Contrastive Loss 是機器學習中特別用於度量學習（metric learning）的一種損失函數。其目標是讓模型學習一個嵌入空間，使得相似的樣本在該空間中彼此靠近，而不相似的樣本被推遠。Contrastive Loss 通常用於處理成對的樣本（pairwise），對每一對樣本計算損失，鼓勵模型拉近相似對的距離並拉遠不相似對的距離。
主要功能與應用• 學習判別性嵌入：讓模型能區分不同類的樣本表示。
• 應用場景：人臉識別、圖像檢索、語義匹配、推薦系統、多模態對齊等。
• 使得在嵌入空間中，類似樣本聚集、不相似樣本分散。
與 Triplet Loss 的區別
• Contrastive Loss 基於「樣本對」學習，關注兩個樣本之間的距離。
• Triplet Loss 基於「三元組」（錨點、正樣本、負樣本），強制正樣本相對錨點距離小於負樣本距離，具有更強的相對距離約束。
簡單比喻：
Contrastive Loss 就像教導模型判斷「誰是好朋友」（相似對距離近）、「誰是路人」（不相似對距離遠），並在訓練過程中通過懲罰和獎勵來強化這種區分能力。
總結：
Contrastive Loss 是對比學習的核心損失函數，通過拉近相似樣本距離和拉遠不相似樣本距離，促使模型學習區分性強的特徵表示，廣泛應用於視覺、語言和多模態等領域。
