La codage contrastive est une méthode d'apprentissage où un modèle est entraîné à représenter des points de données similaires plus proches les uns des autres et des points dissemblables plus éloignés dans l'espace des caractéristiques.
Typiquement, des paires d'exemples sont utilisées : des paires positives (similaires) et des paires négatives (dissimiles).
Le modèle optimise une fonction de perte, comme la perte contrastive ou la perte InfoNCE, pour imposer cette structure.
Cette technique est souvent appliquée dans des approches d'apprentissage auto-supervisé pour générer des vecteurs de caractéristiques robustes et significatifs, qui peuvent ensuite être utilisés pour la classification ou d'autres tâches.
Un exemple est celui des représentations d'images ou de textes, où différentes vues ou transformations du même objet sont considérées comme positives.