待验证50% 置信事实精确时间
对于有限宽度网络，NTK在训练中的变化量与1/√m成正比（m为宽度），这一偏差是特征学习发生的机制
1
来源数
50%
置信度
长期有效
时效性
2026/8/22
首次发现
来源
涉及实体
相关事实
已验证NTK理论将无限宽度神经网络的训练过程近似为核方法，从而严格证明了无限宽网络在梯度下降下的全局收敛性，但无法捕捉特征学习现象80% 相似待验证监督训练的ResNet-50内在维度相对CLIP更高，说明对比预训练产生了更紧凑的语义流形63% 相似待验证微软BitNet等研究表明，若从预训练阶段采用1Bit量化感知训练（QAT），精度损失可控，而事后量化（PTQ）损失通常更大63% 相似待验证Dauphin等人2014年研究表明，神经网络训练中的困难大多来自鞍点和高原区域而非局部最小值，鞍点数量随维度n指数级增长62% 相似待验证1-bit/1.58-bit要求从训练阶段就以低精度权重为目标，与训练后量化方案本质不同61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/788393API
curl https://kongchang.com/api/v1/knowledge/claims/788393MCP
get_claim(id=788393)