待验证50% 置信事实精确时间
完整Fisher信息矩阵的计算复杂度为O(p^2)，p为参数量，对现代深度网络不可行
1
来源数
50%
置信度
长期有效
时效性
2026/10/4
首次发现
来源
涉及实体
相关事实
待验证计算和存储完整Hessian矩阵的空间和时间代价是O(n²)，对数百万至数十亿参数的深度学习模型几乎不可行70% 相似待验证Telgarsky等人的工作证明，深度网络在表示某些函数时比等宽度的浅层网络具有指数级的参数效率优势62% 相似待验证经典计算机视觉算法的计算复杂度远低于深度神经网络，实时性强，且无需大量训练数据62% 相似待验证EfficientNet的复合缩放数学形式为深度d=α^φ、宽度w=β^φ、分辨率r=γ^φ，其中α、β、γ通过在基线模型B0上网格搜索确定61% 相似已验证张量作为矩阵的高维推广，是 PyTorch、TensorFlow 等深度学习框架的核心数据结构60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/971762API
curl https://kongchang.com/api/v1/knowledge/claims/971762MCP
get_claim(id=971762)