待验证50% 置信事实精确时间
分布鲁棒优化(DRO)是一类在不确定性下做决策的优化框架,它假设真实数据分布落在以经验分布为中心的模糊集内,并最小化该集合内最坏分布下的期望损失。
1
来源数
50%
置信度
长期有效
时效性
2026/11/10
首次发现
来源
RDS-MOPD:用鲁棒优化破解多教师蒸馏的域分配难题
rss2026/11/9
涉及实体
相关事实
待验证在DRO中,模糊集的中心选择本身是一个建模决策,编码了对数据生成过程结构的先验知识。73% 相似待验证传统的鲁棒优化方法常假设分布偏移位于某个已知的不确定性集合内,而Credal集方法不依赖对偏移形式的强假设,直接对模型的认知不确定性进行建模。68% 相似待验证长尾分布的常见对策包括重采样、类别加权损失以及主动学习——让模型主动挑出高不确定性样本交由人工标注。68% 相似待验证DT-DRO使用条件概率积分变换(PIT)的累积分布函数来诊断系统性的概率错配68% 相似待验证残差分布的定义为:对于目标模型概率p(x)大于草稿模型概率q(x)的token,其残差概率正比于max(0, p(x)-q(x)),该机制确保采样结果的边际分布严格等于目标模型原始分布67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1155414API
curl https://kongchang.com/api/v1/knowledge/claims/1155414MCP
get_claim(id=1155414)