post-custom-banner

원문 : Vaswani, Ashish, et al. “Attention is all you need.” Advances in neural information processing systems. 2017.

본 글은 Google Brain에서 2017 NIPS에 발표한 Attention is All You Need 논문에 대한 리뷰입니다.
RNN 모델의 장기 의존성 문제(long-term dependency)를 극복하기 위해 제안된 Transformer는 BERT나 GPT의 기반이 되는 모델입니다.

다시 읽으면서 제가 이해한대로 정리해보겠습니다.


초록(Abstract)

성능 좋은 시퀀스 변환 모델은 대체로 인코더와 디코더를 포함한 복잡한 RNN 또는 CNN 신경망에 기반을 두고 있음
해당 논문은 recurrence와 convolution 을 전부 제외하고 오직 attention mechanism에만 기반한 Transformer라는 간단한 모델을 제안하는데, 초록에서 제안한 모델의 특징은 아래와 같이 요약할 수 있음

  • 어텐션 기법으로 재귀적으로 각각의 시퀀스를 처리하지 않고 오직 행렬 곱을 이용해서 병렬적으로 시퀀스 데이터를 처리하기 때문에 전보다 훨씬 더 빠른 처리가 가능함
  • WMT 2014 data set을 이용해서 영어를 독일어로 번역하는 작업, 영어를 불어로 번역하는 작업에서 훨씬 개선된 성능을 보여줌
  • 크거나 한정된 학습 데이터를 가지고서도 다른 task들에 성공적으로 일반화될 수 있음을 보임


1. Introduction

" 순환 모델의 병렬처리 문제 "

RNN, LSTM, GRU(Gate Recurrent Unit) 등은 언어 모델링 및 기계 번역과 같은 sequence 모델링 및 변환 문제에서 뛰어난 성과를 보이는 Recurrent 모델

Recurrent 모델은 보통 입력과 출력의 symbol position에 따라 계산을 수행

계산 단계에서 위치를 정렬하고 이전 상태 ht-1과 위치 t의 함수인 은닉상태 ht를 생성

[ 기본적인 RNN 구조 ]
기본적인 RNN 구조

이는 시퀀스가 길수록 메모리 문제로 인해 병렬적 처리가 어렵게 하고, 최근 들어 모델의 성능 자체는 비약적으로 상승했지만 위의 문제는 해결되지 않음


" Attention mechanism 제시 "

Attention mechanism은 입력과 출력 시퀀스 거리와 관계없이 의존성을 모델링할 수 있으나 거의 대부분의 경우 순환 네트워크와 함께 사용되고 있어 효율적인 병렬화 불가능

👉🏻 따라서 이 논문에서 순환없이 입력값과 출력값 간 전역 의존성을 모델링할 수 있는 Attention mechanism만을 사용한 모델 구조인 Transformer 제안


2. Background

Extended Neural GPU, ByteNet, ConvS2S 에서도 연속적 연산을 줄이기 위한 연구가 이루어졌는데, 모두 CNN을 기본 구성 요소로 사용

  • 이러한 모델들은 입출력 간 관련성을 파악하기 위해 거리에 따라(선형 또는 로그 비례) 계산량이 증가
  • 따라서 입력값과 출력 값의 거리가 멀수록 의존성을 알기 어려움

반면 Transformer에서는 Multi-Head Attention을 통해 상수 시간의 계산만으로 가능

(i) Self-attenion

  • 말 그대로 자신에게 수행하는 어텐션 기법으로 단일 시퀀스 안에서 서로 다른 위치에 있는 요소들의 의존성을 찾아냄
  • 메커니즘 독해, 추상적 요약, 텍스트 포함, 학습 과제, 독립적인 문장 표현을 포함한 다양한 task에서 성공적으로 사용됨

(ii) End-to-end memory network

  • 시퀀스가 배열된 recurrence보다 recurrent attention mechanism 기반
  • 간단한 언어 질문 답변 및 언어 모델링 작업에서 좋은 성능을 보임

" 장거리 의존성(Long term dependency) 문제 "

대부분의 자연어처리는 Encoder-decoder 구조를 가지는 recurrent model인 RNN, CNN 등이 주로 사용됨
👉🏻 자연스럽게 문장의 순차적인 특성이 유지되지만 먼거리에 있는 의존성을 알기 취약하다는 단점이 존재

  • RNN의 경우 시퀀스 길이가 길어질수록 정보 압축 문제 존재
  • CNN의 경우 합성곱의 필터 크기를 넘어서는 문맥은 알아내기 어려움

반면 Transformer🔍

  • 순환없이 Attention mechanism만을 이용해 의존성을 찾을 수 있음
  • Self-attention에만 의존하는 최초 모델

3. Model Architecture

" seq2seq 구조 "

경쟁력 있는 neural sequence transduction 모델은 대부분 인코더-디코더 구조(seq2seq) (아래, 이미지 출처)

이전에 생성된 출력을 다음 단계에서 사용
👉🏻 즉, 이전 단계가 완료되어야 다음 단계를 수행할 수 있음
👉🏻 병렬적 처리 불가

" Transformer 구조 "

3.1 Encoder and Decoder Stacks

인코더와 디코더 모두에 대해 Self-Attention과 point-wise FC layer를 쌓아올려 사용

  • 인코더 : 6개의 동일한 레이어로 이루어져 있으며 하나의 인코더는 Self-Attention layer와 Feed Forward Neural Network라는 두 개의 Sub layer로 이루어져 있음
  • 디코더 : 6개의 동일한 레이어, 각 레이어는 인코더가 Sub layer로 가진 Self-Attention layer와 Feed Forward Neural Network 외에 하나의 레이어를 더 가짐
    👉🏻 인코더의 stack 출력에 대해 Multi head Attention 수행

3.2 Attention

(i) Scaled Dot-Product Attention

Q: 영향을 받는 벡터
K: 영향을 주는 벡터
V: 주는 영향의 가중치 벡터

다음과 같이 계산

Output : value의 가중합으로 계산
가중합에 이용되는 가중치 : query와 연관된 key의 호환성 함수에 의해 계산

< 계산 과정 요약 >
(1) 워드 임베딩에 가중치를 곱해서 Query, Key, Value를 계산
(2) Query * Key = attention score
: 값이 높을 수록 연관성이 높고, 낮을 수록 연관성이 낮다.
(3) key 차원수로 나누고 softmax 적용
softmax 결과 값은 key값에 해당하는 단어가 현재 단어에 어느정도 연관성이 있는지 나타냄
(4) 문장 속에서 지닌 입력 워드의 값 = softmax 값과 value 값을 곱하여 다 더함

👉🏻 문장에서 연관성이 반영된 값이기 때문에 문맥을 알 수 있도록 함

(ii) Multi-Head Attention

" 모델이 다양한 관점에서 문장을 해석할 수 있도록 하는 역할 "

아래 그림에서 문장에서 it이라는 단어의 attention이 The Animal일지, Tired일지 모델이 헷갈릴 수 있음

Multi-Head Attention은 Head (논문에서는 8개)를 두어 모델이 Head 개수만큼의 Scaled dot product Attention 연산을 수행할 수 있게 하여 모델이 다양한 관점의 Attention Map을 만들도록 함

각 헤드의 차원 수가 줄어들었으므로 전체 계산량은 single-head attention과 비슷한 수준

(iii) Applications of Attention in our Model

Transformer는 multi-head attention을 3가지 방법으로 사용하고 있음

  • Encoder-decoder attention :
    이전 decoder 레이어에서 오는 query들과 encoder의 출력으로 나오는 memory key, value들과의 attention
    👉🏻 이는 decoder의 모든 위치에서 input sequence의 모든 위치를 참조할 수 있도록 함
  • Self-attention in encoder :
    Encoder의 각 위치들은 이전 레이어의 모든 위치들을 참조할 수 있음
  • Self-attention in decoder :
    decoder의 각 위치들은 decoder 내의 다른 위치들을 참조할 수 있는데, 이전부터 자신 위치까지만을 참조할 수 있음
    👉🏻 auto-regressive 성질을 살리면서도 정보가 잘못 흐르는 것을 막기 위해서

3.3 Position-wise Feed-Forward Networks

  • Attention layer과 함께 fully connected feed-forward network가 사용됨, 인코더 및 디코더의 각 계층에 개별적으로 위치

사이에 ReLU 활성화가 있는 두 개의 선형 변환으로 구성
input과 output의 차원은 512, 은닉층의 차원은 2048

3.4 Embeddings and Softmax

  • 다른 sequence transduction 모델과 마찬가지로, input과 ouput token을 embedding layer를 거쳐서 사용
  • 이렇게 생성된 embedded vector는 semantic한 특성을 잘 나타내게 됨
  • 또한 input embedding 과 output embedding에서 weight matrix를 서로 share하여 사용

3.5 Positional Encoding

" 토큰의 상대적인 위치(또는 절대적인 위치)에 대한 정보를 제공하기 위한 역할 "

Transformer는 Recurrent model을 사용하지 않고 오직 Attention mechanism만을 사용하여 만들기 때문에 Sequence 정보를 담아낼 수가 없음
👉🏻 따라서 별도로 이러한 sequence 정보를 데이터에 추가해주어야 하는데 이 역할을 하는 것이 바로 "positional encoding"

  • positional encoding으로 선택할 수 있는 방식은 다양한데, 논문에서는 sine과 cosine 함수를 사용

    **pos는 position, i는 dimension

👉🏻 고정된 오프셋 k에 대해 PEpos+k가 PEpos의 선형 함수로 표현될 수 있기 때문에 모델이 쉽게 상대적인 위치를 참조할 수 있을 것이라 가정했기 때문

4. Why Self-Attention

recurrence, convolution과 비교했을 때 장점을 다음과 같이 정리할 수 있다.

  • 하나의 레이어 당 전체 연산 복잡도 감소
    : RNN 계열에서는 하지 못했던 병렬 처리 연산의 양을 대폭 늘려 자연스레 학습 시간 감소
  • Long term dependency의 문제점 해결
    : 트랜스포머 모델은 대응관계가 있는 토큰들 간의 물리적인 거리값들 중 최댓값이 다른 모델에 비해 매우 짧아 '장기간 의존성'을 잘 학습할 수 있고 시퀀스 변환 문제도 잘 해결할 수 있음
  • 해석 가능한 모델
    : 'Attention' 이라는 가중치를 시각화하여 토큰들 간의 대응관계를 눈으로 직접 확인 가능
    👉🏻 즉, 다른 모델에 비해 트랜스포머는 모델이 내뱉은 결과를 해석할 수 있다는 장점


profile
📩 qtly_u@naver.com
post-custom-banner

0개의 댓글