待验证50% 置信事实精确时间
该研究以 X_t 为条件生成 X_{t+Δt} 的样本，通过在观测片段上训练使网络隐式学到条件分布 p(X_{t+Δt}|X_t)
1
来源数
50%
置信度
长期有效
时效性
2026/10/8
首次发现
来源
涉及实体
相关事实
待验证在二分类问题中召回率（Recall/Sensitivity）计算公式为TP/(TP+FN)，衡量模型识别所有真实阳性样本的能力67% 相似待验证论文将研究对象限定在单隐层线性网络并采用各向同性高斯先验，考察形如T=τ/M^c的温度调度策略65% 相似待验证重参数化技巧将采样表示为 z = μ + σ × ε（ε从标准正态分布采样），使随机性外置于ε，从而让μ和σ的梯度可正常反向传播实现端到端训练65% 相似待验证后验分布通过贝叶斯定理获得：p(θ|x)∝p(x|θ)·p(θ)，将先验知识与数据似然结合65% 相似待验证一位Reddit开发者进行实验，通过神经网络学习变换T(x)使两个类别分布之间的SWD最大化，在乳腺癌数据集上测试特征可分性61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/987006API
curl https://kongchang.com/api/v1/knowledge/claims/987006MCP
get_claim(id=987006)