# WaveFT: Wavelet Fine-Tuning [WaveFT](https://huggingface.co/papers/2505.12532) é um novo método de ajuste fino eficiente em parâmetros (PEFT) que introduz atualizações esparsas no **domínio de wavelets** das matrizes residuais. Diferentemente do LoRA, que é limitado por escolhas discretas de baixo posto, o WaveFT permite um controle fino sobre o número de parâmetros treináveis ao aprender diretamente um conjunto esparsos de coeficientes no espaço transformado. Esses coeficientes são então mapeados de volta para o domínio dos pesos por meio da Transformada Inversa Discreta de Wavelets (IDWT), produzindo atualizações de alto posto sem incorrer em sobrecarga de inferência. O WaveFT possui atualmente a seguinte restrição: - Apenas camadas `nn.Linear` são suportadas. O resumo do artigo é: >Adaptar eficientemente grandes modelos de fundação é crítico, especialmente com orçamentos apertados de computação e memória. Os métodos de Fine-Tuning Eficiente em Parâmetros (PEFT), como o LoRA, oferecem granularidade e eficácia limitadas em regimes de poucos parâmetros. Propomos o Wavelet Fine-Tuning (WaveFT), um novo método de PEFT que aprende atualizações altamente esparsas no domínio wavelet de matrizes residuais. O WaveFT permite controle preciso dos parâmetros treináveis, oferecendo ajuste fino de capacidade e se destacando com contagem de parâmetros notavelmente baixa, potencialmente muito menor que o mínimo do LoRA — ideal para cenários de eficiência extrema em parâmetros. Avaliado na geração personalizada de texto para imagem usando o Stable Diffusion XL como linha de base, o WaveFT supera significativamente o LoRA e outros métodos de PEFT, especialmente com contagens baixas de parâmetros; alcançando superioridade em fidelidade do sujeito, alinhamento com o prompt e diversidade de imagem. ## Visão geral do benchmark