ترجمه فارسی مقاله فراتر از توزیع یکنواخت پرس و جو: پرس و جو گروهی کلید محور توجه

چکیده

The Transformer architecture has revolutionized deep learning through its Self-Attention mechanism, which effectively captures contextual information. However, the memory footprint of Self-Attention presents significant challenges for long-sequence tasks. Grouped Query Attention (GQA) addresses this issue by grouping queries and mean-pooling the corresponding key-value heads – reducing the number of overall parameters and memory requirements in a flexible manner without adversely compromising model accuracy. In this work, we introduce enhancements to GQA, focusing on two novel approaches that deviate from the static nature of grouping: Key-Distributed GQA (KDGQA) and Dynamic Key-Distributed GQA (DGQA), which leverage information from the norms of the key heads to inform query allocation. Specifically, KDGQA looks at the ratios of the norms of the key heads during each forward pass, while DGQA examines the ratios of the norms as they evolve through training. Additionally, we present Perturbed GQA (PGQA) as a case-study, which introduces variability in (static) group formation via subtracting noise from the attention maps. Our experiments with up-trained Vision Transformers, for Image Classification on datasets such as CIFAR-10, CIFAR-100, Food101, and Tiny ImageNet, demonstrate the promise of these variants in improving upon the original GQA through more informed and adaptive grouping mechanisms: specifically ViT-L experiences accuracy gains of up to 8% when utilizing DGQA in comparison to GQA and other variants. We further analyze the impact of the number of Key-Value Heads on performance, underscoring the importance of utilizing query-key affinities. Code is available on GitHub.

چکیده به فارسی (ترجمه ماشینی)

معماری ترانسفورماتور از طریق مکانیسم خودآگاهی خود ، یادگیری عمیق را متحول کرده است ، که به طور موثری اطلاعات متنی را ضبط می کند.با این حال ، ردپای حافظه از خود ، چالش های مهمی را برای کارهای دنباله طولانی نشان می دهد.توجه به پرس و جو گروه بندی شده (GQA) با گروه بندی نمایش داده شد و میانگین جمع آوری سرهای با ارزش کلیدی مربوطه-کاهش تعداد پارامترهای کلی و الزامات حافظه به صورت انعطاف پذیر و بدون دقت مدل.در این کار ، ما پیشرفت هایی را به GQA معرفی می کنیم ، با تمرکز بر دو رویکرد جدید که از ماهیت استاتیک گروه بندی منحرف می شوند: GQA توزیع شده کلیدی (KDGQA) و GQA توزیع شده کلید پویا (DGQA) ، که از اطلاعات هنجارهای کلیدی استفاده می کنندسر برای اطلاع رسانی به تخصیص پرس و جو.به طور خاص ، KDGQA به نسبت هنجارهای سرهای کلیدی در طول هر پاس رو به جلو نگاه می کند ، در حالی که DGQA نسبت هنجارها را در حالی که از طریق آموزش تکامل می یابد ، بررسی می کند.علاوه بر این ، ما GQA آشفته (PGQA) را به عنوان یک مطالعه موردی ارائه می دهیم ، که از طریق کمبود نویز از نقشه های توجه ، تغییرپذیری در تشکیل گروه (استاتیک) را معرفی می کند.آزمایشات ما با ترانسفورماتورهای دیدنی و آموزش دیده ، برای طبقه بندی تصویر در مجموعه داده هایی مانند CIFAR-10 ، CIFAR-100 ، FOOD101 و TINY Imagenet ، نوید این انواع را در بهبود GQA اصلی از طریق مکانیسم های گروه بندی آگاهانه تر و سازگار تر نشان می دهد.به طور خاص VIT-L در استفاده از DGQA در مقایسه با GQA و سایر انواع ، دستاوردهای دقت حداکثر 8 ٪ را تجربه می کند.ما در ادامه تأثیر تعداد سرهای ارزش کلیدی بر عملکرد را مورد تجزیه و تحلیل قرار می دهیم ، و بر اهمیت استفاده از وابستگی های کلید پرس و جو تأکید می کنیم.کد در GitHub موجود است.