Core Concepts
スコアマッチング関数を使用したScoreCLは、異なる拡張ビューの差異を適応的に扱い、表現学習の性能を向上させます。
Abstract
自己教師付き対照学習(CL)は、異なる拡張された正のペア間の類似性を奨励することで、優れた表現学習結果を達成しています。
スコアマッチング関数は、データがどれだけ変化したかを測定し、それに基づいて重み付けされた自動適応型対照損失を提案します。
実験と検証により、ScoreCLは既存のCL手法に一貫して改善をもたらし、画像分類タスクで最大3%pの向上を実現します。
スコアマッチング関数が異なる拡張ビュー間の差異と関連していることが示唆されており、この特性を活用する新しいフレームワークが提案されています。
Stats
モデルはImageNetおよびCIFARデータセットで最大3%pの精度向上を実現しています。
スコア値は拡張強度と相関があります(Fig. 1)。
スコア値の差は2つの異なる拡張間の差と相関しています(Fig. 3)。
複数の拡張方法が適用される場合でもスコア値は非線形相関があります(Fig. 4)。
Quotes
"Drawing on empirical evidence of a correlation between score values and the strength of augmentation, we present a novel CL framework."
"We propose a simple but novel CL framework called 'Score-Guided Contrastive Learning', namely ScoreCL."
"Our method can be easily applied to existing CL methods regardless of whether they use negative pairs."