SimCSE: Simple Contrastive Learning of Sentence Embeddings(EMNLP 2021)

Motivation

无监督的SimCSE将句子过两次预训练模型得到两个不同的embedding作为正例对，将同一batch中的其他句子作为负例，模型在所有负例中预测出唯一的正例。有监督的SimCSE使用NLI数据，将蕴含关系对作为正例，矛盾关系及batch内其他的句子作为负例。

Contrastive Learning

句对集合为 $\mathcal{D}={\left\{(x_i,x_i^{+})\right\}}_{i=1}^m$，其中$x_i$和$x_i^{+}$是语义上相关的。优化目标如下：
$${\ell }_i=-\log \frac{e^{sim(h_i,h_i^{+})/\tau }}{{\sum }_{j=1}^N{e}^{sim(h_i,h_j^{+})/\tau }}$$
Positive instances

如何构建正例对是一个关键问题。本文发现对中间层表示简单使用标准的dropout已经能超过其他的离散表换（删除、替换词语）等操作。

Alignment and uniformity

Alignment用来计算句对间embedding的预期距离，uniformity用来衡量embedding一致分布的好坏。这两个指标与对比学习的目标保持一致，正例对的距离应相对较近，并且随机实例的embedding应该分散在超球体上。

Unsupervised SimCSE

正例对中，$x_i^{+}=x_i$，关键因素是独立对$x_i$和$x_i^{+}$使用dropout。本文将dropout看作一种最小化形式的数据增强，并将其与其他数据增强方法进行了对比，结果如下图：

为了进一步探究dropout噪声的作用，作者还尝试了不同的dropout率。如下图：

Supervised SimCSE

将NLI数据集中的蕴含句子作为正例，矛盾句子作为难负例。便将目标函数更新为如下形式：
$${\ell }_i=-\log \frac{e^{sim(h_i,h_i^{+})/\tau }}{{\sum }_{j=1}^N(e^{sim(h_i,h_j^{+})/\tau }+e^{sim(h_i,h_j^{-})/\tau })}$$

Connection to Anisotropy

很多工作证明了表示中的各向异性问题，例如，学习到的embedding在向量空间中仅仅占据一个窄圆锥的大小，这会大大损害embedding的表达能力。各向异性问题与uniformity相关，都强调embeddings应该在向量空间中均匀分布。对比学习的目标是要让负例对间的距离相对较远，因此能提升uniformity（消除各向异性）。

Experiment

Ablation Studies