图表主要分为三个部分：A问题与重要性度量，以植物病害分类输入为例，通过前向钩子提取特征（CKA层间表征相似性）和反向钩子提取梯度贡献，利用梯度乘激活进行任务重要性校正，融合层间冗余与任务敏感性形成每层综合重要性；B预算约束下的秩分配与重调度，将CKA指标与梯度/激活校正进行重要性融合并加权调和映射到各层训练秩，实现不同层分配不同资源，同时引入RRA稳定触发的秩重新分配，监测LoRA参数平均相对变化，接近收敛阈值时更新秩配置表，形成反馈回路而非只计算一次初始秩；C实验结论与研究边界，列出了实验模型（AlexNet/MobileNetV2/RegNetY/ConvNeXt），原论文研究目标为减少可训练参数与资源消耗、尽可能保持病害分类精度、依据训练稳定性动态改秩，并给出了迁移建议（将“层”扩展为视觉编码器/投影层/语言解码层，研究跨模态梯度冲突等）。底部注明原文机制为CKA+梯度/激活校正+RRA，本图为研究性重绘。