待验证50% 置信事实精确时间

Focal Loss被用于解决深度学习中的类别不平衡问题

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

研究生用AI工具写毕业论文：非科班也能搞定深度学习实验

bilibili论文发刊罗小黑2026/6/4

相关事实

待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78% 相似待验证深度学习方法通过端到端特征学习能自动适应各种复杂场景，这是其相对传统方法的根本优势74% 相似待验证深度学习中Dropout可以被解释为一种贝叶斯近似72% 相似已验证DeepSeek 通过引入辅助损失函数强制均衡各专家的负载以解决专家坍缩问题72% 相似待验证深度学习模型浅层网络学习的边缘、纹理等低层特征具有较强领域无关性，深层网络编码的高层语义特征更具领域特异性71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/49253

API

curl https://kongchang.com/api/v1/knowledge/claims/49253

MCP

get_claim(id=49253)