待验证50% 置信事实精确时间
在多种评估设置下，过滤掉与稳定记忆相关的历史事件可以保持相似的训练损失轨迹。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
涉及实体
相关事实
待验证训练数据中的重复内容会导致模型记忆化和性能下降74% 相似已验证几何变换后必须记录变换参数并对预测框进行逆变换对齐，忽略该步骤会导致一致性损失语义错位而损害训练效果72% 相似待验证为缓解灾难性遗忘，实践中常采用回放缓冲区保留历史样本、弹性权重巩固约束重要参数更新幅度、或参数高效微调（如LoRA）等方式。72% 相似待验证微调（fine-tuning）和持久记忆（persistent memory）解决不同问题：微调通过训练样本改变模型行为，持久记忆让应用外部存储信息并在需要时检索。72% 相似待验证研究者将该成果定位为关于记忆决策何时可以在不恢复来源可靠性情况下被学习与证明的统计学解释，而非在所有场景下都更优的记忆算法72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074667API
curl https://kongchang.com/api/v1/knowledge/claims/1074667MCP
get_claim(id=1074667)