Multi-Head Mengsel-van-Experts

Samenvatting

Sparse Mixtures of Experts (SMoE) schaalt de modelcapaciteit zonder significante toename van trainings- en inferentiekosten, maar vertoont de volgende twee problemen: (1) Lage expertactivatie, waarbij slechts een kleine subset van experts wordt geactiveerd voor optimalisatie. (2) Gebrek aan fijnmazige analytische mogelijkheden voor meerdere semantische concepten binnen individuele tokens. Wij stellen Multi-Head Mixture-of-Experts (MH-MoE) voor, dat een multi-head mechanisme gebruikt om elk token op te splitsen in meerdere sub-tokens. Deze sub-tokens worden vervolgens toegewezen aan en parallel verwerkt door een diverse set experts, en naadloos geherintegreerd in de oorspronkelijke tokenvorm. Het multi-head mechanisme stelt het model in staat om collectief aandacht te besteden aan informatie uit verschillende representatieruimtes binnen verschillende experts, terwijl het de expertactivatie aanzienlijk verbetert, waardoor het contextbegrip verdiept en overfitting wordt verminderd. Bovendien is onze MH-MoE eenvoudig te implementeren en ontkoppeld van andere SMoE-optimalisatiemethoden, waardoor het gemakkelijk te integreren is met andere SMoE-modellen voor verbeterde prestaties. Uitgebreide experimentele resultaten over drie taken: Engels-gericht taalmodeleren, meertalig taalmodeleren en gemaskerde multimodale modelleertaken, demonstreren de effectiviteit van MH-MoE.

English

Sparse Mixtures of Experts (SMoE) scales model capacity without significant increases in training and inference costs, but exhibits the following two issues: (1) Low expert activation, where only a small subset of experts are activated for optimization. (2) Lacking fine-grained analytical capabilities for multiple semantic concepts within individual tokens. We propose Multi-Head Mixture-of-Experts (MH-MoE), which employs a multi-head mechanism to split each token into multiple sub-tokens. These sub-tokens are then assigned to and processed by a diverse set of experts in parallel, and seamlessly reintegrated into the original token form. The multi-head mechanism enables the model to collectively attend to information from various representation spaces within different experts, while significantly enhances expert activation, thus deepens context understanding and alleviate overfitting. Moreover, our MH-MoE is straightforward to implement and decouples from other SMoE optimization methods, making it easy to integrate with other SMoE models for enhanced performance. Extensive experimental results across three tasks: English-focused language modeling, Multi-lingual language modeling and Masked multi-modality modeling tasks, demonstrate the effectiveness of MH-MoE.