待验证60% 置信事实精确时间

Huber损失在误差较小时表现为二次惩罚（与MSE一致），误差较大时退化为线性惩罚（与MAE一致），对异常值更鲁棒，常用于回归任务

2

来源数

60%

置信度

长期有效

时效性

2026/7/19

首次发现

来源

梯度下降与反向传播详解：神经网络学习机制从零拆解

相关事实

待验证Huber损失函数在残差较小时使用二次损失（等价于高斯似然），在残差超过阈值δ时切换为线性损失（等价于拉普拉斯似然）80% 相似待验证端到端场景下分类环节的误差明显高于检测环节，体现了多阶段级联系统中误差级联（error cascading）的效应65% 相似待验证安全分类器判定阈值的调整会影响误判率与漏判率之间的权衡，即ROC曲线上的工作点移动65% 相似待验证Agent 评测中由于错误沿任务链累积传播，最终完成率的分差往往比传统 NLP 基准更难弥合65% 相似已验证几何变换后必须记录变换参数并对预测框进行逆变换对齐，忽略该步骤会导致一致性损失语义错位而损害训练效果65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/558139

API

curl https://kongchang.com/api/v1/knowledge/claims/558139

MCP

get_claim(id=558139)