PRoLoRA: Partial Rotation Empowers More Parameter-Efficient LoRA

本文是LLM系列文章，针对《PRoLoRA: Partial Rotation Empowers More Parameter-Efficient LoRA》的翻译。

摘要

随着大型语言模型（LLM）的快速扩展，同时服务于众多低秩自适应（LoRA）变得越来越不切实际，导致成本过高，需要更具参数效率的微调方法。在这项工作中，我们引入了部分旋转增强的低秩自适应（PRoLoRA），这是一种层内共享机制，包括四个基本组成部分：广播减少、旋转增强、部分共享细化和纠正初始化策略。作为LoRA的超集，PRoLoRA保留了其优点，并有效地规避了对等参数共享方法的缺点，具有卓越的模型容量、实用可行性和广泛的适用性。实证实验表明，在特定的参数预算和性能目标场景中，PRoLoRA的参数效率显著提高，并且可以扩展到更大的LLM。值得注意的是，在可训练参数减少一倍的情况下，PRoLoRA在多指令调优数据集上仍然优于LoRA。随后，进行了一项消融研究，以验证单个成分的必要性，并强调PRoLoRA优于三种潜在变体。希望显著更高的参数效率可以将PRoLoRA确立为LoRA的资源友好型替代品。

1 引言

2 相关工作

3 方法

4 实验

5 结论

针对多LoRA场景中更轻量级的服务，我们引入了PRoLoRA，这是一种更有效的方法，具有由广播减少、旋转增强、部分共享细化和纠正初始化策略组成的层内共享机制。根据经验，我们验证