English(EN) How Bregman Divergences Shape Shampoo

Bregman散度统一用于改进神经网络优化器

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-07 04:00

研究人员开发了一个使用Bregman散度的统一框架，用于分析不同散度选择对神经网络优化器（特别是Shampoo）的影响。该框架连接了各种流行的散度，从而可以联合研究它们的影响。该研究通过经验分析了散度选择如何影响Kronecker近似，并与预处理中的有限样本误差相互作用，表明某些散度可以更好地减轻对经验二阶矩的低估。这些发现通过GPT-2预训练实验得到了验证，为改进Shampoo及相关优化技术提供了指导。 AI

影响提供了一个理论框架，以指导更有效的神经网络优化器的开发，可能导致更快、更稳定的训练。

排序理由该集群包含一篇学术论文，详细介绍了用于改进神经网络优化器的新理论框架和经验验证。[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 →

本文如何被排名

Signal score: 7 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了用于改进神经网络优化器的新理论框架和经验验证。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Bing Liu, Wenjie Zhou, Chengcheng Zhao, Hongtao Zhang, Boao Kong, Felix Dangel, Wu Lin · 2026-10-07 04:00

Bregman散度如何塑造洗发水

arXiv:2610.08534v1 Announce Type: new Abstract: Understanding the principles behind Shampoo has recently guided the development of more effective neural network optimizers. These methods learn a preconditioner by optimizing the Frobenius or Kullback-Leibler (KL) divergence agains…

本文如何被排名

报道来源 [1]

Bregman散度如何塑造洗发水

相关实体

相关话题