待验证50% 置信事实精确时间
条件可逆神经网络（cINN）是归一化流的一类变体，通过可逆变换将简单基分布映射到目标后验分布，能用精确式子给出后验密度的对数似然。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证学到的摘要统计量被送入两个并行分支：模型选择网络计算后验模型概率，多个模型特定的条件可逆神经网络（cINNs）分别估计各模型下的参数后验分布。73% 相似待验证常见的归一化流结构包括Real-NVP、神经自回归流（NAF）、连续归一化流（CNF），各有计算效率与表达力上的取舍67% 相似待验证卷积神经网络(CNN)中的卷积操作天然具备平移不变性(translation invariance)67% 相似已验证神经网络的反向传播算法是链式法则的直接应用，梯度下降依赖微积分中的偏导数概念67% 相似待验证过参数化的神经网络优化容易收敛到好的解的现象可用Neural Tangent Kernel理论解释67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1026690API
curl https://kongchang.com/api/v1/knowledge/claims/1026690MCP
get_claim(id=1026690)