PulseAugur
中
实时 11:34:25
English(EN) Open Problem: Is AdamW Effective Under Heavy-Tailed Noise?

开放性问题：AdamW 优化器在大型语言模型 (LLM) 中重尾噪声下的有效性

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇近期论文提出了一个开放性问题，关于 AdamW 优化器在重尾噪声条件下训练大型语言模型 (LLM) 的有效性。尽管 AdamW 被广泛使用，但其理论理解仅限于有限方差场景，尽管有经验证据表明重尾噪声在 LLM 预训练中很常见。该论文探讨了 AdamW 在此环境下是否能够收敛，并将其与其他在重尾噪声下显示出收敛性的优化器（如 Lion 和 Muon）进行了对比，同时提供了一个加权指标基准和一个下界机制。 AI

影响 阐明了一个广泛使用的 LLM 训练优化器的理论局限性，可能指导未来对更鲁棒方法的研究。

排序理由 该集群包含一篇详细介绍机器学习优化领域开放性问题的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

开放性问题：AdamW 优化器在大型语言模型 (LLM) 中重尾噪声下的有效性

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Lijun Zhang ·

    Open Problem: Is AdamW Effective Under Heavy-Tailed Noise?

    AdamW is the de facto optimizer for training large language models (LLMs), yet the theory behind it still lives mostly in finite-variance regimes. This is increasingly unsatisfying, as empirical evidence indicates that stochastic gradient noise in LLM pretraining is typically hea…

相关实体

相关话题