يُقدّم الإطار المبني على مبدأ الانتروبيا العظمى رؤية موحدة لعدة طرق تعلم غير تقابلية، مثل SimSiam وBarlow Twins وMEC. مستوحى من هذا الإطار، نقدّم Matrix-SSL، وهي منهجية جديدة تُستخدَم فيها نظرية المصفوفات لتفسير خسارة التشفير ذات الانتروبيا العظمى على أنها خسارة انتظام المصفوفة. علاوةً على ذلك، يُحسّن Matrix-SSL من أداء التشفير ذي الانتروبيا العظمى من خلال دمج خسارة تطابق المصفوفات بشكل سلس، مما يُمكّن من محاذاة مصفوفات التباين في فروع مختلفة مباشرة. أظهرت النتائج التجريبية أن Matrix-SSL يتفوّق على أحدث الطرق المُعلَّمة على مجموعة بيانات ImageNet في إعدادات التقييم الخطي، وعلى MS-COCO في مهام التعلم المن転. وبشكل خاص، عند تنفيذ مهام التعلم المن転 على MS-COCO، يتفوّق منهجنا على الطرق المُعلَّمة السابقة مثل MoCo v2 وBYOL بنسبة تصل إلى 3.3% باستخدام فقط 400 دورة تدريب مقابل 800 دورة في الطرق السابقة. كما جرّبنا دمج التعلّم التمثيلي في بيئة نمذجة اللغة من خلال تدريب نموذج بحجم 7 مليار معلمة باستخدام خسارة الانتروبيا المصفوفية المتقاطعة، حيث حقق أداءً أفضل بنسبة 3.1% على مجموعة بيانات GSM8K مقارنةً بخسارة الانتروبيا المتقاطعة القياسية. يمكن الوصول إلى الكود عبر الرابط: https://github.com/yifanzhang-pro/Matrix-SSL.