待验证50% 置信事实精确时间
在风险厌恶机器学习中，除了CVaR之外，还存在方差惩罚、Wasserstein距离约束以及分布鲁棒优化（DRO）等方法。
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
待验证负向约束通过明确排除不期望的输出收窄概率空间，与正向指令同等重要，可减少模型创造性发挥的偏差76% 相似待验证学习器从有限数据中估计损失分布必然存在偏差，导致对CVaR的估计偏离真实值，从而削弱甚至逆转风险厌恶的实际效果。74% 相似已验证在紧急调度场景中假阴性的代价远高于假阳性，因此系统设计时会刻意降低判定阈值，这在机器学习中被称为非对称代价敏感学习73% 相似待验证当对可能出现的故障形态有先验认识时，选择与之匹配的稀疏惩罚结构往往比通用算法带来显著的性能收益72% 相似待验证现有基于CVaR的风险规避方法将静态或动态CVaR应用于价值函数以捕捉轨迹层面的风险，但忽视了信念内部的风险72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1012841API
curl https://kongchang.com/api/v1/knowledge/claims/1012841MCP
get_claim(id=1012841)