Les Transformers peuvent atteindre la généralisation en longueur, mais pas de manière robuste.

Transformers Can Achieve Length Generalization But Not Robustly

February 14, 2024

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

cs.AI

Résumé

La généralisation en longueur, définie comme la capacité à extrapoler à partir de séquences d'entraînement plus courtes vers des séquences de test plus longues, représente un défi majeur pour les modèles de langage. Ce problème persiste même avec des Transformers à grande échelle traitant des tâches relativement simples. Dans cet article, nous testons la capacité de généralisation en longueur du Transformer en utilisant la tâche d'addition de deux entiers. Nous montrons que le succès de la généralisation en longueur est étroitement lié au format des données et au type d'encodage de position. En utilisant la bonne combinaison de format de données et d'encodages de position, nous démontrons pour la première fois que les Transformers standards peuvent extrapoler à une longueur de séquence 2,5 fois supérieure à la longueur d'entrée. Néanmoins, contrairement à la généralisation en distribution, la généralisation en longueur reste fragile, étant significativement influencée par des facteurs tels que l'initialisation aléatoire des poids et l'ordre des données d'entraînement, ce qui entraîne de grandes variations entre différentes graines aléatoires.

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.