關(guān)于對比學(xué)習(xí)中的損失函數(shù)

問題來源于知乎

為什么在對比學(xué)習(xí)的損失函數(shù)中,分母里沒有正樣本柄错??

在很多對比學(xué)習(xí)的論文中,都聲稱自己使用了cross-entropy的loss函數(shù)。然而,如果按照cross-entropy的方法來計算氧映,分母中應(yīng)當(dāng)存在正樣本的相似度值。

舉個例子:用分類的思想做對比學(xué)習(xí)脱货,那么岛都,正樣本可以得到一個相似度s_p,負樣本得到一個相似度s_n?振峻。然后臼疫,再用softmax進行歸一化,再做cross-entropy的loss扣孟。如果要預(yù)測正樣本為真多矮,那對應(yīng)的loss自然就是:

\mathcal{L}=-\frac{\exp{(s_p)}}{\exp{(s_p)}+ \exp{(s_n) }}

然而,在很多高引論文中哈打,使用的卻不是這種loss(同時他們也聲稱使用了cross entropy與分類的思想)。例如:

Representation Learning with Contrastive Predictive Coding(CPC)中讯壶,它們使用的loss是:

\mathcal{L}_N=- \mathop{\mathbb{E}}_X \Big[ \log \frac{f_k(x_{t+k},c_t)} {\sum_{x_j \in X}f_k(x_j, c_t)}\Big ]

同時料仗,論文中也這樣寫道:

The loss in Equation 4 is the categorical cross-entropy of classifying the positive sample correctly.

(式4中的損失為正確分類正樣本的類別交叉熵。)

A Simple Framework for Contrastive Learning of Visual Representations文中伏蚊,loss也是如此:

\ell_{i,j}=- \frac{\exp(\mathbb{sim}(z_i,z_j)/\tau)}{\sum_{k=1}^{2N}\mathbb{1}_{[k\neq i]} \exp(\mathbb{sim}(z_i,z_k)/\tau)}

(latex小貼士立轧,此處的l并非是手寫體的l,是latex中為了區(qū)分l與1而設(shè)置的小寫l,\ell氛改。)

然而帐萎,論文中還是聲稱使用了cross-entropy的loss:

for convenience, we term it?NT-Xent?(the normalized temperature-scaled cross entropy loss).

高贊回答:

第一個例子:InfoNCE的分母就是對包括正例和負例在內(nèi)的N個樣本求和,沒有排除正例胜卤。這里正樣本對由當(dāng)前上下文和基于上下文的預(yù)測組成疆导,負樣本對由當(dāng)前上下文和從噪聲分布中采樣的噪聲樣本組成,共有N-1個 負樣本對葛躏。

第二個例子:SimCLR分母中?1_{[k\neq i]}排除的是樣本和自身的相似度澈段,仍然沒有排除正例(正例是樣本及其增廣)。負樣本對由樣本和任意其他樣本和樣本變換組成锌介,共有2N-2個負樣本對脚仔。

負樣本數(shù)量越大越好兔甘。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市兽叮,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌猾愿,老刑警劉巖鹦聪,帶你破解...
    沈念sama閱讀 211,817評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異匪蟀,居然都是意外死亡椎麦,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評論 3 385
  • 文/潘曉璐 我一進店門材彪,熙熙樓的掌柜王于貴愁眉苦臉地迎上來观挎,“玉大人,你說我怎么就攤上這事段化∴医荩” “怎么了?”我有些...
    開封第一講書人閱讀 157,354評論 0 348
  • 文/不壞的土叔 我叫張陵显熏,是天一觀的道長雄嚣。 經(jīng)常有香客問我,道長喘蟆,這世上最難降的妖魔是什么缓升? 我笑而不...
    開封第一講書人閱讀 56,498評論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮蕴轨,結(jié)果婚禮上港谊,老公的妹妹穿的比我還像新娘。我一直安慰自己橙弱,他們只是感情好歧寺,可當(dāng)我...
    茶點故事閱讀 65,600評論 6 386
  • 文/花漫 我一把揭開白布燥狰。 她就那樣靜靜地躺著,像睡著了一般斜筐。 火紅的嫁衣襯著肌膚如雪龙致。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,829評論 1 290
  • 那天顷链,我揣著相機與錄音目代,去河邊找鬼。 笑死蕴潦,一個胖子當(dāng)著我的面吹牛像啼,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播潭苞,決...
    沈念sama閱讀 38,979評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼忽冻,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了此疹?” 一聲冷哼從身側(cè)響起僧诚,我...
    開封第一講書人閱讀 37,722評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎蝗碎,沒想到半個月后湖笨,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,189評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡蹦骑,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,519評論 2 327
  • 正文 我和宋清朗相戀三年慈省,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片眠菇。...
    茶點故事閱讀 38,654評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡边败,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出捎废,到底是詐尸還是另有隱情笑窜,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布登疗,位于F島的核電站排截,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏辐益。R本人自食惡果不足惜断傲,卻給世界環(huán)境...
    茶點故事閱讀 39,940評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望智政。 院中可真熱鬧艳悔,春花似錦、人聲如沸女仰。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,762評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽疾忍。三九已至乔外,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間一罩,已是汗流浹背杨幼。 一陣腳步聲響...
    開封第一講書人閱讀 31,993評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留聂渊,地道東北人差购。 一個月前我還...
    沈念sama閱讀 46,382評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像汉嗽,于是被迫代替她去往敵國和親欲逃。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,543評論 2 349

推薦閱讀更多精彩內(nèi)容