待验证50% 置信事实精确时间
FDSML（Formula-Driven Supervised Metric Learning）将监督信号从离散类别标签转向图像生成参数，通过参数感知三元组损失（PA-Triplet Loss）构建关系型监督。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
待验证DP-μP 框架推导出一个信噪比（SNR）条件，用来刻画每一层在 DP 约束下信号与噪声的相对强度，并据此决定层间学习率如何缩放。66% 相似已验证机器学习通过损失函数衡量预测值与真实标签的差距，再使用梯度下降等优化算法逐步调整模型参数以减小误差63% 相似待验证DML的核心思想是使用机器学习模型分别拟合结果变量和处理变量，再通过正交化（Neyman正交性）和交叉拟合（cross-fitting）消除正则化偏差，从而得到无偏且√n-一致的估计量。62% 相似待验证RLCD通过构造正负样本对进行对比学习，结合强化学习信号蒸馏模型输出分布，在无需人工标注奖励的场景下具有优势62% 相似待验证流失预测模型通常采用监督学习方法，常用算法包括逻辑回归、随机森林、梯度提升树（XGBoost、LightGBM）以及深度学习序列模型62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1114072API
curl https://kongchang.com/api/v1/knowledge/claims/1114072MCP
get_claim(id=1114072)