Multi-Head Mixture-of-Experts

要約

Sparse Mixtures of Experts (SMoE) は、トレーニングと推論のコストを大幅に増加させることなくモデルの能力を拡張しますが、次の 2 つの問題があります: (1) エキスパートのアクティブ化が低い。最適化のためにアクティブ化されるエキスパートの少数のサブセットのみ。
(2) 個々のトークン内の複数の意味概念に対するきめの細かい分析機能が欠如している。
私たちは、各トークンを複数のサブトークンに分割するマルチヘッド メカニズムを採用するマルチヘッド専門家混合 (MH-MoE) を提案します。
これらのサブトークンは、さまざまな専門家によって並行して割り当てられて処理され、元のトークン形式にシームレスに再統合されます。
マルチヘッドメカニズムにより、モデルはさまざまなエキスパート内のさまざまな表現空間からの情報に集合的に対応できるようになり、エキスパートの活性化が大幅に強化されるため、コンテキストの理解が深まり、過学習が軽減されます。
さらに、当社の MH-MoE は実装が簡単で、他の SMoE 最適化手法から切り離されているため、パフォーマンスを向上させるために他の SMoE モデルと簡単に統合できます。
英語を中心とした言語モデリング、多言語言語モデリング、マスクされたマルチモダリティ モデリング タスクの 3 つのタスクにわたる広範な実験結果は、MH-MoE の有効性を実証しています。

要約(オリジナル)

Sparse Mixtures of Experts (SMoE) scales model capacity without significant increases in training and inference costs, but exhibits the following two issues: (1) Low expert activation, where only a small subset of experts are activated for optimization. (2) Lacking fine-grained analytical capabilities for multiple semantic concepts within individual tokens. We propose Multi-Head Mixture-of-Experts (MH-MoE), which employs a multi-head mechanism to split each token into multiple sub-tokens. These sub-tokens are then assigned to and processed by a diverse set of experts in parallel, and seamlessly reintegrated into the original token form. The multi-head mechanism enables the model to collectively attend to information from various representation spaces within different experts, while significantly enhances expert activation, thus deepens context understanding and alleviate overfitting. Moreover, our MH-MoE is straightforward to implement and decouples from other SMoE optimization methods, making it easy to integrate with other SMoE models for enhanced performance. Extensive experimental results across three tasks: English-focused language modeling, Multi-lingual language modeling and Masked multi-modality modeling tasks, demonstrate the effectiveness of MH-MoE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google