AIGC動態(tài)歡迎閱讀

原標(biāo)題：Sigmoid注意力一樣強，蘋果開始重新審視注意力機制
關(guān)鍵字：注意力,序列,矩陣,函數(shù),內(nèi)存
文章來源：機器之心
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

機器之心報道
機器之心編輯部注意力是 Transformer 架構(gòu)的關(guān)鍵部分，負責(zé)將每個序列元素轉(zhuǎn)換為值的加權(quán)和。將查詢與所有鍵進行點積，然后通過 softmax 函數(shù)歸一化，會得到每個鍵對應(yīng)的注意力權(quán)重。
盡管 SoftmaxAttn 中的 softmax 具有廣泛的用途和有效性，但它并非沒有局限性。例如，softmax 函數(shù)有時會導(dǎo)致注意力集中在少數(shù)幾個特征，而忽略了其他信息。
近來，一些研究探索了 Transformer 中 softmax 注意力的替代方案，例如 ReLU 和 sigmoid 激活函數(shù)。最近，來自蘋果的研究者重新審視了 sigmoid 注意力并進行了深入的理論和實驗分析。
該研究證明：從理論上講，與 softmax 注意力相比，具有 sigmoid 注意力的 Transformer 是通用函數(shù)逼近器，并且受益于改進的正則化。論文地址：https://arxiv.org/pdf/2409.04431
項目地址：https://github.com/apple/ml-sigmoid-attention
論文標(biāo)題：Theory, Analysis, and Best

原文鏈接：Sigmoid注意力一樣強，蘋果開始重新審視注意力機制

聯(lián)系作者

文章來源：機器之心
作者微信：
作者簡介：