待验证50% 置信事件精确时间
基于真实电子健康记录协变量的半合成研究显示，全局训练的策略在一个高风险亚群上出现误泛化，而FDR控制限制了该策略原本会施加的有害治疗数量。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
Conformal Policy Selection：用FDR控制为AI决策部署加装安全阀
rss2026/10/16
涉及实体
相关事实
待验证过拟合指模型在训练集表现极好但在新数据泛化能力差的现象，在样本量偏小的药学数据集中风险尤为突出78% 相似待验证SelectPFN 的研究证明了一个负面结果：平均情况下的训练并不能自动转化为固定真值下的频率派保证，因此模型在任意给定数据集上的假发现率控制需要额外机制。72% 相似已验证训练数据投毒可在模型权重层面植入持久性后门，危害远超应用层越狱，但实施门槛更高，通常需要对训练流程有控制权72% 相似已验证对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效71% 相似待验证严格控制合成数据在训练集中的比例，避免其占据主导，是混合训练策略的一种应对方案71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1068340API
curl https://kongchang.com/api/v1/knowledge/claims/1068340MCP
get_claim(id=1068340)