待验证50% 置信解决方案精确时间
MC Dropout通过在推理时保持Dropout激活并多次前向传播来近似贝叶斯推断，从预测方差中量化认知不确定性
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证MC-Dropout由Gal和Ghahramani在2016年提出，将其解释为近似贝叶斯推断，通常需要30-100次前向传播才能获得可靠的不确定性估计72% 相似待验证解决模型校准不良的技术手段包括温度缩放、Platt Scaling等后处理校准方法，以及贝叶斯神经网络、MC Dropout等不确定性估计技术66% 相似待验证丰富的上下文信息能收窄模型输出概率分布并减少幻觉，这一现象被称为「知识锚定效应」65% 相似待验证切换模型、切换推理强度、开关快速推理模式、压缩对话、缓存过期后恢复等操作都会导致提示缓存失效63% 相似已验证推测解码、模型蒸馏、KV Cache优化等推理优化技术的持续进步正在使单位推理成本快速下降63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/894774API
curl https://kongchang.com/api/v1/knowledge/claims/894774MCP
get_claim(id=894774)