待验证50% 置信事实精确时间

H通常不是对角矩阵，而是近似块对角或带状矩阵，高阶分量的学习会受低阶分量的残余误差影响。

1

来源数

50%

置信度

长期有效

时效性

2026/10/16

首次发现

来源

浅层神经网络为何先学正弦分量？正交多项式动力学框架给出新解释

rss2026/10/15

涉及实体

动力学矩阵Hconcept

相关事实

待验证将矩阵展平喂给MLP会因行数可变导致输入维度不固定，并破坏排列不变性70% 相似待验证动力学矩阵H呈现分级结构（graded structure）：不同频率分量对应的特征值以可预测的方式衰减，频率越高特征值越小，对应动力学时间尺度越慢。69% 相似待验证在类别不平衡场景下单纯的准确率可能具有误导性，需要结合混淆矩阵进行更细粒度评估65% 相似待验证低秩参数化将协方差矩阵分解为低秩因子加对角矩阵形式，使参数量从O(d²)降至O(dr)65% 相似待验证正交矩阵初始化的特征值模长为1，在反复矩阵乘法中既不会指数增长也不会指数衰减，有效缓解梯度消失和爆炸63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1042159

API

curl https://kongchang.com/api/v1/knowledge/claims/1042159

MCP

get_claim(id=1042159)