待验证50% 置信事实精确时间

PU Learning 不能简单地把未标注样本当作负类，否则会引入严重的标签噪声。

1

来源数

50%

置信度

长期有效

时效性

2026/10/15

首次发现

来源

扩散模型负引导新突破：正无标签学习实现渐近精确采样

rss2026/10/14

涉及实体

PU Learningconcept

相关事实

待验证作者选择不做标签规范化以保留零样本泛化能力，但代价是9000个单例导致大量标签缺乏监督信号且训练不稳定57% 相似待验证历史QA标签本身可能存在噪声（不同QA人员标准不统一），训练分类器前应做标签一致性分析以避免在脏标签上过拟合56% 相似待验证私有持有的基准测试数据不公开，模型无法在训练阶段见过评测集，能更真实反映泛化能力并避免刷榜污染55% 相似待验证社区中流行的'去审查微调'通常只移除安全限制层，对训练数据造成的隐性偏差毫无作用54% 相似待验证校准必须在留出的标注数据上拟合，不能使用训练集，否则会过拟合分数分布。53% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1037379

API

curl https://kongchang.com/api/v1/knowledge/claims/1037379

MCP

get_claim(id=1037379)