Google新作synthesizer：Rethinking Self-Attention in Transformer Models

0. 背景

机构：Google Research
作者：Yi Tay, Dara Bahri, Donald Metzler, Da-Cheng Juan, Zhe Zhao, Che Zheng
论文地址：https://arxiv.org/abs/2005.00743

0.1 摘要

以当下基于Transformer的各种先进模型来看，使用点积自注意力（dot product self-attention）是至关重要且不可或缺的。但，事实真的如此吗，没有点积自注意力就会不香吗？点积自注意力是否真的不可替代？为此，本文提出SYNTHESIZER模型，该模型注意力权重的学习摒弃了传统自注意力机制中token之间的交互。本文通过大量实验发现：
(1)随机初始化对齐矩阵所表现出的实力惊人
(2)基于token-token或者说query-key之间的交互学习注意力权重其实是没必要的。
实验表明SYNTHESIZER在多个任务(包括机器翻译、语言建模、文本摘要、对话生成和自然语言理解)上可以与原始的Transformer相媲美。

1. 介绍

随着基于Transformer的各种模型在众多NLP任务上大获成功，Transformer的霸主地位已成事实。而Transformer的核心是query-key-value的点积自注意力，点积自注意力的基本作用是学习自对齐(self-alignment)，即确定单个token相对于序列中所有其他token的相对重要性。实际上query、key和values隐含着自注意力模拟一个基于内容的检索过程，而这个过程的核心是pairwise之间的交互。本文则对这整个过程进行了反思。

与传统的做法相反，本文提出既不需要点积自注意力，也不需要基于内容的记忆类自注意力。传统上，注意力权重是在实例或样本级学习的，其中权重通过实例级的pairwise交互产生。因此，这些特定于具体实例的交互往往在不同的实例间波动，缺乏一致的全局语境。为此，本文提出 SYNTHESIZER，该模型不再手动计算token之间两两点积，而是学习合成自对齐(self-alignment)矩阵。同时文本提出多种合成函数，并对其进行全面评估。这些合成函数接收的信息源包括(1)单个token(2)token-token之间的交互(3)全局任务信息。

SYNTHESIZER是标准 Transformer 的泛化，实验结果表明凭全局注意力权重也能够获得具有竞争性的结果，而完全不用考虑token-token交互或任何实例级(局部)信息。随机初始化的 SYNTHESIZER 在WMT 2014 English-German上取得27.27的BLEU。在某些情况下，可以用更简单的SYNTHESIZER变体替换流行的和完善的基于内容的点积注意力，而不会牺牲太多性能。总的来说，本文的发现将会促进Transformer模型中自注意机制的真正作用和效用的进一步调查和讨论。

本文的贡献如下：

1. 提出 Synthetic Attention， 这是一种新的学习注意力权重的方式。该方法没有使用点积注意力或基于内容的注意力)。生成独立于token-token交互的对齐矩阵，并探索了一组用于生成注意力矩阵的参数化函数。
2. 提出 SYNTHESIZER 模型，该模型利用了Synthetic Attention。该模型在多个自然语言任务(包括机器翻译和语言建模)上可以与最先进的Transformer模型相比肩。
3. 证明(1)随机可学习的对齐矩阵的性能具有竞争性;(2)用各种Transformer模型进行屠榜时，token-token的依赖关系并非必要。

2. 模型

SYNTHESIZER 本质上仍是一个 Transformer，只是其中自注意力模块被 Synthetic Attention 模块替换。在生成注意力对齐矩阵(${\mathbb{R}}^{\ell \times \ell }$)的时候，本文提出两种SYNTHESIZER模型：Dense Synthesizer 和 Random Synthesizer。Figure 1 展示了 Transformer、Dense Synthesizer 和 Random Synthesizer 的关键思想。

2.1 Dense Synthesizer

这种 SYNTHESIZER 模型最为直观，与输入的每个token相关联。假设Dense Synthesizer模型的输入$X\in {\mathbb{R}}^{\ell \times d}$，输出是$Y\in {\mathbb{R}}^{\ell \times d}$。其中$\ell$表示文本序列的长度，$d$表示模型的维度(每个token的维度)。整个模型分为2个步骤：

1. 计算每个token的注意力权重
   使用参数化的函数$F(X_i)$将文本序列中的每个token $X_i$从$d$维映射为$\ell$维。
   $$B_i=F\left(X_i\right)$$
   更具体地
   $$F(X)=W\left({\sigma }_R(W(X)+b)\right)+b$$
   这可以理解为两层Dense层。由此计算结果表示每个token对序列中其他token的注意力值，所以输出结果维度是$\ell$。
2. 结合注意力得分计算模型输出结果
   $$Y=\mathrm{Softmax}(B)G(X)$$
   其中$B\in {\mathbb{R}}^{\ell \times \ell }$，$G(X)$是另一个参数化的函数，类比为标准 Transformer 的$V$即value。

简而言之，Dense Synthesizer是用$F(X)$提换掉标准 Transformer 中的$Q{K}^{\top }$，从而消除点积注意力。
所以该模型考虑的是如何从values转为output过程变革。传统的方式用$Q{K}^{\top }$的点积注意力结果经过softmax后再和values相乘。而本文的方法：假设每个token的value维度是d，经过转换后的输出结果是 $\ell$ 维，表示该token对文本中每个token的注意力权重分布。那么长度为$\ell$的序列，经过转换后得到的是$\ell \times \ell$的矩阵。那么从$\ell \times d$矩阵转为$\ell \times \ell$的矩阵，期间需要引入的是一个$d\times \ell$的矩阵。这个$d\times \ell$的矩阵，即为Dense Synthesizer需要学习的参数。

2.2 Random Synthesizer：

Dense Synthesizer学习的synthetic attention是将给定的每个token映射到$\ell$维，因此Dense Synthesizer模型的映射结果每个token之间是独立的(每个$B_i$只与$X_i$有关，而与其他token无关)。这与标准的 Transformer 模型中的token-token交互截然不同。
本文提出的另一种SYNTHESIZER模型是Random Synthesizer，该模型注意力权重的初始化不受任何输入token 的影响，而是完全随机初始化。这些随机初始化的值可以被训练也可以保持固定。具体定义如下：
$$Y=\mathrm{Softmax}(R)G(X)$$
其中$R\in {\mathbb{R}}^{\ell \times \ell }$是随机初始化的矩阵。该方法不依赖token对之间的交互或者任何单个token的信息，而是学习一个能跨实例有效的特定任务对齐。换句话说，学习一个跨实例有效的模型意味着在初始化时不直接依靠任何 token 信息。

2.3 模型分解

Dense Synthesizer和Random Synthesizer中引入的网络参数量分别是$d\times \ell$和$\ell \times \ell$。当文本序列很长时，参数量将暴增，为此本文引入模型分解的方法，一方面可以降低参数量，另一方面也可以缓解过拟合。

Factorized Dense Synthesizer：
通过生成2个低维矩阵$B_1、B_2$(原文用的是$A、B$，为了不与上文的$B$混淆，这里稍微改动)，$B_1\in {\mathbb{R}}^{\ell \times a}$，$B_2\in {\mathbb{R}}^{\ell \times b}$，$a\times b=\ell$。
$$B_1,B_2=F_{B_1}\left(X_i\right),F_{B_2}\left(X_i\right)$$
最终的输出：
$$Y=\mathrm{Softmax}(C)G(X)$$
其中$C=H_{B_1}(B_1)\ast H_{B_2}(B_2)$，$H_{B_1}(B_1)$表示$B_1$重复b次，${\mathbb{R}}^a\to {\mathbb{R}}^{ab}$。$H_{B_2}(B_2)$表示$B_2$重复a次，${\mathbb{R}}^b\to {\mathbb{R}}^{ba}$，所以最终都是${\mathbb{R}}^{\ell \times \ell }$。最后将两者逐位相乘(哈达玛积)得到$C$。

Factorized Random Synthesizer
未分解前参数是$\ell \times \ell$，类似地，随机矩阵也可被分解为两个低秩矩阵：$R_1,R_2\in {\mathbb{R}}^{\ell \times k}$。
$$Y=\mathrm{Softmax}\left(R_1{R}_2^{\top }\right)G(X)$$
实验过程，选择的k=8。

混合Synthesizers：
上述提出各种synthetic attention变种都可以通过加和形式混合到一起：
$$Y=\mathrm{Softmax}\left({\alpha }_1{S}_1(X)+\cdots {\alpha }_N{S}_N(X)\right)G(X)$$
其中$S(.)$表示一个 synthesizer 函数，$\alpha$是可学习的权重参数，$\sum \alpha =1$。
比如混合的Random Factorized + Dense Synthesizers 可以用下式表示：
$$Y=\mathrm{Softmax}\left(R_1{R}_2^{\top }+F(X)\right)G(X)$$

本文提出的各种合成函数如 Table 1所示。值得注意的是，常规的点积注意力也可以被纳入SYNTHESIZER的合成器框架，换句话说，SYNTHESIZER是 Transformer 模型的一般化形式。当合成函数为$S(X)=F_Q(X)F_K(X{)}^{\top }$，即为标准的Transformer模型。

Condition On这一列表示合成的输出是否与$X_i$或者$X_i$-$X_j$对相关，即输出和输入之间的关系。Sample这一列表示是否用到局部或全局信息，输入部分没有涉及具体的$X_i$即表示全局信息。Random Synthesizers在所有样本中共享相同的全局对齐模式，所以是全局的；而Dense Synthesizers 与局部的$X_i$直接相关，所以是局部的，这使得对齐模式依赖于每个单独的样本。此外，Synthesizers模型也采用多头的方式。

3. 实验

文本在机器翻译、语言模型、文本生成、多任务自然语言理解等任务上进行了实验。

机器翻译和语言建模：
在WMT’14 英德(EnDe)和英法(EnFr)机器翻译任务数据集上评测，结果如Table 2所示。

从上述Table 2可以看出，除了固定的Random Synthesizer 表现较差之外，其他模型表现都差不多，尽管相比于 Transformers 略有下降。其实固定的Random Synthesizer结果也是蛮惊人的，EnDe上也有大概24 BLEU。

语言建模任务上使用的数据集是LM1B，混合Synthesizer(Dense + Vanilla)取得效果最好 ，同时该混合Synthesizer模型也是 的各种Synthesizer模型中唯一超过 Transformer 的。

文本生成：
在文本生成上分别使用了摘要生成方面的CNN/Dailymail数据集和对话生成方面的PersonaChat数据集，具体实验结果如Table 3所示：

实验结果可以看出Synthesizer的各个模型表现不一。在文本摘要生成这个任务上，虽然在不同指标上最优模型各不相同，但是整体上标准Transformer效果比较好。但在对话生成这个任务上，各个指标上都是Synthesizer优于标准 Transformer，特别是Synthesizer(D)在各个指标上都取得了最佳结果。而当Dense和Random混合了标准的Transformer后（即 D+V 和 R+V），指标却下降了。这意味着点积自注意力在这项任务上实际上可能是帮了倒忙的。

多任务自然语言理解：
在自然语言理解任务上选用的是使用 GLUE 和 SuperGLUE。SYNTHESIZER模型和T5(base)在上述俩个benchmark上的实验结果如 Table 4和Table 5所示：

从实验结果可以看出，R+V的混合模型在多数子任务上取得最好的效果。

4. 总结

本文提出一种新的Transformer模型SYNTHESIZER，该模型它采用合成注意力(Synthetic Attention)。此外试图更好地理解和评估全局对齐、局部对齐和实例对齐(单个token和token-token）在自注意力中的效用。并在机器翻译、语言建模和对话生成等多个任务上证明了合成注意力可以与原始的Transformer相媲美。特别是在对话生成任务上，token-token之间的交互实际上会降低性能。Synthesizer 的不同设置没有绝对的优劣，与具体的任务相关。
总的来说，本文是对当下流行的自注意力机制的反思和探索，希望能够抛砖引玉，进一步促进Transformer中各个部分效用的研究。