Трансформеры способны достичь обобщения по длине, но не устойчиво.

Transformers Can Achieve Length Generalization But Not Robustly

February 14, 2024

Авторы: Yongchao Zhou, Uri Alon, Xinyun Chen, Xuezhi Wang, Rishabh Agarwal, Denny Zhou

cs.AI

Аннотация

Обобщение по длине, определяемое как способность экстраполировать с более коротких обучающих последовательностей на более длинные тестовые, представляет собой значительную проблему для языковых моделей. Эта проблема сохраняется даже для крупномасштабных трансформеров, выполняющих относительно простые задачи. В данной статье мы проверяем способность трансформеров к обобщению по длине на задаче сложения двух целых чисел. Мы показываем, что успех обобщения по длине тесно связан с форматом данных и типом позиционного кодирования. Используя правильную комбинацию формата данных и позиционных кодирований, мы впервые демонстрируем, что стандартные трансформеры могут экстраполировать на последовательности, длина которых в 2,5 раза превышает длину входных данных. Тем не менее, в отличие от обобщения в пределах распределения, обобщение по длине остается хрупким и значительно зависит от таких факторов, как случайная инициализация весов и порядок обучающих данных, что приводит к большим вариациям при использовании различных случайных начальных значений.

English

Length generalization, defined as the ability to extrapolate from shorter training sequences to longer test ones, is a significant challenge for language models. This issue persists even with large-scale Transformers handling relatively straightforward tasks. In this paper, we test the Transformer's ability of length generalization using the task of addition of two integers. We show that the success of length generalization is intricately linked to the data format and the type of position encoding. Using the right combination of data format and position encodings, we show for the first time that standard Transformers can extrapolate to a sequence length that is 2.5x the input length. Nevertheless, unlike in-distribution generalization, length generalization remains fragile, significantly influenced by factors like random weight initialization and training data order, leading to large variances across different random seeds.