MuLoRA：谱平衡低秩适配用于持续学习

研究者 Junkang Liu 等人提出 MuLoRA，一种面向持续学习的低秩适配方法，针对 LoRA 在持续学习中出现的“谱可塑性崩溃”问题，通过历史白化与动量更新的近似极正交化，联合控制低秩空间的容量分配与利用。 在五个类增量基准、八种增量设置共 16 项指标中，MuLoRA 在其中 15 项取得最高平均准确率。该结果来自论文报告，尚未经独立验证。

AI 根据报道生成 · 14 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。