---
title: "對比學習（Contrastive Learning）"
slug: contrastive-learning
language: zh-TW
source: https://aiterms.tw/terms/contrastive-learning
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 自監督學習, 電腦視覺, 自然語言處理, 模型訓練, 特徵工程, AI應用, AI基礎]
ipas_term: false
---

# 對比學習（Contrastive Learning）

> **你有沒有發現，AI 有時不是靠背答案，而是靠分清楚誰像誰、誰不像誰？**
>
> 你可以把對比學習想成「把相似的拉近，把不相似的推遠」：模型不是先拿標籤死背，而是學會判斷資料之間的關係。
>
> 它很重要，因為很多資料沒有人工標註，對比學習能利用大量原始資料先學出好表示，之後再拿去做分類、檢索或推薦。

### 容易混淆

> **對比學習 vs 監督學習 vs 自監督學習**
>
> 對比學習：透過比較樣本相似度來學表示
>
> 監督學習：靠人工標籤直接學答案
>
> 自監督學習：從資料本身造出訓練訊號，對比學習常屬於這一類
>
> 最關鍵的區別：對比學習的重點是「學表示」，不是直接背標籤。

### 記住這句就好

> 相似的靠近，不相似的拉開。

### 實際案例

> **圖片搜尋**
>
> 前：不同照片都被看成一堆像素，沒辦法判斷誰像誰
>
> 後：先學出圖片向量，讓同類物件靠近，檢索時更容易找對
>
> **語意配對**
>
> 前：句子太多、標註太少，很難直接做監督訓練
>
> 後：用對比學習先讓相似句子靠近，再拿這些表示做下游任務

### 算法與應用

> 對比學習常需要正樣本和負樣本，搭配資料增強、嵌入表示和相似度損失函數
>
> 它常出現在語意搜尋、圖片表徵、跨模態表示與預訓練流程
>
> 這方法的關鍵，不是把資料分類死，而是把結構學出來

### 情境判斷

> **Q1（直覺題）：** 如果模型學會把同類圖片向量拉近，這像對比學習嗎？
>
> → 像，這就是它最典型的目標。
>
> **Q2（判斷題）：** 只要沒有人工標籤，就一定是對比學習嗎？
>
> → 不一定。沒有標籤還有很多自監督方法，對比學習只是其中一種。

### 常見問題

> **Q：對比學習一定要負樣本嗎？**
>
> 多數方法會用，但也有變體不太依賴明確負樣本。
>
> **Q：它和分類有什麼不同？**
>
> 分類重點是輸出類別，對比學習重點是學出好表示。
>
> **Q：這為什麼對搜尋有用？**
>
> 因為搜尋本質上就是在找語意接近的表示。

### 相關術語

> - **嵌入表示**：對比學習最常產出的成果就是向量表示
> - **Siamese Network**：常見的對比式架構之一
> - **CLIP**：多模態對比學習的代表案例
> - **語義搜尋**：學好的表示最常用在這裡
> - **自然語言處理**：理解這個大框架，能看出對比學習常被用在哪些任務

---

來源：https://aiterms.tw/terms/contrastive-learning
快查頁：https://aiterms.tw/terms/contrastive-learning
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-contrastive-learning