01

簡介

在很多實際應(yīng)用問題中，我們需要對長序列時間序列進行預測，例如用電使用規(guī)劃。長序列時間序列預測（LSTF）要求模型具有很高的預測能力，即能夠有效地捕捉輸出和輸入之間精確的長程相關(guān)性耦合。最近的研究表明，Transformer具有提高預測能力的潛力。

然而，Transformer存在一些嚴重的問題，如:

• 二次時間復雜度、高內(nèi)存使用率以及encoder-decoder體系結(jié)構(gòu)的固有限制。

為了解決這些問題，我們設(shè)計了一個有效的基于變換器的LSTF模型Informer，它具有三個顯著的特點：

• ProbSparse Self-Attention，在時間復雜度和內(nèi)存使用率上達到了，在序列的依賴對齊上具有相當?shù)男阅堋?/span>
• self-attention 提取通過將級聯(lián)層輸入減半來突出控制注意，并有效地處理超長的輸入序列。
• 產(chǎn)生式decoder雖然概念上簡單，但在一個正向操作中預測長時間序列，而不是一步一步地進行，這大大提高了長序列預測的推理速度。

在四個大規(guī)模數(shù)據(jù)集上的大量實驗表明，Informer的性能明顯優(yōu)于現(xiàn)有的方法，為LSTF問題提供了一種新的解決方案。

02

背景

?

Intuition：Transformer是否可以提高計算、內(nèi)存和架構(gòu)效率，以及保持更高的預測能力？

原始Transformer的問題

• self-attention的二次計算復雜度，self-attention機制的操作，會導致我們模型的時間復雜度為;
• 長輸入的stacking層的內(nèi)存瓶頸：J個encoder/decoder的stack會導致內(nèi)存的使用為;
• 預測長輸出的速度驟降：動態(tài)的decoding會導致step-by-step的inference非常慢。

本文的重大貢獻

本文提出的方案同時解決了上面的三個問題，我們研究了在self-attention機制中的稀疏性問題，本文的貢獻有如下幾點：

• 我們提出Informer來成功地提高LSTF問題的預測能力，這驗證了類Transformer模型的潛在價值，以捕捉長序列時間序列輸出和輸入之間的單個的長期依賴性；
• 我們提出了ProbSparse self-attention機制來高效的替換常規(guī)的self-attention并且獲得了的時間復雜度以及的內(nèi)存使用率；
• 我們提出了self-attention distilling操作全縣，它大幅降低了所需的總空間復雜度；
• 我們提出了生成式的Decoder來獲取長序列的輸出，這只需要一步，避免了在inference階段的累計誤差傳播；

問題定義

在固定size的窗口下的rolling預測中，我們在時刻的輸入為,我們需要預測對應(yīng)的輸出序列,LSTF問題鼓勵輸出一個更長的輸出,特征維度不再依賴于univariate例子().

• Encoder-decoder框架：許多流行的模型被設(shè)計對輸入表示進行編碼，將編碼為一個隱藏狀態(tài)表示并且將輸出的表示解碼.在推理的過程中設(shè)計到step-by-step的過程(dynamic decoding),decoder從前一個狀態(tài)計算一個新的隱藏狀態(tài)以及第步的輸出，然后對個序列進行預測；

• 輸入表示：為了增強時間序列輸入的全局位置上下文和局部時間上下文，給出了統(tǒng)一的輸入表示。

03

方法

現(xiàn)有時序方案預測可以被大致分為兩類：

高效的Self-Attention機制

傳統(tǒng)的self-attention主要由(query,key,value)組成，,其中;第個attention被定義為核平滑的概率形式：

self-attention需要的內(nèi)存以及二次的點積計算代價，這是預測能力的主要缺點。

我們首先對典型自我注意的學習注意模式進行定性評估?！跋∈栊浴?self-attention得分形成長尾分布，即少數(shù)點積對主要注意有貢獻，其他點積對可以忽略。那么，下一個問題是如何區(qū)分它們？

Query Sparsity評估

我們定義第個query sparsity第評估為：

第一項是在所有keys的Log-Sum-Exp(LSE)，第二項是arithmetic均值。

ProbSparse Self-attention

其中是和q相同size的稀疏矩陣，它僅包含稀疏評估下下Top-u的queries，由采樣factor 所控制，我們令, 這么做self-attention對于每個query-key lookup就只需要計算的內(nèi)積，內(nèi)存的使用包含,但是我們計算的時候需要計算沒對的dot-product，即，,同時LSE還會帶來潛在的數(shù)值問題，受此影響，本文提出了query sparsity 評估的近似，即：

這么做可以將時間和空間復雜度控制到

04

方法Encoder + Decoder

1. Encoder: Allowing for processing longer sequential inputs under the memory usage limitation

encoder被設(shè)計用來抽取魯棒的長序列輸入的long-range依賴，在第個序列輸入被轉(zhuǎn)為矩陣

Self-attention Distilling

作為ProbSparse Self-attention的自然結(jié)果，encoder的特征映射會帶來值的冗余組合，利用distilling對具有支配特征的優(yōu)勢特征進行特權(quán)化，并在下一層生成focus self-attention特征映射。

它對輸入的時間維度進行了銳利的修剪，如上圖所示，n個頭部權(quán)重矩陣（重疊的紅色方塊）。受擴展卷積的啟發(fā)，我們的“distilling”過程從第j層往推進:

其中包含Multi-Head ProbSparse self-attention以及重要的attention block的操作。

為了增強distilling操作的魯棒性，我們構(gòu)建了halving replicas，并通過一次刪除一層（如上圖）來逐步減少自關(guān)注提取層的數(shù)量，從而使它們的輸出維度對齊。因此，我們將所有堆棧的輸出串聯(lián)起來，并得到encoder的最終隱藏表示。

2. Decoder: Generating long sequential outputs through one forward procedure

此處使用標準的decoder結(jié)構(gòu)，由2個一樣的multihead attention層，但是，生成的inference被用來緩解速度瓶頸，我們使用下面的向量喂入decoder：

其中，是start tocken, ～～是一個placeholder，將Masked multi-head attention應(yīng)用于ProbSparse self-attention，將mask的點積設(shè)置為。它可以防止每個位置都關(guān)注未來的位置，從而避免了自回歸。一個完全連接的層獲得最終的輸出，它的超大小取決于我們是在執(zhí)行單變量預測還是在執(zhí)行多變量預測。

Generative Inference

我們從長序列中采樣一個，這是在輸出序列之前的slice。

以圖中預測168個點為例（7天溫度預測），我們將目標序列已知的前5天的值作為“start token”，并將輸入生成式推理解碼器。

包含目標序列的時間戳，即目標周的上下文。注意，我們提出的decoder通過一個前向過程預測所有輸出，并且不存在耗時的“dynamic decoding”。

Loss Function

此處選用MSE 損失函數(shù)作為最終的Loss。

05

實驗

1. 實驗效果

從上表中,我們發(fā)現(xiàn)：

• 所提出的模型Informer極大地提高了所有數(shù)據(jù)集的推理效果（最后一列的獲勝計數(shù)），并且在不斷增長的預測范圍內(nèi)，它們的預測誤差平穩(wěn)而緩慢地上升。
• query sparsity假設(shè)在很多數(shù)據(jù)集上是成立的；
• Informer在很多數(shù)據(jù)集上遠好于LSTM和ERNN

2. 參數(shù)敏感性

從上圖中,我們發(fā)現(xiàn)：

• Input Length：當預測短序列（如48）時，最初增加編碼器/解碼器的輸入長度會降低性能，但進一步增加會導致MSE下降，因為它會帶來重復的短期模式。然而，在預測中，輸入時間越長，平均誤差越低：信息者的參數(shù)敏感性。長序列（如168）。因為較長的編碼器輸入可能包含更多的依賴項；
• Sampling Factor:我們驗證了冗余點積的查詢稀疏性假設(shè)；實踐中，我們把sample factor設(shè)置為5即可，即;
• Number of Layer Stacking:Longer stack對輸入更敏感，部分原因是接收到的長期信息較多

3. 解耦實驗

從上表中我們發(fā)現(xiàn),

• ProbSparse self-attention機制的效果：ProbSparse self-attention的效果更好，而且可以節(jié)省很多內(nèi)存消耗；
• self-attention distilling：是值得使用的，尤其是對長序列進行預測的時候；
• generative stype decoderL：它證明了decoder能夠捕獲任意輸出之間的長依賴關(guān)系，避免了誤差的積累；

4. 計算高效性

• 在訓練階段，在基于Transformer的方法中，Informer獲得了最佳的訓練效率。
• 在測試階段，我們的方法比其他生成式decoder方法要快得多。

06

小結(jié)

本文研究了長序列時間序列預測問題，提出了長序列預測的Informer方法。具體地：

• 設(shè)計了ProbSparse self-attention和提取操作來處理vanilla Transformer中二次時間復雜度和二次內(nèi)存使用的挑戰(zhàn)。
• generative decoder緩解了傳統(tǒng)編解碼結(jié)構(gòu)的局限性。
• 通過對真實數(shù)據(jù)的實驗，驗證了Informer對提高預測能力的有效性

參考文獻

1. Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting：https://arxiv.org/pdf/2012.07436.pdf