Los Transformers Pueden Lograr Generalización de Longitud, Pero No de Manera Robusta

Transformers Can Achieve Length Generalization But Not Robustly

February 14, 2024

Autores: Yongchao Zhou, Uri Alon, Xinyun Chen, Xuezhi Wang, Rishabh Agarwal, Denny Zhou

cs.AI

Resumen

La generalización de longitud, definida como la capacidad de extrapolar desde secuencias de entrenamiento más cortas a secuencias de prueba más largas, representa un desafío significativo para los modelos de lenguaje. Este problema persiste incluso con Transformers a gran escala que manejan tareas relativamente sencillas. En este artículo, evaluamos la capacidad de generalización de longitud del Transformer utilizando la tarea de suma de dos números enteros. Demostramos que el éxito de la generalización de longitud está intrínsecamente vinculado al formato de los datos y al tipo de codificación posicional. Al utilizar la combinación adecuada de formato de datos y codificaciones posicionales, mostramos por primera vez que los Transformers estándar pueden extrapolar a una longitud de secuencia que es 2.5 veces la longitud de entrada. Sin embargo, a diferencia de la generalización dentro de la distribución, la generalización de longitud sigue siendo frágil, influenciada significativamente por factores como la inicialización aleatoria de los pesos y el orden de los datos de entrenamiento, lo que genera grandes variaciones entre diferentes semillas aleatorias.

English

Length generalization, defined as the ability to extrapolate from shorter training sequences to longer test ones, is a significant challenge for language models. This issue persists even with large-scale Transformers handling relatively straightforward tasks. In this paper, we test the Transformer's ability of length generalization using the task of addition of two integers. We show that the success of length generalization is intricately linked to the data format and the type of position encoding. Using the right combination of data format and position encodings, we show for the first time that standard Transformers can extrapolate to a sequence length that is 2.5x the input length. Nevertheless, unlike in-distribution generalization, length generalization remains fragile, significantly influenced by factors like random weight initialization and training data order, leading to large variances across different random seeds.