待验证50% 置信事实精确时间

MPE用条件概率和预测准确率来表述，与经典信息论方法（如互信息、超额熵）形成互补

1

来源数

50%

置信度

长期有效

时效性

2026/10/7

首次发现

来源

记忆预测增益MPE：量化历史信息对随机过程预测的价值

涉及实体

记忆预测增益（MPE）concept 超额熵concept 互信息concept

相关事实

部分验证信息论中熵H(p)衡量概率分布p的不确定性，等价于对来自该分布的信息进行最优编码所需的平均比特数70% 相似待验证困惑度概念源自信息论中的熵（Shannon Entropy），本质上是语言模型每步预测的平均分支因子69% 相似待验证递归熵风险度量在每个时间步嵌套应用风险算子，满足时间一致性，因此可以直接与贝尔曼方程结合69% 相似待验证信息论中的熵与KL散度是理解损失函数设计和生成模型（如VAE、扩散模型）的重要基础69% 相似已验证语义熵方法在技术实现上通过多次采样获得候选回答、使用NLI模型判断语义等价性聚类、最后计算语义类别上的熵值68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/983442

API

curl https://kongchang.com/api/v1/knowledge/claims/983442

MCP

get_claim(id=983442)