已验证75% 置信事实精确时间
神经正切核（NTK）理论指出当神经网络宽度趋向无穷时，网络在梯度下降训练中的行为等价于以NTK为核的核回归模型，且网络不做特征学习
3
来源数
75%
置信度
长期有效
时效性
2026/10/3
首次发现
来源
涉及实体
相关事实
待验证NNGP后验是指当神经网络宽度趋于无穷时，网络函数空间分布收敛到一个由网络架构和激活函数决定核函数的高斯过程71% 相似待验证用纯 NumPy 从零实现神经网络需要手动实现前向传播、反向传播、梯度计算和参数更新，是理解神经网络底层原理的有效方法70% 相似待验证KAN（Kolmogorov-Arnold Networks）将可学习的单变量函数放在网络的边上，而非传统神经网络把固定激活函数放在节点上68% 相似待验证论文报告在不借助预训练权重的情况下，图神经网络仍能胜任蛋白质拓扑预测任务68% 相似待验证反向传播要求网络具有明确的分层结构和可微的激活函数，这在生物学上难以对应真实的神经元学习机制66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/969695API
curl https://kongchang.com/api/v1/knowledge/claims/969695MCP
get_claim(id=969695)