樣本選擇偏差

深度分析

跨孤島 Wasserstein 代理緩解樣本選擇偏差引發的模型崩潰

隨著合成資料遞迴訓練普及，模型崩潰成為嚴重問題。研究指出在醫療、金融等資料孤島中，僅依賴本地參考會加劇樣本選擇偏差，導致多樣性衰減。透過跨孤島的Wasserstein代理參考，可在不共享原始資料的前提下緩解崩潰，提升模型多樣性。此方法為分散式AI研發提供新方向，預期可降低資料孤島對創新速度的限制。