待验证50% 置信事实精确时间

论文证明该界在样本量和期望再生时间上是极小极大最优的。

1

来源数

50%

置信度

长期有效

时效性

2026/10/22

首次发现

来源

再生过程的自归一化Bernstein不等式：非独立数据学习新工具

涉及实体

极小极大最优concept 泛化误差界concept

相关事实

待验证少样本预测允许使用少量历史样本进行轻量适配。72% 相似待验证极小极大最优指数描述的是在所有可能的数据生成分布和最坏情况下，任何估计方法所能达到的最优误差收敛速率。70% 相似待验证假设数据服从高斯分布，最大化似然等价于最小化均方误差70% 相似已验证使用远小于主模型的轻量校验模型或分类器判断输出可信度，可将显存开销控制在最低限度69% 相似待验证对小样本切片设置绝对失败数上限比设置百分比门槛更稳健，且对样本量不敏感68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1083941

API

curl https://kongchang.com/api/v1/knowledge/claims/1083941

MCP

get_claim(id=1083941)