待验证50% 置信事实精确时间
CTC损失函数由Alex Graves于2006年提出，解决了输入序列与输出序列长度不对齐的问题
1
来源数
50%
置信度
长期有效
时效性
2026/9/5
首次发现
来源
涉及实体
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 Loss59% 相似待验证InfoNCE损失的理论根源可追溯至DeepMind的van den Oord等人于2018年提出的CPC（Contrastive Predictive Coding）59% 相似待验证预测损失合理但下游控制精度为0%高度符合表征坍缩的特征，即编码器骗过自监督目标却未学到有用动态信息58% 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）57% 相似待验证补偿求和算法（Kahan Summation Algorithm）于1965年提出，可将N个数求和的误差从O(N·ε)降低到O(ε)级别57% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/859131API
curl https://kongchang.com/api/v1/knowledge/claims/859131MCP
get_claim(id=859131)