Differenzialtransformator

Differential Transformer

October 7, 2024

Autoren: Tianzhu Ye, Li Dong, Yuqing Xia, Yutao Sun, Yi Zhu, Gao Huang, Furu Wei

cs.AI

Zusammenfassung

Transformer neigt dazu, Aufmerksamkeit auf irrelevante Kontexte zu überallozieren. In dieser Arbeit stellen wir den Diff Transformer vor, der die Aufmerksamkeit auf den relevanten Kontext verstärkt und dabei Störgeräusche eliminiert. Speziell berechnet der differentielle Aufmerksamkeitsmechanismus die Aufmerksamkeitswerte als Differenz zwischen zwei separaten Softmax-Aufmerksamkeitskarten. Die Subtraktion eliminiert Störgeräusche und fördert das Auftreten von spärlichen Aufmerksamkeitsmustern. Experimentelle Ergebnisse im Bereich des Sprachmodellierens zeigen, dass der Diff Transformer den Transformer in verschiedenen Einstellungen zur Skalierung der Modellgröße und des Trainingsumfangs übertrifft. Interessanterweise bietet er bemerkenswerte Vorteile in praktischen Anwendungen wie Modellierung von langen Kontexten, Abruf von Schlüsselinformationen, Halluzinationsminderung, kontextbezogenem Lernen und Reduzierung von Aktivierungsausreißern. Indem er weniger von irrelevanten Kontexten abgelenkt wird, kann der Diff Transformer Halluzinationen bei Fragestellungen und Textzusammenfassungen mildern. Für das kontextbezogene Lernen verbessert der Diff Transformer nicht nur die Genauigkeit, sondern ist auch robuster gegenüber der Permutation von Reihenfolgen, was als chronisches Robustheitsproblem galt. Die Ergebnisse positionieren den Diff Transformer als eine äußerst effektive und vielversprechende Architektur zur Weiterentwicklung großer Sprachmodelle.

English

Transformer tends to overallocate attention to irrelevant context. In this work, we introduce Diff Transformer, which amplifies attention to the relevant context while canceling noise. Specifically, the differential attention mechanism calculates attention scores as the difference between two separate softmax attention maps. The subtraction cancels noise, promoting the emergence of sparse attention patterns. Experimental results on language modeling show that Diff Transformer outperforms Transformer in various settings of scaling up model size and training tokens. More intriguingly, it offers notable advantages in practical applications, such as long-context modeling, key information retrieval, hallucination mitigation, in-context learning, and reduction of activation outliers. By being less distracted by irrelevant context, Diff Transformer can mitigate hallucination in question answering and text summarization. For in-context learning, Diff Transformer not only enhances accuracy but is also more robust to order permutation, which was considered as a chronic robustness issue. The results position Diff Transformer as a highly effective and promising architecture to advance large language models.