待验证50% 置信观点精确时间
MAPS 的伪异常筛选策略对数据分布敏感,当正常数据本身多模态或非平稳时,边界估计不稳,伪异常质量会下降。
1
来源数
50%
置信度
长期有效
时效性
2026/11/5
首次发现
来源
涉及实体
相关事实
待验证异常检测方法对未知缺陷类型更友好但误报率偏高;合成数据能扩充样本量但与真实缺陷分布存在域差距。74% 相似待验证在数据质量验证中,不同错误的代价是不对称的:错误接受脏数据可能导致下游分析崩坏,而误拒好数据只是损失一个样本74% 相似待验证在领域不匹配条件下,单纯依赖基于置信度的过滤不足以保证伪标签质量,因为模型在错误样本上也可能表现出高置信度73% 相似待验证伪标签的风险在于确认偏差——错误预测被强化;因此实践中通常结合新颖性检测(如马氏距离)来判断分布是否已漂移,仅在漂移显著且预测置信度高时才启用伪标签更新。73% 相似待验证错误的归纳偏置会让模型花费容量拟合数据中不存在的虚假模式,导致分布外数据上严重失效72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1138326API
curl https://kongchang.com/api/v1/knowledge/claims/1138326MCP
get_claim(id=1138326)