待验证50% 置信事实精确时间

相关性敏感性分析显示，高度依赖的模型误差会削弱分散化带来的收益。

1

来源数

50%

置信度

长期有效

时效性

2026/10/28

首次发现

来源

算法单一化：机器学习推荐系统的系统性风险

涉及实体

模型误差相关性concept

相关事实

待验证一处缺陷数据引入的偏差可以泄漏到看似无关的能力维度，导致模型在欺骗性、顺从性、风险规避等多个独立指标上同时退化79% 相似待验证忽略误差相关性会导致组合方差偏小，且偏小因子随组规模增大而增长，该因子能准确预测覆盖率失效的程度。77% 相似待验证覆盖率崩塌是系统性问题，并非偶然误差，意味着基于这些区间的决策风险被显著低估。76% 相似待验证学习器从有限数据中估计损失分布必然存在偏差，导致对CVaR的估计偏离真实值，从而削弱甚至逆转风险厌恶的实际效果。75% 相似已验证过度拒绝策略虽降低风险但损害模型实用性，尤其在专业开发、安全研究等需触碰敏感边界的场景75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1106207

API

curl https://kongchang.com/api/v1/knowledge/claims/1106207

MCP

get_claim(id=1106207)