Lernen, um (Zur Testzeit zu Lernen): RNNs mit Ausdrucksstarken Versteckten Zuständen

Learning to (Learn at Test Time): RNNs with Expressive Hidden States

July 5, 2024

Autoren: Yu Sun, Xinhao Li, Karan Dalal, Jiarui Xu, Arjun Vikram, Genghan Zhang, Yann Dubois, Xinlei Chen, Xiaolong Wang, Sanmi Koyejo, Tatsunori Hashimoto, Carlos Guestrin

cs.AI

Zusammenfassung

Die Selbst-Aufmerksamkeit funktioniert gut bei langem Kontext, hat jedoch quadratische Komplexität. Bestehende RNN-Schichten haben lineare Komplexität, aber ihre Leistung bei langem Kontext wird durch die Ausdruckskraft ihres versteckten Zustands begrenzt. Wir schlagen eine neue Klasse von Sequenzmodellierungsschichten mit linearer Komplexität und einem ausdrucksstarken versteckten Zustand vor. Die Schlüsselidee besteht darin, den versteckten Zustand selbst zu einem maschinellen Lernmodell zu machen und die Aktualisierungsregel zu einem Schritt des selbstüberwachten Lernens. Da der versteckte Zustand durch Training auch auf Testsequenzen aktualisiert wird, werden unsere Schichten Testzeit-Trainings (TTT) Schichten genannt. Wir betrachten zwei Instantiierungen: TTT-Linear und TTT-MLP, deren versteckter Zustand jeweils ein lineares Modell und ein MLP mit zwei Schichten ist. Wir evaluieren unsere Instantiierungen im Maßstab von 125M bis 1.3B Parametern, verglichen mit einem leistungsstarken Transformer und Mamba, einem modernen RNN. Sowohl TTT-Linear als auch TTT-MLP entsprechen oder übertreffen die Basislinien. Ähnlich wie der Transformer können sie die Perplexität weiter reduzieren, indem sie sich auf mehr Tokens beziehen, während Mamba dies nach 16k Kontext nicht kann. Mit vorläufiger Systemoptimierung ist TTT-Linear bereits schneller als der Transformer bei 8k Kontext und entspricht Mamba in der Wanduhrzeit. TTT-MLP steht noch vor Herausforderungen im Speicher-I/O, zeigt jedoch ein größeres Potenzial bei langem Kontext und weist in eine vielversprechende Richtung für zukünftige Forschung.

English

Self-attention performs well in long context but has quadratic complexity. Existing RNN layers have linear complexity, but their performance in long context is limited by the expressive power of their hidden state. We propose a new class of sequence modeling layers with linear complexity and an expressive hidden state. The key idea is to make the hidden state a machine learning model itself, and the update rule a step of self-supervised learning. Since the hidden state is updated by training even on test sequences, our layers are called Test-Time Training (TTT) layers. We consider two instantiations: TTT-Linear and TTT-MLP, whose hidden state is a linear model and a two-layer MLP respectively. We evaluate our instantiations at the scale of 125M to 1.3B parameters, comparing with a strong Transformer and Mamba, a modern RNN. Both TTT-Linear and TTT-MLP match or exceed the baselines. Similar to Transformer, they can keep reducing perplexity by conditioning on more tokens, while Mamba cannot after 16k context. With preliminary systems optimization, TTT-Linear is already faster than Transformer at 8k context and matches Mamba in wall-clock time. TTT-MLP still faces challenges in memory I/O, but shows larger potential in long context, pointing to a promising direction for future research.