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.

HD-PiSSA: High-Rank Distributed Orthogonal Adaptation

Created by
  • Haebom

저자

Yiding Wang, Fauxu meng, Xuefeng Zhang, Fan Jiang, Pingzhi Tang, Muhan Zhang

개요

본 논문은 기존의 파라미터 효율적인 미세 조정(PEFT) 방법인 LoRA와 PiSSA의 한계를 극복하기 위해 High-rank Distributed PiSSA (HD-PiSSA)를 제안합니다. 기존 방법들은 저랭크 부분 공간에 모델 업데이트를 제한하여 복잡한 작업에서 성능이 저하되는 문제가 있었습니다. HD-PiSSA는 각 기기에 직교 어댑터를 초기화하고 미세 조정을 위해 W에 대한 델타 업데이트를 집계하는 분산 PEFT 접근 방식입니다. 데이터 병렬 LoRA 또는 PiSSA와 달리, HD-PiSSA는 각 GPU에 사전 훈련된 가중치의 서로 다른 주성분을 할당하여 업데이트 방향의 범위를 크게 확장합니다. 8개의 GPU로 미세 조정할 때 동일한 장치당 어댑터 계급에서 16배 이상의 효과적인 업데이트 계급을 달성합니다. 수학, 코드 생성, 다중 작업 학습 등 다양한 과제에 대한 실험 결과, 다중 작업 설정에서 HD-PiSSA는 12개의 벤치마크에서 LoRA보다 평균 10.0점(14.63%), PiSSA보다 4.98점(6.60%) 향상된 성능을 보였습니다.

시사점, 한계점

시사점:
기존 PEFT 방법(LoRA, PiSSA)의 저랭크 제한으로 인한 성능 저하 문제 해결
분산 환경에서 고랭크 업데이트를 가능하게 하여 모델 표현력 향상
다양한 다운스트림 작업(수학, 코드 생성, 다중 작업 학습)에서 우수한 성능 입증 (LoRA, PiSSA 대비 상당한 성능 향상)
다중 작업 학습에서 특히 효과적임을 보임
한계점:
HD-PiSSA의 계산 비용 및 메모리 요구량에 대한 자세한 분석 부족
다양한 모델 크기와 데이터셋에 대한 일반화 성능 검증 필요
특정 하드웨어 환경에 대한 최적화 여부 및 다른 하드웨어 환경에서의 성능 분석 부족
👍