Unverified50% confidenceFactExact time
常见的对比学习损失函数包括 NT-Xent Loss 和 Triplet Loss
1
Sources
50%
Confidence
Long-term
Relevance
7/14/2026
First Seen
Sources
Related Claims
Unverified对比学习的核心损失函数（如InfoNCE、NT-Xent）本质是拉近同类样本表征距离、推远不同类样本表征距离78% similarUnverified该算法的损失函数包含三个部分：Focal Loss（正负样本均衡）、相似性损失（相邻点一致性约束）和形状损失（二阶平滑约束）78% similarUnverifiedMRL在训练时同时优化多个维度层级的损失函数，总损失是各粒度损失的加权和72% similarUnverified分散损失属于表示学习正则化方法族群，相较对比学习和白化变换，其优势在于直接作用于嵌入几何且无需构造对比样本对70% similarUnverified梯度下降的收敛条件与学习率和损失函数的Lipschitz常数的关系有关69% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/507867API
curl https://kongchang.com/api/v1/knowledge/claims/507867MCP
get_claim(id=507867)