待验证50% 置信事实精确时间
经典 PU Learning 解法包括：估计类别先验后对未标注样本重新加权，以及把未标注数据视为正负混合分布并通过无偏风险估计器训练分类器。
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
相关事实
待验证Embedding模型微调通常采用对比学习框架，通过构造正样本对和负样本对训练模型拉近正样本、推开负样本71% 相似待验证PPLM和FUDGE等即插即用方法保持预训练语言模型参数不变，在解码阶段通过额外训练的轻量级分类器调整生成概率分布以引导输出满足特定属性70% 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67% 相似待验证蒸馏训练范式导致开源模型学习到经过高度过滤、几乎不包含失败和纠错过程的数据分布，使模型形成不愿自我纠正的性格67% 相似待验证LIME通过在输入样本周围生成扰动数据集训练局部线性近似模型来解释单次预测，SHAP基于博弈论Shapley值提供特征归因，两者均为模型无关技术66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037380API
curl https://kongchang.com/api/v1/knowledge/claims/1037380MCP
get_claim(id=1037380)