소프트웨어 클론은 서로 유사하거나 기능적으로 동등한 코드 조각입니다. 이는 유지보수, 리팩토링 및 버그 감지에 심각한 어려움을 야기합니다. 의미론적으로는 동일하지만 구문적으로 다를 수 있는 Type-IV 클론을 탐지하는 것은 전통적인 토큰 기반 또는 구문 기반 방법으로는 특히 어렵습니다. 최근의 머신러닝 접근 방식은 대조 학습(contrastive learning)에 의존하는데, 이는 신중한 네거티브 샘플링(negative sampling)을 요구하며 편향을 도입할 수 있습니다. 본 논문에서는 Type-IV 클론 탐지를 위해 특별히 설계된 비대조적 표현 학습 접근 방식인 LWVIC4Code를 제안합니다. Variance-Invariance-Covariance Regularization (VICReg) 프레임워크와 이전의 레이어별 VICReg 훈련을 기반으로, LWVIC4Code는 교차 레이어 일관성 정규화(cross-layer consistency regularization)와 깊이 의존적 레이어 가중치 부여를 도입하여 트랜스포머 레이어를 거쳐 의미론적 정보를 점진적으로 정제하고, 견고하고 판별력 있는 코드 표현을 생성합니다. 우리는 Python (Kamino) 및 다국어(GPTCloneBench) 데이터셋에서 LWVIC4Code를 대조 학습 기준선(baseline) 및 제로샷 대규모 언어 모델과 비교하는 경험적 연구를 수행했습니다. 그 결과, LWVIC4Code는 네거티브 샘플 없이도 경쟁적이거나 우수한 성능을 달성하며, 레이어별 지도 학습(layer-wise supervision)의 이점을 얻고, 특히 Java와 C#로 Python에서 효과적으로 일반화됨을 보여줍니다. 이러한 결과는 비대조적이고 레이어별 표현 학습이 견고한 의미론적 코드 클론 탐지를 위한 유망한 방향임을 입증합니다.