本次查询：Contrastive Learning
中文解释：对比学习
常见场景：主要用于无标签数据的预训练 / 常见于计算机视觉（如图像分类 / 目标检测） / 自然语言处理（如句子嵌入）和推荐系统的item嵌入学习。
一句话解释
对比学习是一种自监督学习方法，核心思想是让模型学会把相似的数据拉近，把不相似的数据推远，从而在没有标签的情况下提取高层次的语义特征。
为什么会被关注
传统深度学习依赖大量人工标注数据，成本高且难以扩展到新场景。对比学习利用数据本身的变换（如裁剪、旋转、加噪声）自动构造正负样本，在ImageNet等基准上取得了接近甚至超过有监督学习的效果。
它还推动了多模态理解（如CLIP）、少样本学习和迁移学习的发展，降低了AI应用的落地门槛，因此成为近年顶会论文的热点方向。
核心逻辑
对比学习的基本流程是：对每个输入样本，生成两个不同的增强版本作为正样本对，并从全局批次或存储队列中抽取其他样本作为负样本。模型通过一个对比损失函数（如NT-Xent损失）使正样本对的表征尽可能接近，负样本对的表征相互远离。
关键设计包括数据增强策略（决定什么变换不改变语义）、负样本的数量和质量（影响区分难度），以及避免模型坍塌的机制（如预测头、动量编码器）。代表性方法有SimCLR、MoCo和BYOL。
常见场景
在计算机视觉中，对比学习常用于预训练ResNet、ViT等骨干网络，后续再用少量标签微调，显著降低标注成本。例如医学影像分析中，利用对比学习从大量未标注CT图像学习通用解剖结构特征。
自然语言处理领域，对比学习被用于学习句子级的语义嵌入，通过同义句和无关句的对比提升检索和问答性能。推荐系统中，它可用于学习用户和物品的ID嵌入，通过用户点击序列构造正负样本。
容易混淆的点
对比学习不等于全部自监督学习。自监督学习还包括生成式（如掩码重建、图像补全）和预测式（如旋转预测）等方法，而对比学习仅依赖于样本之间的判别关系，并非生成内容。
对比学习与三元组损失（Triplet Loss）原理相似，但三元组损失通常在度量学习中使用固定锚点+一个正例+一个负例，而对比学习采用更灵活的批内负采样策略，并通常结合数据增强生成正例。