待验证50% 置信事实精确时间

良好的在线学习算法应保证遗憾随轮次增长速度远低于线性，通常目标是O(√T)量级，指数权重(Hedge)和UCB已被证明能达到该保证

1

来源数

50%

置信度

长期有效

时效性

2026/10/7

首次发现

来源

测试Jev决策模型：System 1 AI在在线学习环境中的表现与改进

涉及实体

Hedgeconcept UCBconcept 遗憾最小化concept

相关事实

已验证梯度下降是机器学习中最核心的优化算法，学习率过大会导致震荡、过小则收敛缓慢70% 相似待验证RAPID采用逆提议校正技术保证损失函数和梯度估计器在条件期望下无偏70% 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% 相似待验证在线推理延迟的优化手段包括模型量化、蒸馏、缓存、动态批处理，但每项优化都可能引入新复杂性和潜在精度损失68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/982737

API

curl https://kongchang.com/api/v1/knowledge/claims/982737

MCP

get_claim(id=982737)