待验证50% 置信事实精确时间
在真实系统中获取强化学习所需的交互数据既昂贵又缓慢，且错误探索可能导致物理损坏、经济损失或安全风险
1
来源数
50%
置信度
长期有效
时效性
2026/9/12
首次发现
来源
涉及实体
相关事实
待验证对模型训练最有价值的往往是难例（如物体即将滑落时的临界摩擦状态），这些边缘案例在真实采集中危险且难以复现，导致开源触觉数据集普遍分布不均、覆盖不全75% 相似待验证在紧急调度场景中假阴性的代价远高于假阳性，因此系统设计时会刻意降低判定阈值，这在机器学习中被称为非对称代价敏感学习73% 相似待验证端到端模型的核心优势在于避免模块间信息损失和误差累积，但代价是可解释性低、对训练数据分布敏感、难以应对长程推理任务72% 相似待验证模型微调（Fine-tuning）面临成本高、更新慢、存在灾难性遗忘风险等问题71% 相似待验证联邦学习面临通信效率低、数据异构性导致收敛困难、以及梯度泄露攻击等挑战71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/911439API
curl https://kongchang.com/api/v1/knowledge/claims/911439MCP
get_claim(id=911439)