待验证50% 置信事实精确时间
DFL（Distribution Focal Loss）将边界框位置建模为离散概率分布，通过预测分布的期望值推断坐标
1
来源数
50%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
YOLOv8引入一致性正则化：原理、实践与性能权衡
redditr/learnmachinelearning2026/7/11
相关事实
待验证将分散损失与知识蒸馏结合，用大模型的嵌入分布特性作为分散约束的参考目标，是一个潜在的研究方向66% 相似待验证VRM主张在每个样本点周围定义一个邻域分布，并在该邻域上计算期望损失，是对经验风险最小化（ERM）框架的扩展64% 相似待验证DPO通过数学推导绕过奖励模型，直接在偏好数据上用分类损失函数优化语言模型，被Llama 3、Mistral等开源模型广泛采用61% 相似待验证贝叶斯网络通过有向无环图建模变量间条件依赖关系，Copula函数将多个边缘分布耦合为联合分布，两者对高维数据的扩展性较差60% 相似待验证ERM假设训练样本点本身是风险积分的离散近似，而VRM主张在每个样本点周围定义邻域分布并在该邻域上计算期望损失60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/494835API
curl https://kongchang.com/api/v1/knowledge/claims/494835MCP
get_claim(id=494835)