噪音对比估计（NCE）是一种新的统计模型估计方法，能够用来解决神经网络的复杂计算问题，因此在图像处理和自然语言处理中得到广泛应用。
噪音对比估计（NCE, Noise Contrastive Estimation）是一种新的统计模型估计方法，由 Gutmann 和 Hyv¨arinen 提出来，能够用来解决神经网络的复杂计算问题，因此在图像处理和自然语言处理中得到广泛应用。
介绍
噪音对比估计（NCE, Noise Contrastive Estimation）是一个迂回但却异常精美的技巧，它使得我们在没法直接完成归一化因子（也叫配分函数）的计算时，就能够去估算出概率分布的参数。
NCE 与负采样简述
NCE 的系统提出是在 2010 年的论文 Noise-contrastive estimation: A new estimation principle for unnormalized statistical models 中，后面训练大规模的神经语言模型基本上都采用 NCE 或者类似的 loss 了。
论文的标题其实就表明了 NCE 的要点：它是“非归一化模型”的一个“参数估计原理”，专门应对归一化因子难算的场景。
但事实上，“负采样”的思想其实早就被使用了，比如就在 2008 年的 ICML 上，Ronan Collobert 和 Jason Weston 在发表的 A Unified Architecture for Natural Language Processing: Deep Neural Networks with Multitask Learning 中已经用到了负采样的方法来训练词向量。
要知道，那时候距离 Word2Vec 发布还有四五年。关于词向量和语言模型的故事，请参考 licstar 的《词向量和语言模型》。
基于同样的为了降低计算量的需求，后来 Google 的 Word2Vec 也用上了负采样技巧，在很多任务下，它还比基于 Huffman Softmax 的效果要好，尤其是那个“词类比（word analogy）”实验。这里边的奥妙，我们马上就来分析。
