Многоголовая модель смеси экспертов

Multi-Head Mixture-of-Experts

April 23, 2024

Авторы: Xun Wu, Shaohan Huang, Wenhui Wang, Furu Wei

cs.AI

Аннотация

Разреженные смеси экспертов (SMoE) увеличивают объем модели без значительного увеличения затрат на обучение и вывод, однако имеют две проблемы: (1) Низкая активация экспертов, когда для оптимизации активируется лишь небольшой поднабор экспертов. (2) Отсутствие тонкой аналитической способности для множества семантических концепций внутри отдельных токенов. Мы предлагаем Многоголовую Смесь Экспертов (MH-MoE), которая использует механизм с множеством головок для разделения каждого токена на несколько подтокенов. Эти подтокены затем назначаются и обрабатываются разнообразным набором экспертов параллельно, а затем без проблем интегрируются обратно в исходную форму токена. Механизм с множеством головок позволяет модели совместно обращаться к информации из различных пространств представлений в разных экспертах, что существенно улучшает активацию экспертов, углубляет понимание контекста и снижает переобучение. Более того, наш MH-MoE легко реализуется и разделяется от других методов оптимизации SMoE, что облегчает его интеграцию с другими моделями SMoE для улучшения производительности. Обширные экспериментальные результаты по трем задачам: моделирование языка на английском, многоязычное моделирование языка и задачи маскированной мультимодальности, демонстрируют эффективность 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.