待验证50% 置信事实精确时间
归一化流通过变量替换公式精确计算数据的对数似然：log p(x) = log p(f(x)) + log |det(∂f/∂x)|
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logit函数定义为log(p/(1-p))，将概率值从[0,1]映射到(-∞,+∞)，是广义线性模型中处理二分类因变量的核心技术75% 相似待验证二分类交叉熵损失公式为 -[y·log(p) + (1-y)·log(1-p)]，其中y是真实标签，p是模型预测的正类概率62% 相似待验证扩散模型反向过程的核心驱动力是Score函数，即对数密度梯度∇x log p(x)，指向概率密度增大最快的方向61% 相似待验证策略梯度定理证明梯度可表示为∇J(θ) = E[∇log π(a|s;θ) · Q^π(s,a)]，使用log-derivative trick将对概率分布的求导转化为对log概率的求导乘以采样值61% 相似待验证归一化流通过可逆变换能够利用变量替换公式精确计算数据的对数似然，实现精确的密度估计而非近似推断61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/860445API
curl https://kongchang.com/api/v1/knowledge/claims/860445MCP
get_claim(id=860445)