表征学习全景
从原始数据到语义特征，表征学习如何让机器"理解"数据结构。
点击按钮查看不同表征学习范式
对比学习原理
通过拉近正样本、推远负样本学习高质量表征。
点击按钮查看对比学习核心机制
SimCLR框架
简单对比学习框架：数据增强→编码器→投影头→NT-Xent损失。
点击按钮查看SimCLR各组件
BYOL框架
无需负样本：在线网络+目标网络+预测器+stop-gradient。
点击按钮查看BYOL核心设计
掩码自编码(MAE)
随机遮掩输入并重建，让模型从上下文中推断缺失信息。
点击按钮查看MAE工作原理
特征空间几何
对比学习如何塑造特征空间的几何结构。
点击按钮查看特征空间变化
降维与可视化
t-SNE与UMAP：将高维特征投射到2D平面进行可视化分析。
点击按钮查看不同降维方法
应用与基准
从线性探测到迁移学习，对比学习的下游任务表现。
点击按钮查看下游任务表现