AFLoRA: Adaptive Federated Fine-Tuning of Large Language Models with Resource-Aware Low-Rank

文章主要内容

本文针对异构资源和非独立同分布（Non-IID）数据环境下大型语言模型（LLMs）的联邦微调问题，提出了一种名为AFLoRA的自适应轻量级联邦微调框架。该框架通过以下核心机制解决现有挑战：

1. 解耦更新机制：将LoRA的低秩矩阵分解为共享矩阵A（服务器端优化）和客户端特定矩阵B（客户端优化），减少聚合干扰并平衡泛化能力与领域知识。
2. 基于对角矩阵的动态秩剪枝：引入可学习的对角矩阵Λ，根据客户端数据特征和资源动态调整有效秩，剔除低信息维度，降低冗余和通信开销。
3. 秩感知聚合与公共数据优化：通过零填充对齐不同秩的矩阵，结合数据规模和秩权重进行聚合，并利用服务器端公共数据优化共享矩阵A，提升模型在Non-IID场景下的泛化能力。

实验结果表明，在通用数据集（如WizardLM、Databricks-Dolly）和领域数据集（如FinGPT-Sentiment、AG News）上，AFLoRA相比FLoRA、HETLoRA、FlexLoRA等基线方法，在模型准确率和计算/通信成本上均表现更优，尤其在异构资源和Non-IID数据分布下优势显著。

文章创新点

1. 解耦式LoRA架构：分离共享矩阵A和客户端矩阵