待验证50% 置信事实精确时间

提升平移不变性的方法如BlurPool和适当的数据增强往往也能在一定程度上提升模型对对抗样本的鲁棒性

1

来源数

50%

置信度

长期有效

时效性

2026/8/30

首次发现

来源

一个像素移动就能骗过AI？深度解析平移不变性原理

涉及实体

BlurPooltechnology 对抗样本concept

相关事实

待验证应对域偏移的常见策略包括少量标注数据的微调、无监督域适应以及测试时增强74% 相似待验证在收敛型任务上，模型达到一定规模后存在明显的性能饱和现象，参数量或训练数据的继续增加对准确率的边际贡献快速衰减74% 相似待验证使用非线性阈值化指标（如精确匹配率）时模型性能看似突变，而改用连续指标（如对数概率）时性能提升是平滑渐进的72% 相似待验证「限时免配额」策略能快速积累新模型的真实使用数据与反馈，并降低用户尝鲜门槛72% 相似待验证成熟团队往往采取混合策略：用扩量数据打好基础覆盖，用精挑的困难样本进行针对性补短板72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/825966

API

curl https://kongchang.com/api/v1/knowledge/claims/825966

MCP

get_claim(id=825966)