L’apprendimento contrastivo è un approccio di apprendimento automatico che addestra un modello a distinguere gli esempi correlati da quelli non correlati. In genere avvicina tra loro le rappresentazioni di elementi simili e allontana quelle di elementi dissimili. Per «rappresentazioni multiple» si possono intendere versioni o caratteristiche diverse dello stesso elemento, come il testo e le citazioni che descrivono un caso giudiziario.
Nella sicurezza informatica, l’apprendimento contrastivo può aiutare i sistemi a riconoscere schemi nei dati, comprese le attività sospette, anche quando gli esempi etichettati sono pochi. Per esempio, un modello potrebbe apprendere che diverse osservazioni dello stesso evento benigno sono simili, distinguendole dagli indicatori di un attacco. Nella ricerca giuridica, il metodo potrebbe aiutare a confrontare casi o pareri, ma il risultato dipende da come vengono definiti gli esempi e la somiglianza. Scelte inadeguate possono dare eccessivo rilievo agli schemi comuni e rendere meno visibili contenuti meno frequenti ma importanti; perciò, le prestazioni dovrebbero essere valutate sia in termini di copertura sia di accuratezza.