Does Combining Parameter‐Efficient Modules Improve Few‐Shot Transfer Accuracy?
Notice bibliographique
Résumé
ABSTRACT Parameter‐efficient fine‐tuning has become a key technique for adapting large language and vision models to diverse downstream tasks, including emerging applications in engineering, such as design optimisation, fault detection in complex systems, material property prediction and autonomous robotics control. Specifically, the efficiency of low‐rank adaptation has facilitated the creation and sharing of hundreds of custom low‐rank adaptation (LoRA) modules, each trained on distinct data from various downstream tasks. In this paper, we explore the composability of LoRA modules, examining if combining these pre‐trained modules enhances generalisation to unseen downstream tasks. Our investigation involves evaluating two approaches: (a) uniform composition , involving averaging upstream LoRA modules with equal weights and (b) learned composition , where we learn the weights for each upstream module and perform weighted averaging. Through experiments on both vision and language models, we demonstrate that in few‐shot settings—common in many engineering workflows such as structural design, material discovery and system diagnostics—both composition methods consistently outperform full fine‐tuning and training LoRA from scratch. Moreover, in full‐shot settings, learned composition matches the performance of standard LoRA training while requiring significantly fewer trainable parameters. These results highlight the potential of compositional parameter‐efficient adaptation as a scalable and flexible approach for AI‐driven engineering tasks, enabling faster deployment, reduced data requirements and improved model reusability across diverse domains.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».