加重コントラスト学習の統一幾何学的フレームワーク
本研究は、加重InfoNCE目標を距離幾何問題として解釈し、加重コントラスト学習の統一幾何学的フレームワークを提供する。教師あり分類では、SupConとSoft SupConは各クラス内のサンプルを単一のプロトタイプに収縮させるが、クラス不均衡はSupConの対称性を破り、Soft SupConは正則単体幾何を維持する。連続ラベル設定では、ラベルが超球面上にない限り、y-Aware CLは一般にエントロピー最適に達することができず、ユークリッドラベル重みと球面潜在類似性の不一致が明らかになる。幾何学的に整合した選択（ユークリッド-ユークリッド重み付けやX-CLRなど）は一意な最適埋め込みを保証する。
arXivに投稿された新しい論文「A Unified Geometric Framework for Weighted Contrastive Learning」は、加重コントラスト学習に統一的な幾何学的視点を提供する。Raphael Vockらによるこの研究（論文番号2605.13943）は、加重InfoNCE目標を距離幾何問題として解釈できることを初めて示した。この解釈により、重みスキームが表現が実現すべき目標幾何を指定することになる。
教師あり分類のシナリオでは、標準的なSupConとその高密度緩和版であるSoft SupConは、各クラス内のサンプルを単一のプロトタイプに収縮させる。クラスが均衡している場合、SupConは古典的な正則単体幾何を回復するが、クラス不均衡はこの対称性を破る：SupConはクラスサイズに応じて非一様なクラス間類似性を生じるのに対し、Soft SupConはクラス不均衡にかかわらず正則単体幾何を維持する。
連続ラベル設定では、このフレームワークは異なる故障モードを明らかにする：ラベルが超球面上にない限り、y-Awareコントラスト学習は一般にエントロピー最適に達することができない。これはユークリッドラベル重みと球面潜在類似性の間のミスマッチを露呈する。対照的に、ユークリッド-ユークリッド重み付けやX-CLRなどの幾何学的に整合した選択は、一意な最適埋め込みを保証する。
これらの結果は、重みスキームの選択がコントラスト学習が幾何学的に実現可能か、退化するか、または不整合かを決定することを示しており、コントラスト学習目標を設計するための原則的なフレームワークを提供する。この研究は、コントラスト学習の内部メカニズムの理解と、実際のアプリケーションにおける表現品質の向上に重要な意味を持つ。