问题来源于知乎
为什么在对比学习的损失函数中，分母里没有正样本？
在很多对比学习的论文中，都声称自己使用了cross-entropy的loss函数。然而，如果按照cross-entropy的方法来计算，分母中应当存在正样本的相似度值。
举个例子：用分类的思想做对比学习，那么，正样本可以得到一个相似度
，负样本得到一个相似度
。然后，再用softmax进行归一化，再做cross-entropy的loss。如果要预测正样本为真，那对应的loss自然就是：
然而，在很多高引论文中，使用的却不是这种loss（同时他们也声称使用了cross entropy与分类的思想）。例如：
在Representation Learning with Contrastive Predictive Coding(CPC)中，它们使用的loss是：
同时，论文中也这样写道：
The loss in Equation 4 is the categorical cross-entropy of classifying the positive sample correctly.
（式4中的损失为正确分类正样本的类别交叉熵。）
在A Simple Framework for Contrastive Learning of Visual Representations文中，loss也是如此：
（latex小贴士，此处的l并非是手写体的l，是latex中为了区分l与1而设置的小写l，\ell。）
然而，论文中还是声称使用了cross-entropy的loss：
for convenience, we term it NT-Xent (the normalized temperature-scaled cross entropy loss).
高赞回答：
第一个例子：InfoNCE的分母就是对包括正例和负例在内的N个样本求和，没有排除正例。这里正样本对由当前上下文和基于上下文的预测组成，负样本对由当前上下文和从噪声分布中采样的噪声样本组成，共有N-1个 负样本对。
第二个例子：SimCLR分母中 排除的是样本和自身的相似度，仍然没有排除正例（正例是样本及其增广）。负样本对由样本和任意其他样本和样本变换组成，共有2N-2个负样本对。
负样本数量越大越好。
