Unverified50% confidenceFactExact time
论文证明学习得到的生成分布在Wasserstein-p距离下满足有限样本误差界W_p ≲ n^(-1/d) + n^(-1/(2p))(log(1/ξ))^(1/(2p))
1
Sources
50%
Confidence
Long-term
Relevance
10/5/2026
First Seen
Sources
Related Entities
Related Claims
Unverified在真实映射为均匀随机的假设下，论文证明了错误率下界为 E ≥ (M/N)δ*(B/M) + (1-M/N)(1-1/K)77% similarUnverifiedLLM每次调用可建模为伯努利试验，N次调用通过次数服从二项分布B(N, p)，通过率95%置信区间约为p̂ ± 1.96×√(p̂(1-p̂)/N)73% similarUnverifiedMcNemar 检验统计量为 χ² = (|b - c| - 1)² / (b + c)，当样本量足够时近似服从自由度为1的卡方分布，其中-1为Yates连续性校正项70% similarUnverified传统推测解码的验证过程对草稿提出的token以min(1, p(x)/q(x))的概率接受，被拒绝则从修正分布norm(max(0, p(x)-q(x)))重新采样，可证明产生的token分布与直接从目标模型采样完全一致（lossless）69% similarUnverified均匀量化引入的误差近似服从均匀分布，其方差为Δ²/12（Δ为量化步长）69% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/976005API
curl https://kongchang.com/api/v1/knowledge/claims/976005MCP
get_claim(id=976005)