Unverified50% confidenceFactExact time
求解稀疏表示是NP难的L0范数最小化问题，但在满足约束等距性（RIP）的字典下，L1松弛（LASSO）可以精确恢复稀疏解
1
Sources
50%
Confidence
Long-term
Relevance
7/9/2026
First Seen
Sources
块稀疏特征器：揭开视觉模型神经几何的黑箱
hackernewshackernews7/7/2026
Related Claims
UnverifiedL1正则化倾向于产生稀疏解（许多参数恰好为零），在特征选择中有用66% similarUnverified分散损失的梯度回传需穿越L2归一化操作，该操作在向量范数趋近零时存在数值不稳定风险，实现中需加入epsilon平滑项（如ε=1e-8）62% similarUnverifiedL2相较经典LLL在尺寸约简阶段采用懒惰（lazy）策略，只更新必要的μ系数，是复杂度下降的重要原因之一62% similarUnverifiedLSTM在处理超过500个token的序列时仍然表现不佳，且串行特性使长度为N的序列需要N个时间步才能完成前向传播62% similarUnverified整数规划因引入离散变量而属于NP难问题，通常借助分支定界法求解62% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/322196API
curl https://kongchang.com/api/v1/knowledge/claims/322196MCP
get_claim(id=322196)