在多任务学习中，LoRA 适配器常用于高效微调大型模型，但顺序训练多个任务时容易产生跨任务干扰和灾难性遗忘，导致性能退化。LoRI 方法通过引入正交投影隔离和参数稀疏化，实现了无遗憾的多任务适配器合并，确保每个任务的更新独立且高效。这种方法的核心在于将投影矩阵固定为随机初始化，从而形成近似正交的子空间，避免合并时的权重冲突，同时通过任务特定掩码限制可训练参数，进一步降低计算开销。
LoRI 的机制建立在 LoRA 的低秩分解基础上，即权重更新 ΔW = B A，其中 A ∈ ℝ^{d × r} 为降维投影，B ∈ ℝ^{r × d} 为升维矩阵。传统 LoRA 训练两者均可导致参数冗余和干扰，而 LoRI 冻结 A 为标准正态分布随机投影（高维下近似正交），仅训练稀疏化的 B。通过随机投影，不同任务的适配器被映射到互不重叠的低维子空间，当合并时（如简单求和），干扰最小化。根据 LoRI 研究，这种正交性确保了合并后单个任务性能接近独立微调，仅损失 1-2%。
为稀疏化 B，LoRI 引入任务特定二元掩码 M ∈ {0,1}^{r × d}，更新为 B' = B ⊙ M，仅非零位置可训练。掩码通过校准过程生成：先全训练 LoRA 几步，选取幅度最高的 10% 元素作为掩码，然后固定掩码继续训练。这不仅将可训练参数减至 LoRA 的 5%，还隔离了任务更新路径，在顺序学习中防止新任务覆盖旧知识。证据显示，在 Llama-3-8B 上，90% 稀疏度的 LoRI 在 HumanEval 任务中性能提升 17.3%，而多任务合并平均干扰低于 5%。
落地实现时，选择适配器层：优先注意力模块的 q、v、k 投影和 MLP 层，秩 r 设为 8-16 以平衡容量与效率。初始化 A 为 N(0,1)，缩放因子 α = r 以稳定梯度。校准阶段：训练 10% 步长，使用 AdamW 优化器，lr=1e-4，warmup 比例 0.1。稀疏度目标 90%，但对复杂任务可降至 80% 以保留更多参数。合并策略：对于 N 个任务，ΔW_merged = ∑_{t=1}^N (B_t' A_t)，若串联需扩展维度（r' = N r），但求和更高效无额外延迟。
监控要点包括：1) 干扰度：合并前后计算任务特定指标（如准确率）差值，阈值 <3%；2) 遗忘率：在顺序学习中，每新任务后评估旧任务性能，目标衰减 <5%；3) 参数利用：追踪非零 B 元素激活率，确保 >80% 有效贡献。回滚策略：若干扰超阈，隔离冲突任务重新校准掩码，或引入权重平均 α_t = 1/N 调整贡献。
实施清单：
- 加载预训练模型，注入 LoRI 模块到目标层。
- 为每个任务独立初始化 A_t（随机冻结）和 B_t。
- 校准掩码：短时全训练，选取 top-k 幅度元素固定 M_t。
- 顺序/并行训练：仅优化 B_t ⊙ M_t，批次大小 32-128，epoch 3-5。
- 合并适配器：求和 ΔW，融合到基础模型，验证多任务性能。
- 部署：合并后模型大小仅增 0.05%，推理速度不变。
这种投影隔离方法特别适用于资源受限环境，如边缘设备多任务部署。通过参数化正交性和稀疏约束，LoRI 不仅最小化遗憾，还提升了模型的泛化鲁棒性，在实际工程中可显著降低维护成本。
（正文字数：1024）