待验证50% 置信解决方案精确时间

在鲁棒回归中将似然函数从高斯替换为t分布，等价于在损失函数中降低离群点的权重

1

来源数

50%

置信度

长期有效

时效性

2026/8/31

首次发现

来源

从零编码机器学习概率分布：高斯、Beta、Gamma分布实践指南

涉及实体

Student's t分布concept 鲁棒回归concept

相关事实

待验证从回报中减去任何不依赖于动作的基线函数b(s)不会改变梯度估计的期望值但可以降低方差74% 相似待验证梯度下降的参数更新规则为 θ_{t+1} = θ_t - η·∇L(θ_t)，其中η是学习率，沿负梯度方向更新参数可最快减小损失函数71% 相似已验证梯度下降通过沿着损失函数梯度的反方向迭代调整权重使预测误差逐步收敛68% 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67% 相似待验证2018年Wachter等人将反事实解释形式化为可计算的损失函数：最小化特征变化量的同时约束模型输出翻转到期望类别66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/831743

API

curl https://kongchang.com/api/v1/knowledge/claims/831743

MCP

get_claim(id=831743)