單一作者論文，谷歌提出百萬專家Mixture，超越密集前饋、稀疏MoE

作者：機器之心 2024-07-10 12:32:48

釋放進一步擴展 Transformer 的潛力，同時還可以保持計算效率。

標準 Transformer 架構中的前饋（FFW）層會隨著隱藏層寬度的增加而導致計算成本和激活內存的線性增加。在大語言模型（LLM）體量不斷增大的現(xiàn)在，稀疏混合專家（MoE）架構已成為解決此問題的可行方法，它將模型大小與計算成本分離開來。很多新興的 MoE 模型都可以實現(xiàn)相同體量之上，更好的性能與更強大的表現(xiàn)。

最近發(fā)現(xiàn)的細粒度 MoE 擴展定律表明，更高的粒度可帶來更好的性能。然而由于計算和優(yōu)化方面的挑戰(zhàn)，現(xiàn)有的 MoE 模型僅限于低數(shù)量專家。

本周二，Google DeepMind 的新研究引入了一種參數(shù)高效的專家檢索機制，其利用乘積密鑰技術從一百萬個微型專家中進行稀疏檢索。

鏈接：https://arxiv.org/abs/2407.04153

該方法嘗試通過用于路由的學習索引結構有效地串聯(lián)到大量微小專家，從而將計算成本與參數(shù)計數(shù)分離。與密集的 FFW、粗粒度 MoE 和產品密鑰存儲器 (PKM) 層相比，表現(xiàn)出卓越的效率。

這項工作引入了參數(shù)高效專家檢索（PEER) 架構（parameter efficient expert retrieval），利用產品密鑰（product key）檢索高效地路由到大量專家，將計算成本與參數(shù)量分離。這種設計在實驗中展示了卓越的計算性能水平，將其定位為用于擴展基礎模型的密集 FFW 層的競爭性替代方案。這項工作的主要貢獻是：

極端 MoE 設置的探索：與以前的 MoE 研究中對少數(shù)大型專家的關注不同，這項工作研究了眾多小型專家的未充分探索的情況。

用于路由的學習索引結構：首次證明學習索引結構可以有效地路由到超過一百萬個專家。

新的層設計：將產品密鑰路由與單神經元專家相結合，我們引入了 PEER 層，它可以擴展層容量而無需大量計算開銷。實證結果表明，與密集 FFW、粗粒度 MoE 和產品密鑰內存 (PKM) 層相比，其效率更高。

綜合消融研究：我們研究了 PEER 的不同設計選擇（例如專家數(shù)量、活動參數(shù)、頭數(shù)量和查詢批量規(guī)范化）對語言建模任務的影響。

方法介紹

本節(jié)中，研究者詳解了參數(shù)高效專家檢索 (PEER) 層，它一種混合專家架構，使用路由中的產品密鑰和單神經元 MLP 作為專家。下圖 2 展示了 PEER 層內的計算過程。

PEER 層概覽。從形式上看，PEER 層是一個函數(shù) f : R^n → R^m，它由三部分組成：一個由 N 個專家組成的池 E := {e_i}^N_i=1，其中每個專家 e_i : R^n → R^m 與 f 共享相同的簽名；一組相應的 N 個產品密鑰 K := {k_i}^N_i=1 ? R^d ；以及一個查詢網絡 q : R^n → R^d，它將輸入向量 x ∈ R^n 映射到查詢向量 q (x)。

令 T_k 表示 top-k 運算符。給定輸入 x，首先檢索 k 個專家的子集，這些專家的相應產品鍵與查詢 q (x) 具有最高的內積。

然后將非線性激活（例如 softmax 或 sigmoid）應用于前 k 個專家的查詢鍵內積，以獲得路由分數(shù)。

最后通過對路由分數(shù)加權的專家輸出進行線性組合來計算輸出。

產品密鑰檢索。由于研究者打算使用大量專家（N ≥ 10^6），單純計算公式 1 中的前 k 個索引可能成本非常高，因此應用了產品密鑰檢索技術。他們不使用 N 個獨立的 d 維向量作為密鑰 k_i，而是通過連接兩個獨立的 d/2 維子密鑰集（即 C, C ′ ? R d/2）中的向量來創(chuàng)建它們：

參數(shù)高效專家和多頭檢索。與其他 MoE 架構不同，這些架構通常將每個專家的隱藏層設置為與其他 FFW 層相同的大小。而在 PEER 中，每個專家 e_i 都是一個單例 MLP，換句話說，它只有一個帶有單個神經元的隱藏層：

研究者沒有改變單個專家的規(guī)模，而是使用了多頭檢索來調整 PEER 層的表達能力，這類似于 transformer 中的多頭注意力機制和 PKM 中的多頭記憶。

具體來說，他們使用 h 個獨立的查詢網絡，每個網絡計算自己的查詢并檢索一組單獨的 k 個專家。不過，不同的頭共享同一個專家池，具有相同的產品密鑰集。這 h 個頭的輸出簡單地總結如下：

為什么要有大量的小專家？給定的 MoE 層可以用三個超參數(shù)來表征它：參數(shù)總數(shù) P、每個 token 的活躍參數(shù)數(shù)量 P_active 和單個專家的大小 P_expert。Krajewski 等人 (2024) 表明，MoE 模型的 scaling law 具有以下形式：

對于 PEER，研究者通過設置 d_expert = 1 來使用盡可能最小的專家規(guī)模，激活神經元的數(shù)量是檢索頭的數(shù)量乘以每個頭檢索到的專家數(shù)量：d_active = hk。因此，PEER 的粒度始終為 G = P_active/P_expert = d_active/d_expert = hk。

實驗結果

我們首先來看在語言建模數(shù)據(jù)集上的評估結果。

在根據(jù) isoFLOP 曲線確定每種方法的計算最優(yōu)模型后，研究者在以下幾個流行語言建模數(shù)據(jù)集上評估了這些預訓練模型的性能：

Curation Corpus
Lambada
Pile
Wikitext
預訓練數(shù)據(jù)集 C4

下表 1 展示了評估結果。研究者根據(jù)訓練期間使用的 FLOP 預算對模型進行了分組?？梢钥吹?，PEER 在這些語言建模數(shù)據(jù)集上的困惑度最低。

在消融實驗中，研究者改變了專家總數(shù)量。下圖 1 中 isoFLOP 曲線所示的模型都有超過一百萬個（1024^2 ）專家。

研究者選擇了 isoFLOP 最優(yōu)位置的模型，并改變了 PEER 層中的專家數(shù)量（N = 128^2、256^2、512^2、1024^2），同時保持活躍專家數(shù)量不變（h = 8，k = 16）。結果如下圖 3 (a) 所示。

可以看到，isoFLOP 曲線在具有 1024^2 個專家的 PEER 模型和相應的密集主干之間進行插值，而無需用 PEER 層替換中間塊中的 FFW 層。這表明，只需增加專家數(shù)量就可以提高模型性能。

同時，研究者改變了活躍專家的數(shù)量。他們系統(tǒng)地改變了活躍專家的數(shù)量（hk = 32、64、128、256、512），同時保持專家總數(shù)不變（N = 1024^2）。對于給定的 hk，研究者則聯(lián)合改變 h 和 k 以確定最佳組合。下圖 3 (b) 繪制了關于頭數(shù)量 (h) 的 isoFLOP 曲線。