본 논문은 대규모 언어 모델(LLM)의 하위 작업 정렬 효율성을 높이기 위한 새로운 알고리즘인 ALPS(Attention Localization and Pruning Strategy)를 제안합니다. ALPS는 작업에 가장 민감한 어텐션 헤드를 찾아 해당 헤드에만 어텐션 학습 업데이트를 제한하여 어텐션 파라미터의 10%만 활성화하면서 기준선 대비 2%의 성능 향상을 달성합니다. 이는 기존의 최소 데이터 학습이나 데이터 기반 활성화 방식과 달리 데이터 의존성을 줄이고 일반화 및 재사용성을 높입니다. 또한, 특정 작업에 대한 어텐션 헤드는 데이터 세트 간에 전이 가능하며 지식 손실을 완화합니다.