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.

Exploring Federated Pruning for Large Language Models

Created by
  • Haebom

저자

Pengxin Guo, Yinong Wang, Wei Li, Mengting Liu, Ming Li, Jinkai Zheng, Liangqiong Qu

개요

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.

시사점, 한계점

시사점:
개인정보보호가 중요한 분야에서 LLM의 효율적인 압축 및 배포 가능성을 제시합니다.
연합 학습을 통해 개별 데이터의 프라이버시를 보장하면서 모델 성능 향상을 달성할 수 있음을 보여줍니다.
다양한 가지치기 전략 및 파라미터 조정을 통해 최적의 성능을 얻을 수 있는 방법을 제시합니다.
공개된 코드를 통해 재현성과 확장성을 높였습니다.
한계점:
제안된 방법론의 성능은 특정 데이터셋과 모델에 대한 실험 결과에 기반하며, 다른 데이터셋이나 모델에 대한 일반화 성능은 추가 연구가 필요합니다.
연합 학습의 특성상 통신 오버헤드 및 클라이언트 간의 비동기성 문제가 발생할 수 있습니다.
실제 개인정보보호에 대한 엄격한 평가는 추가적인 연구가 필요합니다.
👍