Contrastive Loss / Hàm Mất mát Tương phản

📖 Contrastive Loss

Definition (English):

Contrastive loss trains models to pull similar pairs together and push dissimilar pairs apart in embedding space. It is defined on pairs of examples with a binary similarity label. Triplet loss extends this to anchor-positive-negative triplets with a margin. InfoNCE loss (used in CLIP, SimCLR) normalizes over a batch for efficient contrastive learning. Contrastive loss is fundamental to modern representation learning.

📖 Hàm Mất mát Tương phản

Định nghĩa (Tiếng Việt):

Hàm mất mát tương phản huấn luyện mô hình kéo các cặp tương tự lại gần và đẩy các cặp không tương tự ra xa trong không gian embedding. Nó được định nghĩa trên các cặp ví dụ với nhãn tương đồng nhị phân. Hàm mất mát triplet mở rộng thành bộ ba anchor-positive-negative với margin. Hàm InfoNCE (dùng trong CLIP, SimCLR) chuẩn hóa qua batch cho học tương phản hiệu quả. Hàm mất mát tương phản là nền tảng cho học biểu diễn hiện đại.

📂 Phân loại: Algorithms