Skip to content
Hot eventLive

Muon优化器谱正交化加速事实召回研究

1 reports1 sources16 hr ago updated

Get the story

AI overview

2026年10月5日，arXiv 统计机器学习栏目发表一项研究，解析 Muon 优化器的谱正交化机制。研究通过可处理的事实召回模型发现，梯度流（GF）的学习时间比为 \widetilde{\Theta}(\sqrt{S/R})，而谱梯度流（Spectral GF）将该时间比降至 \widetilde{\Theta}(1)。该结果表明谱正交化在事实召回任务中具有加速作用。目前公开信息仅涉及上述理论分析，未见实验细节或后续验证报道。

Generated from reports · updated 16 hr ago

LatestOct 5
arXiv新研究称谱梯度流将学习时间比从\widetilde{\Theta}(\sqrt{S/R})降至\widetilde{\Theta}(1)。

Timeline

Follow the coverage from different angles.

Oct 5, 2026
  1. arXiv · Statistics Machine Learning
    Muon 优化器为何更擅长学习事实：谱正交化的作用机制

    一项研究通过可处理的事实召回模型解析 Muon 优化器的谱正交化机制，发现梯度流（GF）学习时间比为 $\widetilde{\Theta}(\sqrt{S/R})$，谱梯度流（Spectral GF）将其降至 $\widetilde{\Theta}(1)$。

Heat trend

Current heat 7·Comparable peak 10（Oct 5）·Comparable change over 24 hours –

02.557.510Oct5Oct5Oct5Oct6

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.