待验证50% 置信事实精确时间
重参数化技巧由Kingma和Welling在2013年提出，通过将随机采样操作转化为确定性计算加噪声的形式，使梯度能够通过采样步骤反向传播
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证重参数化技巧将采样表示为 z = μ + σ × ε（ε从标准正态分布采样），使随机性外置于ε，从而让μ和σ的梯度可正常反向传播实现端到端训练66% 相似待验证采样器的选择对扩散模型推理的最终质量有举足轻重的影响，常见采样器包括Euler、DPM++、DDIM、SDE系列等，它们本质上是对随机微分方程或常微分方程的不同数值求解策略65% 相似待验证一致性模型试图将扩散模型多步去噪过程压缩至1-4步完成，理论上可将推理速度提升10-50倍65% 相似待验证不同LLM模型对指令的理解精度存在差异，建议多次迭代优化提示词以获得最佳效果65% 相似已验证贝叶斯优化通过构建目标函数的概率代理模型（通常是高斯过程），利用采集函数（如Expected Improvement或Upper Confidence Bound）决定下一个采样点65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/895921API
curl https://kongchang.com/api/v1/knowledge/claims/895921MCP
get_claim(id=895921)