待验证50% 置信事实精确时间

该研究的核心是基于 CP 分解（CANDECOMP/PARAFAC）构建低秩表示来刻画过程的正常行为，并引入不同的稀疏惩罚项来识别异常

1

来源数

50%

置信度

长期有效

时效性

2026/10/7

首次发现

来源

稀疏张量分解新方法：多元函数数据异常检测的突破

涉及实体

CP 分解concept

相关事实

待验证该研究采用了患者不相交（patient-disjoint）的评估方式，即训练集和测试集的患者完全不重叠，以避免数据泄漏60% 相似待验证观察性研究常见设计包括队列研究、病例对照研究和横断面研究59% 相似待验证现有评估机制会系统性地高估AI临床病历的质量，主要防范多写却几乎不防范少写59% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/983446

API

curl https://kongchang.com/api/v1/knowledge/claims/983446

MCP

get_claim(id=983446)