待验证50% 置信事实精确时间
卷积神经网络（CNN）在本框架中承担晶粒尺寸分布的编码任务，通过卷积核滑动提取局部模式并压缩为低维特征向量，避免高维分布直接输入循环网络导致的参数爆炸问题。
1
来源数
50%
置信度
长期有效
时效性
2026/11/5
首次发现
来源
用时间序列预测晶粒长大：热条件模型突破非等温场景
rss2026/11/4
涉及实体
相关事实
待验证CNN通过卷积层自动提取输入数据的局部特征，利用参数共享和局部连接大幅减少模型参数量73% 相似待验证卷积神经网络（CNN）的关键突破在于将卷积核中的数值作为可学习参数，通过反向传播和大量数据自动优化，从而学到人类难以手工设计的特征提取器。73% 相似待验证条件可逆神经网络（cINN）是归一化流的一类变体，通过可逆变换将简单基分布映射到目标后验分布，能用精确式子给出后验密度的对数似然。70% 相似待验证卷积神经网络(CNN)中的卷积操作天然具备平移不变性(translation invariance)70% 相似待验证将算法编译进神经网络权重是近年逐渐成型的研究方向，常见做法包括在隐空间模拟寄存器与内存、用循环结构承载程序状态、或通过蒸馏迁移符号程序的输入输出行为。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1138872API
curl https://kongchang.com/api/v1/knowledge/claims/1138872MCP
get_claim(id=1138872)