MuLoRA：面向持续学习的谱平衡低秩适配方法
Get the story
2026年10月5日，研究者在 arXiv（Machine Learning Theory）发布 MuLoRA，一种面向持续学习的谱平衡低秩适配方法。该方法针对 LoRA 在序列适配中出现的“谱可塑性坍缩”问题，联合控制容量分配与利用率，具体通过历史白化构建任务自适应基、对动量更新做近似极正交化，并以正交基精确传递因子更新谱。实验覆盖五个类增量基准、八个增量设置的16项指标，MuLoRA 在其中15项上取得最高平均准确率。目前报道仅涉及该方法提出与基准结果，未见后续验证或争议。
Generated from reports · updated 16 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning TheoryMuLoRA：面向持续学习的谱平衡低秩适配
研究者提出 MuLoRA，一种面向持续学习的谱平衡低秩适配方法，针对 LoRA 在序列适配中出现的“谱可塑性坍缩”问题，联合控制容量分配与利用率。方法通过历史白化构建任务自适应基、对动量更新做近似极正交化，并以正交基精确传递因子更新谱。在五个类增量基准、八个增量设置的 16 项指标中，MuLoRA 在 15 项上取得最高平均准确率。
Heat trend
Current heat 7·Comparable peak 10（Oct 5）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.