LoRA와 같은 Parameter-Efficient Fine-Tuning (PEFT) 방법들은 저계수 분해 행렬을 도입하여 학습 가능한 파라미터의 수를 크게 줄입니다. 하지만 기존 방법들은 도메인 특화 작업에서 많은 행렬 곱셈을 수행하여 계산 효율이 낮고 미흡한 미세 조정 성능을 초래합니다. 본 논문에서는 LoSiA(Low-Resources Subnet Integration Adaptation)를 제안합니다. LoSiA는 학습 과정 중 중요한 파라미터를 동적으로 찾아 최적화하는 혁신적인 방법입니다. 구체적으로, 기울기 희소성 분석을 사용하여 하위 네트워크를 식별하고 이를 학습 가능한 대상으로 최적화합니다. 이러한 설계는 하위 네트워크 파라미터만 업데이트하여 효과적인 고계수 적응을 가능하게 하며, 추가적인 행렬 곱셈을 줄입니다. 또한 LoRA보다 학습 지연 시간을 약 27% 단축하는 LoSiA-Pro를 제시합니다. 광범위한 평가를 통해 제안하는 방법이 전체 미세 조정과 비교하여 최소한의 성능 저하를 달성하면서 도메인 특화 및 상식 추론 작업에서 가장 짧은 학습 시간을 필요로 함을 보여줍니다. 추가 분석을 통해 LoSiA는 지속적인 학습 중 망각을 감소시킨다는 것을 보여줍니다.