Improving Transformers with Dynamically Composable Multi-Head Attention

要約

マルチヘッド アテンション (MHA) は、Transformer の重要なコンポーネントです。
MHA では、アテンション ヘッドが独立して動作するため、アテンション スコア行列の低ランクのボトルネックやヘッドの冗長性などの問題が発生します。
我々は、MHA の欠点に対処し、アテンション ヘッドを動的に構成することでモデルの表現力を向上させる、パラメータと計算効率の高いアテンション アーキテクチャである Dynamically Composable Multi-Head Attendee (DCMHA) を提案します。
DCMHA の中核となるのは、入力に応じた方法で注意スコアと重み行列を変換する $\it{Compose}$ 関数です。
DCMHA は、対応する DCFormer を取得するために、任意の変圧器アーキテクチャで MHA のドロップイン代替品として使用できます。
DCFormer は、言語モデリングにおけるさまざまなアーキテクチャおよびモデル スケールで Transformer を大幅に上回り、約 1.7 倍から 2.0 倍のコンピューティングを備えたモデルのパフォーマンスに匹敵します。
たとえば、DCPythia-6.9B は、事前トレーニングの複雑さとダウンストリーム タスクの評価の両方において、オープンソースの Pythia-12B よりも優れています。
コードとモデルは https://github.com/Caiyun-AI/DCFormer で入手できます。

要約(オリジナル)

Multi-Head Attention (MHA) is a key component of Transformer. In MHA, attention heads work independently, causing problems such as low-rank bottleneck of attention score matrices and head redundancy. We propose Dynamically Composable Multi-Head Attention (DCMHA), a parameter and computation efficient attention architecture that tackles the shortcomings of MHA and increases the expressive power of the model by dynamically composing attention heads. At the core of DCMHA is a $\it{Compose}$ function that transforms the attention score and weight matrices in an input-dependent way. DCMHA can be used as a drop-in replacement of MHA in any transformer architecture to obtain the corresponding DCFormer. DCFormer significantly outperforms Transformer on different architectures and model scales in language modeling, matching the performance of models with ~1.7x-2.0x compute. For example, DCPythia-6.9B outperforms open source Pythia-12B on both pretraining perplexity and downstream task evaluation. The code and models are available at https://github.com/Caiyun-AI/DCFormer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google