待验证50% 置信事实精确时间
梯度提升（Gradient Boosting，GB/GBOOST）是一种集成学习方法，它通过串行训练一系列弱学习器（通常是浅层决策树），每一棵新树都拟合前一轮模型预测的残差（即负梯度方向），从而逐步降低整体损失。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
涉及实体
相关事实
待验证反向传播是深度学习训练的核心算法，通过链式法则将输出层的误差逐层传递回网络，计算每个参数对损失函数的梯度67% 相似已验证梯度下降是深度学习中最核心的优化算法，其数学本质是沿着损失函数的负梯度方向迭代更新参数67% 相似已验证LightGBM是微软开源的梯度提升决策树框架，相较于XGBoost采用了基于直方图的决策树算法和叶子优先（leaf-wise）的树生长策略，在大规模数据集上训练速度更快、内存占用更低65% 相似待验证学习型选择器通常是一个轻量级网络（如小型MLP或低秩投影），它接收当前查询向量与候选token的键向量，快速打分并选出Top-k个最相关的token参与真正的注意力计算。65% 相似已验证梯度提升树（如XGBoost、LightGBM）长期以来在结构化数据任务上优于深度学习方法，因表格数据特征异质性强、样本量有限且缺乏局部连续性假设65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1129004API
curl https://kongchang.com/api/v1/knowledge/claims/1129004MCP
get_claim(id=1129004)