待验证50% 置信事实精确时间
序贯蒙特卡洛是一类通过重要性采样和重采样逐步逼近目标分布的粒子方法，广泛应用在非线性非高斯状态空间模型。
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
待验证蒙特卡洛定位基于粒子滤波，用大量随机采样的粒子表示机器人位姿的概率分布，适用于非线性系统63% 相似待验证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。63% 相似待验证经过针对性微调的小模型能够在特定任务上逼近前沿大模型的可靠性63% 相似待验证物理仿真走前向推演路径，逐帧逐粒子精确计算每个光线弹射和流体扩散；生成式AI在训练阶段学习结果的统计规律，推理阶段直接从分布中采样62% 相似待验证推理期引导通过在反向扩散或流的每一步加入观测似然的梯度，将采样轨迹拉向与观测一致的区域，无需重新训练模型62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037382API
curl https://kongchang.com/api/v1/knowledge/claims/1037382MCP
get_claim(id=1037382)