94 lines
4.1 KiB
Markdown
94 lines
4.1 KiB
Markdown
---
|
|
id: wiki-2026-0508-peft-parameter-efficient-fine-tu
|
|
title: PEFT (Parameter Efficient Fine Tuning)
|
|
category: 10_Wiki/Topics
|
|
status: needs_review
|
|
canonical_id: self
|
|
aliases: [P-Reinforce-AUTO-PEFT-001]
|
|
duplicate_of: none
|
|
source_trust_level: A
|
|
confidence_score: 0.98
|
|
tags: [auto-reinforced, llm, Fine-tuning, Efficiency, adapters]
|
|
raw_sources: []
|
|
last_reinforced: 2026-04-20
|
|
github_commit: pending
|
|
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
|
tech_stack:
|
|
language: unspecified
|
|
framework: unspecified
|
|
---
|
|
|
|
# [[PEFT ([[Parameter]]-Efficient Fine-Tuning)]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "전봇대를 다 바꾸는 대신 전구만 바꾼다: 거대 모델의 전체 파라미터를 건드리지 않고, 극히 일부(1% 미만)만 학습시켜 하드웨어 부담 없이 전문 지식을 주입하는 효율 극대화 기술."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
매개변수 효율적 미세 조정(PEFT)은 거대 언어 모델(LLM)을 특정 작업에 맞춰 최적화할 때, 전체 가중치를 업데이트하는 대신 소량의 추가 파라미터만 학습시키는 방법론입니다.
|
|
|
|
1. **주요 기법**:
|
|
* **[[LoRA (Low-Rank Adaptation)]]**: 가중치 행렬의 변화량을 낮은 차원의 두 행렬(A, B)로 분해하여 학습. 가장 대중적인 기법으로 연산량과 메모리를 획기적으로 절감.
|
|
* **Adapters**: 기존 모델 레이어 사이에 작은 신경망(Adapter)을 끼워 넣어 해당 부분만 학습.
|
|
* **[[prompt]] Tuning / Prefix Tuning**: 모델 입력 앞단에 학습 가능한 가상의 '소프트 프롬프트' 벡터를 추가하여 튜닝.
|
|
2. **핵심 이점**:
|
|
* **GPU 메모리 절약**: 하이엔드 서버 없이도 소비자용 GPU에서 거대 모델 튜닝 가능.
|
|
* **파라미터 사일로 방지**: 각 작업마다 거대 모델을 통째로 저장할 필요 없이, 작은 PEFT 모듈(체크포인트)만 저장하여 교체하며 사용 가능.
|
|
* **Catastrophic Forgetting 방지**: 원본 가중치가 고정되므로 모델의 기반 지식이 무너지지 않음.
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
|
- **과거 데이터와의 충돌**: 초기에는 "일부만 학습하면 성능이 떨어질 것"이라는 우려가 있었으나, 연구 결과 전체 튜닝(Full Fine-tuning)과 대등하거나 오히려 특정 작업에서는 과적합을 막아 더 나은 성능을 냄이 증명됨.
|
|
- **정책 변화(RL Update)**: 기업 보안 정책 상 '클라우드 API'를 쓰기 힘든 환경에서, 사내 데이터로 로컬 모델을 안전하고 저비용으로 튜닝하는 'On-premise PEFT'가 데이터 거버넌스의 핵심 전략으로 부상함.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- **Related**: [[SFT (Supervised Fine-Tuning)]], Foundational Models, [[Transfer Learning]], [[Large Language Models (LLM)]]
|
|
- **Modern Tech/Tools**: HuggingFace PEFT library, LoRA, QLoRA.
|
|
---
|
|
|
|
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
|
|
|
**언제 이 지식을 쓰는가:**
|
|
- *(TODO)*
|
|
|
|
**언제 쓰면 안 되는가:**
|
|
- *(TODO)*
|
|
|
|
## 🧪 검증 상태 (Validation)
|
|
|
|
- **정보 상태:** needs_review
|
|
- **출처 신뢰도:** A
|
|
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
|
|
|
## 🧬 중복 검사 (Duplicate Check)
|
|
|
|
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
|
- **처리 방식:** UPDATE (자동 정규화)
|
|
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
|
|
|
## 🕓 변경 이력 (Changelog)
|
|
|
|
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
|
|------|-----------|-----------|--------|
|
|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
|
|
|
## 💻 코드 패턴 (Code Patterns)
|
|
|
|
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
|
|
|
```text
|
|
# TODO
|
|
```
|
|
|
|
## 🤔 의사결정 기준 (Decision Criteria)
|
|
|
|
**선택 A를 써야 할 때:**
|
|
- *(TODO)*
|
|
|
|
**선택 B를 써야 할 때:**
|
|
- *(TODO)*
|
|
|
|
**기본값:**
|
|
> *(TODO)*
|
|
|
|
## ❌ 안티패턴 (Anti-Patterns)
|
|
|
|
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)* |