Algoritmo de aprendizaje contrastivo basado en lógica difusa: un enfoque eficiente para la extracción y análisis de características

Abstract

El aprendizaje contrastivo ha ganado protagonismo como un paradigma poderoso para el aprendizaje de representaciones, especialmente en visión por computadora y procesamiento de lenguaje natural. Sin embargo, sus exigencias computacionales y su sensibilidad a los datos ruidosos dificultan su adop-ción generalizada. Esta investigación propone un novedoso algoritmo de aprendizaje contrastivo que integra lógica difusa para mejorar la eficiencia computacional sin sacrificar la robustez en la extracción de características. Al sustituir las asignaciones binarias y multiclase por grados de pertenencia difusos, el modelo permite representaciones más flexibles y tolerantes, reduciendo la dependencia de con-juntos de datos grandes y limpios y de estructuras de clasificación rígidas. La metodología consiste en construir una arquitectura encoder-decoder e implementar una función de pérdida contrastiva difusa, diseñada para evaluar la similitud de manera continua. Experimentos comparativos con pérdidas con-trastivas tradicionales, como InfoNCE y NT-Xent, demuestran mejoras en la tolerancia al ruido y el uso de memoria, sin comprometer la precisión. Además, el componente de lógica difusa mitiga el impacto de muestras ambiguas, mejorando la capacidad de generalización entre distintos conjuntos de datos.