场景：有监督模型中，利用dropout的方式，增强模型的泛化能力。
drop-out在无监督学习上的应用 ：用于对比学习。同个query，drop前后的预测结果相同。不同query，所有结果为负例，预测结果不同。如simCSE。simCSE的目标是：学习一个优质的语义表示空间。每个sentence学习到一个embedding。
loss : 拉近相似的样本，推开不相似的样本。一种常用的对比损失是基于批内负样本的交叉熵损失。噪音前后，作为正例。batch内，其他样本作为负例。
loss
样本
Supervised SimCSE :在SBERT原文中，作者将NLI数据集作为一个三分类任务来训练。构造样本的形式，直接将数据集中的正负样本拿过来用就可以了，将NLI(SNLI+MNLI)数据集中的entailment作为正样本，conradiction作为负样本，加上原样本premise一起组合为（x,x+,x-），并将损失函数改进为
新的loss
样本
Regularized Dropout ：R-drop在分类问题上的应用。
最终loss
loss:交叉熵
loss:KL散度
loss : 在常规交叉熵的基础上，加了一项强化模型鲁棒性正则项。即，同一条样本，经过两次drop-out(两次不同的噪音)，通过KL散度，希望模型的输出尽可能一致。
扩展：对比学习的目标是从数据中学习到一个优质的语义表示空间，那么如何评价这个表示空间的质量呢？Wang and Isola (2020)提出了衡量对比学习质量的两个指标：alignment和uniformity，其中alignment计算x和x+（增强样本）的平均距离，而uniformity计算向量整体分布的均匀程度。也就是一方面希望正样本要挨得足够近，另一方面语义向量要尽可能地均匀分布在超球面上，因为均匀分布信息熵最高，分布越均匀则保留的信息越多，“拉近正样本，推开负样本”实际上就是在优化这两个指标。
alignment
uniformity
网友评论