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

• DRPruning: Efficient Large Language Model Pruning through Distributionally Robust Optimization [61.492590008258986]
  大きな言語モデル(LLM)は素晴らしい結果をもたらすが、モデルのサイズと計算コストの増加による課題に直面している。 本稿では,分散的にロバストな最適化を取り入れたDRPruningを提案する。
  論文  参考訳（メタデータ） (2024-11-21T12:02:39Z)
• Enhancing adversarial robustness in Natural Language Inference using explanations [41.46494686136601]
  自然言語推論(NLI)の未探索課題に注目点を当てた。 我々は、広範囲な実験を通じて、モデルに依存しない防衛戦略として、自然言語説明の使用を検証した。 本研究では,広範に使用されている言語生成指標と人間の知覚との相関について検討し,それらが堅牢なNLIモデルへのプロキシとして機能するようにした。
  論文  参考訳（メタデータ） (2024-09-11T17:09:49Z)
• Diversifying the Expert Knowledge for Task-Agnostic Pruning in Sparse Mixture-of-Experts [75.85448576746373]
  本稿では,モデルのパラメータ効率を向上させるために,類似の専門家をグループ化し,グループ化する方法を提案する。 提案手法の有効性を3つの最先端MoEアーキテクチャを用いて検証する。 評価の結果,本手法は自然言語タスクにおいて,他のモデルプルーニング手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-07-12T17:25:02Z)
• NeuroPrune: A Neuro-inspired Topological Sparse Training Algorithm for Large Language Models [35.10729451729596]
  自然言語処理(NLP)におけるトランスフォーマーベース言語モデルの普及 しかし、高価なトレーニングや推論は、その適用性に重大な障害となる。 脳神経ネットワークにインスパイアされた我々は、ネットワークトポロジーのレンズを通してスパーシティアプローチを探索する。
  論文  参考訳（メタデータ） (2024-02-28T22:21:47Z)
• 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)
• 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)

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。