【机器学习】机器学习的基本分类-自监督学习-对比学习（Contrastive Learning）

对比学习是一种自监督学习方法，其目标是学习数据的表征（representation），使得在表征空间中，相似的样本距离更近，不相似的样本距离更远。通过设计对比损失函数（Contrastive Loss），模型能够有效捕捉数据的语义结构。

---

核心思想

对比学习的关键在于：

1. 正样本（Positive Pair）：具有相似语义或来源的样本对，例如同一图像的不同增强版本。
2. 负样本（Negative Pair）：语义不同或来源不同的样本对，例如不同图像。

通过对比正负样本对，模型能够学习区分不同数据点的特征。

---

方法流程

1. 数据增强：对一个样本 x 应用两种不同的增强方法，生成 ​，作为正样本对。
2. 特征提取：通过编码器（如卷积神经网络）将数据映射到潜在特征空间，得到表征 。
3. 对比损失：设计损失函数，使正样本对的表征距离最小化，负样本对的表征距离最大化。

---

对比学习的损失函数

1. 对比损失（Contrastive Loss）

对比损失鼓励正样本对的距离更小，负样本对的距离更大。