作者 | ChrisCao、小軼
編輯 | 叢 末
傳統Tranformer-based模型在處理長文本時有著天然的劣勢。因為傳統模型採用的是「全連接」型的attention機制，即每一個token都要與其他所有token進行交互。其attention複雜度高達 。此前的解決辦法是將長文切分為若干個較短的text span，然後逐個處理。這就導致不同的text span之間無法進行交互，因而必然存在大量information loss。當然，我們也可以通過添加一些其他機制來加強這種text span之間的交互。但這種新增機制實現起來通常比較複雜，而且往往是task-specific的，通用性不強。
原文連結： https://arxiv.org/pdf/2004.05150.pdf
Github： https://github.com/allenai/longformer
本文提出的 一種可高效處理長文本的升級版Transformer——Longformer，改進了Transformer的傳統attention機制：對於每一個token， 只對固定窗口大小的附近token計算local attention，並結合具體任務，計算 少量的global attention。該方法的優點包括：
複雜度低，將attention機制的複雜度降至
通用性強，可用於各類文檔級任務
部署容易，作者在cuda內核上直接實現了Longformer的attention pattern，並提供了開原始碼。
Longformer在兩個字符級語言建模任務上都取得了SOTA的效果。並且，作者用Longformer的attention方法繼續預訓練RoBERTa。訓練得到的語言模型在多個長文檔任務上進行fine-tune後，性能全面超越Roberta。該 預訓練模型也已開源，大家可以很方便地直接應用於自己的任務。
1
模型
作者共提出了三種新的attention pattern，來降低傳統self-attention的複雜度，分別是滑窗機制、膨脹滑窗機制、融合全局信息的滑窗機制。下圖展示了傳統attention與這三種attention pattern的示意圖。接下來將為大家分別講解。
1. 滑窗機制（Sliding window）：對於每一個token，只對其附近的w個token計算attention計算複雜度與文本序列長度 成線性關係，為 。作者認為，根據應用任務的不同可以對Transformer每一層施以不同的窗口大小 ，對模型表示能力可能有潛在幫助。
讀到這裡的，大家可能和我一樣，誤認為這個窗口 應該比較小，估計在16~64這個量級。但看到實驗部分會發現，作者在具體實現的時候，設置的窗口大小 為512，和Bert的Input限制完全一樣。所以，大家不要存有「Longformer比Bert還要更輕量」的錯覺。
2. 膨脹滑窗機制（Dilated sliding window）：在對每一個進行token編碼時，普通滑窗機制只能考慮到長度為 的上下文。作者進一步提出膨脹滑窗機制，在不增加計算負荷的前提下，拓寬模型「視場」。其做法借鑑了空洞卷積的思想[1]。如下圖所示，在滑動窗口中，被attend到的兩個相鄰token之間會存在大小為d的間隙。當transformer的層數為l時，則視場範圍可達到 。實驗表明，由於考慮了更加全面的上下文信息，膨脹滑窗機制比普通的滑窗機制表現更佳。
3. 融合全局信息的滑窗機制（Global+sliding window）：我們知道Bert一類的語言模型在應用於具體任務時，實現方式略有不同。比如，對於文本分類任務，我們會在文本序列前添加[CLS]這一特殊token；而對於QA類任務，則會將問題與文本進行拼接後輸入。在Longformer中，作者也希望能夠根據具體任務的不同，在local attention的基礎上添加少量的global attention。比如，在分類任務上就會在[CLS]處添加一個global attention，而在QA任務上會對question中的所有token添加global attention。如下圖所示，對於添加了global attention的token，我們對其編碼時要對整個序列做attention。並且，編碼其他所有token時，也都要attend到它。
2
實驗
1、自定義CUDA內核
由於現有的深度學習庫中並沒有能直接實現膨脹滑窗機制的接口，為此作者直接自定義了CUDA內核操作，用於實現Longformer的attention pattern[2]。如下圖所示，Longformer的內存消耗與文本長度成線性關係（紅線）。用自定義CUDA來實現Longformer，相比於用Naive Pytorch來實現（藍線），運行速度加快了六倍。
2、Longformer在字符級別任務上的表現
作者在text8和enwik8兩個字符級任務上對Longformer進行實驗。實驗中，模型每一層採用了不同的窗口大小：底層使用較小的滑窗，以建模局部信息；在高層使用較大的滑窗，以擴大感受野。訓練時，理想狀況下當然是希望使用GPU所能承受的最大的window size和sequence len。但為了加快訓練速度，作者採用的是一種階段式的訓練方式：在學習更長的上下文之前，先學好局部的上下文。在第一階段，先設置較短的序列長度和窗口大小。在後續階段，window size和sequence length增加一倍，學習率減半 實驗結果如下圖所示，Longformer在這兩個數據集上皆達到了SOTA效果（註：測試指標為BPC，bits-per-character；BPC越小，性能越優）。
作者通過實驗，對滑窗機制的設置進行了進一步的討論。如下表所示：
表中第一組實驗（前三行）討論的是：如果transformer的不同層採用不同窗口大小，是否可以提高性能？實驗結果表明，由底層至高層遞增窗口大小，可提升性能；遞減則反而性能降低。
第二組實驗（後兩行）是對膨脹滑窗機制的消融實驗，證明了增加間隙後的滑窗機制，性能可以有小幅度提升
3、Longformer用於預訓練1）MLM Pretraining
作者採用Longformer的方法在以下四個文檔級語料上進行預訓練，從而得到適於文檔級NLP任務的語言模型。作者並沒有完全從頭預訓練一個隨機初始化的模型，而是以RoBERTa為基礎，採用MLM(masked language modeling)的方法繼續預訓練。預訓練時，每一層都採用固定的大小為512的滑動窗口，暫不添加global attention。為支持長文本，論文作者把position embedding擴展到了4096個。
預訓練結束後，在多個文檔級任務上再進一步對預訓練模型做fine-tuning。fine-tuning時會根據任務增加global attention：共設置兩套映射矩陣，一套用於局部自注意力，另一套用於全局注意力。實驗表明，Longformer全面超越了RoBERTa的表現。
2）消融實驗
為了證明Longformer更優異的性能並不是因為對RoBERTa額外的預訓練帶來的，作者做了一組消融實驗。採用了與RoBERTa完全相同的序列長度和attention機制，在繼續預訓練後並沒有在文檔級任務上取得更優的性能。
參考文獻：
[2] TVM: 關於如何自定義CUDA內核：這裡作者使用了TVM (tensor virtual machine)(tvm.apache.org)，2018年由華盛頓大學的SAMPL組貢獻的開源項目。TVM為不同的深度學習框架和硬體平台實現了統一的編譯棧，從而實現將不同框架的深度學習模型到硬體平台的快速部署。
招 聘
點
擊"閱讀原文"，直達「KDD交流小組」了解更多會議信息。