When Does Removing LayerNorm Help? Activation Bounding as a Regime-Dependent Implicit Regularizer
Fuente:
arXiv
Enregistré dans:
| Auteur principal: | Verma, Lucky |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
LayerNorm Induces Recency Bias in Transformer Decoders
par: Kim, Junu, et autres
Publié: (2025)
par: Kim, Junu, et autres
Publié: (2025)
SLaNC: Static LayerNorm Calibration
par: Salmani, Mahsa, et autres
Publié: (2024)
par: Salmani, Mahsa, et autres
Publié: (2024)
Post-LayerNorm Is Back: Stable, ExpressivE, and Deep
par: Chen, Chen, et autres
Publié: (2026)
par: Chen, Chen, et autres
Publié: (2026)
You can remove GPT2's LayerNorm by fine-tuning
par: Heimersheim, Stefan
Publié: (2024)
par: Heimersheim, Stefan
Publié: (2024)
LayerNorm: A key component in parameter-efficient fine-tuning
par: ValizadehAslani, Taha, et autres
Publié: (2024)
par: ValizadehAslani, Taha, et autres
Publié: (2024)
Transformers Don't Need LayerNorm at Inference Time: Scaling LayerNorm Removal to GPT-2 XL and the Implications for Mechanistic Interpretability
par: Baroni, Luca, et autres
Publié: (2025)
par: Baroni, Luca, et autres
Publié: (2025)
Geometry and Dynamics of LayerNorm
par: Riechers, Paul M.
Publié: (2024)
par: Riechers, Paul M.
Publié: (2024)
On the Role of Attention Masks and LayerNorm in Transformers
par: Wu, Xinyi, et autres
Publié: (2024)
par: Wu, Xinyi, et autres
Publié: (2024)
Weight Decay Regimes in Grokking Transformers: Cheap Online Diagnostics
par: Verma, Lucky
Publié: (2026)
par: Verma, Lucky
Publié: (2026)
When Do "More Contexts" Help with Sarcasm Recognition?
par: Nimase, Ojas, et autres
Publié: (2024)
par: Nimase, Ojas, et autres
Publié: (2024)
Concept Drift Guided LayerNorm Tuning for Efficient Multimodal Metaphor Identification
par: Qian, Wenhao, et autres
Publié: (2025)
par: Qian, Wenhao, et autres
Publié: (2025)
MoETTA: Test-Time Adaptation Under Mixed Distribution Shifts with MoE-LayerNorm
par: Fan, Xiao, et autres
Publié: (2025)
par: Fan, Xiao, et autres
Publié: (2025)
GeoNorm: Unify Pre-Norm and Post-Norm with Geodesic Optimization
par: Zheng, Chuanyang, et autres
Publié: (2026)
par: Zheng, Chuanyang, et autres
Publié: (2026)
SOLE: Hardware-Software Co-design of Softmax and LayerNorm for Efficient Transformer Inference
par: Wang, Wenxun, et autres
Publié: (2025)
par: Wang, Wenxun, et autres
Publié: (2025)
Does Machine Unlearning Truly Remove Knowledge?
par: Chen, Haokun, et autres
Publié: (2025)
par: Chen, Haokun, et autres
Publié: (2025)
Implicit Word Reordering with Knowledge Distillation for Cross-Lingual Dependency Parsing
par: Li, Zhuoran, et autres
Publié: (2025)
par: Li, Zhuoran, et autres
Publié: (2025)
Mitigating the Impact of Outlier Channels for Language Model Quantization with Activation Regularization
par: Nrusimha, Aniruddha, et autres
Publié: (2024)
par: Nrusimha, Aniruddha, et autres
Publié: (2024)
How Transformers Learn Regular Language Recognition: A Theoretical Study on Training Dynamics and Implicit Bias
par: Huang, Ruiquan, et autres
Publié: (2025)
par: Huang, Ruiquan, et autres
Publié: (2025)
Does Representation Matter? Exploring Intermediate Layers in Large Language Models
par: Skean, Oscar, et autres
Publié: (2024)
par: Skean, Oscar, et autres
Publié: (2024)
Impact of Layer Norm on Memorization and Generalization in Transformers
par: Singhal, Rishi, et autres
Publié: (2025)
par: Singhal, Rishi, et autres
Publié: (2025)
When and Why Does Unsupervised RL Succeed in Mathematical Reasoning? A Manifold Envelopment Perspective
par: Zhang, Zelin, et autres
Publié: (2026)
par: Zhang, Zelin, et autres
Publié: (2026)
When Does Divide and Conquer Work for Long Context LLM? A Noise Decomposition Framework
par: Xu, Zhen, et autres
Publié: (2025)
par: Xu, Zhen, et autres
Publié: (2025)
Does Visual Rendering Bypass Tokenization? Investigating Script-Tokenizer Misalignment in Pixel-Based Language Models
par: Susanto, Lucky, et autres
Publié: (2026)
par: Susanto, Lucky, et autres
Publié: (2026)
When Does Multimodality Lead to Better Time Series Forecasting?
par: Zhang, Xiyuan, et autres
Publié: (2025)
par: Zhang, Xiyuan, et autres
Publié: (2025)
When Does Metadata Conditioning (NOT) Work for Language Model Pre-Training? A Study with Context-Free Grammars
par: Higuchi, Rei, et autres
Publié: (2025)
par: Higuchi, Rei, et autres
Publié: (2025)
SpecBound: Adaptive Bounded Self-Speculation with Layer-wise Confidence Calibration
par: Wen, Zhuofan, et autres
Publié: (2026)
par: Wen, Zhuofan, et autres
Publié: (2026)
Does Few-Shot Learning Help LLM Performance in Code Synthesis?
par: Xu, Derek, et autres
Publié: (2024)
par: Xu, Derek, et autres
Publié: (2024)
When is Tree Search Useful for LLM Planning? It Depends on the Discriminator
par: Chen, Ziru, et autres
Publié: (2024)
par: Chen, Ziru, et autres
Publié: (2024)
When "A Helpful Assistant" Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models
par: Zheng, Mingqian, et autres
Publié: (2023)
par: Zheng, Mingqian, et autres
Publié: (2023)
On the Mathematical Relationship Between Layer Normalization and Dynamic Activation Functions
par: Stollenwerk, Felix
Publié: (2025)
par: Stollenwerk, Felix
Publié: (2025)
When Does a Language Model Commit? A Finite-Answer Theory of Pre-Verbalization Commitment
par: Zhang, Long, et autres
Publié: (2026)
par: Zhang, Long, et autres
Publié: (2026)
When Models Examine Themselves: Vocabulary-Activation Correspondence in Self-Referential Processing
par: Dadfar, Zachary Pedram
Publié: (2026)
par: Dadfar, Zachary Pedram
Publié: (2026)
HINT: Helping Ineffective Rollouts Navigate Towards Effectiveness
par: Wang, Xinyi, et autres
Publié: (2025)
par: Wang, Xinyi, et autres
Publié: (2025)
When Does Demographic Information Help? Data and Modeling Regimes for Perspective-Aware Hate Speech Detection
par: Cai, Weibin, et autres
Publié: (2026)
par: Cai, Weibin, et autres
Publié: (2026)
PolyNorm: Few-Shot LLM-Based Text Normalization for Text-to-Speech
par: Wong, Michel, et autres
Publié: (2025)
par: Wong, Michel, et autres
Publié: (2025)
Safety Training Persists Through Helpfulness Optimization in LLM Agents
par: Plaut, Benjamin
Publié: (2026)
par: Plaut, Benjamin
Publié: (2026)
Mimetic Initialization Helps State Space Models Learn to Recall
par: Trockman, Asher, et autres
Publié: (2024)
par: Trockman, Asher, et autres
Publié: (2024)
Skip-Connected Policy Optimization for Implicit Advantage
par: Teng, Fengwei, et autres
Publié: (2026)
par: Teng, Fengwei, et autres
Publié: (2026)
Bootstrapping Language Models with DPO Implicit Rewards
par: Chen, Changyu, et autres
Publié: (2024)
par: Chen, Changyu, et autres
Publié: (2024)
Helpful to a Fault: Measuring Illicit Assistance in Multi-Turn, Multilingual LLM Agents
par: Talokar, Nivya, et autres
Publié: (2026)
par: Talokar, Nivya, et autres
Publié: (2026)
Documents similaires
-
LayerNorm Induces Recency Bias in Transformer Decoders
par: Kim, Junu, et autres
Publié: (2025) -
SLaNC: Static LayerNorm Calibration
par: Salmani, Mahsa, et autres
Publié: (2024) -
Post-LayerNorm Is Back: Stable, ExpressivE, and Deep
par: Chen, Chen, et autres
Publié: (2026) -
You can remove GPT2's LayerNorm by fine-tuning
par: Heimersheim, Stefan
Publié: (2024) -
LayerNorm: A key component in parameter-efficient fine-tuning
par: ValizadehAslani, Taha, et autres
Publié: (2024)