Core Concepts
대규모 모델 저장소에서 효율적으로 우수한 모델을 선택하기 위해 두 단계의 회상-선별 프레임워크를 제안한다.
Abstract
이 논문은 대규모 모델 저장소에서 효율적으로 우수한 모델을 선택하는 방법을 제안한다.
첫 번째 단계인 회상 단계에서는 벤치마크 데이터셋에서의 모델 성능을 기반으로 모델을 클러스터링하고, 각 클러스터의 대표 모델에 대해서만 대상 데이터셋에 대한 프록시 점수를 계산하여 유망한 모델 후보를 신속하게 선별한다.
두 번째 단계인 선별 단계에서는 회상 단계에서 선별된 모델들을 대상 데이터셋에 대해 미세 조정하고, 모델의 수렴 경향을 활용하여 성능이 낮은 모델을 조기에 걸러내어 효율적으로 최적의 모델을 선택한다.
실험 결과, 제안 방법은 기존 방법 대비 약 3배 더 빠른 속도로 우수한 모델을 선택할 수 있음을 보여준다.
Stats
대상 데이터셋에 대한 최고 성능 모델의 정확도는 약 85%이다.
회상 단계에서 선별된 상위 10개 모델 중 최고 성능 모델의 정확도는 약 85%이다.
제안 방법은 기존 방법 대비 약 3배 더 빠른 속도로 모델을 선택할 수 있다.
Quotes
"대규모 모델 저장소에서 효율적으로 우수한 모델을 선택하는 것이 중요하다."
"제안하는 두 단계의 회상-선별 프레임워크는 대규모 모델 저장소에서 우수한 모델을 신속하게 선택할 수 있다."
"모델의 수렴 경향을 활용하여 성능이 낮은 모델을 조기에 걸러내어 효율적으로 최적의 모델을 선택할 수 있다."