---
title: "DDCAdam (Dead-Direction-Calibrated Adam)"
created: 2026-06-10
updated: 2026-06-10
type: concept
tags: ["deep-learning", "optimization", "adam", "gauge-symmetry", "fisher-metric"]
sources: ["[[dead-directions-geometric-singular-learning]]"]
---

# DDCAdam (Dead-Direction-Calibrated Adam)

**DDCAdam** 是 [[dead-directions-geometric-singular-learning|Shirodkar (2026)]] 提出的 G-等变 Adam 族预条件子，解决标准 Adam 无法保持 loss 对称性的问题。

## 动机：Gauge 商定理

在 G-不变度量上的梯度流下，[[dead-direction|dead direction]] 的速率可传递到商空间 Theta/G：
- **SGD** 符合条件（其隐式正则化保持对称性）
- **标准 Adam 不符合**——其逐坐标自适应破坏了 G-等变性

## DDCAdam 的设计

使 Adam 的预条件子与 loss 对称群 G 兼容：

1. 识别网络的对称性结构（缩放、置换等）
2. 构造保持 G-等变性的自适应学习率
3. 在 dead direction 分析中正确传递速率

## 为什么重要

- 标准 Adam 会"干扰"奇异几何——破坏了 dead direction 的自然结构
- DDCAdam 保留了训练轨迹中的奇异几何信息
- 使 [[watanabe-triple|Watanabe 三元组]]的轨迹读取成为可能

## 实践建议

如果使用 Adam 训练网络，且希望进行 SLT 分析：
1. 切换到 DDCAdam（保持 G-等变性）
2. 或使用 SGD + momentum
3. **不要**使用标准 Adam——它会破坏奇异几何信号

## 参考
- [[dead-directions-geometric-singular-learning|Dead Directions]]
- [[dead-direction|Dead Direction]]
- [[watanabe-triple|Watanabe's Triple]]
- [[fisher-information-metric|Fisher Information Metric]]