DPPA: Pruning Method for Large Language Model to Model Merging

本文是LLM系列文章，针对《DPPA: Pruning Method for Large Language Model to Model Merging》的翻译。

摘要

模型合并是将来自多个领域的微调模型组合在一起，目的是提高模型在各个领域的熟练度。主要关注的是参数冲突的解决。大量现有研究在合并阶段解决了这一问题，最新研究集中在整个修剪阶段解决这一问题。当应用于简单的微调模型时，DARE方法显示出有希望的结果。然而，当用于复杂的微调模型时，这种方法的有效性往往会减弱，这些模型显示出相对于基线模型的显著参数偏差。在本文中，我们介绍了一种称为动态修剪分区放大（DPPA）的双阶段方法，旨在解决合并复杂微调模型的挑战。首先，我们介绍了动态修剪（DP），这是一种基于幅度修剪的改进方法，旨在提高较高修剪率下的性能。随后，我们提出了动态分区放大（DPA），这是一种重新缩放策略，旨在动态放大与其显著性水平相关的参数分区。实验结果表明，我们的方法只保留了20%的领域特定参数，但其性能与其他方法相当，这些方法保留了高达90%的参数。此外，我们的方法在修剪后表现出出色的性能，使模型合并的性能显著提高了近20%。我们在Github上制作代码。

1 引言

2 相关工作

3 方法

4 实验

5 结论

在这项研究中，我们引入了一种称为DP的修剪方法，这是一种基于幅度修剪的改进方法，可以在更高