본 논문은 개인정보보호가 중요한 분야에서 대규모 언어 모델(LLM)을 압축하기 위한 프라이버시 보존 연합 학습 기반 가지치기 프레임워크인 FedPrLLM을 제시합니다. 기존의 LLM 가지치기 방법론은 공개적인 보정 샘플에 접근해야 하는 어려움이 있지만, FedPrLLM은 각 클라이언트가 자체 로컬 데이터를 사용하여 가지치기 마스크 행렬을 계산하고 서버와 공유하여 전역 모델을 가지치는 방식으로 개별 데이터의 프라이버시를 유지하면서 협업적인 가지치기를 가능하게 합니다. 다양한 비교 그룹, 가지치기 전략, 가중치 스케일링 여부 등을 실험적으로 비교 분석한 결과, FedPrLLM 프레임워크 내에서는 계층 비교를 사용하고 가중치 스케일링을 하지 않는 원샷 가지치기가 최적임을 밝혔습니다.
