本文提出了一个统一的异构学习框架，结合加权无监督和有监督对比损失，以解决对比学习中的假阴性问题。实验结果显示，该方法在复杂数据模拟中表现优异，显著提升了无监督学习的泛化性能和准确性。此外，研究还探讨了多标签多分类任务中的对比损失，并提出新算法以提高分类准确率。