[[422086]]

在過去的幾年里，Transformer 幾乎統(tǒng)治了整個(gè) NLP 領(lǐng)域，還跨界到計(jì)算機(jī)視覺等其他領(lǐng)域。但它也有弱點(diǎn)，比如不擅長(zhǎng)處理較長(zhǎng)上下文，因?yàn)橛?jì)算復(fù)雜度會(huì)隨著上下文長(zhǎng)度的增長(zhǎng)而增長(zhǎng)，這使其難以有效建模長(zhǎng)期記憶。為了緩解這一問題，人們提出了多種 Transformer 變體，但它們的記憶容量都是有限的，不得不拋棄較早的信息。

在一篇論文中，來自 DeepMind 等機(jī)構(gòu)的研究者提出了一種名為 ∞-former 的模型，它是一種具備無限長(zhǎng)期記憶（LTM）的 Transformer 模型，可以處理任意長(zhǎng)度的上下文。

論文鏈接：https://arxiv.org/pdf/2109.00301.pdf

通過利用連續(xù)空間注意力機(jī)制來處理長(zhǎng)期記憶，∞-former 的注意力復(fù)雜度可以獨(dú)立于上下文長(zhǎng)度。因此，它能夠借助一個(gè)固定的算力開銷建模任意長(zhǎng)度的上下文并保持「粘性記憶（sticky memories）」。

在一個(gè)綜合排序任務(wù)上進(jìn)行的實(shí)驗(yàn)證明了∞-former 能夠保留來自長(zhǎng)序列的信息。此外，研究者還進(jìn)行了語(yǔ)言建模的實(shí)驗(yàn)，包括從頭開始訓(xùn)練一個(gè)模型以及對(duì)一個(gè)預(yù)訓(xùn)練的語(yǔ)言模型進(jìn)行微調(diào)，這些實(shí)驗(yàn)顯示了無限長(zhǎng)期記憶的優(yōu)勢(shì)。

不過，和其他很多 Transformer 變體的論文一樣，這篇論文的標(biāo)題也引發(fā)了一些吐槽：

∞-former：一種擁有無限記憶的 Transformer

為了使模型能夠處理長(zhǎng)程上下文，研究者提出用一個(gè)連續(xù) LTM 來擴(kuò)展原始 transformer，這個(gè) LTM 存儲(chǔ)前面步驟的輸入嵌入和隱藏狀態(tài)。他們還考慮了有兩種記憶的可能性：LTM 和 STM（短期記憶），類似于 transformer-XL 的記憶。∞-former 的整體架構(gòu)如下圖 1 所示。

為了讓新模型的 LTM 達(dá)到無限的程度，研究者使用了一個(gè)連續(xù)空間注意力框架（參見《 Sparse and Continuous Attention Mechanisms 》），它在適用于記憶的信息單元數(shù)量（基函數(shù)）和這些單元的表示粒度之間進(jìn)行了權(quán)衡。在這一框架中，輸入序列被表征為一個(gè)連續(xù)信號(hào)，表示為徑向基函數(shù)的一個(gè)線性組合。這種表征有兩個(gè)顯著的優(yōu)勢(shì)：1）上下文可以用 N 個(gè)基函數(shù)來表示，N 小于上下文中 token 的數(shù)量，降低了注意力復(fù)雜度；2）N 可以是固定的，這使得在記憶中表征無限長(zhǎng)度的上下文成為可能（如圖 2 所示），代價(jià)是損失 resolution，但不增加其注意力復(fù)雜度，O(L^2 + L × N)，其中的 L 對(duì)應(yīng) transformer 序列長(zhǎng)度。

為了緩解損失較早記憶 resolution 的問題。研究者引入了「粘性記憶」的概念，將 LTM 新信號(hào)中的較大空間歸于之前記憶信號(hào)的相關(guān)區(qū)域。這是一種強(qiáng)制重要信息在 LTM 中持續(xù)存在的過程，使得模型可以在不損失相關(guān)信息的情況下更好地捕捉長(zhǎng)上下文，類似于大腦中的長(zhǎng)時(shí)程增強(qiáng)和突觸可塑性。

實(shí)驗(yàn)結(jié)果

為了檢驗(yàn)∞-former 能否建模長(zhǎng)上下文，研究者首先針對(duì)一個(gè)綜合任務(wù)進(jìn)行了實(shí)驗(yàn)，包括把 token 按其在一個(gè)長(zhǎng)序列中的頻率進(jìn)行排序，結(jié)果如下：

從圖中可以看出，在序列長(zhǎng)度為 4000 的時(shí)候，transformerXL 的準(zhǔn)確率要略高于 compressive transformer 和 ∞-former。這是因?yàn)?transformerXL 幾乎可以在記憶中保存整個(gè)完整序列。但隨著序列長(zhǎng)度的增加，transformerXL 的準(zhǔn)確率迅速下降，compressive transformer 和 ∞-former 變化較小。這表明∞-former 更擅長(zhǎng)建模長(zhǎng)序列。

接下來，他們又進(jìn)行了語(yǔ)言建模實(shí)驗(yàn)，包括：1）從頭訓(xùn)練一個(gè)模型；2）微調(diào)一個(gè)預(yù)訓(xùn)練語(yǔ)言模型。

第一個(gè)語(yǔ)言建模實(shí)驗(yàn)的結(jié)果如下表 1 所示。從中可以看出，利用長(zhǎng)期記憶擴(kuò)展模型確實(shí)會(huì)帶來更好的困惑度結(jié)果，而且使用粘性記憶也可以在一定程度上降低困惑度。

第二個(gè)語(yǔ)言建模實(shí)驗(yàn)的結(jié)果如下表 2 所示。該結(jié)果表明，通過簡(jiǎn)單地將長(zhǎng)期記憶添加至 GPT-2 并進(jìn)行微調(diào)，模型在 Wikitext-103 和 PG19 上的困惑度都會(huì)降低。這表明∞-former 具有多種用途：既可以從頭開始訓(xùn)練模型，也可以用于改進(jìn)預(yù)訓(xùn)練模型。