待验证50% 置信事实精确时间

泛函梯度下降（Functional GD）直接在函数空间中做梯度下降，而非优化网络参数

1

来源数

50%

置信度

长期有效

时效性

2026/9/28

首次发现

来源

自适应表示的泛函梯度下降：NeurIPS新作挑战神经网络

涉及实体

Functional Gradient Descentconcept

相关事实

待验证在鲁棒回归中将似然函数从高斯替换为t分布，等价于在损失函数中降低离群点的权重69% 相似待验证传统梯度下降方法（如SGD、Adam）要求目标函数可微且连续，在面对离散、非凸、多模态问题时容易陷入局部最优69% 相似待验证逻辑回归的损失函数是凸函数，梯度下降一定能收敛到全局最优解66% 相似待验证梯度学习的核心是连续优化，神经网络参数空间是高维实数空间，损失函数近似可微65% 相似已验证更小的模型在长推理链任务上的表现往往指数级下降而非线性退化65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/956482

API

curl https://kongchang.com/api/v1/knowledge/claims/956482

MCP

get_claim(id=956482)