元鉴
返回中文阅读流

arXiv

TailLoR:在参数高效的持续学习中保护主成分

TailLoR利用预训练权重的奇异基作为固定参考框架,学习作用于奇异值矩阵的低秩更新,并用软谱惩罚减少干扰。

中文内容

已翻译professional source英文原文2026-06-06

计算机科学 > 机器学习

[提交于 2026年6月4日]

标题:TailLoR:在参数高效的持续学习中保护主成分

View PDF HTML (experimental)
摘要:基于谱分解的参数高效微调方法推动了持续学习的发展。本文介绍 TailLoR,它利用预训练权重的奇异基 U 和 V 作为固定参考框架,学习应用于奇异值矩阵的低秩更新。软谱惩罚会抑制与主导奇异方向对齐的更新,从而减少干扰,同时将细粒度适配引导至高度灵活的长尾谱坐标中。
Subjects: 机器学习(cs.LG) Cite as: arXiv:2606.06494 [cs.LG]   (or arXiv:2606.06494v1 [cs.LG] for this version)   https://doi.org/10.48550/arXiv.2606.06494
聚焦以了解更多
arXiv-issued DOI via DataCite (pending registration)

提交历史

From: Marius Dragoi [view email]
[v1] Thu, 4 Jun 2026 17:59:55 UTC (831 KB)
全文链接:

访问论文:

当前浏览上下文:

正文:cs.LG
< prev   |   next >
Change to browse by:
cs

参考文献与引用

  • 正文:NASA ADS
  • 正文:Google Scholar
  • 正文:Semantic Scholar
export BibTeX citation 加载中...

BibTeX 格式引用

×
加载中...
数据提供方:

书签

BibSonomy Reddit
Bibliographic Tools

文献与引用工具

文献浏览器切换
文献浏览器 (What is the Explorer?)
Connected Papers 切换
正文:Connected Papers (What is Connected Papers?)
Litmaps 切换
正文:Litmaps (What is Litmaps?)
scite.ai 切换
scite 智能引用 (What are Smart Citations?)
Code, Data, Media

与本文相关的代码、数据和媒体

alphaXiv 切换
正文:alphaXiv (What is alphaXiv?)
代码链接切换
CatalyzeX 论文代码查找器 (What is CatalyzeX?)
DagsHub 切换
正文:DagsHub (What is DagsHub?)
GotitPub 切换
正文:Gotit.pub (What is GotitPub?)
Huggingface 切换
正文:Hugging Face (What is Huggingface?)
ScienceCast 切换
正文:ScienceCast (What is ScienceCast?)
Demos

演示

Replicate 切换
正文:Replicate (What is Replicate?)
Spaces 切换
正文:Hugging Face Spaces (What is Spaces?)
Spaces 切换
正文:TXYZ.AI (What is TXYZ.AI?)
Related Papers

推荐与搜索工具

链接到 Influence Flower
正文:Influence Flower (What are Influence Flowers?)
CORE 推荐器 (What is CORE?)
IArxiv 推荐器切换
IArxiv 推荐器 (What is IArxiv?)
  • 作者
  • 会议/期刊
  • 机构
  • 主题
About arXivLabs

arXivLabs:与社区合作者开展的实验性项目

arXivLabs 是一个框架,允许合作者直接在我们的网站上开发并分享新的 arXiv 功能。

与 arXivLabs 合作的个人和组织都认同并接受我们关于开放、社区、卓越和用户数据隐私的价值观。arXiv 致力于这些价值观,并且只与遵循这些价值观的合作伙伴合作。

有一个能为 arXiv 社区增加价值的项目想法?了解更多关于 arXivLabs 的信息。

原文标题

TailLoR: Protecting Principal Components in Parameter-Efficient Continual Learning