[논문] BrainSurgery: 재현·신뢰 가능한 선언적 가중치 조작으로 모델 편집·업사이클링

출처: arXiv - 2606.09707v1

개요

딥러닝 모델이 규모가 커짐에 따라, 대형 체크포인트를 관리·검사·수정하는 일이 점점 더 어려워지고 있습니다. 연구자들은 레이어 재구성, 정밀도 캐스팅, 저랭크 분해, 아키텍처 디버깅 등을 위해 모델 가중치를 변경해야 할 때가 많지만, 이러한 워크플로는 대개 깨지기 쉬운 임시 Python 스크립트에 의존합니다. 여기서는 신경망 체크포인트에 대한 견고하고 재현 가능한 “텐서 수술”을 가능하게 하는 도구, BrainSurgery를 소개하고, 네 가지 예시와 모델 업사이클링부터 LoRA 추출까지의 세 가지 사례 연구를 포함한 시스템 시연을 제공합니다. 저장 포맷과 메모리 관리를 추상화함으로써, BrainSurgery는 선언형 YAML 플랜을 통해 복잡한 변환을 실행합니다. 정규식 및 구조적 타깃팅을 활용한 표현력 있는 구조 수정, 수학적 변환, 텐서 형태 변환을 지원하며, 내장된 어설션을 통해 텐서 형태, 데이터 타입, 값 등을 검증해 조용한 오류를 방지합니다. 우리는 BrainSurgery가 재현 가능하고 검증된 연산을 통해 향후 연구의 강력한 기반이 되기를 기대합니다.

핵심 기여

이 논문은 다음 분야의 연구를 제시합니다:

• cs.LG
• cs.CL

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

이 연구는 cs.LG 분야의 발전에 기여합니다.

저자

• Gianluca Barmina
• Annemette Broch Pirchert
• Andrea Blasi Núñez
• Lukas Galke Poech
• Peter Schneider-Kamp

논문 정보

• arXiv ID: 2606.09707v1
• 분류: cs.LG, cs.CL
• 발표일: 2026년 6월 8일
• PDF: PDF 다운로드