Transformador Diferencial

Differential Transformer

October 7, 2024

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

cs.AI

Resumo

O Transformer tende a alocar excessivamente a atenção a contextos irrelevantes. Neste trabalho, apresentamos o Diff Transformer, que amplifica a atenção ao contexto relevante enquanto cancela o ruído. Especificamente, o mecanismo de atenção diferencial calcula os escores de atenção como a diferença entre dois mapas de atenção softmax separados. A subtração cancela o ruído, promovendo o surgimento de padrões de atenção esparsos. Resultados experimentais em modelagem de linguagem mostram que o Diff Transformer supera o Transformer em várias configurações de aumento do tamanho do modelo e tokens de treinamento. Mais intrigante ainda, ele oferece vantagens notáveis em aplicações práticas, como modelagem de longos contextos, recuperação de informações-chave, mitigação de alucinações, aprendizado em contexto e redução de valores atípicos de ativação. Ao ser menos distraído por contextos irrelevantes, o Diff Transformer pode mitigar alucinações em perguntas e respostas e sumarização de texto. Para o aprendizado em contexto, o Diff Transformer não apenas aprimora a precisão, mas também é mais robusto à permutação de ordem, que era considerada um problema crônico de robustez. Os resultados posicionam o Diff Transformer como uma arquitetura altamente eficaz e promissora para avançar em grandes modelos de linguagem.

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.