待验证50% 置信决策规则精确时间
迁移学习实践中，新任务数据量越小，越应冻结更多层以防止过拟合；学习率要比从头训练时小得多；若新数据与预训练数据分布差异很大，往往需要微调更多层。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
待验证当目标数据域与源数据域差异悬殊时，预训练权重可能产生负迁移（Negative Transfer），反而干扰目标域的学习78% 相似已验证跨域微调时学习率过大会破坏预训练权重，过小则几乎学不动，需权衡设置76% 相似待验证冻结基准可能因数据泄露被纳入模型训练数据而随时间失去区分力，这是一个权衡76% 相似待验证联邦学习存在挑战：模型更新可能通过梯度反演攻击泄露训练数据统计特征，且各车辆数据分布差异大时容易引发non-IID问题导致收敛困难或性能下降75% 相似待验证若数据集较小而模型参数过多，模型可能过早记住训练数据并退化，可通过增加数据、使用 dropout 正则化或缩小模型规模缓解75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1018469API
curl https://kongchang.com/api/v1/knowledge/claims/1018469MCP
get_claim(id=1018469)