Representation Learning with Contrastive Predictive Coding 论文阅读

前阵子读了一篇对比学习（Contrastive Learning）领域的经典论文《Representation Learning with Contrastive Predictive Coding》（Contrastive Predictive Coding 又简称 CPC），因为论文确实有点难理解，洛基也是在网上翻找了许多博客资料（在此对他们表示感谢，参考博文的链接会在文末附上），前后花了有一周时间，硬啃公式之后才理解了几成，所以在此把自己的理解记录一下，希望能帮到同样在看这篇论文的你们。

首先要说的是，对比学习是我的陌生领域，因为洛基现在主要从事NLP方向的工作，而对比学习在图像领域应用的更多，正是因为对该领域的陌生导致了我初看这篇论文时一头雾水。所以在讲这篇论文之前，就让我先从“对比学习”开始讲吧。

1 对比学习 Contrastive Learning

1.1 对比学习：动机

所谓“对比学习”是一个图像领域的重要概念，举个例子来说明对比学习的研究动机：我们都见过钞票，但是一般人都画不出一模一样的钞票，虽然我们还原不了钞票的完整信息，但是仍然可以一眼就识别出一张钞票，（这里不考虑假币的情况），那么基于这种现象，可以认为模型在学习representation的时候，并不一定要关注到样本的每个细节，只需要学到的特征能够使其和其他样本区别开来，这样的representation就能在一些任务上发挥良好效果了。

洛基是这样理解对比学习的：对比学习是为了在不关注样本全部细节的情况下，将样本转化为表征（representation，比如用一个编码器将数据编码成高维向量，就可以将得到的向量称为是数据的representation），使得representation包含了更显著的、重要的、有区分度的特征，学到这样的表示之后，用来帮助提升下游任务的性能。（有不同的见解欢迎批评指正~）

1.2 对比学习：目标

既然对比学习是要学习representation，直觉告诉我们，好的representation是要能具有区分度的，所谓区分度，举个例子说明：有三个样本组成的集合{x，x+，x-}， x+ 表示和 x 相似的样本， x- 表示和 x 不相似的样本，“区分度”意味着，x 的representation和 x+ 的representation要较为相似，而 x 的representation和 x- 的representation要较不相似，那样的representation就是有区分度的。

按照上面的思路，我们来理解一下对比学习的目标。

用 s(a, b) 表示计算 a 和 b 的相似度，f(·) 表示能将 x 转化为representation的映射函数，x+ 是相似样本，x- 是非相似样本，则对比学习的目标就是学习这个映射函数 f(·)，使得 f(·) 满足下面的式子：

 

比较简单的一种向量相似度的计算方式，就是将向量经过归一化的激活函数之后，再做向量的内积操作。所以我们假设s(a,b)表示a和b的内积，那么那么我们希望给定一个样本x，要使得x的representation和所有x+的representation的内积尽可能大，而x和所有x-的representation的内积尽可能小。如果用一个二分类的softmax来表示的话，就是下面公式1的期望尽可能的大：

    （公式1）

根据最大化期望的目标，也就可以推出损失函数的形式，为了方便求导，取1式的负对数作为损失函数即可，得到二分类的损失函数如公式2所示：

 （公式2）

通常在实践中会设定每一轮优化时，采样N个样本，用1个相似本和N-1个不相似样本来计算损失（至于为什么这样采样，后面会讲），那么这个Loss就可以看做是一个 N 分类的交叉熵Loss，所以对比学习的损失函数又被表示成下面的公式3(该损失函数在对比学习的文章中被称为 InfoNCE  Loss)：

 （公式3）

公式3是噪声对比估计（NCE）的损失函数，那么对上面的这个损失函数进行优化，就可以完成我们的最初的目标，也就是让x经过 f(·) 映射函数之后，得到的编码和 x+ 的编码相似度尽可能高，和 x- 的比编码相似度尽可能低。这是对比学习的一个通用的目标。其实这个优化过程和负采样的思路是相通的，做NLP的朋友应该熟悉word2vec词向量，word2vec有两个加速训练的方法，其中一个就是负采样，负采样可以i避免在整个词典上进行softmax时候计算量巨大的问题，而对比学习也是为了不对全局的特征进行建模，只关注重要的特征。

2 对比预测编码 Contrastive Predictive Coding

2.1 Contrastive Predictive Coding基本框架

理解了对比学习的大体思想，我们再来学习CPC的论文。本文会用一个从后往前推的思路来讲解CPC论文的思想，至于为什么从后往前推是因为这是洛基当时理解这篇文章的顺序，刚开始洛基从前往后看这篇论文的时候也是很多地方都不懂=。=！

好了接下来进入正题，先说CPC的模型框架，CPC的框架可以用下面这幅图来展示：

        

虽然上图是对语音序列的建模，但我们仍然可以从NLP的角度来理解。上图中，genc是单词的编码器，gar是自回归模型（比如RNN），zt是编码器对输入单词编码之后的representation，ct是通过自回归模型把t时刻以及之前所有时刻的representation考虑进去之后得到的上下文向量；绿色的方块，表示一个“预测+相似度计算”的全过程，具体地：先根据上下文向量Ct，用一个新的自回归模型（比如单个的GRU单元）得到的一个编码，这个编码用来表示当前时刻 t 的下一个单词【zt+1】的编码预测值，然后再把预测的编码和正样本 zt+4 这个representation 进行相似度计算。同理，红色方块就是计算预测编码和负采样的样本 zt* 进行相似度计算，注意，zt* 是从整个序列上随机采样的样本，与对比学习的“负样本”要区别开来。后面会说明为何作者是这样采样的。在明确上图中绿色方块和红色方块的过程之后，我们可以发现，损失函数的计算方式，就是绿色方块计算得到的相似度值与红色方块的相似度值，进行softmax之后的负对数似然损失，等价于对比学习的损失函数形式。论文中给出的损失函数是：

（公式4）

其中：

2.2 对比预测编码的损失函数——最大化互信息的理解

 现在我们已经知道了CPC的损失函数形式，和对比学习的损失如出一辙。不同的地方仅仅在于，正样本是当前时刻 t 之后的一定窗口内的单词，而负样本变成了整段序列随机采样的样本了。

假如我们从概率论的角度来理解这个损失函数，假如给定一段训练样本X={x1, x2, … xN}，其中有1个样本是正样本，采样于p(xt+k|ct), 也就是t时刻的窗口内的样本分布，而其他样本是在整个序列上随机采样的，即采样于p(x)，用d=i表示第i个样本xi是正样本，假如整段序列上随机采样了某个单词，模型要在给定上下文ct的情况下，预测该单词是正样本（即该单词是ct的下文）的概率，则通过全概率公式可以得到下面的式子：

（公式5）

最大化公式5，就相当于使得给定上下文ct的情况下，正样本xi的概率最大化，而给定ct时候其他样本xj(j≠i)的概率之和最小，这个目标和CPC的损失函数（公式4）的优化目标是一致的。那么通过对对比公式4（CPC的损失函数）和公式5的形式，

有什么发现？没错，最小化CPC的损失函数，等价于最大化损失函数的对数项里的那个分数，其效果等价于最大化公式5的期望值，所以论文中直接给出了那个让人初看时云里雾里的约束：

（公式6）

好了，接着往回推，来看论文最初提到的“互信息”这个概念。假如用H(x)表示x的熵，用以衡量x的不确定程度，则将互信息的定义公式进行展开，可以得到下面的结果：

可以看到，互信息可以表示在上下文 c 引入之后，使得 x 不确定性程度减小的量。

CPC论文的目标是最大化互信息，我们来对比一下互信息的表达式（下图的上面部分）以及公式6：

        

对比上图的两个公式，针对一段给定的序列，互信息表达式中的p(x,c)也是确定的，那么互信息的大小就取决于表达式右边的对数项 log[ p(x|c) / p(x) ]，我们要最大化互信息，等价于让 log[ p(x|c) / p(x) ]的值最大化，而当该对数项满足公式6的约束条件时，最大化互信息等价于最大化 fk，也就等价于最小化CPC提出的那个损失函数了。综上所述，我们就完成了CPC论文思路的理解。

这里再解决一下之前提到的一个问题——为什么负采样是在整段序列上进行采样，那样不是会采样到窗口内的单词吗？这里说一下我个人的理解，欢迎指正。我们知道，正样本来源于 t 时刻的一定窗口内的单词，按照正常思路，负样本应该来源于窗口以外的单词，这里有一个问题，假如一段长的序列，窗口内的单词在窗口外也出现了（比如“你，我”等常见词），这仍然不能避免负采样取到窗口内单词。所以作者直接在整段序列上进行负采样，负样本来源于整段序列的分布，正样本来源于窗口内单词的分布，这样做是为了让模型在给定一个context情况下判断某个样本来源于窗口内分布还是整段序列的噪声分布，也就是只需要模型可以区分窗口内分布和整段序列的噪声分布，这其实是一种退而求其次的方法，因为负采样本身就是为了避免在整个词典上进行softmax的开销过大问题，假如纠结负采样会采样到真实样本，那么干脆直接不要负采样，就在整个词典上进行正样本与其他单词的区分就好了（这样做显然是没必要的）。所以，CPC论文的负采样就直接在整段序列上进行采样，当序列长度足够长，且负采样的次数足够多时，这么做是能够很好的模拟真实噪音分布的，而CPC的论文实验部分也证明了这一点。

3 参考文献

https://spaces.ac.cn/archives/6024 深度学习的互信息：无监督特征提取 【科学空间】

https://zhuanlan.zhihu.com/p/137076811 浅析Contrastive Predictive Coding 【知乎】

https://zhuanlan.zhihu.com/p/75517749 真正的无监督学习之一——Contrastive Predictive Coding 【知乎】

https://zhuanlan.zhihu.com/p/141141365 对比学习（Contrastive Learning）相关进展梳理 【知乎】

https://blog.csdn.net/newworld123made/article/details/103450690 论文阅读：Representation Learning with Contrastive Predictive Coding 【CSDN】