¿Qué es Aprendizaje contrastivo? — una analogía

1La analogía

Mete una hoja en la fotocopiadora y sácala dos veces: las dos copias no quedan idénticas al original. Una sale un poco torcida, a la otra le falta un pedazo arriba, y las dos salen más pálidas que el original. Aun así, reconocemos de un vistazo que las dos copias son del mismo documento.

Ahora fotocopiemos varios documentos distintos, dos veces cada uno, mezclémoslos y pongámoslos sobre una mesa grande. Hay una sola regla: las dos copias que vienen del mismo original se ponen cerca, y las que vienen de originales distintos se alejan. Ni siquiera hace falta leer el título del documento. Basta con saber de qué original salió cada hoja. Siguiendo solo esa regla mientras se mueven las hojas, en la mesa aparece por sí sola una zona para cada tipo.

2En detalle

Por qué se puede aprender sin etiqueta

El aprendizaje normal necesita una etiqueta de respuesta. Hace falta que alguien escriba "gato" o "perro" en cada foto, y eso es lento y caro.

El aprendizaje contrastivo no usa esa etiqueta. En su lugar, fabrica la respuesta con los propios datos. Si se toma una foto y se hacen dos versiones, una recortada y con el color cambiado, quien las creó ya sabe que las dos forman un par. Con ese solo dato ya se genera el problema de "estas dos deben quedar cerca". El resto de las fotos se convierte automáticamente en el lado que "debe quedar lejos". En vez de la etiqueta de una persona, el registro de la copia hace de respuesta.

Acercar y alejar van siempre juntos

¿Qué pasaría si solo se manda a acercar? Si todas las hojas se juntan en el centro de la mesa, la regla se cumple a la perfección, porque las del mismo original quedan juntas. Pero esa disposición no sirve de nada: se perdió la distinción entre unas y otras.

Lo que evita que todo se amontone en un punto es el alejamiento. Si también actúa la fuerza que manda lejos las hojas de originales distintos, la mesa entera se termina repartiendo. La disposición final nace del equilibrio entre la fuerza que acerca y la que aleja.

Qué tipo de copia se hace define el criterio

Cómo se fabrican las dos versiones del mismo original decide por completo el carácter del método. Si se emparejan dos versiones con el color muy cambiado, el modelo aprende que da igual el color: aunque cambie, debe verse como lo mismo. Así nace un ojo que ignora el color.

Por eso hay que elegir la variación según la tarea. Si se quiere separar fruta por su punto de maduración, no conviene enseñarle a ignorar el color. En cambio, si se hace que reconozca como igual solo con ver un recorte, se gana un ojo que reconoce el todo con solo ver una parte. Si la variación es muy débil, no hay nada que aprender; si es muy fuerte, se está insistiendo en que dos cosas distintas son un par.

Cómo elegir a quién alejar

Cuantos más rivales para alejar, más nítida queda la posición. Con solo dos tipos sobre la mesa, cualquier reparto burdo cumple la regla; con miles de hojas mezcladas, hace falta acomodar con mucha más precisión. Por eso se trabaja con muchos datos a la vez, o se guardan aparte los datos ya vistos para sacarlos después como rivales a alejar.

Aquí hay una trampa: entre los rivales a alejar puede haber, sin querer, otros del mismo tipo. Se termina alejando una foto de otro gato distinto tratándola de "distinta". Sin etiqueta, no hay forma de distinguirlo. Para evitar este problema, ha surgido también una rama que no usa el alejamiento: solo acerca los pares reales y añade otro mecanismo en la estructura para que no todo se amontone en un punto.

3Con más precisión

El aprendizaje contrastivo (Contrastive Learning) es un método autosupervisado que trata dos muestras de un mismo original como par positivo y las de distintos originales como par negativo, y diseña la pérdida para que los pares positivos se acerquen y los negativos se alejen en el espacio de representación. Que estén cerca se mide, por lo general, con el ángulo entre dos vectores. Al terminar el entrenamiento, se descarta la parte que clasifica y se conserva solo la parte que genera posiciones, para reutilizarla en varias tareas con poca etiqueta.

La analogía también tiene sus costuras. La mesa es plana, así que las posiciones solo tienen dos direcciones, pero el espacio real donde se acomodan los datos tiene cientos de direcciones. Con más direcciones, sobra mucho más margen para quedar lejos unos de otros. Y algo más: nosotros movemos las hojas con la mano, pero lo que mueve el entrenamiento no son las hojas. Lo que se ajusta poco a poco es la regla que convierte los datos en coordenadas, y la posición de cada hoja se mueve como consecuencia de eso. Por eso, incluso una hoja nueva que no se usó para entrenar termina en el lugar que le corresponde al pasar por la misma regla.

4Pruébalo

Embedding Projector (explora el espacio de los embeddings) ailearn.space Gira la nube de puntos y fíjate en cómo lo parecido se junta y lo distinto queda separado. Esa forma es justo lo que busca producir el aprendizaje contrastivo

5Malentendidos comunes

Es fácil pensar que el aprendizaje contrastivo también necesita al final una etiqueta de respuesta, pero en realidad basta con saber qué par viene del mismo original, y esa información surge sola al fabricar las variaciones.
Es fácil pensar que es lo mismo que el agrupamiento, pero en realidad no se trata de dividir en grupos, sino de aprender la regla que convierte los datos en coordenadas.
Es fácil pensar que entre más fuerte sea la variación, mejor, pero en realidad la variación misma define qué se considera igual, así que hay que elegirla según la tarea.

7Resumen en una línea

En resumenEl aprendizaje contrastivo aprende la disposición de los datos acercando lo que viene del mismo original y alejando lo demás, y así construye un ojo útil incluso sin ninguna etiqueta.

¿Te ayudó esta analogía?

¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02