Trasformatore Differenziale

Differential Transformer

October 7, 2024

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

cs.AI

Abstract

Il Transformer tende a sovra-allocare l'attenzione a contesti irrilevanti. In questo lavoro, introduciamo il Diff Transformer, che amplifica l'attenzione al contesto rilevante mentre annulla il rumore. In particolare, il meccanismo di attenzione differenziale calcola i punteggi di attenzione come differenza tra due mappe di attenzione softmax separate. La sottrazione annulla il rumore, promuovendo l'emergere di schemi di attenzione sparsi. I risultati sperimentali sul language modeling mostrano che il Diff Transformer supera il Transformer in vari contesti di aumento delle dimensioni del modello e dei token di addestramento. In modo più intrigante, offre notevoli vantaggi nelle applicazioni pratiche, come il modeling di contesti lunghi, il recupero di informazioni chiave, la mitigazione delle allucinazioni, l'apprendimento in contesto e la riduzione degli outlier di attivazione. Essendo meno distratto dal contesto irrilevante, il Diff Transformer può mitigare le allucinazioni nella risposta alle domande e nella sintesi del testo. Per l'apprendimento in contesto, il Diff Transformer non solo migliora la precisione ma è anche più robusto alla permutazione dell'ordine, considerata come un problema cronico di robustezza. I risultati posizionano il Diff Transformer come un'architettura altamente efficace e promettente per far progredire i grandi modelli linguistici.

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.