待验证50% 置信事实精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/8/11

首次发现

来源

Embedding降维：Matryoshka套娃表征与PCA方法深度对比

相关事实

待验证常见的对比学习损失函数包括 NT-Xent Loss 和 Triplet Loss72% 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）69% 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67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/729521

API

curl https://kongchang.com/api/v1/knowledge/claims/729521

MCP

get_claim(id=729521)