待验证50% 置信事实精确时间
在实际应用中，协变量X的分布往往未知或难以准确估计，分布估计误差会直接破坏Model-X knockoffs的FDR控制的理论保证。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
模型无关变量选择新方法MAS：无需协变量分布假设的FDR控制
rss2026/10/15
涉及实体
相关事实
待验证LLM的错误往往不是随机分布的，当AI在某个架构假设上出现偏差时，后续所有基于该假设的决策都会系统性地偏离正确方向69% 相似待验证点估计置信度在分布偏移下会失效，而MC Dropout等贝叶斯式不确定性度量能真正识别信号失效69% 相似待验证研究揭示LLM并不像理想的贝叶斯智能体那样根据证据可靠性进行合理加权更新，而是表现出接近分布倾斜的行为模式，其影响与证据真实可靠性的关联比贝叶斯框架预期的弱68% 相似待验证行为克隆的分布偏移问题会导致误差累积,经过T步后期望总损失为O(εT²)而非线性的O(εT)67% 相似待验证平衡失配指的是学习到的稳态分布本身就与目标分布相去甚远；在某些显式假设下，即使局部保对称性模型中每个原子误差很小，分布差异仍随系统规模增大而趋近最大值。66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1046156API
curl https://kongchang.com/api/v1/knowledge/claims/1046156MCP
get_claim(id=1046156)