Múltiplas Cabeças de Mistura de Especialistas

Resumo

Misturas Especializadas Escassas (SMoE, do inglês Sparse Mixtures of Experts) escalam a capacidade do modelo sem aumentos significativos nos custos de treinamento e inferência, mas apresentam dois problemas principais: (1) Baixa ativação de especialistas, onde apenas um pequeno subconjunto de especialistas é ativado para otimização. (2) Falta de capacidade analítica refinada para múltiplos conceitos semânticos dentro de tokens individuais. Propomos a Mistura de Especialistas com Múltiplas Cabeças (MH-MoE, do inglês Multi-Head Mixture-of-Experts), que emprega um mecanismo de múltiplas cabeças para dividir cada token em vários sub-tokens. Esses sub-tokens são então atribuídos e processados por um conjunto diversificado de especialistas em paralelo, e reintegrados de forma contínua ao formato original do token. O mecanismo de múltiplas cabeças permite que o modelo atenda coletivamente a informações de diversos espaços de representação dentro de diferentes especialistas, enquanto aumenta significativamente a ativação de especialistas, aprofundando assim a compreensão do contexto e mitigando o overfitting. Além disso, nosso MH-MoE é simples de implementar e desacoplado de outros métodos de otimização SMoE, facilitando sua integração com outros modelos SMoE para melhorar o desempenho. Resultados experimentais extensivos em três tarefas: modelagem de linguagem focada em inglês, modelagem de linguagem multilíngue e modelagem multimodial mascarada, demonstram a eficácia do 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.