待验证50% 置信事实精确时间

常见的对比学习损失函数包括 NT-Xent Loss 和 Triplet Loss

1

来源数

50%

置信度

长期有效

时效性

2026/7/14

首次发现

来源

余弦相似度-1代表语义相反？机器学习面试高频陷阱解析

相关事实

待验证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78% 相似待验证该算法的损失函数包含三个部分：Focal Loss（正负样本均衡）、相似性损失（相邻点一致性约束）和形状损失（二阶平滑约束）78% 相似待验证MRL在训练时同时优化多个维度层级的损失函数，总损失是各粒度损失的加权和72% 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70% 相似待验证梯度下降的收敛条件与学习率和损失函数的Lipschitz常数的关系有关69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/507867

API

curl https://kongchang.com/api/v1/knowledge/claims/507867

MCP

get_claim(id=507867)