Temuan Kunci

• Target Penggunaan: Teori Muon berguna untuk memutuskan di mana Muon harus diterapkan: bobot bernilai matriks adalah target alami, karena penjelasan teoritis menggambarkan Muon melalui norma matriks, pembaruan polar, dan geometri spectral/nuclear-norm .
• Interpretasi Spectral-Norm: Interpretasi spectral-norm menyiratkan bahwa Muon melakukan bentuk penurunan gradien tercepat (steepest descent) di bawah batasan spectral-norm, yang menjelaskan mengapa pembaruannya memiliki ukuran operator-norm yang terkendali .
• Interpretasi Nuclear-Norm / Lion-K: Interpretasi ini memberikan kerangka optimasi formal untuk Muon dan membantu menghubungkannya dengan keluarga optimizer yang dikenal, bukan hanya sebagai heuristik yang terisolasi .
• Teori Stabilitas: Teori stabilitas menunjukkan bahwa pembaruan polar ala Muon berguna dalam pengaturan di mana mengendalikan pembaruan matriks kasus terburuk itu penting, termasuk pelatihan adversarial .
• Desain Varian: Analisis konvergensi dan error-feedback dapat digunakan untuk merancang varian Muon dengan jaminan teoretis yang lebih baik atau perilaku yang lebih baik di bawah pembaruan yang ditransformasikan, dikompresi, atau didekati .

Fakta Terkonfirmasi

• Muon dianalisis sebagai optimizer yang geometri pembaruannya yang khas terkait dengan parameter bernilai matriks dan struktur spectral/nuclear-norm .
• Karya teoretis terbaru mengkarakterisasi Muon sebagai steepest descent di bawah batasan spectral-norm .
• Jalur penelitian lain menunjukkan Muon dapat dipandang sebagai turunan dari Lion-K yang dilengkapi dengan nuclear-norm .
• Analisis error-feedback mengkaji Muon dan metode terkait di bawah pilihan norma yang sesuai dan memperluas analisis ke pengaturan layer-wise generalized smoothness .
• Teori pelatihan adversarial berpendapat bahwa pembaruan polar Muon menimbulkan batas stabilitas spectral-norm, yang berarti setiap pembaruan matriks memiliki spectral-norm yang terkendali .
• Karya baru telah menggunakan interpretasi teoretis untuk menggeneralisasi Muon melampaui matriks, misalnya Tensorion, yang disajikan sebagai generalisasi Muon yang sadar tensor .

Kesimpulan yang Masih Bersifat Inferensi

Berikut adalah aplikasi teori yang masuk akal, tetapi belum sepenuhnya terbukti untuk setiap pengaturan pelatihan skala besar:

• Memilih Parameter yang Menggunakan Muon: Teori menyarankan penggunaan Muon pada bobot matriks seperti lapisan linear, proyeksi MLP, dan proyeksi perhatian, sementara menggunakan optimizer lain untuk bias, embedding, parameter normalisasi, atau parameter skalar/vektor.
• Desain Learning Rate: Karena pembaruan polar Muon mengendalikan spectral-norm dari setiap pembaruan matriks, seseorang dapat menalar learning rate sebagai pengontrol ukuran langkah operator-norm maksimum .
• Diagnostik: Teori menyarankan pemantauan spectral-norm pembaruan, spektrum nilai singular, dan struktur peringkat untuk memahami apakah Muon memberikan pembaruan matriks yang seimbang .
• Optimasi Sadar Arsitektur: Karena Muon sadar matriks, teori menyarankan perluasan ide-ide ala Muon ke tensor, lapisan terstruktur, pembaruan sadar Fisher, atau model smoothness per lapisan .

Apa yang Disarankan oleh Bukti

1. Desain Optimizer yang Lebih Baik

Interpretasi teoretis membantu peneliti merancang optimizer baru daripada hanya menyetel Muon secara empiris. Jika Muon dipahami sebagai steepest descent yang dibatasi spectral-norm, maka langkah selanjutnya yang alami adalah bertanya apa pembaruan analog untuk tensor, matriks terstruktur, atau geometri sadar kelengkungan .

Contohnya, Tensorion secara eksplisit dibangun di atas pandangan bahwa Muon melakukan steepest descent di bawah batasan spectral-norm dan menggeneralisasi ide tersebut ke optimasi sadar tensor . FISMO juga dibangun di atas klaim bahwa Muon mengimplementasikan steepest descent di bawah batasan spectral-norm, kemudian menggabungkan informasi terstruktur Fisher ke dalam optimizer momentum-terortogonalisasi .

2. Pemilihan Lapisan Target yang Lebih Baik

Teori menjelaskan mengapa Muon sangat alami untuk lapisan bernilai matriks. Bobot matriks bukan sekadar daftar koordinat independen; ia mewakili peta linear, sehingga pembaruan berbasis norma matriks dapat mengeksploitasi struktur yang tidak dapat diungkapkan secara langsung oleh penalaran per-koordinat .

Implikasi praktis:

• Gunakan Muon untuk bobot matriks besar.
• Berhati-hatilah saat menerapkannya langsung ke vektor, bias, parameter normalisasi, dan embedding.
• Gunakan resep hibrida, misalnya Muon untuk bobot matriks dan optimizer lain untuk sisanya.

Ini konsisten dengan presentasi Muon yang memotivasinya melalui geometri pembaruan sadar matriks dan membahas perluasan metode ke jenis lapisan baru .

3. Penalaran Learning-Rate dan Stabilitas

Pandangan spectral-norm memberikan cara yang berguna untuk menafsirkan learning rate. Jika arah pembaruan Muon memiliki spectral-norm yang terkendali, maka learning rate kira-kira mengontrol ukuran operator-norm maksimum dari pembaruan matriks .

Ini penting karena operator-norm mengukur amplifikasi terbesar yang dapat diterapkan matriks ke arah masukan. Oleh karena itu, mengendalikan operator-norm pembaruan dapat membuat pelatihan lebih stabil daripada membiarkan pembaruan didominasi oleh beberapa arah singular yang sangat besar .

Interpretasi ini sangat eksplisit dalam teori pelatihan adversarial, di mana pembaruan polar Muon dikatakan menciptakan batas stabilitas spectral-norm untuk setiap pembaruan matriks .

4. Menjelaskan Pelatihan Cepat

Interpretasi teoritis Muon dapat menjelaskan pelatihan cepat melalui penyeimbangan nilai singular. Jika matriks gradien memiliki dekomposisi nilai singular (SVD):

G = U Σ Vᵀ,

maka arah Muon yang ideal kira-kira adalah:

Polar(G) = U Vᵀ.

Ini menghilangkan nilai singular dari arah gradien mentah. Arah singular yang besar diredam relatif terhadap SGD, dan arah singular kecil diperkuat relatif terhadap SGD. Interpretasi praktisnya adalah bahwa Muon dapat membuat kemajuan di banyak arah matriks alih-alih membiarkan hanya mode singular terbesar yang mendominasi .

Ini mengikuti secara alami dari interpretasi spectral/nuclear-norm Muon .

5. Merancang Varian Muon dengan Jaminan

Pekerjaan teoretis juga berguna untuk membuat varian dengan jaminan konvergensi. Analisis error-feedback mempelajari Muon dan optimizer terkait di bawah pilihan norma yang sesuai dan rezim smoothness umum per lapisan . Analisis critical-batch-size dan konvergensi juga mencoba menjelaskan perilaku Muon di berbagai pengaturan pelatihan praktis .

Implikasi praktis:

• Jika pembaruan Muon membuang atau mengubah beberapa informasi gradien, error feedback dapat membantu mengakumulasi bagian yang hilang .
• Jika ukuran batch memengaruhi Muon secara berbeda dari optimizer lain, teori konvergensi dan ukuran batch kritis dapat memandu aturan penskalaan .
• Jika ortogonalisasi perkiraan digunakan, teori dapat menunjukkan seberapa besar kesalahan perkiraan yang dapat diterima .

6. Pelatihan Robust dan Adversarial

Aplikasi langsung adalah pelatihan adversarial. Teori bahwa pembaruan polar Muon menerapkan batas stabilitas spectral-norm menunjukkan bahwa Muon mungkin berguna ketika sensitivitas arah terburuk itu penting .

Ini tidak membuktikan bahwa Muon selalu lebih baik untuk ketahanan adversarial, tetapi memberikan mekanisme: pembaruan operator-norm yang terikat dapat membatasi perubahan tidak stabil dalam transformasi linear model .

7. Memperluas Muon Melampaui Matriks

Interpretasi Muon sebagai steepest descent yang sadar geometri juga menyarankan generalisasi melampaui bobot matriks biasa. Tensorion secara eksplisit dimotivasi sebagai generalisasi Muon yang sadar tensor .

Ini adalah salah satu aplikasi teori yang paling jelas: setelah Muon dipahami secara geometris, peneliti dapat bertanya apa norma, norma ganda, dan pembaruan seperti polar yang benar untuk parameter tensor orde tinggi .

Bukti yang Bertentangan atau Ketidakpastian

• Konsensus terkuat adalah seputar interpretasi spectral/nuclear-norm: beberapa sumber menggambarkan Muon sebagai steepest descent yang dibatasi spectral-norm atau sebagai turunan nuclear-norm Lion-K .
• Ada lebih sedikit kepastian tentang apakah teori ini sepenuhnya menjelaskan kinerja pelatihan transformator skala besar. Hasil yang ada memberikan mekanisme dan jaminan parsial, tetapi pelatihan skala besar mencakup gradien stokastik, lapisan normalisasi, presisi campuran, peluruhan bobot, embedding, dan resep optimizer campuran.
• Klaim stabilitas menjanjikan tetapi spesifik tugas. Teori pelatihan adversarial memberikan mekanisme yang jelas untuk stabilitas spectral-norm, tetapi itu tidak secara otomatis menyiratkan kinerja yang lebih baik di setiap pengaturan pelatihan non-adversarial .
• Analisis konvergensi berguna, tetapi mungkin bergantung pada asumsi yang lebih bersih daripada pelatihan jaringan saraf nyata .

Pertanyaan Terbuka

• Lapisan mana yang harus menggunakan Muon di transformator yang sangat besar: semua lapisan matriks, hanya lapisan tersembunyi, atau hanya proyeksi perhatian/MLP tertentu?
• Bagaimana seharusnya learning rate Muon diskalakan dengan lebar, kedalaman, ukuran batch, dan bentuk matriks?
• Seberapa besar kesalahan ortogonalisasi perkiraan yang dapat ditoleransi sebelum Muon kehilangan keunggulan spektral-norm-nya?
• Dapatkah teori Muon disatukan dengan adaptivitas ala AdamW, peluruhan bobot, normalisasi, dan momentum dalam satu teori pelatihan skala besar?
• Apakah mekanisme stabilitas spectral-norm secara konsisten meningkatkan ketahanan, atau hanya dalam rezim pelatihan adversarial tertentu?

Sumber yang Paling Dapat Dipercaya

• Makalah spectral-norm dan nuclear-norm adalah yang paling penting untuk memahami interpretasi teoretis inti Muon .
• Tensorion berguna untuk melihat bagaimana teori memotivasi desain optimizer baru melampaui matriks .
• Makalah pelatihan adversarial berguna untuk memahami aplikasi stabilitas dari pembaruan polar Muon .
• Analisis error-feedback berguna untuk memahami bagaimana mempertahankan konvergensi saat menggunakan pembaruan gaya Muon yang ditransformasikan .
• Derivasi Muon berguna untuk konteks praktis dan untuk memahami mengapa peneliti memandang metode ini dapat diperluas ke jenis lapisan baru .

Langkah Selanjutnya yang Direkomendasikan

Jika Anda menulis tinjauan literatur, atur "aplikasi teori" menjadi lima subbagian:

1. Pemilihan Lapisan: mengapa Muon digunakan untuk lapisan bernilai matriks.
2. Panduan Hiperparameter: learning rate sebagai kontrol ukuran langkah spektral-norm.
3. Desain Optimizer: varian Muon seperti ekstensi sadar tensor atau sadar Fisher.
4. Stabilitas dan Ketahanan: batas pembaruan spektral-norm dan pelatihan adversarial.
5. Konvergensi dan Implementasi: error feedback, ukuran batch kritis, dan pembaruan perkiraan.

Ringkasan

Interpretasi teoretis Muon memiliki aplikasi praktis dalam desain optimizer, pemilihan lapisan, penalaran learning rate, analisis stabilitas, ketahanan, teori konvergensi, dan perluasan ke tensor atau parameter terstruktur. Interpretasi yang paling berguna adalah bahwa Muon melakukan steepest descent sadar matriks di bawah geometri spectral/nuclear-norm, yang menjelaskan mengapa ia sangat cocok untuk lapisan jaringan saraf bernilai matriks . Teorinya sudah digunakan untuk merancang optimizer baru, menganalisis stabilitas, dan membangun jaminan konvergensi, tetapi teori lengkap untuk pelatihan transformator skala besar masih terbuka .

Temuan Kunci

• Target Penggunaan: Teori Muon berguna untuk memutuskan di mana Muon harus diterapkan: bobot bernilai matriks adalah target alami, karena penjelasan teoritis menggambarkan Muon melalui norma matriks, pembaruan polar, dan geometri spectral/nuclear-norm .
• Interpretasi Spectral-Norm: Interpretasi spectral-norm menyiratkan bahwa Muon melakukan bentuk penurunan gradien tercepat (steepest descent) di bawah batasan spectral-norm, yang menjelaskan mengapa pembaruannya memiliki ukuran operator-norm yang terkendali .
• Interpretasi Nuclear-Norm / Lion-K: Interpretasi ini memberikan kerangka optimasi formal untuk Muon dan membantu menghubungkannya dengan keluarga optimizer yang dikenal, bukan hanya sebagai heuristik yang terisolasi .
• Teori Stabilitas: Teori stabilitas menunjukkan bahwa pembaruan polar ala Muon berguna dalam pengaturan di mana mengendalikan pembaruan matriks kasus terburuk itu penting, termasuk pelatihan adversarial .
• Desain Varian: Analisis konvergensi dan error-feedback dapat digunakan untuk merancang varian Muon dengan jaminan teoretis yang lebih baik atau perilaku yang lebih baik di bawah pembaruan yang ditransformasikan, dikompresi, atau didekati .

Fakta Terkonfirmasi

• Muon dianalisis sebagai optimizer yang geometri pembaruannya yang khas terkait dengan parameter bernilai matriks dan struktur spectral/nuclear-norm .
• Karya teoretis terbaru mengkarakterisasi Muon sebagai steepest descent di bawah batasan spectral-norm .
• Jalur penelitian lain menunjukkan Muon dapat dipandang sebagai turunan dari Lion-K yang dilengkapi dengan nuclear-norm .
• Analisis error-feedback mengkaji Muon dan metode terkait di bawah pilihan norma yang sesuai dan memperluas analisis ke pengaturan layer-wise generalized smoothness .
• Teori pelatihan adversarial berpendapat bahwa pembaruan polar Muon menimbulkan batas stabilitas spectral-norm, yang berarti setiap pembaruan matriks memiliki spectral-norm yang terkendali .
• Karya baru telah menggunakan interpretasi teoretis untuk menggeneralisasi Muon melampaui matriks, misalnya Tensorion, yang disajikan sebagai generalisasi Muon yang sadar tensor .

Kesimpulan yang Masih Bersifat Inferensi

Berikut adalah aplikasi teori yang masuk akal, tetapi belum sepenuhnya terbukti untuk setiap pengaturan pelatihan skala besar:

• Memilih Parameter yang Menggunakan Muon: Teori menyarankan penggunaan Muon pada bobot matriks seperti lapisan linear, proyeksi MLP, dan proyeksi perhatian, sementara menggunakan optimizer lain untuk bias, embedding, parameter normalisasi, atau parameter skalar/vektor.
• Desain Learning Rate: Karena pembaruan polar Muon mengendalikan spectral-norm dari setiap pembaruan matriks, seseorang dapat menalar learning rate sebagai pengontrol ukuran langkah operator-norm maksimum .
• Diagnostik: Teori menyarankan pemantauan spectral-norm pembaruan, spektrum nilai singular, dan struktur peringkat untuk memahami apakah Muon memberikan pembaruan matriks yang seimbang .
• Optimasi Sadar Arsitektur: Karena Muon sadar matriks, teori menyarankan perluasan ide-ide ala Muon ke tensor, lapisan terstruktur, pembaruan sadar Fisher, atau model smoothness per lapisan .

Apa yang Disarankan oleh Bukti

1. Desain Optimizer yang Lebih Baik

Interpretasi teoretis membantu peneliti merancang optimizer baru daripada hanya menyetel Muon secara empiris. Jika Muon dipahami sebagai steepest descent yang dibatasi spectral-norm, maka langkah selanjutnya yang alami adalah bertanya apa pembaruan analog untuk tensor, matriks terstruktur, atau geometri sadar kelengkungan .

Contohnya, Tensorion secara eksplisit dibangun di atas pandangan bahwa Muon melakukan steepest descent di bawah batasan spectral-norm dan menggeneralisasi ide tersebut ke optimasi sadar tensor . FISMO juga dibangun di atas klaim bahwa Muon mengimplementasikan steepest descent di bawah batasan spectral-norm, kemudian menggabungkan informasi terstruktur Fisher ke dalam optimizer momentum-terortogonalisasi .

2. Pemilihan Lapisan Target yang Lebih Baik

Teori menjelaskan mengapa Muon sangat alami untuk lapisan bernilai matriks. Bobot matriks bukan sekadar daftar koordinat independen; ia mewakili peta linear, sehingga pembaruan berbasis norma matriks dapat mengeksploitasi struktur yang tidak dapat diungkapkan secara langsung oleh penalaran per-koordinat .

Implikasi praktis:

• Gunakan Muon untuk bobot matriks besar.
• Berhati-hatilah saat menerapkannya langsung ke vektor, bias, parameter normalisasi, dan embedding.
• Gunakan resep hibrida, misalnya Muon untuk bobot matriks dan optimizer lain untuk sisanya.

Ini konsisten dengan presentasi Muon yang memotivasinya melalui geometri pembaruan sadar matriks dan membahas perluasan metode ke jenis lapisan baru .

3. Penalaran Learning-Rate dan Stabilitas

Pandangan spectral-norm memberikan cara yang berguna untuk menafsirkan learning rate. Jika arah pembaruan Muon memiliki spectral-norm yang terkendali, maka learning rate kira-kira mengontrol ukuran operator-norm maksimum dari pembaruan matriks .

Ini penting karena operator-norm mengukur amplifikasi terbesar yang dapat diterapkan matriks ke arah masukan. Oleh karena itu, mengendalikan operator-norm pembaruan dapat membuat pelatihan lebih stabil daripada membiarkan pembaruan didominasi oleh beberapa arah singular yang sangat besar .

Interpretasi ini sangat eksplisit dalam teori pelatihan adversarial, di mana pembaruan polar Muon dikatakan menciptakan batas stabilitas spectral-norm untuk setiap pembaruan matriks .

4. Menjelaskan Pelatihan Cepat

Interpretasi teoritis Muon dapat menjelaskan pelatihan cepat melalui penyeimbangan nilai singular. Jika matriks gradien memiliki dekomposisi nilai singular (SVD):

G = U Σ Vᵀ,

maka arah Muon yang ideal kira-kira adalah:

Polar(G) = U Vᵀ.

Ini menghilangkan nilai singular dari arah gradien mentah. Arah singular yang besar diredam relatif terhadap SGD, dan arah singular kecil diperkuat relatif terhadap SGD. Interpretasi praktisnya adalah bahwa Muon dapat membuat kemajuan di banyak arah matriks alih-alih membiarkan hanya mode singular terbesar yang mendominasi .

Ini mengikuti secara alami dari interpretasi spectral/nuclear-norm Muon .

5. Merancang Varian Muon dengan Jaminan

Pekerjaan teoretis juga berguna untuk membuat varian dengan jaminan konvergensi. Analisis error-feedback mempelajari Muon dan optimizer terkait di bawah pilihan norma yang sesuai dan rezim smoothness umum per lapisan . Analisis critical-batch-size dan konvergensi juga mencoba menjelaskan perilaku Muon di berbagai pengaturan pelatihan praktis .

Implikasi praktis:

• Jika pembaruan Muon membuang atau mengubah beberapa informasi gradien, error feedback dapat membantu mengakumulasi bagian yang hilang .
• Jika ukuran batch memengaruhi Muon secara berbeda dari optimizer lain, teori konvergensi dan ukuran batch kritis dapat memandu aturan penskalaan .
• Jika ortogonalisasi perkiraan digunakan, teori dapat menunjukkan seberapa besar kesalahan perkiraan yang dapat diterima .

6. Pelatihan Robust dan Adversarial

Aplikasi langsung adalah pelatihan adversarial. Teori bahwa pembaruan polar Muon menerapkan batas stabilitas spectral-norm menunjukkan bahwa Muon mungkin berguna ketika sensitivitas arah terburuk itu penting .

Ini tidak membuktikan bahwa Muon selalu lebih baik untuk ketahanan adversarial, tetapi memberikan mekanisme: pembaruan operator-norm yang terikat dapat membatasi perubahan tidak stabil dalam transformasi linear model .

7. Memperluas Muon Melampaui Matriks

Interpretasi Muon sebagai steepest descent yang sadar geometri juga menyarankan generalisasi melampaui bobot matriks biasa. Tensorion secara eksplisit dimotivasi sebagai generalisasi Muon yang sadar tensor .

Ini adalah salah satu aplikasi teori yang paling jelas: setelah Muon dipahami secara geometris, peneliti dapat bertanya apa norma, norma ganda, dan pembaruan seperti polar yang benar untuk parameter tensor orde tinggi .

Bukti yang Bertentangan atau Ketidakpastian

• Konsensus terkuat adalah seputar interpretasi spectral/nuclear-norm: beberapa sumber menggambarkan Muon sebagai steepest descent yang dibatasi spectral-norm atau sebagai turunan nuclear-norm Lion-K .
• Ada lebih sedikit kepastian tentang apakah teori ini sepenuhnya menjelaskan kinerja pelatihan transformator skala besar. Hasil yang ada memberikan mekanisme dan jaminan parsial, tetapi pelatihan skala besar mencakup gradien stokastik, lapisan normalisasi, presisi campuran, peluruhan bobot, embedding, dan resep optimizer campuran.
• Klaim stabilitas menjanjikan tetapi spesifik tugas. Teori pelatihan adversarial memberikan mekanisme yang jelas untuk stabilitas spectral-norm, tetapi itu tidak secara otomatis menyiratkan kinerja yang lebih baik di setiap pengaturan pelatihan non-adversarial .
• Analisis konvergensi berguna, tetapi mungkin bergantung pada asumsi yang lebih bersih daripada pelatihan jaringan saraf nyata .

Pertanyaan Terbuka

• Lapisan mana yang harus menggunakan Muon di transformator yang sangat besar: semua lapisan matriks, hanya lapisan tersembunyi, atau hanya proyeksi perhatian/MLP tertentu?
• Bagaimana seharusnya learning rate Muon diskalakan dengan lebar, kedalaman, ukuran batch, dan bentuk matriks?
• Seberapa besar kesalahan ortogonalisasi perkiraan yang dapat ditoleransi sebelum Muon kehilangan keunggulan spektral-norm-nya?
• Dapatkah teori Muon disatukan dengan adaptivitas ala AdamW, peluruhan bobot, normalisasi, dan momentum dalam satu teori pelatihan skala besar?
• Apakah mekanisme stabilitas spectral-norm secara konsisten meningkatkan ketahanan, atau hanya dalam rezim pelatihan adversarial tertentu?

Sumber yang Paling Dapat Dipercaya

• Makalah spectral-norm dan nuclear-norm adalah yang paling penting untuk memahami interpretasi teoretis inti Muon .
• Tensorion berguna untuk melihat bagaimana teori memotivasi desain optimizer baru melampaui matriks .
• Makalah pelatihan adversarial berguna untuk memahami aplikasi stabilitas dari pembaruan polar Muon .
• Analisis error-feedback berguna untuk memahami bagaimana mempertahankan konvergensi saat menggunakan pembaruan gaya Muon yang ditransformasikan .
• Derivasi Muon berguna untuk konteks praktis dan untuk memahami mengapa peneliti memandang metode ini dapat diperluas ke jenis lapisan baru .

Langkah Selanjutnya yang Direkomendasikan

Jika Anda menulis tinjauan literatur, atur "aplikasi teori" menjadi lima subbagian:

1. Pemilihan Lapisan: mengapa Muon digunakan untuk lapisan bernilai matriks.
2. Panduan Hiperparameter: learning rate sebagai kontrol ukuran langkah spektral-norm.
3. Desain Optimizer: varian Muon seperti ekstensi sadar tensor atau sadar Fisher.
4. Stabilitas dan Ketahanan: batas pembaruan spektral-norm dan pelatihan adversarial.
5. Konvergensi dan Implementasi: error feedback, ukuran batch kritis, dan pembaruan perkiraan.

Ringkasan

Interpretasi teoretis Muon memiliki aplikasi praktis dalam desain optimizer, pemilihan lapisan, penalaran learning rate, analisis stabilitas, ketahanan, teori konvergensi, dan perluasan ke tensor atau parameter terstruktur. Interpretasi yang paling berguna adalah bahwa Muon melakukan steepest descent sadar matriks di bawah geometri spectral/nuclear-norm, yang menjelaskan mengapa ia sangat cocok untuk lapisan jaringan saraf bernilai matriks . Teorinya sudah digunakan untuk merancang optimizer baru, menganalisis stabilitas, dan membangun jaminan konvergensi, tetapi teori lengkap untuk pelatihan transformator skala besar masih terbuka .