一只小狐狸带你解锁 炼丹术&NLP 秘籍
作者：舒意恒（南京大学硕士生，知识图谱方向）
今天给大家介绍一篇来自Google的最新论文《SYNTHESIZER: Rethinking Self-Attention in Transformer Models》[4]，该论文重新探索了Transformer中注意力机制的必要性，并引入了新的attention计算方法Synthesizer。实验显示，即使不进行token之间的attention交互计算，synthesizer在翻译、语言模型、GLUE等任务上也可以达到很好的效果。
前言
什么是自注意力？
2017 年，Vaswani 等人 [1] 提出了 Transformer 模型，在众多领域取得了成功的应用，证明了它相比于自卷积模型和循环模型的优势。
Transformer 的关键在于 query-key-product 的点积注意力，token 被完全连接，能够对远距离的依赖关系进行建模。
Transformer 存在的问题
点积自注意力提供了强大的建模能力，但同时作者对点积自注意力提出了质疑，它的计算可能是不必要的。
点积的基本作用是确定单个 token 相对于序列中所有其他 token 的相对重要性。key、query、value 暗示自注意力模拟一个基于内容的检索过程，过程的核心是 pairwise 的交互。该文对整个过程进行了反思。
技术简介
Synthesizer 的关键思想
Synthesizer 的核心思想是用低复杂度的attention计算代替dot product式的注意力机制。传统 Transformer 的注意力机制需要进行 token 之间的两两交互，虽然可以获得更多的交互信息，但attention score会很依赖实例，难以保证模型学到更多的泛化特征。
因此，synthesizer提出了新的attention matrix学习方法，只通过简单的前馈神经网络即可得到注意力分数，完全省去了token之间的点积交互。
实现细节
Synthesizer 大体上可以理解为一个 Transformer，其中自注意力模块被 Synthetic Attention 模块替换。
上图表示了 Transformer、Dense Synthesizer 和 Random Synthesizer 的关键思想。
Synthesizer 移除了 query-key-value 的概念，而直接合成一个对齐矩阵。具体而言，即去除了 、 、 ，而使用一个行和列大小等同于序列长度 的矩阵 来表示任意 token 之间的关系。作者提出了两类 synthesizer，分别是 Dense Synthesizer 和 Random Synthesizer。
Dense Synthesizer
给定模型的输入 ，表示了 个 token，每个 token 的维度为 . 该方法做如下的变换：
这可以理解为两个 Dense 层， 和 用于 Dense 层的计算。而最后模型的输出 ，由表示 token 间关系的矩阵 得到。
其中， 可类比为标准 Transformer 的 .
该思路并不复杂，但是，作者进一步描述了 Random Synthesizer。
Random Synthesizer
Dense Synthesizer 方法实际上是给定每个 token，然后映射到 维，而不是如同原生的 Transformer 对 token 间交互进行建模。Random Synthesizer 的方法中，注意力权重的初始化不是受任何输入 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，或者保持固定。
以 表示一个随机初始化矩阵，则 Random Synthesizer 被定义为：
即 初始化的值是 . 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任务特定的对齐。作者表示这是最近固定自注意力方法 [2]的直接产物。
换句话说，作者认为，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。
分解模型
Dense Synthesizer 为网络添加了大小为 的参数，用于映射；而 Random Synthesizer 添加了大小为 的参数。如果序列很长，将导致很大的参数量。因此，为了实践中更加可行，作者提出了分解模型，分别针对 Dense Synthesizer 和 Random Synthesizer 称为 Factorized Dense Synthesizer 和 Factorized Random Synthesizer。该方法的作用是减少参数量，并防止过拟合。
1. Factorized Dense Synthesizer
针对可能过大的序列长度 ，取两个整数 和 使得 ，分别按 Dense Synthesizer 算得两个矩阵记为 和 ，两矩阵大小分别是 和 . 然后将 中表示 token 的每个向量重复 次，将 中表示 token 的每个向量重复 次，再做元素积，即可从分解出的两个矩阵恢复到 . 参数量减小，同时模型的表征能力可能也受到了影响。
2. Factorized Random Synthesizer
类似地，随机矩阵也可被分解为两个低秩矩阵。
混合模型
上述所有提出的 synthetic 注意力变种都可以通过加和形式混合到一起。
其中， 表示一个 synthesizer 的函数，并且 ， 是可学习的。
另外，类似于原生 Transformer 的 multi-head attention，Synthesizer 同样支持多个 head.
效果
作者在机器翻译、语言模型、文本生成、多任务自然语言处理等任务上进行了实验。
机器翻译与语言建模
作者采用常见的 WMT'14 英德(EnDe)和英法(EnFr)翻译测试。
关于机器翻译任务，可以看到相同参数量的 Synthesizer(Random + Vanilla) 与其他模型拉开了一定差距，也比相同参数量的 Transformer (Control) 表现更好。值得注意的是，两个分解方法取得的提升并不如混合模型取得的提升更多，但在一定程度上减少了参数量。
关于语言建模任务，使用的数据集是 LM1B，取得最好效果的是 Synthesizer (Dense + Vanilla)，它仍然是一个混合模型，同样是 Synthesizer 的各种设置中唯一超过 Transformer 的模型。
文本生成
评测使用 CNN/Dailymail 数据集的抽象摘要任务和使用 PersonaChat 数据集的对话生成任务。其中，Synthesizer 的各个模型表现不一。
多任务 NLP
在多任务 NLP 上，作者遵循 T5 [3] 所使用的使用 GLUE 和 SuperGLUE 评测方法，并在多项指标超过了 T5(base)。在众多测试中，仍然是加上 Vanilla 的 Synthesizer 取得较好效果。
总结
该文提出了 Synthesizer，一个新的 Transformer 模型，它采用了合成注意力（Synthetic Attention）。作者试图更好地理解和评估全局对齐和局部、实例对齐（独立 token 和 token 到 token 的对齐）在自注意力中的效用。
在机器翻译、语言建模和对话生成等多个任务上，合成注意力与原有自注意力相比，表现出有竞争力的性能，点积自注意力的作用与效率值得怀疑与进一步研究。此外，在对话生成任务上，token 之间的交互信息实际会损害性能。
实际上，Synthesizer 的不同设置没有绝对的优劣，也和具体的任务相关。个人认为为何在各种任务中 Synthesizer 的表现存在明显差异、它与点积注意力分别适合于哪些任务，以及背后的成因是值得深究的。
参考文献
[1] Attention Is All You Need. arXiv preprint arXiv:1706.03762, 2017.
[2] Fixed encoder self-attention patterns in transformer-based machine translation. arXiv preprint arXiv:2002.10260, 2020.
[3] xploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer. arXiv preprint arXiv:1910.10683, 2019.
[4] Tay Y, Bahri D, Metzler D, et al. Synthesizer: Rethinking Self-Attention in Transformer Models[J]. arXiv preprint arXiv:2005.00743, 2020.
本文收录于原创专辑：《卖萌屋@自然语言处理》
重磅惊喜：卖萌屋小可爱们苦心经营的 自然语言处理讨论群 成立三群啦！扫描下方二维码，后台回复「入群」即可加入。众多顶会审稿人、大厂研究员、知乎大V以及美丽小姐姐（划掉????♀️）等你来撩噢~（手慢无
可
能
喜
欢
夕小瑶的卖萌屋
关注&星标小夕，带你解锁AI秘籍
订阅号主页下方「撩一下」有惊喜哦
31万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
