研究者提出可微排序损失 gSAP

研究者提出 gSAP，一种全局平均精度（gAP）的可微替代损失，用于表示学习。据作者介绍，它只需相似度矩阵和正样本对二值矩阵，输入与现有损失相同，可即插即用，且不依赖编码器、模态和监督来源。 作者称，在相同精度下，gSAP 检索到的正样本对最多为最强 AP 替代损失的 4 倍，并在低温度下仍可训练。将其替换进现有方案后，监督度量学习、跨模态对齐和自监督预训练均有提升；作者称后两者是首个取代 InfoNCE 的排序损失。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。