Unverified50% confidenceFactExact time
MPE用条件概率和预测准确率来表述，与经典信息论方法（如互信息、超额熵）形成互补
1
Sources
50%
Confidence
Long-term
Relevance
10/7/2026
First Seen
Sources
Related Entities
Related Claims
Partially Verified信息论中熵H(p)衡量概率分布p的不确定性，等价于对来自该分布的信息进行最优编码所需的平均比特数70% similarUnverified困惑度概念源自信息论中的熵（Shannon Entropy），本质上是语言模型每步预测的平均分支因子69% similarUnverified递归熵风险度量在每个时间步嵌套应用风险算子，满足时间一致性，因此可以直接与贝尔曼方程结合69% similarUnverified信息论中的熵与KL散度是理解损失函数设计和生成模型（如VAE、扩散模型）的重要基础69% similarVerified语义熵方法在技术实现上通过多次采样获得候选回答、使用NLI模型判断语义等价性聚类、最后计算语义类别上的熵值68% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/983442API
curl https://kongchang.com/api/v1/knowledge/claims/983442MCP
get_claim(id=983442)