给BERT加一个loss就能稳定提升？斯坦福+Facebook最新力作！-优快云博客

本文链接：https://blog.youkuaiyun.com/iFlyAI/article/details/109643021

人工智能学习离不开实践的验证，推荐大家可以多在FlyAI-AI竞赛服务平台多参加训练和竞赛，以此来提升自己的能力。FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台。每周免费提供项目开源算法样例，支持算法能力变现以及快速的迭代算法模型。

摘要: 关注CV领域的小伙伴一定都记得Hinton团队在年初提出的SimCLR，采用自监督的对比学习方法进行encoder的训练，各种碾压之前的模型。所以今年我一直在等某个大招，终于在20年的尾巴看到了一丝希望。今天要介绍的这篇工 ...

关注CV领域的小伙伴一定都记得Hinton团队在年初提出的SimCLR[1]，采用自监督的对比学习方法进行encoder的训练，各种碾压之前的模型。所以今年我一直在等某个大招，终于在20年的尾巴看到了一丝希望。

今天要介绍的这篇工作来自斯坦福和Facebook AI，作者在BERT分类任务的精调阶段加入了对比学习的loss，在各个任务上都获得了很稳定的提升：

上图中CE表示交叉熵，SCL表示Supervised Contrastive Learning。实话说结果并不够惊艳，用对抗学习也差不多可以做到，让我惊喜的是在Few-shot上的效果：

N表示训练样本数量。可以看到N=20时QNLI上有10个点之多的提升。

下面就让我们来走近科学，看看SCL是个啥玩意儿叭～

论文题目：Supervised Contrastive Learning for Pre-trained Language Model Fine-tuning

论文链接：https://arxiv.org/abs/2011.01403

对比学习

对比学习的核心思想，就是让模型学习如何将正样本和其他负样本区别开来，抓住样本的本质特征，而不是把每个细节都考虑到。拿人来举例，假如有人让你凭空画一张一美元，你可能只画成这样[2]：

而如果给你一张美元照着临摹，可能还能画好看点，比如这样：

所以说我们记住的，不一定是像素级别的特征，而是更高维度的。在训练模型时，也不强求它们把所有信息都编码，只要细致到可以区分数据中的不同样本就可以。

如何实现呢？这个就体现在目标函数上：

Supervised Contrastive Learning

上文讲了自监督的对比学习主要是靠一个batch内的样本间相互对比，那有监督的数据如何更好利用呢？

作者就针对分类任务进行了研究。分类的核心思想就是把不同类别的样本划分开来，通常使用交叉熵作为损失函数。作者则提出了一个新的对比学习loss SCL，将同一类的样本互相作为正例，不同类别的作为负例。以此达到拉近类内样本、拉开类间距离的目的：

实验结果

除了开头展示的直接提升外，作者还进行了很多分析。从SST-2数据集的[CLS] embedding来看，通过CE（左）和SCL（右）损失训练出来的encoder对正负例的区分能力确实有不少差距：

同时在有噪声的训练数据上SCL鲁棒性会更强（T越高噪声越多）：

总结

这篇文章目前正在投稿ICLR2021（都在arxiv上挂了还盲审啥。。），总体的改动比较简单，但对比学习的前景还是挺大的，同时加上SCL损失之后不仅对少样本的情况很有帮助，也能提升模型鲁棒性，相比于对抗学习的计算代价明显要小，还是比较实用的，一起立个flag，复现一波？

参考资料

[1]A Simple Framework for Contrastive Learning of Visual Representations: https://arxiv.org/abs/2002.05709

[2]Contrastive Self-Supervised Learning: https://ankeshanand.com/blog/2020/01/26/contrative-self-supervised-learning.html

[3]对比学习（Contrastive Learning）相关进展梳理: https://zhuanlan.zhihu.com/p/141141365