该论文介绍了原型对比学习（PCL）这一无监督表示学习方法，通过增加原型作为潜在变量来寻找最大似然估计，提出了一种基于对比学习的通用损失函数ProtoNCE loss。该方法在多个基准测试中表现优于当前最先进的基于实例对比学习方法，对低资源转移学习有显著改进。

该论文介绍了原型对比学习（PCL）这一无监督表示学习方法，通过增加原型作为潜在变量来寻找最大似然估计，提出了一种基于对比学习的通用损失函数ProtoNCE loss。该方法在多个基准测试中的表现优于当前最先进的基于实例对比学习方法，在低资源转移学习方面有显著改进。

该论文介绍了一种无监督表示学习方法——原型对比学习（PCL），能够编码数据的语义结构到学习的嵌入空间中。该方法通过增加原型作为潜在变量来寻找最大似然估计，并提出了一种基于对比学习的通用损失函数 ProtoNCE loss。该方法在多个基准测试中表现优于当前最先进的基于实例对比学习方法，在低资源转移学习方面有显著的改进。