A Unified Geometric Framework for Weighted Contrastive Learning

Kontrastives Lernen zielt darauf ab, relationale Strukturen zwischen Samples zu erhalten, indem Repräsentationen gelernt werden, die einen Ähnlichkeitsgraphen widerspiegeln. Dieses Papier interpretiert gewichtete InfoNCE-Ziele als Distanzgeometrie-Probleme und bietet einen einheitlichen geometrischen Rahmen sowie exakte Charakterisierungen optimaler Einbettungen, wobei aufgezeigt wird, wie Klassenasymmetrie die Ähnlichkeiten zwischen Klassen in SupCon beeinflusst.