待验证50% 置信事实精确时间
传统可解释性研究长期默认神经网络内部混乱、冗余、纠缠，研究者需要通过剪枝、消融、拆解神经元等方式将网络改造成人类可读的规则。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
涉及实体
相关事实
待验证在需要可审计性的医疗、法律、金融场景中，纯粹端到端神经网络方案无法提供可解释的决策路径，而基于知识图谱的离散推理系统可以输出可追溯推理链68% 相似待验证梯度消失是深层神经网络的问题，解法包括更换激活函数（如ReLU替代sigmoid）、使用残差连接或调整网络架构66% 相似待验证2011年哈佛大学心理学家Betsy Sparrow等人在《科学》杂志发表的研究表明，当人们知道信息可以在网上轻松检索时，大脑会自动降低对该信息的编码深度66% 相似待验证神经网络的一次前向传播是自包含的：只能访问当前上下文，无法查询外部数据库、无法知道未来结果，也无法回忆上一次类似输入是否答对。65% 相似待验证长期以碎片化方式消费信息可能导致大脑逐渐失去深度阅读的能力63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1048210API
curl https://kongchang.com/api/v1/knowledge/claims/1048210MCP
get_claim(id=1048210)