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.

Towards Minimizing Feature Drift in Model Merging: Layer-wise Task Vector Fusion for Adaptive Knowledge Integration

Created by
  • Haebom

저자

Wenju Sun, Qingyong Li, Wen Wang, Yang Liu, Yangli-ao Geng, Boyang Li

개요

본 논문은 다중 작업 모델 병합에서의 성능 저하 문제를 해결하기 위해, 기존의 파라미터 수준 또는 작업 손실 관점의 접근 방식 대신 특징 드리프트(feature drift)를 최소화하는 새로운 방법인 LOT Merging을 제안합니다. LOT Merging은 계층별로 특징 드리프트를 최소화하는 볼록 이차 계획법으로 정의되며, 선형 및 정규화 계층의 매개변수에 대한 폐쇄형 해를 분석적으로 도출하여 효율적인 모델 통합을 가능하게 합니다. 실험 결과, LOT Merging은 비전 및 비전-언어 벤치마크에서 최첨단 기법보다 최대 4.4%의 성능 향상을 보였습니다.

시사점, 한계점

시사점:
특징 드리프트를 직접적으로 최소화하는 새로운 접근 방식을 제시하여 다중 작업 모델 병합의 성능 저하 문제를 효과적으로 해결했습니다.
계층별 최적화를 통해 효율적인 모델 통합을 가능하게 하였으며, 분석적으로 폐쇄형 해를 구할 수 있어 계산 비용을 절감했습니다.
다양한 비전 및 비전-언어 벤치마크에서 기존 방법보다 우수한 성능을 입증했습니다.
한계점:
LOT Merging은 선형 및 정규화 계층에 대해서만 폐쇄형 해를 제공하며, 다른 유형의 계층에는 적용하기 어려울 수 있습니다.
제안된 방법이 모든 유형의 다중 작업 모델에 대해 동일한 성능 향상을 보장하는 것은 아닐 수 있습니다. 특정 모델 아키텍처나 작업에 따라 성능 향상 정도가 달라질 수 있습니다.
👍