摘要
提出SimCLR，用于视觉表征的对比学习，简化了最近提出的对比自监督学习算法，为了理解是什么使对比预测任务能够学习有用的表示，系统研究了提出框架的主要组成部分，发现：
（1）数据增强的组成在定义有效的预测任务中起着关键的作用
（2）在表示和对比损失之间引入一个可学习的非线性变换，大大提高了已学习表示的质量
（3）与监督学习相比，对比学习受益于更大的批量规模和更多的训练步骤
SimCLR学习的自监督表示训练的线性分类器达到了76.5%的top-1精度，比之前的技术水平提高了7%，与监督ResNet-50的性能相匹配。
方法
- 对比学习框架
随机采样一个minibatch的数据（N个样本），定义生成的增强样本对的对比预测任务，得到2N个数据点，给定一个正例对，将其它2(N-1)个增强样本当作负例，相似性度量采用余弦距离，则正例对（i,j）的损失函数为：
τ代表温度参数，最后的损失是计算所有正例样本对，包含(i,j)和(j,i)，称之为NT-Xent (the normalized temperature-scaled cross entropy loss)
提出的方法可总结为：
实验
1. 投影头实验发现：
- 非线性投影比线性投影好（>3%），比不投影高很多（>10%）
- 隐藏层在投影头前面比在层后面要好
2. NT-Xent损失与其它常用对比损失函数的比较（logistic loss、margin loss）：
3. 采用不同标签训练时的指标对比：
公众号
- Representation Segmentation Multimodal Modalities Learningrepresentation segmentation multimodal modalities representation incremental classifier learning representation sparsification learning robust representation generative synthesis learning image representation continuous learning representation unsupervised degradation learning classification learning-based fine-grained segmentation multimodal multimodal backdoors answering dual-key modalities