ترجمه فارسی مقاله NoRA: سازگاری با رتبه پایین تودرتو برای مدل‌های بزرگ با تنظیم دقیق کارآمد

چکیده

In this paper, we introduce Nested Low-Rank Adaptation (NoRA), a novel approach to parameter-efficient fine-tuning that extends the capabilities of Low-Rank Adaptation (LoRA) techniques. Vanilla LoRA overlooks pre-trained weight inheritance and still requires fine-tuning numerous parameters. To addresses these issues, our NoRA adopts a dual-layer nested structure with Singular Value Decomposition (SVD), effectively leveraging original matrix knowledge while reducing tunable parameters. Specifically, NoRA freezes the outer LoRA weights and utilizes an inner LoRA design, providing enhanced control over model optimization. This approach allows the model to more precisely adapt to specific tasks while maintaining a compact parameter space. By freezing outer LoRA weights and using an inner LoRA design, NoRA enables precise task adaptation with a compact parameter space. Evaluations on tasks including commonsense reasoning with large language models, fine-tuning vision-language models, and subject-driven generation demonstrate NoRA’s superiority over LoRA and its variants. Code will be released upon acceptance.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما سازگاری با رتبه پایین (NORA) تو در تو را معرفی می کنیم ، یک رویکرد جدید برای تنظیم دقیق پارامترهای کارآمد که قابلیت تکنیک های سازگاری با رتبه پایین (LORA) را گسترش می دهد.وانیل لورا از وراثت وزن از قبل آموزش دیده است و هنوز هم به تنظیم دقیق پارامترهای بی شماری نیاز دارد.برای پرداختن به این موضوعات ، نورا ما یک ساختار لانه دو لایه را با تجزیه ارزش مفرد (SVD) اتخاذ می کند ، و به طور موثری دانش ماتریس اصلی را در حالی که پارامترهای قابل تنظیم را کاهش می دهد ، استفاده می کند.به طور خاص ، نورا وزن های بیرونی LORA را منجمد می کند و از یک طراحی داخلی LORA استفاده می کند ، و کنترل پیشرفته ای بر بهینه سازی مدل ارائه می دهد.این روش به مدل اجازه می دهد تا ضمن حفظ فضای پارامتر جمع و جور ، به طور دقیق تر با کارهای خاص سازگار شود.NORA با انجماد وزنهای بیرونی LORA و استفاده از یک طراحی داخلی LORA ، سازگاری دقیق کار را با یک فضای پارامتر جمع و جور امکان پذیر می کند.ارزیابی در مورد وظایف از جمله استدلال عوام با مدل های بزرگ زبان ، مدل های تنظیم دقیق و بینایی ، و نسل سوژه محور ، برتری نورا نسبت به لورا و انواع آن را نشان می دهد.کد پس از پذیرش آزاد می شود.