待验证50% 置信事实精确时间

通过单次随机梯度下降（one-pass SGD）进行微调，也能达到相同的最优速率。

1

来源数

50%

置信度

长期有效

时效性

2026/10/19

首次发现

来源

迁移学习突破缩放定律：岭回归达极小极大最优

rss2026/10/16

涉及实体

单次随机梯度下降concept

相关事实

待验证随机梯度下降（SGD）每次只用一个样本，速度快但更新方向噪声大79% 相似待验证将AMP框架从全批量梯度下降推广到随机梯度下降（SGD）需要处理额外的采样随机性与数据复用偏差72% 相似待验证SAG 和 SAGA 属于方差缩减类随机优化方法，维护每个样本梯度的历史记录，在每步 O(1) 计算量下实现线性收敛速率72% 相似待验证随机梯度下降（SGD）是机器学习优化的基石，其收敛率的严格分析通常依赖于鞅论或集中不等式等繁琐的概率推导。71% 相似待验证DP-SGD是在随机梯度下降中实现差分隐私的机制，通过对逐样本梯度裁剪后再加高斯噪声实现。69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1068993

API

curl https://kongchang.com/api/v1/knowledge/claims/1068993

MCP

get_claim(id=1068993)