注意力机制作用被高估了？来自苹果等机构新研究

　　萧箫 发自 凹非寺
　　量子位 | 公众号 QbitAI
　　要说Transformer的核心亮点，当然是注意力机制 了。
　　但现在，一篇新研究却突然提出了带点火药味的观点：
　　注意力机制对于预训练Transformer有多重要，这事儿得 打个问号 。
　　研究人员来自希伯来大学、艾伦人工智能研究所、苹果和华盛顿大学，他们提出了一种新的方法，用来衡量注意力机制在预训练Transformer模型中的重要性。
　　结果表明，即使去掉注意力机制，一些Transformer的性能也没太大变化，甚至与原来的模型差异不到十分之一！
　　这个结论让不少人感到惊讶，有网友调侃：
　　你亵渎了这个领域的神明！
　　所以，究竟如何判断注意力机制对于Transformer模型的重要性？把注意力换成常数矩阵
　　这种新测试方法名叫PAPA ，全称＂针对预训练语言模型注意力机制的探测分析＂（Probing Analysis for PLMs’ Attention） 。
　　PAPA采用的方法，是将预训练语言模型（PLMs） 中依赖于输入的注意力矩阵替换成常数矩阵。
　　如下图所示，我们熟悉的注意力机制 是通过Q和K矩阵，计算得到注意力权重，再作用于V得到整体权重和输出。
　　现在，Q和K的部分直接被替换成了一个常数矩阵 C：
　　其中常数矩阵C的计算方式如下：
　　随后，用6个下游任务测试这些模型（CoLA、MRPC、SST-2、MNLI、NER、POS） ，对比采用PAPA前后，模型的性能差距。
　　为了更好地检验注意力机制的重要性，模型的注意力矩阵并非一次性全换成常数矩阵，而是逐次减少注意力头的数量。
　　如下图，研究先用了BERT-BASE、RoBERTa-BASE和DeBERTa-BASE做实验，其中y轴表示性能，x轴是注意力头相比原来减少的情况：
　　随后，研究又用了BERT-LARGE、RoBERTa-LARGE和DeBERTa-LARGE做实验：
　　通过比较结果，研究人员发现了一些有意思的现象：首先，用常数矩阵替换一半的注意矩阵，对模型性能的影响极小，某些情况下甚至可能导致性能的提升 （x值达到½时，图中有些模型数值不减反增） 。
　　其次，即使注意力头数量降低为0，平均性能下降也就8%，与原始模型相比最多不超过20%。
　　研究认为，这种现象表明预训练语言模型对注意力机制的依赖没那么大（moderate） 。模型性能越好，越依赖注意力机制
　　不过，即使是预训练Transformer模型之间，性能表现也不完全一样。
　　作者们将表现更好的Transformer模型和更差的Transformer模型进行了对比，发现原本性能更好的模型，在经过PAPA的＂测试＂后，性能反而变得更差了 。
　　如下图，其中y轴代表各模型原本的平均性能，x轴代表将所有注意力矩阵替换为常数矩阵时（经过PAPA测试） 模型性能的相对降低分值：
　　可以看出，之前性能越好的模型，将注意力矩阵替换成常数矩阵受到的损失也越高。
　　这说明如果模型本身性能越好，对注意力机制的利用能力就越好。
　　对于这项研究，有网友感觉很赞：
　　听起来很酷，现在不少架构太重视各种计算和性能任务，却忽略了究竟是什么给模型带来的改变。
　　但也有网友认为，不能单纯从数据 来判断架构变化是否重要。
　　例如在某些情况下，注意力机制给隐空间（latent space） 中数据点带来的幅度变化仅有2-3%：
　　难道这种情况下它就不够重要了吗？不一定。
　　对于注意力机制在Transformer中的重要性，你怎么看？
　　论文地址：
　　https://arxiv.org/abs/2211.03495
　　参考链接：
　　https://twitter.com/_akhaliq/status/1589808728538509312
　　— 完 —
　　量子位 QbitAI · 头条号签约
　　关注我们，第一时间获知前沿科技动态