NeurIPS 2020 | 聚焦自监督学习

©PaperWeekly 原创 · 作者｜张一帆

学校｜华南理工大学本科生

研究方向｜CV，Causality

知乎ID｜yearn

本文梳理了四篇来自 NeurIPS 2020 和对比学习相关的文章，其中两篇为 spotlight。

InvP

论文标题：

Unsupervised Representation Learning by Invariance Propagation

论文链接：

https://arxiv.org/abs/2010.11694

Conclusion: 学习 category-level 的不变性表示。

传统的 contrastive learning 是属于 instance-level 的不变性表示，即每个图片单独为一类，该图片与其 argumented images 包含的类别信息保持不变，但是不能保证同一类的两张图片在隐空间相互接近（如何保证同一类的两张图片在隐空间相互接近：有监督对比学习可以在有 label 的情况下实现 category-level 的不变性表示。）。

Smoothness Assumption [1] ：文章的立足点，在一个高密度区域内，如果两个 image 的特征 接近，那么他们的语义信息（或者标签）相似。

Contributions:

Positive sample discovery:

基于连续性假设，一个 high-density region 往往是同一类。进行 步以下过程：每一步中，将当前已经发现的正样本的所有 最近邻加到正样本集中。比起使用传统的 KNN 选择 个最近邻，这里将 设置的比较小，因此不会选到 这种不在同一个 high-density region 的点，以此在无标签的情况下挖掘同一类别的不同实例，有了这些 category-level 的正样本，我们就能更容易得到 category-level 的不变性表示。

Hard sampling mining:

对于正样本和负样本，这里都进行了难例挖掘，对于一个样本 ，他的挖掘损失定义为 ， 是其正样本难例挖掘结果， 则是难负样本集，分别定义如下

• Hard positive sampling：在上述找到的正样本集合 中选 个与 相似度最小的构成集合 （上图中 C 相对于 A 即最难正样本）
• Hard negative sampling：找 的 近邻构成 ,  要足够大使得 ，然后难负样本集合为 。

这里最重要的 insight 即已经很近的正样本和已经很远的负样本（不属于近邻的难样本已经离和 很远了）我们无需再优化，重要的是进一步拉近离得远的正样本，推开那些模糊的负样本。

训练总体损失为 ，第一项可以看作传统对比学习的 instance discrimination 损失，第二项即挖掘损失，在开始的 T 个 epoch， ，否则为 1，因为在训练的开始网络随机初始化，因此挖掘的难例不可信，

Experiments：

在 Imagenet 上训练模型，在分类，半监督，trainsfer learning，目标检测四个任务上进行了实验与比较，得到了不错的结果，看起来比起 Moco 和 SimCLR 还是有提升的。对 category-level 不变性带来的效果也进行了单独的分析，显然这种方法正负样本相似度的分布比 instance discrimination 带来的分布差别更大，更好分辨。也能找到一些难正样本，这在传统 instance-level 的对比学习中是很难得到的。

Opinions:

• 迭代式的 KNN 真的比传统 KNN 好吗？并不见得！如果两个 high-density region 很靠近，或者相互重叠，那么多次迭代的结果会选择更多的语义信息不相同的数据点。当然这只是我的看法，作者的实验中这样的方法还是有改善的。

• 整体来看还是比较 Heuristics。

MoCHi

论文标题：

Hard Negative Mixing for Contrastive Learning

论文链接：

https://arxiv.org/abs/2010.01028

Conclusion：通过在特征空间进行 mixup 的方式产生更难的负样本

Motivation：难样本一直是对比学习的主要研究部分，扩大 batch size，使用 memory bank 都是为了得到更多的难样本，然而，增加内存/ batch size 并不能使得性能一直快速提升：更多的负样本并不一定意味着带来更难的负样本（文章对这类问题做了详尽的实验，有兴趣的可以查阅原文），那么我们能否在不增大内存的情况下得到更多更难的样本？

Contributions

我们有 K 个负样本特征 ，选与 query 特征 距离最小的 个作为难样本集合 。

Mixing the hardest negatives：随机在难样本集合中选择两个特征 ，我们可以将其混合产生一个更难的 ，我们随计选择 生成 个难样本， 保证了计算效率的提升。

Mixing for even harder negatives：上一步与传统的 mixup 并没有太大差别，这里提出的正负样本特征混合是比较 novel 的地方。随机在难样本集合中选择一个特征 ，我们可以将其与 query 混合产生一个更难的 , 确保了 query 的贡献小于负样本，这里总共产生 个负样本，需要满足 。

Opinions:

新瓶旧酒刷性能，不过对问题的分析非常非常透彻，提供了不同的 insight，这点很值得学习。

DCL

论文标题：

Debiased Contrastive Learning

论文链接：

https://arxiv.org/abs/2007.00224

Conclusion: 克服 sample bias：在没有 label 的情况下，尽可能减少负样本中的 false negative samples。

Sampling bias：假设数据分布为 ，我们从分布中取出 ，他们有相同的类别 ，假设类别分布为 ， 是均匀的（该属于每类的概率是先验知识，既可以从数据中估计，也可以作为一个超参数），即观察到样本是该类的概率是均匀的 ，属于每类的概率是先验知识，既可以从数据中估计，也可以作为一个超参数。 是观察到不同类样本的概率。

现在的问题是，因为我们没有 label，因此得不到负样本的分布 ，因此大家都是直接从 中抽取负样本，那么这些样本 就有 的概率其实是正样本，这被称为取样偏差 (Sampling bias)。

Contributions:

文章的宗旨：找不到 我就近似他，怎么近似呢，我们先将数据分布展开得到 ，简单移项得到：

经过一些数学变化，给定 ，我们可以将损失函数写为：

其中重点在于这个 函数，其形式如下：

可以看到虽然我们依然从 分布中采样得到了这些 ，但是我们使用额外的正样本 对他们进行了修正，可以看作是一次 reweighting。通过一系列的分析，文章证明了 debiased 损失与真正 unbiased 损失之间的差距。

Experiments

在一些常见数据集上做了实验，可以看到通过 unbiased 的损失带来了不小的提升。

通过增加正样本的数目，我们从 采样得到的负样本得到逐渐强烈的修正， debiased 将会和 unbiased 的结果越来越接近，如下图所示：

Opinions：很不错的文章，推导太扎实了，从 motivation 到 implementation 一路都有扎实的理论基础，不愧是 spotlight。

CSI

论文标题：

CSI: Novelty Detection via Contrastive Learning on Distributionally Shifted Instances

论文链接：

https://arxiv.org/abs/2007.08176

Conclusion: 将 anchor 进行数据增强得到的 image 作为负例来提升 OOD 检测性能。

给定 ，其中 是一组数据增强策略（在本文特指正样本的增强策略），在本文特指正样本的增强策略，记 为传统的 infomax 损失，那么 SimCLR 定义如下：

SimCLR 的作者发现了一些增强策略 (例如，旋转) 有时会降低 SimCLR 的区分性能。该文的一个重要发现是，这种降低区分性能的增强策略可以提升 OOD 检测的能力。

Contributions

文章主要有两个贡献：

与 SimCLR 将增强后的数据看作正例不同，该文将增强后的数据看作负例，考虑一组增强策略 ，将 batch 中所有样本（包括 anchor 图像与其他负样本）依次通过 后形成新的负样本集合进行对比学习。

除了这个损失之外，作者定义了一个 pretext task，预测每个被增强数据施加的是哪种增强策略，具体形式为：

二者相加就是文章的整体损失：

Why it works？ 这里的关键之处在于如何选择 ，直观来讲， 要能产生尽可能 OOD 的样例，作者设计了相应的 score funtion，对各种增强策略进行了实验，发现 rotate 产生的 OOD 样本更好，使用其作为负样本的增强策略这个结果与文章 [2] 的发现很类似。

当然这种策略相比于 SimCLR 很难获得下游任务上性能的提升，毕竟是把正样本看作负例了。作者在 CIFAR-10 上训练一个线性分类器来评估学到的 representation，CSI 获得了 的准确率，而 SimCLR 则是 ，不过 CSI 进行 OOD 检测的能力强得多。

参考文献

[1] https://ieeexplore.ieee.org/abstract/document/4787647

[2] https://arxiv.org/abs/1906.12340

更多阅读

#投 稿 通 道#

 让你的论文被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。

📝 来稿标准：

• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向） 

• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接 

• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志

📬 投稿邮箱：

• 投稿邮箱：hr@paperweekly.site 

• 所有文章配图，请单独在附件中发送 

• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。