중앙 집중형 제거(Centered Ablation): 마지막 레이어 방향성 제거가 왜 작동하지 않거나 붕괴하는지, 그리고 폐쇄형 공식 수정 방법
요약
기존의 방향성 제거(Directional ablation)는 모델 붕괴나 불안정성을 야기하는 문제가 있었습니다. 본 연구는 이 문제를 분석하고, 공통 모드를 활용하여 '중앙 집중형 제거(Centered Ablation)'라는 폐쇄형 공식 수정 방법을 제안합니다. 이는 여러 모델에서 공격 성공률을 높이고 텍스트 붕괴를 줄이는 효과가 입증되었습니다.
핵심 포인트
- 방향성 제거는 불안정하여 모델이 제대로 작동하지 않거나 붕괴될 수 있습니다.
- 문제의 근본 원인은 마지막 레이어 상태들이 공유하는 '공통 모드'에 기인합니다.
- 중앙 집중형 제거(CA)는 이 공통 모드를 폐쇄형 공식으로 수정하여 안정성을 높입니다.
- CA는 공격 성공률을 높이고, Gemma-2-9B의 붕괴를 크게 줄이는 효과가 있습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기