待验证50% 置信事实精确时间
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）
1
来源数
50%
置信度
长期有效
时效性
2026/7/16
首次发现
来源
相关事实
待验证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70% 相似待验证状态离散化存在权衡：分桶粒度过粗导致信息损失，过细则引发维度灾难，这也是DQN用神经网络替代Q表的核心动机68% 相似待验证预测损失合理但下游控制精度为0%高度符合表征坍缩的特征，即编码器骗过自监督目标却未学到有用动态信息63% 相似待验证Focal Loss由何恺明等人在2017年的RetinaNet论文中提出，用于解决目标检测中前景与背景样本极度不均衡的问题63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/524279API
curl https://kongchang.com/api/v1/knowledge/claims/524279MCP
get_claim(id=524279)