核心结论：InfoNCE损失函数通过对比正负样本，实际上是在最大化变量间互信息的下界，即
$$I(X;Y)\ge \log (N)-{\mathcal{L}}_{\text{InfoNCE}}$$
优化InfoNCE损失等价于隐式地最大化互信息，从而使模型能够捕捉数据中的本质特征和依赖关系。

本文给出了以上公式的逐步理论推导。

相关结论可参考：Oord, Aaron van den, Yazhe Li, and Oriol Vinyals. “Representation learning with contrastive predictive coding.” arxiv preprint arxiv:1807.03748 (2018).

核心结论

InfoNCE损失函数在对比学习中的有效性，本质上源于其对互信息（Mutual Information）的下界估计。当我们用InfoNCE训练模型时，实际上是在最大化两个变量之间的互信息——这个值衡量的是"知道一个变量后，另一个变量的不确定性减少了多少"。具体来说，对于N个样本（1个正样本和N-1个负样本），InfoNCE损失 ${\mathcal{L}}_{\text{InfoNCE}}$ 满足：

$$I(X;Y)\ge \log (N)-{\mathcal{L}}_{\text{InfoNCE}}$$

这意味着，最小化InfoNCE损失等价于最大化互信息的下界。负样本数量N越大，这个下界越紧，模型捕捉变量间依赖关系的能力越强。

一个直观的例子：图像-文本匹配

想象你在训练一个模型，让它将图片和对应的文本描述拉近，不匹配的图文对推远。

• 正样本：一张"金毛犬在草地上奔跑"的图片 + 对应的正确描述
• 负样本：同一张图片 + "一辆红色汽车在街道上行驶"等N-1个无关描述

InfoNCE损失迫使模型学会区分"匹配"与"不匹配"的图文对。从信息论角度看，模型其实是在学习"给定图片后，正确描述的可预测性"——这正是互信息要衡量的东西。当模型能轻易从N个描述中挑出正确那个时，说明图片和文本之间的互信息很高。

基础知识：互信息与对比学习

互信息的定义

互信息 $I(X;Y)$ 量化两个随机变量之间的统计依赖性。对于离散变量，定义为：

$$I(X;Y)=D_{\text{KL}}\left(P(X,Y)\Vert P(X)P(Y)\right)=\sum _{x,y}P(x,y)\log \frac{P(x,y)}{P(x)P(y)}={\mathbb{E}}_{P(x,y)}\left[\log \frac{P(y|x)}{P(y)}\right]$$

符号说明：

• $X$, $Y$：两个随机变量
• $D_{\text{KL}}$：KL散度，衡量两个分布的差异
• $P(x,y)$ 是联合分布，$P(x)P(y)$ 是边缘分布的乘积。

直观上，互信息度量了知道一个变量后，另一个变量不确定性的减少量。如果$X$和$Y$独立，则 $P(x,y)=P(x)P(y)$，此时 $I(X;Y)=0$；如果它们完全相关，则互信息达到最大值。

例子：在表示学习中，我们希望学习到的特征表示（X）和标签或另一模态数据（Y）之间有高互信息，表示模型捕捉了关键信息。

为什么不能直接优化互信息，而是优化 InfoNCE ？

直接计算互信息的问题：

1. 分布未知：真实世界的数据分布 $P(x,y)$ 通常是未知的
2. 计算不可行：归一化常数（配分函数）在复杂模型中难以计算

InfoNCE（Information Noise-Contrastive Estimation）通过对比正负样本来绕过这两个问题。它不需要直接估计概率分布，而是通过一个得分函数 $f(x,y)$ 来区分联合分布样本和边缘分布样本。

InfoNCE损失函数（Information Noise Contrastive Estimation）

对比学习的基本设定：给定一个正样本对 $(x,y)$ 和 $N-1$ 个负样本 $y_i\sim P(Y)$，其中

• 正样本对：$(x,y)\sim P(x,y)$（例如，匹配的图文对）
• 负样本：从 $P(y)$ 中独立采样 $N-1$ 个 $y_i$（与x无关的样本）

InfoNCE损失定义为：

$${\mathcal{L}}_{\text{InfoNCE}}=-\mathbb{E}\left[\log \frac{\exp (f(x,y))}{\exp (f(x,y))+{\sum }_{i=1}^{N-1}\exp (f(x,y_i))}\right]$$

符号说明：

• $(x,y)$：正样本对，来自联合分布$P(X,Y)$
• $y_i$：负样本，来自边缘分布$P(Y)$
• $N$：总样本数（1个正样本 + $N-1$个负样本）
• $f(x,y)$：得分函数，衡量x和y的匹配程度（常用神经网络输出的向量点积）
• 分母：正样本得分与所有负样本得分之和，形成softmax概率

直观上，InfoNCE损失鼓励模型给正样本对更高的分数，给负样本对更低的分数。目标是，最大化正样本的相对得分，即让模型将正样本识别为"最匹配"的

理论推导1：最优得分函数的形式

首先，我们证明当得分函数$f(x,y)$达到最优时，其形式为：

$$f(x,y)=\log \frac{P(y|x)}{P(y)}$$
推导过程：

InfoNCE本质上是一个二分类问题，模型需要判断样本是来自联合分布$P(X,Y)$（正样本）还是边缘分布$P(X)P(Y)$（负样本）。

对于二分类问题，最优判别器在样本来自真实分布（正样本）的概率为：

$$D(x,y)=\frac{P(y|x)}{P(y|x)+(N-1)P(y)}$$

在InfoNCE中，判别器由softmax实现：
$$D(x,y)=\frac{\exp (f(x,y))}{\exp (f(y))+{\sum }_{i=1}^{N-1}\exp (f(x,y_i))}$$

令以上两个表达式相等
$$\frac{\exp (f(x,y))}{\exp (f(x,y))+{\sum }_{i=1}^{N-1}\exp (f(x,y_i))}=\frac{P(y|x)}{P(y|x)+(N-1)P(y)}$$
通过代数推导可得：
$$\exp (f(x,y))\cdot (N-1)P(y)=P(y|x)\cdot \sum _{i=1}^{N-1}\exp (f(x,y_i))$$

代数推导过程：
$$\frac{\exp (f(x,y))}{\exp (f(x,y))+{\sum }_{i=1}^{N-1}\exp (f(x,y_i))}=\frac{P(y|x)}{P(y|x)+(N-1)P(y)}$$
交叉相乘并整理：

$$\exp (f(x,y))\cdot \left[P(y|x)+(N-1)P(y)\right]=P(y|x)\cdot \left[\exp (f(x,y))+\sum _{i=1}^{N-1}\exp (f(x,y_i))\right]$$
展开后消去相同项：

$$\exp (f(x,y))\cdot (N-1)P(y)=P(y|x)\cdot \sum _{i=1}^{N-1}\exp (f(x,y_i))$$

假设负样本数量足够多（$N\to \infty$），求和项可近似为期望：（把 $N-1$ 除到右边）
$$\exp (f(x,y))=\frac{P(y|x)}{P(y)}\cdot {\mathbb{E}}_{y^{\prime }\sim P(y)}[\exp (f(x,y^{\prime }))]$$

两边取对数，并令归一化常数 $C(x)={\mathbb{E}}_{y^{\prime }}[\exp (f(x,y^{\prime }))]$，可得：

$$f(x,y)=\log \frac{P(y|x)}{P(y)}+\log C(x)$$

在InfoNCE的对称结构中，$C(x)$会被softmax分母中的求和项抵消，不影响损失优化，因此有效最优解为：

$$\boxed{f(x,y)=\log \frac{P(y|x)}{P(y)}}$$

意义：最优得分函数直接估计了密度比（density ratio），这正是互信息定义中的核心项。

理论推导2：infoNCE 损失的最优值

将最优得分函数 $f(x,y)=\log \frac{P(y|x)}{P(y)}$ 代入InfoNCE损失：

$${\mathcal{L}}_{\text{InfoNCE}}=\mathbb{E}\left[-\log \frac{\exp \left(\log \frac{P(y|x)}{P(y)}\right)}{\exp \left(\log \frac{P(y|x)}{P(y)}\right)+{\sum }_{i=1}^{N-1}\exp \left(\log \frac{P(y_i|x)}{P(y_i)}\right)}\right]$$

代数变换：
$${\mathcal{L}}_{\text{InfoNCE}}=\mathbb{E}\left[-\log \frac{\frac{P(y|x)}{P(y)}}{\frac{P(y|x)}{P(y)}+{\sum }_{i=1}^{N-1}\frac{P(y_i|x)}{P(y_i)}}\right]=\mathbb{E}\left[\log \frac{\frac{P(y|x)}{P(y)}+{\sum }_{i=1}^{N-1}\frac{P(y_i|x)}{P(y_i)}}{\frac{P(y|x)}{P(y)}}\right]$$

分子分母同乘 $P(y)$：
$${\mathcal{L}}_{\text{InfoNCE}}=\mathbb{E}\left[\log \left(1+\sum _{i=1}^{N-1}\frac{P(y_i|x)}{P(y_i)}\cdot \frac{P(y)}{P(y|x)}\right)\right](4.1)$$

注意到，负样本 $y_i$ 是从边缘分布 $P(y)$ 独立采样的。根据大数定律，当 $N$ 足够大时：

$$\sum _{i=1}^{N-1}\frac{P(y_i|x)}{P(y_i)}\approx (N-1)\cdot {\mathbb{E}}_{y^{\prime }\sim P(y)}\left[\frac{P(y^{\prime }|x)}{P(y^{\prime })}\right]$$

计算这个期望：

$${\mathbb{E}}_{y^{\prime }\sim P(y)}\left[\frac{P(y^{\prime }|x)}{P(y^{\prime })}\right]=\sum _{y^{\prime }}P(y^{\prime })\cdot \frac{P(y^{\prime }|x)}{P(y^{\prime })}=\sum _{y^{\prime }}P(y^{\prime }|x)=1$$

因此，式(4.1)简化为：

$${\mathcal{L}}_{\text{InfoNCE}}=\mathbb{E}\left[\log \left(1+(N-1)\cdot \frac{P(y)}{P(y|x)}\right)\right](4.2)$$

这即是 infoNCE 损失的最优值

理论推导3：infoNCE 的上界

以上已得
$${\mathcal{L}}_{\text{InfoNCE}}=\mathbb{E}\left[\log \left(1+(N-1)\cdot \frac{P(y)}{P(y|x)}\right)\right]$$
定义辅助变量$Z=\frac{P(y)}{P(y|x)}$，其期望为：
$$\mathbb{E}[Z]={\mathbb{E}}_{P(x,y)}\left[\frac{P(y)}{P(y|x)}\right]={\mathbb{E}}_{P(x)}\left[\sum _{y}P(y|x)\cdot \frac{P(y)}{P(y|x)}\right]={\mathbb{E}}_{P(x)}[1]=1$$
应用Jensen不等式（因对数函数为凹函数）：

$$\mathbb{E}\left[\log \left(1+(N-1)Z\right)\right]\le \log \mathbb{E}\left[1+(N-1)Z\right]=\log (1+(N-1)\mathbb{E}[Z])=\log N$$
因此：

$${\mathcal{L}}_{\text{InfoNCE}}\le \log N$$

理论推导4：证明互信息的下界

现在我们需要证明：

$$I(X;Y)\ge \log (N)-{\mathcal{L}}_{\text{InfoNCE}}$$

只需证
$$I(X;Y)+{\mathcal{L}}_{\text{InfoNCE}}-\log (N)\ge 0$$
其中
$$\begin{gathered} I(X;Y)=\mathbb{E}\left[\log \frac{P(y|x)}{P(y)}\right] \\ {\mathcal{L}}_{\text{InfoNCE}}=\mathbb{E}\left[\log \left(1+(N-1)\cdot \frac{P(y)}{P(y|x)}\right)\right] \end{gathered}$$
两项求和可得
$$I(X;Y)+{\mathcal{L}}_{\text{InfoNCE}}=\mathbb{E}\left[\log \left(\frac{P(y|x)}{P(y)}+N-1\right)\right]$$
进一步
$$I(X;Y)+{\mathcal{L}}_{\text{InfoNCE}}-\log (N)=\mathbb{E}\left[\log \left(\frac{P(y|x)}{NP(y)}+\frac{N-1}{N}\right)\right]$$
利用凹函数性质：$\log (ax+by)\ge a\log (x)+b\log (y)$，这里 $a+b=1$，$a,b>0$，可得
$$\log \left(\frac{P(y|x)}{NP(y)}+\frac{N-1}{N}\right)\ge \frac{1}{N}\log \frac{P(y|x)}{P(y)}+\frac{N-1}{N}\log (1)=\frac{1}{N}\log \frac{P(y|x)}{P(y)}$$
因此，上式可写为
$$I(X;Y)+{\mathcal{L}}_{\text{InfoNCE}}-\log (N)\ge \mathbb{E}\left[\frac{1}{N}\log \frac{P(y|x)}{P(y)}\right]\ge 0$$
整理得：
$$I(X;Y)\ge \log (N)-{\mathcal{L}}_{\text{InfoNCE}}$$

至此，互信息的下界得证。

总结

对比学习（如SimCLR、CLIP、MoCo）的成功，根本上是因为它们通过InfoNCE损失隐式地最大化了不同视图或模态间的互信息。模型被迫学习那些在不同变换下保持不变的特征——这些特征恰好承载了数据的核心信息。

从下界公式可以看出：

1. $\log (N)-{\mathcal{L}}_{\text{InfoNCE}}$ 的值越大，说明模型学到的表示中 $X$ 和 $Y$ 的互信息越高。
2. 负样本数 $N$ 越大，$\log (N)$ 项越大，下界越紧。但边际效应递减（log函数特性）。