待验证50% 置信事实精确时间

标准交叉熵损失在目标占图像面积较小时会导致严重的类别不平衡问题，模型倾向于全部预测为背景

1

来源数

50%

置信度

长期有效

时效性

2026/7/16

首次发现

来源

单类分割模型实时数据增强策略：次数、组合与边界精度全解析

相关事实

待验证如果交叉熵稳步下降而Dice波动剧烈，问题几乎可以确定出在Dice损失的配置上72% 相似已验证交叉熵损失起源于信息论中的KL散度，衡量真实概率分布与预测概率分布之间的差异程度71% 相似已验证分类任务常用交叉熵损失（Cross-Entropy Loss），回归任务常用均方误差（MSE）69% 相似待验证Toolformer的因果筛选机制仅当API调用结果使模型对后续token的交叉熵损失降低超过阈值时，该样本才进入微调数据集68% 相似待验证LLM的幻觉问题源于其训练目标是最小化交叉熵损失而非优化命题真值，是与生成机制深度耦合的固有特性而非偶发缺陷68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/527098

API

curl https://kongchang.com/api/v1/knowledge/claims/527098

MCP

get_claim(id=527098)