待验证50% 置信事实精确时间
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。
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
待验证在有限样本下估计互信息与条件熵极具挑战：高维连续变量的熵估计存在系统性偏差，常用的 k 近邻估计器（如 Kraskov 估计）在隐藏状态维度较高或序列相关性很强时仍不稳定。78% 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。74% 相似待验证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。73% 相似待验证数据分布本身的不确定性通过源熵（source entropy）衡量，可通过样本进行有限样本置信度下的下界估计72% 相似待验证跨分词器蒸馏前应先测量熵保留率或概率质量对齐度以避免在错误目标上浪费算力72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074765API
curl https://kongchang.com/api/v1/knowledge/claims/1074765MCP
get_claim(id=1074765)