待验证50% 置信事实精确时间
K近邻(KNN)是一种基于实例的惰性学习方法:预测时计算待测样本与训练集中所有样本的距离,取最近的K个邻居进行多数投票或加权平均。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
涉及实体
相关事实
待验证研究使用K近邻(KNN)、随机森林(RF)和支持向量机(SVM)三种机器学习算法进行训练与评估64% 相似待验证KL散度衡量两个概率分布之间的差异,在知识蒸馏中直接出现在训练目标里,学生模型输出分布被要求逼近教师分布以最小化二者的KL散度64% 相似待验证在 PIVOT 中,token 级 KL 监督最小化学生模型在纠正片段位置上的下一 token 分布与教师分布的 KL 散度,即 KL(学生‖教师)。58% 相似待验证K-means、SOM 等传统原型式学习方法需要预先指定聚类中心或原型的数量54% 相似待验证反向KL散度具有“寻模”特性,当教师分布多峰时,学生会被拉向教师的某个主要模态。54% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1129006API
curl https://kongchang.com/api/v1/knowledge/claims/1129006MCP
get_claim(id=1129006)