待验证50% 置信事实精确时间
在子群发现中，KL散度被用来量化子群内目标变量分布与全局边际分布的偏离程度，KL散度越大子群越异常。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
子群发现理论突破：解析最优KL散度子群结构
rss2026/11/2
涉及实体
相关事实
已验证KL 散度用于比较微调后模型与原始模型在相同输入下的输出概率分布差异，数值越大表示偏离越严重，0.0244 的 KLD 意味着微调几乎没有改变模型的整体行为分布77% 相似待验证KL 散度和 PSI（群体稳定性指标）等统计量常用于度量批量数据的分布偏移，但难以直接套用于 Agent 序列化、带上下文的行为。76% 相似待验证K-Means聚类算法在标准实现中天然依赖欧氏距离，每一步计算样本点到聚类中心的欧氏距离并分配类别75% 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）。73% 相似待验证研究量化了真实离散观测路径分布与模型生成路径分布之间的 KL 散度界限，保证得分估计足够准确时生成路径统计规律逼近真实过程72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130792API
curl https://kongchang.com/api/v1/knowledge/claims/1130792MCP
get_claim(id=1130792)