COMPASS: 지속적인 다국어 PEFT (Parameter-Efficient Fine-Tuning) 및 적응형 의미 샘플링

COMPASS: COntinual Multilingual PEFT with Adaptive Semantic Sampling

대규모 언어 모델(LLM)은 종종 언어별 성능 차이를 보이며, 단순한 다국어 미세 조정은 종종 부정적인 교차 언어 간섭으로 인해 성능 저하를 초래합니다. 이를 해결하기 위해, 우리는 LLM을 대상 언어에 적응시키는 데이터 중심의 새로운 프레임워크인 COMPASS (COntinual Multilingual PEFT with Adaptive Semantic Sampling)를 소개합니다. COMPASS는 경량의 언어별 어댑터를 신중하게 선택된 보조 다국어 데이터의 부분 집합에 대해 학습시켜, 매개변수 효율적인 미세 조정(PEFT)을 활용합니다. 저희 방법의 핵심은 다국어 임베딩과 클러스터링을 사용하여 기존 훈련 데이터와 대상 사용 분포 간의 의미 간극을 식별하는 분포 인식 샘플링 전략입니다. COMPASS는 표현이 부족한 의미 클러스터에서 가져온 보조 데이터를 우선적으로 사용하여 긍정적인 교차 언어 전송을 극대화하고 간섭을 최소화합니다. 우리는 이를 지속적인 학습 프레임워크인 COMPASS-ECDA로 확장하여, 운영 환경에서 데이터 분포 변화를 모니터링하고 모델의 최신성을 유지하기 위해 어댑터를 동적으로 업데이트하여 새로운 데이터에 대한 적응과 기존 지식 보존 사이의 균형을 맞춥니다. 우리는 세 가지 다른 모델 아키텍처(Phi-4-Mini, Llama-3.1-8B, Qwen2.5-7B) 및 여러 가지 어려운 다국어 벤치마크(Global-MMLU, MMLU-ProX), 그리고 이전에 보지 못한 긴 컨텍스트 작업(OneRuler)에서 COMPASS가 언어적 유사성을 기반으로 하는 기존 방법보다 일관되게 우수한 성능을 보임을 입증했습니다. COMPASS는 역동적인 환경에서 고성능의 다국어 모델을 개발하고 유지하는 데 효과적이고 효율적이며 지속 가능한 솔루션을 제공합니다.

Large language models (LLMs) often exhibit performance disparities across languages, with naive multilingual fine-tuning frequently degrading performance due to negative cross-lingual interference. To address this, we introduce COMPASS (COntinual Multilingual PEFT with Adaptive Semantic Sampling), a novel data-centric framework for adapting LLMs to target languages. COMPASS leverages parameter-efficient fine-tuning (PEFT) by training lightweight, language-specific adapters on a judiciously selected subset of auxiliary multilingual data. The core of our method is a distribution-aware sampling strategy that uses multilingual embeddings and clustering to identify semantic gaps between existing training data and a target usage distribution. By prioritizing auxiliary data from under-represented semantic clusters, COMPASS maximizes positive cross-lingual transfer while minimizing interference. We extend this into a continual learning framework, COMPASS-ECDA, which monitors for data distribution shifts in production and dynamically updates adapters to prevent model staleness, balancing adaptation to new data with the preservation of existing knowledge. Across three different model architectures (Phi-4-Mini, Llama-3.1-8B, and Qwen2.5-7B) and multiple challenging multilingual benchmarks (Global-MMLU, MMLU-ProX), including unseen long-context tasks (OneRuler), we demonstrate that COMPASS consistently outperforms baseline methods guided by linguistic similarity, providing an effective, efficient, and sustainable solution for developing and maintaining high-performing multilingual models in dynamic environments.