待验证50% 置信事实精确时间
GoogLeNet used intermediate classifiers as auxiliary losses to alleviate the vanishing gradient problem.
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
来源
相关事实
待验证分散损失属于表示学习正则化方法族群，相较对比学习和白化变换，其优势在于直接作用于嵌入几何且无需构造对比样本对70% 相似待验证梯度下降的收敛条件与学习率和损失函数的Lipschitz常数的关系有关70% 相似已验证梯度下降通过沿着损失函数梯度的反方向迭代调整权重使预测误差逐步收敛68% 相似待验证该算法的损失函数包含三个部分：Focal Loss（正负样本均衡）、相似性损失（相邻点一致性约束）和形状损失（二阶平滑约束）66% 相似待验证监督学习本质上是函数逼近问题，通过最小化损失函数实现，常见损失函数包括回归任务的均方误差（MSE）和分类任务的交叉熵（Cross Entropy）65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/42208API
curl https://kongchang.com/api/v1/knowledge/claims/42208MCP
get_claim(id=42208)