待验证50% 置信事实精确时间

标准化流通过可逆变换实现精确的密度计算，能量模型通过未归一化的能量函数隐式定义分布

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

概率机器学习实战：VAE、自监督学习与强化学习核心概念详解

涉及实体

Normalizing Flowsconcept Energy-Based Modelsconcept

相关事实

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76% 相似待验证分布的鲁棒性本质上取决于如何建模其尾部行为，用重尾分布替代高斯分布可提升模型对异常值的稳定性65% 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65% 相似待验证格利文科-坎泰利定理保证随着样本量增大，经验分布函数一致收敛到真实分布函数64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/895927

API

curl https://kongchang.com/api/v1/knowledge/claims/895927

MCP

get_claim(id=895927)