Unverified60% confidenceFactExact time
对比学习常用的损失函数包括InfoNCE Loss和Triplet Loss
2
Sources
60%
Confidence
Long-term
Relevance
8/31/2026
First Seen
Sources
Related Entities
Related Claims
Unverified交叉熵损失是分类任务中最常用的损失函数，其根源在信息论，相比MSE具有更适合分类问题的梯度特性68% similarUnverified失败轨迹提供错误识别信号和恢复策略信号两类关键学习信息67% similarUnverifiedPaliGemma 2 的视觉编码器基于 SigLIP，使用 Sigmoid 损失函数替代传统的 InfoNCE 对比损失65% similarUnverifiedFaceNet于2015年提出，采用三元组损失（Triplet Loss）59% similarUnverified不跨页切分会对检索质量造成损失，是在检索召回与可验证性之间的权衡58% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/829670API
curl https://kongchang.com/api/v1/knowledge/claims/829670MCP
get_claim(id=829670)