待验证50% 置信事实精确时间

双重下降（Double Descent）指超参数化的神经网络理论上应严重过拟合但实际展现良好泛化能力的现象，至今仍是活跃研究方向

1

来源数

50%

置信度

长期有效

时效性

2026/8/13

首次发现

来源

泛化才是机器学习的核心：训练前决定成败的关键因素

相关事实

待验证双重下降现象为OpenAI等机构提出的神经网络缩放定律（Scaling Laws）提供了理论基础70% 相似待验证梯度下降本质上是微积分与最优化的结合64% 相似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64% 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63% 相似待验证传统梯度下降方法（如SGD、Adam）要求目标函数可微且连续，在面对离散、非凸、多模态问题时容易陷入局部最优62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/740638

API

curl https://kongchang.com/api/v1/knowledge/claims/740638

MCP

get_claim(id=740638)