Odborné vysvětlení: Kontrastivní učení je technika samořídicího učení, kde se model učí rozlišovat mezi podobnými a odlišnými příklady. Využívá princip přitahování podobných vzorků a odpuzování odlišných v latentním prostoru. Metody zahrnují SimCLR (Simple Framework for Contrastive Learning of Visual Representations), MoCo (Momentum Contrast) a BYOL (Bootstrap Your Own Latent). Cílem je naučit se robustní a obecné reprezentace dat, které jsou užitečné pro širokou škálu úkolů downstream.
Vysvětlení pro laiky: Kontrastivní učení je jako učit počítač rozpoznávat podobnosti a rozdíly mezi věcmi. Představte si, že učíte dítě rozlišovat mezi různými druhy ovoce – ukážete mu, že jablka a hrušky jsou si podobnější než jablka a banány. Počítač se podobně učí rozpoznávat, které věci patří k sobě a které ne, aniž by mu někdo musel říkat přesné kategorie. To mu pomáhá lépe porozumět struktuře dat a později je využít pro různé úkoly.
Contrastive Learning is a self-supervised learning technique where the model learns to distinguish between similar and dissimilar examples. It uses the principle of attracting similar samples and repelling dissimilar ones in latent space. Methods include SimCLR (Simple Framework for Contrastive Learning of Visual Representations), MoCo (Momentum Contrast), and BYOL (Bootstrap Your Own Latent). The goal is to learn robust and general data representations that are useful for a wide range of downstream tasks.
