Towards a Principled Muon under $μ\mathsf{P}$: Ensuring Spectral Conditions throughout Training
Fuente:
arXiv
Enregistré dans:
| Auteur principal: | Zhao, John |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Muon Optimizes Under Spectral Norm Constraints
par: Chen, Lizhang, et autres
Publié: (2025)
par: Chen, Lizhang, et autres
Publié: (2025)
Implicit Bias of Spectral Descent and Muon on Multiclass Separable Data
par: Fan, Chen, et autres
Publié: (2025)
par: Fan, Chen, et autres
Publié: (2025)
Muon Dynamics as a Spectral Wasserstein Flow
par: Peyré, Gabriel
Publié: (2026)
par: Peyré, Gabriel
Publié: (2026)
Preconditioning Benefits of Spectral Orthogonalization in Muon
par: Ma, Jianhao, et autres
Publié: (2026)
par: Ma, Jianhao, et autres
Publié: (2026)
Muon in Associative Memory Learning: Training Dynamics and Scaling Laws
par: Li, Binghui, et autres
Publié: (2026)
par: Li, Binghui, et autres
Publié: (2026)
Phases of Muon: When Muon Eclipses SignSGD
par: Paquette, Elliot, et autres
Publié: (2026)
par: Paquette, Elliot, et autres
Publié: (2026)
MuonBP: Faster Muon via Block-Periodic Orthogonalization
par: Khaled, Ahmed, et autres
Publié: (2025)
par: Khaled, Ahmed, et autres
Publié: (2025)
LiMuon: Light and Fast Muon Optimizer for Large Models
par: Huang, Feihu, et autres
Publié: (2025)
par: Huang, Feihu, et autres
Publié: (2025)
Convergence of Muon with Newton-Schulz
par: Kim, Gyu Yeol, et autres
Publié: (2026)
par: Kim, Gyu Yeol, et autres
Publié: (2026)
Error Feedback for Muon and Friends
par: Gruntkowska, Kaja, et autres
Publié: (2025)
par: Gruntkowska, Kaja, et autres
Publié: (2025)
Muon Converges under Heavy-Tailed Noise: Nonconvex Hölder-Smooth Empirical Risk Minimization
par: Iiduka, Hideaki
Publié: (2026)
par: Iiduka, Hideaki
Publié: (2026)
Global Convergence and Rich Feature Learning in $L$-Layer Infinite-Width Neural Networks under $μ$P Parametrization
par: Chen, Zixiang, et autres
Publié: (2025)
par: Chen, Zixiang, et autres
Publié: (2025)
Insights on Muon from Simple Quadratics
par: Gonon, Antoine, et autres
Publié: (2026)
par: Gonon, Antoine, et autres
Publié: (2026)
Muon Does Not Converge on Convex Lipschitz Functions
par: Parshakova, Tetiana, et autres
Publié: (2026)
par: Parshakova, Tetiana, et autres
Publié: (2026)
Muon is Provably Faster with Momentum Variance Reduction
par: Qian, Xun, et autres
Publié: (2025)
par: Qian, Xun, et autres
Publié: (2025)
Drop-Muon: Update Less, Converge Faster
par: Gruntkowska, Kaja, et autres
Publié: (2025)
par: Gruntkowska, Kaja, et autres
Publié: (2025)
Beyond the Ideal: Analyzing the Inexact Muon Update
par: Shulgin, Egor, et autres
Publié: (2025)
par: Shulgin, Egor, et autres
Publié: (2025)
Beyond Muon: MUD (MomentUm Decorrelation) for Faster Transformer Training
par: Southworth, Ben S., et autres
Publié: (2026)
par: Southworth, Ben S., et autres
Publié: (2026)
Improved Convergence Rates of Muon Optimizer for Nonconvex Optimization
par: Nagashima, Shuntaro, et autres
Publié: (2026)
par: Nagashima, Shuntaro, et autres
Publié: (2026)
Lions and Muons: Optimization via Stochastic Frank-Wolfe
par: Sfyraki, Maria-Eleni, et autres
Publié: (2025)
par: Sfyraki, Maria-Eleni, et autres
Publié: (2025)
Implicit Regularization in Perturbed Deep Matrix Factorization: Spectral Conditions and Stability
par: Wang, Jingzhe, et autres
Publié: (2026)
par: Wang, Jingzhe, et autres
Publié: (2026)
AdaGrad Meets Muon: Adaptive Stepsizes for Orthogonal Updates
par: Zhang, Minxin, et autres
Publié: (2025)
par: Zhang, Minxin, et autres
Publié: (2025)
MiMuon: Mixed Muon Optimizer with Improved Generalization for Large Models
par: Huang, Feihu, et autres
Publié: (2026)
par: Huang, Feihu, et autres
Publié: (2026)
FedMuon: Federated Learning with Bias-corrected LMO-based Optimization
par: Takezawa, Yuki, et autres
Publié: (2025)
par: Takezawa, Yuki, et autres
Publié: (2025)
The Newton-Muon Optimizer
par: Du, Zhehang, et autres
Publié: (2026)
par: Du, Zhehang, et autres
Publié: (2026)
On the Convergence Analysis of Muon
par: Shen, Wei, et autres
Publié: (2025)
par: Shen, Wei, et autres
Publié: (2025)
Muon with Nesterov Momentum: Heavy-Tailed Noise and (Randomized) Inexact Polar Decomposition
par: Choudhury, Sayantan, et autres
Publié: (2026)
par: Choudhury, Sayantan, et autres
Publié: (2026)
Leveraging Coordinate Momentum in SignSGD and Muon: Memory-Optimized Zero-Order
par: Petrov, Egor, et autres
Publié: (2025)
par: Petrov, Egor, et autres
Publié: (2025)
Model-Free $μ$-Synthesis: A Nonsmooth Optimization Perspective
par: Keivan, Darioush, et autres
Publié: (2024)
par: Keivan, Darioush, et autres
Publié: (2024)
$μ^2$-SGD: Stable Stochastic Optimization via a Double Momentum Mechanism
par: Dahan, Tehila, et autres
Publié: (2023)
par: Dahan, Tehila, et autres
Publié: (2023)
Faster Stochastic Algorithms for Minimax Optimization under Polyak--Łojasiewicz Conditions
par: Chen, Lesi, et autres
Publié: (2023)
par: Chen, Lesi, et autres
Publié: (2023)
On the Complexity of Finite-Sum Smooth Optimization under the Polyak-Łojasiewicz Condition
par: Bai, Yunyan, et autres
Publié: (2024)
par: Bai, Yunyan, et autres
Publié: (2024)
Gluon: Making Muon & Scion Great Again! (Bridging Theory and Practice of LMO-based Optimizers for LLMs)
par: Riabinin, Artem, et autres
Publié: (2025)
par: Riabinin, Artem, et autres
Publié: (2025)
Towards an Optimal Control Perspective of ResNet Training
par: Püttschneider, Jens, et autres
Publié: (2025)
par: Püttschneider, Jens, et autres
Publié: (2025)
High-Probability Bounds for SGD under the Polyak-Lojasiewicz Condition with Markovian Noise
par: Kar, Avik, et autres
Publié: (2026)
par: Kar, Avik, et autres
Publié: (2026)
Towards Guided Descent: Optimization Algorithms for Training Neural Networks At Scale
par: Nagwekar, Ansh
Publié: (2025)
par: Nagwekar, Ansh
Publié: (2025)
DeMuon: A Decentralized Muon for Matrix Optimization over Graphs
par: He, Chuan, et autres
Publié: (2025)
par: He, Chuan, et autres
Publié: (2025)
Anytime Training with Schedule-Free Spectral Optimization
par: Apte, Anuj, et autres
Publié: (2026)
par: Apte, Anuj, et autres
Publié: (2026)
(Almost) Smooth Sailing: Towards Numerical Stability of Neural Networks Through Differentiable Regularization of the Condition Number
par: Nenov, Rossen, et autres
Publié: (2024)
par: Nenov, Rossen, et autres
Publié: (2024)
Conditional simulation via entropic optimal transport: Toward non-parametric estimation of conditional Brenier maps
par: Baptista, Ricardo, et autres
Publié: (2024)
par: Baptista, Ricardo, et autres
Publié: (2024)
Documents similaires
-
Muon Optimizes Under Spectral Norm Constraints
par: Chen, Lizhang, et autres
Publié: (2025) -
Implicit Bias of Spectral Descent and Muon on Multiclass Separable Data
par: Fan, Chen, et autres
Publié: (2025) -
Muon Dynamics as a Spectral Wasserstein Flow
par: Peyré, Gabriel
Publié: (2026) -
Preconditioning Benefits of Spectral Orthogonalization in Muon
par: Ma, Jianhao, et autres
Publié: (2026) -
Muon in Associative Memory Learning: Training Dynamics and Scaling Laws
par: Li, Binghui, et autres
Publié: (2026)