待验证50% 置信事实精确时间

AdaBoost在每一轮训练后会给被错误分类的样本赋予更高的权重，使下一个弱学习器更关注这些难分样本

1

来源数

50%

置信度

长期有效

时效性

2026/10/4

首次发现

来源

从AdaBoost理解集成学习：弱模型如何组合成强模型

涉及实体

AdaBoostconcept

相关事实

待验证AdaBoost通过权重调整传递错误信号，深度学习通过反向传播把误差梯度逐层回传，两者都以'从错误中学习'为驱动力77% 相似待验证在稠密检索中，批内负样本训练要求批次包含有信息量的负样本，随机采样会导致训练损失快速收敛但泛化性能差75% 相似待验证ALiBi（线性偏置位置编码）允许模型在推理时泛化到训练时未见过的更长序列，Flash Attention 通过分块计算大幅降低显存占用71% 相似待验证标准化基准测试存在分布外泛化的局限，智能体可能通过记忆训练集模式得分而非真正具备推理能力70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/973921

API

curl https://kongchang.com/api/v1/knowledge/claims/973921

MCP

get_claim(id=973921)