본 논문은 새로운 Parameter-Efficient Fine-Tuning (PEFT) 방법인 ABBA를 제안합니다. 기존 LoRA 방식의 표현력 한계를 극복하기 위해, ABBA는 두 개의 독립적으로 학습 가능한 저랭크 행렬의 Hadamard 곱으로 업데이트를 재매개변수화합니다. 이를 통해 기존 방법들과 달리 사전 훈련된 가중치로부터 완전히 분리되어 자유로운 최적화가 가능하며, 동일한 매개변수 예산 하에서 훨씬 높은 표현력을 제공합니다. 행렬 재구성 실험과 산술 및 상식 추론 벤치마크를 통해 ABBA의 우수성을 검증하고, 여러 모델에서 기존 PEFT 방법들을 상당한 차이로 능가하는 최첨단 결과를 달성함을 보여줍니다. 코드는 공개적으로 제공됩니다.