待验证50% 置信事实精确时间

监督学习本质上是函数逼近问题，通过最小化损失函数实现，常见损失函数包括回归任务的均方误差（MSE）和分类任务的交叉熵（Cross Entropy）

1

来源数

50%

置信度

长期有效

时效性

2026/8/23

首次发现

来源

从AI到大模型：理清人工智能概念脉络与技术演进路径

涉及实体

监督学习concept 均方误差concept 交叉熵concept

相关事实

已验证分类任务常用交叉熵损失（Cross-Entropy Loss），回归任务常用均方误差（MSE）79% 相似待验证行为克隆将问题简化为监督学习，但存在分布偏移问题，导致训练时和执行时状态分布不同引发误差累积70% 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68% 相似待验证交叉熵损失在分类任务中往往比MSE收敛更快，因为它与softmax输出配合，梯度不会在饱和区消失68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/789576

API

curl https://kongchang.com/api/v1/knowledge/claims/789576

MCP

get_claim(id=789576)