待验证50% 置信事实精确时间

当各客户端数据分布存在统计异质性时，全局模型倾向于迎合数据量大、分布主流的客户端，使偏离主流的客户端表现出明显更差的本地精度

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

FedPCD：用优先约束破解联邦学习的公平性困局

涉及实体

统计异质性concept 联邦学习concept

相关事实

待验证数据多样性对模型泛化能力的影响往往比数据规模更为根本，仅在特定分布上过度拟合的模型在真实部署时表现骤降78% 相似待验证若服务端种子标注数据与客户端实际语音分布差异过大，锚点的校正方向可能与客户端数据最优方向相悖，反而削弱模型性能73% 相似待验证基准过拟合和数据污染会导致模型通过记忆而非真正理解获得高分，使公开基准分数可信度存疑67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001323

API

curl https://kongchang.com/api/v1/knowledge/claims/1001323

MCP

get_claim(id=1001323)