待验证50% 置信事实精确时间
对比学习的核心损失函数（如InfoNCE、NT-Xent）本质是拉近同类样本表征距离、推远不同类样本表征距离
1
来源数
50%
置信度
长期有效
时效性
2026/7/9
首次发现
来源
块稀疏特征器：揭开视觉模型神经几何的黑箱
hackernewshackernews2026/7/7
相关事实
待验证常见的对比学习损失函数包括 NT-Xent Loss 和 Triplet Loss78% 相似待验证分散损失属于表示学习正则化方法族群，相较对比学习和白化变换，其优势在于直接作用于嵌入几何且无需构造对比样本对72% 相似待验证端到端模型的核心优势在于避免模块间信息损失和误差累积，但代价是可解释性低、对训练数据分布敏感、难以应对长程推理任务71% 相似待验证梯度学习的核心是连续优化，神经网络参数空间是高维实数空间，损失函数近似可微71% 相似待验证FID（Fréchet Inception Distance）通过比较真实数据与生成数据在深度神经网络特征空间中的统计分布差异来评估生成质量，数值越低表示越接近真实70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/322193API
curl https://kongchang.com/api/v1/knowledge/claims/322193MCP
get_claim(id=322193)