待验证50% 置信事实精确时间
反向KL散度是模式寻找的，前向KL散度是均值寻找的
1
来源数
50%
置信度
长期有效
时效性
2026/9/12
首次发现
来源
涉及实体
相关事实
待验证K-means聚类算法本质上是坐标下降法（coordinate descent）的一个具体实例69% 相似待验证K-Means聚类算法在标准实现中天然依赖欧氏距离，每一步计算样本点到聚类中心的欧氏距离并分配类别68% 相似待验证KL 散度用于比较微调后模型与原始模型在相同输入下的输出概率分布差异，数值越大表示偏离越严重，0.0244 的 KLD 意味着微调几乎没有改变模型的整体行为分布67% 相似待验证聚类前可做L2归一化或改用以余弦距离为度量的Spherical K-Means变体来解决模长主导问题67% 相似待验证K-means对初始簇中心敏感，K-means++通过概率化初始化缓解这一问题65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/911350API
curl https://kongchang.com/api/v1/knowledge/claims/911350MCP
get_claim(id=911350)