最近看到很多概念，杂乱无章有点分不清楚，条分缕析来总结一下。
1. XX学习
对比学习和度量学习都是表示学习的分支。
对比学习
近几年对比学习如火如荼，其主要思想是，通过构造正负样本，使得正样本间的距离靠近，负样本间的距离拉远，且负样本间的距离远远大于正样本间的距离。对比学习主要用在无监督和半监督任务中，且为单正例，多负例。
一个好的对比学习系统应该兼顾Alignment和Uniformity，若丢失Alignment，则说明该系统并不能学习到良好的表征；若丢失Uniformity，则说明产生了模型坍塌问题。
相关模型
- 图像：SimCLR、MoCo、BYOL等
- 文本：SimCSE、SBert等
- 多模态：OpenAI的CLIP、百度的BriVL等
相关损失
-
对比损失（Contrastive Loss）：这一损失最早是Yann LeCun于2016年在论文中提出的。当时该损失主要用在孪生网络中。
-
对比学习损失（Contrastive Learning Loss）：该损失中有一个超参数\tau是为了感知负例难度，其值越小，模型关注到的负样本越少，也越困难。当\tau➡0时，模型只关注到距离当前正样本最近的1~2个负样本，该损失便退化成 Triplet Loss.
- InFoNCELoss
度量学习
与对比学习相似，度量学习也是通过构造正负样本，拉近正样本间的距离，拉远负样本间的距离。度量学习主要用于有监督任务中，且为二元组或三元组形式。
- 二元组损失（Pairwise Ranking Loss）：形为（正样本，负样本）的二元组
Pytorch中可直接调用MarginRankingLoss实现
- 三元组损失（TripletLoss）：形为（锚样本，正样本，负样本）的三元组，通常在计算损失之前会有一个三元组采样的过程。
Pytorch中可直接调用TripletMarginLoss实现
对比聚类
相关模型
- SwAV、DeepClusterv2等
课程学习
2. XX语言模型
这些语言模型的思想本质上都是通过在大规模训练语料上，使用合适的损失函数进行训练，得到能够更好地提取文本特征的预训练语言模型。
MLM（掩码语言模型）
给定上下文信息，预测文本掩码中的词，提高模型对文本的特征提取能力。
Bert（Bidirectional Encoder Representations from Transformers）
Bert是 Google 推出的预训练语言模型框架，Bert全家桶包括：
- Bert：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding（NAACL, 2019） Google
- SpanBert：SpanBERT: Improving Pre-training by Representing and Predicting Spans（TACL, 2020） Facebook & 华盛顿大学
- Roberta：RoBERTa: A Robustly Optimized BERT Pretraining Approach（2019） Facebook & 华盛顿大学
- ALBert：ALBERT: A Lite BERT for Self-supervised Learning of Language Representations（ICLR, 2020） Google
- Electra：Efficiently Learning an Encoder that Classifies Token Replacements Accuratel（ICLR, 2020） Stanford & Google
相关损失
- mlm损失
CLM（因果语言模型）
给定上文信息，预测文本掩码中的词，提高模型生成的文本的流畅性，一般用于文本生成任务中，如GPT系列、CTRL等。
GPT（Generative Pre-Training）
GPT 是 OpenAI 推出的文本生成预训练语言模型框架，目前已经推出三个版本。
- GPT： Improving Language Understanding by Generative Pre-Training
- GPT-2：Language Models are Unsupervised Multitask Learners（CSUR, 2018）
- GPT-3： Language Models are Few-Shot Learners（NeurIPS, 2020） 有1750亿个参数
- 最近公布的ChatGPT采用了新的训练方式 RLHF（Reinforcement Learning from Human Feedback），掀起一波 AIGC（Artificial Inteligence Generated Content） 的热潮。
T5（Text-To-Text Transfer Transformer）
T5模型是Google提出的预训练语言模型，其基本思想是：所有的NLP问题都可以定义成“text-to-text”问题，即“输入text，输出text，一个模型干所有”。该模型可以用于文本摘要、机器翻译、智能问答、情感分类，文本分类等下游任务。
值得注意的是，CMU和google brain联手推出的Bert改进版模型XLNet：Generalized Autoregressive Pretraining for Language Understanding将MLM与CLM二者结合，两全其美。
PPLM（即插即用语言模型）
相关模型
- CTRL（Conditional Transformer Language Model）
VLP（Vision-Language Pre-training，视觉语言预训练）
相关模型
- BLIP（Bootstrapping Language-Image Pre-training）
3. XX网络
孪生网络（Siamese Network）
共享权重
伪孪生网络（Pseudo-Siamese Network）
不共享权重
4. 词&句向量预训练语言模型
词向量预训练语言模型
- Word2Vec
Efficient Estimation of Word Representations in Vector Space - ELMo（Embeddings from Language Models）
Deep Contextualized Word Representations（NAACL, 2018）
句向量预训练语言模型
- SIF（Smooth Inverse Frequency，非预训练语言模型）其中用到Word2Vec
A Simple but Tough-to-Beat Baseline for Sentence Embeddings
转载：https://blog.csdn.net/qq_36332660/article/details/128208166