Hiperconexões

Hyper-Connections

September 29, 2024

Autores: Defa Zhu, Hongzhi Huang, Zihao Huang, Yutao Zeng, Yunyao Mao, Banggu Wu, Qiyang Min, Xun Zhou

cs.AI

Resumo

Apresentamos hiperconexões, um método simples, porém eficaz, que pode servir como uma alternativa às conexões residuais. Esta abordagem aborda especificamente as desvantagens comuns observadas em variantes de conexão residual, como o efeito gangorra entre o desaparecimento do gradiente e o colapso da representação. Teoricamente, as hiperconexões permitem que a rede ajuste a força das conexões entre características em diferentes profundidades e rearranje dinamicamente as camadas. Realizamos experimentos focados no pré-treinamento de grandes modelos de linguagem, incluindo modelos densos e esparsos, nos quais as hiperconexões mostram melhorias significativas de desempenho em relação às conexões residuais. Experimentos adicionais realizados em tarefas de visão também demonstram melhorias semelhantes. Antecipamos que este método será amplamente aplicável e benéfico em uma ampla gama de problemas de IA.

English

We present hyper-connections, a simple yet effective method that can serve as an alternative to residual connections. This approach specifically addresses common drawbacks observed in residual connection variants, such as the seesaw effect between gradient vanishing and representation collapse. Theoretically, hyper-connections allow the network to adjust the strength of connections between features at different depths and dynamically rearrange layers. We conduct experiments focusing on the pre-training of large language models, including dense and sparse models, where hyper-connections show significant performance improvements over residual connections. Additional experiments conducted on vision tasks also demonstrate similar improvements. We anticipate that this method will be broadly applicable and beneficial across a wide range of AI problems.