没有点积注意力就不香了吗？Transformer中自注意力机制的反思

2020 年 7 月 14 日 学术头条

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 Transformer 的各种模型就会不香吗？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)学习注意力权重其实没有必要基于 token-token 或者说 query-key 之间的交互
此外，实验表明 SYNTHESIZER 模型在多个任务(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，该模型不再计算 token 之间两两点积，而是学习合成自对齐(self-alignment)矩阵，即合成自注意力矩阵。同时本文提出多种合成方式，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。

其实，SYNTHESIZER 是标准 Transformer 的泛化。实验结果表明 SYNTHESIZER 凭借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 模型中自注意机制真正作用和效用的进一步研究和讨论。

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

2.1 Dense Synthesizer

2.2 Random Synthesizer：

2.3 模型分解

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。

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。