注意力机制作用被高估了？苹果等机构新研究：把注意力矩阵替换成常数矩阵后，性能差异不大
要说 Transformer 的核心亮点，当然是注意力机制了。
但现在，一篇新研究却突然提出了带点火药味的观点：
注意力机制对于预训练 Transformer 有多重要，这事儿得打个问号。
研究人员来自希伯来大学、艾伦人工智能研究所、苹果和华盛顿大学，他们提出了一种新的方法，用来衡量注意力机制在预训练 Transformer 模型中的重要性。
结果表明，即使去掉注意力机制，一些 Transformer 的性能也没太大变化，甚至与原来的模型差异不到十分之一！
这个结论让不少人感到惊讶，有网友调侃：
你亵渎了这个领域的神明！
所以，究竟如何判断注意力机制对于 Transformer 模型的重要性？
把注意力换成常数矩阵
这种新测试方法名叫 PAPA，全称"针对预训练语言模型注意力机制的探测分析"（Probing Analysis for PLMs' Attention）。
PAPA 采用的方法，是将预训练语言模型（PLMs）中依赖于输入的注意力矩阵替换成常数矩阵。
如下图所示，我们熟悉的注意力机制是通过 Q 和 K 矩阵，计算得到注意力权重，再作用于 V 得到整体权重和输出。
现在，Q 和 K 的部分直接被替换成了一个常数矩阵 C：
其中常数矩阵 C 的计算方式如下：
随后，用 6 个下游任务测试这些模型（CoLA、MRPC、SST-2、MNLI、NER、POS），对比采用 PAPA 前后，模型的性能差距。
为了更好地检验注意力机制的重要性，模型的注意力矩阵并非一次性全换成常数矩阵，而是逐次减少注意力头的数量。
如下图，研究先用了 BERT-BASE、RoBERTa-BASE 和 DeBERTa-BASE 做实验，其中 y 轴表示性能，x 轴是注意力头相比原来减少的情况：
随后，研究又用了 BERT-LARGE、RoBERTa-LARGE 和 DeBERTa-LARGE 做实验：
通过比较结果，研究人员发现了一些有意思的现象：
首先，用常数矩阵替换一半的注意矩阵，对模型性能的影响极小，某些情况下甚至可能导致性能的提升（x 值达到 ½ 时，图中有些模型数值不减反增）。
其次，即使注意力头数量降低为 0，平均性能下降也就 8%，与原始模型相比最多不超过 20%。
研究认为，这种现象表明预训练语言模型对注意力机制的依赖没那么大（moderate）。
模型性能越好，越依赖注意力机制
不过，即使是预训练 Transformer 模型之间，性能表现也不完全一样。
作者们将表现更好的 Transformer 模型和更差的 Transformer 模型进行了对比，发现原本性能更好的模型，在经过 PAPA 的"测试"后，性能反而变得更差了。
如下图，其中 y 轴代表各模型原本的平均性能，x 轴代表将所有注意力矩阵替换为常数矩阵时（经过 PAPA 测试）模型性能的相对降低分值：
可以看出，之前性能越好的模型，将注意力矩阵替换成常数矩阵受到的损失也越高。
这说明如果模型本身性能越好，对注意力机制的利用能力就越好。
对于这项研究，有网友感觉很赞：
听起来很酷，现在不少架构太重视各种计算和性能任务，却忽略了究竟是什么给模型带来的改变。
但也有网友认为，不能单纯从数据来判断架构变化是否重要。
例如在某些情况下，注意力机制给隐空间（latent space）中数据点带来的幅度变化仅有 2-3%：
难道这种情况下它就不够重要了吗？不一定。
对于注意力机制在 Transformer 中的重要性，你怎么看？
论文地址：
https://arxiv.org/abs/2211.03495
参考链接：
https://twitter.com/_akhaliq/status/1589808728538509312
本文来自微信公众号：量子位 （ID：QbitAI），作者：萧箫
