待验证50% 置信事实精确时间

研究引入了一种Wasserstein型的后验摘要方法，借助新设计的噪声感知损失函数将庞大的后验样本集合压缩为少量加权的代表性聚类

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

无模型贝叶斯聚类：从预测视角重构后验不确定性

涉及实体

Wasserstein距离concept 噪声感知损失函数concept

相关事实

待验证批次归一化层在小批次场景下统计量估计噪声很大，与Dice损失的区域级计算特性叠加会放大预测概率分布的波动71% 相似待验证测试误差的确定性等价表达式统一刻画了样本量、协方差结构、模型漂移、正则化强度和隐私噪声等因素的相互作用70% 相似待验证细粒度监督信号能够减少对齐所需的样本数量，并提升最终模型的多维度均衡性69% 相似待验证扩散模型的迭代去噪过程对数值误差敏感，每步的微小误差会累积并影响最终图像，采样步数越多量化误差影响越大69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001419

API

curl https://kongchang.com/api/v1/knowledge/claims/1001419

MCP

get_claim(id=1001419)