Почему LoRA может переобучаться даже при маленьком количестве параметров? Влияет ли выбор rank на переобучение?

LoRA (Low-Rank Adaptation) может переобучаться даже при небольшом числе параметров, потому что адаптация происходит на ограниченном наборе параметров, которые могут слишком сильно подстраиваться под тренировочные данные, особенно если данных мало или они не разнообразны.

Выбор rank (ранга) влияет на емкость модели: меньший ранг ограничивает способность модели подстраиваться, снижая риск переобучения, но может ухудшить качество адаптации. Больший ранг увеличивает гибкость и риск переобучения. Поэтому выбор ранга — компромисс между способностью модели учиться и устойчивостью к переобучению.