待验证50% 置信事实精确时间

多实例学习（MIL）将每个学生表示为一个包，包内是大量弱标注的交互行为数据，强化学习智能体负责挑选最具信息量的实例供下游分类器使用

1

来源数

50%

置信度

长期有效

时效性

2026/10/4

首次发现

来源

公平与可解释并重：强化学习多实例学生预警系统的挑战

涉及实体

多实例学习concept

相关事实

待验证现代LLM通常经过专门的微调来学习何时、如何调用工具，训练数据中包含大量工具使用的示例对话66% 相似待验证集成学习的主要流派包括Bagging（降低方差）、Boosting（降低偏差）和Stacking66% 相似待验证斯坦福CS146S课程讲解大模型从数据到智能体的完整训练流水线，包括预训练、监督微调、强化学习三个基础训练阶段64% 相似待验证数据课程学习按照由易到难的顺序组织训练数据，让模型逐步掌握复杂知识64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/971788

API

curl https://kongchang.com/api/v1/knowledge/claims/971788

MCP

get_claim(id=971788)