encoder以及In-Batch Negtive，以及各自的優(yōu)缺點。對比學習訓練方式發(fā)展的核心是，如何實現(xiàn)量級更大、質量更好、更平穩(wěn)的負樣本表示。通過優(yōu)化負樣本，可以顯著提升對比學習的效果。 審核編輯：郭婷