분포 밖 특성을 가진 표 형식 데이터로부터 학습하기

• OOD 데이터는 모델 성능에 상당한 영향을 미치며, 예측 정확도와 신뢰성을 감소시킵니다. • 지속적인 표 형식 대조 학습(C-TCL) 방법은 OOD 데이터를 효과적으로 관리하면서 계산 효율성을 유지합니다. • C-TCL은 CPU 하드웨어에서 우수한 성능을 달성하여 GPU 기반 대안보다 접근성이 높습니다. • 여덟 개의 다양한 데이터세트의 실험 결과는 특히 분류 작업에서 C-TCL의 효과성을 보여줍니다. • 전체 데이터 표현을 사용하는 행렬 증강 기법은 전통적인 슬라이스 기반 방법에 비해 모델 효율성을 향상시킵니다. • 내적을 사용한 단순화된 대조 손실 계산은 성능을 유지하면서 계산 오버헤드를 줄입니다.