研究提出对比学习内部差异度量与泛化界

Jialiang Wang 等作者提出“内部差异”度量，用来量化正样本平均表征与潜在聚类中心之间的差异，并据此证明对比学习后下游监督任务的泛化界，无需额外假设。作者称该界统一了多种既有假设。 研究据此提出用松弛 k-means 损失近似降低内部差异，并从对比学习引发的监督损失角度解释类别不平衡下对比学习为何有助于不平衡学习。

AI 根据报道生成 · 49 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。