Meaningful96

Meaningful96

Greeting :)

[논문리뷰]Transformer: Attention Is All You Need

Date:     Updated:

카테고리:

1. Problem Statement

  1. Sequential 모델들의 Computational Complexity가 너무 높음
    • Recurrent model(RNN)을 기반으로 한 여러가지 Architecture들이 존재: RNN, LSTM, Seq2Seq
    • 최근 연구에서 factorization trick이나 conditional computation을 통해 계산 효율성을 많이 개선
    • 특히 Conditional Computation은 모델 성능도 개선
    • 하지만, 여전히 계산 복잡도 문제 존재
    • LSTM의 문제점: Input Sequence를 하나의 Context Vector로 압축➜병목현상
  2. Attention Mechanism이 다양한 분야의 Sequence Modeling에 사용되지만, 그럼에도 RNN을 사용.
    • Attention Mechainsm은 Input과 Output간 Sequence의 길이를 신경쓰지 않아도 됨.

  3. 기존의 RNN모델들은 Parallelization이 불가능 ➜ Training에 많은 시간 소요

  4. Sequ2Seq의 문제점
    • 하나의 Context Vector에 모든 정보를 압축해야 하므로 정보의 타당성이 떨어져 성능 저하 발생

1

➜ ‘매번 소스 문장에서의 출력 전부를 입력으로 받으면 어떨까?’라는 질문에서 시작

  • 최근 GPU가 많은 메모리와 빠른 병렬 처리를 지원

➜ Transformer는 input과 output간 global dependency를 뽑아내기 위해 Recurrence를 사용하지 않고, Attention mechanism만을 사용함.

2. Relation Work

  1. RNN, LSTM, Seq2Seq

  2. Sequential Computation을 줄이는 것은 Extended Neural GPU, ByteNet등에서도 다뤄진다.
    • CNN을 기반으로 한 모델들임
    • input output 거리에서 dependency를 학습하기 어려움
    • Transformer에서는 Multi-Head Attention으로 상수 시간으로 줄어든다.

  3. Self-Attention

  4. End-to-End Memory Network
    • sequence-aligned recurrence 보다 recurrent attention mechanism에 기반한다.
    • simple-language question answering 과 language modeling task에서 좋은 성능을 보인다.

3. Method

1) Overview

1

  • Encoder
    • 2개의 Sub-layer로 구성되어 있으며, 총 6개의 층으로 구성되어 있다.(N=6)
    • 두 개의 Sub-layer는 Multi-head attention과 position-wise fully connected feed-forward network이다.
    • Residual Connection 존재, Encoder의 최종 Output은 차원이 512이다.(\(d_{model}\) = 512)
  • Decoder
    • 세 개의 Sub layer로 구성되어 있으며, 총 6개의 층이 stack되어 있다.(N=6)
    • 세 개의 Sub layer는 Masked Multi-head attention, Multi-head attention, position-wise fully connected feed-forward network이다.
    • Residual Connection 존재

2) Positional Encoding

Transformer는 RNN이나 CNN을 전혀 사용하지 않는다. 대신 Postional Encoding을 많이 사용한다. 트랜스포머 이전의 전통적인 임베딩에 Positional Encoding을 더해준 형태가 트랜스포머의 Input이 된다.

1

Postional Encoding은 주기 함수를 활용한 공식을 사용하며 각 단어의 상대적인 위치 정보를 네트워크에게 입력한다. 수식은 다음과 같다.

1

\(pos\)는 position이고, \(i\)는 차원이다. 중요한 것은 Postional Encoding은 임베딩으로서의 \(d_{model}\)과 차원수가 동일하다는 것이다.

3) Multi-head Attention

먼저 Attention Mechanism에 대해 살펴보면 다음과 같다. Attention mechanism의 목적은 한 토큰이 다른 토큰과 얼마나 연관성이 있는지를 나타내기 위한 수학적 방법으로서, Query와 Key, Value를 통해 연산을 한다.

  • Query: 비교의 주체 대상. 입력 시퀀스에서 초점을 둔 토큰으로 트랜스포머에서는 Decoder 또는 Encoder Layer의 숨겨진 상태(Hidden state)를 변환하여 형성된다.
  • Key: 비교의 객체. 입력 시퀀스에 있는 모든 토큰이다. Query와 입력 시퀀스의 각 항목 간의 관련성을 결정하는데 사용된다.
  • Value: 입력 시퀀스의 각 토큰과 관련된 실제 정보를 수치로 나타낸 실제 값이다. 각 요소의 중요도를 결정했을 때 모델에 필요한 정보를 제공하는 데 사용된다.

트랜스포머에서 Self-Attention은 Scaled-Dot Product로 이름에서도 알 수 있듯, 행렬곱과 스케일링으로 이루어진 연산이다. 그림으로 나타내면 다음과 같다.

1

Scaled-Dot Product Self-Attention

  • Attention Energy = Dot-Product of (Query & Key) = \(QK^T\) = \(e_{ij}\)
  • Attention Score = Scailing of Key’s Dimension = \(\frac{QK^T}{\sqrt{d_k}}\)
  • Attention Weight = Softmax(Attention Score) = \(softmax(\frac{QK^T}{\sqrt{d_k}})\) = \(a_{ij}\)

➜ Attention(Query, Key, Value) = \(softmax(\frac{QK^T}{\sqrt{d_k}})V\) 이다.

트랜스포머에서는 인코더와 디코더 모두에서 Multi-head Attention을 사용한다. 병렬로 Head의 개수만큼 한 번에 어텐션을 진행하는 것으로, 동시에 여러 개의 Attention value값을 추출해 낼 수 있다. Multi-Head Attention을 사용하는 이유는 여러가지이다.

Multi-head Attention

  • Improved representation learning: 모델이 입력 시퀀스의 다양한 측면에 어텐션할 수 있으므로 데이터를 더 포괄적이고, 미묘한 차이까지도 이해할 수 있다.
  • Increased model capacity: 모델이 Key와 Query의 더 복잡하고 다양한 interaction을 학습할 수 있다. 이로써 더 복잡한 관계를 포착해낸다.
  • Efficient Parallelization: 병렬화를 통해 빠른 학습과 추론이 가능하다.

1

논문에서는 head의 수는 8개이고, \(d_k = d_v = d_{model}/h\) = 64이다. 각 head의 차원수가 감소했기 때문에 Total Computational Cost가 full dimensionality일 때의 single-head attention가 같다. 다시 말해서, Multi-head attention에서 d의 차원이 줄어든 것의 결과는 Single-head attention에서 d의 차원을 늘렸을때랑 계산 결과가 수렴한다. 또한 Multi-head Attention에서 중요한 것은 어텐션을 수행한 뒤에도 입력과 차원이 동일하게 유지된다는 것이다.

1

1

1

1

1

트랜스포머에는 총 세 가지 종류의 어텐션(Attention) 레이어가 사용된다.

1

4) Encoder

트랜스포머의 인코더는 두 가지의 Sub layer로 구성된다. Sub-layer를 보기 전 앞서 말했듯, Input Embedding Matrix에 Positional Encoding이 더해진 값이 첫 번째 Sub layer인 Multi-head Attention에 Input으로 들어간다. 그 이후, Attention의 결과와 Multi-head Attention의 Input이 더해지고 정규화를 거친다. 이 때, Multi-head Attention의 Input이 ‘Add + Norm’의 인풋으로 가는 것을 Residual Connection이라고 하고, 이러한 학습 방식을 ‘잔여학습(Residual Learning)’ 이라고 한다. 첫 번째 Sub layer는 결국 ‘Multi-head Attention Layer’와 ‘Add + Norm Layer’로 구성된다.

두 번째 Sub layer는 ‘Fully Connected Feedforward Layer’와 ‘Add + Norm Layer’로 구성된다. 또한 여기서도 마찬가지로 Residual Connection을 한다. Residual Connection을 하는 이유는 어떤 Layer를 거쳤을 때 변환되서 나온 값에 실제 Data의 Input을 더해줘서 Input을 좀 더 반영하게 해주는 것이다. 이렇게하면 결론적으로 성능이 향상된다.

인코더는 총 6개의 Layer로 구성된다. 다시 말해서 2개의 Sub Layer가 포함된 하나의 Layer가 6개(N = 6)인 것이고 같은 Operation이 총 6번이라는 것이다. 그리고 이는 Input Sequence가 인코더에서 결론적으로 총 12개의 Sub layer를 거치는 것이다. 6개의 Layer는 서로 다른 파라미터를 가진다.

1

5) Decoder

디코더의 입력은 총 두개이며 디코더는 총 세 개의 Sub layer로 구성된다. 먼저 트랜스포머가 학습을 할 때, Epoch마다 나오는 Output Embedding Matrix가 출력 단어의 상대적인 위치를 나타내는 Positional Encoding과 더해져서 디코더의 입력으로 들어간다. 즉, 출력 단어에 대한 정보와 상대적인 위치정보를 더해서 입력으로 들어가고 이 값은 Maksed Multi-Head Attention을 거치게 된다.

Masked Self-Attention을 하는 이유는, 학습과 추론과정에 정보가 새는(Information Leakage)것을 방지하기 위함이다. 트랜스포머에서 마스킹된 Self Attention은 모델이 한 번에 하나씩 출력 토큰을 생성할 수 있도록 하면서 모델이 미래의 토큰이 아닌 이전에 생성된 토큰에만 주의를 기울이도록 하기 위함이다. 이를 더 자세히 말하자면, Encoder-Decoder로 이루어진 모델들의 경우 입력을 순차적으로 전달받기 때문에 t + 1 시점의 예측을 위해 사용할 수 있는 데이터가 t 시점까지로 한정된다. 하지만 트랜스포머의 현재 시점의 출력값을 만들어 내는데 미래 시점의 입력값까지 사용할 수 있게되는 문제가 발생하기 때문이다.

이 이유는 트랜스포머의 초기값, 1 Epoch을 생각해보면 이해하기 쉽다. 처음에 입력으로 들어가 인코더를 거친 값이 디코더로 들어가는데, 디코더로 들어가는 또 다른 입력은 이전 Epoch에서의 출력 임베딩값이다. 하지만 1 Epoch에서는 과거의 값은 존재하지 않아 초기에 설정해준 값이 들어간다. 즉, 1 Epoch에서 이미 출력값을 입력으로 요구하기 때문에 시점이 미래라 할 수 있는 것이고, 결국은 현재의 출력 값을 예측하는데 미래의 값을 이용한다고 말할 수 있다. 이러한 문제를 방지하기 위해 Look-Ahead Mask 기법이 나왔다.

1

트랜스포머에서는 기존의 연산을 유지하며 Attentio Value를 계산할 때 \(i<j\)인 요소들은 고려하지 않는다. Attention(i,j)에서 여기서 i는 Query의 값이고, j는 Value의 값이다. 이를 그림으로 표현하면 위와 같다. 디테일하게 Atttention Score를 계산한 행렬의 대각선 윗부분을 -∞로 만들어 softmax를 취했을 때 그 값이 0이되게 만든다. 즉, Masking된 값의 Attnetion Weight는 0이된다. 이렇게 함으로서 Attention Value를 계산할 때 미래 시점의 값을 고려하지 않게된다.

이렇게 Maksed Multi-head Attention을 거친후 Residual Connection과 함께 'Add + Norm' Layer를 거치면 그 출력값이 인코더의 출력값과 함께 두 번째 Sub Layer인 Multi-Head Attention의 입력으로 들어간다. 이는 의미적으로 Seq2Seq에서의 인코더-디코더 어텐션과 동일하다. 출력 단어가 입력 단어와 얼마나 연관이 있는지를 나타내기 위함이다.

예를 들어서, 입력 단어가 ‘I am a teacher’이고 출력 단어가 ‘나는 선생님 입니다’ 일 때, ‘선생님’이라는 단어를 번역한다고 했을때 I, am, a, teacher들 중 어느 단어와 가장 큰 관계가 있는지 구하는 것이 바로 두 번째 Sub layer의 역할이며 이를 Encoder-Decoder Attention이라고 하는 것이다. 따라서 인코더의 출력이 Key가되고 디코더의 첫 번째 Sub layer의 출력이 Query가 된다.

1

마찬가지로 디코더의 경우 총 6개(N = 6)의 Layer로 구성되므로 총 18개의 Sub layer로 구성된 것이다. 또한 인코더의 출력의 경우 모든 디코더 레이어의 입력으로 들어가게 된다. 다시 말해, 인코더의 출력값은 총 6개의 Layer로 똑같이 들어가 Encoder-Decoder Attention을 수행하게 된다.

1

1

6) Why Self-Attention

Recurrent, Convolution layer와 Self-Attention의 시간 복잡도를 비교하였다.

  1. Layer당 전체 계산 복잡도(Computational Complexity)
  2. Sequential Paralize 할 수 있는 계산의 양
  3. 네트워크에서 Long-range Dependency 사이의 path 길이
    • Sequence Transduction 문제에서 Long-range dependency를 학습하는 것이 major challenge이다.
    • 이러한 학습에 영향을 주는 한 가지 요인은 네트워크에서 forwad와 backward 시그널이 순회해야하는 Path length이다.
    • 입력과 출력 시퀀스의 위치조합사이 path가 짧을수록, Long-range dependency를 학습하기 쉬움
    • Input과 Output Position 사이의 최대 Path 길이를 비교

1

  • Self-Attention layer는 모든 Postion을 상수 시간만에 연결 가능하다. 반면 Recurrent layer의 경우 \(O(n)\)이 소요된다.
  • 계산 복잡도 측면에서 n < d일때 Self-attention 층이 Recurrent 층보다 빠르다.
    • n: Sequence Length
    • d: Representation Dimensionality
    • 기계 번역 대부분이 n < d인 경우에 속한다.


  • 아주 긴 Sequence의 경우 계산 성능을 개선하기 위해 Self-attention은 입력 시퀀스의 neighborhood size를 r로 제한할 수 있다.
    • 이를 통해 Maximum path의 길이를 \(O(n/r)\)로 증가시킬 수 있다.


  • \(k<n\)인 kernel width 의 single convolutional layer는 input 과 output의 모든 쌍을 연결하지 않는다.
    • contiguous kernel의 경우 \(O(n/k)\)의 stack이 필요
    • dilated convolution의 경우 \(O(log_k(n))\)이 필요


  • Convolution layer는 일반적으로 recurrent layer보다 더 비용이 많이 든다.
    • Separable Convolution의 경우 복잡도를 \(O(knd + nd^2)\) 까지 줄일 수 있다.
    • 그러나 \(k = n\)인 경우 트랜스포머와 마찬가지로 Self-attention layer와 Point-wise Feedforward layer의 조합과 복잡도가 같다.
      결론적으로 Self-attention을 통해 더 Interpretable한 모델을 만들 수 있다. Attention head들은 다양한 task를 잘 수행해내고, 문장의 구조적, 의미적 구조를 잘 연관시키는 성질을 보이기도 한다.


Experiment & Result

1) DataSet

  1. WMT 2014 English-German
    • 4.5백만의 Sequence Pair
    • 문장들을 byte-pair 인코딩 되어있음
  2. English-French
    • 36M 개의 문장과 32000개의 word-peice vocabulary로 쪼개진 토큰들

2) Experiment

  • Optimizer
    • Adam
    • learning rate = \(lrate = d_{model}^{-0.5} /cdot min(stepnum^{-0.5}, stepnum /cdot warmupsteps^{-1.5})\) 이다.
  • Regularization
    1. Residual Dropout
      • 각 Sub-layer의 output에 dropout 적용
      • 임베딩의 합과 positional 인코딩에 dropout 적용
    2. Label Smoothing
      • One-hot encoding은 출력 시퀀스에서 단 하나만 1이고 나머지는 0
      • 이렇게 할 경우 다른 출력값의 영향력을 완전히 무시하기 때문에 정보의 편협 발생
      • 따라서, 정답이 아닌 Label에 대해서도 조금의 확률을 부여 ex) 0.9/0.025/0.025/0.025/0.025
      • (\(\epsilon_{ls} = 0.1\))

        3) Result

  1. Machine Translation: SOTA 달성

1

  1. Model Variation

1

  1. English Constituency Parsing

1

English Constituency Parsing에서도 잘 일반화해서 사용할 수 있는지 실험하였다. 구체적인 tuning 없이도 놀라운 성능을 보였다.

Contribution

  1. Recurrent Model을 사용하지않고 오직 Attention Mechanism만을 이용해서 새로운 모델을 제시하였다.
  2. Benchmark Dataset에 대하여 SOTA 달성

Reference

Paper
나동빈 Youtube
Github
Blog: Transformer 논문 리뷰

NR 카테고리 내 다른 글 보러가기

댓글 남기기

최근 글 10 개 :)