待验证60% 置信事实精确时间

对比学习常用的损失函数包括InfoNCE Loss和Triplet Loss

2

来源数

60%

置信度

长期有效

时效性

2026/8/31

首次发现

来源

简历职位匹配为何失效？突破嵌入相似度的局限

涉及实体

InfoNCE Lossconcept Triplet Lossconcept

相关事实

待验证交叉熵损失是分类任务中最常用的损失函数，其根源在信息论，相比MSE具有更适合分类问题的梯度特性68% 相似待验证失败轨迹提供错误识别信号和恢复策略信号两类关键学习信息67% 相似待验证PaliGemma 2 的视觉编码器基于 SigLIP，使用 Sigmoid 损失函数替代传统的 InfoNCE 对比损失65% 相似待验证FaceNet于2015年提出，采用三元组损失（Triplet Loss）59% 相似待验证不跨页切分会对检索质量造成损失，是在检索召回与可验证性之间的权衡58% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/829670

API

curl https://kongchang.com/api/v1/knowledge/claims/829670

MCP

get_claim(id=829670)