这是9月发布的一篇论文，Pagliardini等人在其论文中提出了一种新的优化算法——AdEMAMix。这种算法旨在解决当前广泛使用的Adam及其变体（如AdamW）在利用长期梯度信息方面的局限性。研究者们通过巧妙地结合两个不同衰减率的指数移动平均（EMA），设计出了这种新的优化器，以更有效地利用历史梯度信息。
研究动机
作者们指出，传统的动量优化器通常使用单一EMA来累积过去的梯度，这种方法面临一个两难困境：
- 较小的衰减率（β）会导致优化器对近期梯度给予较高权重，但快速遗忘旧梯度。
- 较大的衰减率可以保留更多旧梯度信息，但会减慢对近期梯度的响应。
研究者们发现，即使在数万步训练之后，梯度信息仍然可能保持有用。这一发现促使他们设计了AdEMAMix，以同时利用近期和远期的梯度信息。
AdEMAMix算法
核心思想
AdEMAMix的核心在于使用两个EMA项：
- 快速EMA（低β值）: m₁ = β₁m₁ + (1-β₁)g
- 慢速EMA（高β值）: m₂ = β₃m₂ + (1-β₃)g
其中g为当前梯度，β₁和β₃分别为快速和慢速EMA的衰减率。
参数更新规则
作者们给出了AdEMAMix的参数更新规则：
θ = θ - η((m̂₁ + αm₂) / (√v̂ + ε) + λθ)
其中θ为模型参数，η为学习率，α为权衡两个EMA项的系数，v̂为Adam中的二阶矩估计，λ为权重衰减系数。
https://avoid.overfit.cn/post/aec60154f99a42ab81274c7f7afe15f3
标签：EMA,AdEMAMix,信息,神经网络,梯度,优化,衰减 From： https://www.cnblogs.com/deephub/p/18428386