待验证50% 置信事实精确时间
联邦学习中的异质性指各客户端本地数据分布与全局分布的偏离程度，常用Dirichlet分布参数、标签分布散度（如KL散度）或客户端间特征距离来量化。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
已验证分布偏移是指模型训练时所见数据的统计分布与实际部署环境中数据分布之间的系统性差异70% 相似待验证KL散度是衡量两个概率分布差异的非对称指标，在强化学习中被用来约束新旧策略的偏离程度（如PPO的trust region）。68% 相似待验证使用核方法或局部多项式估计CATE时，协变量分布的局部结构（如尖峰、断层或不规则聚集）会直接反映在估计量的收敛行为上。67% 相似待验证生成分布嵌入（GDE）是一种用参数化生成模型表示概率分布的方法，学习从低维隐变量到状态空间的映射，同时用编码器将观测历史映射为隐变量分布。64% 相似待验证分类头通常是一个简单的全连接层加Softmax激活，将高维特征向量映射到各类别的概率分布63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1113990API
curl https://kongchang.com/api/v1/knowledge/claims/1113990MCP
get_claim(id=1113990)