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.

Straight to Zero: Why Linearly Decaying the Learning Rate to Zero Works Best for LLMs

Created by
  • Haebom
Category
Empty

저자

Shane Bergsma, Nolan Dey, Gurpreet Gosal, Gavia Gray, Daria Soboleva, Joel Hestness

개요

본 논문은 대규모 언어 모델(LLM) 학습 시 학습률(LR) 스케줄링의 효율성을 연구하며, 기존의 코사인 감쇠 방식보다 간단한 선형 감쇠-to-제로(D2Z) 스케줄이 계산량 최적의 데이터 크기에서 일관적으로 우수함을 입증합니다. D2Z는 다양한 모델 크기, 배치 크기, 데이터셋, 어휘집에서 우수하며, 데이터셋 크기가 증가할수록 이점이 커집니다. AdamW를 가중치 업데이트의 지수 이동 평균으로 해석하여 D2Z가 초기 학습과 후기 학습의 균형을 최적으로 맞추는 방식을 설명합니다. 실험 결과, D2Z를 사용한 모델은 10x 감쇠를 사용한 모델보다 훨씬 적은 계산량으로 더 낮은 손실을 달성했습니다.

시사점, 한계점

•
시사점:
◦
선형 D2Z 스케줄은 LLM 학습 시 계산 효율성을 크게 향상시킬 수 있습니다.
◦
D2Z는 다양한 모델 설정에서 일관된 성능 우위를 보입니다.
◦
D2Z를 통해 상당한 계산량 절약이 가능합니다.
◦
AdamW의 새로운 해석을 통해 D2Z의 작동 원리를 설명합니다.
•
한계점:
◦
논문에서 제시된 결과는 특정 데이터셋, 모델 크기, 하이퍼파라미터 설정에 국한될 수 있습니다.
◦
다른 종류의 모델 아키텍처나 학습 환경에서의 일반화 가능성을 추가적으로 검증해야 합니다.
◦
D2Z의 최적 매개변수 설정에 대한 추가적인 연구가 필요합니다.
👍
Made with Slashpage