待验证50% 置信事实精确时间

SGD的统计噪声能帮助网络逃离浅层局部最小值和鞍点，是深度网络中的系统性优势

1

来源数

50%

置信度

长期有效

时效性

2026/7/19

首次发现

来源

梯度下降与反向传播详解：神经网络学习机制从零拆解

相关事实

待验证反向传播机制要求整个计算图必须是可微分的，且在极深网络中存在梯度消失/爆炸问题65% 相似待验证批次归一化层在小批次场景下统计量估计噪声很大，与Dice损失的区域级计算特性叠加会放大预测概率分布的波动65% 相似待验证强行取极值样本会引入离群点，迫使SVM构建更复杂的决策边界，高阶poly核在这种数据上收敛更慢62% 相似待验证状态离散化存在权衡：分桶粒度过粗导致信息损失，过细则引发维度灾难，这也是DQN用神经网络替代Q表的核心动机62% 相似待验证梯度消失是深层神经网络中梯度值在反向传播过程中指数级衰减，导致靠近输入层的参数几乎得不到更新61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/556692

API

curl https://kongchang.com/api/v1/knowledge/claims/556692

MCP

get_claim(id=556692)