待验证50% 置信事实精确时间

RNN存在长程依赖问题，序列变长时早期信息在反向传播中容易梯度消失。

1

来源数

50%

置信度

长期有效

时效性

2026/10/25

首次发现

来源

免费深度学习教材+68个Python笔记本：从基础到Transformer与扩散模型

涉及实体

相关事实

待验证RNN面临梯度消失问题，其本质是链式法则下的连乘效应，导致远距离历史信息难以学习80% 相似待验证RNN时代模型严格按从左到右顺序逐词阅读且不回头看，导致隐藏状态推进时上下文信息严重衰减，即长期依赖问题。79% 相似待验证自回归解码存在结构性缺陷，早期输出偏离事实会导致后续内容在错误方向上越走越远，形成雪崩效应69% 相似待验证传统RNN（包括GRU、LSTM）的核心痛点是历史信息在反向传播时以指数速率衰减，导致梯度消失69% 相似待验证为记忆设置固定的时间戳或TTL无法适应不可预测的数据变化节奏，要么删得太早丢失有效信息，要么删得太晚导致陈旧数据继续作祟67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1097517

API

curl https://kongchang.com/api/v1/knowledge/claims/1097517

MCP

get_claim(id=1097517)