待验证50% 置信事实精确时间
精确 K 近邻（KNN）需要遍历所有候选向量，时间复杂度随数据量线性增长，在亿级规模下往往不可接受
1
来源数
50%
置信度
长期有效
时效性
2026/10/5
首次发现
来源
涉及实体
相关事实
待验证精确的 K 近邻搜索（KNN）时间复杂度为 O(n×d)，在数百万级别记忆条目下延迟不可接受，ANN 算法通过牺牲极小精度换取数量级速度提升77% 相似待验证Top-K的K值存在经典权衡：K太小会漏掉关键信息，K太大会引入噪声导致大模型答案跑偏70% 相似待验证神经网络的普适逼近定理指出，足够宽或足够深的网络可以逼近任意连续函数，但未回答达到特定精度所需的网络规模67% 相似待验证在超大规模系统中，规模越大数据分布越广，跨节点协调开销越高，从而可能拖累整体响应速度，延迟与规模构成需要权衡的矛盾66% 相似待验证高斯DAG的高维结构学习面临统计-计算鸿沟：具有尖锐样本复杂度的方法依赖计算代价高昂的子集搜索并需要事先给定入度上界，而多项式时间算法的样本复杂度表现相对逊色65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/978421API
curl https://kongchang.com/api/v1/knowledge/claims/978421MCP
get_claim(id=978421)