Unverified50% confidenceBenchmarkExact time
引入文本信息后，跨多个时间序列基础模型的上尾分位损失（upper-tail pinball loss）中位数下降了7.4%
1
Sources
50%
Confidence
Long-term
Relevance
10/5/2026
First Seen
Sources
Related Entities
Related Claims
Unverified对比学习常用的损失函数包括InfoNCE Loss和Triplet Loss69% similarUnverifiedPINNs的损失函数通常由数据误差和残差项两部分组成，残差项即将网络输出代入PDE后偏离零的程度64% similarUnverified在跨日文本错配（cross-day text-mismatch）消融实验中，将文本与错误日期价格配对后，性能增益消失且预测表现跌破不使用文本的基线水平62% similarUnverified降本往往伴随质量妥协：更短的上下文可能导致模型遗漏关键信息，更激进的缓存可能引入陈旧数据61% similarUnverified模型崩溃过程中，模型会逐渐丢失数据分布的长尾部分，最终收敛到单调、重复、缺乏多样性的输出58% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/975799API
curl https://kongchang.com/api/v1/knowledge/claims/975799MCP
get_claim(id=975799)