待验证50% 置信事实精确时间

许多现有的SMC（序列蒙特卡洛）推理时采样方案依赖等权重重采样，这种做法会激进地剪除低权重轨迹，导致搜索空间的谱系多样性急剧下降

1

来源数

50%

置信度

长期有效

时效性

2026/9/14

首次发现

来源

CCPS采样法：保留推理多样性，无需微调提升LLM表现

涉及实体

Sequential Monte Carloconcept equal-weight resamplingconcept

相关事实

待验证百万级文档场景下单纯的向量相似度召回准确率会急剧下降，需引入多路召回、重排序和混合检索73% 相似待验证强行取极值样本会引入离群点，迫使SVM构建更复杂的决策边界，高阶poly核在这种数据上收敛更慢71% 相似待验证应对长尾分布的常见策略包括过采样（如SMOTE）、欠采样、类别权重调整、Few-shot Learning及利用大模型零样本能力兜底68% 相似待验证将进化搜索限制在球面流形上理论上可将有效搜索空间体积压缩数个数量级，从而部分抵消高维空间的样本效率损失67% 相似待验证将AMP框架从全批量梯度下降推广到随机梯度下降（SGD）需要处理额外的采样随机性与数据复用偏差67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/919833

API

curl https://kongchang.com/api/v1/knowledge/claims/919833

MCP

get_claim(id=919833)