用正交适配器减少微调对鲁棒认证的影响
文章指出,微调可能增大网络的 Lipschitz 常数,从而缩小分类器的认证半径,并报告了 LoRA 与全量微调的实验变化。其蝶形适配器通过 Givens 旋转构造正交变换,保持冻结权重矩阵的奇异值和谱范数。
原文暂未完整获取,基于公开信息的快读
微调让模型更适应业务数据,也可能削弱已有的鲁棒性保证。dev.to 的一篇文章提出蝶形正交适配器:冻结原有权重,通过可训练的旋转调整特征,保持权重矩阵的谱范数。作者还报告了头皮毛发镜图像上的实验,但目前节选能证明的数学性质,与整个分类器的认证效果,需要分开看。
目前能确认什么
鲁棒认证为每个输入给出一个半径:在指定的扰动范围内,预测类别不会改变。节选中的认证半径由分类得分间隔除以网络的 Lipschitz 常数 L 得到。间隔不变时,L 越大,半径越小。
作者报告,实验中 LoRA 让 L 增至原来的 1.9~2.5 倍,全量微调则增至 5~8.5 倍。这是特定实验结果,不能当作所有微调任务的固定规律。
蝶形适配器采用 W′ = R(θ)W。R 由 Givens 旋转组成,对任意训练角度都保持正交,因此 W′ 与 W 的奇异值、谱范数相同。训练只需更新角度。作者使用 GPU 模拟普通矩阵运算,并不要求量子硬件。
在斑秃活动度任务上,作者报告的认证准确率分别为:蝶形适配器 40.6%、LoRA 21.3%、全量微调 17.9%。
我的判断
单层谱范数不变,不等于每个样本的认证半径不变。
分类得分间隔也会影响半径,而且实验中各方法都训练了新的分类头。整网的 L 如何计算、分类头如何约束、认证采用什么扰动范数及阈值,节选没有交代完整。
对维护鲁棒认证模型的程序员,这条路线有明确价值:它允许调整特征,同时保住冻结矩阵的谱范数。但验收不能只看普通准确率,还应比较微调前后的认证半径和认证准确率。节选中的随机 LoRA 示例只能演示谱范数增大的可能性,不能替代训练后的完整对照实验。