The AdEMAMix Optimizer: Better, Faster, Older
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Pagliardini, Matteo, Ablin, Pierre, Grangier, David |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Connections between Schedule-Free Optimizers, AdEMAMix, and Accelerated SGD Variants
par: Morwani, Depen, et autres
Publié: (2025)
par: Morwani, Depen, et autres
Publié: (2025)
Dynamic Gradient Alignment for Online Data Mixing
par: Fan, Simin, et autres
Publié: (2024)
par: Fan, Simin, et autres
Publié: (2024)
Task-Adaptive Pretrained Language Models via Clustered-Importance Sampling
par: Grangier, David, et autres
Publié: (2024)
par: Grangier, David, et autres
Publié: (2024)
Need a Small Specialized Language Model? Plan Early!
par: Grangier, David, et autres
Publié: (2024)
par: Grangier, David, et autres
Publié: (2024)
Soup-of-Experts: Pretraining Specialist Models via Parameters Averaging
par: Ablin, Pierre, et autres
Publié: (2025)
par: Ablin, Pierre, et autres
Publié: (2025)
Scaling Laws for Forgetting during Finetuning with Pretraining Data Injection
par: Bethune, Louis, et autres
Publié: (2025)
par: Bethune, Louis, et autres
Publié: (2025)
Benchmarking Optimizers for Large Language Model Pretraining
par: Semenov, Andrei, et autres
Publié: (2025)
par: Semenov, Andrei, et autres
Publié: (2025)
The Data-Quality Illusion: Rethinking Classifier-Based Quality Filtering for LLM Pretraining
par: Saada, Thiziri Nait, et autres
Publié: (2025)
par: Saada, Thiziri Nait, et autres
Publié: (2025)
Scaling Laws for Optimal Data Mixtures
par: Shukor, Mustafa, et autres
Publié: (2025)
par: Shukor, Mustafa, et autres
Publié: (2025)
Optimal Splitting of Language Models from Mixtures to Specialized Domains
par: Seto, Skyler, et autres
Publié: (2026)
par: Seto, Skyler, et autres
Publié: (2026)
CoTFormer: A Chain-of-Thought Driven Architecture with Budget-Adaptive Computation Cost at Inference
par: Mohtashami, Amirkeivan, et autres
Publié: (2023)
par: Mohtashami, Amirkeivan, et autres
Publié: (2023)
DoGE: Domain Reweighting with Generalization Estimation
par: Fan, Simin, et autres
Publié: (2023)
par: Fan, Simin, et autres
Publié: (2023)
How Smooth Is Attention?
par: Castin, Valérie, et autres
Publié: (2023)
par: Castin, Valérie, et autres
Publié: (2023)
A Primal-Dual Approach to Solving Variational Inequalities with General Constraints
par: Chavdarova, Tatjana, et autres
Publié: (2022)
par: Chavdarova, Tatjana, et autres
Publié: (2022)
DenseFormer: Enhancing Information Flow in Transformers via Depth Weighted Averaging
par: Pagliardini, Matteo, et autres
Publié: (2024)
par: Pagliardini, Matteo, et autres
Publié: (2024)
Infeasible Deterministic, Stochastic, and Variance-Reduction Algorithms for Optimization under Orthogonality Constraints
par: Ablin, Pierre, et autres
Publié: (2023)
par: Ablin, Pierre, et autres
Publié: (2023)
Enhancing Hypergradients Estimation: A Study of Preconditioning and Reparameterization
par: Ye, Zhenzhang, et autres
Publié: (2024)
par: Ye, Zhenzhang, et autres
Publié: (2024)
Locking Pretrained Weights via Deep Low-Rank Residual Distillation
par: Sakamoto, Keitaro, et autres
Publié: (2026)
par: Sakamoto, Keitaro, et autres
Publié: (2026)
MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations
par: Heurtebise, Ambroise, et autres
Publié: (2025)
par: Heurtebise, Ambroise, et autres
Publié: (2025)
ANO : Faster is Better in Noisy Landscape
par: Kegreisz, Adrien
Publié: (2025)
par: Kegreisz, Adrien
Publié: (2025)
FERRET: Private Deep Learning Faster And Better Than DPSGD
par: Zagardo, David
Publié: (2025)
par: Zagardo, David
Publié: (2025)
Nectar: Neural Estimation of Cached-Token Attention via Regression
par: Monteiro, João, et autres
Publié: (2026)
par: Monteiro, João, et autres
Publié: (2026)
Scaling Laws for Mixture Pretraining Under Data Constraints
par: Sedova, Anastasiia, et autres
Publié: (2026)
par: Sedova, Anastasiia, et autres
Publié: (2026)
A framework for bilevel optimization that enables stochastic and global variance reduction algorithms
par: Dagréou, Mathieu, et autres
Publié: (2022)
par: Dagréou, Mathieu, et autres
Publié: (2022)
A Lower Bound and a Near-Optimal Algorithm for Bilevel Empirical Risk Minimization
par: Dagréou, Mathieu, et autres
Publié: (2023)
par: Dagréou, Mathieu, et autres
Publié: (2023)
Balanced LoRA: Removing Parameter Invariance to Accelerate Convergence
par: Castin, Valérie, et autres
Publié: (2026)
par: Castin, Valérie, et autres
Publié: (2026)
Optimization without Retraction on the Random Generalized Stiefel Manifold
par: Vary, Simon, et autres
Publié: (2024)
par: Vary, Simon, et autres
Publié: (2024)
Leveraging the true depth of LLMs
par: González, Ramón Calvo, et autres
Publié: (2025)
par: González, Ramón Calvo, et autres
Publié: (2025)
Multivector Neurons: Better and Faster O(n)-Equivariant Clifford Graph Neural Networks
par: Liu, Cong, et autres
Publié: (2024)
par: Liu, Cong, et autres
Publié: (2024)
No Need to Talk: Asynchronous Mixture of Language Models
par: Filippova, Anastasiia, et autres
Publié: (2024)
par: Filippova, Anastasiia, et autres
Publié: (2024)
Stochastic KV Routing: Enabling Adaptive Depth-Wise Cache Sharing
par: Filippova, Anastasiia, et autres
Publié: (2026)
par: Filippova, Anastasiia, et autres
Publié: (2026)
Partial Parameter Updates for Efficient Distributed Training
par: Filippova, Anastasiia, et autres
Publié: (2025)
par: Filippova, Anastasiia, et autres
Publié: (2025)
Compute-Optimal Quantization-Aware Training
par: Dremov, Aleksandr, et autres
Publié: (2025)
par: Dremov, Aleksandr, et autres
Publié: (2025)
Faster Predictive Coding Networks via Better Initialization
par: Pinchetti, Luca, et autres
Publié: (2026)
par: Pinchetti, Luca, et autres
Publié: (2026)
Faster Language Models with Better Multi-Token Prediction Using Tensor Decomposition
par: Basharin, Artem, et autres
Publié: (2024)
par: Basharin, Artem, et autres
Publié: (2024)
Playing Markov Games Without Observing Payoffs
par: Ablin, Daniel, et autres
Publié: (2025)
par: Ablin, Daniel, et autres
Publié: (2025)
FREE: Faster and Better Data-Free Meta-Learning
par: Wei, Yongxian, et autres
Publié: (2024)
par: Wei, Yongxian, et autres
Publié: (2024)
DynaMiCS: Fine-tuning LLMs with Performance Constraints using Dynamic Mixtures
par: Gualdoni, Eleonora, et autres
Publié: (2026)
par: Gualdoni, Eleonora, et autres
Publié: (2026)
Sparser, Better, Faster, Stronger: Sparsity Detection for Efficient Automatic Differentiation
par: Hill, Adrian, et autres
Publié: (2025)
par: Hill, Adrian, et autres
Publié: (2025)
Cheaper, Better, Faster, Stronger: Robust Text-to-SQL without Chain-of-Thought or Fine-Tuning
par: Dönder, Yusuf Denizay, et autres
Publié: (2025)
par: Dönder, Yusuf Denizay, et autres
Publié: (2025)
Documents similaires
-
Connections between Schedule-Free Optimizers, AdEMAMix, and Accelerated SGD Variants
par: Morwani, Depen, et autres
Publié: (2025) -
Dynamic Gradient Alignment for Online Data Mixing
par: Fan, Simin, et autres
Publié: (2024) -
Task-Adaptive Pretrained Language Models via Clustered-Importance Sampling
par: Grangier, David, et autres
Publié: (2024) -
Need a Small Specialized Language Model? Plan Early!
par: Grangier, David, et autres
Publié: (2024) -
Soup-of-Experts: Pretraining Specialist Models via Parameters Averaging
par: Ablin, Pierre, et autres
Publié: (2025)