Hiperconexiones

Hyper-Connections

September 29, 2024

Autores: Defa Zhu, Hongzhi Huang, Zihao Huang, Yutao Zeng, Yunyao Mao, Banggu Wu, Qiyang Min, Xun Zhou

cs.AI

Resumen

Presentamos hiperconexiones, un método simple pero efectivo que puede servir como una alternativa a las conexiones residuales. Este enfoque aborda específicamente las desventajas comunes observadas en las variantes de conexiones residuales, como el efecto de vaivén entre la desaparición del gradiente y el colapso de la representación. Teóricamente, las hiperconexiones permiten que la red ajuste la fuerza de las conexiones entre características en diferentes profundidades y reorganice dinámicamente las capas. Realizamos experimentos centrados en el pre-entrenamiento de grandes modelos de lenguaje, incluyendo modelos densos y dispersos, donde las hiperconexiones muestran mejoras significativas en el rendimiento en comparación con las conexiones residuales. Experimentos adicionales realizados en tareas de visión también demuestran mejoras similares. Anticipamos que este método será ampliamente aplicable y beneficioso en una amplia gama de problemas de IA.

English

We present hyper-connections, a simple yet effective method that can serve as an alternative to residual connections. This approach specifically addresses common drawbacks observed in residual connection variants, such as the seesaw effect between gradient vanishing and representation collapse. Theoretically, hyper-connections allow the network to adjust the strength of connections between features at different depths and dynamically rearrange layers. We conduct experiments focusing on the pre-training of large language models, including dense and sparse models, where hyper-connections show significant performance improvements over residual connections. Additional experiments conducted on vision tasks also demonstrate similar improvements. We anticipate that this method will be broadly applicable and beneficial across a wide range of AI problems.