待验证70% 置信权衡取舍精确时间
Min-Max 归一化公式为 (x - min) / (max - min)，将数据线性映射到 [0,1]，但对异常值极其敏感
2
来源数
70%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
深度学习数据归一化：全局统计 vs 逐图归一化实践指南
redditr/deeplearning2026/7/9
相关事实
待验证计算难抵极点是一个max-min优化问题，其与von Neumann的极小极大定理密切相关70% 相似待验证标准 softmax 注意力（Vaswani 等，2017）在序列长度 n 上具有 O(n^2) 的时间与显存复杂度。67% 相似待验证计算 softmax 函数时指数运算可能导致浮点数溢出，标准做法是先减去输入向量的最大值再取指数66% 相似待验证可行执行视界集合为 L* ∈ [τ, d_max − τ]，其中 τ 是推理延迟，d_max 是滚动时域或安全包络的上限。65% 相似待验证Softmax 数值稳定的标准做法是减去最大值，计算 exp(x_i - max(x)) 而非 exp(x_i)，在数学上等价但避免上溢65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/498075API
curl https://kongchang.com/api/v1/knowledge/claims/498075MCP
get_claim(id=498075)