用 AI 平衡 Sinkhorn 传输：每行都归一了，为什么两列仍然分得不对 在特征匹配或分布比较中，一行权重常表示某个来源分给各目标的质量。逐行softmax能保证每个来源分完自己的份额，却不保证目标收到的总量合适。最优传输同时约束两端，Sinkhorn迭代通过交替缩放行与列来满足这两套配额... yunqueblog/ AI分享/ 2026-10-03/ 3 阅读
让 AI 追踪梯度反转层：前向值没变，为什么两部分参数朝相反目标更新 模型从一种拍摄环境迁到另一种环境时，希望特征仍能完成任务，同时少依赖环境身份。领域对抗训练加入一个预测域来源的分支：域预测头努力分清来源，特征提取器则接受相反方向的域信号。梯度反转层把这两个目标接在一起，却不改变前向... yunqueblog/ AI分享/ 2026-10-03/ 3 阅读
让 AI 推演孤立森林：切点均匀随机，为什么远处样本更容易先被分开 无监督异常检测中，孤立森林通过随机切分来观察样本有多容易被单独分开。所谓随机，并不意味着每个样本第一次就被隔离的机会相同。若某点与其他点之间空隙很大，切点落进这片空隙的机会也更大。四个点就足以量出这种差异。 yunqueblog/ AI分享/ 2026-10-03/ 3 阅读
用 AI 算分位数回归：预测八和预测十，为什么都能拿到最低损失 给服务耗时做预测时，低估与高估的影响可能不同。分位数回归通过不对称损失表达这种取舍。可把问题缩小成“所有记录都报同一个数”：即便数据固定，最小损失也未必只有一个预测值。让AI交出整段斜率，比只交一个百分位数更有解释力... yunqueblog/ AI分享/ 2026-10-03/ 3 阅读
让 AI 算 Mixup：标签可以按比例混合，两个原样本的损失为何不能直接平均 Mixup把两条训练输入按比例合成，同时混合它们的标签。实现时有时只看见“两份损失加权”，便误以为原样本各算一次再平均就够了。关键要问：两份损失是不是基于同一个混合输入的预测？用一个非线性小函数可以把区别算清楚。 yunqueblog/ AI分享/ 2026-10-03/ 3 阅读
用 AI 核对知识蒸馏：损失乘了温度平方，梯度为何仍没完全变回去 把较大的分类模型压缩到小模型时，知识蒸馏会让学生学习教师给出的整组概率。相关实现常把软目标损失乘T²。若AI把这解释成“温度影响被精确抵消”，一个三分类算例就能发现不对：补偿后的梯度仍可能变化。 yunqueblog/ AI分享/ 2026-10-03/ 3 阅读
让 AI 算高斯过程更新：两次读数都是零，为什么不确定性仍然下降 给设备响应建回归模型时，重复测量可能得到相同读数。预测均值没动，是否说明第二次观测毫无价值？在固定核参数的高斯过程回归中，观测还会改变对潜在函数的后验方差。把输入压缩到同一个位置，就能不用大矩阵看清这件事。 yunqueblog/ AI分享/ 2026-10-02/ 4 阅读
用 AI 分摊 Shapley 贡献：两个特征都重要，为何不能各自领走全部协同收益 模型解释里常见一种做法：把某个特征拿掉，看预测分数下降多少。这个问题有用，但若两个特征必须一起出现才产生额外作用，分别删除的降幅会把同一段协同收益算两遍。Shapley值通过平均加入顺序下的边际贡献，提供另一种明确的... yunqueblog/ AI分享/ 2026-10-02/ 3 阅读
让 AI 算积分梯度：终点斜率为零，特征贡献为何仍然非零 检查分类器是否依赖某个输入时，人们常看当前位置的梯度。可模型输出已经饱和，局部再改一点输入不会改变分数，梯度便可能为零。积分梯度沿基线到当前输入的整条路径累计变化，适合用来检查这种局部信息的遗漏。先算一个小函数，就能... yunqueblog/ AI分享/ 2026-10-02/ 3 阅读
用 AI 算保形预测区间：九个校准误差，八成覆盖该取第几个 预测设备下一次读数时，只有一个点估计，使用者很难判断偏差多大才值得复查。分割保形预测可以用另外一批已知答案的校准记录，为已有模型加上区间。这里最容易被AI略过的，是样本数很小时取哪一个误差，以及“八成覆盖”究竟平均了... yunqueblog/ AI分享/ 2026-10-02/ 3 阅读
yunqueblog
