待验证50% 置信事实精确时间

在NTK框架下训练损失以指数速率e^{-2ηλ_min t}衰减，收敛速度由核矩阵最小特征值λ_min决定

1

来源数

50%

置信度

长期有效

时效性

2026/8/22

首次发现

来源

梯度下降训练的普适性：神经网络架构选择真的重要吗

涉及实体

神经正切核concept

相关事实

待验证RNN及其变体LSTM和GRU按时间步依次处理序列，存在梯度指数级衰减导致长距离依赖捕捉困难，以及无法并行化训练的缺陷65% 相似待验证NeRF训练耗时长、推理速度慢，输出的隐式表示无法直接转化为可编辑的几何网格64% 相似待验证朴素训练后量化会导致单个权重误差在多层网络中累积放大，即复合误差，在2位或1位精度下模型结构会崩溃63% 相似待验证RNN存在两大缺陷：无法并行计算导致速度慢，以及长距离依赖信息衰减的健忘问题62% 相似待验证对比学习的核心损失函数（如InfoNCE、NT-Xent）本质是拉近同类样本表征距离、推远不同类样本表征距离61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/787197

API

curl https://kongchang.com/api/v1/knowledge/claims/787197

MCP

get_claim(id=787197)