La supervisión contrastiva es un enfoque en el ámbito del aprendizaje auto-supervisado, en el que un modelo aprende a generar representaciones que acercan puntos de datos similares y separan más los diferentes.
Esto se logra generalmente mediante el uso de los llamados pares positivos y negativos, donde los pares positivos son diferentes vistas o transformaciones del mismo ejemplo.
Las técnicas típicas incluyen el uso de funciones de pérdida contrastiva como la pérdida InfoNCE, que instruyen al modelo para maximizar la similitud entre pares positivos y minimizarla entre pares negativos.
Este método permite aprender características útiles que pueden ser utilizadas para diversas tareas como clasificación o agrupamiento, sin necesidad de etiquetas explícitas.