待验证50% 置信发布精确时间

论文《RAFT: Redundancy-Aware Input Filtering for Temporal Graph Neural Network Training》提出了RAFT，一个用于TGNN训练的冗余感知输入过滤框架。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/20

首次发现

有效期至：2027/1/18

来源

RAFT：冗余感知输入过滤加速时序图神经网络训练

涉及实体

相关事实

待验证消费级ChatGPT提供了较为显眼的关闭数据训练的选项68% 相似待验证后训练通常涵盖监督微调（SFT）、强化学习对齐（RLHF/RLAIF）以及领域适配微调，视觉推理模型还涉及视觉指令微调65% 相似待验证自监督学习通过从数据自身构造监督信号，已成为 BERT、GPT、MAE 等大规模预训练模型的核心训练策略65% 相似待验证触发式重训（基于性能衰减监控和数据漂移检测）可替代定时全量重训，把计算资源精准投放在真正需要的地方64% 相似已验证BitNet 系列等二值化神经网络工作的前提通常是从训练阶段就采用低比特感知训练，而非对已训练好的全精度模型做事后压缩（PTQ）64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1074662

API

curl https://kongchang.com/api/v1/knowledge/claims/1074662

MCP

get_claim(id=1074662)