Subspace Tuning缓解微调遗忘
热点事件持续更新
Subspace Tuning缓解微调遗忘
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Subspace Tuning（SST）研究团队在arXiv论文中提出一种大语言模型微调方法，将权重更新限制在底部奇异子空间内，避免改动主奇异方向，以缓解微调导致的灾难性遗忘。论文实验显示，该方法比正交微调更能保留旧能力，保护约99%的权重子空间即可显著提升旧能力保留，且模型和数据规模越大，效果越好。 SST结合紧凑子空间保护、稠密梯度估计和刷新机制，也可与监督微调、自蒸馏等流程叠加。
AI 根据报道生成 · 1 小时前更新
最新进展10月23日 04:58
Subspace Tuning（SST）：限制权重更新以缓解 LLM 灾难性遗忘报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- AGI HuntSubspace Tuning（SST）：限制权重更新以缓解 LLM 灾难性遗忘
论文提出 Subspace Tuning（SST），将每次权重更新限制在底部奇异子空间、不改动主奇异方向，以缓解大语言模型微调中的灾难性遗忘。它结合紧凑子空间保护、稠密梯度估计与刷新机制，优于正交微调方法，并可叠加 SFT、自蒸馏等流程。保护约 99% 的权重子空间即可显著提升旧能力保留，模型与数据规模越大效果越好。
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。