Contrastive Learning
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 0
- 평가표
- 4
- 보존된 평가 기록
- 17
Contrastive Learning is a deep learning technique for unsupervised representation learning. The goal is to learn a representation of data such that similar instances are close together in the representation space, while dissimilar instances are far apart.
It has been shown to be effective in various computer vision and natural language processing tasks, including image retrieval, zero-shot learning, and cross-modal retrieval. In these tasks, the learned representations can be used as features for downstream tasks such as classification and clustering.
<span style="color:grey; opacity: 0.6">(Image credit: Schroff et al. 2015)</span>
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
의미적 관계를 조건으로 하는 다중모달 표현 학습
식별 후 실현: 부분 관측으로부터 잠재 포트-해밀토니안 역학의 대조 학습
지문 인식을 위한 하이브리드 양자-고전 자기지도학습의 너비 일치 비교
BaCP: 극도로 희소한 신경망에서 표현을 보존하기 위한 백본 대조 가지치기
WAON: 대조 비전-언어 모델의 문화적 적응을 위한 대규모 일본어 이미지-텍스트 데이터셋
커널 정준 상관 분석을 통한 VLM의 시각적 표현 강화 재고
월드 임베딩 벤치마크
FairSSL: 공정한 멀티모달 자기지도학습
대조 어텐션을 통한 스파이킹 트랜스포머의 스펙트럼 바이어스 완화
오픈 도메인을 위한 실시간 외형 기반 시선 추정
Video-STLayout 사전학습
대조적 궤적 반발을 통한 더 부드러운 플로우 매칭
실패로부터의 학습: 준지도 실제 악천후 제거에서 신뢰할 수 없는 예측 활용
Omni-Embed-Mini: 조밀 증류를 통해 망각 없이 모달리티를 결합하기
EnComp: 검색-증강 질의응답을 위한 경량 인코더 전용 컨텍스트 압축
얽힘이 격차의 하한을 규정할 때: 오디오 이해 모델의 인구통계적 공정성 감사 및 보정
저작자 검증을 위한 대조 학습
AdaDim: SSL 표현 역학을 위한 차원성 적응
ASCIIBench: 시각 지향 텍스트에 대한 언어 모델 기반 이해 평가
결합된 쌍별 레이블을 활용한 이진 분류
작은 단서, 큰 결과: 멀티모달 밈 분류를 위한 핵심 단서 학습
종단적 혈당 표현을 위한 전이 가능한 근거 재구성
VLM2GeoVec: 원격 탐사를 위한 범용 멀티모달 임베딩을 향하여
STAMBRIDGE: EEG 시각 디코딩을 위한 스펙트럴-시간 진폭 인식 중간 특징 브리지
조건부 시각적 증거 유틸리티: 동결된 비전-언어 인코더에서의 상태 의존적 순위 역전
자동 신세포암 등급 분류를 위한 조직병리학 및 CT 기반 교차 모달 대조 학습
MINER: 고정 이중 인코더를 이용한 희귀 객체 검색을 위한 다중 크롭 추론 시 강화
평균 Foil을 넘어: 고정 CLIP 영역 설명의 최악-Foil 특이성 감사
ASAP: AI 생성 이미지의 이미지 패턴 식별 및 분석을 위한 시각적 분석 시스템
다시점 객체 연관 및 경계 정제를 통한 강건한 개방 어휘 3D 분할을 위한 Hybrid Gaussians
LiAM-SAM: 견고한 SAM2 기반 MOT를 위한 생명주기 인식 메모리
3D 공간 인식을 갖춘 2D 표현을 위한 깊이 유도 대조 학습
EidosDoc: 비용 효율적인 반구조화 문서 QA를 위한 암시적 구조 인코딩
CausalEmbed: 시각 문서 임베딩을 위한 잠재 공간에서의 자기회귀 멀티벡터 생성
모달리티 게이트 딥 어댑터: 기존 출력을 정확히 보존하면서 고정된 임베딩 모델에 모달리티 추가하기
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.