本研究提出了一种新的参数高效微调架构ABBA，旨在解决大语言模型在新领域适应的挑战。该方法通过低秩矩阵的哈达玛积更新，增强了模型的表达能力，并在算术和常识推理测试中超越了现有方法。

本研究提出了一种多阶段的参数高效微调方法，旨在将波斯语融入Llama模型，提高其在波斯语分类任务中的准确性，同时对英语任务无负面影响，甚至有所改善。

本研究提出了一种新的参数高效微调方法KaSA，旨在解决大语言模型在特定任务中的计算和内存使用问题。该方法通过知识感知的特征值分解，显著提升模型在自然语言理解和生成任务中的表现。

本研究提出了一种新的参数高效微调方法，解决了Mamba模型在下游任务中的适应性问题，优化后的PEFT方法显著提升了模型性能。

本研究提出了一种新颖的参数高效微调方法，解决了预训练视觉变换器在下游任务中的适应性不足问题。该方法通过奇异值分解和Householder变换构造正交矩阵，显著提升了微调效果，实验结果表明其在视觉任务中表现优异。

本研究探讨了微调对大型语言模型的影响，特别是在指令识别、知识存储对齐和单词关系学习方面。提出的自然语言反馈微调方法显著提高了问答任务的准确性。研究还指出低秩逼近微调可能保留偏差和有毒行为，而局部微调方法提高了攻击成功率，适配器微调则改善了机器翻译性能。参数高效微调方法展示了更好的效率与性能平衡。

DialCLIP是一种参数高效的多模态对话检索方法，通过微调总参数的0.04％，在两个基准数据集上实现了最新性能，展示了其效果和效率，具有推动该领域发展的潜力。

该研究提出了一种基于提示的时间域泛化方法，适用于分类、回归和时间序列预测等任务，具有参数和时间高效的特点，并在时间域泛化方面取得了新的最先进基准水平。代码将公开共享。

本文提出了一种新的参数高效的跨语言转移学习框架，利用基于翻译的对齐方法来缓解多语言差异，并探索参数高效的微调方法。经过实验表明，该框架显著减少了语言之间的差异，并在跨语言转移方面取得了改进，尤其在低资源场景中，同时只保留和微调极少量的参数。

本文提出了一种新的参数高效的跨语言转移学习框架，利用基于翻译的对齐方法来缓解多语言差异，并探索参数高效的微调方法。实验表明，该框架显著减少了语言之间的差异，在跨语言转移方面取得了改进，尤其在低资源场景中，同时只保留和微调极少量的参数。

本文提出了一种新的参数高效的跨语言转移学习框架，通过基于翻译的对齐方法缓解多语言差异，并探索参数高效的微调方法。实验证明，该框架显著减少了语言之间的差异，在跨语言转移方面取得了改进。尤其在低资源场景中，只需保留和微调极少量的参数，相比全模型仅需0.16%的额外参数。