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.

ABBA: Highly Expressive Hadamard Product Adaptation for Large Language Models

Created by
  • Haebom

저자

Raghav Singhal, Kaustubh Ponkshe, Rohit Vartak, Praneeth Vepakomma

개요

본 논문은 새로운 Parameter-Efficient Fine-Tuning (PEFT) 방법인 ABBA를 제안합니다. 기존 LoRA 방식의 표현력 한계를 극복하기 위해, ABBA는 두 개의 독립적으로 학습 가능한 저랭크 행렬의 Hadamard 곱으로 업데이트를 재매개변수화합니다. 이를 통해 기존 방법들과 달리 사전 훈련된 가중치로부터 완전히 분리되어 자유로운 최적화가 가능하며, 동일한 매개변수 예산 하에서 훨씬 높은 표현력을 제공합니다. 행렬 재구성 실험과 산술 및 상식 추론 벤치마크를 통해 ABBA의 우수성을 검증하고, 여러 모델에서 기존 PEFT 방법들을 상당한 차이로 능가하는 최첨단 결과를 달성함을 보여줍니다. 코드는 공개적으로 제공됩니다.

시사점, 한계점

시사점:
기존 PEFT 방법들의 표현력 한계를 극복하는 새로운 ABBA 아키텍처 제시
사전 훈련된 가중치로부터 완전히 독립적인 업데이트 가능
동일한 매개변수 예산 하에서 향상된 표현력 및 성능 달성
산술 및 상식 추론 벤치마크에서 최첨단 성능 기록
공개된 코드를 통한 재현성 확보
한계점:
ABBA의 우수성이 특정 벤치마크 및 모델에 국한될 가능성 존재
다양한 downstream task에 대한 일반화 성능 추가 검증 필요
매개변수 수 증가에 따른 계산 비용 증가 가능성
👍