待验证50% 置信事实精确时间

高斯核在空间域和频率域都保持高斯形态、导数处处连续可微，因此可用梯度下降等优化方法高效求解

1

来源数

50%

置信度

长期有效

时效性

2026/8/31

首次发现

来源

最优传输与点画艺术：用算法将图像变成粒子画

涉及实体

高斯核concept

相关事实

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74% 相似待验证在高维空间中通过令导数为零求解析解几乎不可能，梯度下降是可扩展到高维的策略68% 相似待验证梯度下降本质上是微积分与最优化的结合66% 相似待验证HNSW构建多层图结构，高层稀疏覆盖大范围，低层密集精确定位，在亿级向量规模下仍能实现毫秒级响应66% 相似待验证谱池化可以将特征图从任意尺寸降到任何较小尺寸，只需保留相应数量的低频DFT系数，而最大池化通常以整数因子进行下采样65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/828976

API

curl https://kongchang.com/api/v1/knowledge/claims/828976

MCP

get_claim(id=828976)