DenseLoRA: Dense Low-Rank Adaptation of Large Language Models
Created by
Haebom
저자
Lin Mu, Xiaoyu Wang, Li Ni, Yang Li, Zhize Wu, Peiquan Jin, Yiwen Zhang
개요
본 논문은 대규모 언어 모델(LLM) 적응을 위한 효율적인 방법으로 저차원 적응(LoRA)을 개선한 DenseLoRA를 제시합니다. LoRA는 두 개의 저차원 행렬을 미세 조정하여 훈련 가능한 매개변수 수를 줄이지만, 많은 가중치가 중복된다는 한계점이 있습니다. DenseLoRA는 모든 적응 계층에서 숨겨진 표현을 개선하고 압축하기 위해 인코더-디코더를 사용하여 하나의 밀집 저차원 행렬을 통해 LLM을 적응시킴으로써 매개변수 활용도를 높이고 적응 효율성을 향상시킵니다. LLaMA3-8B를 사용한 실험 결과, LoRA가 0.70%의 훈련 가능한 매개변수로 80.8%의 정확도를 달성한 반면, DenseLoRA는 0.01%의 훈련 가능한 매개변수로 83.8%의 정확도를 달성했습니다.
시사점, 한계점
•
시사점:
◦
LoRA의 중복된 매개변수 문제를 해결하여 매개변수 활용 효율을 크게 향상시켰습니다.
◦
LoRA보다 적은 매개변수로 더 높은 정확도를 달성했습니다.
◦
인코더-디코더 기반의 밀집 저차원 행렬 적응 방식은 LLM 적응의 새로운 가능성을 제시합니다.
•
한계점:
◦
현재 제시된 실험 결과는 LLaMA3-8B 하나의 모델에 대한 결과이며, 다른 모델이나 다양한 작업에 대한 일반화 가능성은 추가 연구가 필요합니다.