待验证50% 置信事实精确时间

分位数回归的训练目标是Pinball Loss（弹球损失），对目标分位数τ，预测值高于真实值以(1-τ)为权重惩罚，低于则以τ为权重惩罚

1

来源数

50%

置信度

长期有效

时效性

2026/10/5

首次发现

来源

深度序列模型如何赋能时间序列的保形预测

涉及实体

Pinball Lossconcept 分位数回归concept

相关事实

待验证分配给预训练的算力越多，下游任务的pass@1奖励就越高，预训练损失越低模型在后续RL中获得的收益越大66% 相似待验证在后训练阶段，过低的损失可能对应过拟合，即模型死记硬背训练数据而丧失泛化能力66% 相似待验证学生模型训练目标由与真实硬标签的常规损失和与教师软标签的蒸馏损失两部分加权组合，蒸馏损失一般用KL散度衡量65% 相似待验证论文发现下游任务的排名与训练损失的排名并不一致，训练损失更低的方案未必在下游评测中表现更好64% 相似待验证微软BitNet等研究表明，若从预训练阶段采用1Bit量化感知训练（QAT），精度损失可控，而事后量化（PTQ）损失通常更大62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/975952

API

curl https://kongchang.com/api/v1/knowledge/claims/975952

MCP

get_claim(id=975952)