Contrastive Learning（對比學習）是一種機器學習技術，核心思想是通過比較樣本對，學習有效的特徵表示，使得在嵌入空間中，相似的樣本彼此靠近，而不同的樣本則相互遠離。它不依賴於大量標記數據，且廣泛應用於無監督和自監督學習中。
Contrastive Learning 的主要原理：
• Anchor（錨點）：基準樣本。• Positive（正樣本）：與錨點相似的樣本（如同一個物體或同一類別的圖像）。
• Negative（負樣本）：與錨點不相似的樣本。
• 模型學習將錨點與正樣本的距離拉近，並推遠錨點與負樣本的距離。
損失函數：
• InfoNCE、Triplet Loss 等常用於強化這一學習目標，使得模型在學習過程中優化相似度關係。
應用範圍：
• 圖像識別與檢索
• 自然語言處理（詞向量、語句嵌入）
• 多模態學習（視覺-語言對齊）
• 強化學習中的特徵提取
• 生成模型的表示學習
簡單來說，對比學習讓模型學會區分「誰跟誰比較像」，通過對比樣本間的相似和差異來自動提取有意義的特徵，提升模型泛化和表示能力。
總結：
Contrastive Learning 是一種通過對比正負樣本，學習有區分力嵌入表示的技術，是無監督學習和自監督學習中強大且廣泛應用的方法，推動了計算機視覺和自然語言處理等多領域的突破。
