最近对比学习真的太火了，已然成为各大顶会争相投稿的一个热门领域，而它火的原因也很简单，就是因为它解决了有监督训练标注数据有限这个典型问题（这个问题在工业界非常滴常见）。所以对比学习的出现，给CV、NLP和推荐都带来了极大的福音，具体来说：

1、在CV领域，解决了“在没有更大标注数据集的情况下，如何采用自监督预训练模式，来从中吸取图像本身的先验知识分布，得到一个预训练模型”的问题；

2、在NLP领域，验证了”自监督预训练使用的数据量越大，模型越复杂，那么模型能够吸收的知识越多，对下游任务效果来说越好“这样一个客观事实；

3、在推荐领域，解决了以下四个原因：数据的稀疏性、Item的长尾分布、跨域推荐中多个不同的view聚合问题以及增加模型的鲁棒性或对抗噪音。

因此为了更加清楚的掌握对比学习的前沿方向与最新进展，为大家整理了最近一年来各大顶会中对比学习相关的论文，一共涵盖：ICLR2021, SIGIR2021, WWW2021, CVPR2021, AAAI2021, NAACL2021, ICLR2020, NIPS2020, CVPR2020, ICML2020, KDD2020共十一个会议60多篇论文。本次整理以long paper和research paper为主，也包含少量的short paper和industry paper。

本文整理的论文列表已经同步更新到GitHub，GitHub上会持续更新顶会论文。

GitHub地址：

https://github.com/coder-duibai/Contrastive-Learning-Papers-Codes

内容中包含的图片若涉及版权问题，请及时与我们联系删除