특징에서 프로토타입으로
인코더는 각 증강 뷰를 특징 벡터로 바꾼다. 특징과 여러 프로토타입을 비교해 할당 코드를 계산한다. 두 특징 자체를 직접 같은 값으로 맞추기보다 한쪽의 프로토타입 할당을 다른 쪽에서 예측하는 방식으로 뷰 사이의 일관성을 유도한다.
교환 예측의 계산
첫 뷰의 목표 할당이 (0.75,0.25)이고 둘째 뷰의 예측이 (0.5,0.5)이면 교차 엔트로피는 ln2다. 둘째 뷰에서 계산한 할당도 첫 뷰가 예측하도록 방향을 바꾼다. 이 예의 목표 분포는 계산 설명을 위해 정한 값이며 실제 할당 최적화 결과를 가정하지 않는다.
균형 있는 할당
배치의 할당에는 특정 프로토타입에만 모든 표본이 몰리지 않도록 전체 사용량을 균형 있게 하는 제약을 둔다. 소프트 할당을 사용하므로 각 이미지가 프로토타입 하나에만 속해야 하는 것은 아니다. 균형은 배치의 집계 조건이며 이미지의 실제 의미 범주가 균일하다는 주장이 아니다.
여러 크기의 관측
큰 전역 크롭과 작은 지역 크롭을 함께 사용하는 다중 크롭 전략으로 같은 이미지의 여러 부분을 학습에 활용할 수 있다. 크롭이 원래 의미를 얼마나 유지하는지도 중요하다. 학습 후에는 군집 번호의 사람이 읽는 이름보다 고정 인코더의 분류나 후속 전이 성능으로 표현을 평가한다.