I Transformer Possono Raggiungere la Generalizzazione sulla Lunghezza, Ma Non in Modo Robusto

Transformers Can Achieve Length Generalization But Not Robustly

February 14, 2024

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

cs.AI

Abstract

La generalizzazione della lunghezza, definita come la capacità di estrapolare da sequenze di addestramento più corte a sequenze di test più lunghe, rappresenta una sfida significativa per i modelli linguistici. Questo problema persiste anche con i Transformer su larga scala che affrontano compiti relativamente semplici. In questo articolo, testiamo la capacità di generalizzazione della lunghezza del Transformer utilizzando il compito di addizione di due numeri interi. Dimostriamo che il successo della generalizzazione della lunghezza è strettamente legato al formato dei dati e al tipo di codifica posizionale. Utilizzando la giusta combinazione di formato dei dati e codifiche posizionali, mostriamo per la prima volta che i Transformer standard possono estrapolare a una lunghezza di sequenza che è 2,5 volte la lunghezza dell'input. Tuttavia, a differenza della generalizzazione in-distribuzione, la generalizzazione della lunghezza rimane fragile, influenzata in modo significativo da fattori come l'inizializzazione casuale dei pesi e l'ordine dei dati di addestramento, portando a grandi variazioni tra diversi semi casuali.

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.