待验证50% 置信事实精确时间

LJM中潜在状态在两个事件之间遵循封闭形式的确定性动力学平稳演化

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

潜在跳跃模型LJM：用事件驱动重构连续时间序列建模

涉及实体

Latent Jump Modelsconcept

相关事实

待验证LJM在每个由泊松过程驱动的事件时刻,状态会经历一次学习得到的瞬时跳跃68% 相似待验证传统LLM的自回归生成机制决定了它逐token向前预测，缺乏天然的回头看能力67% 相似待验证生成式系统的可控性通常通过强化学习对齐（RLHF/RLAIF）和确定性约束层两类机制缓解66% 相似待验证LSTM等循环神经网络通过隐状态向量和细胞状态在时间步之间显式传递信息，天然具备序列记忆能力，但无法在序列维度上并行65% 相似待验证潜在跳跃模型(Latent Jump Models, LJMs)针对连续时间潜在状态空间模型无法直接刻画有限的、未被观测到的冲击这一缺口而提出65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001484

API

curl https://kongchang.com/api/v1/knowledge/claims/1001484

MCP

get_claim(id=1001484)