待验证50% 置信事实精确时间
贝叶斯证据定义为在给定模型下观测数据的边缘概率密度，即对参数先验积分：Z = ∫ p(x|θ,M) p(θ|M) dθ。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
涉及实体
相关事实
待验证后验分布通过贝叶斯定理获得：p(θ|x)∝p(x|θ)·p(θ)，将先验知识与数据似然结合75% 相似待验证生成式模型建模联合概率 P(x,y) 或数据分布 P(x)，而判别式模型直接建模条件概率 P(y|x)；生成模型在小样本时更具优势，判别模型在大数据量时通常表现更好72% 相似待验证残差分布的定义为：对于目标模型概率p(x)大于草稿模型概率q(x)的token，其残差概率正比于max(0, p(x)-q(x))，该机制确保采样结果的边际分布严格等于目标模型原始分布72% 相似待验证论文证明约束优化问题存在闭式解：q* ∝ (p · e^(ηV))^(1/T)，其中p是模型原始概率分布，V是验证器势能，η是约束乘子，T是温度。70% 相似待验证归一化流通过可逆变换实现精确密度估计，目标密度通过变量替换公式p_K(x) = p_0(f^{-1}(x)) ∏|det ∇f_k^{-1}(x)|计算，其优势是可精确计算对数似然，但代价是每层变换必须满足可逆性和雅可比行列式易于计算这两个约束，这严重限制了模型表达能力。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1064908API
curl https://kongchang.com/api/v1/knowledge/claims/1064908MCP
get_claim(id=1064908)