Контрастивное обучение представлений — это подход в области самоконтролируемого обучения, направленный на создание осмысленного встраивания (репрезентации) данных.
При этом формируются пары похожих (позитивных) и различных (негативных) примеров для обучения модели, которая сближает похожие примеры в пространстве признаков и отдаляет непохожие.
Типичные методы используют контрастивную функцию, такую как Triplet Loss или InfoNCE Loss, для управления расстоянием между репрезентациями.
Эта техника часто применяется в обработке изображений, обработке речи и других областях для обучения устойчивых признаков без явных меток.