对比学习和多视图聚类问题

跨视图对比学习要从两个方面入手：

1.对比学习

2.多视图问题

首先我们先浅谈一下对比学习，对比学习的主要目的是令模型学习特征，以无标签的对比学习为例，我们构造正样本和负样本，令学习的特征与正样本相近，与负样本相远。其中我们会设计一些步骤，例如增强学习，或者构造一些特定的损失，令我们更好的完成任务，而其中这些细分任务的不同，比如可以不用负样本，就导致了多种对比学习方法的产生，但本质，都是一种自监督的 学习，他可以允许我们在有标签，标签稀少，甚至无标签情况下学习样本特征。

例如该图，我们可以在少标签的情况下去学习特征。

多视图问题：

假设我们处理聚类问题，几篇文章可能看起来毫不相关，不能分为一类，例如哪个足球俱乐部夺了哪场比赛 的冠的报道和对某个人的专访，我们不会把他们放到同一类，但是有可能这里面的核心人物都是同一个，我们将这两种文本称为一类文本的不同视图，要解决这种问题，现在常用的方法多分成以下几类：

(1) 自我表示学习
(2) 矩阵分解
(3) 共享视图锚点学习

但以上方法存在着时间复杂度过高，或者子空间表示有缺陷，学习特征存在问题等一系列问题。

参考： https://analyticsindiamag.com/contrastive-learning-self-supervised-ml/