待验证50% 置信事实精确时间

高斯分布的尾部衰减是指数级的，因此对极端值几乎不预期

1

来源数

50%

置信度

长期有效

时效性

2026/8/31

首次发现

来源

从零编码机器学习概率分布：高斯、Beta、Gamma分布实践指南

涉及实体

高斯分布concept

相关事实

待验证Gunasekar等人2017年的研究证明，对于线性模型，梯度下降等价于最小范数插值65% 相似待验证当预测的前景像素数量很少或几乎为零时，Dice损失分母接近于零，导致损失值和梯度都可能出现剧烈震荡61% 相似待验证自回归缩放定律的边际收益正在递减，单纯增加模型规模和数据量带来的提升已微乎其微61% 相似待验证线性回归的最小二乘损失与逻辑回归的交叉熵损失分别对应高斯噪声假设与伯努利分布假设下的最大似然估计61% 相似待验证Sigmoid函数的导数最大值仅为0.25，经过数十层连乘后梯度会指数级衰减61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/827863

API

curl https://kongchang.com/api/v1/knowledge/claims/827863

MCP

get_claim(id=827863)