Candidate sampling:NCE loss和negative sample
在工作中用到了類似於negative sample的方法,才發現我其實並不瞭解candidate sampling。於是看了一些相關資料,在此簡單總結一些相關內容。
主要內容來自tensorflow的candidate_sampling和卡耐基梅隆大學一個學生寫的一份notesNotes on Noise Contrastive Estimation and Negative Sampling,還有一部分參考了tensorflow的nce_loss和sampled_softmax_loss的文件。
What is Candidate Sampling
首先,什麼是candidate sampling呢?假設我們有這樣一個問題,給定一個樣本集,其中每個樣本由
如果我們使用正常的softmax方法,那麼在計算每一個sample時,我們都需要遍歷整個集合,對每一個可能的計算一次,這是非常昂貴的操作。尤其是在NLP的相關預測中,這一操作代價更加高昂。所以candidate sampling的方法被提了出來:在計算每一個sample時,我們從整個標籤集合或者負標籤集合中隨機取樣出一個小的candidate集合,將和一起組成當前的candidate集合,並在上計算。
常見的candidate sampling方法的特性可以見下表:
在這個表中,是一個不依賴於候選類的任意函式。 由於Softmax涉及歸一化,因此新增這樣的函式不會影響計算的概率。是中類y的期望概率或者期望個數。
NCE和nagetive sample可以適應於是multiset的情況,在這種情況下,等於中類y的期望個數。NCE,negative sampling和sampled logistic可以適應於是multiset的情況,在這種情況下,等於中類y的期望個數。
Noise Contrastive Estimation (NCE)
我們考慮一種簡單的也是最常用的情況,。以經典的word預測為例,此時。我們給定經驗分佈和,則每一個訓練集中的正樣本都相當於從
那麼使用條件概率公式,我們就可以寫出:
在神經網路演算法中,我們使用來代替,並試圖用梯度下降法來訓練。
Negative Sampling
Negative Sampling是NCE的一種近似,比較值得注意的是,negative sampling對於分佈Q有強依賴,NCE則沒有這個問題。
tensorflow實現
NCE loss在tensorflow中的文件可以參考tf.nn.nce_loss。要注意的是,使用這種方法時,標籤必須按照frequency的降序排序,因為預設的取樣方法是tf.nn.log_uniform_candidate_sampler。當然我們也可以實現自己的取樣方法。
Negative sampling則用sampled_softmax_loss來實現,注意sampled_softmax_loss只能處理一個正label的情況。