待验证50% 置信事实精确时间

点估计置信度在分布偏移下会失效，而MC Dropout等贝叶斯式不确定性度量能真正识别信号失效

1

来源数

50%

置信度

长期有效

时效性

2026/10/8

首次发现

来源

Prithvi作物分类大模型跨洲迁移实测：物候错配才是精度崩盘元凶

涉及实体

蒙特卡洛Dropoutconcept ECEconcept

相关事实

待验证MC Dropout通过在推理时保持Dropout激活并多次前向传播来近似贝叶斯推断，从预测方差中量化认知不确定性77% 相似待验证当一组采样结果全部错误时，组相对优势会坍缩为零，导致高不确定性场景下模型拿不到有效的梯度反馈73% 相似待验证在分布外（out-of-distribution）输入上，高置信度的错误判断相当常见72% 相似已验证双重下降现象表明，当模型参数量远超数据量时，测试误差反而可能再次下降71% 相似待验证当某次发布导致评估指标明显下滑时，这是触发回滚的客观信号70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/986750

API

curl https://kongchang.com/api/v1/knowledge/claims/986750

MCP

get_claim(id=986750)