待验证50% 置信观点精确时间
在联邦主动学习的采集策略中，基于分歧的委员会查询（使用联邦集成，每个站点的本地模型作为委员会成员，采集分数是各站点预测概率的方差并按校准误差加权）优于全局熵和本地熵策略。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/13
首次发现
有效期至：2027/1/11
来源
涉及实体
相关事实
待验证该项目将井字棋建模为监督分类问题，输入为编码后的棋盘状态，输出为9个格子中最佳落子位置的概率分布，使用交叉熵损失训练74% 相似待验证过拟合评测集的手段包括将评测数据混入训练语料、间接的网络爬虫污染、教学式微调以及训练模型识别评测场景65% 相似待验证标注歧义性对应机器学习中的贝叶斯最优误差率概念，可通过让多名标注者独立标注并计算标注者间Dice系数来估算性能天花板64% 相似待验证该研究方法的关键思路是将分数训练目标与采样网格对齐，从而把统计估计误差与数值离散化误差放在同一分析框架内联合处理62% 相似待验证评估分类需求的团队可采用的中间路线是：用公开数据集加SFT做低成本微调，验证效果后再决定是否投入更多资源61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1020476API
curl https://kongchang.com/api/v1/knowledge/claims/1020476MCP
get_claim(id=1020476)