对比损失(Contrastive Loss)在度量学习中的作用

对比损失由Yann LeCun提出，公式：L = (1-Y)·½·D² + Y·½·max(0, m-D)²。其中Y=0表示正样本对（相似），Y=1表示负样本对（不相似），D为两样本嵌入的欧氏距离，m为边界(margin)。作用：(1)让相似样本的距离D趋近于0。(2)让不相似样本的距离D至少为m——小于m则继续分离。应用：人脸验证（FaceNet）、图像检索、少样本学习等。对比损失是度量学习的基础，后续发展出Triplet Loss（三元组损失，含Anchor/Positive/Negative）和InfoNCE Loss（SimCLR用的对比损失）。