待验证50% 置信事实精确时间

RNN及其变体LSTM和GRU按时间步依次处理序列，存在梯度指数级衰减导致长距离依赖捕捉困难，以及无法并行化训练的缺陷

1

来源数

50%

置信度

长期有效

时效性

2026/7/6

首次发现

来源

大模型学习入门：零基础到实战的完整规划

bilibili凉也要学AI2026/7/3

相关事实

待验证RNN存在梯度消失/爆炸问题，梯度跨越大量时间步传递时会指数级衰减或膨胀，导致难以学习远距离依赖81% 相似待验证RNN（循环神经网络）的核心缺陷在于其串行计算特性，必须按时间步逐一处理序列，导致长距离依赖关系随序列长度指数级衰减76% 相似待验证传统 RNN 架构因顺序处理的局限在面对远距离依赖时会出现梯度消失问题76% 相似待验证RNN存在两大缺陷：无法并行计算导致速度慢，以及长距离依赖信息衰减的健忘问题75% 相似待验证RNN面临梯度消失问题，序列越长梯度经过的乘法链越长，数值呈指数级缩小75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/113949

API

curl https://kongchang.com/api/v1/knowledge/claims/113949

MCP

get_claim(id=113949)