PulseAugur
中
实时 19:48:53
English(EN) FourierQK: Spectral Preprocessing of Query-Key Projections Improves Transformer Attention

FourierQK 技术通过频谱预处理提升 Transformer 注意力 · 已追踪 2 个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为 FourierQK 的新技术，通过对查询-键投影应用频谱预处理，显著增强了 Transformer 注意力机制。该方法在 TinyShakespeare 等字符级语言建模任务上进行了测试，与标准的点积注意力相比，错误率降低了高达 79%，取得了显著的性能提升。其优势归因于全局频域混合而非度量失真，并且该方法在架构上与 FNet 等先前方法不同。 AI

影响 这种频谱预处理方法有望为各种自然语言处理任务带来更高效、更强大的 Transformer 模型。

排序理由 该集群包含一篇详细介绍改进 Transformer 注意力机制的新技术方法的论文。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

FourierQK 技术通过频谱预处理提升 Transformer 注意力 · 已追踪 2 个来源

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Athanasios Zeris ·

    FourierQK: Spectral Preprocessing of Query-Key Projections Improves Transformer Attention

    arXiv:2607.07478v1 Announce Type: cross Abstract: FFT-based spectral preprocessing of learned query-key (Q/K) projections substantially improves transformer attention on character-level language modelling. On TinyShakespeare: a fixed random spectral filter achieves val=1.031 (Del…

  2. arXiv cs.CL TIER_1 English(EN) · Athanasios Zeris ·

    FourierQK: Spectral Preprocessing of Query-Key Projections Improves Transformer Attention

    FFT-based spectral preprocessing of learned query-key (Q/K) projections substantially improves transformer attention on character-level language modelling. On TinyShakespeare: a fixed random spectral filter achieves val=1.031 (Delta=+0.443); a single learned frequency at paragrap…

相关实体

相关话题