深度分析 InfoNCE 支援校正與多樣性條件在對比式學習中的理論與實驗驗證 對比式表徵學習在自監督領域廣受關注,但其能否恢復潛在幾何結構仍未完全說明。研究提出「多樣性條件」作為正樣本抽樣的支援需求,並證明在全支援的von Mises‑Fisher設定下,最小化全局對比損失可恢復潛在空間至正交變換;若抽樣多樣性受限,非正交映射可能取得更低損失。作者進一步設計支援校正的InfoNCE,使等距恢復再次可行,實驗在合成資料與CIFAR‑10上驗證了理論預測。