待验证50% 置信事实精确时间

用神经网络直接近似最优控制律存在约束违反风险，且传统监督学习需要预先计算大量昂贵的NMPC求解结果作为训练标签

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

时序分解加速非线性MPC：可扩展学习型求解器LISCO新突破

涉及实体

相关事实

待验证训练神经网络本质上等价于最小化代价函数73% 相似已验证训练数据投毒可在模型权重层面植入持久性后门，危害远超应用层越狱，但实施门槛更高，通常需要对训练流程有控制权69% 相似待验证对抗过拟合的方法包括正则化、Dropout（训练时随机屏蔽部分神经元）以及增加训练数据69% 相似待验证多层神经网络的损失曲面充满局部极小值和鞍点，训练需要动量、自适应学习率、正则化、批归一化等优化技巧69% 相似待验证行为克隆预训练解决了强化学习的冷启动问题：纯强化学习在稀疏奖励环境中往往需要数亿次交互才能学到基本可用策略68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001345

API

curl https://kongchang.com/api/v1/knowledge/claims/1001345

MCP

get_claim(id=1001345)