DiJiang : Modèles de langage de grande taille efficaces grâce à une compactification par noyau

DiJiang: Efficient Large Language Models through Compact Kernelization

March 29, 2024

Auteurs: Hanting Chen, Zhicheng Liu, Xutao Wang, Yuchuan Tian, Yunhe Wang

cs.AI

Résumé

Dans un effort pour réduire la charge computationnelle des Transformers, la recherche sur l'attention linéaire a gagné un élan significatif. Cependant, les stratégies d'amélioration des mécanismes d'attention nécessitent généralement un réentraînement approfondi, ce qui est peu pratique pour les grands modèles de langage dotés d'un vaste ensemble de paramètres. Dans cet article, nous présentons DiJiang, une nouvelle approche de Kernelisation dans le domaine fréquentiel qui permet de transformer un Transformer pré-entraîné standard en un modèle à complexité linéaire avec des coûts d'entraînement minimes. En employant une méthode de Quasi-Monte Carlo pondérée pour l'échantillonnage, l'approche proposée offre théoriquement une efficacité d'approximation supérieure. Pour réduire davantage la complexité computationnelle de l'entraînement, notre kernelisation repose sur des opérations de Transformée en Cosinus Discrète (DCT). Des expériences approfondies démontrent que la méthode proposée atteint des performances comparables à celles du Transformer original, mais avec des coûts d'entraînement significativement réduits et des vitesses d'inférence bien plus rapides. Notre DiJiang-7B obtient des performances comparables à celles de LLaMA2-7B sur divers benchmarks tout en nécessitant seulement environ 1/50 du coût d'entraînement. Le code est disponible à l'adresse https://github.com/YuchuanTian/DiJiang.

English

In an effort to reduce the computational load of Transformers, research on linear attention has gained significant momentum. However, the improvement strategies for attention mechanisms typically necessitate extensive retraining, which is impractical for large language models with a vast array of parameters. In this paper, we present DiJiang, a novel Frequency Domain Kernelization approach that enables the transformation of a pre-trained vanilla Transformer into a linear complexity model with little training costs. By employing a weighted Quasi-Monte Carlo method for sampling, the proposed approach theoretically offers superior approximation efficiency. To further reduce the training computational complexity, our kernelization is based on Discrete Cosine Transform (DCT) operations. Extensive experiments demonstrate that the proposed method achieves comparable performance to the original Transformer, but with significantly reduced training costs and much faster inference speeds. Our DiJiang-7B achieves comparable performance with LLaMA2-7B on various benchmark while requires only about 1/50 training cost. Code is available at https://github.com/YuchuanTian/DiJiang.