Enregistré dans:
| Auteurs principaux: | Lion, Kai, Hübler, Florian, Li, Bingcong, Orvieto, Antonio, He, Niao |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | https://arxiv.org/abs/2605.10797 |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
PoLAR: Polar-Decomposed Low-Rank Adapter Representation
par: Lion, Kai, et autres
Publié: (2025)
par: Lion, Kai, et autres
Publié: (2025)
From Gradient Clipping to Normalization for Heavy Tailed SGD
par: Hübler, Florian, et autres
Publié: (2024)
par: Hübler, Florian, et autres
Publié: (2024)
Implicit Regularization of Sharpness-Aware Minimization for Scale-Invariant Problems
par: Li, Bingcong, et autres
Publié: (2024)
par: Li, Bingcong, et autres
Publié: (2024)
Can RLHF be More Efficient with Imperfect Reward Models? A Policy Coverage Perspective
par: Huang, Jiawei, et autres
Publié: (2025)
par: Huang, Jiawei, et autres
Publié: (2025)
On the Benefits of Weight Normalization for Overparameterized Matrix Sensing
par: Wei, Yudong, et autres
Publié: (2025)
par: Wei, Yudong, et autres
Publié: (2025)
On the Crucial Role of Initialization for Matrix Factorization
par: Li, Bingcong, et autres
Publié: (2024)
par: Li, Bingcong, et autres
Publié: (2024)
ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling
par: Zhang, Yilang, et autres
Publié: (2026)
par: Zhang, Yilang, et autres
Publié: (2026)
Zeroth-Order Optimization at the Edge of Stability
par: Song, Minhak, et autres
Publié: (2026)
par: Song, Minhak, et autres
Publié: (2026)
Zeroth-Order Optimization Finds Flat Minima
par: Zhang, Liang, et autres
Publié: (2025)
par: Zhang, Liang, et autres
Publié: (2025)
DPZero: Private Fine-Tuning of Language Models without Backpropagation
par: Zhang, Liang, et autres
Publié: (2023)
par: Zhang, Liang, et autres
Publié: (2023)
Muon Optimizes Under Spectral Norm Constraints
par: Chen, Lizhang, et autres
Publié: (2025)
par: Chen, Lizhang, et autres
Publié: (2025)
SALAAD: Sparse And Low-Rank Adaptation via ADMM for Large Language Model Inference
par: Ma, Hao, et autres
Publié: (2026)
par: Ma, Hao, et autres
Publié: (2026)
Can SGD Handle Heavy-Tailed Noise?
par: Fatkhullin, Ilyas, et autres
Publié: (2025)
par: Fatkhullin, Ilyas, et autres
Publié: (2025)
Integrated electro-optic attention nonlinearities for transformers
par: Mickeler, Luis, et autres
Publié: (2026)
par: Mickeler, Luis, et autres
Publié: (2026)
TiAda: A Time-scale Adaptive Algorithm for Nonconvex Minimax Optimization
par: Li, Xiang, et autres
Publié: (2022)
par: Li, Xiang, et autres
Publié: (2022)
NuMuon: Nuclear-Norm-Constrained Muon for Compressible LLM Training
par: Dolatabadi, Hadi Mohaghegh, et autres
Publié: (2026)
par: Dolatabadi, Hadi Mohaghegh, et autres
Publié: (2026)
Adam Simplified: Bias Correction Debunked
par: Laing, Sam, et autres
Publié: (2025)
par: Laing, Sam, et autres
Publié: (2025)
Revisiting associative recall in modern recurrent models
par: Okpekpe, Destiny, et autres
Publié: (2025)
par: Okpekpe, Destiny, et autres
Publié: (2025)
Landing with the Score: Riemannian Optimization through Denoising
par: Kharitenko, Andrey, et autres
Publié: (2025)
par: Kharitenko, Andrey, et autres
Publié: (2025)
An Adaptive Stochastic Gradient Method with Non-negative Gauss-Newton Stepsizes
par: Orvieto, Antonio, et autres
Publié: (2024)
par: Orvieto, Antonio, et autres
Publié: (2024)
In Search of Adam's Secret Sauce
par: Orvieto, Antonio, et autres
Publié: (2025)
par: Orvieto, Antonio, et autres
Publié: (2025)
Enhancing Optimizer Stability: Momentum Adaptation of The NGN Step-size
par: Islamov, Rustem, et autres
Publié: (2025)
par: Islamov, Rustem, et autres
Publié: (2025)
Recurrent neural networks: vanishing and exploding gradients are not the end of the story
par: Zucchet, Nicolas, et autres
Publié: (2024)
par: Zucchet, Nicolas, et autres
Publié: (2024)
Robust Knowledge Transfer in Tiered Reinforcement Learning
par: Huang, Jiawei, et autres
Publié: (2023)
par: Huang, Jiawei, et autres
Publié: (2023)
Explaining Grokking in Transformers through the Lens of Inductive Bias
par: Singh, Jaisidh, et autres
Publié: (2026)
par: Singh, Jaisidh, et autres
Publié: (2026)
Universal Dynamics of Warmup Stable Decay: understanding WSD beyond Transformers
par: Belloni, Annalisa, et autres
Publié: (2026)
par: Belloni, Annalisa, et autres
Publié: (2026)
Improved state mixing in higher-order and block diagonal linear recurrent networks
par: Dubinin, Igor, et autres
Publié: (2026)
par: Dubinin, Igor, et autres
Publié: (2026)
An Uncertainty Principle for Linear Recurrent Neural Networks
par: François, Alexandre, et autres
Publié: (2025)
par: François, Alexandre, et autres
Publié: (2025)
When, Where and Why to Average Weights?
par: Ajroldi, Niccolò, et autres
Publié: (2025)
par: Ajroldi, Niccolò, et autres
Publié: (2025)
Flow Density Control: Generative Optimization Beyond Entropy-Regularized Fine-Tuning
par: De Santi, Riccardo, et autres
Publié: (2025)
par: De Santi, Riccardo, et autres
Publié: (2025)
Optimal Guarantees for Algorithmic Reproducibility and Gradient Complexity in Convex Optimization
par: Zhang, Liang, et autres
Publié: (2023)
par: Zhang, Liang, et autres
Publié: (2023)
AdaMuon: Adaptive Muon Optimizer
par: Si, Chongjie, et autres
Publié: (2025)
par: Si, Chongjie, et autres
Publié: (2025)
Recurrent Distance Filtering for Graph Representation Learning
par: Ding, Yuhui, et autres
Publié: (2023)
par: Ding, Yuhui, et autres
Publié: (2023)
Multi-level Monte-Carlo Gradient Methods for Stochastic Optimization with Biased Oracles
par: Hu, Yifan, et autres
Publié: (2024)
par: Hu, Yifan, et autres
Publié: (2024)
Global Optimality for Constrained Exploration via Penalty Regularization
par: Wolf, Florian, et autres
Publié: (2026)
par: Wolf, Florian, et autres
Publié: (2026)
A Schrödinger Eigenfunction Method for Long-Horizon Stochastic Optimal Control
par: Claeys, Louis, et autres
Publié: (2026)
par: Claeys, Louis, et autres
Publié: (2026)
Adaptive Test-Time Compute Allocation for Reasoning LLMs via Constrained Policy Optimization
par: Zhai, Zhiyuan, et autres
Publié: (2026)
par: Zhai, Zhiyuan, et autres
Publié: (2026)
Biased Stochastic First-Order Methods for Conditional Stochastic Optimization and Applications in Meta Learning
par: Hu, Yifan, et autres
Publié: (2020)
par: Hu, Yifan, et autres
Publié: (2020)
Is your batch size the problem? Revisiting the Adam-SGD gap in language modeling
par: Srećković, Teodora, et autres
Publié: (2025)
par: Srećković, Teodora, et autres
Publié: (2025)
Scalable Variational Bayesian Fine-Tuning of LLMs via Orthogonalized Low-Rank Adapters
par: Xiang, Haotian, et autres
Publié: (2026)
par: Xiang, Haotian, et autres
Publié: (2026)
Documents similaires
-
PoLAR: Polar-Decomposed Low-Rank Adapter Representation
par: Lion, Kai, et autres
Publié: (2025) -
From Gradient Clipping to Normalization for Heavy Tailed SGD
par: Hübler, Florian, et autres
Publié: (2024) -
Implicit Regularization of Sharpness-Aware Minimization for Scale-Invariant Problems
par: Li, Bingcong, et autres
Publié: (2024) -
Can RLHF be More Efficient with Imperfect Reward Models? A Policy Coverage Perspective
par: Huang, Jiawei, et autres
Publié: (2025) -
On the Benefits of Weight Normalization for Overparameterized Matrix Sensing
par: Wei, Yudong, et autres
Publié: (2025)