待验证50% 置信事实精确时间
KC-Maps(Kolmogorov-Chapman Maps)是一种无需长轨迹数据、仅利用无轨迹的边际样本和已知的漂移、扩散系数来学习随机微分方程(SDE)转移核的深度学习方法。
1
来源数
50%
置信度
长期有效
时效性
2026/11/10
首次发现
来源
KC-Maps:无需轨迹数据,AI加速分子动力学模拟
rss2026/11/9
涉及实体
相关事实
待验证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。62% 相似待验证研究使用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58% 相似待验证Kolmogorov-Arnold网络(KAN)是2024年由MIT等机构提出的新型神经网络架构,将可学习的激活函数放置在网络的边上,通常以B样条函数实现57% 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)。52% 相似待验证Akyürek et al. 2022从梯度下降视角论证ICL本质上是隐式的元学习51% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1154556API
curl https://kongchang.com/api/v1/knowledge/claims/1154556MCP
get_claim(id=1154556)