待验证50% 置信事实精确时间
Kolmogorov-Arnold Geometry（KAG）框架通过分析隐藏层对输入变化的局部响应——即Jacobian矩阵的子式——来揭示网络内部的计算结构。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
Rényi集中度指标：让MLP可解释性度量摆脱网络规模依赖
rss2026/10/16
涉及实体
相关事实
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68% 相似待验证雅可比矩阵的计算是反向传播算法的数学基础，捕获完整的一阶线性近似关系，能刻画输入空间任意方向扰动对输出的影响67% 相似待验证KFAC通过克罗内克积分解逼近Fisher信息矩阵的分块结构，能捕捉层内参数之间的二阶曲率信息，相比对角近似更贴近真实的参数重要性分布65% 相似待验证线性代数中的矩阵运算和向量空间是理解神经网络和降维算法的关键65% 相似待验证贝叶斯网络通过有向无环图显式建模变量间的条件依赖关系，适合捕捉因果链条64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1068920API
curl https://kongchang.com/api/v1/knowledge/claims/1068920MCP
get_claim(id=1068920)