待验证50% 置信事实精确时间

论文提出用正无标签学习（Positive-Unlabeled Learning）重构负引导，让采样过程有明确的目标密度，并在粒子极限下达到渐近精确。

1

来源数

50%

置信度

长期有效

时效性

2026/10/15

首次发现

来源

扩散模型负引导新突破：正无标签学习实现渐近精确采样

rss2026/10/14

涉及实体

正无标签学习concept 负引导concept

相关事实

待验证SPLADE 是一种学习型稀疏检索模型，通过神经网络为文档生成稀疏向量表示，可在倒排索引上高效运行72% 相似待验证该论文训练一个双射（典型实现为归一化流），使目标分布在隐空间中接近结构简单的参考密度71% 相似待验证论文把条件样本当作正类，把扩散过程中的粒子当作无标签数据，在线训练一个轻量级分类器，用于估计每个粒子属于不希望条件的概率。70% 相似待验证蒸馏是研究中唯一带来公平性改善的压缩手段，通过让小模型学习大模型软标签分布平滑了对不同群体的处理方式69% 相似待验证对嵌入模型进行对比学习微调需要标注数据（成功入职的正样本与被拒绝的负样本）才能显著提升效果69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1037375

API

curl https://kongchang.com/api/v1/knowledge/claims/1037375

MCP

get_claim(id=1037375)