贝叶斯门控非负对比学习

虽然对比学习 (CL) 已彻底改变自监督表征学习，但其潜在表征高度 entangled 且透明，限制了其在安全关键应用中的可解释性。我们认识到，这种 entanglement 的根本原因是依赖确定性相似性度量，这些度量对所有特征维度相等地进行处理。在组成场景中，这会导致优化冲突：常见的背景特征（如 "blue sky"）在正对中被鼓励对齐，同时在负对中被排斥，从而导致梯度振荡，阻碍精确的语义解缠合。为此，我们提出 BayesNCL (Bayesian Gated Non-Negative Contrastive Learning)。不同于标准方法，BayesNCL 引入概率门控机制，动态过滤任务无关的高频常见特征，同时选择性保留判别性语义。通过将特征选择形式化为带稀疏伯努利先验的变分推断问题，我们的方法有效解决了优化冲突。经验实验结果表明，Imagenet-100 上的 BayesNCL 在语义一致性方面相较于最先进的基线实现了惊人的 142.1% 的改进，yielding 高度可解释的表征而不损害下游任务性能。代码已公开于 https://github.com/Cui-Peng-624/BayesNCL。