概述
这很重要，因为它可以让人工智能从大多数未标记的数据中学习强大的表示，从而为图像搜索、推荐和多模态模型提供支持。
深入探讨
对比学习不是预测标签，而是通过比较来学习：给定一个锚点，对模型进行训练，以便匹配的“正”落在向量空间中靠近它的位置，而不匹配的“负”落在远处。常见的自我监督方法（如 SimCLR）通过对同一图像进行两次随机增强（裁剪、颜色抖动、模糊）来创造积极效果；该批次中的其他所有内容均为阴性。该模型将输入映射到向量，并且损失奖励该对的高相似性和其余的低相似性。这会产生距离反映含义的嵌入，因此下游任务需要的标签要少得多。 CLIP 在各种模式中应用了相同的想法，将图像与其标题相匹配。
现实世界的实施
CLIP 学习共享图像文本空间，以便您可以使用键入的短语（如“滑板上的狗”）搜索照片库。
使用 SimCLR 在未标记的照片上预训练视觉主干，然后对其进行微调，仅使用少量标记集进行疾病检测。
构建产品或歌曲推荐，其中用户喜欢的项目嵌入紧密结合在一起，以便进行最近邻居检索。
人脸验证系统可以训练嵌入，使同一个人的两张照片距离很近，而不同人的两张照片距离很远。
对比学习的未来
对比学习正在与屏蔽式和生成式自我监督融合成混合目标，捕捉全局相似性和细节。其最大的影响是多模式的：对比对齐的图像文本（现在是音频和视频）嵌入支撑搜索、检索增强生成和零样本分类，并且足迹将会增长。预计会有更多工作来减少对大批量的需求，更好的增强和负挖掘策略，以及将该方法扩展到标签稀缺和昂贵的医学成像和时间序列等领域。
付诸实践
为什么这很重要
- 成本与预算. 多年来，架构决策决定着性能和运营成本。
- 更清晰的判决. 技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
- 质量控制. 更好的工程选择可以减少生产中的可靠性事故。
留意
- 优化一项基准测试可以隐藏更广泛的系统弱点。
- 基础设施和维护成本常常被低估。
- 随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
后续步骤
- 在实施之前定义延迟、质量和成本目标。
- 在实际负载和数据条件下进行基准测试。
- 仪器监控错误、漂移和用户影响。
- 在扩展之前准备回滚和事件响应路径。
不断探索
常见问题
什么是对比学习？
对比学习教导模型将相似的事物放在一起，并将不同的事物在嵌入空间中分开。这很重要，因为它可以让人工智能从大多数未标记的数据中学习强大的表示，从而为图像搜索、推荐和多模态模型提供支持。
对比学习的核心目标是什么？
对比学习塑造了一个嵌入空间，因此匹配对很近，不匹配对则相距很远。
在 SimCLR 这样的自监督图像方法中，通常如何创建正对？
SimCLR 从一幅图像的两个增强视图中形成正片，而批次中的其他图像则作为负片。
哪种损失函数与对比学习最相关？
InfoNCE 是一个关于温度相似度得分的 softmax，是标准的对比目标。
为什么像 MoCo 这样的方法使用内存库或队列？
对比学习有很多缺点。队列提供它们，同时保持批量大小易于管理。
BYOL 和 SimSiam 在不使用明确否定的情况下特别防范什么问题？
如果没有负数，模型可以轻松地将所有内容映射到同一个向量；停止梯度和动量目标可以防止这种崩溃。