TRIM: Achieving Extreme Sparsity with Targeted Row-wise Iterative Metric-driven Pruning
Created by
Haebom
저자
Florentin Beck, William Rudman, Carsten Eickhoff
개요
본 논문은 대규모 언어 모델(LLM)의 효율적인 배포를 위해 필수적인 가지치기(pruning) 기술에 대해 다룹니다. 기존의 일괄 가지치기 방법들은 층별 또는 층 내에서 균일한 희소성 제약을 적용하여, 특히 높은 희소성 비율에서 최적이 아닌 성능을 보입니다. 본 논문에서는 각 층 내 개별 출력 차원(행)에 다양한 희소성 비율을 적용하는 새로운 방법인 TRIM(Targeted Row-wise Iterative Metric-driven pruning)을 제시합니다. TRIM은 품질 지표를 기반으로 반복적인 조정 과정을 통해 차원별 희소성 할당을 최적화하여 출력 간 품질 유지의 편차를 줄이고 중요한 정보를 보존하는 데 중점을 둡니다. TRIM은 기존의 층별 가지치기 전략과 원활하게 통합될 수 있습니다. 다양한 LLM 계열(Qwen2.5, LLaMA-2, OPT)과 희소성 수준에 대한 당혹도와 제로샷 작업 평가 결과, TRIM은 최첨단 결과를 달성하고 안정성을 향상시키는 것으로 나타났습니다. 예를 들어, 80% 희소성에서 TRIM은 기준 방법과 비교하여 Qwen2.5-14B의 당혹도를 48%, OPT-13B의 당혹도를 90% 이상 감소시켰습니다. 결론적으로, 미세한 차원별 희소성 적응은 극단적인 LLM 압축의 한계를 극복하는 데 중요합니다. 코드는 https://github.com/flobk/TRIM 에서 이용 가능합니다.