本研究提出了LoRa-FL框架，旨在边缘设备上训练低秩一-shot图像检测模型。该框架通过低秩适应技术降低计算和通信成本，同时保持准确性。实验结果表明，其在多个数据集上具有竞争力的检测性能，适合资源受限环境。

本研究提出了Tina微型推理模型系列，采用低秩适应（LoRA）技术，在仅有1.5亿参数的基础上实现高效推理。Tina在计算成本低的情况下，其推理性能与现有模型竞争，甚至超越。

本研究提出了一种经济有效的方法，将大型语言模型（LLMs）应用于留学背景的学术咨询，特别适用于低资源环境中的文化适应。通过低秩适应和4位量化，模型在领域特异性和计算效率上显著提升，最终实现92%的推荐准确率。

Chinese-Vicuna是一款基于LLaMA架构的中文指令跟随模型，采用低秩适应技术进行微调，旨在低资源环境中实现经济高效的部署。该模型在翻译、代码生成和领域特定问答等任务中表现优异，为中文大语言模型应用提供了多功能基础。

本文提出了一种新方法LoRI，旨在减少多任务低秩适应中的参数干扰和开销。通过随机投影和任务特定掩模，LoRI显著降低了可训练参数数量，同时保持强大性能，实验表明其可减少95%的可训练参数。

本研究探讨了低秩适应（LoRA）在航拍图像跨域少样本目标检测中的应用。将LoRA集成到DiffusionDet中，结果显示在1-shot和5-shot的低样本设置下，性能略有提升，表明其在资源有限情况下的适应潜力，对少样本学习的微调策略研究具有重要意义。

本研究提出了条件递归扩散框架ORAL，旨在解决大语言模型中低秩适应方法的可扩展性和可控性问题。实验结果表明，ORAL生成的LoRA参数在多项任务中表现优异。

本研究提出了一种基于量子加权张量混合网络的高效微调方法，克服了经典低秩适应在复杂任务中的局限性。该方法在大型模型微调中减少了76%的参数，训练损失比传统LoRA降低了15%。

本研究提出了一种创新的低秩适应方法，用于优化大型语言模型中的负偏好，成功去除敏感内容，且在学习稳定性上表现优异。

本研究探讨了低秩适应（LoRA）在微调预训练模型时的学习动态，提出了基于梯度流的分析方法。通过谱初始化，改善了原模型与目标矩阵的错位，理论证明小规模谱初始化能以任意精度收敛，实验结果验证了该方法的有效性。

本研究提出了一个农作物疾病诊断的多模态数据集（CDDM），包含137,000张图像和100万个问答对，结合视觉与文本数据，提升农业专家的诊断能力。通过低秩适应微调策略，显著提高了多模态模型在疾病诊断中的表现。

本研究提出的VesselSAM模型结合了Atrous Attention和低秩适应技术（LoRA），显著提高了主动脉血管分割的精度，整体DSC分数达到93.50%。该模型在多个医疗中心的测试中表现优异，为临床应用提供了新的方案。

本研究通过电路分析深入探讨大型语言模型（LLMs）的微调机制，提出了一种基于电路的低秩适应方法（LoRA），实验结果显示性能提升了2.46%。

本研究提出了一种低秩个性化文本转语音生成模型（LoRP-TTS），旨在改善传统语音合成模型在嘈杂环境中模拟非工作室质量样本的不足。该模型通过低秩适应方法显著提高了说话者的相似度，同时保持了内容的自然性，为多样化语音语料库的建立提供了基础。

本文探讨了视觉语言模型在使用预训练图像编码器时的图像理解错误问题，提出了新方法LoRSU（带结构更新的低秩适应），有效选择性更新图像编码器。研究表明，LoRSU在资源受限环境中显著提升计算效率，开销减少超过25倍，同时保持性能，成为图像编码器适应的重要解决方案。