เปรียบเทียบวิธี

	การกลั่นความรู้	การเรียนรู้เชิงเปรียบเทียบสำหรับภาพ (Visual Contrastive Learning)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2015	2020
ผู้ริเริ่ม	Hinton, G., Vinyals, O. & Dean, J.	Chen, T. et al. (SimCLR); He, K. et al. (MoCo)
ประเภท	Neural network compression (teacher–student)	Self-supervised deep representation learning
แหล่งต้นตำรับ	Hinton, G., Vinyals, O. & Dean, J. (2015). Distilling the Knowledge in a Neural Network. NeurIPS Deep Learning Workshop.	Chen, T., Kornblith, S., Norouzi, M. & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. ICML.
ชื่อเรียกอื่น	Bilgi Damıtma (Knowledge Distillation), bilgi damıtma, teacher-student distillation, model distillation	Karşıtlık Öğrenmesi — Görsel (SimCLR / MoCo / BYOL), contrastive learning, self-supervised visual representation learning, SimCLR
ที่เกี่ยวข้อง	5	5
สรุป	Knowledge Distillation is a model-compression technique, introduced by Geoffrey Hinton and colleagues in 2015, that trains a small student model using the soft-label outputs of a large teacher model. Distilled models such as DistilBERT and TinyBERT reach roughly 97% of the larger model's performance while running far faster.	Visual contrastive learning is a self-supervised deep-learning approach — popularised by frameworks such as SimCLR (Chen et al., 2020) and MoCo (He et al., 2020) — that learns rich image representations without labels by pulling different augmentations of the same image together and pushing different images apart. It turns a large pool of unlabelled images into a useful feature extractor.