待验证50% 置信事实精确时间

负载均衡损失使用所有专家选择频率的平方和L=ΣFi²，由柯西不等式可知当所有Fi=1/N时损失最小

1

来源数

50%

置信度

长期有效

时效性

2026/9/9

首次发现

来源

MoE混合专家模型详解：原理、公式与代码实现

涉及实体

负载均衡损失concept

相关事实

待验证贝叶斯最优分类器在0-1损失下等价于选择后验概率最大的类别，回归问题中条件期望在平方损失下是最优预测74% 相似待验证岭回归通过在损失函数中添加L2正则化项将回归系数向零收缩但不置零，而LASSO（L1正则化）会产生稀疏解69% 相似待验证绝大多数常见损失函数都可以从最大似然估计推导出来68% 相似待验证线性回归的最小二乘损失与逻辑回归的交叉熵损失分别对应高斯噪声假设与伯努利分布假设下的最大似然估计68% 相似待验证损失函数中 tanh(β·E1·E2) 取 β=10，当 β 足够大时将乘积符号信息锐化为接近 ±1 的值67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/885824

API

curl https://kongchang.com/api/v1/knowledge/claims/885824

MCP

get_claim(id=885824)