Bài báo này trình bày MaCP (Phép chiếu Cosine Thích nghi Tối thiểu nhưng Mạnh mẽ), một phương pháp thích nghi mới để tinh chỉnh các mô hình cơ sở quy mô lớn. MaCP hướng đến việc đạt được hiệu suất vượt trội trong khi sử dụng tối thiểu các tham số và bộ nhớ. Phương pháp này dựa trên ý tưởng tận dụng các đặc tính nén năng lượng và khử tương quan vượt trội của phép chiếu cosin để cải thiện cả hiệu suất và độ chính xác của mô hình. Cụ thể, chúng tôi chiếu các thay đổi trọng số từ phép thích nghi chiều thấp vào không gian cosin rời rạc, phân vùng các thay đổi trọng số trên các mức khác nhau của phổ cosin rời rạc, sau đó chọn các thành phần tần số quan trọng nhất từ mỗi phân vùng. Thông qua các thử nghiệm trên nhiều loại tác vụ đơn thức (ví dụ: hiểu ngôn ngữ tự nhiên, tạo ngôn ngữ tự nhiên, tóm tắt văn bản) và các tác vụ đa thức (ví dụ: phân loại hình ảnh, hiểu video), chúng tôi chứng minh rằng MaCP luôn mang lại độ chính xác vượt trội, giảm đáng kể độ phức tạp tính toán và yêu cầu bộ nhớ thấp hơn so với các phương án thay thế hiện có.
