待验证50% 置信事实精确时间

多数Embedding模型使用对比损失（InfoNCE或其变体）训练，该损失只关心正样本相对排名而不关心分数绝对值

1

来源数

50%

置信度

长期有效

时效性

2026/10/11

首次发现

来源

0.8相似度阈值失效：Embedding各向异性如何搞垮RAG

涉及实体

InfoNCEconcept 对比损失concept

相关事实

待验证InfoNCE 损失通过在一批候选中最大化正样本对相似度、最小化负样本对相似度进行训练，温度超参数τ越小分布越集中80% 相似待验证总体风险指模型在整个数据生成分布上的期望损失，经验风险是在有限训练样本上计算的平均损失74% 相似待验证成员推断攻击的核心假设是模型对训练集中的样本会产生更低的预测损失，通过设定损失阈值区分成员与非成员样本73% 相似待验证在高维医疗数据中，为少数类设置更高的类别权重或使用Focal Loss等自适应损失函数，通常比SMOTE过采样更稳健73% 相似待验证对于训练数据欠覆盖的细胞类型或物种，这类模型的预测结果可靠性会显著下降71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/998011

API

curl https://kongchang.com/api/v1/knowledge/claims/998011

MCP

get_claim(id=998011)