論文の概要: What Matters In The Structured Pruning of Generative Language Models?
- arxiv url: http://arxiv.org/abs/2302.03773v1
- Date: Tue, 7 Feb 2023 22:05:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-09 17:59:14.527653
- Title: What Matters In The Structured Pruning of Generative Language Models?
- Title(参考訳): 生成言語モデルの構造化プルーニングで何が重要か?
- Authors: Michael Santacroce, Zixin Wen, Yelong Shen, Yuanzhi Li
- Abstract要約: GPT-3のような自動回帰型大規模言語モデルは膨大な計算資源を必要とする。
伝統的に、資源使用量を減らすために構造化プルーニング法が用いられている。
我々は,緑化モデルにおけるニューロンの特異性を改善するため,GUM(Globally Unique Movement)を導入する。
- 参考スコア(独自算出の注目度): 44.86217321428518
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Auto-regressive large language models such as GPT-3 require enormous
computational resources to use. Traditionally, structured pruning methods are
employed to reduce resource usage. However, their application to and efficacy
for generative language models is heavily under-explored. In this paper we
conduct an comprehensive evaluation of common structured pruning methods,
including magnitude, random, and movement pruning on the feed-forward layers in
GPT-type models. Unexpectedly, random pruning results in performance that is
comparable to the best established methods, across multiple natural language
generation tasks. To understand these results, we provide a framework for
measuring neuron-level redundancy of models pruned by different methods, and
discover that established structured pruning methods do not take into account
the distinctiveness of neurons, leaving behind excess redundancies. In view of
this, we introduce Globally Unique Movement (GUM) to improve the uniqueness of
neurons in pruned models. We then discuss the effects of our techniques on
different redundancy metrics to explain the improved performance.
- Abstract(参考訳): GPT-3のような自動回帰型大規模言語モデルは膨大な計算資源を必要とする。
伝統的に、構造的な刈り取りはリソースの使用を減らすために用いられる。
しかし、生成言語モデルに対するそれらの適用と有効性は、十分に検討されていない。
本稿では, GPT型モデルにおいて, フィードフォワード層上の大きさ, ランダム, 動きプルーニングを含む, 共通構造化プルーニング手法の包括的評価を行う。
予想外のランダムプルーニングは、複数の自然言語生成タスクにおいて、最高の確立されたメソッドに匹敵するパフォーマンスをもたらす。
これらの結果を理解するために, 異なる手法で刈り取られたモデルのニューロンレベルの冗長性を測定するための枠組みを提案し, 確立された構造的刈り取り法は, 神経細胞の識別性を考慮せず, 過剰な冗長性を残していることを見出した。
そこで我々はGUM (Globally Unique Movement) を導入し, プルーニングモデルにおけるニューロンの特異性を改善する。
次に、性能改善を説明するために、さまざまな冗長性指標に対する技術の影響について論じる。
関連論文リスト
- LaCo: Large Language Model Pruning via Layer Collapse [63.973142426228016]
トランスフォーマーに基づく大規模言語モデル(LLM)は、サイズ拡大の顕著な傾向を目撃している。
後部モデル層が先行層に崩壊する,textitLayer Collapse (LaCo) と呼ばれる簡潔な層分割法を提案する。
実験の結果,25~30%の刈り取り率で平均タスク性能が80%以上維持されていることがわかった。
論文 参考訳(メタデータ) (2024-02-17T04:16:30Z) - Pruning Pre-trained Language Models with Principled Importance and
Self-regularization [18.088550230146247]
反復プルーニングは、事前訓練された言語モデルにおいて最も効果的な圧縮手法の1つである。
モデル予測を最新のチェックポイントで正規化する自己正規化手法を提案する。
自然言語理解,質問応答,名前付きエンティティ認識,および様々なトランスフォーマーベースのPLMを用いたデータ・テキスト生成に関する実験により,様々な空間レベルにおけるアプローチの有効性が示された。
論文 参考訳(メタデータ) (2023-05-21T08:15:12Z) - Regularization-based Pruning of Irrelevant Weights in Deep Neural
Architectures [0.0]
本稿では,無関係な重みを識別し,そのノルムを選択的に縮小する正規化手法を用いて,スパース神経トポロジを学習する手法を提案する。
提案手法を画像分類と自然言語生成のタスクで検証し,スパーシティとメトリクスの両面から比較結果を得た。
論文 参考訳(メタデータ) (2022-04-11T09:44:16Z) - Probing Structured Pruning on Multilingual Pre-trained Models: Settings,
Algorithms, and Efficiency [62.0887259003594]
本研究では,多言語事前学習言語モデルにおける構造化プルーニングの3つの側面について検討する。
9つの下流タスクの実験は、いくつかの反直観的な現象を示している。
モデルを一度トレーニングし、推論時に異なるモデルサイズに適応できるシンプルなアプローチであるDynamic Sparsificationを紹介します。
論文 参考訳(メタデータ) (2022-04-06T06:29:52Z) - Dependency-based Mixture Language Models [53.152011258252315]
依存性に基づく混合言語モデルを紹介する。
より詳しくは、依存関係モデリングの新たな目的により、まずニューラルネットワークモデルを訓練する。
次に、前回の依存性モデリング確率分布と自己意図を混合することにより、次の確率を定式化する。
論文 参考訳(メタデータ) (2022-03-19T06:28:30Z) - Structured Pattern Pruning Using Regularization [0.0]
イテレーティブ・マグニチュード・プルーニング(IMP)は、最小等級の重みを除去し、モデルを再訓練するネットワーク・プルーニング法である。
以前の研究では、構造パターンが出現し、結果として得られた重量が行列のいくつかの行や列に顕著に集まる傾向があることが示されている。
IMPの目的関数に正規化項を追加することにより、圧縮における構造化パターンを事前に誘導する新しいプルーニング機構であるSPURを提案する。
論文 参考訳(メタデータ) (2021-09-18T03:01:29Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳(メタデータ) (2021-06-24T01:40:17Z) - Movement Pruning: Adaptive Sparsity by Fine-Tuning [115.91907953454034]
マグニチュードプルーニング(Magnitude pruning)は、純粋教師付き学習におけるモデルサイズの削減に広く用いられている戦略である。
本稿では,単純な一階重み決定法であるムーブメント・プルーニング(Motion pruning)を提案する。
実験により、大きな事前訓練された言語モデルでプルーニングを行うと、運動プルーニングは高分離性体制において顕著な改善を示すことが示された。
論文 参考訳(メタデータ) (2020-05-15T17:54:15Z) - Modeling of Pruning Techniques for Deep Neural Networks Simplification [8.75217589103206]
畳み込みニューラルネットワーク(CNN)は、計算複雑性やパラメータの数など、さまざまな問題に悩まされている。
近年,CNNにおける操作数やモデルサイズの削減にプルーニング技術が用いられている。
様々なテクニックやトリックがプルーニングメソッドを伴い、すべてのプルーニングメソッドをモデル化する統一的なフレームワークは存在しない。
論文 参考訳(メタデータ) (2020-01-13T04:51:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。