PulseAugur
实时 09:45:14
English(EN) Design Criteria for SGD Preconditioners: Local Conditioning, Noise Floors, and Basin Stability

新研究概述了SGD预处理器的设计,以实现稳定性和降噪

一篇新发表在arXiv上的研究论文详细介绍了随机梯度下降(SGD)预处理器的设计标准,重点关注局部条件、噪声底和盆地稳定性。该论文推导了收敛速率和噪声底受对称正定矩阵M影响的界限。对于非凸目标,它建立了依赖于预处理器的盆地稳定性保证,这对于科学机器学习(SciML)应用尤其重要,因为在这些应用中物理保真度和数值稳定性至关重要。在诊断和SciML基准测试上的实验验证了所提出的通过选择M来改善局部条件并降低噪声的设计原则。 AI

影响 为优化机器学习模型训练提供了理论见解,有望带来更稳定、更高效的学习过程。

排序理由 这是一篇发表在arXiv上的研究论文,详细介绍了机器学习优化算法的理论和实验发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新研究概述了SGD预处理器的设计,以实现稳定性和降噪

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Mitchell Scott, Tianshi Xu, Ziyuan Tang, Alexandra Pichette-Emmons, Qiang Ye, Yousef Saad, Yuanzhe Xi ·

    Design Criteria for SGD Preconditioners: Local Conditioning, Noise Floors, and Basin Stability

    arXiv:2511.19716v3 Announce Type: replace-cross Abstract: Stochastic Gradient Descent (SGD) often slows in the late stage of training due to anisotropic curvature and gradient noise. We analyze preconditioned SGD in the geometry induced by a symmetric positive definite matrix $\m…