热点事件持续更新
Same Loss, Different Gradients
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026-10-01 arXiv 论文指出，在可微分学习中前向损失与后向梯度可能不对应；在高维 von Mises-Fisher 场景下，有限 Bessel 递推会产生相同损失却不同梯度的问题。
AI 根据报道生成 · 1 小时前更新
最新进展10月1日 12:00
arXiv 论文揭示有限 Bessel 递推在高维 von Mises-Fisher 场景下可导致相同损失对应不同梯度。报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- arXiv · Machine Learning TheorySame Loss, Different Gradients
summary_zh: 研究指出在可微分学习中，前向损失与后向梯度可能不对应，尤其在高维 von Mises-Fisher 场景下，有限 Bessel 递推会产生相同损失却不同梯度的问题。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。