Transformateur Différentiel

Differential Transformer

October 7, 2024

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

cs.AI

Résumé

Le Transformer a tendance à allouer trop d'attention à des contextes non pertinents. Dans ce travail, nous introduisons le Diff Transformer, qui amplifie l'attention portée au contexte pertinent tout en annulant le bruit. Plus précisément, le mécanisme d'attention différentielle calcule les scores d'attention comme la différence entre deux cartes d'attention softmax distinctes. La soustraction annule le bruit, favorisant l'émergence de schémas d'attention clairsemés. Les résultats expérimentaux sur la modélisation du langage montrent que le Diff Transformer surpasse le Transformer dans divers contextes d'augmentation de la taille du modèle et du nombre de jetons d'entraînement. Plus intrigant encore, il offre des avantages notables dans des applications pratiques telles que la modélisation de longs contextes, la récupération d'informations clés, l'atténuation des hallucinations, l'apprentissage en contexte et la réduction des valeurs aberrantes d'activation. En étant moins distrait par des contextes non pertinents, le Diff Transformer peut atténuer les hallucinations dans la réponse aux questions et la résumé de texte. Pour l'apprentissage en contexte, le Diff Transformer améliore non seulement la précision mais est également plus robuste à la permutation d'ordre, qui était considérée comme un problème de robustesse chronique. Les résultats placent le Diff Transformer comme une architecture très efficace et prometteuse pour faire progresser les grands modèles de langage.

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.