El aprendizaje contrastivo es un método de aprendizaje que tiene como objetivo generar una representación de los datos en la que los puntos de datos similares estén más cerca en el espacio de características que los no similares.
Esto se logra mediante el uso de pares o tríos de ejemplos, en los que los pares positivos (ejemplos similares) se acercan y los pares negativos (ejemplos no similares) se mantienen separados.
Los enfoques típicos utilizan funciones de pérdida como la pérdida triplete o la pérdida InfoNCE para optimizar las distancias en el espacio de características.
El aprendizaje contrastivo es especialmente efectivo en el aprendizaje auto-supervisado, ya que no requiere etiquetas explícitas y genera características robustas para tareas posteriores como clasificación o agrupamiento.
Aplicaciones conocidas se encuentran en el procesamiento de imágenes, procesamiento del lenguaje y en el preentrenamiento de redes neuronales.