Transformerの「層方向」にも記憶を持たせたら?残差接続を回帰問題として捉え直した論文です。
タイトル: Depth Memory
URL:
残差・Attention Residuals・Hyper-Connectionsを「メモリへのRead/Write」で統一し、層を超えて情報を蓄える固定サイズのメモリ LDM(Linear Depth Memory)を提案しています。
注目ポイントは3つです。
🧮 深さ方向の回帰として厳密に解く
各層の出力をキーと値の観測とみなし、忘却係数つきの重み付き最小二乗を再帰的最小二乗法(RLS)で解きます。線形注意の外積更新はその近似にすぎない、という整理が鮮やかです。
⚡ 実用コストに落とすGPU実装
State unwindingで前の層の状態を小さな保存情報から復元し、Windowed writesで書き込みをまとめます。CuTeカーネルでB200上、Full AttnResより高速、Block AttnResとも同等水準です。
📈 400Mと1.5Bで一貫して改善
1.5BのLAMBADA perplexityはPreLNの10.49に対しLDMは8.42。パラメータ増は約1%で、深くするほど性能が伸び続けました。
残差ストリームを外すと大きく悪化するなど、「足し算の道」を残す大切さも見えます。
#
Transformer# #
LLM#