Problem eksplodującego gradientu () problem występujący w sztucznej inteligencji, występujący w trakcie uczenia głębokich lub rekurencyjnych sieci neuronowych gdy wartości gradientów funkcji straty rosną wykładniczo w procesie wstecznej propagacji błędu. Zjawisko to pojawia się najczęściej gdy podczas propagacji wstecznej gradient jest wielokrotnie mnożony przez macierze o wartościach własnych większych od jedności. Skutkiem tego są gwałtowne i niestabilne aktualizacje parametrów modelu, co uniemożliwia zbieżność algorytmu optymalizacyjnego i prowadzi do błędów obliczeniowych manifestujących się wartościami NaN (Not a Number).
Istnieje zjawisko odwrotne, nazywane problem zanikających gradientów.
Rozwiązania Przycinanie gradientu (ang. Gradient Clipping) to technika optymalizacyjna, która zapobiega niestabilności procesu uczenia poprzez sztuczne ograniczenia zbyt dużych wartości gradientów do z góry określonego progu. W praktyce wykonuje się to poprzez przeskalowanie całego wektora gradientu, gdy jego norma przekroczy ustaloną wartość maksymalną, co chroni parametry modelu przed gwałtownymi aktualizacjami.