Les méthodes d'apprentissage contrastif sont une classe de méthodes d'apprentissage auto-supervisées qui visent à apprendre une représentation où des points de données similaires sont proches les uns des autres dans l'espace des caractéristiques, tandis que les points dissemblables sont plus éloignés.
Cela est généralement réalisé par une perte contrastive, qui utilise des paires d'exemples similaires (positifs) et dissemblables (négatifs).
Des approches connues sont SimCLR, MoCo ou BYOL, qui utilisent différentes stratégies pour générer des exemples positifs et négatifs et optimiser les représentations.
L'apprentissage contrastif permet de produire des vecteurs de caractéristiques robustes sans étiquettes explicites, qui peuvent être utilisés pour de nombreuses tâches ultérieures telles que la classification ou le clustering.
La qualité de la représentation dépend du choix des paires positives et négatives ainsi que de l'architecture du modèle sous-jacent.