LoSiA: Efficient High-Rank Fine-Tuning via Subnet Localization and Optimization
Created by
Haebom
저자
Xujia Wang, Yunjia Qi, Bin Xu
개요
LoRA와 같은 Parameter-Efficient Fine-Tuning (PEFT) 방법들은 저랭크 분해 행렬을 도입하여 학습 가능한 파라미터의 수를 크게 줄입니다. 하지만 기존 방법들은 도메인 특화 작업에서 많은 행렬 곱셈을 수행하여 계산 효율이 낮고 미세 조정 성능이 좋지 않습니다. 본 논문에서는 학습 과정에서 중요한 파라미터를 동적으로 찾아서 최적화하는 혁신적인 방법인 LoSiA(Low-Resources Subnet Integration Adaptation)를 제안합니다. 구체적으로, 기울기 희소성 분석을 사용하여 하위 네트워크를 식별하고 이를 학습 가능한 대상으로 최적화합니다. 이 설계는 하위 네트워크 파라미터만 업데이트함으로써 효과적인 고랭크 적응을 가능하게 하고 추가적인 행렬 곱셈을 줄입니다. 또한 LoRA보다 훈련 지연 시간을 약 27% 단축한 LoSiA의 더 빠른 구현인 LoSiA-Pro를 제시합니다. 광범위한 평가 결과, 제안된 방법은 전체 미세 조정과 비교하여 성능 저하가 최소화되면서 도메인 특화 및 상식 추론 작업에서 가장 짧은 훈련 시간을 필요로 함을 보여줍니다. 추가 분석을 통해 LoSiA는 지속적인 훈련 중 망각을 줄이는 것도 확인되었습니다. 소스 코드는 https://github.com/KlozeWang/LoSiA 에서 확인할 수 있습니다.
