PulseAugur
中
实时 09:22:41
English(EN) Rethinking Factor Sharing in Federated LoRA: A Rank-Aware Adaptive Approach

联邦 LoRA 方法通过新的自适应方法优化因子共享

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种用于大型语言模型的联邦学习新方法 FedAS-LoRA，该方法优化了低秩适应 (LoRA) 因子的共享。该方法分析 LoRA 的矩阵因子 A 和 B 的不对称作用，以确定跨客户端共享因子 A 或因子 B 是否能带来更好的微调性能。提出了一种新的指标，即感知秩共享子空间充分性 (RSS)，用于在训练开始前自适应地选择最佳共享策略。实验表明，在 RSS 的指导下，FedAS-LoRA 在各种任务和设置中均优于现有方法。 AI

影响 这项研究可能导致在分布式环境中更有效、更高效地微调大型语言模型。

排序理由 该集群包含一篇详细介绍联邦学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

联邦 LoRA 方法通过新的自适应方法优化因子共享

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Xinyi Xu, Bingnan Xiao, Shuang Qin, Gang Feng, Tony Q. S. Quek ·

    联邦 LoRA 中的因子共享重思：一种秩感知自适应方法

    arXiv:2608.09742v1 Announce Type: cross Abstract: Low-rank adaptation (LoRA) represents large language model (LLM) updates with two compact matrix factors, i.e., $A$ and $B$, providing an efficient way to fine-tune large models in federated learning paradigm. Inspired by the asym…

相关实体

相关话题