เปรียบเทียบวิธี

	คิวโลรา	[NEEDS TRANSLATION]
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2023	2022
ผู้ริเริ่ม	Tim Dettmers	Robin Rombach
ประเภท	Training methodology	Neural network architecture
แหล่งต้นตำรับ	Dettmers, T., Pagnoni, A., Holtzman, A., & Contrastive, L. (2023). QLoRA: Efficient finetuning of quantized LLMs. arXiv preprint arXiv:2305.14314.	Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-resolution image synthesis with latent diffusion models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10684-10695).
ชื่อเรียกอื่น	QLoRA, Quantized LoRA	LDM, Stable Diffusion, Latent Diffusion
ที่เกี่ยวข้อง	4	4
สรุป	QLoRA is an efficient fine-tuning method introduced by Dettmers et al. in 2023 that enables fine-tuning large language models using quantization and low-rank adaptation. By combining 4-bit quantization with LoRA, QLoRA reduces memory requirements by 75%, enabling fine-tuning of 65B-parameter models on single GPUs.	Latent Diffusion Models (LDMs) are a generative approach introduced by Rombach et al. in 2022 that performs the diffusion process in a compressed latent space rather than pixel space, enabling efficient high-resolution image synthesis. By compressing images into a low-dimensional latent representation using a variational autoencoder, diffusion becomes computationally tractable while maintaining visual quality.