Google的RFA：transformers的Softmax注意机制最新替代

什么是注意力机制？为什么RFA比Softmax更好？

Google最近发布了一种新方法-Random Feature Attention-用来取代transformers中的softmax注意力机制，以实现相似或更好的性能，并显着改善时间和空间复杂度。

在此文章中，我们将探讨transformers的背景，什么是注意力机制，以及为什么RFA可以更好地替代softmax注意力机制。 我们将通过RFA的一些总结来结束本篇文章。

背景

目前，transformers是序列到序列机器学习模型的最佳模型。 它专门研究数据序列使其在自然语言处理，机器翻译，时间序列建模和信号处理中特别有用。

注意力机制是transformers成功的基石。 这些机制研究输入序列并确定最重要的元素。 这些元素在对序列进行编码时将具有较重的权重，即应引起更多关注。

注意机制是什么？

可以认为这就像我们在开会中写笔记以编写后续电子邮件一样。 当记笔记时，我们几乎不可能写下所有内容。 我们可能需要用缩写词或图画代替单词； 我们可能还需要跳过可以在意义上损失最小的情况下推断出的词。 此过程会将一个小时的会议压缩到仅一页的笔记中。 本质上，注意力机制在尝试通过更加重要的嵌入（单词的缩写或图标表示）来尝试编码序列的过程中也是如此。

什么是Softmax注意机制？

假设我们有这样一个句子“注意力机制到底是什么”

注意力机制的目标是计算一个相对矩阵，该矩阵涉及序列的不同部分应如何相互链接。例如，“注意”和“机制”应该联系在一起，但两者都不应该与“实际”和“是”紧密联系在一起。

该机制将从输入句子的数字形式开始，即一个词嵌入矩阵

注意：词嵌入是一个词的向量表示，它包含该词的不同属性。这些属性的一个过于简单的例子可以是情感、词性和字符数。

然后，它将初始化查询Wq、键Wk和值W_v的三个权重矩阵。

然后，我们可以计算查询矩阵Q、键矩阵K和值矩阵V，分别作为词嵌入矩阵与Wq、Wk和W_v的点积。正如论文中所述，最初的注意力矩阵可以计算如下：

数学公式如下：

为了帮助理解矩阵的操作流程，下面是底层矩阵的图形流程：

这种注意力也被称为softmax注意力，因为它使用softmax激活函数将Q和K的缩放点积转化为注意力的相对测量，即a，其中每一个单词将分享一个比例的注意力，然后总和为1（或100%）。softmax结果将与V结合，为其提供基于注意力的语义结果。

但是什么是查询、键和值呢?

要理解查询、键、值三人组背后的概念，一种过于简单的方法是将transformer理解句子的能力视为最大化以下条件可能性:

当输入序列为[y， "actually"， "is"， "attention"， "mechanism"]时，y = " What "的概率

当输入序列为["what"， y， "is"， "attention"， "mechanism"]时，y = " actually "的概率

当输入序列为["what"， "actually"， y， "attention"， "mechanism"]时，y = " is "的概率为

当输入序列为["what"， "actually"， "is"， y， "mechanism"]时，y = " attention "的概率

当输入序列为["what"， "actually"， "is"， "attention"， y]

而推断可能性的方法是注意输入句子中的其他单词(单词嵌入)。在训练过程中，transformers将学习如何在嵌入的基础上通过精炼三个权重矩阵来链接单词。

这种架构的好处在于，我们可以通过创建多组查询、键、值三元组（也称为多头注意层)或堆叠这些注意层来捕获更复杂的语义结构。

为什么Softmax的注意力机制不够好？

在一个典型的transformer中，部署多头注意力来解压缩更复杂的语言模式。softmax注意力机制的时间和空间复杂度变成O(MN)，并以输入序列长度的二次速率增长。

为了解决这个问题，来自Google Deepmind的小组利用了Bochner定理，并扩展了Rahmi＆Recht（2008）的工作，softmax函数与指数函数的随机特性映射ϕ（独立和正态分布的随机向量w与输入语句x之间的内积的傅立叶特征）。

softmax函数

随机特征映射

随机特征图的点积可用于估计指数函数

在不深入过多数学推导细节的情况下，softmax注意机制可以近似为以下结构：

通过将softmax近似为RFA，谷歌Deepmind将时间和空间复杂度降低到O(M + N)，即从二次到线性。

Deepmind的研究成果

由于RFA具有相同的输入和输出尺寸要求，可以作为softmax注意机制的替代。

随着复杂度从二次型下降到线性型，RFA在输入文本序列较长的情况下得到了更显著的改善。

RFA背后的基本原理可以用来近似高斯核之外的其他核函数。在谷歌Deepmind的论文中，他们演示了如何将同样的方法应用于近似弧余弦核。

与softmax一样，RFA本身并不考虑输入句子中的位置距离。在Deepmind的谷歌论文中，他们讨论了如何将递归神经网络的灵感应用于RFA，从而使单词的重要性根据它们在句子中的相对位置呈指数衰减。

最后但并非最不重要的是，机器学习看起来非常出色，但它都是关于数学和统计的。多亏了优秀的研究人员和程序员，我们才有了像TensorFlow和PyTorch这样的高级软件包。尽管如此，我们仍然需要不断学习最新的发展和修改核心概念，以确保我们正在开发可解释的机器学习模型和管道。

作者：Louis Chan

deephub翻译组