待验证50% 置信事实精确时间
能耗差距来自结构差异：不确定性方法需要多次执行同一网络（MC Dropout）或多个网络（深度集成），而异常检测器只需单次前向传播，且被过滤掉的样本直接跳过了分类器执行。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
涉及实体
相关事实
待验证不确定性估计的常见实现方法包括蒙特卡洛 Dropout、深度集成和贝叶斯神经网络。69% 相似待验证单个数据集可能经过脱敏处理，看似无害，但多个数据集的交集会大幅缩小候选范围，最终唯一锁定某个人。69% 相似待验证共享推理集群的排队延迟会随负载显著波动，因此测量延迟需控制网络来源并在不同时段多次采样69% 相似待验证级联策略先用单次调用过滤明确通过/失败的案例，只对不确定区间记录做多次采样，可在精度和成本间取得平衡69% 相似待验证对抗样本利用模型决策边界在高维空间中的脆弱性，网络的鲁棒性机制（如归一化、Dropout）对随机噪声有效但对对抗性扰动几乎无效，因为扰动方向正是梯度上升方向。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1129619API
curl https://kongchang.com/api/v1/knowledge/claims/1129619MCP
get_claim(id=1129619)