符号索引 · 1295 条

同形符号由命名空间区分。

符号条目记录数学写法、纯文本形式、含义、单位与假设。相同字母在不同学科中的含义不会被强行合并。

检索命名空间

1295 个符号

One Forth 已登记数学与物理符号
符号	含义	命名空间	单位 / 条件	别名 / 冲突	教材位置
$\Phi_{x}$ `Phi_x`	《可微分物理》“反向伴随递推”中 Phi 的下标 x 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 x 的取值范围以该公式邻近定义和求和范围为准。	无别名	A14 · 可微物理、自动微分与守恒约束
$\pi_{\theta}$ `pi_theta`	《指令适配与偏好优化》“监督指令微调学习示范条件分布”中 pi 的下标 theta 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 theta 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $\pi_{\theta}$	A12 · 指令微调、偏好优化与上下文学习 · 共 3 处 A12 · 指令微调、偏好优化与上下文学习 · 正文位置 1 A12 · 指令微调、偏好优化与上下文学习 · 正文位置 2 A12 · 指令微调、偏好优化与上下文学习 · 正文位置 3
$\pi_{\theta}$ `pi_theta`	《对齐目标与奖励建模》“监督示范学习条件分布”中 pi 的下标 theta 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 theta 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $\pi_{\theta}$	A13 · 对齐目标、反馈与奖励建模 · 共 2 处 A13 · 对齐目标、反馈与奖励建模 · 正文位置 1 A13 · 对齐目标、反馈与奖励建模 · 正文位置 2
$q$ `q`	《逆问题与不确定性》“先写出未知量到观测的完整链路”中记作 q 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 q 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $q$ 、 $q$ 、 $q$ 、 $q$ 、 $q$ 、 $q$ 、 $q$	A14 · 逆问题、数据同化与不确定性 · 共 2 处 A14 · 逆问题、数据同化与不确定性 · 正文位置 1 A14 · 逆问题、数据同化与不确定性 · 正文位置 2
$Q$ `Q`	注意力层的查询矩阵	机器学习 · 神经网络	由上下文确定；该含义限定于《多头与位置表示》“先固定四条轴”及其相邻推导。	无别名易混淆： $Q$ 、 $Q$ 、 $Q$ 、 $Q$ 、 $Q$	A07 · 多头注意力与位置表示 · 共 4 处 A07 · 多头注意力与位置表示 · 正文位置 1 A07 · 多头注意力与位置表示 · 正文位置 2 A07 · 多头注意力与位置表示 · 正文位置 3 A07 · 多头注意力与位置表示 · 正文位置 4
$Q$ `Q`	注意力查询矩阵	机器学习 · 神经网络	由上下文确定	无别名易混淆： $Q$ 、 $Q$ 、 $Q$ 、 $Q$ 、 $Q$	A07 · 缩放点积注意力与掩码 · 共 17 处 A07 · 缩放点积注意力与掩码 · 正文位置 1 A07 · 缩放点积注意力与掩码 · 正文位置 2 A07 · 缩放点积注意力与掩码 · 正文位置 3 A07 · 缩放点积注意力与掩码 · 正文位置 4 A07 · 缩放点积注意力与掩码 · 正文位置 5 A07 · 缩放点积注意力与掩码 · 正文位置 6 A07 · 缩放点积注意力与掩码 · 正文位置 7 A07 · 缩放点积注意力与掩码 · 正文位置 8 A07 · 缩放点积注意力与掩码 · 正文位置 9 A07 · 缩放点积注意力与掩码 · 正文位置 10 A07 · 缩放点积注意力与掩码 · 正文位置 11 A08 · 度量学习、孪生网络与三元组损失 · 正文位置 12 A07 · 多头注意力与位置表示 · 正文位置 13 A07 · 多头注意力与位置表示 · 正文位置 14 A07 · 多头注意力与位置表示 · 正文位置 15 A07 · 多头注意力与位置表示 · 正文位置 16 A06 · 视觉 Transformer 与混合架构 · 正文位置 17
$q_{\phi}$ `q_phi`	《变分自编码器》“从边缘似然推导证据下界”中 q 的下标 phi 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 phi 的取值范围以该公式邻近定义和求和范围为准。	无别名	A09 · 变分自编码器与证据下界 · 共 8 处 A09 · 变分自编码器与证据下界 · 正文位置 1 A09 · 变分自编码器与证据下界 · 正文位置 2 A09 · 变分自编码器与证据下界 · 正文位置 3 A09 · 变分自编码器与证据下界 · 正文位置 4 A09 · 变分自编码器与证据下界 · 正文位置 5 A09 · 变分自编码器与证据下界 · 正文位置 6 A09 · 变分自编码器与证据下界 · 正文位置 7 A09 · 变分自编码器与证据下界 · 正文位置 8
$r$ `r`	《检索增强与落地》“稀疏检索和稠密检索利用不同匹配信号”中记作 r 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 r 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $r$ 、 $r$ 、 $r$ 、 $r$ 、 $r$ 、 $r$ 、 $r$ 、 $r$ 、 $r$ 、 $r$	A12 · 检索增强、引用与事实落地
$R$ `R`	《检索增强与落地》“稀疏检索和稠密检索利用不同匹配信号”中记作 R 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 R 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $R$ 、 $R$ 、 $R$ 、 $R$ 、 $R$ 、 $R$ 、 $R$ 、 $R$ 、 $R$ 、 $R$	A12 · 检索增强、引用与事实落地
$r_{t}$ `r_t`	《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 r 的下标 t 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。	无别名	A07 · 循环网络、门控单元与状态传播
$s$ `s`	《科学机器学习复习》“反演把前向误差放进后验和决策”中记作 s 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 s 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $s$ 、 $s$ 、 $s$ 、 $s$ 、 $s$ 、 $s$ 、 $s$	A14 · 基准、外推边界与科学机器学习综合复习 · 共 5 处 A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 1 A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 2 A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 3 A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 4 A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 5
$S$ `S`	《神经网络反传复习》“形状账本在数值计算之前”中记作 S 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 S 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$	A04 · 神经网络与反向传播综合复习 · 共 3 处 A04 · 神经网络与反向传播综合复习 · 正文位置 1 A04 · 神经网络与反向传播综合复习 · 正文位置 2 A04 · 神经网络与反向传播综合复习 · 正文位置 3
$S$ `S`	《归一化与尺度》“一个通用标准化模板”中记作 S 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 S 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$	A05 · 归一化方法与尺度控制
$S$ `S`	《特征归因与反事实》“Shapley 值按所有加入顺序平均边际贡献”中记作 S 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 S 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$ 、 $S$	A13 · 特征归因、显著性与反事实 · 共 2 处 A13 · 特征归因、显著性与反事实 · 正文位置 1 A13 · 特征归因、显著性与反事实 · 正文位置 2
$S_{i}$ `S_i`	《大模型智能体综合复习》“端到端成功率设置关键门槛”中 S 的下标 i 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 i 的取值范围以该公式邻近定义和求和范围为准。	无别名	A12 · 系统评估、故障模式与智能体综合复习
$S_{p}$ `S_p`	《鲁棒性与攻击》“范数球是数学代理而非语义等价保证”中 S 的下标 p 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 p 的取值范围以该公式邻近定义和求和范围为准。	无别名	A13 · 鲁棒性、对抗攻击与防御评估
$s_{t}$ `s_t`	《工具、记忆与规划》“把智能体写成受约束状态循环”中 s 的下标 t 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。	无别名	A12 · 工具调用、记忆与任务规划
$\sigma$ `sigma`	《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中记作 sigma 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 sigma 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\sigma$ 、 $\sigma$ 、 $\sigma$ 、 $\sigma$	A07 · 循环网络、门控单元与状态传播 · 共 2 处 A07 · 循环网络、门控单元与状态传播 · 正文位置 1 A07 · 循环网络、门控单元与状态传播 · 正文位置 2
$\sigma$ `sigma`	《消息传递神经网络》“GCN 是一种度归一化线性消息”中记作 sigma 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 sigma 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\sigma$ 、 $\sigma$ 、 $\sigma$ 、 $\sigma$	A11 · 消息传递与图卷积
$\sigma$ `sigma`	《神经算子》“核积分层统一局部与非局部交互”中记作 sigma 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 sigma 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\sigma$ 、 $\sigma$ 、 $\sigma$ 、 $\sigma$	A14 · Fourier 神经算子与网格泛化
$t$ `t`	《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A07 · 循环网络、门控单元与状态传播 · 共 3 处 A07 · 循环网络、门控单元与状态传播 · 正文位置 1 A07 · 循环网络、门控单元与状态传播 · 正文位置 2 A07 · 循环网络、门控单元与状态传播 · 正文位置 3
$t$ `t`	《序列训练与解码》“自回归似然来自概率链式法则”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A07 · 序列损失、教师强制与解码 · 共 3 处 A07 · 序列损失、教师强制与解码 · 正文位置 1 A07 · 序列损失、教师强制与解码 · 正文位置 2 A07 · 序列损失、教师强制与解码 · 正文位置 3
$t$ `t`	《序列模型综合复习》“普通RNN把历史压进固定宽度状态”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A07 · 长序列、效率与 Transformer 综合复习 · 共 2 处 A07 · 长序列、效率与 Transformer 综合复习 · 正文位置 1 A07 · 长序列、效率与 Transformer 综合复习 · 正文位置 2
$t$ `t`	《对比学习》“配对关系才是监督信号”中记作 t 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A08 · 对比学习、负样本与信息瓶颈
$t$ `t`	《表示学习目标》“重构目标保留输入，未必保留任务”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A08 · 表示学习目标、相似度与不变性
$t$ `t`	《自回归生成》“用链式法则把联合分布拆成一步步预测”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A09 · 自回归生成与序列似然 · 共 3 处 A09 · 自回归生成与序列似然 · 正文位置 1 A09 · 自回归生成与序列似然 · 正文位置 2 A09 · 自回归生成与序列似然 · 正文位置 3
$t$ `t`	《生成模型综合复习》“显式密度与隐式生成回答不同问题”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A09 · 生成质量、覆盖与生成模型综合复习
$t$ `t`	《得分与扩散模型》“噪声预测给出常用均值参数化”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A09 · 得分匹配、扩散过程与反向采样 · 共 9 处 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 1 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 2 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 3 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 4 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 5 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 6 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 7 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 8 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 9
$t$ `t`	《图生成与图动力学》“动态图把整个图作为状态”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A11 · 图生成、图动力学与物理系统 · 共 6 处 A11 · 图生成、图动力学与物理系统 · 正文位置 1 A11 · 图生成、图动力学与物理系统 · 正文位置 2 A11 · 图生成、图动力学与物理系统 · 正文位置 3 A11 · 图生成、图动力学与物理系统 · 正文位置 4 A11 · 图生成、图动力学与物理系统 · 正文位置 5 A11 · 图生成、图动力学与物理系统 · 正文位置 6
$t$ `t`	《指令适配与偏好优化》“监督指令微调学习示范条件分布”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A12 · 指令微调、偏好优化与上下文学习
$t$ `t`	《语言建模与规模规律》“因果语言建模是逐位置条件似然”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A12 · 语言建模、tokenization 与规模规律
$t$ `t`	《视觉语言模型》“图像和文本先映射到同一比较空间”中记作 t 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A12 · 视觉语言对齐与多模态生成
$t$ `t`	《对齐目标与奖励建模》“监督示范学习条件分布”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A13 · 对齐目标、反馈与奖励建模
$t$ `t`	《PINN》“用网络表示未知解”中记作 t 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 t 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$ 、 $t$	A14 · 物理信息神经网络与残差训练 · 共 2 处 A14 · 物理信息神经网络与残差训练 · 正文位置 1 A14 · 物理信息神经网络与残差训练 · 正文位置 2
$T$ `T`	《指令适配与偏好优化》“监督指令微调学习示范条件分布”中记作 T 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 T 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$	A12 · 指令微调、偏好优化与上下文学习
$T$ `T`	《视觉语言模型》“图像和文本先映射到同一比较空间”中记作 T 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 T 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$	A12 · 视觉语言对齐与多模态生成
$T$ `T`	《PINN》“用网络表示未知解”中记作 T 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 T 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$ 、 $T$	A14 · 物理信息神经网络与残差训练
$T_{\delta}$ `T_delta`	《卷积算子》“平移等变与不变不是一回事”中 T 的下标 delta 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 delta 的取值范围以该公式邻近定义和求和范围为准。	无别名	A06 · 离散卷积、感受野与参数共享
$T_{k}$ `T_k`	《不变与等变》“平移等变来自共享局部规则”中 T 的下标 k 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 k 的取值范围以该公式邻近定义和求和范围为准。	无别名	A11 · 不变性、等变性与群作用
$T_{kx}$ `T_kx`	《不变与等变》“平移等变来自共享局部规则”中 T 的下标 kx 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 kx 的取值范围以该公式邻近定义和求和范围为准。	无别名	A11 · 不变性、等变性与群作用
$\theta$ `theta`	《调度与二阶方法》“Hessian 描述局部曲率”中记作 theta 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 theta 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\boldsymbol{\theta}$ 、 $\theta$	A05 · 学习率调度与二阶近似 · 共 7 处 A05 · 学习率调度与二阶近似 · 正文位置 1 A05 · 学习率调度与二阶近似 · 正文位置 2 A05 · 学习率调度与二阶近似 · 正文位置 3 A05 · 学习率调度与二阶近似 · 正文位置 4 A05 · 学习率调度与二阶近似 · 正文位置 5 A05 · 学习率调度与二阶近似 · 正文位置 6 A05 · 学习率调度与二阶近似 · 正文位置 7
$\theta$ `theta`	《可微分物理》“反向伴随递推”中记作 theta 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 theta 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\boldsymbol{\theta}$ 、 $\theta$	A14 · 可微物理、自动微分与守恒约束 · 共 14 处 A14 · 可微物理、自动微分与守恒约束 · 正文位置 1 A14 · 可微物理、自动微分与守恒约束 · 正文位置 2 A14 · 可微物理、自动微分与守恒约束 · 正文位置 3 A14 · 可微物理、自动微分与守恒约束 · 正文位置 4 A14 · 可微物理、自动微分与守恒约束 · 正文位置 5 A14 · 可微物理、自动微分与守恒约束 · 正文位置 6 A14 · 可微物理、自动微分与守恒约束 · 正文位置 7 A14 · 可微物理、自动微分与守恒约束 · 正文位置 8 A14 · 可微物理、自动微分与守恒约束 · 正文位置 9 A14 · 可微物理、自动微分与守恒约束 · 正文位置 10 A14 · 可微物理、自动微分与守恒约束 · 正文位置 11 A14 · 可微物理、自动微分与守恒约束 · 正文位置 12 A14 · 可微物理、自动微分与守恒约束 · 正文位置 13 A14 · 可微物理、自动微分与守恒约束 · 正文位置 14
$\theta$ `theta`	《逆问题与不确定性》“先写出未知量到观测的完整链路”中记作 theta 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 theta 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\theta$ 、 $\boldsymbol{\theta}$ 、 $\theta$	A14 · 逆问题、数据同化与不确定性 · 共 9 处 A14 · 逆问题、数据同化与不确定性 · 正文位置 1 A14 · 逆问题、数据同化与不确定性 · 正文位置 2 A14 · 逆问题、数据同化与不确定性 · 正文位置 3 A14 · 逆问题、数据同化与不确定性 · 正文位置 4 A14 · 逆问题、数据同化与不确定性 · 正文位置 5 A14 · 逆问题、数据同化与不确定性 · 正文位置 6 A14 · 逆问题、数据同化与不确定性 · 正文位置 7 A14 · 逆问题、数据同化与不确定性 · 正文位置 8 A14 · 逆问题、数据同化与不确定性 · 正文位置 9
$\theta_{t}$ `theta_t`	《SGD 与自适应优化》“Momentum 累积方向”中 theta 的下标 t 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。	无别名	A05 · 随机梯度、动量与自适应方法 · 共 6 处 A05 · 随机梯度、动量与自适应方法 · 正文位置 1 A05 · 随机梯度、动量与自适应方法 · 正文位置 2 A05 · 随机梯度、动量与自适应方法 · 正文位置 3 A05 · 随机梯度、动量与自适应方法 · 正文位置 4 A05 · 随机梯度、动量与自适应方法 · 正文位置 5 A05 · 随机梯度、动量与自适应方法 · 正文位置 6
$\theta_{t+1}$ `theta_t+1`	《SGD 与自适应优化》“Momentum 累积方向”中 theta 的下标 t+1 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 t+1 的取值范围以该公式邻近定义和求和范围为准。	无别名	A05 · 随机梯度、动量与自适应方法 · 共 5 处 A05 · 随机梯度、动量与自适应方法 · 正文位置 1 A05 · 随机梯度、动量与自适应方法 · 正文位置 2 A05 · 随机梯度、动量与自适应方法 · 正文位置 3 A05 · 随机梯度、动量与自适应方法 · 正文位置 4 A05 · 随机梯度、动量与自适应方法 · 正文位置 5
$u$ `u`	《度量学习》“距离、相似度与排序方向”中记作 u 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 u 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $\mathbf{u}$	A08 · 度量学习、孪生网络与三元组损失 · 共 3 处 A08 · 度量学习、孪生网络与三元组损失 · 正文位置 1 A08 · 度量学习、孪生网络与三元组损失 · 正文位置 2 A08 · 度量学习、孪生网络与三元组损失 · 正文位置 3
$u$ `u`	《图生成与图动力学》“动态图把整个图作为状态”中记作 u 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 u 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $\mathbf{u}$	A11 · 图生成、图动力学与物理系统 · 共 3 处 A11 · 图生成、图动力学与物理系统 · 正文位置 1 A11 · 图生成、图动力学与物理系统 · 正文位置 2 A11 · 图生成、图动力学与物理系统 · 正文位置 3
$u$ `u`	《DeepONet》“学习对象是函数到函数的映射”中记作 u 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 u 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $\mathbf{u}$	A14 · DeepONet 与算子逼近 · 共 5 处 A14 · DeepONet 与算子逼近 · 正文位置 1 A14 · DeepONet 与算子逼近 · 正文位置 2 A14 · DeepONet 与算子逼近 · 正文位置 3 A14 · DeepONet 与算子逼近 · 正文位置 4 A14 · DeepONet 与算子逼近 · 正文位置 5
$u$ `u`	《逆问题与不确定性》“先写出未知量到观测的完整链路”中记作 u 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 u 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $\mathbf{u}$	A14 · 逆问题、数据同化与不确定性
$u$ `u`	《科学机器学习复习》“反演把前向误差放进后验和决策”中记作 u 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 u 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $u$ 、 $\mathbf{u}$	A14 · 基准、外推边界与科学机器学习综合复习 · 共 3 处 A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 1 A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 2 A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 3