Supervised Contrastive Learning

Supervised Contrastive Learning（SupCon）由 Khosla 等人于 2020 年提出，是对自监督对比学习的扩展。它把同一类别的多个样本都视为正样本对，在归一化特征空间上拉近同类、推远异类，损失函数为带标签的 InfoNCE 变体。相比交叉熵，它能学到更紧凑、更可分的表征，常用于图像分类、长尾识别和少样本学习，提升鲁棒性与迁移能力。