已验证70% 置信事实精确时间
梯度下降通过迭代公式 θ = θ - α∇J(θ) 更新参数，其中α是学习率，∇J(θ)是损失函数对参数的偏导数向量
4
来源数
70%
置信度
长期有效
时效性
2026/8/9
首次发现
来源
相关事实
待验证梯度下降更新规则为 v → v − η∇C，由于 η>0 且 ‖∇C‖²≥0，保证每次更新降低代价 ΔC ≤ 080% 相似待验证梯度下降通过计算损失函数对模型参数的偏导数，沿梯度反方向更新参数以逼近损失函数最小值79% 相似待验证在损失最小值附近，损失增加量近似为 ΔL ≈ ½ · H · δ²，其中H是曲率（二阶导数），δ是量化误差范围。76% 相似待验证工作中引入的权重衰减常数λ*定义为 λ* = 1 - αₗᵣ·λ，其中αₗᵣ为学习率，λ为原始权重衰减系数72% 相似待验证AdaBoost的权重更新公式来源于对指数损失函数L=Σ_i e^(-y_i F(x_i))的逐步最小化推导68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/718978API
curl https://kongchang.com/api/v1/knowledge/claims/718978MCP
get_claim(id=718978)