在本文中，我們將介紹亞馬遜團隊在ACL2022中的一篇論文VaSCL，該論文在SimCSE的基礎上，提出了一種基于k近鄰與高斯噪聲的虛擬困難樣本增強方法。作者在無監督訓練中，進行困難樣本增強，從而提高了模型的性能，并且超過了SimCSE。

論文標題：

Virtual Augmentation Supported Contrastive Learning of Sentence Representations

論文鏈接：

https://arxiv.org/abs/2110.08552

01

引言

在ACL2021中，陳丹琦團隊提出了使用Dropout進行正樣本增強的對比學習方法SimCSE，該方法操作簡單卻十分有效，在無監督對比學習中取得了非常好的效果。在有監督SimCSE中，作者對困難負樣本的作用進行了探究實驗，實驗結果證明，引入困難負樣本后，有監督SimCSE的指標從84.9提升至86.2。這說明，在對比學習中，引入困難樣本是能夠提升模型效果的。

然而在無監督SimCSE中，作者僅使用dropout的方式進行了正樣本增強，沒有額外引入困難樣本，這在一定程度上限制了模型的能力。基于這個動機，亞馬遜提出了一種基于k近鄰與高斯噪聲的虛擬困難樣本增強的無監督對比學習方法VaSCL。

02

論文解讀

基于Dropout的對比損失

在介紹VaSCL模型之前，我們先簡單回顧一下無監督SimCSE。假設訓練時的batch size為N，將一個batch的數據記作，將同一個樣本分別輸入模型中兩次，使用不同的dropout mask編碼得到兩個向量和。則在規模為N的batch中，與的InfoNCE損失為：

基于k近鄰的虛擬增強對比損失

在無監督SimCSE的損失函數的基礎上，作者還設計了一種基于k近鄰的虛擬困難樣本增強的損失函數。

將通過模型編碼之后得到向量序列。

作者通過以下方式獲得第i個句向量的虛擬困難樣本：

正樣本增強：對添加高斯噪聲，得到，其中就是經過高斯增強后的正樣本。

獲得k近鄰：獲得在中距離最近的k個負樣本，在本文中我們稱之為k近鄰，記作。

對于來說，是正樣本，是負樣本集合。則對于，k近鄰虛擬增強的對比損失如下。分子表示拉近與的距離，分母表示拉遠與負樣本之間的距離。

在CV中，我們會為輸入的圖片添加高斯噪聲以增加模型的泛化性。添加了高斯噪聲的圖片，肉眼能看出微小的區別，但不會影響整張圖片的語義信息。所以為句向量添加合適的高斯噪聲，理論上也不會對句向量的語義信息產生很大的改變。

在的k近鄰中，存放的是距離最近的k個負樣本，也就是與最相似的k個負樣本。只要batch size足夠大，我們可以近似認為，就是的困難負樣本集合，同樣也是的困難負樣本集合。

如何獲得上述的高斯噪聲呢？最容易想到的做法便是隨機生成一個高斯噪聲，直接添加到句向量中。但是為了提高模型的訓練難度，生成更高質量的高斯噪聲，作者生成若干個候選高斯噪聲，然后選出一個使得最大化的高斯噪聲。

從上述操作可以看出，對于最優的高斯噪聲，作者希望它增強后的正樣本與的距離盡可能遠，與負樣本的距離盡可能近，作者希望這個高斯噪聲能夠對模型產生盡可能大的迷惑性。通過這個高斯噪聲，我們就可以得到困難正樣本，并且從某種意義來說，也使得與的距離盡可能拉近，達到了增強負樣本難度的目的，做法確實挺巧妙。

VaSCL對比損失

將上述兩種對比損失進行組合，得到最終的VaSCL損失函數：

這個損失函數的含義如下：

對于每個句子，拉近同一個句子經過dropout之后的兩個句向量之間的距離，拉遠它們與其他句子的距離。

對于每個句子，拉近原句向量與高斯噪聲增強之后的句向量的距離，拉遠它們與k近鄰負樣本之間的距離。

03

實驗結果

作者分別在STS任務、短文本聚類、意圖識別等任務中進行了實驗，實驗結果如下表所示。可以看到，在三種任務中，絕大部分數據集上，VaSCL的表現都要優于SimCSE，這表明了基于k近鄰與高斯噪聲的困難樣本增強的有效性。

04

總結

SimCSE通過dropout mask這種簡單的方法，避免了人工進行正樣本增強所帶來的語義改變的問題，并且在無監督訓練中取得了不錯的效果。而VaSCL論文延續了SimCSE這種思想，引入了高斯噪聲進行正樣本增強，有著異曲同工之妙。

VaSCL在SimCSE的基礎上，也進行了困難樣本的增強。在進行高斯噪聲增強時，使得增強的樣本與原始樣本盡可能不相似，與負樣本盡可能相似，已達到【混淆視聽】的效果。通過這種方式，VaSCL在絕大多數據集上的表現，也超過了SimCSE。

審核編輯 ：李倩