待验证50% 置信事实精确时间
VC维（Vapnik-Chervonenkis dimension）是刻画假设空间复杂度的核心组合量，衡量假设类能打散的最大点集大小
1
来源数
50%
置信度
长期有效
时效性
2026/10/9
首次发现
来源
涉及实体
相关事实
待验证谱聚类通过计算图的拉普拉斯矩阵的特征向量，将高维数据映射到低维谱空间，再用 k-means 完成聚类66% 相似待验证嵌入向量本质上是神经网络中间层输出的高维数值向量，通常具有数百到数千个维度，是原始输入数据在学习到的语义空间中的坐标表示63% 相似待验证BERT 中词嵌入矩阵维度为 V×d，其中 V 为词表大小，d 为隐藏维度 768，将离散词元 ID 映射为稠密实值向量62% 相似已验证从二维图像恢复三维空间信息的深度估计是一个病态问题，因为二维到三维的映射存在无穷多种可能解62% 相似待验证poly核将原始d维输入隐式映射到O(n^d)维特征空间，维度随degree指数级增长，计算代价急剧膨胀61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/990758API
curl https://kongchang.com/api/v1/knowledge/claims/990758MCP
get_claim(id=990758)