新的缩放权重衰减方法加速神经网络训练

研究人员引入了一种新颖的缩放权重衰减方法，该方法受Robbins-Monro条件的启发，以改进神经网络训练。该技术根据峰值学习率的比例调整权重衰减，确保渐近平稳性，并避免恒定权重衰减引入的偏差。当应用于使用Muon优化器的混合专家模型时，这种缩放权重衰减（Muon-SW）显示出显著的加速效果，在大规模训练中，达到目标验证损失的速度最多可提高30%。 AI

影响 有望以最小的实施工作量显著加速前沿模型的预训练。

排序理由 该集群包含一篇详细介绍神经网络新训练方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• Muon
• Muon-SW
• Robbins--Monro
• ScienceCast

• 论文
• 基础设施

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