待验证50% 置信事实精确时间
线性代数中的矩阵分解与特征值分解对应神经网络的权重空间分析
1
来源数
50%
置信度
长期有效
时效性
2026/7/20
首次发现
来源
相关事实
待验证梯度学习的核心是连续优化，神经网络参数空间是高维实数空间，损失函数近似可微73% 相似待验证在神经网络推理中Softmax、LayerNorm等对数值范围敏感的操作极易因FP16有限的指数位引发上溢或下溢，误差在Transformer多层堆叠中累积放大67% 相似待验证叠加现象指神经网络倾向于用远少于特征数量的神经元同时编码大量语义特征，与传统一个神经元一个特征的直觉相悖67% 相似待验证Softmax函数将神经网络logits压缩为概率分布，但其输出值在大规模模型中系统性偏离真实贝叶斯后验概率65% 相似待验证Li等人2018年发现神经网络的有效参数空间维度远低于名义参数量，训练轨迹被限制在低维子空间中64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/570398API
curl https://kongchang.com/api/v1/knowledge/claims/570398MCP
get_claim(id=570398)