Cascade Token Selection for Transformer Attention Acceleration
Fuente:
arXiv
Enregistré dans:
| Auteur principal: | Thomas, Stephen J. |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Gated Subspace Inference for Transformer Acceleration
par: Thomas, Stephen J.
Publié: (2026)
par: Thomas, Stephen J.
Publié: (2026)
SVD-Preconditioned Gradient Descent Method for Solving Nonlinear Least Squares Problems
par: Chang, Zhipeng, et autres
Publié: (2026)
par: Chang, Zhipeng, et autres
Publié: (2026)
A Layer Separation Optimization Framework for Cross-Entropy Training in Deep Learning
par: Liu, Yaru, et autres
Publié: (2026)
par: Liu, Yaru, et autres
Publié: (2026)
Holonorm
par: Yongueng, Daryl Noupa, et autres
Publié: (2025)
par: Yongueng, Daryl Noupa, et autres
Publié: (2025)
Faster Adaptive Optimization via Expected Gradient Outer Product Reparameterization
par: DePavia, Adela, et autres
Publié: (2025)
par: DePavia, Adela, et autres
Publié: (2025)
A Neural-Operator Preconditioned Newton Method for Accelerated Nonlinear Solvers
par: Lee, Youngkyu, et autres
Publié: (2025)
par: Lee, Youngkyu, et autres
Publié: (2025)
Objective Value Change and Shape-Based Accelerated Optimization for the Neural Network Approximation
par: Xie, Pengcheng, et autres
Publié: (2025)
par: Xie, Pengcheng, et autres
Publié: (2025)
Progressive Power Homotopy for Non-convex Optimization
par: Xu, Chen
Publié: (2026)
par: Xu, Chen
Publié: (2026)
Global Optimization with A Power-Transformed Objective and Gaussian Smoothing
par: Xu, Chen
Publié: (2024)
par: Xu, Chen
Publié: (2024)
Sample-wise Constrained Learning via a Sequential Penalty Approach with Applications in Image Processing
par: Lanzillotta, Francesca, et autres
Publié: (2026)
par: Lanzillotta, Francesca, et autres
Publié: (2026)
Effectively Leveraging Momentum Terms in Stochastic Line Search Frameworks for Fast Optimization of Finite-Sum Problems
par: Lapucci, Matteo, et autres
Publié: (2024)
par: Lapucci, Matteo, et autres
Publié: (2024)
Convergence Conditions for Stochastic Line Search Based Optimization of Over-parametrized Models
par: Lapucci, Matteo, et autres
Publié: (2024)
par: Lapucci, Matteo, et autres
Publié: (2024)
A Hybrid Iterative Neural Solver Based on Spectral Analysis for Parametric PDEs
par: Cui, Chen, et autres
Publié: (2024)
par: Cui, Chen, et autres
Publié: (2024)
Power Homotopy for Zeroth-Order Non-Convex Optimizations
par: Xu, Chen
Publié: (2025)
par: Xu, Chen
Publié: (2025)
Error Bound Analysis for the Regularized Loss of Deep Linear Neural Networks
par: Chen, Po, et autres
Publié: (2025)
par: Chen, Po, et autres
Publié: (2025)
Towards Solving Polynomial-Objective Integer Programming with Hypergraph Neural Networks
par: Li, Minshuo, et autres
Publié: (2026)
par: Li, Minshuo, et autres
Publié: (2026)
Two-level overlapping additive Schwarz preconditioner for training scientific machine learning applications
par: Lee, Youngkyu, et autres
Publié: (2024)
par: Lee, Youngkyu, et autres
Publié: (2024)
Enhancing training of physics-informed neural networks using domain-decomposition based preconditioning strategies
par: Kopaničáková, Alena, et autres
Publié: (2023)
par: Kopaničáková, Alena, et autres
Publié: (2023)
Refining Graphical Neural Network Predictions Using Flow Matching for Optimal Power Flow with Constraint-Satisfaction Guarantee
par: Khanal, Kshitiz
Publié: (2025)
par: Khanal, Kshitiz
Publié: (2025)
Generalizing Adam to Manifolds for Efficiently Training Transformers
par: Brantner, Benedikt
Publié: (2023)
par: Brantner, Benedikt
Publié: (2023)
Hybrid Least Squares/Gradient Descent Methods for DeepONets
par: Choi, Jun, et autres
Publié: (2025)
par: Choi, Jun, et autres
Publié: (2025)
Inter-Layer Hessian Analysis of Neural Networks with DAG Architectures
par: Bolshim, Maxim, et autres
Publié: (2026)
par: Bolshim, Maxim, et autres
Publié: (2026)
Stochastic Estimation of the Layer-wise Hessian Trace for Monitoring Neural-network Training
par: Bolshim, Maxim, et autres
Publié: (2026)
par: Bolshim, Maxim, et autres
Publié: (2026)
Local properties of neural networks through the lens of layer-wise Hessians
par: Bolshim, Maxim, et autres
Publié: (2025)
par: Bolshim, Maxim, et autres
Publié: (2025)
An Augmented Lagrangian Method for Training Recurrent Neural Networks
par: Wang, Yue, et autres
Publié: (2024)
par: Wang, Yue, et autres
Publié: (2024)
BROS: Bias-Corrected Randomized Subspaces for Memory-Efficient Single-Loop Bilevel Optimization
par: Zhang, Hengrui, et autres
Publié: (2026)
par: Zhang, Hengrui, et autres
Publié: (2026)
On the fast convergence of minibatch heavy ball momentum
par: Bollapragada, Raghu, et autres
Publié: (2022)
par: Bollapragada, Raghu, et autres
Publié: (2022)
Randomized Matrix Sketching for Neural Network Training and Gradient Monitoring
par: Antil, Harbir, et autres
Publié: (2025)
par: Antil, Harbir, et autres
Publié: (2025)
Preconditioned subgradient method for composite optimization: overparameterization and fast convergence
par: Díaz, Mateo, et autres
Publié: (2025)
par: Díaz, Mateo, et autres
Publié: (2025)
A Paired Autoencoder Framework for Inverse Problems via Bayes Risk Minimization
par: Hart, Emma, et autres
Publié: (2025)
par: Hart, Emma, et autres
Publié: (2025)
Residual Multi-Fidelity Neural Network Computing
par: Davis, Owen, et autres
Publié: (2023)
par: Davis, Owen, et autres
Publié: (2023)
Edge-Wise Graph-Instructed Neural Networks
par: Della Santa, Francesco, et autres
Publié: (2024)
par: Della Santa, Francesco, et autres
Publié: (2024)
Have ASkotch: A Neat Solution for Large-scale Kernel Ridge Regression
par: Rathore, Pratik, et autres
Publié: (2024)
par: Rathore, Pratik, et autres
Publié: (2024)
Iterative Methods for Full-Scale Gaussian Process Approximations for Large Spatial Data
par: Gyger, Tim, et autres
Publié: (2024)
par: Gyger, Tim, et autres
Publié: (2024)
Volume-Preserving Transformers for Learning Time Series Data with Structure
par: Brantner, Benedikt, et autres
Publié: (2023)
par: Brantner, Benedikt, et autres
Publié: (2023)
Deep Adaptive Dimension Reduction for Bayesian Inference in Inverse Problems
par: Wang, Yueyang, et autres
Publié: (2026)
par: Wang, Yueyang, et autres
Publié: (2026)
Auto-exploration for online reinforcement learning
par: Ju, Caleb, et autres
Publié: (2025)
par: Ju, Caleb, et autres
Publié: (2025)
SplInterp: Improving our Understanding and Training of Sparse Autoencoders
par: Budd, Jeremy, et autres
Publié: (2025)
par: Budd, Jeremy, et autres
Publié: (2025)
Convergence of gradient descent for deep neural networks
par: Chatterjee, Sourav
Publié: (2022)
par: Chatterjee, Sourav
Publié: (2022)
Kernel Alignment for Unsupervised Feature Selection via Matrix Factorization
par: Lin, Ziyuan, et autres
Publié: (2024)
par: Lin, Ziyuan, et autres
Publié: (2024)
Documents similaires
-
Gated Subspace Inference for Transformer Acceleration
par: Thomas, Stephen J.
Publié: (2026) -
SVD-Preconditioned Gradient Descent Method for Solving Nonlinear Least Squares Problems
par: Chang, Zhipeng, et autres
Publié: (2026) -
A Layer Separation Optimization Framework for Cross-Entropy Training in Deep Learning
par: Liu, Yaru, et autres
Publié: (2026) -
Holonorm
par: Yongueng, Daryl Noupa, et autres
Publié: (2025) -
Faster Adaptive Optimization via Expected Gradient Outer Product Reparameterization
par: DePavia, Adela, et autres
Publié: (2025)