待验证50% 置信事实精确时间
神经SDE是指用神经网络参数化随机微分方程的漂移项和/或扩散项的一类模型，标准形式为 dX_t = f_θ(X_t, t)dt + g_φ(X_t, t)dW_t。
1
来源数
50%
置信度
长期有效
时效性
2026/11/2
首次发现
来源
涉及实体
相关事实
待验证神经随机微分方程是将经典SDE中的漂移项和扩散项替换为神经网络，从而在连续时间上建模随机动态过程76% 相似待验证在DDPM反向过程中，均值μ_θ的表达式为 μ_θ(x_t, t) = (1/√α_t) · (x_t - (β_t / √(1 - ᾱ_t)) · ε_θ(x_t, t))，其中ε_θ是需训练的神经网络。69% 相似待验证微分神经正切核（DNTK）刻画了网络输出及其导数关于参数的梯度内积。67% 相似待验证扩散过程的反向SDE可以表示为 dX_t = [f(X_t,t) - g(t)²∇log p_t(X_t)]dt + g(t)dW̄_t67% 相似待验证隐式神经网络在此指用小型神经网络直接参数化扭曲函数φ，输入是归一化时间坐标，输出是对应的对齐位置64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1125431API
curl https://kongchang.com/api/v1/knowledge/claims/1125431MCP
get_claim(id=1125431)