Los métodos de aprendizaje contrastivo son una clase de técnicas de aprendizaje auto-supervisado que tienen como objetivo aprender una representación en la que puntos de datos similares estén cerca en el espacio de características y los no similares estén más alejados.
Esto se realiza generalmente mediante una pérdida contrastiva, que utiliza pares de ejemplos similares (positivos) y no similares (negativos).
Enfoques conocidos son SimCLR, MoCo o BYOL, que emplean diferentes estrategias para generar ejemplos positivos y negativos y optimizar las representaciones.
El aprendizaje contrastivo permite generar vectores de características robustos sin etiquetas explícitas, que pueden ser usados para muchas tareas posteriores como clasificación o agrupamiento.
La calidad de la representación depende de la selección de los pares positivos y negativos, así como de la arquitectura del modelo subyacente.