待验证50% 置信事实精确时间
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）
1
来源数
50%
置信度
长期有效
时效性
2026/8/31
首次发现
来源
涉及实体
相关事实
待验证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80% 相似待验证常见的对比学习损失函数包括 NT-Xent Loss 和 Triplet Loss69% 相似待验证梯度下降的收敛条件与学习率和损失函数的Lipschitz常数的关系有关68% 相似待验证分散损失的梯度回传需穿越L2归一化操作，该操作在向量范数趋近零时存在数值不稳定风险，实现中需加入epsilon平滑项（如ε=1e-8）66% 相似待验证对比学习的核心损失函数（如InfoNCE、NT-Xent）本质是拉近同类样本表征距离、推远不同类样本表征距离66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/830025API
curl https://kongchang.com/api/v1/knowledge/claims/830025MCP
get_claim(id=830025)