Kontrastive Repräsentationslernen ist ein Ansatz im Bereich des selbstüberwachten Lernens, der darauf abzielt, eine sinnvolle Einbettung (Repräsentation) von Daten zu erzeugen.
Dabei werden Paare von ähnlichen (positiven) und unterschiedlichen (negativen) Beispielen gebildet, um ein Modell zu trainieren, das ähnliche Beispiele im Merkmalsraum näher zusammenführt und unähnliche weiter entfernt.
Typische Verfahren verwenden eine Kontrastivfunktion wie den Triplet Loss oder den InfoNCE Loss, um den Abstand zwischen den Repräsentationen zu steuern.
Diese Technik wird häufig in der Bildverarbeitung, Sprachverarbeitung und anderen Bereichen eingesetzt, um robuste Merkmale ohne explizite Labels zu lernen.