深度学习学习——自监督文献综述

Title：基于最大化互信息对比学习的自监督bert？(Contrastive Multi-View Representation Learning on language)

Abstract：在此论文中,我们在 deep infomax,infoNet等互信息最大化的基础上，使用对比学习思路，构建了一个基于孪生Bert的无监督预训练模型,这是一种在文本蕴含和文本复述任务上的学习通用句子嵌入的自监督方法（a self-supervised method for learning universal sentence embeddings that transfer to a wide variety of natural language processing (NLP) tasks）

这可以微调转化为各种各样的自然语言处理(NLP)任务。

实验证明，我们的模型CML在数据集SentEval上达到最先进的性能，优于现有的监督、半监督和无监督方法。SentEval是评价通用句子嵌入的流行基准。

（We demonstrate that our objective can be used to pretrain transformers to state-of-the-art performance on SentEval, a popular benchmark for evaluating universal sentence embeddings, outperforming existing supervised, semi-supervised and unsupervised methods.）

在数据集上相比于

肯定要用到的一些文字：

Related Work：

在这部分我们的介绍分为三部分，首先第一部分，我们介绍了自然语言处理中的预训练模型；接着我们介绍了对比自监督学习中的模型，最后我们介绍了自然语言处理任务中的对比自监督模型

1.预训练模型的介绍(Pretraining of Transformers for Language Understanding

)

近年来，大量的研究表明基于大型语料库的「预训练模型」（PTM）可以学习通用的语言表示，有利于下游 NLP 任务，同时能够避免从零开始训练模型。随着计算能力的发展，深度模型的出现（即 Transformer）和训练技巧的增强使得 PTM 不断发展，由浅变深。

总的来看，PTM 的发展可以分为两个时代。第一代的 PTM 旨在学习「单一的词嵌入」，例如 Skip-Gram 和 GloVe。这些模型并不会用于下游任务，通常为了计算效率而保持较浅。虽然这些预训练的词嵌入可以捕获词语的语义，但是它们与上下文无关，无法捕捉到上下文中更高层次的概念。第二代的 PTM 聚焦于学习「上下文相关的词嵌入」，例如 CoVe、ELMo、OpenAI GPT 和 BERT。这些学习到的编码器在下游任务中也会用于表示词语。此外，各种各样的预训练任务也被提出以基于不同的目的学习 PTM

Transformer(Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017))

Bert

Sentence-Bert

1. Contrastive Self-supervised Learning

1. Context-Context Contrast
2. Mutual Information MAXIMIZATION

1. Representation Learning NLP+SSL

Related Work0：

这部分应该介绍的是Bert，然后是sentence-bert

关于Bert相关的文字：

1.Transformer(self-attention)

2.

3.

Related Work1:

Sentence-BERT (SBERT) (Reimers and Gurevych, 2019), which achieves state-of-the-art performance for various sentence embeddings task. SBERT is based on transformer models like BERT (Devlin et al., 2018) and applies mean pooling on the output.

Related Work2

Deep InfoMax(DIM; Hjelm et al.,2019)is a mutual information maximization based representation learning method for images. DIM shows that maximizing the mutual information between an image representation and local regions of the image improves the quality of the representation.The complete objective function that DIM maximizes consists of multiple terms. Here, we focus on a term in the objective that maximizes the mutual information between local features and global features. We describe the main idea of this objective for learning representations from a one-dimensional sequence, although it is originally proposed to learn from a two-dimensional object.

Related work3:

InfoNCE((Logeswaran & Lee, 2018; van den Oord et al., 2019), has been shown to work well in practice

InfoNCE is defined as:

It is based on Noise Contrastive Estimation (NCE; Gutmann & Hyvarinen, 2012)

Related Work4

AMDIM (Bachman, P., Hjelm, R. D., & Buchwalter, W. (2019))

AMDIM [6] enhances the DIM through randomly choosing another view of the image to produce

the summary vector (除此之外，还有用了不同的view，但是和CMC的view不一样)

Related Work 5

contrastive predictive coding (CPC)

 CPC maximize the association between a segment of audio and its context audio. To improve data effificiency, it takes several negative context vectors at the same time. Later on, CPC has also been applied

in image classifification.

第二段备选：

Deep InfoMax provides us with a new paradigm and boosts the development of self-supervised learning. The

fifirst inflfluential follower is Contrastive Predictive Coding (CPC) [101] for speech recognition.(文字取自Liu, X., Zhang, F., Hou, Z., Wang, Z., Mian, L., Zhang, J., & Tang, J. (2020).)

在这篇文章里又有了一个InfoNCE：

Related Work 6

CERT(Bert on MoCo)MoCo提出一种对比损失函数名为InfoNCE（With similarity measured by dot product, a form of a contrastive loss function, called InfoNCE）

Related Work 7

InfoWord(Kong, L., d'Autume, C. D. M., Ling, W., Yu, L., Dai, Z., & Yogatama, D. (2019))

In language pre-training, InfoWord [76] proposes to maximize the mutual information between a global representation of a sentence and n-grams in it. The context is induced from the sentence with selected n-grams being masked, and the negative contexts are randomly picked out from the corpus.

Our analysis on Skip-Gram, BERT, and XLNet shows that their objective functions are different instances of InfoNCE.

(Alternative bounds include Donsker-Vardhan representation (Donsker & Varadhan, 1983) and Jensen

Shannon estimator (Nowozin et al., 2016), but we focus on InfoNCE here. )

Related work8

DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations(这篇里面有sentEval的完整引用)

受到CV领域的对比学习框架启发，本文提出了一个类似于BYOL利用正样本进行对比学习的NLP领域应用，更大的贡献在于本文提出了一个简单并且易于实现的不对模型敏感的深度学习指标，并且该学习方法不需要任何标注的数据，损失函数为对比学习的损失函数加上MLM的损失函数。这里注意的是编码器是共享权重，并非权值更新。https://blog.csdn.net/tgqdt3ggamdkhaslzv/article/details/108924221

这里是模型的架构：

模型的流程如下：

1. 先从无标注的文档中以beta分布中抽样anchor片段，在从这一篇相同的文档以不同的beta分布抽样出positive样本对。

2. 之后分别将anchor片段和positive片段经过两个相同架构共享权值的编码器，生成对应的token embedding。

3. 再将token embedding进行pooler操作，即将所有的token embedding平均生成同一维度的sentence embedding。

4. 计算对比学习的损失函数。，计算了两个片段信息之间的距离。表示温度超参。

5. 在计算出对比学习的loss之后，再加入MLM的loss，对模型进行反向梯度传播更新参数。      

本文的实验结果如下：

模型：DeCLUTER-small使用DistilRoBERTa预训练模型参数为基础，DeCLUTER-base使用RoBERTa-base预训练模型参数为基础。
数据集：OpenWebText corpus，有495243个至少长度为2048的文档。
SentEval：含有28个测试数据集，氛围Downstream和Probing。Downstream使用模型编码出的句子嵌入来作为分类器的feature进行分类，而Probing评估模型生成的句子嵌入所还有的语义信息，比如预测动词的时态等。

      

总而言之，本文提出了一种利用对比学习来帮助模型更好地学习句子层面的表征。并且本文的方法十分简单且易于实现，适用于很多模型。实验也表明对比学习在NLP领域句子表征层面上的可行性。

Related Work的一些总结：

创新点：

1. Local+global multi information
2. Input output multi information
3. 图片数据集里的multi-view，或者剪切的操作，应该可以对应于NLP里语言的蕴涵关系()
4. Adversal AutoEncoder Decoder
5. Multi model?

Model description:

Model	FOS	Type	Self-supervision	Pretext Task
Deep InfoMAX
AMDIM
CPC
InfoWord		MI Maximization
Moco	Context-Context

dataSet:

训练：MultiNLI数据集

下游任务对比：

评测-SentEval

SentEval是一个当前流行的用来评测句子embedding质量的工具，这里句子embedding可以作为逻辑回归模型的特征，从而构建一个分类器，并在test集上计算其精度。这里利用SentEval工具在下面几个迁移任务上对比SBERT与其它生成句子embedding的方法：

MR(movie review):电影评论片段的情感预测,二分类

CR(product review):顾客产品评论的情感预测，二分类

SUBJ(subjectivity status):电影评论和情节摘要中句子的主观性预测，二分类

MPQA(opinion-polarity):来自新闻网的短语级意见极性分类，二分类

SST(Stanford sentiment analysis):斯坦福情感树库，二分类

TREC(question-type classification)：来自TREC的细粒度问题类型分类，多分类

MRPC:Microsoft Research Paraphrase Corpus from parallel news sources，释义检测。

肯定要用到的一些文字：

对比学习：The main idea behind contrastive learning is to divide an input data into multiple (possibly overlapping) views and maximize the mutual information between encoded representations of these views, using views derived from other inputs as negative samples.

Contrasive self-supervised learning

基于 contrastive 的方法。 这类方法并不要求模型能够重建原始输入，而是希望模型能够在特征空间上对不同的输入进行分辨，就像上面美元的例子。

这类方法有如下的特点：

1. 在 feature space 上构建距离度量；
2. 通过特征不变性，可以得到多种预测结果；
3. 使用 Siamese Network；
4. 不需要 pixel-level 重建。

正因为这类方法不用在 pixel-level 上进行重建，所以优化变得更加容易。当然这类方法也不是没有缺点，因为数据中并没有标签，所以主要的问题就是怎么取构造正样本和负样本。

目前基于 contrastive 的方法已经取得了很好的进展，在分类任务上已经接近监督学习的效果，同时在一些检测、分割的下游任务上甚至超越了监督学习作为 pre-train的方法。

与生成模型做对比：

这里总结一下监督学习和自监督学习的特点，

其中 supervised learning 的特点如下：

1.对于每一张图片，机器预测一个 category 或者是 bounding box

2.训练数据都是人所标注的

3.每个样本只能提供非常少的信息(比如 1024 个 categories 只有 10 bits 的信息)

与此对比的是，self-supervised learning 的特点如下：

1.对于一张图片，机器可以预任何的部分

2.对于视频，可以预测未来的帧

3.每个样本可以提供很多的信息

Contrastive learning vs. pretext tasks. Various pretext tasks can be based on some form of contrastive loss func-tions. The instance discrimination method[61] is related to the exemplar-based task[17]and NCE[28].The pretext task in contrastive predictive coding (CPC)[46] is a form of context auto-encoding [48], and in contrastive multiview coding (CMC)[56]it is related to colorization [64].

关于两个概念：

要区分好文本蕴涵和文本复述：文本蕴含的研究范畴要和复述(Paraphrasing)进行区分。复述，通常用来表示两个文本片段包含的相同的语义。所以严格来讲，复述可以认为是一种语义上的对等(Textual Equivalence)关系，或者叫做双向蕴含关系(Bi-directional Textual Entailment)。而文本蕴含关系是单向推理关系

Tips:可以不用分段，用小标题加粗就可以

Reference:

Kong, L., d'Autume, C. D. M., Ling, W., Yu, L., Dai, Z., & Yogatama, D. (2019). A Mutual Information Maximization Perspective of Language Representation Learning. arXiv preprint arXiv:1910.08350.

Gutmann & Hyvarinen, 2012:

Michael U. Gutmann and Aapo Hyvarinen. Noise-contrastive estimation of unnormalized statistical

models, with applications to natural image statistics. Journal of Machine Learning Research, 13:

307––361, 2012.

Logeswaran & Lee, 2018

Lajanugen Logeswaran and Honglak Lee. An effificient framework for learning sentence representa

tions. In Proc. of ICLR, 2018.

van den Oord et al., 2019

Aaron van den Oord, Yazhe Li, and Oriol Vinyals. Representation learning with contrastive predictive

coding. arXiv preprint 1807.03748, 2019.

Zhuang Ma and Michael Collins. Noise contrastive estimation and negative sampling for conditional models: Consistency and statistical efficiency. arXiv preprint arXiv:1809.01812, 2018.

DIM; Hjelm et al.,2019

Hjelm, R.D., Fedorov, A., Lavoie-Marchildon, S., Grewal, K., Bachman, P., Trischler, A. and Bengio, Y., 2018. Learning deep representations by mutual information estimation and maximization. arXiv preprint arXiv:1808.06670.

Bachman, P., Hjelm, R. D., & Buchwalter, W. (2019). Learning representations by maximizing mutual information across views. In Advances in Neural Information Processing Systems (pp. 15535-15545).

Oord, A. V. D., Li, Y., & Vinyals, O. (2018). Representation learning with contrastive predictive coding. arXiv preprint arXiv:1807.03748.

Lai, C. I. (2019). Contrastive Predictive Coding Based Feature for Automatic Speaker Verification. arXiv preprint arXiv:1904.01575.

Liu, X., Zhang, F., Hou, Z., Wang, Z., Mian, L., Zhang, J., & Tang, J. (2020). Self-supervised learning: Generative or contrastive. arXiv preprint arXiv:2006.08218.

Tschannen, M., Djolonga, J., Rubenstein, P. K., Gelly, S., & Lucic, M. (2019). On mutual information maximization for representation learning. arXiv preprint arXiv:1907.13625.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. In Advances in neural information processing systems (pp. 5998-6008).

Giorgi, J. M., Nitski, O., Bader, G. D., & Wang, B. (2020). DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations. arXiv preprint arXiv:2006.03659.

Augmented Multiscale DIM:

1. local DIM

至于DIM：

原文要做的就是训练表征学习函数（即编码器）以最大化其输入和输出之间的互信息，在此基础上提出了DEEP INFOMAX(DIM)模型。本文模型主要有四方面：

1. 不仅考虑整体输入与输出的互信息，而且将局部输入与输出的互信息考虑进去优化。
   (2)采用了噪声对比估计(Noise Contrastive Estimation，NCE)方法训练鉴别器。在NLP任务 中它还有另外一个名字--'负采样'，后面会介绍它的用处。
   (3)使用对抗学习来约束具有特定于先验的期望统计特性的表征。说白了就是让表征向量的先验分布是高斯分布。
   (4)引入了两种新的表征质量的度量，一种基于 MINE，另一种是 Brakel＆Bengio 研究的的依赖度量，研究者用它们来比较不同无监督方法的表示。

infomax原理(Linsker, 1988;Bell & Sejnowski, 1995)

来自Deep InfoMax中

Mutual-information estimation Methods based on mutual information have a long history in

unsupervised feature learning. The infomax principle (Linsker, 1988; Bell & Sejnowski, 1995),

as prescribed for neural networks, advocates maximizing MI between the input and output. This

is the basis of numerous ICA algorithms, which can be nonlinear (Hyvarinen & Pajunen, 1999;  

Almeida, 2003) but are often hard to adapt for use with deep networks.

ICML2018：MINE: Mutual Information Neural Estimation

作者认为，利用神经网络的梯度下降法可以实现高维连续随机变量之间互信息的估计，提出了Mutual Information Neural Estimator (MINE)，在维度和样本量上都是线性可伸缩的，可以通过反向传播进行训练，并且具有高度一致性。

Some Questions:

Can someone help me with the following:

1. A simple explanation of how NCE works (I found the above difficult to parse and get an understanding of, so something intuitive that leads to the math presented there would be great)

1. After point 1 above, a naturally intuitive description of how this is different from Negative Sampling. I can see that there's a slight change in the formula but could not understand the math. I do have an intuitive understanding of negative sampling in the context of word2vec - we randomly choose some samples from the vocabulary V and update only those because |V| is large and this offers a speedup. Please correct if wrong.
2. When to use which one and how is that decided? It would be great if you could include examples(possibly easy to understand applications)
3. Is NCE better than Negative Sampling? Better in what manner?

通俗理解NCE loss:

Intuitive explanation

NCE loss的直观想法：把多分类问题转化成二分类。

之前计算softmax的时候class数量太大，NCE索性就把分类缩减为二分类问题。

之前的问题是计算某个类的归一化概率是多少，二分类的问题是input和label正确匹配的概率是多少。

二分类问题群众喜闻乐见，直接上logistic regression估算一下概率。

关于Contrastive Predictive Coding

几个CPC的特性：

1.CPC是一个无监督的方法

2.它可以用于序列数据，也可以用于图片

3.从标题可以看到，这个方法的重点在于representation learning

主要工作是：

论文主要工作：
1、将高维数据编码到一个更容易对任务进行建模的低维隐空间中；
2、在隐空间中运用了一个强大的自回归模型，来预测未来特征或步骤；
3、为了实现端到端的网络训练，使用了对抗噪声估计作为损失函数。

Tips：可能会用到的文字：我们的数据具有维度高、label相对少的特性，我们并不希望浪费掉没有label的那部分data。所以在label少的时候，unsupervised learning可以帮助我们学到data本身的high-level information，这些information能够对downstream task有很大的帮助。

关于word2vec和CPC的关系：待写

关于互信息的文字（Mutual Information）表示两个变量 X和Y之间的关系，可以解释为由X的引入而使得Y的不确定度减小的量，I(X,Y)越大说明两者关系越密切

对比损失的idea是让原本分布相似的样本在降维后也相似，原本不相似的在降维后也保持不相似。

噪声对抗估计（Noise Contrastive Estimation, NCE）：在NLP任务中一种降低计算复杂度的方法，将语言模型估计问题简化为一个二分类问题。

负采样（Negative Sampling, NEG）：表示负采样，是NCE的一个简化版本，目的是提高训练速度，改善所得词向量的质量。采用了相对简单的随机负采样，本文中选择数据集中一个是正样本，其他均为负样本。

Tips：

对比学习和GAN网络以及NCE存在很大联系，可以将其看做是一个查字典的过程，在输入高维连续的数据上建立字典，构造一个对比损失函数，让每个查询样本和它唯一对应的键值关联最大，和其他键值关联最小。其中查询样本是输入数据经由编码器在隐空间的低维表示向量，键值则是更具高层语义信息的内容表示向量。

关于AMDIM：

DIM（Deep InfoMAX）主要使用最大化互信息的思想，同一张图的局部特征和全局特征应高度相关，另一张的局部特征不相关。采用NCEloss得到score

AMDIM理解是在DeepInfoMAX的基础上加了一个multi-scale，即不同尺度上的feature也可以组成正负pair。

Augmented Multi-scale DIM (AMDIM)。这篇文章提出可以用不同的增强数据的方式，定义局部和全局的互信息损失。在DIM是一个视图生成的“Real”和“Fake”之间的对比，而在AMDIM则是在不同增强视图之间“Real”和“Fake”之间的对比，也就是更好地利用全局信息。

关于事物本质的一些说明：

Tips:个人理解，其实任意挖掘对象之间联系、探索不同对象共同本质的方法，都或多或少算是自监督学习的思想。原始的监督学习、无监督学习，都被目所能及的一切所约束住，无法泛化，导致任务效果无法提升，正是因为自监督探索的是更本质的联系，而不是表像的结果，所以其效果通常出乎意料的好。自监督学习的前两类方法，其核心想法其实都是想去探索事物的本质。

Contrastive Self-Supervised Learning

当前研究的重心主要偏向对比式的自监督学习。这些突破性的工作主要有Deep InfoMax、MoCo、SimCLR

对比学习最初是想通过Noise Contrastive Estimation(NCE)学习目标对象之间的差别。目标对象之间的区别其实就是相似程度，相似程度是一个比较主观的概念，其实是同任务有关的。通常我们说的挖掘信息，就是在增加衡量相似程度的指标

最早衡量两个节点相似程度的方法是DeepWalk，从一个节点所能到其他节点的概率，这就是它的相似性。

训练这类模型的方法通常有两种，一种是通过定义损失函数，并采样正负例使损失函数最小，另一种方法是直接求解损失函数的极值，通过矩阵分解的方式求最优解。由此，NCE的核心其实是在损失函数，即：

而Deep InfoMax 则是在NCE的基础上，走出了另一个道路，其目标为：

自监督的三种模式：https://www.codercto.com/a/106153.html

关于更多的：

InferSent is a sentence embeddings method that provides semantic representations for English sentences. It is trained on natural language inference data and generalizes well to many different tasks.

We provide our pre-trained English sentence encoder from our paper and our SentEval evaluation toolkit.

Recent changes: Removed train_nli.py and only kept pretrained models for simplicity. Reason is I do not have time anymore to maintain the repo beyond simple scripts to get sentence embeddings.

一些说法：对比自监督学习（CLS）是从无标签数据中选择和对比Anchor，Positive，Negative（APN）三种特征，学习到有用表征的方法。（SimCLR）

关于InfoMin（合适大小的互信息）的一些文字：

两个view之间互信息逐渐增大，当小于  的时候，与任务y相关的特征并没有完全的表示出来，所以性能是欠佳的。而当 大于  的时候，除了任务相关的信息被表示出来之后，其他干扰项也存在两个view之间，那么就无法确定通过这两个view学到的一定是任务相关的信息了。比如要找到图像中哪些是猫，哪些是狗，而两个表示不仅仅把类别区分开，还把颜色也区分开来了，两个view都是把猫和黄色绑定在一定了，那么就可能导致模型认为黄色的才是猫，其他的不是。

所以就很明显的当达到sweet point的时候，模型才有最佳的transfer performance。

以上分析，应该已经能够说明，不是互信息越大越好，而是要恰到好处，任务相关的最大，不相关的最小，才是最好。

关于self-supervised contrastive loss的一些说法：

回顾一下self-supervised contrastive loss。我尝试用自己的语言简单概括一下：所谓self-supervised contrastive loss，也即一没有label信息，二是通过对比构建出loss，完全通过对比一个个无label的data，从而对data学习出一个有效的representation。而既然要对比，就有高低之分，也即我们需要定义一个representation之间的similarity，对于是vector的representation，最直接的度量就是欧式距离，或者可以用其他类似余弦距离或者inner product（本文采用了inner product）这样的度量

直接把self-supervised contrastive loss放出来，大家可能看得更直观，简单一点来说，对于一个data sample: x，通过data augmentation（像moco v1用的random crop就是一种augmentation）得到两个x_i（anchor），x_j（positive sample）。我们要拉近x_i和x_j的representation的距离，同时拉远x_i和其他数据（negative sample）的representation的距离

如上图，分子即是x_i和x_j的representation距离，分母即是x_i和所有数据（negative sample和positive sample）的representation的距离，最小化这个loss。目的也就达成了