待验证50% 置信事实精确时间
ZENO将后验分布嵌入期望最大化（EM）框架，通过交替E步（利用当前参数估计后验分布）和M步（最大化完全数据对数似然以更新参数）来实现参数学习和状态推断。
1
来源数
50%
置信度
长期有效
时效性
2026/10/26
首次发现
来源
涉及实体
相关事实
待验证ZENO通过最小化Zakai方程残差来训练神经算子，无需大量标注数据即可学习隐含的滤波分布，并能泛化到不同初始条件和参数设置。67% 相似待验证回归用于预测连续型数值，是监督学习中最基础的部分66% 相似待验证Embedding模型微调通常采用对比学习范式，典型方法是构造查询-正例文档-负例文档三元组，通过InfoNCE或Triplet Loss等损失函数优化65% 相似待验证与现有的潜在SDE推断方法相比，ZENO在准确恢复后验分布和学习SDE参数方面均表现出优势，尤其在分布形状和参数一致性上更为精确。64% 相似待验证MFlow是一种自适应参数化方法，它学习在数据的主方向上于x0预测和u预测之间进行插值，并与扩散训练端到端联合学习。64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1098133API
curl https://kongchang.com/api/v1/knowledge/claims/1098133MCP
get_claim(id=1098133)