arXiv · cs.AI· Arnav Chavan, Kusha Sareen, Rishabh Tiwari, Abhranil Chandra, Johan Obando-Ceron, Kurt Keutzer, Scott Niekum, Inderjit S Dhillon, Devvrit Khatri·· 7 小时前
研究提出Subspace Tuning通过限制权重更新缓解大语言模型遗忘
Towards Continual Learning: Mitigating Forgetting With Subspace Tuning
arXiv:2610.22293v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Arnav Chavan, Kusha Sareen, Rishabh Tiwari, Abhranil Chandra, Johan Obando-Ceron, Kurt Keutzer, Scott Niekum, Inderjit S Dhillon, Devvrit Khatri
研究任务与主要进展
研究作者提出Subspace Tuning（SST），将大语言模型微调中的权重更新限制在权重矩阵的底部奇异子空间，避免沿主奇异方向更新，以缓解灾难性遗忘。基于论文摘要，SST可与SFT和自蒸馏等微调方法组合；保护至多99%的权重子空间时，能力保持和目标任务性能同时改善，KL漂移较基线减少2--4倍，并在大模型规模下接近消除遗忘，但材料未说明实验规模、基准和详细比较条件。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org