待验证50% 置信事实精确时间

SAG 和 SAGA 属于方差缩减类随机优化方法，维护每个样本梯度的历史记录，在每步 O(1) 计算量下实现线性收敛速率

1

来源数

50%

置信度

长期有效

时效性

2026/9/3

首次发现

来源

学机器学习必须吃透每个求解器的数学吗？分层学习策略指南

涉及实体

SAGconcept SAGAconcept

相关事实

待验证批量梯度下降使用全部训练数据计算梯度，随机梯度下降每次只用一个样本，小批量梯度下降在两者之间取得平衡65% 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64% 相似待验证随机梯度下降将数据分成大小为m的小批量近似梯度，每个epoch可进行n/m次更新而非一次64% 相似待验证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63% 相似待验证预定义技能库加元数据匹配的方式相比传统全量RAG检索精度更高、延迟更低，因为候选集是人工策展的有限集合63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/850174

API

curl https://kongchang.com/api/v1/knowledge/claims/850174

MCP

get_claim(id=850174)