R-Drop和SimCSE解读

R-Drop: Regularized Dropout for Neural Networks

R-Drop的基本思想是：同一个step里面，对于同一个样本，前向传播两次，由于Dropout的存在，会得到两个不同但差异很小的概率分布，通过在原来的交叉熵损失中加入这两个分布的KL散度损失，来共同进行反向传播，参数更新

R-Drop刚好是把sub model和完整model之间加了一个bound，如下图：

在下游任务上可以普遍地涨点

SimCSE

We evaluate SimCSE on standard semantic textual similarity (STS) tasks, and our unsupervised and supervised models using BERTbase achieve an average of 76.3% and 81.6% Spearman’s correlation respectively, a 4.2% and 2.2% improvement compared to the previous best results.

部分参考：

1. https://zhuanlan.zhihu.com/p/409523468
2. https://www.zhihu.com/zvideo/1528754585883242498