待验证50% 置信观点精确时间
带循环的架构理论上能通过反复应用同一变换来表达迭代式算法，而固定深度的前馈网络难以自然表达这类计算
1
来源数
50%
置信度
长期有效
时效性
2026/9/13
首次发现
来源
涉及实体
相关事实
待验证循环深度技术让模型在同一层或同一模块上反复迭代计算，在隐藏状态（潜在空间）内部完成多轮思考，而不需将每一步转化为可见文字输出73% 相似待验证机器学习的核心算法深度依赖数学直觉，梯度下降算法依赖偏导数确定参数更新方向，反向传播本质上是链式法则的系统化应用71% 相似待验证目前双重下降的严格理论证明主要在线性模型和随机特征模型等简化设定下给出，深度非线性网络的完整数学刻画仍是开放问题71% 相似待验证模型若要真正泛化模块化算术任务，需要隐式地发现离散傅里叶变换等周期性表示，而非死记每对输入的答案71% 相似待验证循环Transformer引入了循环深度（Recurrent Depth）的概念，允许模型在相同的层级结构中多次迭代处理信息71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/918318API
curl https://kongchang.com/api/v1/knowledge/claims/918318MCP
get_claim(id=918318)