arXiv发布共享高斯化对比学习理论研究

arXiv 的 stat.ML 板块发布了一篇由 Ruoyu Zhao 等作者提交的论文，研究共享高斯化（SG）这一对比学习理论工具。SG 的做法是对两个归一化视图的均值做特征函数高斯性检验，并按独立的 χ_d 半径缩放。 论文称，SG 能同时检测视图错位与非均匀性，并在总体 InfoNCE 的对齐均匀极小点处恰好消失。在等边际条件下，SG 以 4·3^{3/4}β 倍 SG 损失的平方根加上一个线性项界定 InfoNCE 超额，论文称该平方根速率与无量纲常数均为紧的。

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。