বিপরীত শিক্ষা

It matters because it lets AI learn powerful representations from mostly unlabeled data, powering image search, recommendations, and multimodal models.

একটি লেবেল ভবিষ্যদ্বাণী করার পরিবর্তে, বৈপরীত্য শিক্ষা তুলনা করে শেখে: একটি অ্যাঙ্কর আইটেম দেওয়া হলে, মডেলটিকে প্রশিক্ষিত করা হয় যাতে একটি মিলিত 'পজিটিভ' ভেক্টর স্পেসে এটির কাছাকাছি ল্যান্ড করে যখন অ-ম্যাচিং 'নেতিবাচক' ভূমি অনেক দূরে। একটি সাধারণ স্ব-তত্ত্বাবধানে থাকা রেসিপি (সিমসিএলআরের মতো) একই চিত্রের দুটি এলোমেলো পরিবর্ধন গ্রহণের মাধ্যমে ইতিবাচকতা তৈরি করে (ক্রপ, কালার জীটার, ব্লার); ব্যাচের অন্য সব কিছুই নেতিবাচক। মডেলটি ভেক্টরে ইনপুট ম্যাপ করে এবং ক্ষতির ফলে জুটির জন্য উচ্চ মিল এবং বাকিদের জন্য কম মিল পাওয়া যায়। এটি এমবেডিং তৈরি করে যেখানে দূরত্ব অর্থকে প্রতিফলিত করে, তাই একটি ডাউনস্ট্রিম টাস্কের জন্য অনেক কম লেবেল প্রয়োজন। CLIP তাদের ক্যাপশনের সাথে মিলে যাওয়া ছবিগুলিকে, মোডালিটি জুড়ে একই ধারণা প্রয়োগ করে৷