待验证50% 置信事实精确时间
论文采用随机游走扩散（random-walk diffusion）将采样得到的道路拓扑融入合成任务先验，在预训练阶段让模型学习图耦合的动态模式。
1
来源数
50%
置信度
长期有效
时效性
2026/10/28
首次发现
来源
涉及实体
相关事实
待验证该研究提出了两种迭代式推断算法：推前（Push-forward）通过迭代估计密度比并沿位移场移动样本来修正预训练采样器，无需重新训练；拉回（Pull-back）将数据向基分布拉近，逐层拟合变换模型。73% 相似待验证该方法训练一个单一的条件潜在扩散模型，可根据方向标志将动态系统在时间上向前推进或向后回溯71% 相似待验证可学习路由器在新数据上持续微调会使路由偏向最近的组件，产生路由级近因偏差。70% 相似已验证迁移学习是指将在大规模数据集上预训练好的模型参数迁移到特定小样本任务中进行微调70% 相似待验证应对分布漂移的务实策略是为决策模型设置不确定域扩展机制：当模型置信度整体下移时自动提高路由到LLM的比例并触发重训练69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1105973API
curl https://kongchang.com/api/v1/knowledge/claims/1105973MCP
get_claim(id=1105973)