본 논문은 대규모 언어 모델(LLM)을 하위 작업에 맞추는 데 드는 상당한 훈련 비용을 줄이기 위한 효율적인 알고리즘인 ALPS(Attention Localization and Pruning Strategy)를 제안합니다. ALPS는 작업에 가장 민감한 어텐션 헤드를 찾아내고, 이 헤드들에만 어텐션 훈련 업데이트를 제한함으로써 어텐션 매개변수의 10%만 활성화하면서 기준 모델보다 2% 향상된 성능을 세 가지 작업에서 달성합니다. 또한, 식별된 작업별 헤드는 데이터 집합 간에 전달 가능하며 지식 망각을 완화합니다. 이는 데이터 의존성을 제거하고 모델 정렬 효율성을 높이는 새로운 접근 방식을 제시합니다. 소스 코드는 깃허브에서 공개됩니다.
