待验证50% 置信权衡取舍精确时间
客户端重加权方法q-FedAvg通过给损失更高的客户端赋予更大权重，但权重调整会改变全局损失函数的形状，使模型偏离原始聚合目标
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证梯度提升（Gradient Boosting）将AdaBoost的思想推广到任意可微损失函数，其核心操作是每一轮新模型拟合上一轮的残差69% 相似已验证反向传播的本质是链式求导，损失函数对每一层参数的梯度从输出层向输入层逐层传递，前提是损失函数必须存在且可微64% 相似待验证ReAct范式相比传统的计划-执行分离模式，最大优势在于容错性，可根据工具返回结果动态修正后续计划63% 相似待验证服务商可以在不更改版本号的情况下替换底层权重、调整推理参数或更换路由策略62% 相似待验证静默漂移的诱因往往来自外部，比如底层大模型的版本升级、API行为的微调、工具接口的变化，这些改动不在代码库里却会直接改变Agent行为62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1001326API
curl https://kongchang.com/api/v1/knowledge/claims/1001326MCP
get_claim(id=1001326)