알려진 범주와 새로운 범주
실제 입력에는 알려진 클래스의 무표지 예시와 처음 보는 클래스의 예시가 함께 나타날 수 있다. OpenCon은 표지가 있는 자료와 없는 자료를 이용하면서 두 종류의 클래스를 모두 학습하는 설정을 다룬다.
표현 학습과 범주 발견
알려진 클래스만 잘 구별하거나 미지 표본을 거부하는 데 그치지 않고 새로운 클래스에도 조밀한 표현을 형성하도록 한다. 대조 학습을 통해 이러한 표현을 배우는 과정에서 신규 범주 발견을 돕는다.
EM 관점의 해석
원 연구는 대조 손실을 줄이는 과정을 EM 알고리즘 관점에서 해석했다. 임베딩 공간에서 비슷한 표본을 군집화해 가능도를 부분적으로 최대화하는 과정으로 설명하며 ImageNet을 포함한 벤치마크에서 평가했다.