DiJiang: Modelos de Linguagem de Grande Escala Eficientes por meio de Compactação por Kernelização

DiJiang: Efficient Large Language Models through Compact Kernelization

March 29, 2024

Autores: Hanting Chen, Zhicheng Liu, Xutao Wang, Yuchuan Tian, Yunhe Wang

cs.AI

Resumo

Em um esforço para reduzir a carga computacional dos Transformers, a pesquisa sobre atenção linear ganhou um impulso significativo. No entanto, as estratégias de melhoria para mecanismos de atenção geralmente exigem um extenso retreinamento, o que é impraticável para modelos de linguagem grandes com uma vasta quantidade de parâmetros. Neste artigo, apresentamos o DiJiang, uma nova abordagem de Kernelização no Domínio da Frequência que permite a transformação de um Transformer pré-treinado em um modelo de complexidade linear com custos mínimos de treinamento. Ao empregar um método de amostragem Quasi-Monte Carlo ponderado, a abordagem proposta oferece, teoricamente, uma eficiência de aproximação superior. Para reduzir ainda mais a complexidade computacional do treinamento, nossa kernelização é baseada em operações de Transformada Discreta de Cosseno (DCT). Experimentos extensivos demonstram que o método proposto alcança um desempenho comparável ao Transformer original, mas com custos de treinamento significativamente reduzidos e velocidades de inferência muito mais rápidas. Nosso DiJiang-7B alcança um desempenho comparável ao LLaMA2-7B em vários benchmarks, enquanto requer apenas cerca de 1/50 do custo de treinamento. O código está disponível em https://github.com/YuchuanTian/DiJiang.

English

In an effort to reduce the computational load of Transformers, research on linear attention has gained significant momentum. However, the improvement strategies for attention mechanisms typically necessitate extensive retraining, which is impractical for large language models with a vast array of parameters. In this paper, we present DiJiang, a novel Frequency Domain Kernelization approach that enables the transformation of a pre-trained vanilla Transformer into a linear complexity model with little training costs. By employing a weighted Quasi-Monte Carlo method for sampling, the proposed approach theoretically offers superior approximation efficiency. To further reduce the training computational complexity, our kernelization is based on Discrete Cosine Transform (DCT) operations. Extensive experiments demonstrate that the proposed method achieves comparable performance to the original Transformer, but with significantly reduced training costs and much faster inference speeds. Our DiJiang-7B achieves comparable performance with LLaMA2-7B on various benchmark while requires only about 1/50 training cost. Code is available at https://github.com/YuchuanTian/DiJiang.