Contrastive Learning of Preferences with a Contextual InfoNCE Loss

在上下文偏好排序中常见的问题是将一个首选操作与多个选择进行比较，从而增加了复杂性并扭曲了偏好分布。在这项工作中，我们展示了如何通过适当地改编CLIP框架来解决这个问题。这种改编并不完全直接，因为虽然CLIP使用的InfoNCE损失在计算机视觉和多模态领域取得了巨大成功，但它的批处理构造技术需要能够比较任意项，如果一个项目在同一批次中具有多个正面关联，则不是很明确。我们在可收集卡牌游戏领域实证证明了我们改编的InfoNCE损失的效用，我们旨在学习一个嵌入空间，该空间基于人类选择捕捉单张卡牌和整个卡牌池之间的关联。这样的选择数据仅存在于受限选择中，因此产生的是一个项目与一组其他项目之间的具体偏好，而不是卡牌和卡牌池之间的完美匹配。我们的结果表明，由于上述直观问题，原始的CLIP表现不佳。然而，通过适应CLIP来解决这个问题，我们获得了一个优于使用三元组损失训练的先前工作的模型，同时也缓解了与挖掘三元组相关的问题。

论文试图解决如何在上下文偏好排序中解决一项被比较多个选择的问题，并且通过适当的CLIP框架调整来解决这个问题。

论文通过适当的CLIP框架调整来解决上下文偏好排序中单个首选操作与多个选择进行比较的问题，并且在集换式卡片游戏的领域中进行了实验，证明了其有效性。

论文提出的适当的CLIP框架调整解决了上下文偏好排序中单个首选操作与多个选择进行比较的问题，并在集换式卡片游戏的领域中进行了实验，证明了其有效性。实验使用了人类选择数据集，并且证明了模型的性能优于之前使用三元组损失训练的模型。

最近在这个领域中，还有一些相关的研究，如Triplet Loss、InfoNCE Loss等。