待验证50% 置信事实精确时间
InfoNCE损失最早由van den Oord等人于2018年在时序数据表示学习中提出
1
来源数
50%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
待验证InfoNCE损失的理论根源可追溯至DeepMind的van den Oord等人于2018年提出的CPC（Contrastive Predictive Coding）80% 相似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65% 相似已验证训练数据的知识截止日期（Knowledge Cutoff）导致模型对活跃迭代的开源项目的知识往往落后实际版本数月甚至数年63% 相似待验证Loss Scaling最初由NVIDIA在2018年提出，用于解决FP16训练中梯度下溢问题61% 相似待验证预训练阶段使用Cross-Entropy Loss来衡量预测分布与实际下一个token之间的差距60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/520165API
curl https://kongchang.com/api/v1/knowledge/claims/520165MCP
get_claim(id=520165)