선형 주의 및 수행자 커널
선형 주의는 Transformers의 2차 소프트맥스 주의를 시퀀스 길이에 따라 선형적으로 확장되는 수학 트릭으로 대체합니다.
개요
Performer is a landmark method that approximates softmax using random feature kernels, making very long sequences computationally affordable.
심층 분석
표준 변환기 주의는 모든 토큰 쌍 사이의 점수를 계산하여 시퀀스 길이의 제곱(O(n^2))에 따라 증가하는 시간과 메모리를 소비합니다. 선형 주의는 계산을 다시 작성하므로 비용은 선형적으로만 증가합니다(O(n)). 핵심 아이디어: 소프트맥스 어텐션은 소프트맥스(QK^T)V이지만, 소프트맥스를 커널 기능 맵 phi로 대체하면 phi(Q)(phi(K)^T V)를 얻게 됩니다. 행렬 곱셈은 연관적이므로 phi(K)^T V(작은 dxd 행렬)를 먼저 계산하여 거대한 nxn 점수 행렬을 완전히 피합니다. 2020년 Google의 Performer는 FAVOR+(Fast Attention Via positive Orthogonal Random 기능)를 사용하여 이를 실제 소프트맥스의 충실한 근사치로 만들고 커널 추정치를 편향되지 않고 안정적으로 유지하는 무작위 투영을 그립니다.
기술적 통찰력
Performer의 FAVOR+는 양수 무작위 특징을 사용하여 소프트맥스 커널 exp(q.k)를 근사화합니다. 이는 지수로 래핑된 무작위 가우스 투영을 통해 쿼리와 키를 매핑하여 음이 아닌 주의 가중치를 보장하고 이전 추정기의 수치적 불안정성을 방지합니다. 직교 무작위 특징을 사용하면 분산이 줄어듭니다. 결정적으로, nxn 주의 매트릭스는 결코 구체화되지 않으므로 메모리는 2차에서 선형으로 떨어지며 수만 개의 토큰 시퀀스가 가능합니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
선형 주의 및 수행자 커널의 미래
순수한 선형 주의는 종종 품질에 대한 소프트맥스에 뒤처지므로 이 분야는 상태 공간 모델(Mamba), 게이트 선형 주의 및 몇 개의 전체 주의 레이어와 많은 선형 레이어를 혼합하는 아키텍처 등 하이브리드로 수렴되고 있습니다. 컨텍스트 창이 수백만 개의 토큰을 향해 나아가면서 선형 및 하위 2차 메커니즘은 비용 측면에서 점점 더 매력적이며 효율적인 스트리밍 추론 및 기기 내 모델을 위해 순환 스타일 선형 주의가 재검토되고 있습니다.
실제 구현
전체 2차 주의가 GPU 메모리를 소모하는 긴 게놈 또는 단백질 서열 처리
Performer 스타일 백본을 사용하여 청크 없이 매우 긴 보고서에 대한 문서 수준 요약
시퀀스가 수만 단계에 걸쳐 있는 효율적인 긴 형식 오디오 또는 시계열 모델링
일부 소프트맥스 레이어를 선형 어텐션 변형으로 대체하여 긴 컨텍스트 채팅 모델의 추론 비용 절감
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
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 Linear Attention and Performer Kernels 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
다음 가이드
RWKV 선형 주의
자주 묻는 질문
What is Linear Attention and Performer Kernels?
선형 주의는 Transformers의 2차 소프트맥스 주의를 시퀀스 길이에 따라 선형적으로 확장되는 수학 트릭으로 대체합니다. Performer는 무작위 기능 커널을 사용하여 소프트맥스를 근사화하는 랜드마크 방법으로 매우 긴 시퀀스를 계산적으로 저렴하게 만듭니다.
표준 소프트맥스 어텐션이 시퀀스 길이에 따라 제대로 확장되지 않는 이유는 무엇입니까?
Softmax attention은 모든 토큰 쌍을 비교하여 nxn 점수 행렬을 생성하므로 비용은 O(n^2)만큼 증가합니다.
선형 주의가 nxn 행렬을 피할 수 있게 해주는 수학적 특성은 무엇입니까?
행렬 곱셈은 연관적이므로 phi(Q)phi(K)^T 대신 작은 dxd 행렬인 phi(K)^T V를 먼저 계산할 수 있습니다.
Performer의 FAVOR+ 메커니즘은 대략 무엇입니까?
FAVOR+는 전체 어텐션 매트릭스를 형성하지 않고 지수 소프트맥스 커널을 근사화하기 위해 양의 직교 랜덤 특징을 사용합니다.
Performer가 이전 삼각함수 기능 대신 양수 무작위 기능을 사용하는 이유는 무엇입니까?
양수 기능은 커널 추정값을 음수가 아닌 상태로 유지하여 이전 sin/cos 기능 맵을 괴롭혔던 불안정성과 음수 값을 방지합니다.
시퀀스 길이 n에서 수행자 스타일 선형 주의의 대략적인 복잡성은 얼마입니까?
계산 순서를 변경하고 nxn 행렬을 구축하지 않음으로써 비용은 시퀀스 길이에 따라 선형적으로 확장됩니다.