待验证50% 置信事实精确时间

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）

1

来源数

50%

置信度

长期有效

时效性

2026/8/31

首次发现

来源

从零编码机器学习概率分布：高斯、Beta、Gamma分布实践指南

涉及实体

Huber损失函数concept

相关事实

待验证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80% 相似待验证常见的对比学习损失函数包括 NT-Xent Loss 和 Triplet Loss69% 相似待验证梯度下降的收敛条件与学习率和损失函数的Lipschitz常数的关系有关68% 相似待验证对比学习的核心损失函数（如InfoNCE、NT-Xent）本质是拉近同类样本表征距离、推远不同类样本表征距离66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/830025

API

curl https://kongchang.com/api/v1/knowledge/claims/830025

MCP

get_claim(id=830025)