论文原文：https://arxiv.org/abs/2107.02192
论文笔记：百度网盘提取码：nzsi

1. Summary Contributions：

• （1）提出了一种长短时Transformer模型：Long-Short Transformer (Transformer-LS)：
  • Short：利用滑动窗口获取短序列（局部）attention
  • Long：基于动态投影获取长序列（全局）attention
• （2）在Long-Transformer中提出动态投影方法
• （3）提出 DualLN（双向归一化）来解决不同term下维度不一致的问题
• （4）可以很好加入视觉Transformer模型中取得好效果
  

2. 基于滑动窗口计算Short-term Attention（双向模型）

• Step1：图中每一行表示一个序列，长度n为8，将序列复制8次得到矩阵；（1维）窗口宽度为2，节点特征维度为d=3。

• Step2：序列左右各有一个大小为w/2的padding，用长度为w的窗口将序列分为不相交的多等分，计算attention
  由于每个窗口包含w个token，但关注了2*w个token，因此：

  • input：n × d
  • output_attention：2w × d
    

• 这里每一个token的output_attention相当于其关于自身以及上下文信息的聚合，所以是short-term（局部）

3. 基于动态投影计算Long-term Attention（自回归模型）

• 直观理解：利用低秩矩阵将节点数量维度 N 投影至更低维 r（r根据输入序列长度决定）
• Step1：根据K构造投影矩阵Pi，从而Pi维度变为 n × r，其中r<<n，达到低秩的目的
  
• Step2：通过以下两公式，将K和V的维度从n×d变为 r×d，
  
  扩展到多头即为如下公式，其中Q维度还是n×d，所以最终输出序列个数还是与原始相同
  
• Step3：将Long-term Attention用于自回归模型中
  
  • （1）：将Input划分为多个等长的L（相当于w）
  • （2）：对于每个内部的patch，关注前面一个L和当前窗口内左边的token
  • （3）将该Attention计算方式放入自回归模型中：
    
    • （4）并行计算每个L的attention，后将结果拼接起来：
      
      最终输出的output_shape 为 r × dk

4. DualLN：双向归一化

• 问题：如果直接拼接后进行LayerNorm：标准化后均值为0，而由于使用多头注意力机制进行加权平均的时候，会减小均值为0的向量的方差，从而减小该向量的范数。而对于Long和Short而言，其节点维度不同（Long>>Short），故Long这边的范数相对Short而言会较小，导致梯度更小，阻碍模型训练
• 解决：分别进行LN后再拼接，公式如下
• 

5. 小结

• （1）提出了short term的双向模型和Long-term的自回归模型，对比如右图：其在长序列数据处理中表现较好，主要是因为经过动态投影降低了attention的计算复杂度，所以序列越长相较而言越占优势。
• （2）通过动态投影降低了attention的计算复杂度。
  传统的attention计算复杂度为O(n2)，改进后由于将输入节点维度投影至r，而r是一个超参数，将使得计算复杂度降为了O(r*n)
• （3）针对序列化数据，LSTM将上下文信息通过从网络浅层传至网络深层体现序列化，而LS-Transformer把序列化信息体现在attention的计算过程上。（有待考虑）