Дифференциальный трансформатор

Differential Transformer

October 7, 2024

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

cs.AI

Аннотация

Трансформер имеет тенденцию перераспределять внимание на нерелевантный контекст. В данной работе мы представляем Дифференциальный Трансформер, который усиливает внимание к соответствующему контексту, отменяя шум. Конкретно, механизм дифференциального внимания вычисляет оценки внимания как разницу между двумя отдельными картами внимания softmax. Вычитание отменяет шум, способствуя появлению разреженных образцов внимания. Экспериментальные результаты по языковому моделированию показывают, что Дифференциальный Трансформер превосходит Трансформер в различных настройках увеличения размера модели и обучающих токенов. Более интересно то, что он предлагает заметные преимущества в практических приложениях, таких как моделирование длинного контекста, извлечение ключевой информации, смягчение галлюцинаций, обучение в контексте и снижение выбросов активации. Благодаря меньшему отвлечению на нерелевантный контекст, Дифференциальный Трансформер способен смягчить галлюцинации в вопросно-ответных системах и суммаризации текста. Для обучения в контексте Дифференциальный Трансформер не только повышает точность, но также более устойчив к перестановке порядка, что ранее считалось хронической проблемой устойчивости. Результаты позиционируют Дифференциальный Трансформер как высокоэффективную и многообещающую архитектуру для развития крупных языковых моделей.

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.