Contrastive Learning 对比学习 | InfoNCE loss 与互信息的数学关联

参考博客：CSDN | 【理论推导】互信息与 InfoNCE 损失：从公式推导理解对比学习的本质 ，感觉是讲的最清楚的一个博客。

目录

• 1 InfoNCE loss 和互信息的数学形式
  
  
  
  • 1.1 互信息的数学形式
    
  • 1.2 InfoNCE loss 的数学形式
    
  • 1.3 为什么我们希望最大化 \((X,Y)\) 的互信息
    
  
  
• 2 InfoNCE loss 与互信息的数学关联
  
• 3 证明过程
  
  
  
  • 3.1 第一步：证明使 InfoNCE loss 取值最小的 \(f(x,y)\)，满足 \(f(x, y) = \log [p(y|x) / p(y)]\)
    
  • 3.2 第二步：将以上 \(f(x,y)\) 代入，推导互信息下界
    
  
  

1 InfoNCE loss 和互信息的数学形式

1.1 互信息的数学形式

互信息 \(I(X,Y)\) 是信息论中的核心概念，用于衡量两个随机变量 \(X,Y\) 之间的依赖程度。
从直观上理解，互信息回答了这样一个问题：知道一个变量 Y 后，我们对另一个变量 X 的不确定性减少了多少？如果 X 的不确定性减少较多，则代表 XY 之间的互信息较大（为正）；如果 X 的不确定性没有减少，则 XY 是相互独立的，即 \(P(X)P(Y) = P(X,Y)\)，XY 之间的互信息为 0。
数学上，互信息有三种等价的定义方式：
① 基于联合分布 \(p(x,y)\) 和边缘分布 \(p(x)p(y)\) 的 KL 散度的形式

\[I(X;Y) = D_{KL}\big(p(x,y) ~\|~ p(x)p(y)\big) = \mathbb{E}_{p(x,y)}\left[\log\frac{p(x,y)}{p(x)p(y)}\right]\]
这个形式直接体现了互信息的本质：它衡量的是联合分布 \(p(x,y)\) 与假设 X 和 Y 独立时的分布 \(p(x)p(y)\) 之间的差异。如果 X 和 Y 独立，这个差异为 0，否则为正数，差异越大说明两个变量关联越强。
② 基于熵的形式

\[I(X;Y) = H(X) - H(X|Y) = H(Y) - H(Y|X)\]
这里 \(H(X)=\int p(x)\log p(x)\) 是 X 的熵（不确定性），\(H(X|Y)\) 是已知 Y 时 X 的条件熵，互信息则是不确定性的减少量。
③ 基于条件概率的形式

\[I(X;Y) = \mathbb{E}_{p(x,y)}\left[\log\frac{p(y|x)}{p(y)}\right]\]
这个形式在对比学习中特别有用，因为它直接表达了“在给定 x 的情况下，y 的概率相对于其先验概率的变化”。
1.2 InfoNCE loss 的数学形式

InfoNCE loss 是现代对比学习（Contrastive Learning）的核心。它的设计灵感来自一个简单的直觉：从一堆样本中，找出与给定样本 x 匹配的正样本 y。
具体的，假设我们有一个正样本对 \((x, y)\)，比如同一张图片的两种不同数据增强结果，同时从数据集中随机采样 \(N-1\) 个负样本 \(y_2, y_3, ..., y_N\)。我们定义一个评分函数 \(f(x, y)\)（通常是神经网络）来衡量 x 和 y 的相似度。InfoNCE loss 的形式为：

\[L = -\mathbb{E}\left[\log\frac{e^{f(x,y)}}{\sum_{j=1}^{N} e^{f(x,y_j)}}\right]\]
其中，分子 \(e^{f(x,y)}\) 是正样本的得分，而分母 \(\sum_{j=1}^{N} e^{f(x,y_j)}\) 是所有样本（1 个正样本 + N-1 个负样本）得分的总和。整个分式表示：给定 x 和 N 个候选 y，我们正确选出正样本 y 的概率。
也可将其视为交叉熵损失（cross-entropy loss）的一个变种。交叉熵损失的形式如下：

\[L_\text{CE} = \sum p(a)\log \hat p(a)\]
其中，\(p(a)\) 为真是概率，而 \(\hat p(a)\) 是我们估计的概率。在 InfoNCE loss 的 setting 中，真概率 \(p(x,y) = 1\)，而 \(p(x,y_j) = 0\)。
1.3 为什么我们希望最大化 \((X,Y)\) 的互信息

在对比学习中，我们希望最大化正样本对的互信息，同时最小化正负样本之间的互信息。这迫使编码器提取出两个不同视图（view）的共享信息（比如同一张图片的不同数据增强版本、语言 / 视觉等不同的模态），这些信息通常对应于数据的内在语义，例如物体的类别、场景等，而忽略无关的噪声或增强引入的变化。
在 skill discovery（强化学习的一个子领域）中，我们希望最大化 skill z 和 state s 之间的互信息。从信息理论的角度，最大化 \(I(S;Z)\) 意味着，我们希望从状态 \(s\) 中尽可能多地获取关于技能 \(z\) 的信息。这确保了技能是“有区分度的”：看到智能体的行为，我们就能推断出它使用了哪个技能。
2 InfoNCE loss 与互信息的数学关联

核心结论：最小化 InfoNCE loss，等价于最大化互信息的一个下界。
（互信息下界的含义是，互信息的取值将会大于这个值。从这个角度来说，下界的值越大，互信息的值就随之变大，所以，我们最小化 InfoNCE loss，相当于在推动互信息最大化。）
具体来说，对于任意评分函数 \(f\)，有以下不等式成立：

\[I(X;Y) \geq \log N - L\]
其中，\(L\) 是我们模型的 InfoNCE loss，这个差值就是互信息的下界。
3 证明过程

证明过程可以分为两步：
3.1 第一步：证明使 InfoNCE loss 取值最小的 \(f(x,y)\)，满足 \(f(x, y) = \log [p(y|x) / p(y)]\)

我们要证明：使 InfoNCE loss 最小的 \(f(x,y)\) 满足：

\[f(x,y) = \log\frac{p(y|x)}{p(y)}\]
我们考虑 InfoNCE loss 的期望形式：

\[L = -\mathbb{E}_{p(x,y)} \left[\log\frac{e^{f(x,y)}}{\sum_{j=1}^{N} e^{f(x,y_j)}}\right]\]
我们可以将这个损失看作一个分类问题：给定 x 和 N 个样本 \({y_1, y_2, \cdots, y_N}\)，其中只有 \(y_1=y\) 是正样本，其余是负样本。模型的任务是选出正样本。
对于固定的 x，最优的分类器应该给出真实的后验概率，即给定 x 后，y 为这个 x 的正样本的概率。那么，真实的后验概率是多少呢？
根据贝叶斯定理，在给定 x 和 y 样本集合的情况下，第 k 个样本是正样本的概率为（这个没完全看懂）：

\[p(\text{第 k 个是正样本} | x, {y_{1\cdots N}}) = \frac{p(y_k|x) \prod_{i\neq k} p(y_i) }{ \sum_{j=1}^{N} p(y_j|x) \prod_{i\neq j} p(y_i)}\]
化简后得到：

\[= \frac{p(y_k|x)/p(y_k)}{\sum_{j=1}^{N} p(y_j|x)/p(y_j)}\]
关键观察：如果我们取 \(f(x,y) = \log\frac{p(y|x)}{p(y)} + c(x)\)，其中 \(c(x)\) 是只依赖于 x 的任意函数，那么：

\[\frac{e^{f(x,y_k)}}{\sum_{j=1}^{N} e^{f(x,y_j)}} = \frac{p(y_k|x)/p(y_k)}{\sum_{j=1}^{N} p(y_j|x)/p(y_j)}\]
这正是真实的后验分布。因此，这个 \(f(x,y)\) 取值使得模型的输出分布与真实分布完全一致，从而最小化 InfoNCE loss。
为简便起见，我们通常取 \(c(x)=0\)，得到最优 \(f(x,y)\)：

\[f^*(x,y) = \log\frac{p(y|x)}{p(y)}\]
3.2 第二步：将以上 \(f(x,y)\) 代入，推导互信息下界

现在我们将最优 \(f^*(x,y)\) 代入 InfoNCE loss：

\[L_{\text{min}} = -\mathbb{E}\left[\log\frac{e^{f^*(x,y)}}{\sum_{j=1}^{N} e^{f^*(x,y_j)}}\right]= -\mathbb{E}\left[\log\frac{\frac{p(y|x)}{p(y)}}{\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}}\right]\]
考虑互信息 \(I(X;Y)\) 的以下形式：

\[I(X;Y) = \mathbb{E}\left[\log\frac{p(y|x)}{p(y)}\right]\]
现在，我们想建立 \(I(X;Y)\) 和 \(L_{\text{min}}\) 的关系。通过巧妙的代数变换，把互信息拆开：

\[I(X;Y) = \mathbb{E}\left[\log\frac{p(y|x)}{p(y)}\right]= \mathbb{E}\left[\log\frac{\frac{p(y|x)}{p(y)}}{\frac{1}{N}\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}}\right] + \mathbb{E}\left[\log\left(\frac{1}{N}\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}\right)\right]\]
第一项就是 \(-L_{\text{min}}\) 吗？不完全是。实际上，\(-L_{\text{min}}\) = 第一项 - log N：

\[-L_{\text{min}} = \mathbb{E}\left[\log\frac{\frac{p(y|x)}{p(y)}}{\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}}\right]= \mathbb{E}\left[\log\frac{\frac{p(y|x)}{p(y)}}{\frac{1}{N}\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}}\right] - \log N\]
所以：

\[I(X;Y) = (-L_{\text{min}} + \log N) + \mathbb{E}\left[\log\left(\frac{1}{N}\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}\right)\right]\]
现在看最后一项：\(\mathbb{E}\left[\log\left(\frac{1}{N}\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}\right)\right]\)
由于对数函数是凹函数，根据琴生不等式（Jensen's Inequality）：

\[\mathbb{E}[\log(Z)] \leq \log(\mathbb{E}[Z])\]
因此：

\[\mathbb{E}\left[\log\left(\frac{1}{N}\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}\right)\right] \leq \log\left(\mathbb{E}\left[\frac{1}{N}\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}\right]\right)\]
我们计算这个 log 里面的期望：

\[\mathbb{E}\left[\frac{p(y_j|x)}{p(y_j)}\right] = \int p(y_j) \cdot \frac{p(y_j|x)}{p(y_j)} dy_j = \int p(y_j|x) dy_j = 1\]
期望 = 1。所以：

\[\log\left(\mathbb{E}\left[\frac{1}{N}\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}\right]\right) = \log(1) = 0\]
代入上式 = 0，使用琴生不等式，因此：

\[\mathbb{E}\left[\log\left(\frac{1}{N}\sum_{j=1}^{N} \frac{p(y_j|x)}{p(y_j)}\right)\right] \leq 0\]
将上式 ≤ 0 代回原式：

\[I(X;Y) \geq \log N - L_{\text{min}}\]
由于 \(f^*\) 是最优的，所以对于任意评分函数 \(f\)，有 \(L(f) \geq L_{\text{min}}\)，得到：

\[I(X;Y) \geq \log N - L_{\text{min}} \geq \log N - L(f)\]
证毕：对于任意评分函数 \(f\)，\(\log N - L(f)\) 是互信息 \(I(X;Y)\) 的一个下界。



来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！