待验证50% 置信观点精确时间
CP分解的秩选择、增强损失项在不同参数区域下的权重平衡、以及向更复杂几何与边界条件的推广，是尚未充分展开的问题。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/6
首次发现
有效期至：2027/2/4
来源
涉及实体
相关事实
待验证由于残差保持CP分解形式，高维损失积分可拆解为一维积分的组合来计算，计算与存储开销从随维度指数增长降为多项式增长。68% 相似待验证论文指出分析依赖矩条件（p>1或二阶矩），而深度学习中的重尾梯度分布可能不满足这些条件。68% 相似待验证CPT的核心包括两点：概率权重函数（对小概率事件赋予过高权重、对中高概率事件赋予过低权重）和价值函数（以参考点为界定义收益与损失效用，损失区间更陡峭，且收益区间风险规避、损失区间风险寻求）。68% 相似待验证无梯度方法样本效率低，在高维参数空间中缺乏梯度指引意味着需要海量函数评估才能收敛67% 相似待验证当参数空间从有限维推广到无限维函数空间时，最大化采集函数的内层优化问题变得既无法穷举搜索也难以直接应用梯度下降67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1141648API
curl https://kongchang.com/api/v1/knowledge/claims/1141648MCP
get_claim(id=1141648)