Contact
Algerie - Plateforme academique nationale
...
Préparez votre séjour scientifique

Laboratoire d’accueil · Lettre d’accueil · Orientation du dossier

En savoir plus

IA & Recherche · arXiv Machine Learning · publications

The Spectral Lifecycle of Transformer Training: Transient Compression Waves, Persistent Spectral Gradients, and the Q/K--V Asymmetry

Extrait de la source

Cette page structure un contenu IA & recherche pour faciliter la lecture, la citation et la vérification par les chercheurs, étudiants et moteurs IA.

arXiv:2604.22778v1 Announce Type: new Abstract: We present the first systematic study of weight matrix singular value spectra \emph{during} transformer pretraining, tracking full SVD decompositions of every weight matrix at 25-step intervals across three model scales (30M--285M parameters). We discover three phenomena: \textbf{(1)~Transient Compression Waves:} stable rank compression propagates as a traveling wave from early to late layers, creating a dramatic gradient that peaks early then \emph{reverses} -- late layers eventually over-compress past early layers. \textbf{(2)~Persistent Spectral Gradients:} the power-law exponent~$\alpha$ develops a permanent depth gradient forming a non-monotonic inverted-U in deeper models, with peaks shifting toward earlier layers as depth increases. \textbf{(3)~Q/K--V Functional Asymmetry:} value/output projections compress uniformly while query/key projections carry the full depth-dependent dynamics. The dissociation between transient compression and persistent spectral shape reveals that \emph{rank and spectral shape encode fundamentally different information about training}. We formalize this as a two-timescale dynamical model and derive scaling laws ($\Delta\alpha \propto L^{0.26}$, $R^2{=}0.99$). We validate on nine models across three families (custom, GPT-2, Pythia; 30M--1B parameters; 8--36 layers), demonstrate that $\alpha$ predicts layer importance ($\rho{=}0.69$--$0.84$, $p{<}0.02$), and show that spectral-guided pruning outperforms Last-N heuristics by $1.1{\times}$--$3.6{\times}$ across seven models in two families (GPT-2 124M--774M, Pythia 160M--1B), with worst-vs-best gaps up to $23.7{\times}$ confirming the causal role of spectral structure.

Votre atelier DzCademia

Vérifier une méthode ou une promesse de publication

Une vidéo ou un outil de choix de revue peut servir à présélectionner des titres, pas à garantir une acceptation. Vérifiez l’identité de la revue, le périmètre, le guide auteur et les frais sur ses pages officielles. Ne choisissez pas une revue uniquement sur une promesse de rapidité ou un indicateur isolé.

Un exercice concret

Comparez deux revues sur votre question précise : adéquation scientifique, types d’articles, instructions et conditions vérifiées. Gardez les points inconnus comme des questions à résoudre.

Repères de cette fiche
Sujet
The Spectral Lifecycle of Transformer Training: Transient Compression Waves, Persistent Spectral Gradients, and the Q/K--V Asymmetry
Site source
arxiv.org
Date de publication à la source
2026-04-28
Date de collecte sur DzCademia
2026-04-28
Mon plan de préparation

Liste personnelle indicative, distincte des pièces ou règles officielles. Vos cases restent sur cet appareil ; aucun compte nécessaire.

0 / 5 étapes cochées

Consulter la source

Conseils et exercices DzCademia, distincts du résumé et des exigences de la source. Aide structurée avec assistance automatisée ; elle ne vaut ni validation scientifique ni promesse de sélection. Source consultée le 2026-10-28.

Voir la source originale

Source officielle ou originale : arXiv Machine Learning. Vérifiez toujours les détails sur la source primaire.

Retour IA & Recherche
369
Manifestations recensees
1419428
Visites cumulees
2134
Visites aujourd'hui