当前位置：首页 > article >正文

（icml2024）SLAattention，基于原文时序模型进行改进

article 2024/12/28 11:21:38

#代码： https://github.com/xinghaochen/SLAB
#论文：https://arxiv.org/pdf/2405.11582

模型结构

本文的方法是针对于cv进行的操作，所以用于nlp 的话会有点匹配不上，但是原文中还是说过可以把这个注意力用到时序任务上，
所以基于原文的思路，本人进行了一些改进。

原文注意力结构

使用ReLU代替传统的Softmax作为Attention权重的核函数：
在这里插入图片描述

不再需要复杂的Softmax操作，计算复杂度从 O(N²C)降低到O(NC²)
Depth-wise卷积增强特征：

在这里插入图片描述

在计算Attention输出后，加入Depth-wise卷积提升局部特征表达能力：
好吧揭穿一下就是Conv2d这个是dwc卷积hhhhhh。原文代码如下

class SimplifiedLinearAttention(nn.Module):
    def __init__(self, dim, num_heads=8, qkv_bias=True, qk_scale=None, attn_drop=0., proj_drop=0.1,
                 focusing_factor=3, kernel_size=5):
        super().__init__()
        assert dim % num_heads == 0, "dim must be divisible by num_heads."
        self.dim = dim
        self.num_heads = num_heads
        head_dim = dim // num_heads

        self.q = nn.Linear(dim, dim, bias=qkv_bias)
        self.kv = nn.Linear(dim, dim * 2, bias=qkv_bias)
        self.attn_drop = nn.Dropout(attn_drop)
        self.proj = nn.Linear(dim, dim)
        self.proj_drop = nn.Dropout(proj_drop)

        # Depthwise convolution for local feature enhancement  Depth-wise卷积
        self.dwc = nn.Conv1d(head_dim, head_dim, kernel_size=kernel_size, groups=head_dim, padding=kernel_size // 2)
        self.focusing_factor = focusing_factor

    def forward(self, x):
        B, N, C = x.shape  # Batch size, sequence length, feature dimension
        q = self.q(x)  # Query projection
        kv = self.kv(x).reshape(B, N, 2, C).permute(2, 0, 1, 3)  # Key and Value projection
        k, v = kv[0], kv[1]

        # Apply ReLU as the kernel function
        kernel_function = nn.ReLU()
        q = kernel_function(q)
        k = kernel_function(k)
        q, k, v = (rearrange(t, "b n (h c) -> b h n c", h=self.num_heads) for t in [q, k, v])

        # Linear attention mechanism
        z = 1 / (torch.einsum("b h n c, b h c -> b h n", q, k.sum(dim=2)) + 1e-6)
        kv_product = torch.einsum("b h m c, b h m d -> b h c d", k, v)
        x = torch.einsum("b h n c, b h c d, b h n -> b h n d", q, kv_product, z)

        # Combine heads and apply depthwise convolution
        x = rearrange(x, "b h n c -> (b h) c n")  # Reshape for depthwise convolution
        x = self.dwc(x) * self.focusing_factor  # Apply depthwise convolution
        x = rearrange(x, "(b h) c n -> b n (h c)", h=self.num_heads)  # Combine heads back

        # Final projection
        x = self.proj(x)
        x = self.proj_drop(x)

        return x

个人改进

我个人改进是基于时序任务的，这个是没有在原文中进行体现的一方面，并且原文代码中只用于图像，我想自己尝试一下能不能用到时序的地方。
4.1 改进优势
局部特征建模增强：
在原始全局建模的基础上，加入了对局部模式的感知能力，使模型更适用于局部显著性任务。
例如，在时间序列中捕获局部峰值模式，在图像任务中对局部区域的特征建模。

a.保留原始复杂度：
深度卷积的引入并未显著增加计算复杂度，仍然保持原文的线性复杂度。

b.增强灵活性：
用户可以通过 kernel_size 和 focusing_factor 调整局部增强的强度，适应不同任务需求。

4.2 潜在问题
可能偏离原文目标的纯粹性：

原文章的目标是简化注意力机制，而改进版本引入了深度卷积，可能略微增加模块复杂度。
如果应用场景仅需要全局特征建模，局部卷积可能是多余的。
额外参数：
深度卷积引入了额外的超参数（如卷积核大小、卷积强度等），可能需要更多的超参调优。

在这里插入图片描述