待验证50% 置信事实精确时间

泛化鸿沟的本质是数据复用偏差（data reuse bias）：同一批训练数据被反复使用更新参数，导致模型逐渐拟合训练集的噪声而非真实分布

1

来源数

50%

置信度

长期有效

时效性

2026/9/7

首次发现

来源

解耦下降：让训练误差精准追踪测试误差的新理论框架

涉及实体

数据复用偏差concept 泛化鸿沟concept

相关事实

待验证当训练数据存在过度自信的分布偏移时，修复应发生在推理时的中间件层而非等待下一轮模型训练76% 相似待验证在 train/test split 之前对整个数据集做 StandardScaler 归一化会导致测试集的均值和方差信息渗透进训练集，构成数据泄露76% 相似待验证数据漂移（Data Drift）指线上真实数据的统计特性偏离训练集时，模型性能在无报错情况下持续下滑74% 相似待验证文生图模型的理解本质上是大规模统计关联，面对训练集中稀少出现的长尾概念时生成质量会显著下滑73% 相似待验证检测模型的训练数据永远落后于最新生成技术的输出分布，学术界称之为「分布偏移」问题73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/869856

API

curl https://kongchang.com/api/v1/knowledge/claims/869856

MCP

get_claim(id=869856)