LoDA：LoRA持续学习子空间分解方法
热点事件持续更新
LoDA：LoRA持续学习子空间分解方法
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Lingfeng He 等人发表论文提出 Low-rank Decomposition and Adaptation（LoDA），一种面向 LoRA 持续学习的任务驱动子空间分解方法，目标是在任务间兼顾知识共享与隔离。 研究者称，现有 LoRA 持续学习方法忽视任务共享方向，且旧任务的零空间基在相关任务下近乎失效。LoDA 从投影能量视角研究 LoRA 的学习能力，据此进行子空间分解与适配。 论文发表于 arXiv cs.LG，作者未在摘要中给出实验结果或与其他方法的定量对比。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
LoDA：面向 LoRA 持续学习的任务驱动子空间分解，兼顾知识共享与隔离报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.LGLoDA：面向 LoRA 持续学习的任务驱动子空间分解，兼顾知识共享与隔离
针对 LoRA 持续学习方法忽视任务共享方向、且旧任务零空间基在相关任务下近乎失效的问题，研究者从投影能量视角提出 Low-rank Decomposition and Adaptation（LoDA）。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。