作者 | 对白 出品 | 对白的算法屋 编者寄语：
本文看完，相信你会掌握这个无监督语义新SOTA模型ESimCSE。
从论文标题中可以看出，应该是对4月份丹琦女神发表的新作SimCSE的增强版（Enhance），并且也用到了对比学习来构建正负样本，那么效果是否优于SimCSE呢？
抱着这个好奇的心态，于是完整的读了一遍该论文。好家伙！在语义文本相似性（STS）任务上效果竟然还真的优于BERT base版的SimCSE有2个点（Spearman相关系数），并且提出了两大优化方法，解决了SimCSE遗留的两个问题：
1、SimCSE通过dropout构建的正例对包含相同长度的信息（原因：Transformer的Position Embedding），会使模型倾向于认为相同或相似长度的句子在语义上更相似（insight很合理）；
2、更大的batch size会导致SimCSE性能下降（这点确实很困扰）;
所以从以上可以看出，ESimCSE并没有使用最小的数据增强方法drouput构建正例对（毕竟有利也有弊哈），并且还扩展了负例对的构建，鼓励模型进行更精细的学习。这点SimCSE并没有考虑，而是直接将一个batch内与自己不同的样本都作为负样本了。
那么ESimCSE到底是如何构建正负样本并且效果还优于SimCSE的呢？让我们接着往下看~
Unsupervised SimCSE
我们首先来回顾一下无监督版的SimCSE。
给定一组成对的句子 ，其中 和 是语义相关的，将被作为一个正例对。无监督SimCSE 的核心思想是使用相同的句子来构建正例对，即 。在 Transformer中，在Feed Forword Network全连接层和Multi-head Attention中间放置了一个dropout mask。因此，SimCSE是通过应用不同的 dropout mask 和 将相同的输入 两次输入给Transformer，并输出两个单独的句子Embedding 和 （ 为正样本）以构建正例对，如下所示：
对于batch size大小为 N 的mini-batch中每个句子的 和 ,对比学习的训练目标为：
其中 τ 是温度超参数， 是相似度度量，通常是余弦相似度函数，如下所示：
SimCSE的缺点(一)
在讲解ESimCSE之前，我们一定要搞清楚SimCSE的缺点以及作者的intuition是如何产生的。
使用 dropout 作为最小数据增强方法简单有效，但是预训练语言模型如BERT是建立在Transformer上，它将通过position embedding对句子的长度信息进行编码。因此，同一个句子通过BERT产生的正例对具有相同的长度，而来自两个不同句子的负例对通常包含不同长度的信息。
因此，正例对和负例对所包含的长度信息是不同的，可以作为特征来区分它们。具体来说，由于这样的差异，会导致模型训练时出现偏差，让模型自动认为相同或相似长度的两个句子在语义上更相似。
因此作者根据句子对的长度差异将 STS 任务数据集划分为组，并分别使用 Spearman相关系数计算相应的语义相似度。随着长度差异的增加，无监督SimCSE 的性能变差。无监督SimCSE在长度相似（≤3）的句子上的性能远远超过在长度差异较大（>3）的句子上的性能，如下图所示：
为了缓解这个问题，作者提出了一种简单但有效的样本增强方法。对于每个正例对，我们期望在不改变其语义的情况下改变句子的长度。现有的改变句子长度的方法一般采用随机插入和随机删除。但是，在句子中插入随机选择的词可能会引入额外的噪音，这可能会扭曲句子的含义；从句子中删除关键字也会大大改变其语义。因此，我们提出了一种更安全的方法，称为“Word Repetition”，它随机复制句子中的一些单词，如下图所示：
原句翻译为“我喜欢这个苹果，因为它看起来很新鲜，我认为它应该很好吃”。
随机插入可能会产生“我不喜欢这个苹果，因为它看起来很不新鲜，我认为它应该是狗的美味”；随机删除可能会产生“我这个苹果，因为它看起来如此，我认为它应该如此”。两者都偏离了原句的意思。
相反，“Word Repetition”的方法可能会得到“我喜欢这个苹果，因为它看起来很新鲜，我认为它应该很好吃。”或“我喜欢这个苹果，因为它看起来很新鲜”我认为它应该很好吃。”两者都很好地保持了原句的意思。
SimCSE的缺点(二)
由于对比学习是在正例对和负例对之间进行的，理论上更多的负例对可以导致更好的比较。因此一个潜在的优化方向是利用更多的负例对，鼓励模型进行更精细的学习。然而在SimCSE中，更大的batch size并不总是更好的选择。例如，如下图所示, 对于无监督的SimCSE-BERTbase模型，最佳batch size大小为 64，batch size大小的其他设置会降低性能。
在计算机视觉中，为了缓解扩展batch size时GPU内存的限制，一个可行的方法是引入动量对比，这也是通过维护一个队列，重用来自前一个mini-batch的编码Embedding来扩展负例对：它总是将当前mini-batch的句子Embedding入队，同时将“最旧”的句子Embedding出队。由于入队的句子Embedding来自前面的mini-batch，我们通过取其参数的移动平均值来保持动量更新模型，并使用动量模型生成入队的句子Embedding。请注意，作者在使用动量编码器时关闭了dropout，这可以缩小训练和预测之间的差距。
上述两种优化分别是作者提出用于构建正负对的新方法。将两者与 unsup-SimCSE结合起来，就得到了ESimCSE。
ESimCSE
在本节中，我们首先介绍ESimCSE构建正例对的方法：Word Repetition（单词重复）和 Momentum Contrast（动量对比学习）扩展负样本对。
Word Repetition
Word Repetition单词重复机制会随机复制句子中的一些单词/子词。这里我们以子词重复为例，给定一个句子s，经过子词分词器处理后，我们得到一个子词序列 ，N是序列的长度。我们将重复标记的数量定义为：
其中dup_rate是最大重复率，这是一个超参数。dup_len是上面定义的集合中的随机采样数，这将在扩展序列长度时引入更多的多样性。确定dup_len后，我们使用均匀分布从序列中随机选择需要重复的dup_len子词，组成dup_set。
例如，如果第一个子词在dup_set中，则序列 变为 ,不同于无监督的SimCSE需要通过两次BERT生成 和 ，ESimCSE生成的 和 是相互独立的。
Momentum Contrast
Momentun Contrast（动量对比）允许我们通过维护固定大小的队列来重用来自紧邻的前面mini-batch中编码的句子Embedding。具体来说，队列中的Embedding会被逐步替换。若当前mini-batch中输出句子的Embedding入队时，如果队列已满，则删除队列中“最旧”的句子Embedding。
我们使用动量更新编码器对排队的句子Embedding进行编码。编码器的参数为 ，动量更新编码器的参数为 ，我们按以下方式更新 ：
其中 为动量系数参数。
这里只有参数 通过反向传播进行更新。在这里，我们引入 来为队列生成句子Embedding，因为动量更新可以使 比 变化更平滑。因此，尽管队列中的Embedding由不同的编码器编码（在训练期间的不同“步骤”中），但这些编码器之间的差异可以变小。
通过队列中的句子Embedding，ESimCSE的损失函数进一步修改如下:
其中 是表示在动量更新队列中Embedding的句子，M是队列。
实验结果
与Unsup-SimCSE相同，作者也使用了从英文维基百科中随机去的100万个句子进行训练，然后在7个STS任务上进行了实验。下图显示了在STS-B数据集上获得的最佳结果：
可以看出，ESimCSE在BERTbase上优于Unsup-SimCSE 2.40%，在 BERTlarge上 2.19%，在RoBERTabase上 1.19%，在RoBERTalarge上 0.26% 。
此外，作者进一步评估了ESimCSE在7个STS任务上的结果：
具体来说，ESimCSE 在 BERTbase上的表现平均优于Unsup-SimCSE 2.02%，在BERTlarge上 0.90%，在 RoBERTabase上 0.87%，在 RoBERTalarge上 0.55%。
作者还探讨了仅使用Word Repetition或Momentum Contrast时可以为 unsup-SimCSE带来多少改进。如下图所示，无论是Word Repetition还是Momentum Contrast都可以为unsup-SimCSE带来实质性的改进。这意味着所提出的增强正例对和负对的方法都是有效的。更好的是，这两个修改可以叠加（ESimCSE）以获得进一步的改进。
总结
本文提出了两种优化方法来构建 unsup-SimCSE 的正负例对，并将它们与 unsup-SimCSE 相结合，称为ESimCSE。通过大量实验，所提出的 ESimCSE 在标准语义文本相似性任务上比 unsup-SimCSE 取得了相当大的改进。
这篇文章对SimCSE遗留的问题都进行了改进，并且效果上也取得了非常显著的提升，最后通过消融研究合理地解释了每一个改进点为什么work，是一篇非常不错的研究工作。
你好，我是对白，硕士毕业于清华，现大厂算法工程师，拿过八家大厂的SSP级以上offer。
本科时独立创业五年，成立两家公司，并拿过总计三百多万元融资(已到账)，项目入选南京321高层次创业人才引进计划。创业做过无人机、机器人和互联网教育，保研后选择退出。
我每周至少更新一篇原创，分享自己的算法技术、创业心得和人生感悟。
