本文通过新的概率建模方法，对对比学习的最新发展进行了有益的改进。我们推导了一种特殊形式的对比损失，称为联合对比学习(JCL)。JCL隐含地涉及到同时学习无限数量的查询键对，这在搜索不变特征时带来了更严格的约束。我们推导了这个公式的上界，它允许以端到端训练的方式进行解析解。虽然JCL在许多计算机视觉应用程序中实际上是有效的，但我们也从理论上揭示了控制JCL行为的某些机制。我们证明，提出的公式具有一种内在的力量，强烈支持在每个实例特定类内的相似性，因此在搜索不同实例之间的区别特征时仍然具有优势。我们在多个基准上评估这些建议，证明了对现有算法的相当大的改进。代码可以通过以下网址公开获得

https://github.com/caiqi/Joint-Contrastive-Learning