今日arXiv最热大模型论文：LoRA又有新用途，学得少忘得也少，成持续学习关键！

自大模型（LLM）诞生以来，苦于其高成本高消耗的训练模式，学界和业界也在努力探索更为高效的参数微调方法。其中Low-Rank Adaptation（LoRA）自其诞生以来，就因其较低的资源消耗而受到广泛关注和使用。

LoRA通过学习低秩扰动（low-rank perturbations），从而在使用大模型适配下游任务时，只需要训练少量的参数即可达到一个很好的效果。尽管LoRA在资源效率上有明显优势，但其在处理复杂领域任务时的性能表现如何，尚未有定论。本文旨在填补这一空缺，以编程和数学两个具有挑战性的领域任务为例，探讨LoRA与全参数微调的性能。

论文标题:
LoRA Learns Less and Forgets Less

论文链接:
https://arxiv.org/pdf/2405.09673

3.5研究测试：
hujiaoai.cn
4研究测试：
askmanyai.cn
Claude-3研究测试：
hiclaude3.com

LoRA方法概述

LoRA的思想非常简单，对于神经网络中的某些线性层（比如 Transformer 架构中的多头自注意力的权重矩阵 Q，K，V 或者前馈神经网络层的 W），不是直接对这些大参数矩阵的所有元素进行更新，而是引入较小的矩阵 A 和 B，并使得这些较小的矩阵 A 和 B 的乘积可以近似描述原始矩阵 W 的变化。

由于r远远小于d,k，仅的参数需要运算，这远远小于更新原参数矩阵所需的运算量。而当训练好新的参数后，利用重参数（reparametrization）的方式，将新参数和原模型参数合并，这样既能在新任务上到达微调整个模型的效果，又不会在推断的时候增加推理的耗时。

实验设置

本文选定了编程和数学两类任务，并分别采用了Starcoder数据的Python部分（20B tokens）和OpenWebMath数据的子集（8.59B tokens）用于编程和数学任务的持续预训练（Continue Pretraining, CPT）; Magicoder-Evol-Instruct-110k数据（72.97M tokens）和MetaMathQA数据（103M tokens）用于编程和数学任务的指令微调（Instruction Finetuning）。对应地，本文选用了HumanEval（164个问题）和GSM8K数据集的测试部分（1319个样本）作为编程和数学任务的测评数据集。

此外，本文还采用了HellaSwag、WinoGrande和ARC-Challenge数据集，分别用于评估经过不同训练方式后，模型对于推理、常识推断和科学概念的遗忘程度。

实验结果

1. 在编程和数学任务中的表现

在编程和数学任务中，LoRA相比全参数微调表现出明显的劣势。尽管如此，LoRA在数学任务中表现稍好，能够在一定程度上缩小与全参数微调之间的差距。例如，在编程的持续预训练设定下，使用16B tokens的LoRA在HumanEval基准测试中的最高得分为0.175，而全参数微调在使用1B tokens时的得分就已经达到了0.172，更是在16B tokens达到0.25以上。在数学的指令微调设定下，LoRA在4个训练周期后的GSM8K得分为0.622，与全参数微调的效果峰值仅相差了2个百分点（0.642）。

2. 在遗忘问题上的表现

总的来说，LoRA在遗忘问题上表现出比全参数微调更好的性能。此外，实验还发现：（1）相比于持续预训练，指令微调带来了更严重的遗忘问题；（2）在编程任务上训练以后，带来的遗忘相比在数学任务上训练要更为严重；（3）随着训练数据量的增大，遗忘问题趋于严重。

下图中的点表示不同训练阶段的个体模型在下游任务(编程/数学)和遗忘方面的表现，相比全参数微调，LoRA学会的东西较少（y轴上的值较低），但遗忘也相对更少（x轴上的值更高）。

3. LoRA的正则化特性

LoRA提供了比经典正则化技术，如权重衰减和dropout，更强的正则化效果。尽管在下游任务上LoRA的表现低于大多数正则化方法（左图），但在遗忘上又优于所有正则化方法（右图）。

此外，在对编程任务的指令微调设定下，LoRA在生成多样性上表现更好，维持了与基础模型更相似的多样化解决方案。这表明LoRA在输出层面提供了正则化，有助于保持更多样化的生成结果。

4. 对编程和数学的全参数微调不会学习低阶扰动

本文探讨了全参数微调在编程和数学任务中，是否倾向于学习低秩扰动。这是对LoRA方法的一个核心假设的检验，即微调大模型时，权重矩阵的扰动通常是低秩的。

通过对基础模型的权重矩阵、全参数微调后的权重矩阵，以及两者之间的差异（扰动）进行奇异值分解（Singular Value Decomposition，SVD）分析，发现即使是在早期的训练阶段（例如0.25B tokens时），全参数微调产生的权重矩阵扰动的秩也比典型LoRA高10到100倍。而随着训练数据的增加，扰动的秩也随之增加。此外，多层感知机（MLP）模块的扰动秩通常比注意力（Attention）模块的秩要高。模型的第一层和最后一层相比中间层倾向于有更低的秩。

在编程和数学任务中，全参数微调通常不会学习到低秩的权重扰动，这与LoRA方法的假设相悖。这部分的研究结果对LoRA方法在面对类似编程或数学等复杂任务时的有效性提出了质疑。它表明，为了在这些领域达到与全参数微调相当的性能，可能需要考虑更高秩的扰动，这可能会影响LoRA方法的内存效率和适用性。

一方面，本文发现全参数微调找到的权重扰动远非低秩，这表明LoRA的低秩扰动假设可能不适用于所有情况。另一方面，本文也讨论了所用谱分析方法的局限性，指出全参数微调倾向于找到高秩解并不意味着低秩解是不可能的，而是说它们通常不是微调过程中的首选。

结论与实践建议

LoRA的最佳实践

LoRA作为一种参数高效的微调方法，尽管在某些情况下未能达到全参数微调的性能，但它在正则化和保持源性能方面表现出色。根据研究，LoRA在学习率选择上表现出较高的敏感性。与全参数微调相比，LoRA需要更高的学习率才能实现最佳性能，但学习率过高又可能会导致训练发散。此外，选择要学习扰动的“目标模块”比选择秩大小（rank）更为重要。选择“所有”（Attention、MLP和它们的联合）模块的微调效果优于仅针对“MLP”或“Attention”模块的微调。

如果要使用LoRA，本文推荐在指令微调阶段使用，而不是在持续预训练阶段，并建议至少训练四个周期（epochs），以充分利用LoRA的潜力。尽管秩的影响较为微妙，但较高的秩（例如256）通常优于较低的秩（例如16），在性能和内存使用之间寻找平衡点，如果内存资源有限，可以选择较低的秩。

由于LoRA在保持输出多样性方面也显示出优势，在生成任务中，与全参数微调相比，LoRA能够维持更高的解决方案多样性，这对于避免过拟合和增强模型泛化能力是非常有益的。