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.

Parameter Importance-Driven Continual Learning for Foundation Models

Created by
  • Haebom
Category
Empty

저자

Lingxiang Wang, Hainan Zhang, Zhiming Zheng

PIECE: Parameter Importance Estimation-based Continual Enhancement for Domain Adaptation

•
도메인 특정 후속 학습으로 인해 범용 추론 능력이 손실되는 문제 해결
•
사전 학습 데이터 없이, 모델 파라미터 증가 없이, 효율적인 도메인 지식 학습
•
Fisher Information 기반 PIECE-F와 기울기 및 곡률 정보를 결합한 2차 정규화 기반 PIECE-S를 통해 핵심 파라미터의 0.1%만 선택적으로 업데이트
•
3개의 언어 모델과 2개의 멀티모달 모델에서 일반적인 능력 유지와 최첨단 지속 학습 성능 달성
•
확장 가능하고 도메인 적응형 기반 모델을 위한 실용적인 방법 제시

시사점, 한계점

•
시사점:
◦
일반적인 능력 유지를 통해 파운데이션 모델의 지속적인 학습을 가능하게 함
◦
사전 학습 데이터나 추가 파라미터 없이 효율적인 학습을 제공
◦
다양한 모델과 작업에서 뛰어난 성능을 보임
•
한계점:
◦
0.1%의 핵심 파라미터 선택 기준에 대한 추가적인 연구 필요
◦
다양한 도메인과 작업에 대한 일반화 성능 추가 검증 필요
◦
Fisher Information과 2차 정규화의 복잡성으로 인한 계산 비용 고려 필요
👍
Made with Slashpage