待验证50% 置信事实精确时间
不同的非线性激活函数会导致不同的专门化模式，影响网络最终学习到的特征质量。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
涉及实体
相关事实
待验证人工智能神经网络中的自组织学习强调局部规则和涌现行为，网络单元根据局部信息和简单交互规则更新，复杂全局学习行为从局部交互中自发涌现。69% 相似待验证反向传播要求网络具有明确的分层结构和可微的激活函数，这在生物学上难以对应真实的神经元学习机制69% 相似待验证在图神经网络的类别增量图学习场景下，新类别陆续到来时模型会出现灾难性遗忘，且预测结果常被最近学到的类别主导，产生近因偏差。69% 相似待验证KAN（Kolmogorov-Arnold Networks）将可学习的单变量函数放在网络的边上，而非传统神经网络把固定激活函数放在节点上69% 相似待验证KAN将可学习的激活函数放置在网络的边（连接权重）上，通常以B样条函数实现，而传统MLP在节点上使用固定激活函数68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1064971API
curl https://kongchang.com/api/v1/knowledge/claims/1064971MCP
get_claim(id=1064971)