Dengan asas teori, kami boleh menjalankan pengoptimuman yang mendalam.

Mengapa transformer berprestasi begitu baik? Dari manakah datangnya keupayaan Pembelajaran Dalam Konteks yang dibawanya kepada banyak model bahasa besar? Dalam bidang kecerdasan buatan, transformer telah menjadi model dominan dalam pembelajaran mendalam, tetapi asas teori untuk prestasi cemerlangnya tidak dikaji dengan secukupnya.

Baru-baru ini, penyelidikan baharu daripada penyelidik di Google AI, ETH Zurich dan Google DeepMind telah cuba mendedahkan jawapan kepada misteri itu. Dalam penyelidikan baharu, mereka merekayasa balik pengubah dan menemui beberapa kaedah pengoptimuman. Kertas "Mengungkap algoritma pengoptimuman mesa dalam transformer":

Pautan kertas: https://arxiv.org/abs/2309.05858

The pengarang membuktikan bahawa meminimumkan kerugian autoregressive umum akan berlaku di pas di hadapan pengubah Algoritma pengoptimuman berasaskan kecerunan tambahan berjalan dalam . Fenomena ini baru-baru ini dipanggil "pengoptimuman mesa." Tambahan pula, penyelidik mendapati bahawa algoritma pengoptimuman mesa yang terhasil mempamerkan keupayaan pembelajaran pukulan kecil kontekstual, bebas daripada saiz model. Oleh itu, keputusan baharu melengkapkan prinsip pembelajaran pukulan kecil yang telah muncul sebelum ini dalam model bahasa besar.

Para penyelidik percaya bahawa kejayaan Transformers adalah berdasarkan bias seni binanya dalam melaksanakan algoritma pengoptimuman mesa dalam hantaran hadapan: (i) mentakrifkan matlamat pembelajaran dalaman, dan (ii) mengoptimumkannya.

                                                                                                                                                                                                                                                                                                                                                                                                                                    Sebagai urutan input s_1, . . , s_t diproses ke langkah masa t, Transformer (i) mencipta set latihan dalaman yang terdiri daripada pasangan persatuan sasaran input, (ii) mentakrifkan fungsi objektif dalaman melalui set data hasil, yang digunakan untuk mengukur prestasi model dalaman menggunakan pemberat W, (iii) Optimumkan objektif ini dan gunakan model yang dipelajari untuk menjana ramalan masa depan ^{. . elemen urutan seterusnya.}

Transformer kejuruteraan terbalik secara eksperimen dilatih pada tugas pemodelan jujukan mudah dan menemui bukti kukuh bahawa hantaran hadapan mereka melaksanakan algoritma dua langkah: (i) lapisan perhatian kendiri awal melalui penanda pengumpulan dan salinan membina set data latihan dalaman, jadi set data latihan dalaman dibina secara tersirat. Tentukan fungsi objektif dalaman dan (ii) optimumkan objektif ini pada tahap yang lebih mendalam untuk menjana ramalan.

Sama seperti LLM, eksperimen menunjukkan bahawa model latihan autoregresif mudah juga boleh menjadi pelajar konteks, dan pelarasan segera adalah penting untuk meningkatkan pembelajaran konteks LLM dan juga boleh meningkatkan prestasi dalam persekitaran tertentu.

Diinspirasikan oleh penemuan bahawa lapisan perhatian cuba mengoptimumkan fungsi objektif dalaman secara tersirat, pengarang memperkenalkan lapisan mesa, jenis lapisan perhatian baharu yang boleh menyelesaikan masalah pengoptimuman kuasa dua terkecil dan bukannya hanya mengambil satu langkah kecerunan. untuk mencapai optimum. Percubaan menunjukkan bahawa satu lapisan mesa mengatasi Transformer perhatian kendiri linear dalam dan softmax pada tugas berjujukan mudah sambil memberikan lebih kebolehtafsiran.

Selepas eksperimen pemodelan bahasa awal, didapati bahawa menggantikan lapisan perhatian kendiri standard dengan lapisan mesa mencapai hasil yang menjanjikan, membuktikan bahawa lapisan ini mempunyai keupayaan pembelajaran kontekstual yang kuat.
• Berdasarkan kerja baru-baru ini yang menunjukkan bahawa transformer yang dilatih secara eksplisit untuk menyelesaikan tugasan kecil dalam konteks boleh melaksanakan algoritma keturunan kecerunan (GD). Di sini, pengarang menunjukkan bahawa keputusan ini digeneralisasikan kepada pemodelan jujukan autoregresif-pendekatan tipikal untuk melatih LLM.

Analisis transformer pertama yang dilatih pada dinamik linear mudah, di mana setiap jujukan dijana oleh W* yang berbeza - untuk mengelakkan hafalan jujukan silang. Dalam persediaan mudah ini, pengarang menunjukkan pengubah yang mencipta set data mesa dan kemudian menggunakan GD praproses untuk mengoptimumkan objektif mesa.

• Kajian ini melatih pengubah dalam pada struktur token yang mengagregat unsur jujukan bersebelahan. Menariknya, prapemprosesan mudah ini menghasilkan matriks berat yang sangat jarang (kurang daripada 1% daripada pemberat adalah bukan sifar), menghasilkan algoritma kejuruteraan terbalik.

  

  Untuk perhatian kendiri linear satu lapisan, berat sepadan dengan satu langkah GD. Untuk transformer dalam, kebolehtafsiran menjadi sukar. Kajian ini bergantung pada probing linear dan mengkaji sama ada pengaktifan tersembunyi meramalkan sasaran autoregresif atau input praproses.
  
  
  Menariknya, kebolehramalan kedua-dua kaedah pengesanan secara beransur-ansur bertambah baik apabila kedalaman rangkaian meningkat. Dapatan ini menunjukkan bahawa GD praproses tersembunyi dalam model. Rajah 2: Kejuruteraan songsang lapisan perhatian diri linear terlatih.

  

  ^{Kajian mendapati bahawa lapisan latihan boleh dipasang dengan sempurna apabila semua darjah kebebasan digunakan dalam pembinaan, termasuk bukan sahaja kadar pembelajaran yang dipelajari η, tetapi juga satu set pemberat awal yang dipelajari W_0. Yang penting, seperti yang ditunjukkan dalam Rajah 2, algoritma satu langkah yang dipelajari masih berprestasi jauh lebih baik daripada satu lapisan mesa.}
  
  Kita dapat perhatikan bahawa di bawah tetapan berat yang mudah, adalah mudah untuk mencari melalui pengoptimuman asas bahawa lapisan ini boleh menyelesaikan tugas yang dikaji di sini secara optimum. Keputusan ini menunjukkan kelebihan bias induktif berkod keras yang memihak kepada pengoptimuman mesa.
  
  Dengan pandangan teori ke dalam sarung berbilang lapisan, mula-mula analisa linear dalam dan softmax hanya memberi perhatian kepada Transformer. Pengarang memformat input mengikut struktur 4 saluran,
  , yang sepadan dengan memilih W_0 = 0.
  
  
  Seperti model satu lapisan, penulis melihat struktur yang jelas dalam berat model terlatih. Sebagai analisis kejuruteraan terbalik yang pertama, kajian ini mengeksploitasi struktur ini dan membina algoritma (RevAlg-d, dengan d mewakili bilangan lapisan) yang mengandungi 16 parameter setiap pengepala lapisan (bukannya 3200). Penulis mendapati bahawa ungkapan termampat tetapi kompleks ini boleh menggambarkan model terlatih. Khususnya, ia membenarkan interpolasi antara Transformer sebenar dan pemberat RevAlg-d dalam cara yang hampir tanpa kerugian.
  
  
  Walaupun ungkapan RevAlg-d menerangkan Transformer berbilang lapisan terlatih dengan sebilangan kecil parameter percuma, adalah sukar untuk mentafsirkannya sebagai algoritma pengoptimuman mesa. Oleh itu, penulis menggunakan analisis probing regresi linear (Alain & Bengio, 2017; Akyürek et al., 2023) untuk mencari ciri-ciri algoritma pengoptimuman mesa yang dihipotesiskan.
  
  Pada Transformer perhatian kendiri linear dalam yang ditunjukkan dalam Rajah 3, kita dapat melihat bahawa kedua-dua probe boleh dinyahkod secara linear, dan prestasi penyahkodan meningkat dengan peningkatan panjang jujukan dan kedalaman rangkaian. Oleh itu, pengoptimuman asas menemui algoritma hibrid yang menuruni lapisan demi lapisan pada Lt (W) objektif mesa asal sambil menambah baik nombor keadaan masalah pengoptimuman mesa. Ini mengakibatkan penurunan pesat dalam mesa-objektif Lt (W). Ia juga boleh dilihat bahawa prestasi meningkat dengan ketara dengan peningkatan kedalaman.
  
  Oleh itu, kemerosotan pesat autoregresif mesa-objektif Lt (W) dicapai melalui pengoptimuman mesa secara berperingkat (rentas lapisan) pada data praproses yang lebih baik.建 Rajah 3: Latihan pengubah berbilang lapisan untuk input binaan kejuruteraan songsang.
  Ini menunjukkan bahawa jika transformer dilatih pada token yang dibina, ia akan meramalkan dengan pengoptimuman mesa. Menariknya, apabila unsur jujukan diberikan secara langsung, pengubah akan membina token dengan sendirinya dengan mengumpulkan elemen, yang dipanggil oleh pasukan penyelidik "membuat dataset mesa".
  
  Kesimpulan

  

  Kajian ini menunjukkan bahawa model Transformer mampu membangunkan algoritma inferens berasaskan kecerunan apabila dilatih mengenai tugas ramalan jujukan di bawah objektif autoregresif standard. Oleh itu, hasil terkini yang diperoleh dalam tetapan meta-pembelajaran berbilang tugas juga boleh dipindahkan ke tetapan latihan LLM penyeliaan kendiri tradisional.
  
  
  Selain itu, kajian mendapati bahawa algoritma inferens autoregresif yang dipelajari boleh digunakan semula untuk menyelesaikan tugas pembelajaran kontekstual yang diselia tanpa memerlukan latihan semula, menerangkan hasil dalam satu rangka kerja bersatu.

  

  Jadi, apakah kaitan ini dengan pembelajaran dalam konteks? Kajian ini percaya bahawa selepas melatih pengubah pada tugas jujukan autoregresif, ia mencapai pengoptimuman mesa yang sesuai dan oleh itu boleh melakukan pembelajaran konteks beberapa pukulan tanpa sebarang penalaan halus.

  

  Kajian ini mengandaikan bahawa pengoptimuman mesa juga wujud untuk LLM, dengan itu meningkatkan keupayaan pembelajaran konteksnya. Menariknya, kajian itu juga mendapati bahawa menyesuaikan gesaan secara berkesan untuk LLM juga boleh membawa kepada peningkatan yang ketara dalam keupayaan pembelajaran kontekstual.

  

  

  Pembaca yang berminat boleh membaca teks asal kertas kerja untuk mengetahui lebih lanjut tentang kandungan penyelidikan.
  
  
  ^{Kandungan rujukan:}
  ^{https://www.reddit.com/r/MachineLearning/comments/16jc2su/r_uncovering/mesathms_optimization}
  https://twitter.com/ oswaldjoh/status/1701873029100241241

Atas ialah kandungan terperinci Dengan asas teori, kami boleh menjalankan pengoptimuman yang mendalam.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!