大模型基礎Transformer結構的原理解析

SVM is all you need，支持向量機永不過時。

Transformer 是一個支持向量機（SVM）一種新型理論在學界引發了人們的討論。

上周末，一篇來自賓夕法尼亞大學、加州大學河濱分校的論文試圖研究大模型基礎 Transformer 結構的原理，其在注意力層的優化幾何與將最優輸入 token 與非最優 token 分開的硬邊界 SVM 問題之間建立了形式等價。

在 hackernews 上作者表示，這種理論解決了 SVM 將每個輸入序列中的「好」標記與「壞」token 分開的問題。該 SVM 作為一個性能優異的 token 選擇器，與傳統為輸入分配 0-1 標簽的 SVM 本質上不同。

這種理論也解釋了注意力如何通過 softmax 引起稀疏性：落在 SVM 決策邊界錯誤一側的「壞」token 被 softmax 函數抑制，而「好」token 是那些最終具有非零 softmax 概率的 token。還值得一提的是，這個 SVM 源于 softmax 的指數性質。

論文上傳到 arXiv 上面之后，人們紛紛發表意見，有人表示：AI 研究的方向真是螺旋上升，難道又要繞回去了？

?

繞了一圈，支持向量機還是沒有過時。

自經典論文《Attention is All You Need》問世以來，Transformer 架構已為自然語言處理（NLP）領域帶來了革命性進展。Transformer 中的注意力層接受一系列輸入 token X，并通過計算?

?評估 token 之間的相關性，其中 (K, Q) 是可訓練的 key-query 參數，最終有效捕獲遠程依賴關系。

現在，一篇名為《Transformers as Support Vector Machines》的新論文在自注意力的優化幾何和 hard-margin SVM 問題之間建立了一種形式等價，使用 token 對的外積線性約束將最優輸入 token 與非最優 token 分開。

論文鏈接：https://arxiv.org/pdf/2308.16898.pdf

這種形式等價建立在 Davoud Ataee Tarzanagh 等人的論文《Max-Margin Token Selection in Attention Mechanism》的基礎上，它能夠描述通過梯度下降進行優化的 1 層 transformer 的隱式偏差（implicit bias）：

(1) 優化由 (K, Q) 參數化的注意力層，通過消失正則化（vanishing regularization），收斂到一種 SVM 解決方案，其中最小化組合參數?

的核范數（nuclear norm）。相反，直接通過 W 進行參數化可以最小化 Frobenius 范數 SVM 目標。該論文描述了這種收斂，并強調它可以發生在局部最優方向而不是全局最優方向。?

(2) 該論文還證明了 W 參數化在適當的幾何條件下梯度下降的局部 / 全局方向收斂。重要的是，過度參數化通過確保 SVM 問題的可行性和保證沒有駐點（stationary points）的良性優化環境來催化全局收斂。?

(3) 雖然該研究的理論主要適用于線性預測頭，但研究團隊提出了一種更通用的 SVM 等價物，可以預測具有非線性頭 / MLP 的 1 層 transformer 的隱式偏差。

總的來說，該研究的結果適用于一般數據集，可以擴展到交叉注意力層，并且研究結論的實際有效性已經通過徹底的數值實驗得到了驗證。該研究建立一種新的研究視角，將多層 transformer 看作分離和選擇最佳 token 的 SVM 層次結構。

具體來說，給定長度為 T，嵌入維度為 d 的輸入序列?

?，該研究分析核心交叉注意力和自注意力模型：?

其中，K、Q、V 分別是可訓練的鍵、查詢、值矩陣，

；S (?) 表示 softmax 非線性，它逐行應用于?

。該研究假設將 Z 的第一個 token（用 z 表示）用于預測。具體來說，給定一個訓練數據集?

，

，

，該研究使用遞減損失函數?

?進行最小化：

這里，h (?) ：?

?是包含值權重 V 的預測頭。在這種表述中，模型 f (?) 精確地表示了一個單層 transformer，其中注意力層之后是一個 MLP。作者通過設置?

?來恢復 (2) 中的自注意力，其中 x_i 表示序列 X_i 的第一個 token。由于 softmax 運算的非線性性質，它給優化帶來了巨大挑戰。即使預測頭是固定和線性的，該問題也是非凸和非線性的。在本研究中，作者將重點放在優化注意力權重（K、Q 或 W）上，并克服這些挑戰，從而建立 SVM 的基本等價性。

論文結構如下：第 2 章介紹了自注意力和優化的初步知識；第 3 章分析了自注意力的優化幾何，表明注意力參數 RP 收斂到最大邊際解；第 4 章和第 5 章分別介紹了全局和局部梯度下降分析，表明 key-query 變量 W 向 (Att-SVM) 的解決方案收斂；第 6 章提供了在非線性預測頭和廣義 SVM 等價性方面的結果；第 7 章將理論擴展到順序預測和因果預測；第 8 章討論了相關文獻。最后，第 9 章進行總結，提出開放性問題和未來研究方向。

論文的主要內容如下：

注意力層的內隱偏差（第 2-3 章）

正則化消失的情況下優化注意力參數（K, Q），會在方向上收斂到

的最大邊際解，其核范數目標是組合參數?

。在直接用組合參數 W 對交叉注意力進行參數化的情況下，正則化路徑 (RP) 定向收斂于以 Frobenius 范數為目標的（Att-SVM）解。

這是第一個正式區分 W 與（K，Q）參數化優化動態的結果，揭示了后者的低階偏差。該研究的理論清楚地描述了所選 token 的最優性，并自然地擴展到了序列到序列或因果分類設置。

梯度下降的收斂（第 4-5 章）

通過適當的初始化和線性頭 h (?)，組合 key-query 變量 W 的梯度下降（GD）迭代在方向上收斂到（Att-SVM）的局部最優解（第 5 節）。要實現局部最優，所選 token 必須比相鄰 token 得分更高。

局部最優方向不一定是唯一的，可以根據問題的幾何特征來確定 [TLZO23]。作為一項重要貢獻，作者確定了保證向全局最優方向收斂的幾何條件（第 4 章）。這些條件包括：?

最佳 token 在分數上有明顯區別；

初始梯度方向與最佳 token 一致。

除此以外，論文還展示了過度參數化（即維度 d 較大，以及同等條件）通過確保（1）（Att-SVM）的可行性，以及（2）良性優化 landscape（即不存在靜止點和虛假的局部最優方向）來催化全局收斂（見第 5.2 節）。

圖 1 和圖 2 對此進行了說明。

SVM 等價的通用性（第 6 章）

當使用線性 h (?) 進行優化時，注意力層會固有地偏向于從每個序列中選擇一個 token（又稱硬注意力）。這反映在了 (Att-SVM) 中，表現為輸出 token 是輸入 token 的凸組合。與此相反，作者表明非線性頭必須由多個 token 組成，從而突出了它們在 transformer 動態過程中的重要性（第 6.1 節）。利用從理論中獲得的洞察力，作者提出了一種更通用的 SVM 等價方法。

值得注意的是，他們證明了在理論未涵蓋的普遍情況下（例如，h (?) 是一個 MLP），本文的方法能準確預測通過梯度下降訓練的注意力的隱含偏差。具體來說，本文的通用公式將注意力權重解耦為兩個部分：一個是由 SVM 控制的定向部分，它通過應用 0-1 掩碼來選擇標記；另一個是有限部分，它通過調整 softmax 概率來決定所選 token 的精確組成。

這些發現的一個重要特點是，它們適用于任意數據集（只要 SVM 可行），并且可以用數字驗證。作者通過實驗廣泛驗證了 transformer 的最大邊際等價性和隱含偏差。作者認為，這些發現有助于理解作為分層最大邊際 token 選擇機制的 transformer，可為即將開展的有關其優化和泛化動態的研究奠定基礎。

編輯：黃飛

?