待验证50% 置信基准精确时间
EOS算法相对于离线最优解的熵损失为O(R log n)，预算超支也在O(R log n)量级，其中R为依赖于具体实例的漂移参数。
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
待验证二分类交叉熵损失公式为 -[y·log(p) + (1-y)·log(1-p)]，其中y是真实标签，p是模型预测的正类概率66% 相似待验证EOS与核采样和top-k采样的根本区别在于：EOS不是通过截断分布来控制质量，而是通过信息论约束下的熵最大化来动态调节温度，且有在线学习理论保证。65% 相似待验证反向模式自动微分能用 O(n) 时间计算标量损失对所有参数的梯度,而前向模式需要 O(n) 次前向传播65% 相似待验证对于超大规模图谱，基于 Barnes-Hut 算法可实现 O(N log N) 近似力计算以优化性能62% 相似待验证模型可以拥有约O(N²)量级的参数，却只携带约O(N)量级的跨时间状态，存在容量与记忆的不匹配62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1028949API
curl https://kongchang.com/api/v1/knowledge/claims/1028949MCP
get_claim(id=1028949)