Tag: science-depth
-
【AI 核心深度 M3-019】GELU 与 SiLU 的区别与联系？各自被哪些模型采用？（GELU vs SiLU: Differences, Connections, and Industry Model Adoption）深度数理推导与工程落地解析
两者都是平滑非单调激活；GELU 用高斯 CDF 门控、SiLU 用 sigmoid 门控；BERT/GPT-2 用 GELU，LLaMA/PaLM 用 SiLU（SwiGLU）。
-
【AI 核心深度 M3-020】比较 BatchNorm 与 LayerNorm 的归一化维度与适用场景（Comparing BatchNorm and LayerNorm: Normalization Dimensions and Applicable Regimes）深度数理推导与工程落地解析
BN 跨 batch 归一化（依赖 batch，CNN 常用）；LN 跨特征归一化（与 batch 无关，Transformer/RNN 常用）。
-
【AI 核心深度 M2-112】解释目标编码的交叉拟合实现细节与平滑公式（Target Encoding Implementation Details: Out-of-Fold Cross-Fitting and Smoothing）深度数理推导与工程落地解析
K 折内用其他折的标签均值编码本折；平滑向全局均值收缩，尤其保护低频类别。
-
【AI 核心深度 M2-113】比较文本特征的 TF-IDF 与嵌入表示，以及它们的取舍（Text Features: Comparing TF-IDF and Dense Embedding Representations）深度数理推导与工程落地解析
TF-IDF 稀疏可解释、无需训练；嵌入稠密语义强、需预训练且维度低。
-
【AI 核心深度 M2-114】解释 EasyEnsemble 与 BalanceCascade 等不平衡集成方法（Imbalanced Ensembling: EasyEnsemble and BalanceCascade Explained）深度数理推导与工程落地解析
用多个欠采样子集训练多个模型后集成；避免欠采样丢信息，也避免过采样过拟合。
-
【AI 核心深度 M2-115】解释不平衡场景下的监控与上线后评估要点（Post-Deployment Monitoring and Evaluation Under Severe Class Imbalance）深度数理推导与工程落地解析
监控正类比例漂移、分群性能、校准质量与业务指标；不平衡使离线指标易失真。
-
【AI 核心深度 M2-116】解释 MICE（多重插补链式方程）的迭代过程与实现要点（MICE (Multiple Imputation by Chained Equations): Iterative Process and Key Details）深度数理推导与工程落地解析
对每个缺失特征用其他特征回归预测，循环迭代；每次抽取多个候选值生成 M 个完整数据集。
-
【AI 核心深度 M2-117】解释时间序列与面板数据中的泄漏防范要点（Preventing Data Leakage in Time Series and Panel Data: Critical Safeguards）深度数理推导与工程落地解析
严格时间切分、滚动特征右开区间、按实体分组、避免全量统计量；泄漏最隐蔽也最致命。
-
【AI 核心深度 M2-118】解释多指标权衡与综合指标（OEC）的设计（Multi-Metric Trade-offs and Designing an Overall Evaluation Criterion (OEC)）深度数理推导与工程落地解析
单一综合指标（OEC）便于决策但会掩盖局部；需配合护栏指标与分层分析。