L'apprentissage par représentation contrastive est une approche dans le domaine de l'apprentissage auto-supervisé, qui vise à générer une représentation significative des données.
Des paires d'exemples similaires (positifs) et différents (négatifs) sont formées afin d'entraîner un modèle qui rapproche les exemples similaires dans l'espace des caractéristiques et éloigne les exemples dissemblables.
Les méthodes typiques utilisent une fonction contrastive telle que la perte triplet ou la perte InfoNCE pour contrôler la distance entre les représentations.
Cette technique est fréquemment utilisée en traitement d'images, traitement du langage et dans d'autres domaines pour apprendre des caractéristiques robustes sans étiquettes explicites.