编码器的稀疏注意力块（ProbSparse Self-Attention Block）

编码器的稀疏注意力块（ProbSparse Self-Attention Block）详细解释

1. 概述

稀疏注意力块是Informer模型的核心组件之一，旨在高效处理长时间序列数据。它通过稀疏自注意力机制（ProbSparse Self-Attention）显著降低计算复杂度，同时保持较高的性能。

2. 主要组件

稀疏注意力块由以下几个主要部分组成：

1. 多头稀疏注意力（Multi-head ProbSparse Attention）
2. Add, LayerNorm, Dropout
3. 位置前馈网络（Position-wise Feed-Forward Network, FFN）
4. GELU 激活函数
5. 重复机制

3. 多头稀疏注意力（Multi-head ProbSparse Attention）

• 作用：稀疏注意力机制通过挑选重要的注意力头来减少计算量。

• 具体步骤：

  1. 线性变换：输入特征通过线性变换生成查询（Query）、键（Key）、和值（Value）矩阵。
  2. 计算注意力分数：通过点积计算查询和键的相似度，并通过Softmax归一化得到注意力权重。
  3. 选择重要的头：通过概率稀疏性方法，仅计算和保留重要的注意力头。
  4. 加权求和：用注意力权重加权和值（Value），得到注意力输出。
  5. 多头注意力：将多个注意力头的输出拼接在一起，并通过线性变换。

• 计算复杂度：相比传统自注意力的 $O(N^2)$ 复杂度，稀疏注意力机制通过选择重要注意力头将其降低到 $O(N\log N)$，其中 $N$ 是序列长度。

4. Add, LayerNorm, Dropout

• Add：将注意力输出与输入特征相加，形成残差连接（Residual Connection），有助于防止梯度消失和过拟合。
• LayerNorm：进行层归一化，标准化每个输入样本，改善训练稳定性和收敛速度。
• Dropout：随机丢弃一些神经元，防止过拟合，丢弃率为0.1。

5. 位置前馈网络（Position-wise Feed-Forward Network, FFN）

• 结构：

  1. 线性变换：输入经过线性变换，维度从 $d_{\text{model}}$ 转换到 $d_{\text{inner}}$，即 $2048$。
  2. GELU 激活函数：应用GELU（Gaussian Error Linear Unit）激活函数，引入非线性。
  3. 线性变换：再通过线性变换将维度从 $d_{\text{inner}}$ 转换回 $d_{\text{model}}$，即 $512$。

• Add, LayerNorm, Dropout：再一次应用残差连接、层归一化和丢弃操作，进一步增强模型的训练和泛化能力。

6. 重复机制

整个稀疏注意力块重复4次，每次重复都进一步提炼和强化输入特征的表示能力。

具体实例

假设我们有一个时间序列数据，经过前面的Conv1d和嵌入层处理后，得到一个长度为10的序列，每个时间点的特征维度为512。

示例步骤

1. 多头稀疏注意力：

   • 将输入特征通过线性变换生成查询、键和值矩阵（每个维度为$10,16,32$）。
   • 计算注意力分数，选择最重要的头（假设选择了8个头）。
   • 将这些头的注意力输出拼接并通过线性变换得到最终的注意力输出。

2. Add, LayerNorm, Dropout：

   • 将注意力输出与输入特征相加，进行层归一化和丢弃。

3. 位置前馈网络：

   • 通过两次线性变换和GELU激活，处理后的特征从512维度变到2048维度，再返回到512维度。
   • 应用Add, LayerNorm和Dropout操作。

4. 重复4次：

   • 整个过程重复4次，不断精炼和强化特征表示。

小结

通过稀疏注意力块，Informer模型能够在保持高效的计算性能同时，提取并强化时间序列中的重要模式和依赖关系。这种设计使其特别适合处理长时间序列数据。