초록
유사도 지표를 기반으로, 대조적 방법은 유사한 예시는 서로 가까이, 비유사한 예시는 서로 멀리 떨어지도록 표현을 학습한다. 대조적 학습 기법은 이미지 분류부터 캡션 생성에 이르기까지 다양한 작업의 표현을 학습하는 데 광범위하게 활용되어 왔다. 그러나 기존의 대조적 학습 접근법은 서로 다른 유사도 관계가 존재할 가능성에 대한 고려가 부족하여 일반화 성능이 제한될 수 있다. 본 논문에서는 다중 유사도 지표로부터 동시에 supervision을 활용함으로써 일반화 가능한 임베딩을 학습하는 새로운 다중유사도 대조 손실(MSCon)을 제안한다. 본 방법은 각 유사도 지표에 대한 불확실성에 기반하여 대조적 유사도 가중치를 자동으로 학습하며, 불확실성이 높은 유사도 관계에 대해 가중치를 낮추어 새로운 도메인에 대한 더 우수한 일반화 성능을 달성한다. 실증 결과를 통해 MSCon으로 학습된 네트워크가 도메인 내 및 도메인 외 설정에서 최첨단 기준 대비 우수한 성능을 보임을 확인하였다.