研究：深度学习性能分布常非高斯，均值不能预测稳健性

Kevin L Coakley 与 Odd Erik Gundersen 发表论文，通过 186 组实验（覆盖图像分类与时间序列预测架构）、每组用 100 个随机种子共 18,600 次运行，分析深度学习性能的分布。结果显示性能分布常呈非高斯，时间序列模型的低性能离群值约为图像分类的近三倍，尾部风险更高；平均性能不能预测稳健性。 研究据此建议，模型选择不能只看均值，须评估分布的离散度、对称性与尾部风险。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。