待验证50% 置信权衡取舍精确时间
在线学习机制存在固有风险：若反馈信号有噪声或系统性偏差，优化过程可能产生负向漂移导致系统越跑越差
1
来源数
50%
置信度
长期有效
时效性
2026/9/12
首次发现
来源
涉及实体
相关事实
待验证在真实系统中获取强化学习所需的交互数据既昂贵又缓慢，且错误探索可能导致物理损坏、经济损失或安全风险74% 相似待验证主动进行破坏性实验（如故意打乱标签、移除归一化、调大学习率至发散、减少训练数据）可以加速建立机器学习直觉72% 相似待验证在紧急调度场景中假阴性的代价远高于假阳性，因此系统设计时会刻意降低判定阈值，这在机器学习中被称为非对称代价敏感学习71% 相似待验证偶发性故障的内存条可能交替产生正确和错误的计算结果，导致神经网络训练中梯度计算偶发性偏差，影响模型收敛性且不触发硬件告警70% 相似待验证预警灵敏度与误报率是核心矛盾：高灵敏度阈值(如心率超过基线20%即报警)会导致运动、情绪激动时大量误报，建议选支持个性化基线学习(7天以上适应期)的算法产品70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/915817API
curl https://kongchang.com/api/v1/knowledge/claims/915817MCP
get_claim(id=915817)