クロスアテンション
クロスアテンションは、あるシーケンスを別のシーケンスに注目させるメカニズムです。テキストを生成するデコーダーは、エンコーダーの入力表現に注意を払うことができます。
概要
モデルが自分たちが作るものと読んでいるものを結びつけ、翻訳、キャプション、現代のマルチモーダルシステムを支えています。
ディープダイブ
セルフアテンションにより、1 つのシーケンス内のトークンが相互に関連付けられます。クロスアテンションにより、シーケンスは別のシーケンスから情報を引き出すことができます。 Transformer デコーダでは、各生成ステップで部分的に生成された出力からクエリが形成され、キーと値はエンコーダの出力から取得されます。モデルは、各入力要素が現在の出力位置にどの程度関連しているかを計算し、入力情報の重み付けされたブレンドを取得します。これにより、翻訳デコーダは各ターゲット単語を書き込む際に、正しいソース単語に焦点を当てることができます。テキストを超えて、クロスアテンションはマルチモーダル モデルの接着剤です。テキスト デコーダーが画像パッチの特徴に注目したり、オーディオ モデルが音声を転写された単語に合わせることができます。 2 つの異なる情報の流れを融合する必要があるときは、通常、結合組織で相互注意が行われます。
技術的な洞察
機械的には、クロス アテンションはセルフ アテンションと同じスケーリングされたドット積式を再利用しますが、一工夫あります。クエリは 1 つのシーケンス (デコーダー) から取得され、キー/値は別のシーケンス (エンコーダー) から取得されます。クエリ キーの類似度に対するソフトマックスとしてアテンションの重みを計算し、値の重み付き合計を返します。クエリとキーは異なるソースから発生するため、2 つのシーケンスの長さ、モダリティ、または言語が完全に異なる場合があります。
戦略的影響
速度とスケール
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
アクセスと到達範囲
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
より明確な判決
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
クロスアテンションの未来
クロスアテンションは、モダリティをつなぎ合わせるための標準インターフェイスとしてますます普及しています。視覚言語モデルはこれを使用して、テキストが画像領域に定着できるようにします。拡散画像ジェネレータは、テキスト プロンプトのピクセルを調整するためにこれを使用します。研究は、長い文書、高解像度の画像、およびビデオを処理するために、より効率的なクロスアテンション (リニアおよびスパース バリアント) を目指して進められています。 AI システムがより多くの感覚を統合するにつれて、クロスアテンション レイヤーがテキスト、サウンド、ビジョン、構造化データを調整するユニバーサル コネクタとして機能することが期待されます。
現実世界の実装
ニューラル機械翻訳では、デコーダがソース単語を相互監視して、各出力単語に適切な翻訳を選択します。
安定した拡散は、クロスアテンションを使用して、テキスト プロンプト上で生成された各画像領域を調整します。
Flamingo のようなビジョン言語モデルでは、テキスト トークンが画像の特徴に相互作用して、視覚的な質問に答えることができます。
Speech-to-Text デコーダは、エンコードされたオーディオ フレームを相互監視して、音声と文字起こしされる単語の位置を合わせます。
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
探検を続けましょう
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
次のガイド
プロンプトツープロンプトのクロスアテンション編集
よくある質問
クロスアテンションとは何ですか?
クロスアテンションは、あるシーケンスを別のシーケンスに注目させるメカニズムです。テキストを生成するデコーダーは、エンコーダーの入力表現に注意を払うことができます。これは、モデルが作成したものと読んだものを結びつける方法であり、翻訳、キャプション、最新のマルチモーダル システムを強化します。
自己注意と交差注意の主な違いは何ですか?
クロスアテンションは、1 つのシーケンス (例: デコーダー) からクエリを引き出し、別のシーケンス (例: エンコーダー) からキーと値を引き出し、この 2 つを相互作用させます。
エンコーダ/デコーダ Transformer では、クロスアテンションのクエリはどこから来るのでしょうか?
デコーダは、部分的に生成された出力からクエリを作成し、エンコーダの出力をキーおよび値として使用して、関連する入力情報を取得します。
クロスアテンションの 2 つのシーケンスの長さやモダリティが異なるのはなぜですか?
クエリは 1 つのソースから発生し、キー/値は別のソースから発生するため、シーケンスは独立しており、長さ、言語、またはモダリティが異なる場合があります。
安定拡散はクロスアテンションをどのように使用しますか?
クロスアテンションにより、生成された画像の各部分がテキスト プロンプトに注目し、言葉の中にビジュアルを定着させることができます。
交差注意が自己注意と共有する数学演算は何ですか?
どちらも同じスケーリングされたドット積アテンション、つまりクエリとキー間の類似性スコア、ソフトマックス、次に値の加重合計を使用します。