待验证60% 置信事实精确时间
Huber损失在误差较小时表现为二次惩罚（与MSE一致），误差较大时退化为线性惩罚（与MAE一致），对异常值更鲁棒，常用于回归任务
2
来源数
60%
置信度
长期有效
时效性
2026/7/19
首次发现
来源
相关事实
待验证Huber损失函数在残差较小时使用二次损失（等价于高斯似然），在残差超过阈值δ时切换为线性损失（等价于拉普拉斯似然）80% 相似待验证分位数损失相比 MSE 对异常值更鲁棒，并能隐式刻画预测误差的非对称性72% 相似待验证在允许/拦截流程中，两类错误代价往往严重不对称：一次误拦截可能只是用户体验损失，而一次误放行可能造成安全事件。66% 相似待验证使用像素级损失函数（L1+MSE）训练学生模型导致画面发灰、发平，像是所有可能结果的平均值，这是回归类损失在生成任务上的经典失败模式66% 相似待验证此前的主流观点认为用均方误差（MSE）训练出的速度场会系统性地低估速度幅值，速度缩放是对这一误差的修正66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/558139API
curl https://kongchang.com/api/v1/knowledge/claims/558139MCP
get_claim(id=558139)