待验证50% 置信事实精确时间
算法偏见在人道主义场景中具有特殊的放大效应：如果训练数据主要来自基础设施完善、数据记录丰富的地区，模型迁移到数据稀疏的低收入或冲突地区时准确率会显著下降，即分布外泛化问题。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
AI驱动灾害响应与流离失所监测：人道主义救援新范式
rss2026/10/15
涉及实体
相关事实
待验证迁移学习实践中，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。74% 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74% 相似已验证数据漂移（Data Drift）指线上真实数据的统计特性偏离训练集时，模型性能在无报错情况下持续下滑73% 相似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72% 相似待验证文生图模型的理解本质上是大规模统计关联，面对训练集中稀少出现的长尾概念时生成质量会显著下滑72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1046242API
curl https://kongchang.com/api/v1/knowledge/claims/1046242MCP
get_claim(id=1046242)