待验证50% 置信事实精确时间

L2损失对异常值比L1损失更敏感，而L1损失相对稳健

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

概率机器学习实战：从损失函数到深度神经网络的代码验证

涉及实体

L1损失concept L2损失concept

相关事实

待验证若数据噪声服从拉普拉斯分布，最优损失函数变为L1（绝对值误差）69% 相似待验证常见的对比学习损失函数包括 NT-Xent Loss 和 Triplet Loss62% 相似待验证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）62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/901105

API

curl https://kongchang.com/api/v1/knowledge/claims/901105

MCP

get_claim(id=901105)