LoRA、完全微调到底有何不同？MIT 21页论文讲明白了

主要观点总结

本文介绍了两种微调大型语言模型的方法：完全微调和低秩自适应（LoRA）之间的差异。两种方法都用于将预训练模型适应特定的下游任务，但它们有所不同。文章探讨了这两种方法如何改变模型，以及它们在实际应用中的表现差异。

关键观点总结

关键观点1: 完全微调和低秩自适应（LoRA）的目的和方法

两种微调大型语言模型的方法，旨在将预训练模型适应特定的下游任务。LoRA旨在以较低的参数数量达到与完全微调相当的性能。

关键观点2: 研究内容和主要发现

来自MIT的研究者在论文中研究了完全微调与LoRA产生的权重矩阵奇异值分解结构的差异，以及这两种方法在面对超出适应任务分布的测试时的表现。研究发现，LoRA模型出现了侵入维度，这是一种新的高秩奇异向量，而在完全微调中则不会出现。尽管在某些任务上LoRA表现出良好的性能，但完全微调模型表现出更强的泛化能力和鲁棒性。

关键观点3: LoRA和完全微调的结构和行为差异

LoRA和完全微调在结构上产生不同的参数更新，这种差异由侵入维度的存在产生。行为上，与完全微调相比，具有侵入维度的LoRA微调模型会忘记更多的预训练分布，并且表现出较差的稳健连续学习能力。

关键观点4: 不同秩的LoRA微调的表现

低秩的LoRA（r ≤ 8）适合下游任务分布，而完全微调和高秩的LoRA（r = 64或更高）使模型具有更强的泛化能力。但利用更高的秩需要稳定的参数化。

文章预览

来源：机器之心 本文 约2500字 ，建议阅读 5分钟 本文旨在了解两种微调大型语言模型方法之间的差异：完全微调和低秩自适应 (LoRA)。 本文旨在了解两种微调大型语言模型方法之间的差异：完全微调和低秩自适应 (LoRA)。这两种方法都用于将预训练模型适应特定的下游任务，但它们却有所不同。 微调（Fine-tuning）是将经过预训练的大语言模型应用于下游任务的关键范例。最近，低秩自适应 (LoRA) 等方法已被证明可以在各种任务上达到完全微调模型的性能，同时可训练参数的数量却大大减少。 这就提出一个问题，即它们学到的解决方案真的等效吗？ 带着这一疑问，来自 MIT 的研究者在论文《 LORA VS FULL FINE-TUNING: AN ILLUSION OF EQUIVALENCE 》中进行了深入探讨。 论文地址： https://arxiv.org/pdf/2410.21228v1 作者通过分析预训练模型权重矩阵的光谱特性来研究不同的 ………………………………