待验证50% 置信事实精确时间
VAE 的损失函数由重建误差和 KL 散度两部分组成，训练时通过重参数化技巧从概率分布中采样
1
来源数
50%
置信度
长期有效
时效性
2026/9/1
首次发现
来源
涉及实体
相关事实
待验证VAE的损失函数由重建损失（常用MSE或BCE）和KL散度两部分构成，KL散度约束潜在分布接近标准正态分布起正则化作用78% 相似已验证几何变换后必须记录变换参数并对预测框进行逆变换对齐，忽略该步骤会导致一致性损失语义错位而损害训练效果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69% 相似待验证研究团队证明学习分布与真实分布之间的总变差距离可分解为初始化误差、Score误差和求解器离散化误差三项67% 相似已验证现代量化方案如GPTQ、AWQ引入逐层校准和误差补偿机制，将困惑度损失控制在1–2%以内67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/838270API
curl https://kongchang.com/api/v1/knowledge/claims/838270MCP
get_claim(id=838270)