待验证50% 置信事实精确时间
论文指出遗憾下界是否适用于其他损失函数（如平方损失）尚不清楚。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
量子态在线学习遗憾下界：不确定性与新算法
rss2026/10/15
涉及实体
相关事实
待验证在 random effects 设定下，其他问题未必能识别出贝叶斯规则，由此产生的损失称为“识别后悔（identification regret）”。72% 相似待验证非多项式损失在预测相等的历史上有无界的状态需求，即使是有界的标量logistic损失在固定任意有限阶导数喷射后这种障碍依然存在71% 相似待验证常见的对比学习损失函数包括 NT-Xent Loss 和 Triplet Loss69% 相似待验证线性回归的损失曲线呈凸碗形，凸性保证优化存在唯一的全局最小值，梯度下降不会陷入局部最优69% 相似待验证权重衰减通过在损失函数中加入与权重平方成正比的惩罚项，使权重向零收缩，从而限制模型有效容量。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1046136API
curl https://kongchang.com/api/v1/knowledge/claims/1046136MCP
get_claim(id=1046136)