Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

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.
DenseLoRA의 성능 향상이 특정 데이터셋이나 작업에 국한될 가능성이 있습니다.
인코더-디코더 구조의 복잡성으로 인해 계산 비용이 증가할 수 있습니다.
👍