AITerms 登入
機器學習深度學習自監督學習

對比學習(Contrastive Learning)是什麼?

對比學習是一種自監督學習方法,通過學習區分相似和不相似的樣本,從而提取資料的有效表示,無需人工標註。

完整定義

對比學習是一種自監督學習方法,旨在通過學習區分相似(正樣本)和不相似(負樣本)的樣本,從而提取資料的有效表示。它不需要人工標註,而是利用資料本身的結構來生成訓練信號。對比學習在電腦視覺、自然語言處理等領域取得了顯著的成果。

白話說明

你有沒有發現,AI 有時不是靠背答案,而是靠分清楚誰像誰、誰不像誰?

你可以把對比學習想成「把相似的拉近,把不相似的推遠」:模型不是先拿標籤死背,而是學會判斷資料之間的關係。

它很重要,因為很多資料沒有人工標註,對比學習能利用大量原始資料先學出好表示,之後再拿去做分類、檢索或推薦。

記住這句

相似的靠近,不相似的拉開。

比喻:對比學習就像教小朋友認識動物 -- 你給他看很多貓的圖片,同時也給他看狗的圖片,告訴他哪些是「貓」,哪些「不是貓」,這樣他就能自己學會貓的特徵。

容易混淆

對比學習 vs 監督學習 vs 自監督學習

對比學習:透過比較樣本相似度來學表示

監督學習:靠人工標籤直接學答案

自監督學習:從資料本身造出訓練訊號,對比學習常屬於這一類

最關鍵的區別:對比學習的重點是「學表示」,不是直接背標籤。

實際案例

圖片搜尋

前:不同照片都被看成一堆像素,沒辦法判斷誰像誰

後:先學出圖片向量,讓同類物件靠近,檢索時更容易找對

語意配對

前:句子太多、標註太少,很難直接做監督訓練

後:用對比學習先讓相似句子靠近,再拿這些表示做下游任務

演算法與應用

對比學習常需要正樣本和負樣本,搭配資料增強、嵌入表示和相似度損失函數

它常出現在語意搜尋、圖片表徵、跨模態表示與預訓練流程

這方法的關鍵,不是把資料分類死,而是把結構學出來

情境判斷

Q1(直覺題): 如果模型學會把同類圖片向量拉近,這像對比學習嗎?

像,這就是它最典型的目標。

Q2(判斷題): 只要沒有人工標籤,就一定是對比學習嗎?

不一定。沒有標籤還有很多自監督方法,對比學習只是其中一種。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 4 題把對比學習列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本