已验证65% 置信事实精确时间

神经元对齐后两个网络之间的损失地景往往呈现线性模式，插值模型可保持相当性能，而朴素平均通常落入高损失的障碍区

3

来源数

65%

置信度

长期有效

时效性

2026/10/2

首次发现

来源

如何融合两个神经网络？模型合并与灾难性遗忘详解

涉及实体

Git Re-Basintechnology 损失地景concept

相关事实

待验证梯度学习的核心是连续优化，神经网络参数空间是高维实数空间，损失函数近似可微76% 相似已验证梯度消失是深层神经网络中梯度值在反向传播过程中指数级衰减，导致靠近输入层的参数几乎得不到更新73% 相似待验证线性代数中的矩阵分解与特征值分解对应神经网络的权重空间分析71% 相似待验证余弦退火学习率调度可能帮助模型突破损失平台期，避免陷入局部最优70% 相似待验证叠加现象指神经网络倾向于用远少于特征数量的神经元同时编码大量语义特征，与传统一个神经元一个特征的直觉相悖70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/968590

API

curl https://kongchang.com/api/v1/knowledge/claims/968590

MCP

get_claim(id=968590)