待验证50% 置信事实精确时间
DP-μP 框架推导出一个信噪比（SNR）条件，用来刻画每一层在 DP 约束下信号与噪声的相对强度，并据此决定层间学习率如何缩放。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
DP-μP：差分隐私训练的超参数零样本迁移新框架
rss2026/10/16
涉及实体
相关事实
待验证DP-μP 提出谱缩放（spectral scaling）公式，将 SNR 条件与矩阵谱性质结合，给出针对不同优化器的具体缩放规则。75% 相似待验证D²NN 将多层可训练衍射平面排列，每层微元的透射或反射系数作为可学习参数，优化后固化为物理结构，光通过时的衍射与干涉等效执行前向推理67% 相似已验证扩散模型的去噪过程基于DDPM原理，训练时向数据逐步添加高斯噪声，再训练神经网络学习逆向去噪65% 相似待验证扩散模型通过训练网络逼近各噪声水平下的分数函数 ∇_x log p_σ(x) 来实现生成与去噪。65% 相似待验证FD-VAD 是一种将语义端点检测建模为因果音频-语言推理任务的方法，直接从有限的因果音频窗口映射到继续/停止的二元决策，无需 ASR 介入64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1068348API
curl https://kongchang.com/api/v1/knowledge/claims/1068348MCP
get_claim(id=1068348)