待验证50% 置信事实精确时间

提升理论（Boosting Theory）由Schapire和Freund提出，保证只要每个弱学习器的准确率略高于随机猜测，组合后的错误率会随迭代轮数指数级下降

1

来源数

50%

置信度

长期有效

时效性

2026/10/4

首次发现

来源

从AdaBoost理解集成学习：弱模型如何组合成强模型

涉及实体

Boosting Theoryconcept Schapireperson Freundperson

相关事实

待验证与接收方倾向一致的错误比同等错误率的随机错误更严重地拉低模型性能73% 相似已验证量化会不可避免地引入精度损失，在逻辑推理等对准确性敏感的任务上可能出现性能下降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71% 相似待验证系统性的量级错误比随机错误更隐蔽也更危险，因为答案在数值结构上看起来合理却偏离数量级70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/973923

API

curl https://kongchang.com/api/v1/knowledge/claims/973923

MCP

get_claim(id=973923)