待验证50% 置信解决方案精确时间

该模型使用类别加权的交叉熵损失，通过为每个类别赋予与其频率成反比的权重来缓解数据不平衡

1

来源数

50%

置信度

长期有效

时效性

2026/9/8

首次发现

来源

毫米波雷达点云目标分类：MLP实战与关键洞察

涉及实体

类别加权交叉熵concept

相关事实

待验证Scaling Laws表明模型的交叉熵损失会随着计算量、数据量和参数量的增加而平滑下降，且这种下降关系可以用简单的幂律函数精确拟合80% 相似待验证标准交叉熵损失在目标占图像面积较小时会导致严重的类别不平衡问题，模型倾向于全部预测为背景76% 相似已验证交叉熵损失起源于信息论中的KL散度，衡量真实概率分布与预测概率分布之间的差异程度73% 相似待验证标准的交叉熵损失函数在优化过程中天然偏好高频模式，这种现象在NLP中被称为频率偏差（frequency bias）72% 相似待验证如果交叉熵稳步下降而Dice波动剧烈，问题几乎可以确定出在Dice损失的配置上72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/876192

API

curl https://kongchang.com/api/v1/knowledge/claims/876192

MCP

get_claim(id=876192)