metadata

base_model: intfloat/multilingual-e5-base
library_name: sentence-transformers
metrics:
  - cosine_accuracy
  - cosine_accuracy_threshold
  - cosine_f1
  - cosine_f1_threshold
  - cosine_precision
  - cosine_recall
  - cosine_ap
  - cosine_mcc
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:4861
  - loss:ContrastiveLoss
widget:
  - source_sentence: >-
      Type de project: Actions de valorisation (expos physiques ou virtuelles,
      journées d’étude, site internet, publications, documentaires…),Outils de
      médiation  (cartes et itinéraires papier ou numériques, livrets de visite,
      outils numériques, multimédia, parcours d’interprétation…),Dispositifs
      pédagogiques (mallettes pédagogiques, Moocs, supports de visite à
      destination des jeunes…),Événements rayonnant à l’échelle de
      l’Île-de-France. Une attention particulière sera portée à la qualité des
      contenus, à l’originalité et la pertinence des outils ou actions proposés,
      et à leur adéquation avec les publics ciblés.
    sentences:
      - >-
        'Actions de valorisation':projet|ÉVALUÉ_PAR|'adéquation avec les publics
        ciblés':critère
      - >-
        'mesdemarches.iledefrance.fr':plateforme|ACCEPTE_DEMANDE|'Association -
        Fondation':entité
      - '''projets de coopération'':projet|IMPLIQUE|''agriculteur cédant'':personne'
  - source_sentence: >-
      Description: Cet appel à projets vise à soutenir les structures en
      investissement qui agissent en faveur des jeunes en situation de
      précarité, suite à une rupture familiale ou sociale pouvant entraîner de
      graves conséquences sur leur santé ou leur sécurité.

      Thèmes: Santé & Social : Solidarité

      Nature de l'aide: Les dépenses éligibles se composent de dépenses de
      fonctionnement exclusivement imputables à la mise en œuvre des projets
      retenus dans le cadre de ce dispositif. La subvention régionale est fixée
      à 50 % maximum de la dépense subventionnable (total des dépenses
      éligibles), dans la limite d’un plafond de subvention fixé à 75 000 €
      maximum.

      Délibération cadre: CR 100-16 du 22 septembre 2016 / CP 2018-428 du 17
      octobre 2018
    sentences:
      - >-
        'C'POSSIBLE':programme|FAVORISE_INSERTION_PROFESSIONNELLE|'lycéens':groupe
      - '''Date de début'':concept|EST|''non précisée'':__inferred__'
      - '''subvention régionale'':aide|LIMITE|''appel à projets'':projet'
  - source_sentence: >-
      Type de project: Le programme propose des rencontres le samedi après-midi
      dans une université ou une grande école réputée, entre les professionnels
      bénévoles et les lycéens et collégiens sous la forme d'atelier
      thématiques.  Ces moments de rencontre touchent à une grande multitude de
      domaines d’activités.  L'objectif est de donner l’opportunité aux jeunes
      les plus enclavés d’échanger avec des intervenants professionnels aux
      parcours atypiques et inspirants. Les intervenants suscitent les ambitions
      et élargissent les perspectives des élèves.
    sentences:
      - '''concours'':événement|CIBLE|''jeunes'':groupe'
      - >-
        'projets':__inferred__|TÉLÉCHARGER_ET_REMPLIR|'charte des valeurs de la
        République et de la laïcité':document
      - '''programme'':initiative|IMPLIQUE|''lycéens'':groupe'
  - source_sentence: "Type de project: Le Prix des Innovateurs vise à encourager, soutenir et valoriser la recherche, le transfert de technologie et l’émergence d’innovations en santé dont l’impact sociétal et de santé publique est remarquable.\_Ce prix a ainsi vocation à :\_ Contribuer à la reconnaissance d’un chercheur et de son équipe menant des recherches dans le secteur de la santé,Encourager la création de spin-off de laboratoires académiques en garantissant les meilleures conditions d’essaimage notamment par l’acquisition des compétences requises par l’ensemble des membres de l’équipe,Renforcer"
    sentences:
      - >-
        '2nde session de dépôt':session|diffusion prévue|'diffusion à partir de
        novembre 2025':__inferred__
      - '''chercheur'':personne|DIRIGE|''équipe de recherche'':groupe'
      - >-
        'Collectivité ou institution - Communes de > 20 000
        hab':organisation|éligible pour|'dépôt des demandes de
        subvention':procédure
  - source_sentence: |-
      Date de début: non précisée
      Date de fin (clôture): non précisée
      Date de début de la future campagne: non précisée
    sentences:
      - '''Date de fin'':concept|EST|''Lundi 18 Novembre 2024'':__inferred__'
      - '''Région IDF'':organisation|PROPOSE|''Grands Lieux d''Innovation'':programme'
      - '''Date de fin'':concept|EST|''non précisée'':__inferred__'
model-index:
  - name: SentenceTransformer based on intfloat/multilingual-e5-base
    results:
      - task:
          type: binary-classification
          name: Binary Classification
        dataset:
          name: BinaryClassifEval
          type: BinaryClassifEval
        metrics:
          - type: cosine_accuracy
            value: 0.7058340180772391
            name: Cosine Accuracy
          - type: cosine_accuracy_threshold
            value: 0.793916642665863
            name: Cosine Accuracy Threshold
          - type: cosine_f1
            value: 0.7171875
            name: Cosine F1
          - type: cosine_f1_threshold
            value: 0.7811518907546997
            name: Cosine F1 Threshold
          - type: cosine_precision
            value: 0.6912650602409639
            name: Cosine Precision
          - type: cosine_recall
            value: 0.7451298701298701
            name: Cosine Recall
          - type: cosine_ap
            value: 0.7612878163621353
            name: Cosine Ap
          - type: cosine_mcc
            value: 0.4056919853026572
            name: Cosine Mcc

SentenceTransformer based on intfloat/multilingual-e5-base

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-base on the json dataset. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: intfloat/multilingual-e5-base
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- json

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("Lettria/grag-go-idf-contrastive_8083-v2-trial-6")
# Run inference
sentences = [
    'Date de début: non précisée\nDate de fin (clôture): non précisée\nDate de début de la future campagne: non précisée',
    "'Date de fin':concept|EST|'non précisée':__inferred__",
    "'Date de fin':concept|EST|'Lundi 18 Novembre 2024':__inferred__",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Binary Classification

Dataset: BinaryClassifEval
Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.7058
cosine_accuracy_threshold	0.7939
cosine_f1	0.7172
cosine_f1_threshold	0.7812
cosine_precision	0.6913
cosine_recall	0.7451
cosine_ap	0.7613
cosine_mcc	0.4057

Training Details

Training Dataset

json

Dataset: json
Size: 4,861 training samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label
type string string int
details
min: 26 tokens
mean: 191.64 tokens
max: 429 tokens

min: 18 tokens
mean: 31.2 tokens
max: 72 tokens

1: 100.00%

	sentence1	sentence2	label
type	string	string	int
details	min: 26 tokens mean: 191.64 tokens max: 429 tokens	min: 18 tokens mean: 31.2 tokens max: 72 tokens	1: 100.00%

Samples:

sentence1	sentence2	label
Type de project: L’excès de précipitations tout au long de l’année a conduit à une chute spectaculaire des rendements des céréales d’été et des protéagineux (blé, orge, pois, féverole, etc.) que produisent 90% des agriculteurs d’Île-de-France, historique grenier à blé du pays. Tributaires naturels du fleurissement des cultures, les apiculteurs professionnels de la région ont également souffert de ces dérèglements climatiques.La Région accompagne les exploitations concernées en leur apportant une aide exceptionnelle.	`'excès de précipitations':phénomène`	DIMINUE
Type de project: Dans le cadre de sa stratégie « Impact 2028 », la Région s’engage dans la défense de la souveraineté industrielle en renforçant son soutien à une industrie circulaire et décarbonée, porteuse d’innovations et créatrice d’emplois. PM'up Jeunes pousses industrielles soutient les projets d’implantation d’une première usine tournée vers la décarbonation, l’efficacité énergétique et la circularité des processus de production. Ces projets peuvent prendre l'une de ces formes : Une première unité de production industrielle, après une phase de prototypage,Une ligne pilote de production industrielle, en interne ou chez un tiers situé en Île-de-France, à condition que sa production soit destinée à de premières commercialisations,La transformation d’une unité de production pilote à une unité de production industrielle	`'Région Île-de-France':organisation`	soutient
Procédures et démarches: Le dépôt des demandes de subvention se fait en ligne sur la plateforme régionale mesdemarches.iledefrance.fr : Session de dépôt unique pour les nouvelles demandes : du 30 septembre au 4 novembre 2024 (11 heures) pour des festivals qui se déroulent entre le 1er mars 2025 et le 28 février 2026 (vote à la CP de mars 2025). Pour les demandes de renouvellement, un mail est envoyé aux structures concernées par le service du Spectacle vivant en amont de chaque session de dépôt. Bénéficiaires: Professionnel - Culture, Association - Fondation, Association - Régie par la loi de 1901, Association - ONG, Collectivité ou institution - Communes de 10 000 à 20 000 hab, Collectivité ou institution - Autre (GIP, copropriété, EPA...), Collectivité ou institution - Communes de 2000 à 10 000 hab, Collectivité ou institution - Communes de < 2000 hab, Collectivité ou institution - Communes de > 20 000 hab, Collectivité ou institution - Département, Collectivité ou institution - EPC...	`'Collectivité ou institution - EPCI':bénéficiaire`	PEUT_BÉNÉFICIER

Loss: ContrastiveLoss with these parameters:

{
    "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
    "margin": 0.5,
    "size_average": true
}

Evaluation Dataset

json

Dataset: json
Size: 1,217 evaluation samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label
type string string int
details
min: 24 tokens
mean: 188.47 tokens
max: 394 tokens

min: 17 tokens
mean: 31.22 tokens
max: 133 tokens

0: ~38.40%
1: ~61.60%

	sentence1	sentence2	label
type	string	string	int
details	min: 24 tokens mean: 188.47 tokens max: 394 tokens	min: 17 tokens mean: 31.22 tokens max: 133 tokens	0: ~38.40% 1: ~61.60%

Samples:

sentence1	sentence2	label
Type de project: Le programme propose des rencontres le samedi après-midi dans une université ou une grande école réputée, entre les professionnels bénévoles et les lycéens et collégiens sous la forme d'atelier thématiques. Ces moments de rencontre touchent à une grande multitude de domaines d’activités. L'objectif est de donner l’opportunité aux jeunes les plus enclavés d’échanger avec des intervenants professionnels aux parcours atypiques et inspirants. Les intervenants suscitent les ambitions et élargissent les perspectives des élèves.	`'rencontres':événement`	impliquent
`Précision sure les bénéficiaires: Communes,Établissements publics de coopération intercommunale (avec ou sans fiscalité propre),Établissements publics territoriaux franciliens,Départements,Aménageurs publics et privés (lorsque ces derniers interviennent à la demande ou pour le compte d'une collectivité précitée).`	`'Aménageurs privés':entité`	INTERVIENT_POUR
`Date de début: non précisée Date de fin (clôture): non précisée Date de début de la future campagne: non précisée`	`'Date de fin':concept`	EST

Loss: ContrastiveLoss with these parameters:

{
    "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
    "margin": 0.5,
    "size_average": true
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 4
per_device_eval_batch_size: 4
gradient_accumulation_steps: 2
learning_rate: 2.0007927807284357e-05
num_train_epochs: 10
lr_scheduler_type: cosine
warmup_steps: 320
bf16: True
tf32: True
load_best_model_at_end: True
optim: adamw_torch_fused
hub_model_id: Lettria/grag-go-idf-contrastive_8083-v2-trial-6

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 4
per_device_eval_batch_size: 4
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 2
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 2.0007927807284357e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 10
max_steps: -1
lr_scheduler_type: cosine
lr_scheduler_kwargs: {}
warmup_ratio: 0.0
warmup_steps: 320
log_level: passive
log_level_replica: warning
log_on_each_node: True
logging_nan_inf_filter: True
save_safetensors: True
save_on_each_node: False
save_only_model: False
restore_callback_states_from_checkpoint: False
no_cuda: False
use_cpu: False
use_mps_device: False
seed: 42
data_seed: None
jit_mode_eval: False
use_ipex: False
bf16: True
fp16: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: True
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: True
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch_fused
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
dataloader_pin_memory: True
dataloader_persistent_workers: False
skip_memory_metrics: True
use_legacy_prediction_loop: False
push_to_hub: False
resume_from_checkpoint: None
hub_model_id: Lettria/grag-go-idf-contrastive_8083-v2-trial-6
hub_strategy: every_save
hub_private_repo: None
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
include_for_metrics: []
eval_do_concat_batches: True
fp16_backend: auto
push_to_hub_model_id: None
push_to_hub_organization: None
mp_parameters:
auto_find_batch_size: False
full_determinism: False
torchdynamo: None
ray_scope: last
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
dispatch_batches: None
split_batches: None
include_tokens_per_second: False
include_num_input_tokens_seen: False
neftune_noise_alpha: None
optim_target_modules: None
batch_eval_metrics: False
eval_on_start: False
use_liger_kernel: False
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss	BinaryClassifEval_cosine_ap
0.0658	40	0.0617	-	-
0.1316	80	0.0552	-	-
0.1974	120	0.0538	-	-
0.2632	160	0.0488	-	-
0.3289	200	0.0498	-	-
0.3947	240	0.0458	-	-
0.4605	280	0.0425	-	-
0.5263	320	0.0398	-	-
0.5921	360	0.0403	-	-
0.6579	400	0.0377	-	-
0.7237	440	0.0339	-	-
0.7895	480	0.0372	-	-
0.8553	520	0.0364	-	-
0.9211	560	0.0358	-	-
0.9868	600	0.0326	-	-
1.0	608	-	0.0268	0.7613
1.0526	640	0.0335	-	-
1.1184	680	0.0296	-	-
1.1842	720	0.0273	-	-
1.25	760	0.0253	-	-
1.3158	800	0.0249	-	-
1.3816	840	0.0276	-	-
1.4474	880	0.0255	-	-
1.5132	920	0.0204	-	-
1.5789	960	0.026	-	-
1.6447	1000	0.0202	-	-
1.7105	1040	0.0224	-	-
1.7763	1080	0.0246	-	-
1.8421	1120	0.0249	-	-
1.9079	1160	0.0214	-	-
1.9737	1200	0.0212	-	-
2.0	1216	-	0.0286	0.7398
2.0395	1240	0.0181	-	-
2.1053	1280	0.0156	-	-
2.1711	1320	0.0142	-	-
2.2368	1360	0.0189	-	-
2.3026	1400	0.0154	-	-
2.3684	1440	0.0184	-	-
2.4342	1480	0.0144	-	-
2.5	1520	0.0181	-	-
2.5658	1560	0.0154	-	-
2.6316	1600	0.0144	-	-
2.6974	1640	0.0175	-	-
2.7632	1680	0.0133	-	-
2.8289	1720	0.0163	-	-
2.8947	1760	0.012	-	-
2.9605	1800	0.0168	-	-
3.0	1824	-	0.0296	0.7407
3.0263	1840	0.0125	-	-
3.0921	1880	0.0115	-	-
3.1579	1920	0.0102	-	-
3.2237	1960	0.0097	-	-
3.2895	2000	0.0101	-	-
3.3553	2040	0.0104	-	-
3.4211	2080	0.0105	-	-
3.4868	2120	0.0105	-	-
3.5526	2160	0.0104	-	-
3.6184	2200	0.0088	-	-
3.6842	2240	0.0109	-	-
3.75	2280	0.0123	-	-
3.8158	2320	0.0102	-	-
3.8816	2360	0.0099	-	-
3.9474	2400	0.0103	-	-
4.0	2432	-	0.0294	0.7537
4.0132	2440	0.0093	-	-
4.0789	2480	0.0067	-	-
4.1447	2520	0.0083	-	-
4.2105	2560	0.0081	-	-
4.2763	2600	0.0083	-	-
4.3421	2640	0.0059	-	-
4.4079	2680	0.008	-	-
4.4737	2720	0.0078	-	-
4.5395	2760	0.0062	-	-
4.6053	2800	0.0064	-	-
4.6711	2840	0.0051	-	-
4.7368	2880	0.0059	-	-
4.8026	2920	0.0074	-	-
4.8684	2960	0.0068	-	-
4.9342	3000	0.0082	-	-
5.0	3040	0.0085	0.0319	0.7341
5.0658	3080	0.004	-	-
5.1316	3120	0.0049	-	-
5.1974	3160	0.005	-	-
5.2632	3200	0.0059	-	-
5.3289	3240	0.005	-	-
5.3947	3280	0.0047	-	-
5.4605	3320	0.0044	-	-
5.5263	3360	0.0046	-	-
5.5921	3400	0.0044	-	-
5.6579	3440	0.0065	-	-
5.7237	3480	0.0054	-	-
5.7895	3520	0.0062	-	-
5.8553	3560	0.0054	-	-
5.9211	3600	0.0041	-	-
5.9868	3640	0.0048	-	-
6.0	3648	-	0.0336	0.7182
6.0526	3680	0.0035	-	-
6.1184	3720	0.0029	-	-
6.1842	3760	0.0033	-	-
6.25	3800	0.0048	-	-
6.3158	3840	0.0058	-	-
6.3816	3880	0.0037	-	-
6.4474	3920	0.0035	-	-
6.5132	3960	0.0043	-	-
6.5789	4000	0.004	-	-
6.6447	4040	0.0026	-	-
6.7105	4080	0.0055	-	-
6.7763	4120	0.0031	-	-
6.8421	4160	0.0037	-	-
6.9079	4200	0.0036	-	-
6.9737	4240	0.0046	-	-
7.0	4256	-	0.0338	0.7097
7.0395	4280	0.0027	-	-
7.1053	4320	0.0026	-	-
7.1711	4360	0.0034	-	-
7.2368	4400	0.0039	-	-
7.3026	4440	0.0023	-	-
7.3684	4480	0.0034	-	-
7.4342	4520	0.0022	-	-
7.5	4560	0.0045	-	-
7.5658	4600	0.0027	-	-
7.6316	4640	0.0036	-	-
7.6974	4680	0.0031	-	-
7.7632	4720	0.0018	-	-
7.8289	4760	0.0019	-	-
7.8947	4800	0.0029	-	-
7.9605	4840	0.0033	-	-
8.0	4864	-	0.0338	0.7093
8.0263	4880	0.0029	-	-
8.0921	4920	0.0023	-	-
8.1579	4960	0.0026	-	-
8.2237	5000	0.0026	-	-
8.2895	5040	0.0025	-	-
8.3553	5080	0.0033	-	-
8.4211	5120	0.0031	-	-
8.4868	5160	0.0025	-	-
8.5526	5200	0.0025	-	-
8.6184	5240	0.0022	-	-
8.6842	5280	0.002	-	-
8.75	5320	0.0025	-	-
8.8158	5360	0.0018	-	-
8.8816	5400	0.0018	-	-
8.9474	5440	0.0031	-	-
9.0	5472	-	0.0342	0.7133
9.0132	5480	0.002	-	-
9.0789	5520	0.0026	-	-
9.1447	5560	0.0017	-	-
9.2105	5600	0.003	-	-
9.2763	5640	0.002	-	-
9.3421	5680	0.0019	-	-
9.4079	5720	0.0022	-	-
9.4737	5760	0.0018	-	-
9.5395	5800	0.0035	-	-
9.6053	5840	0.0024	-	-
9.6711	5880	0.0027	-	-
9.7368	5920	0.002	-	-
9.8026	5960	0.0029	-	-
9.8684	6000	0.0018	-	-
9.9342	6040	0.0022	-	-
10.0	6080	0.0023	0.0268	0.7613

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.11.9
Sentence Transformers: 3.4.1
Transformers: 4.48.3
PyTorch: 2.3.0
Accelerate: 1.1.0
Datasets: 3.3.2
Tokenizers: 0.21.0

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

ContrastiveLoss

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
    title={Dimensionality Reduction by Learning an Invariant Mapping},
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}