待验证50% 置信事实精确时间
微分神经正切核（DNTK）刻画了网络输出及其导数关于参数的梯度内积。
1
来源数
50%
置信度
长期有效
时效性
2026/10/27
首次发现
来源
正交群下微分神经正切核的对称性研究
rss2026/10/25
涉及实体
相关事实
待验证该研究采用概率框架推导出DNN的边际似然，且该量仅使用网络最后一层的权重即可完成评估74% 相似待验证默认模式网络（DMN）包括内侧前额叶皮层、后扣带皮层和角回等脑区，创造性思维需要DMN与执行控制网络之间的动态切换协调（创造性认知的双过程模型）74% 相似待验证深度知识追踪（DKT）等神经网络模型不显式建模掌握这一潜在状态，而是通过循环神经网络或Transformer等架构直接预测学生下一题答对的概率72% 相似待验证对于两层网络，作者利用DNTK的显式表达式直接分析其在正交群作用下的变换行为。72% 相似待验证梯度归因方法（gradient-based attribution）利用神经网络输出对输入特征的梯度（∂输出/∂输入）来衡量每个输入维度对决策的贡献。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1102467API
curl https://kongchang.com/api/v1/knowledge/claims/1102467MCP
get_claim(id=1102467)