Unverified50% confidenceFactExact time
L1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
1
Sources
50%
Confidence
Long-term
Relevance
8/20/2026
First Seen
Sources
Related Claims
Unverified哈达玛变换用于量化预处理时不会引入额外的数值不稳定性，因为其条件数恒为169% similarUnverified残差结构让F=0成为默认选项，只要F(x)权重接近零残差块即退化为恒等映射，从而解决SGD难以学习恒等映射的优化困境67% similarUnverified正则化方法（如L1/L2正则化、Dropout、早停法）本质上是通过引入少量偏差来大幅降低方差，从而提升泛化能力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）66% similarUnverified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66% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/779956API
curl https://kongchang.com/api/v1/knowledge/claims/779956MCP
get_claim(id=779956)