LoRA缩放建议及全参等效性遭质疑
热点事件持续更新
LoRA缩放建议及全参等效性遭质疑
2 篇报道1 个报道来源42 分钟前更新
先了解这件事
AI 综述
thebasepoint发布LoRA学习动力学研究称，训练初期简单任务下各rank同步移动，增大rank相当于提高有效学习率，因此alpha应固定，不宜随rank缩放；其U形曲线发现还可能取决于alpha取值与数据集规模。 他并指出，LoRA权重分解W=AB存在二次效应，没有任何学习率能让LoRA等效于全参数微调，因而质疑早期关于alpha与rank同步缩放的建议。这些结论来自其研究及与原论文作者的交流，目前呈现的是研究者的主张。
AI 根据报道生成 · 25 分钟前更新
最新进展11月7日 00:35
研究称 LoRA 的 alpha 不应随 rank 缩放且无法等效全参微调报道时间线
沿着报道，了解事件的不同侧面。
11月7日
- AGI Hunt研究称 LoRA 的 alpha 不应随 rank 缩放且无法等效全参微调
thebasepoint 的研究指出，LoRA 训练初期各 rank 同步移动，增大 rank 相当于提高有效学习率，因此 alpha 应固定而非随 rank 缩放。由于 W=AB 存在二次效应，不存在任何学习率能让 LoRA 等效于全参数微调，早期关于 alpha/rank 缩放的建议并不合理。
- AGI HuntLoRA 各 rank 起步同步移动，rank 越大等效学习率越高
thebasepoint 分享了对 LoRA 学习动力学的独立发现，并与原论文作者交流：训练开始时，简单任务下所有 rank 呈同步移动，rank 增大等效于提高有效学习率。他指出，一篇论文发现的 LoRA rank 与「潜意识迁移」效应的 U 形曲线，可能源于 alpha 取值与数据集规模的选择。
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。