Кръстосано внимание
Кръстосаното внимание е механизмът, който позволява на една последователност да разглежда друга: декодер, генериращ текст, може да се погрижи за представянето на входа от енкодера.
Преглед
It is how models connect what they are producing to what they read, powering translation, captioning, and modern multimodal systems.
Дълбоко гмуркане
Самовниманието позволява на токените в рамките на една последователност да се свързват един с друг; кръстосаното внимание позволява на една последователност да черпи информация от друга. В декодер Transformer всяка стъпка на генериране формира заявки от частично генерирания изход, докато ключовете и стойностите идват от изходите на енкодера. Моделът изчислява доколко всеки входен елемент е подходящ за текущата изходна позиция и извлича претеглена комбинация от входна информация. Това е, което позволява на декодера за превод да се фокусира върху правилните изходни думи, докато пише всяка целева дума. Отвъд текста, кръстосаното внимание е спойката в мултимодалните модели: текстов декодер може да се погрижи за функциите на корекцията на изображението или аудио моделът може да подравни звука към транскрибираните думи. Всеки път, когато трябва да се слеят два отделни потока от информация, кръстосаното внимание обикновено е съединителната тъкан.
Техническа информация
Механично, кръстосаното внимание използва отново същата мащабирана формула на точков продукт като самовниманието, с един обрат: заявките идват от една последователност (декодера), а ключовете/стойностите идват от друга (кодера). Той изчислява теглата на вниманието като softmax над сходството на ключ на заявка, след което връща претеглена сума от стойности. Тъй като заявките и ключовете произхождат от различни източници, двете последователности могат да се различават изцяло по дължина, модалност или език.
Стратегическо въздействие
Speed and scale
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Access and reach
Той разширява достъпа между езици и стилове на комуникация.
Clearer decisions
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Бъдещето на кръстосаното внимание
Кръстосаното внимание все повече е стандартният интерфейс за свързване на модалности. Моделите на визуален език го използват, за да може текстът да се заземи в региони на изображението; дифузионните генератори на изображения го използват за кондициониране на пиксели върху текстови подкани. Изследванията се стремят към по-ефективно кръстосано внимание (линейни и редки варианти) за обработка на дълги документи, изображения с висока разделителна способност и видео. Тъй като AI системите интегрират повече сетива, очаквайте слоевете за кръстосано внимание да действат като универсални съединители, подреждащи текст, звук, визия и структурирани данни.
Внедряване в реалния свят
При невронен машинен превод декодерът се обръща кръстосано към изходните думи, за да избере правилния превод за всяка изходна дума.
Stable Diffusion използва кръстосано внимание, за да обуслови всеки генериран регион на изображението в текстовата подкана.
Модели на визуални езици като Flamingo позволяват на текстовите токени да обръщат внимание на функциите на изображението за визуални отговори на въпроси.
Декодерите за преобразуване на говор в текст се обръщат към кодирани аудио рамки, за да подравнят звуците с думите, които се транскрибират.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Наземни отговори с доверени източници винаги, когато точността има значение.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Cross-Attention quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Редактиране на кръстосано внимание от подкана към подкана
Frequently asked questions
What is Cross-Attention?
Кръстосаното внимание е механизмът, който позволява на една последователност да разглежда друга: декодер, генериращ текст, може да се погрижи за представянето на входа от енкодера. Това е начинът, по който моделите свързват това, което произвеждат, с това, което четат, захранвайки превода, надписите и модерните мултимодални системи.
Каква е ключовата разлика между самовниманието и кръстосаното внимание?
Кръстосаното внимание извлича заявки от една последователност (напр. декодера) и ключове и стойности от различна (напр. енкодера), като позволява на двете да си взаимодействат.
В енкодер-декодер Transformer, откъде идват заявките за кръстосано внимание?
Декодерът формира заявки от своя частично генериран изход, след което използва изходите на енкодера като ключове и стойности, за да изтегли съответната входна информация.
Защо двете последователности в кръстосаното внимание могат да имат различни дължини или модалности?
Тъй като заявките произхождат от един източник, а ключовете/стойностите от друг, последователностите са независими и могат да се различават по дължина, език или модалност.
Как Stable Diffusion използва кръстосано внимание?
Кръстосаното внимание позволява на всяка част от генерираното изображение да обърне внимание на текстовата подкана, заземявайки визуалните елементи в думите.
Каква математическа операция споделя кръстосаното внимание със самовниманието?
И двете използват едно и също мащабирано внимание на точковия продукт: резултати за сходство между заявки и ключове, мек максимум, след това претеглена сума от стойности.