待验证50% 置信事实精确时间

LinSlot 构建了一个连接图像、槽位（物体）与块（属性）的概率图模型，并通过优化证据下界（ELBO）进行训练

1

来源数

50%

置信度

长期有效

时效性

2026/10/9

首次发现

来源

LinSlot：用线性表示假设实现无监督属性发现

涉及实体

LinSlotconcept ELBOconcept

相关事实

待验证贝叶斯工具图将工具之间的调用依赖关系建模为有向概率图，节点代表工具，边代表调用A之后调用B的条件概率71% 相似待验证成对数据（转换前位图与转换后矢量图一一对应）在监督学习中被称为标注数据，是训练AI模型理想的数据形态68% 相似已验证LIME通过在目标样本周围构造扰动数据集，训练局部可解释的线性模型来近似复杂模型的局部行为68% 相似待验证一篇发表于arXiv的研究提出了名为「推理网络」（Inference Networks）的图结构框架，用于组合使用多个专家模型67% 相似待验证LinSlot 将线性表示假设（LRH）引入基于槽位（slot）的视觉对象表示框架中67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/990676

API

curl https://kongchang.com/api/v1/knowledge/claims/990676

MCP

get_claim(id=990676)