待验证50% 置信事实精确时间
论文发现常用的平均成对距离（Mean Pairwise Distance）并非最佳选择，图熵（Graph Entropy）在整体表现上更优。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
嵌入多样性度量基准EmbDivBench：图熵最优
rss2026/10/17
涉及实体
相关事实
待验证图熵的计算通常涉及构建k近邻图并计算特征值或随机游走熵，复杂度高于简单距离平均，但在中等规模数据集上可行。73% 相似待验证分裂熵与节点准确率之间存在较弱但一致的负相关：熵越高，节点判断越容易出错。69% 相似待验证论文引入熵正则化损失（entropy-regularized loss）防止路由分布过度集中，鼓励更多样化的路由分布65% 相似待验证标准交叉熵损失在目标占图像面积较小时会导致严重的类别不平衡问题，模型倾向于全部预测为背景65% 相似待验证在高维空间中，数据点之间的距离趋于均匀化，导致基于距离的算法效果大打折扣，这称为维度灾难（curse of dimensionality）64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074757API
curl https://kongchang.com/api/v1/knowledge/claims/1074757MCP
get_claim(id=1074757)