ARC- 0 9_1

新的块状优化器增强了用于大规模神经网络的立方牛顿方法

本文介绍了一种新颖的块状优化器，旨在提高用于大规模神经网络训练的立方正则化牛顿方法的效率。所提出的方法使用 Lanczos 构建的 Krylov 子空间内的无矩阵方法来处理任意大的参数张量，确保步长能够精确地最小化三次模型。与 ARC、Adam 和 L-BFGS 等现有方法相比，新的变体在性能上表现更优，特别是在一个 91.4M 参数的隐式神经表示上，其中一个变体在图像拟合任务中实现了显著更高的峰值信噪比。