对比学习总结1

1.CV

百花齐放

InstDisc

提出了个体判别任务memory bank(字典形式)。正样本为自己,负样本为所有其他图片,负样本的特征存放在memory bank中。loss使用的是NCE loss。

InstDisc

skills: 由于memory bank里的特征数量通常较大,Proximal Regularizatio对memory bank里的特征进行动量更新,节省时间和内存。

InvaSpread

基本的对比学习,相似的物体特征应该保持不变性,不相似的物体特征应该尽量分散开。选取了个体判别任务。正样本为自己经过数据增强后的图片,负样本为batch size里其他图片(包括原始图片和其数据增强后的图片),这样的好处在于,可以只用一个编码器去做端到端的训练。使用的loss为NCE loss的变体。

InvaSpread

CPC

选取了预测型的任务来做对比学习,对于模型的预测结果(z_t+1)来说,正样本为未来时刻的输入(x_t+1)通过编码器的输出,负样本为任意输入通过编码器的输出。

CPC

CMC

多视角的对比学习,目的是增大所有视角之间的互信息,对于某个物体来说,正样本为其在其他视角(模态)下的信息,负样本为其他与物体

CMC

CV双雄

MoCov1

把之前对比学习的方法都归纳成一个字典查询的问题,思路和**InstDisc很类似。文章中提出了两个东西:队列动量编码器**,队列用来存储负样本的特征,动量编码器用来动态更新encoder,而不是动量的去更新负样本的特征。loss用的是info NCE loss。

MoCov1

创新点:动量编码器,后续对比学习的工作还在沿用这个skill。

SimCLRv1

正负样本的构造方式与InvaSpread相同,正样本为数据增强后的样本,负样本为batch里其他及其数据增强后的样本,simclr与InvaSpread的区别在于使用了更多的数据增强方式,在encoder后面增加了一个g函数(全连接层),用了更大的batch size(4096)。

SimCLRv1

创新点:在编码器后面加了一个mlp层(projector),效果有了很大的提升。

MoCov2

在原来的moco上面做了一些简单的改动,借鉴了simclr里面的一些技术,使用了更多的数据增强方式,以及在编码器后面加了一个mlp层,同时模型的训练epoch数也增加了(由200增加到800)。通常来说,无监督模型或者大型模型,训练越久模型效果越好。

MoCov2

SimCLRv2

文章主要在讲大模型如何去做半监督学习。相比于simclr v1,论文的主要改动在于:换了一个更大的网络,实验了不同深度的mlp层(projection head),使用了动量编码器。

SimCLRv2

SWaV

将对比学习和聚类的方法融合在了一起,将样本去跟负样本的聚类中心做对比。基本流程是样本x通过数据增强得到$x_1, x_2$,再通过一个编码器$f(\theta)$得到两个特征$z_1,z_2$,接下来在与聚类中心c进行计算得到ground truth $Q_1,Q_2$,对$Q_1, Q_2$进行训练。

SWaV

skill: Multi-crop

不用负样本

BYOL

样本x通过两次不同的数据增强得到两个样本$v,v’$,再通过两个不同的编码器$f(\theta)$(结构一样,参数不一样)得到两个特征$y_{\theta},y_{\epsilon}$,然后再通过两个不同的mlp层得到$z_{\theta}, z’{\epsilon}$,最终$z{\theta}$通过一个全连接层$q_{\theta}$(网络结构与$g_{\theta}$相同)得到$q_{\theta}(z_{\theta})$,通过让$q_{\theta}(z_{\theta})$去学习$sg(z’_{\epsilon})$来完成训练。其中下面的编码器和projector采用的是动量更新(类似于MoCo)。loss使用的是mse loss

BYOL

注:论文中使用的mlp层结构如下:

import torch.nn as nn

def MLP(dim, projection_size, hidden_size=4096):
    return nn.Sequential(
        nn.Linear(dim, hidden_size),
        nn.BatchNorm1d(hidden_size),
        nn.ReLU(inplace=True),
        nn.Linear(hidden_size, projection_size)
    )

若去掉mlp层中的BatchNorm部分,模型效果会大大降低,原因在于去掉后会影像模型的初始化参数。

SimSiam

思路跟BYOL类似,样本$x$通过两次数据增强得到$x_1, x_2$,$x_1$通过编码器f和一个projector得到h,通过h去学习$x_2$。由编码器f解码出来的特征来完成训练,其中stop-grad至关重要。

SimSiam

simsiam与其他模型的对比如下:

simsiam与其他模型的对比

Transformer

MoCov3

模型网络结构融合了MoCo V2和SimSiam

MoCov3

trick:MoCo V3将编码器由原来的resnet换成了VIT,且在训练时将VIT 的patch projection层冻住(batchsize变大效果反而变差的问题在于patch projection层在训练时梯度过大)。

DINO

思路和训练过程跟MoCo V3类似。

DINO

CLIP

将文本信息和图片信息相结合。训练时,配对的图片和描述文本为正样本,不配对的图片和文本描述为负样本,然后利用对比学习来训练。预测时,通过prompt来构造文本描述,然后计算每个选项的置信度。论文的创新点在于:1.对于分类或检测任务,训练时不用再指定类别,只要在训练数据中出现过的类别,模型都可以通过prompt的形式来预测出来;2.打通了文本和图像的限制,文本编码器和图像编码器都可以使用transformer结构,为后续多模态模型的发展提供了统一框架的可能。

CLIP

2.NLP

SimCSE

SimCSE论文中介绍了无监督和有监督两种训练方式。无监督训练时,作者将每个batch内的句子dropout两次,自己和自己为正样本,和batch内的其他句子为负样本,使用的loss为NSE loss

$$ l_i = -\log \frac{e^{sim(h_i^{z_i}, h_i^{z_i'})/ \tau}}{\sum_{j=1}^N e^{sim(h_i^{z_i}, h_j^{z_j'})/ \tau}} $$

其中$h_i^{z_i}, h_i^{z_i’}$为样本$h_i$经过两次dropout后的结果。

有监督训练时,对于样本对$(h_i, h_i^+, h_i^-)$,使用的loss如下:

$$ -\log \frac{e^{sim(h_i, h_i^+)/ \tau}}{\sum_{j=1}^N \bigg( e^{sim(h_i, h_j^+)/ \tau} + e^{sim(h_i, h_j^-)/ \tau} \bigg)} $$

SimCSE

trick: 作者使用dropout作为数据增强的方式,实现时每个batch内放两次同一个句子即可,又简单又有效果,可谓大道至简了。

另外作者还提出了用Alignment(对齐性)和Uniformity(均匀性)来衡量一个模型的好坏,一个好的对比学习模型,应该是将相似的样本映射到尽可能聚拢的空间上,即具有对齐性;将不相似的样本映射到尽可能发散的空间上,即具有均匀性。

ESimCSE2

ESimCSE为SimCSE的增强版。SimCSE直接通过dropout两次来构造正样本,这样会导致正例对具有相同的长度,而负例对通常包含不同的长度信息,模型有可能会通过这一特征来区分正负样本。针对这一点,作者提出了Word Repetition的方法,即随机复制句子中的一些单词来使正例对的长度不同。另外作者还使用了动量编码器,动量编码器最早在MoCo中就有使用。

EsimCSE

ConSERT3

作者也是在SimCSE的基础上进行了改进,主要改进点如下:

  • 一个数据增强模块,作用于Embedding层,为同一个句子生成两个不同的增强版本(View);
  • 一个共享的BERT编码器,为输入的句子生成句向量。
  • 一个对比损失层,用于在一个Batch的样本中计算对比损失,其思想是最大化同一个样本不同增强版本句向量的相似度,同时使得不同样本的句向量相互远离。

ConSERT

作者探索了不同的数据增强方式,包括对抗攻击打乱词序裁剪Dropout,其中裁剪包括Token Cutoff(随机选取Token,将对应Token的Embedding整行置为零)和Feature Cutoff(随机选取Embedding的Feature,将选取的Feature维度整列置为零)。作者的结果显示打乱词序和Feature Cutoff的组合取得了最优性能。此外,就单种数据增强方法而言,打乱词序 > Token Cutoff » Feature Cutoff ≈ Dropout » None。

3.总结

对比学习总结

参考资料