저차원 적응 (Low-Rank Adaptation, LoRA)은 모델 업데이트를 저차원 행렬로 분해함으로써 효율적인 신경망 미세 조정 (fine-tuning)을 위해 널리 채택되는 기술이 되었습니다. 그러나 LoRA는 적응 (adaptation)에 대한 실제 기여도와 상관없이 모든 행렬을 균일하게 업데이트하기 때문에 여전히 계산 비용이 많이 듭니다. 이러한 비용은 수십억 개의 파라미터를 가진 대규모 모델과 에지 배포 (edge deployment) 및 온디바이스 미세 조정 (on-device fine-tuning)과 같이 자원이 제한된 환경에서 특히 부담이 됩니다. 우리는 모든 LoRA 행렬이 동일하게 튜닝할 가치가 있는 것은 아니라는 점을 처음으로 보여줍니다. 조건수 (condition numbers, 가장 큰 특이값과 가장 작은 특이값의 비율)가 작은 행렬은 이미 여러 방향에 걸쳐 잘 균형 잡혀 있어 적응에 미미하게 기여하는 반면, 조건수가 큰 행렬은 더 풍부한 부분 공간 (subspaces)을 포괄하고 성능 향상의 대부분을 주도하는 미발달된 방향들을 포함하고 있습니다. 이 관찰 자체는 우리 연구의 핵심적인 기여이며, 더 선택적인 미세 조정 접근 방식을 동기 부여합니다. 이러한 통찰을 바탕으로, 우리는 변화의 가장 정보가 많은 방향을 포착하는 조건수가 가장 큰 행렬에 업데이트를 집중하여 LoRA를 최적화하는 방법인 \k{appa}-LoRA를 제안합니다. LoRA 업데이트를 조건수에 따라 순위를 매긴 상위 50%의 가중치 행렬로 제한함으로써, \k{appa}-LoRA는 학습 가능한 파라미터 수를 절반으로 줄이고 그에 따라 계산 및 메모리 비용을 감소시킵니다. 다양한 벤치마크에 걸친 광범위한 실험 결과, 이 설계는 표준 LoRA의 정확도와 일치하면서도 미세 조정 시간을 평균 16.2% 단축하고 메모리 비용을 4.5% 줄이는 것으로 나타났습니다. 추가 분석에 따르면 선택된 행렬의 조건수는 훈련 과정 동안 지속적으로 감소하며, 이는 \k{appa}-LoRA의 효과가 단순한 파라미터 선택보다는 표적화된 스펙트럼 재균형 (spectral rebalancing)에서 비롯됨을 시사합니다.