Transformer-XL: 在自注意力模型中处理长距离依赖

论文题目：Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context，下载链接

Insight

• 如何赋予编码器捕获长距离依赖的能力
• 通过随机排列自然语言而预测某个位置可能出现的词,传统自回归语言模型的推广

Motivation

建立长期依赖:LSTM-->Transformer，带来问题：

• 固定长度（segment），对长文本效果不佳；
• 文本截断导致各个片段之间的信息也被截断，缺少上下文信息。

Method

片段级递归机制(segment-level recurrence mechanism)

用途：记忆机制，储存前一片段的信息，然后与当前片段信息拼接，公式如下。

$$ \widetilde{\mathbf{h}}_{\tau+1}^{n-1}=\left[\mathrm{SG}\left(\mathbf{h}_{\tau}^{n-1}\right) \circ \mathbf{h}_{\tau+1}^{n-1}\right] \\ \mathbf{q}_{\tau+1}^{n}, \mathbf{k}_{\tau+1}^{n}, \mathbf{v}_{\tau+1}^{n}=\mathbf{h}_{\tau+1}^{n-1} \mathbf{W}_{q}^{\top}, \widetilde{\mathbf{h}}_{\tau+1}^{n-1} \mathbf{W}_{k}^{\top}, \widetilde{\mathbf{h}}_{\tau+1}^{n-1} \mathbf{W}_{v}^{\top} \\ \mathbf{h}_{\tau+1}^{n}= TRML \left(\mathbf{q}_{\tau+1}^{n}, \mathbf{k}_{\tau+1}^{n}, \mathbf{v}_{\tau+1}^{n}\right) $$

其中，$\widetilde{\mathbf{h}}_{\tau+1}^{n-1}$即前一片段的信息（TRM输出向量），SG指stop-gradient，$[\circ]$指concat，TRML指Transformer Layer.

注意：记忆的状态可以不止前一个segment，在本文实验中，状态的size和attention的length（即segment长度）相同。相当暴力...

相对位置编码机制(relative position embedding scheme)

用途：编码文本在不同片段的相对位置。

传统方法中，因为各个segment是没有联系的，在位置编码时只关注一个segment，采用绝对位置编码对$1:L$进行编码：

$$ \begin{aligned} \mathbf{h}_{\tau+1} &=f\left(\mathbf{h}_{\tau}, \mathbf{E}_{\mathbf{s}_{\tau+1}}+\mathbf{U}_{1: L}\right) \\ \mathbf{h}_{\tau} &=f\left(\mathbf{h}_{\tau-1}, \mathbf{E}_{\mathbf{s}_{\tau}}+\mathbf{U}_{1: L}\right) \end{aligned} $$

可以看到，在$\tau$和$\tau+1$，使用的位置编码是相同的，导致信息混淆。

传统的Attention：

$$ \begin{aligned} \mathbf{A}_{i, j}^{\mathrm{abs}} &=\underbrace{\mathbf{E}_{x_{i}}^{\top} \mathbf{W}_{q}^{\top} \mathbf{W}_{k} \mathbf{E}_{x_{j}}}_{(a)}+\underbrace{\mathbf{E}_{x_{i}}^{\top} \mathbf{W}_{q}^{\top} \mathbf{W}_{k} \mathbf{U}_{j}}_{(b)} \\ &+\underbrace{\mathbf{U}_{i}^{\top} \mathbf{W}_{q}^{\top} \mathbf{W}_{k} \mathbf{E}_{x_{j}}}_{(c)}+\underbrace{\mathbf{U}_{i}^{\top} \mathbf{W}_{q}^{\top} \mathbf{W}_{k} \mathbf{U}_{j}}_{(d)} \end{aligned} $$

与原Transformer中类似，提出一个$\mathbf{R} \in \mathbb{R}^{L} \max \times d$，其中来表示$\mathbf{R}_{i}$表示距离为$i$的两个位置，表达式改写为：

$$ \begin{aligned} \mathbf{A}_{i, j}^{\mathrm{rel}} &=\underbrace{\mathbf{E}_{x_{i}}^{\top} \mathbf{W}_{q}^{\top} \mathbf{W}_{k, E} \mathbf{E}_{x_{j}}}_{(a)}+\underbrace{\mathbf{E}_{x_{i}}^{\top} \mathbf{W}_{q}^{\top} \mathbf{W}_{k, R} \mathbf{R}_{i-j}}_{(b)} \\ &+\underbrace{u^{\top} \mathbf{W}_{k, E} \mathbf{E}_{x_{j}}}_{(c)}+\underbrace{v^{\top} \mathbf{W}_{k, R} \mathbf{R}_{i-j}}_{(d)} \end{aligned} $$

其中，主要的变化为：

• $\mathbf{U}_{j}$变成了$\mathbf{R}_{i-j}$:用相对位置替换绝对位置；
• $\mathbf{U}_{i}^{\top} \mathbf{W}_{q}^{\top}$变成了$u \in \mathbb{R}^{d}$和$v \in \mathbb{R}^{d}$：之前是绝对位置编码作为query，在考虑相对位置的情况下，不需要查询绝对位置，所以将其改为可训练的向量；
• 在$c$,$d$中区分$\mathbf{W}_{k, E}$和$\mathbf{W}_{k, R}$：分别产生基于内容和位置的key（猜测是因为$c$项中没有位置相关信息了，所以将位置和内容信息分离开，效果更好。）

其中各部分用途为：

• $a$表示内容信息,
• $b$表示依赖于内容的位置信息,
• $c$为全局的内容bias, 调整内容的重要性；
• $d$为全局位置bias，调整距离的重要性。

其他重要的实验细节

1. 参数量(由小到大，由于实验数据不同，参数量在不同数据间不一定可比）

   • 12L Transformer-XL: 41M
   • 12L Transformer: 44M
   • 18L Transformer-XL: 88M
   • Transformer-XL Standard：151M
   • Transformer-XL Large: 257M
   • 24L Transformer-XL: 277M

2. WikiText-103数据集下细节参考

   • 103M training tokens from 28K articles
   • 384 during training and 1600 during evaluation

3. enwik8数据集下细节参考

   • 模型大小 18-layer and 24-layer Transformer-XLs
   • 注意力长度: 784 during training and 3,800 during evaluation

4. base模型与large模型的gap

   • 参数量：0.46B~0.8B
   • PPL: 23.5~21.8
   • base模型已经远超LSTM，相对于vanilla Transformer的改进方法Adaptive input则为23.5~23.7
   • large模型相对于Adaptive input则为21.8~23.7

相关论文与代码

1. Github-transformer-xl，原论文模型
2. Github-transformer-xl-chinese，中文模型，用于生成文本
3. Baevski A, Auli M. Adaptive input representations for neural language modeling[J]. arXiv preprint arXiv:1809.10853, 2018.