arXiv:2512.08217v1 Announce Type: new 
Abstract: Decoupled weight decay, solely responsible for the performance advantage of AdamW over Adam, has long been set to proportional to learning rate $\gamma$ without questioning. Some researchers have recently challenged such assumption and argued that decoupled weight decay should be set $\propto \gamma^2$ instead based on orthogonality arguments at steady state. To the contrary, we find that eliminating the contribution of the perpendicular component of the update to the weight norm leads to little change to the training dynamics. Instead, we derive that decoupled weight decay $\propto \gamma^2$ results in stable weight norm based on the simple assumption that updates become independent of the weights at steady state, regardless of the nature of the optimizer. Based on the same assumption, we derive and empirically verify that the Total Update Contribution (TUC) of a minibatch under the Scion optimizer is better characterized by the momentum-dependent effective learning rate whose optimal value transfers and we show that decoupled weight decay $\propto \gamma^2$ leads to stable weight and gradient norms and allows us to better control the training dynamics and improve the model performance.

دراسة حديثة تتحدى النهج التقليدي لوزن الانخفاض المنفصل في خوارزميات التحسين، حيث تتساءل عن الافتراض الذي ظل قائمًا لفترة طويلة بأن الوزن يجب أن يكون متناسبًا مع معدل التعلم. تقترح الأبحاث أن يكون التناسب مع مربع معدل التعلم أكثر ملاءمة، بناءً على حجج الاستقامة في الحالة الثابتة. ومع ذلك، تشير النتائج إلى تأثير ضئيل على ديناميات التدريب عند إزالة المكون العمودي للتحديثات.

Un estudio reciente desafía el enfoque convencional sobre la decadencia de peso desacoplada en los algoritmos de optimización, cuestionando la suposición de que debería ser proporcional a la tasa de aprendizaje. La investigación sugiere que una proporcionalidad al cuadrado de la tasa de aprendizaje podría ser más adecuada, basada en argumentos de ortogonalidad en estado estacionario. Sin embargo, los hallazgos indican un impacto mínimo en la dinámica de entrenamiento cuando se elimina la componente perpendicular de las actualizaciones.

Une étude récente remet en question l'approche conventionnelle de la décadence de poids découplée dans les algorithmes d'optimisation, en interrogeant l'hypothèse longtemps tenue selon laquelle elle devrait être proportionnelle au taux d'apprentissage. La recherche suggère qu'une proportionnalité au carré du taux d'apprentissage pourrait être plus appropriée, basée sur des arguments d'orthogonalité à l'état stationnaire. Cependant, les résultats indiquent un impact minimal sur la dynamique d'entraînement lorsque la composante perpendiculaire des mises à jour est supprimée.

A recent study challenges the conventional approach to decoupled weight decay in optimization algorithms, specifically questioning the long-held assumption that it should be proportional to the learning rate. The research suggests that a proportionality to the square of the learning rate may be more appropriate, based on steady-state orthogonality arguments. However, findings indicate minimal impact on training dynamics when the perpendicular component of updates is removed.

Correction of Decoupled Weight Decay

Was this article worth reading? Share it

LucidQuery AI

Augmeta

Deltabadger