关于对比自监督的学习，看这篇文章来进行引入，是一个很好的方法，

大佬的解读 https://space.bilibili.com/626918756，其中特别是SimCLR这篇，一定要看一看，https://www.bilibili.com/video/BV1bD4y1S7nZ

 

然后一些文献综述的解读，这个是这篇文献综述的中文翻译版，翻译的挺好的，一定要看看，

然后一些有里程碑性质的文章：

Bootstrap Your Own Latent 这个文章呢，就是说，我不用负样本也可以把模型训练的很好，但是被认为是在一些工程的细节角度还是利用了负样本采样的思想，还有一些其他人写的解读：一个大佬写的视频解读https://www.bilibili.com/video/av712429081/

What Makes for Good Views for Contrastive Learning 这个是篇好文章，意思大概就是用一个GAN来学习出一个最好的对positive sample的变换，更多的解读可以看看这一篇文章

然后这个是InfoNCE提出的那篇文章，其实就是在NCE（负采样估计的基础上把mutual information的估计引入进来了呗），链接可以看这个，这个是代码的介绍 https://github.com/jefflai108/Contrastive-Predictive-Coding-PyTorch

知乎：大佬的文章 关于自监督学习是一个系列

 

Adversarial Self-Supervised Contrastive Learning https://papers.nips.cc/paper/2020/file/1f1baa5b8edac74eb4eaa329f14a0361-Paper.pdf

On the surprising similarities between supervised and self-supervised models https://openreview.net/pdf?id=q2ml4CJMHAx

AutoAugment: Learning Augmentation Strategies from Data https://arxiv.org/pdf/1805.09501.pdf

AutoAugment: Learning Augmentation Policies from Data