本文提出了一种改进的自监督深度学习方法SINCERE，通过优化Soft-InfoNCE损失函数，解决负样本问题，提升类别嵌入的分离性和分类器性能。实验证明，该方法在多个数据集上提高了2-5%的准确度，并在下游任务中表现优越。

该论文提出了一种名为RINCE的新的信息噪声对比损失，可以利用相似性排名的信息来学习相应的嵌入空间，并且相比标准InfoNCE，可以自适应探索相似性信息。该损失函数也可以应用于无监督训练，针对视频的无监督学习，可展现出更优的分类精度、检索率和越界检测表现。