待验证50% 置信事实精确时间
低秩分解通常借助奇异值分解（SVD）实现，参数量从m×n降至r×(m+n)
1
来源数
50%
置信度
长期有效
时效性
2026/10/8
首次发现
来源
涉及实体
相关事实
待验证完整雅可比矩阵的计算代价是O(m×n)次前向传播，实际应用中研究者通常采用随机化SVD或Lanczos迭代等算法近似计算其低秩分解69% 相似待验证LoRA 利用 SVD 的低秩近似原理，将大型权重矩阵的增量更新分解为两个低秩矩阵的乘积，从而将可训练参数量从数十亿压缩至数百万量级66% 相似待验证Muon 实践中使用约5步 Newton-Schulz 迭代来近似矩阵符号函数，以降低精确 SVD 的计算开销64% 相似待验证强行取极值样本会引入离群点，迫使SVM构建更复杂的决策边界，高阶poly核在这种数据上收敛更慢63% 相似待验证当ε≈1时，分母中的梯度二阶矩项被稀释，自适应缩放几乎不起作用，优化器行为接近纯粹的SGD63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/986700API
curl https://kongchang.com/api/v1/knowledge/claims/986700MCP
get_claim(id=986700)