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。

本文提出了一种新颖的基于高斯图模型的参数高效微调方法，首次应用于PEFT任务。该方法通过$ ext{l}_{2,g}$范数选择关键参数，捕获全局依赖关系，实验结果表明在微调RoBERTa-Base时表现优异，显著减少了可训练参数的数量。

本研究提出ALoRE框架，解决大型视觉模型在下游任务中的参数高效传递学习问题。该方法通过重用超复数参数化空间，提高了性能和参数效率，实验结果显示在图像分类任务中优于全微调策略及其他先进方法。

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来减少多语言差异，并采用微调方法来提高效率。实验证明，该框架在跨语言转移方面取得了显著改进，尤其在低资源场景下，只需保留和微调极少量的参数。

本文研究了在预训练语言模型中插入可学习的嵌入或软提示，实现参数高效的Soft Prompt Tuning (SPT)方法。通过冻结模型参数并只训练软提示，可以减少计算成本和存储开销，并提升跨语言传递性能。同时，还探索了软提示相关因素对跨语言传递性能的影响。

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。