点击上方“CVer”,选择加"星标"置顶
重磅干货,第一时间送达
本文转载自:炼丹笔记
作者:一元,四品炼丹师
Informer:最强最快的序列预测神器
01
简介
Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting
代码:https://github.com/zhouhaoyi/Informer2020
论文:https://arxiv.org/abs/2012.07436
在很多实际应用问题中,我们需要对长序列时间序列进行预测,例如用电使用规划。长序列时间序列预测(LSTF)要求模型具有很高的预测能力,即能够有效地捕捉输出和输入之间精确的长程相关性耦合。最近的研究表明,Transformer具有提高预测能力的潜力。
然而,Transformer存在一些严重的问题,如:
二次时间复杂度、高内存使用率以及encoder-decoder体系结构的固有限制。
为了解决这些问题,我们设计了一个有效的基于变换器的LSTF模型Informer,它具有三个显著的特点:
ProbSparse Self-Attention,在时间复杂度和内存使用率上达到了 ,在序列的依赖对齐上具有相当的性能。
self-attention 提取通过将级联层输入减半来突出控制注意,并有效地处理超长的输入序列。
产生式decoder虽然概念上简单,但在一个正向操作中预测长时间序列,而不是一步一步地进行,这大大提高了长序列预测的推理速度。
在四个大规模数据集上的大量实验表明,Informer的性能明显优于现有的方法,为LSTF问题提供了一种新的解决方案。
02
背景
Intuition:Transformer是否可以提高计算、内存和架构效率,以及保持更高的预测能力?
原始Transformer的问题
self-attention的二次计算复杂度,self-attention机制的操作,会导致我们模型的时间复杂度为 ;
长输入的stacking层的内存瓶颈:J个encoder/decoder的stack会导致内存的使用为 ;
预测长输出的速度骤降:动态的decoding会导致step-by-step的inference非常慢。
本文的重大贡献
本文提出的方案同时解决了上面的三个问题,我们研究了在self-attention机制中的稀疏性问题,本文的贡献有如下几点:
我们提出Informer来成功地提高LSTF问题的预测能力,这验证了类Transformer模型的潜在价值,以捕捉长序列时间序列输出和输入之间的单个的长期依赖性;
我们提出了ProbSparse self-attention机制来高效的替换常规的self-attention并且获得了 的时间复杂度以及 的内存使用率;
我们提出了self-attention distilling操作全县,它大幅降低了所需的总空间复杂度 ;
我们提出了生成式的Decoder来获取长序列的输出,这只需要一步,避免了在inference阶段的累计误差传播;
问题定义
在固定size的窗口下的rolling预测中,我们在时刻 的输入为,我们需要预测对应的输出序列,LSTF问题鼓励输出一个更长的输出,特征维度不再依赖于univariate例子( ).
Encoder-decoder框架:许多流行的模型被设计对输入表示 进行编码,将 编码为一个隐藏状态表示 并且将输出的表示 解码.在推理的过程中设计到step-by-step的过程(dynamic decoding),decoder从前一个状态 计算一个新的隐藏状态 以及第 步的输出,然后对 个序列进行预测 ;
输入表示:为了增强时间序列输入的全局位置上下文和局部时间上下文,给出了统一的输入表示。
03
方法
现有时序方案预测可以被大致分为两类:
高效的Self-Attention机制
传统的self-attention主要由(query,key,value)组成,,其中;第 个attention被定义为核平滑的概率形式:
self-attention需要 的内存以及二次的点积计算代价,这是预测能力的主要缺点。
我们首先对典型自我注意的学习注意模式进行定性评估。“稀疏性” self-attention得分形成长尾分布,即少数点积对主要注意有贡献,其他点积对可以忽略。那么,下一个问题是如何区分它们?
Query Sparsity评估
我们定义第 个query sparsity第评估为:
第一项是 在所有keys的Log-Sum-Exp(LSE),第二项是arithmetic均值。
ProbSparse Self-attention
其中 是和q相同size的稀疏矩阵,它仅包含稀疏评估下 下Top-u的queries,由采样factor 所控制,我们令 , 这么做self-attention对于每个query-key lookup就只需要计算 的内积,内存的使用包含 ,但是我们计算 的时候需要计算没对的dot-product,即, ,同时LSE还会带来潜在的数值问题,受此影响,本文提出了query sparsity 评估的近似,即:
这么做可以将时间和空间复杂度控制到
04
方法Encoder + Decoder
1. Encoder: Allowing for processing longer sequential inputs under the memory usage limitation
encoder被设计用来抽取鲁棒的长序列输入的long-range依赖,在第 个序列输入 被转为矩阵
Self-attention Distilling
作为ProbSparse Self-attention的自然结果,encoder的特征映射会带来 值的冗余组合,利用distilling对具有支配特征的优势特征进行特权化,并在下一层生成focus self-attention特征映射。
它对输入的时间维度进行了锐利的修剪,如上图所示,n个头部权重矩阵(重叠的红色方块)。受扩展卷积的启发,我们的“distilling”过程从第j层往 推进:
其中 包含Multi-Head ProbSparse self-attention以及重要的attention block的操作。
为了增强distilling操作的鲁棒性,我们构建了halving replicas,并通过一次删除一层(如上图)来逐步减少自关注提取层的数量,从而使它们的输出维度对齐。因此,我们将所有堆栈的输出串联起来,并得到encoder的最终隐藏表示。
2. Decoder: Generating long sequential outputs through one forward procedure
此处使用标准的decoder结构,由2个一样的multihead attention层,但是,生成的inference被用来缓解速度瓶颈,我们使用下面的向量喂入decoder:
其中,是start tocken, ~~是一个placeholder,将Masked multi-head attention应用于ProbSparse self-attention,将mask的点积设置为 。它可以防止每个位置都关注未来的位置,从而避免了自回归。一个完全连接的层获得最终的输出,它的超大小取决于我们是在执行单变量预测还是在执行多变量预测。
Generative Inference
我们从长序列中采样一个 ,这是在输出序列之前的slice。
以图中预测168个点为例(7天温度预测),我们将目标序列已知的前5天的值作为“start token”,并将 输入生成式推理解码器。
包含目标序列的时间戳,即目标周的上下文。注意,我们提出的decoder通过一个前向过程预测所有输出,并且不存在耗时的“dynamic decoding”。
Loss Function
此处选用MSE 损失函数作为最终的Loss。
05
实验
1. 实验效果
从上表中,我们发现:
所提出的模型Informer极大地提高了所有数据集的推理效果(最后一列的获胜计数),并且在不断增长的预测范围内,它们的预测误差平稳而缓慢地上升。
query sparsity假设在很多数据集上是成立的;
Informer在很多数据集上远好于LSTM和ERNN
2. 参数敏感性
从上图中,我们发现:
Input Length:当预测短序列(如48)时,最初增加编码器/解码器的输入长度会降低性能,但进一步增加会导致MSE下降,因为它会带来重复的短期模式。然而,在预测中,输入时间越长,平均误差越低:信息者的参数敏感性。长序列(如168)。因为较长的编码器输入可能包含更多的依赖项;
Sampling Factor:我们验证了冗余点积的查询稀疏性假设;实践中,我们把sample factor设置为5即可,即 ;
Number of Layer Stacking:Longer stack对输入更敏感,部分原因是接收到的长期信息较多
3. 解耦实验
从上表中我们发现,
ProbSparse self-attention机制的效果:ProbSparse self-attention的效果更好,而且可以节省很多内存消耗;
self-attention distilling:是值得使用的,尤其是对长序列进行预测的时候;
generative stype decoderL:它证明了decoder能够捕获任意输出之间的长依赖关系,避免了误差的积累;
4. 计算高效性
在训练阶段,在基于Transformer的方法中,Informer获得了最佳的训练效率。
在测试阶段,我们的方法比其他生成式decoder方法要快得多。
06
小结
本文研究了长序列时间序列预测问题,提出了长序列预测的Informer方法。具体地:
设计了ProbSparse self-attention和提取操作来处理vanilla Transformer中二次时间复杂度和二次内存使用的挑战。
generative decoder缓解了传统编解码结构的局限性。
通过对真实数据的实验,验证了Informer对提高预测能力的有效性
Informer论文和代码下载
后台回复:Informer,即可下载论文和源码,肝起来!
CV资源下载
后台回复:Transformer综述,即可下载两个最新的视觉Transformer综述PDF,肝起来!
重磅!CVer-Transformer交流群成立
扫码添加CVer助手,可申请加入CVer-Transformer方向 微信交流群,也可申请加入CVer大群,细分方向已涵盖:目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、Transformer、PyTorch和TensorFlow等群。
一定要备注:研究方向+地点+学校/公司+昵称(如Transformer+上海+上交+卡卡),根据格式备注,才能通过且邀请进群
▲长按加微信群
▲长按关注CVer公众号
整理不易,请给CVer点赞和在看!