待验证50% 置信事实精确时间
PCA对同一提示词多次采样的隐藏激活做降维，第一主成分捕捉采样结果中差异最大的方向，对应模型变化最剧烈的风格维度
1
来源数
50%
置信度
长期有效
时效性
2026/9/18
首次发现
来源
涉及实体
相关事实
已验证PCA 降维通过对数据协方差矩阵做特征分解，找到数据方差最大的投影轴，从而在最大保留信息的前提下压缩维度77% 相似待验证PCA的主成分方向是在当前图像的token分布上单独拟合的，不同图像的主成分指向不同方向，因此颜色不携带跨图像的语义信息70% 相似待验证t-SNE倾向于产生看起来分离很好的聚类，即使原始数据中的边界并不清晰，而PCA的投影方向具有明确的数学含义62% 相似待验证变化检测领域的架构演进从简单特征差分到全卷积孪生网络（FC-Siam），再到引入注意力机制的STANet、BIT等模型61% 相似待验证The Eigenfaces method uses PCA (Principal Component Analysis) to reduce the dimensionality of face images, extracting eigenfaces so that any face can be represented as a linear combination of these eigenfaces60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/931127API
curl https://kongchang.com/api/v1/knowledge/claims/931127MCP
get_claim(id=931127)