我们提出了一种名为DirectPred的自监督学习方法，通过输入统计信息设置线性预测器。在ImageNet上，该方法的表现与复杂的两层非线性预测器相当，并在训练中优于线性预测器2.5%。同时，我们提供了非对比性自监督学习的理论见解。

该文介绍了一种名为DirectPred的自监督学习方法，该方法直接基于输入的统计信息设置线性预测器，表现与采用BatchNorm的两层非线性预测器相当，且在训练中优于线性预测器2.5％。同时，研究了非对比性SSL在简单线性网络中的非线性学习动态，为这些方法的学习和避免表征崩溃提供了理论洞察力。