文献阅读：Transformers are Multi-State RNNs

本文主要是介绍文献阅读：Transformers are Multi-State RNNs，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文献阅读：Transformers are Multi-State RNNs
- 1. 内容简介
- 2. 方法介绍
  - 1. 基础回顾
    - 1. RNN
    - 2. Transformer
  - 2. Transformer解构
    - 1. MSRNN
    - 2. Transformer
  - 3. TOVA
    - 1. 现有转换策略
    - 2. TOVA
- 3. 实验考察 & 结论
  - 1. 实验设计
  - 2. 实验结果
    - 1. LM
    - 2. 长文本理解
    - 3. 文本生成
  - 3. 细节考察
- 4. 总结 & 思考

文献链接：https://arxiv.org/abs/2401.06104
GitHub链接：https://github.com/schwartz-lab-NLP/TOVA

1. 内容简介

这篇文章是今年1月Meta发表的一篇对Transformer的解构工作。

它对Transformer进行了更深入的解析和考察，发现Transformer的self attention机制等价于一个无限状态的MSRNN（multi-state RNN），并在此基础上对MSRNN进行了优化，提出了一个TOVA的MSRNN压缩策略，使之效果超过了其他的MSRNN，并能够与Transformer本身相提并论。而在内存方面，则显著优于经典的Transformer模型。

在这里插入图片描述

下面，我们就来具体看一下文中对于Transformer的具体考察以及文中提出的TOVA方法究竟是怎样的一个设计思路。

2. 方法介绍

1. 基础回顾

在解构Transformer以及引入TOVA之前，文中首先回顾了一下RNN和Transformer本身，这里，为了保持文章在结构上的完整性，我们也简略的回顾一下RNN和Transformer本身。

1. RNN

首先的话，RNN的话是一个迭代的解构，模型本身维护一个隐态 $h_t$ ，然后根据输入 $x_t$ 进行迭代：

$x_t^{l+1}, h_{t}^{l} = f(x_t^l, h_{t-1}^l)$

2. Transformer

Transformer的话则是self-attention的解构，具体表达式如下：

$\begin{aligned} X^{l+1} &= \mathop{FFN}(\mathop{Attn}(X^l)) \\ &= \mathop{FFN}(\mathop{Softmax}(Q^l\cdot (K^l)^T) \cdot V^l) \end{aligned}$

2. Transformer解构

有了上面的基础，我们来看一下文中是如何说明Transformer的本质就是一个无线state的MSRNN的。

我们将分两部分来说明这个问题：

MSRNN是什么
Transformer怎么对应到一个MSRNN

下面，我们来看一下文中对于这两个问题的回答。

1. MSRNN

首先，我们来看一下MSRNN是什么，本质上来说，MSRNN还是一个RNN，不过RNN当中的隐态是一个向量，而MSRNN则是用一个矩阵来替代向量，直观上理解就是有多个隐态，即multi-state。

用公式表达即为：

$x_t^{l+1}, H_{t}^{l} = f(x_t^l, H_{t-1}^l)$

2. Transformer

然后，我们再来看一下Transformer，如前所述，Transformer的每一个module可以写为：

$X^{l+1} = \mathop{FFN}(\mathop{Softmax}(Q^l\cdot (K^l)^T) \cdot V^l)$

我们可以将其重写为：

$x_{t}^{l+1} = \mathop{FFN}(\mathop{Softmax}(q_t^l\cdot (K_t^l)^T) \cdot V_t^l)$

亦即：

$x_{t}^{l+1}, (K_t^l, V_t^l) = f^l(x_t^l, (K_t^l, V_t^l))$

因此，从定义式上来看，Transformer确实可以理解为无限维度的MSRNN。

3. TOVA

综上，我们已经可以发现，在形式上而言，Transformer可以视为一个无限state的MSRNN，但是无限state显然在实现层面并不现实，因此，要想要真正将其对应到MSRNN，我们需要一个无限维转换为有限维的转换策略。

文中的话也是首先讨论了一下现有的几个转换的方法，然后在此基础上提出了他们自己的转换方法，即他们所谓的TOVA方法。

下面，我们来具体看一下这两部分的内容。

1. 现有转换策略

首先，我们来看一下当前已有的一些无限维转有限维的策略，文中主要给出了三种方法：

Window
- 只保留最后k个token
Window + i
- 保留最后k个token以及头部的i个token
$H_2O$
- 保留最后k个token，然后动态通过attention score额外多保留i个token

2. TOVA

然后，我们来看一下文中提出的TOVA方法，其全称为Token Omission Via
Attention (TOVA)，思路上其实也很直接，就是直接通过attention score选择attention score最高的k个token进行保留，文中给出示意图如下：

在这里插入图片描述

3. 实验考察 & 结论

下面，我们来考察一下文中的实验结果。

我们将分以下几个部分对文中的内容进行一下整理：

文中的实验设计
具体的实验结果
TOVA的拆解实验

1. 实验设计

首先，我们来看一下文中的实验设计，主要包括两部分的内容：

具体采用的实验
实验中使用的模型

其中，关于文中具体采用的实验的话，主要是长文本上的实验，包括：

LM的ppl考察
长文本的理解实验
文本生成任务

而关于文中使用的模型的话，文中主要使用了以下三类模型：

LLama-2-7B
Mistral-7B
Yi-7B

2. 实验结果

下面，我们来看一下文中给出的具体实验结果。

1. LM

首先，关于Language Model的ppl，文中得到结果如下：

在这里插入图片描述

可以看到：

在各类策略下，TOVA能够获得最好的效果表达，且在各个模型下都有一致的结论。

2. 长文本理解

文中关于长文本当中理解任务的实验结果则如下所示：

在这里插入图片描述

可以看到：

无论是在长文本概括任务还是长文本QA任务当中，TOVA的效果都显著优于其他的转换策略。
同样的，在长文本理解任务当中，TOVA同样在不同的模型当中都有一致的有效性表达。

3. 文本生成

最后，文中还在生成任务当中对TOVA的效果进行了一下考察，具体来说的话，就是令TOVA和GPT4分别进行生成，然后交给人来标注对比结果的好坏，得到结果如下：

在这里插入图片描述

可以看到：

随着文本的增长，TOVA的效果逐步追上GPT4，说明TOVA在长文本下确实有效，且效果拔群。

3. 细节考察

然后，除了对于TOVA效果的基础考察，文中还对TOVA进行了细节的拆解，具体来说，主要就是考察了一下几个问题：

TOVA保留的是哪些位置的token
TOVA对于头部的token的留存度
TOVA保留的具体是哪些token

文中得到的具体实验结果如下：

在这里插入图片描述

可以看到：

在图7当中，每一行代表对应的step当中参与到生成当中的token，可以看到，整体来说，邻近的token会更重要，当这也不是必然的，有时候长程的token也会参与其中，反而是短程的会被过滤掉。
从图8可以看到，前25个token都悲保留了很长的距离，且第一个token尤为关键；
从图9可以看到，一些标点符号类型的token会被更倾向于保留下来。