待验证50% 置信事实精确时间

Focal Loss在标准交叉熵损失前添加调制因子(1-p_t)^γ，γ通常设为2，使模型聚焦于困难样本

1

来源数

50%

置信度

长期有效

时效性

2026/8/10

首次发现

来源

5个方程搞懂AI数学：20个Python实战项目免费开放

相关事实

待验证线性回归的最小二乘损失与逻辑回归的交叉熵损失分别对应高斯噪声假设与伯努利分布假设下的最大似然估计70% 相似待验证有限样本估计熵率面临系统性负偏差问题，插件估计量倾向于低估真实熵，可用Miller-Madow校正通过添加(k-1)/(2N)项补偿68% 相似待验证线性回归使用均方误差作为损失函数，公式为L=(Ŷ-Y)²66% 相似待验证假设数据服从伯努利或多项分布，最大化似然等价于最小化交叉熵损失函数65% 相似已验证分类任务中的交叉熵损失本质上是对数似然函数的负值，最小化交叉熵等价于最大化模型对训练数据的对数似然64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/721284

API

curl https://kongchang.com/api/v1/knowledge/claims/721284

MCP

get_claim(id=721284)