도메인 특화 언어모델의 성능 향상도 예측 방법론 :Methodology for Predicting Performance Gains for Domain-specific Language Models

한민아

자료유형: 학위논문

저자정보: 한민아 (국민대학교, 국민대학교 비즈니스IT전문대학원)

지도교수: 김남규

발행연도: 2023

저작권: 국민대학교 논문은 저작권에 의해 보호받습니다.

이용수17

초록· 키워드

최근 텍스트 분석을 딥러닝에 적용한 연구가 꾸준히 이어지고 있으며, 특히 대용량의 데이터 셋을 학습한 사전학습 언어모델을 통해 단어의 의미를 파악하여 요약, 감정 분류 등의 태스크를 수행하려는 연구가 활발히 이루어지고 있다. 하지만 기존 사전학습 언어모델이 특정 도메인을 잘 이해하지 못한다는 한계를 나타냄에 따라, 최근 특정 도메인에 특화된 언어모델을 만들고자 하는 방향으로 연구의 흐름이 옮겨가고 있는 추세이다.
도메인 특화 추가 사전학습 언어모델은 특정 도메인의 지식을 모델이 더 잘 이해할 수 있게 하여, 해당 분야의 다양한 태스크에서 성능 향상을 가져왔다. 하지만 도메인 특화 추가 사전학습은 해당 도메인의 말뭉치 데이터를 확보하기 위해 많은 비용이 소요될 뿐 아니라, 고성능 컴퓨팅 자원과 개발 인력 등의 측면에서도 많은 비용과 시간이 투입되어야 한다는 부담이 있다. 아울러 일부 도메인에서 추가 사전학습 후의 성능 개선이 미미하다는 사례가 보고됨에 따라, 성능 개선 여부가 확실하지 않은 상태에서 도메인 특화 추가 사전학습 모델의 개발에 막대한 비용을 투입해야 하는지 여부에 대해 판단이 어려운 상황이다.
이러한 상황에도 불구하고 최근 각 도메인의 성능 개선 자체에 초점을 둔 추가 사전학습 연구는 다양한 분야에서 수행되고 있지만, 추가 사전학습을 통한 성능 개선에 영향을 미치는 도메인의 특성을 규명하기 위한 연구는 거의 이루어지지 않고 있다.
본 논문에서는 이러한 한계를 극복하기 위해, 실제로 추가 사전학습을 수행하기 전에 추가 사전학습을 통한 해당 도메인의 성능 개선 정도를 선제적으로 확인할 수 있는 방안을 제시한다. 구체적으로 3개의 도메인을 분석 대상 도메인으로 선정한 후, 각 도메인에서의 추가 사전학습을 통한 분류 정확도 상승 폭을 측정한다. 또한 각 도메인에서 사용된 주요 단어들의 정규화된 빈도를 기반으로 해당 도메인의 특수성을 측정하는 지표를 새롭게 개발하여 제시한다. 사전학습 언어모델과 3개 도메인의 도메인 특화 언어모델을 사용한 분류 태스크 실험을 통해, 도메인 특수성 지표가 높을수록 추가 사전학습을 통한 성능 개선 폭이 높음을 확인하였다.

Recently, research on applying text analysis to deep learning has steadily continued. In particular, research is being actively conducted to understand the meaning of words and perform tasks such as summarization and emotion classification through a pre-trained language model that learns large datasets. However, existing pre-trained language models show limitations in that they do not understand specific domains well. Therefore, in recent years, the flow of research has shifted toward creating a language model specialized for a specific domain.
Domain-specific pre-trained language models allow the model to better understand the knowledge of a particular domain and demonstrate performance improvements on various tasks in the field. However, domain-specific further pre-training is expensive to secure corpus data for that domain. In addition, there is a burden that a lot of cost and time must be spent in terms of high-performance computing resources and development personnel. Furthermore, cases have been reported that performance improvement after further pre-training is insignificant in some domains. As such, it is difficult to judge the development of a domain-specific pre-trained language model while it is not clear whether the performance will be improved.
Despite these circumstances, further pre-training studies focusing on the performance improvement of each domain itself are being conducted in various fields. However, little research has been conducted to identify the characteristics of domains that affect performance improvement through further pre-training.
In this paper, we present a way to proactively check the degree of performance improvement of the corresponding domain through further pre-training before actually performing further pre-training. Specifically, after selecting three domains as analysis target domains, we measure the increase in classification accuracy through further pre-training in each domain. We also develop and present new indicators to measure the specificity of the domain based on the normalized frequency of the keywords used in each domain. We conducted classification task experiments using a pre-trained language model and a domain-specific pre-trained language model of three domains. As a result, it was confirmed that the higher the domain specificity index, the higher the performance improvement through further pre-training.

#사전학습 언어모델 #추가 사전학습 #도메인 특화 언어모델 #도메인 특수성 지표 #Pre-Trained Language Model #Further Pre-Training #Domain-Specific Pre-Trained Language Model #Domain Specificity Index

제1장. 서론 1
제2장. 관련 연구 7
2.1. 사전학습 언어모델 7
2.2. 추가 사전학습 언어모델 9
제3장. 제안 방법론 13
3.1. 방법론 개요 13
3.2. 전처리 및 토크나이징 14
3.3. 도메인 특수성 지표 산출 17
3.4. 도메인 특화 언어모델 개발 22
3.5. 도메인 특수성과 추가 사전학습을 통한 성능 개선과의 관계 분석 23
제4장. 실험 25
4.1. 실험 개요 25
4.2. 전처리 및 토크나이징 26
4.3. 도메인 특수성 지표(DSI) 산출 27
4.4. 도메인 특화 언어모델 개발 및 분류 태스크 수행 29
4.5. 도메인 특수성과 추가 사전학습을 통한 성능 개선 분석 31
제5장. 결론 33
본인의 이전 저작물 활용 고지 35
참고문헌 36
Abstract 40

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)