待验证50% 置信事实精确时间

在本文场景中，归一化流不用于生成新样本，而是提供一个将复杂目标密度压平为参考密度的坐标变换

1

来源数

50%

置信度

长期有效

时效性

2026/10/9

首次发现

来源

变换采样器与方差缩减：用归一化流破解控制变量难题

涉及实体

归一化流concept

相关事实

待验证归一化流对连续分布进行建模，避免了将图像压缩为离散token所带来的信息损失72% 相似待验证将推测采样迁移到扩散模型的挑战在于扩散模型的采样空间是连续高维分布而非离散词表，需重新设计接受-拒绝规则68% 相似待验证传统一阶朗之万算法（如投影朗之万蒙特卡洛）处理受限域采样时要求目标分布的对数密度必须可微66% 相似待验证用序列级目标引导离散扩散模型时，枚举所有可能补全组合会导致计算随未解析位置数量呈指数级增长65% 相似待验证用字符数作为提示质量的代理指标捕捉了信息密度这一维度，但并非完美的质量度量64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/990834

API

curl https://kongchang.com/api/v1/knowledge/claims/990834

MCP

get_claim(id=990834)