Informer

$Informer$

摘要：

长序列时间序列的预测

$informer$优点：

• $Probspare$自关注机制，在时间复杂度和内存使用方面达到$O(NlogN)$,在序列依赖对齐方面性能较好。
• 自注意蒸馏通过将级联层输入减半来突出主导注意力，并有效地处理极长的输入序列。
• 以一次向前操作的方式预测长序列时间序列，提高了长序列预测的推理速度。

1.简介：

$Transformer$​求解$LSTF$​缺点：

• 自注意力的二次计算。标准的点积$(dot-product)$操作，会导致每一层的时间复杂度和内存使用都达到$O(N^2)$的级别，其中$L$是输入序列的长度。
• 长输入的堆叠层的内存瓶颈。$J$编码器/解码器层的堆叠使得总内存使用量为$O(J\cdot L^2)$​，这限制了模型在接收长序列输入时的可扩展性。
• 预测长期产出的速度下降。原始$Transformer$的动态解码使得逐步推理与基于$RNN$的模型一样慢，每个步骤都必须等待前一个步骤完成才能进行。

本文主要内容：

• 提出了$Informer$来成功地增强$LSTF$问题的预测能力，这验证了类似$Transformer$模型的潜在价值，以捕捉长序列时间序列输出和输入之间的单个长期依赖关系。
• 提出了$ProbSparse$自注意机制来有效地取代规范的自注意机制，实现了$O(NlogN)$的时间复杂度和$O(NlogN)$的内存使用。
• 提出了自注意力蒸馏操作特权支配$j-$堆叠层的注意力分数，并大幅降低总空间复杂度为$O((2-ϵ)NlogN)$。
• 提出生成式解码器$(GenerativeStyleDecoder)$，只需要向前一步就可以获得长序列输出，同时避免累积错误传播

$Informer$模型的整体图。左边的部分是$Encoder$，它接收大量的长序列输入(绿色系列)。我们已经用提出的$ProbSparse$​自注意取代了规范的自注意。蓝色梯形是提取支配性注意的自注意蒸馏操作，急剧减小网络规模。层堆叠副本提高了鲁棒性。对于右侧部分，解码器接收长序列输入，将目标元素填充为零，测量特征图的加权注意力组成，并以生成式的方式立即预测输出元素(橙色系列)。

2.预备

定义：在具有固定大小窗口的滚动预测设置下，在$t$时刻的输入为 X t = { x t 1 , … , x t L x   ∣   x t i ∈ R d x } X_t = \{ x_t^1, \ldots, x_t^{L_x} \,|\, x_t^i \in \mathbb{R}^{d_x} \} Xt​={xt1​,…,xtLx​​∣xti​∈Rdx​}，输出为 Y t = { y t 1 , … , y t L y   ∣   y t i ∈ R d y } Y_t = \{ y_t^1, \ldots, y_t^{L_y} \,|\, y_t^i \in \mathbb{R}^{d_y} \} Yt​={yt1​,…,ytLy​​∣yti​∈Rdy​}

编码器-解码器架构$(Encoder-decoderarchitecture)$被设计用于将输入表示 $X_t$ “编码”为隐藏状态表示 $H_t$，并从 $H_t=h_t^1,...,h_t^{L_h}$ 中“解码”出输出表示 $Y_t$。推理过程涉及一个名为“动态解码”$(dynamicdecoding)$的逐步过程，其中解码器根据前一个状态 $h_t^k$和第 $k$ 步的其他必要输出，计算新的隐藏状态 $h_t^{k+1}$，然后预测第 $(k+1)$ 个序列 $y_t^{k+1}$。

在这个架构中，编码器负责处理输入数据（例如，一个句子、一段文本、一个图像等），并将其转换为一个或多个隐藏状态向量。这些隐藏状态向量捕获了输入数据的重要信息，这些信息随后被解码器用来生成输出序列。

解码器则负责利用这些隐藏状态向量来生成输出数据。在生成输出时，解码器通常会采用一种序列到序列$(sequence-to-sequence)$的方法，即一个步骤接着一个步骤地生成输出序列。在每个步骤中，解码器都会考虑前一个步骤的输出和隐藏状态，来预测下一个输出。

假设我们有$t$个序列输入$X_t$和$p$种类型的全局时间戳，输入表示后的特征维度为$d_{model}$。我们首先通过使用固定位置嵌入来保持低阶上下文，即$PE(pos,2j)=\sin \left(\frac{pos}{{(2L_x)}^{2j/d_{\text{model}}}}\right)$,
$PE(pos,2j+1)=\cos \left(\frac{pos}{{(2L_x)}^{2j/d_{\text{model}}}}\right)$,，其中$j\in \left\{1,\dots ,\frac{d_{\text{model}}}{2}\right\}$.。每个全局时间戳由一个可学习的戳嵌入$S{E}_{(pos)}$使用，词汇表大小有限（最多$60$个，即以分钟为最细粒度）。也就是说，自注意力的相似度计算可以访问全局上下文，并且在长输入上的计算开销是可以承受的。为了对齐维度，我们使用一维卷积滤波器（核宽度=$3$，步长=$1$）将标量上下文$x_i^t$投影$d_{model}$-维向量$u_i^t$。因此，我们有了如下的f反馈向量：$X_{\text{feed[i]}}^t=\alpha u_i^t+\text{PE}(L_x\times (t-1)+i)+{\sum }_p{\left[{\text{SE}}_{(L_x\times (t-1)+i)}\right]}_{\text{p}}$，其中 i ∈ { 1 , … , L x } i \in \{1, \dots, L_x\} i∈{1,…,Lx​}，并且$\alpha$是一个用于平衡标量投影与局部/全局嵌入之间的幅度的因子。如果序列输入已经被标准化了，我们推荐$\alpha =1$。这里的PE代表位置嵌入$(positionembedding)$，用于捕捉序列中每个位置的信息；而$SE$是学习的时间戳嵌入 ，$\alpha$是一个超参数，用于平衡不同的嵌入或投影对最终输入向量的贡献。

3.方法论

高效自我注意机制

​ 自注意力机制接收一个元组输入$(query,key,value)$，并通过缩放点积运算$(scaleddot-product)$进行运算，表示为$A(Q,K,V)=\text{Softmax}\left(\frac{Q{K}^{\top }}{\sqrt{d}}\right)V,\text{其中 }Q\in {\mathbb{R}}^{L_Q\times d},K\in {\mathbb{R}}^{L_K\times d},V\in {\mathbb{R}}^{L_V\times d}$，其中 $d$ 是输入维度。为了进一步讨论自注意力机制，令 $q_i$, $k_i$, $v_i$ 分别表示 $Q$, $K$, $V$ 中的第 $i$ 行。根据 $Tsaietal.(2019)$ 的公式，第 $i$ 个查询的注意力被定义为概率形式的核平滑器$(kernelsmoother)$： 则：
$$A(q_i,K,V)=\sum _j\frac{k(q_i,k_j)}{{\sum }_{l}k(q_i,k_l)}{v}_j={\mathbb{E}}_{p(k_j|q_i)}[v_j]方程一$$
其中， $p(k_j|q_i)=\frac{k(q_i,k_j)}{{\sum }_{l}k(q_i,k_l)}$ ，$k(q_i,k_j)$ 是一个核函数。这里我们使用不对称的指数核函数 $\exp \left(\frac{q_i\cdot k_j}{\sqrt{d}}\right)$。自注意力机制通过计算概率$ (p(k_j|q_i)) $来结合值并获取输出。这需要二次时间复杂度的点积计算和 $(O(L_Q{L}_K))$​ 的内存使用，这是提高预测能力的主要缺点。

​ 从方程$(1)$中，第 $(i)$个查询对所有键的注意力被定义为一个概率$(p(k_j|q_i))$，而输出是其与值$(v)$的组合。主要的点积对会鼓励对应的查询注意力概率分布远离均匀分布。如果$(p(k_j|q_i))$接近均匀分布$(q(k_j|q_i)=\frac{1}{L_K})$，那么自注意力就变成了值 $(V)$的简单和，并且对输入是冗余的。自然地，分布 $(p)$ 和$(q)$之间的“相似性”可以用来区分“重要”的查询。我们通过$Kullback-Leibler$散度（$KL$散度）来测量“相似性”，$KL$散度定义为：
$$\begin{array}{c}KL(q||p)=\ln \left(\sum _{l=1}^{L_K}{e}^{\frac{q_i\cdot k_l^T}{\sqrt{d}}}\right)-\ln (L_K)-\sum _{j=1}^{L_K}\frac{1}{L_K}\cdot \frac{q_i\cdot k_l^T}{\sqrt{d}}\end{array}$$
我们定义第 $(i)$ 个查询的稀疏度测量为:
$$M(q_i,K)=\ln \left(\sum _{j=1}^{L_K}{e}^{\frac{q_i\cdot k_j^T}{\sqrt{d}}}\right)-\frac{1}{L_K}\sum _{j=1}^{L_K}\frac{q_i\cdot k_j^T}{\sqrt{d}}方程二$$

第一项是所有键上 $(q_i)$ 的$Log-Sum-Exp（LSE）$，第二项是这些键的算术平均值。如果第$(i)$个查询获得了较大的 $(M(q_i,K))$值，那么它的注意力概率$(p)$ 就更加“多样化”，并且有很大可能性包含长尾自注意力分布中头部字段的主要点积对。这里，“多样化”意味着注意力不仅仅集中在少数几个键上，而是相对均匀地分布在多个键上。同时，由于$(M(q_i,K))$​ 值较大，该查询的注意力分布更有可能包含那些具有较大点积值的键-查询对，这些对在长尾分布中占据主导地位。

​ 基于所提出的度量标准，我们通过允许每个键仅关注于占主导地位的查询u，从而实现了$ProbSparse$​自注意力机制。
$$A(Q,K,V)=\text{Softmax}\left(\frac{\overline{Q}{K}^T}{\sqrt{d}}\right)V方程三$$
其中，$(\overline{Q})$是一个与$(q)$ 相同大小的稀疏矩阵，它仅包含根据稀疏性度量$(M(q,K))$ 选择的前$(u)$ 个查询。通过一个常数采样因子 $(c)$ 来控制，我们设定$(u=c\cdot \ln L_Q)$，这使得 $ProbSparse$ 自注意力机制在每次查询-键查找时只需要计算 $(O(\ln L_Q))$ 个点积，并且层的内存使用保持在 $(O(L_K\ln L_Q))$。

简单来说，$ProbSparse$ 自注意力机制通过稀疏化手段，仅对稀疏矩阵$(Q)$中的前 $(u)$个查询（根据某种稀疏性度量）进行计算，从而降低了计算复杂度和内存使用。这里的$(u)$ 是基于查询数量$(L_Q)$的对数和一个常数采样因子 $(c)$​ 来确定的。

然而，为了计算度量 $(M(q_i,K))$而遍历所有查询需要计算每对点积，即时间复杂度为平方级别的$(O(L_Q{L}_K))$，并且$LSE(Log-Sum-Exp)$操作存在潜在的数值稳定性问题。鉴于这一点，我们提出了一个查询稀疏性度量的近似方法。

​ 引理一:对于每个查询 $q_i\in {\mathbb{R}}^d$ 和键集中的 $k_j\in {\mathbb{R}}^d$ 在集合 $K$ 中，我们有边界 $$\ln L_K\le M(q_i,K)\le \underset{j}{\max }\left\{\frac{q_i\cdot k_j^T}{\sqrt{d}}\right\}-\frac{1}{L_K}\cdot \sum _{j=1}^{L_K}\left\{\frac{q_i\cdot k_j^T}{\sqrt{d}}\right\}+\ln L_K$$ 。当 $q_i\in K$ 时，该不等式也成立。

根据引理一，我们提出了最大均值测量为：
$$\overline{M}(q_i,K)=\underset{j}{\max }\left\{\frac{q_i\cdot k_j^T}{\sqrt{d}}\right\}-\frac{1}{L_K}\sum _{j=1}^{L_K}\frac{q_i\cdot k_j^T}{\sqrt{d}}方程四$$
​ 命题一:假设 $k_j\sim N(\mu ,\Sigma )$，我们让 $q{k}_i$ 表示集合 $\left\{\left(q_i{k}_j^T\right)/\sqrt{d}|j=1,\dots ,L_K\right\}$，那么对于 $\forall M_m={\max }_{i}M(q_i,K)$，存在 $\kappa >0$ 使得：在区间 ∀ q 1 , q 2 ∈ { q   ∣   M ( q , K ) ∈ [ M m , M m − κ ) } \forall q_1, q_2 \in \{ q \,|\, M(q, K) \in [M_m, M_m - \kappa) \} ∀q1​,q2​∈{q∣M(q,K)∈[Mm​,Mm​−κ)} 内，如果 $\overline{M}(q_1,K)>\overline{M}(q_2,K)$ 并且 $\text{Var}(q{k}_1)>\text{Var}(q{k}_2)$，那么 $M(q_1,K)>M(q_2,K)$ 的概率很高。为了简化，证明中给出了概率的估计。

​ 边界放宽下的前 $(u)$ 个的顺序在命题$1$（请参阅附录$D.2$中的证明）中得以保持。在长尾分布下，我们仅需要随机抽取 $(U=L_Q\ln L_K)$个点积对来计算$(\overline{M}(q_i,K))$，即将其余的点积对填充为零。我们从中选择稀疏的前$(u)$个作为$(Q)$。在$(M(q_i,K))$ 中的最大值操作对零值不太敏感，并且数值上是稳定的。在实践中，查询和键的输入长度通常是相等的，即 $(L_Q=L_K=L)$，这样$ProbSparse$自注意力的总时间复杂度和空间复杂度都是 $(O(L\ln L))$。

$Encoder:$允许在内存使用限制下处理更长的顺序输入

​ 该编码器被设计用于提取长序列输入中的稳健长程依赖关系。在输入表示之后，第$t$个序列输入$X_t$被重塑为一个大小为$L_x\times d_{\text{model}}$的矩阵$X_t^{\text{feed en}}\in {\mathbb{R}}^{L_x\times d_{\text{model}}}$​。

​ 自注意力蒸馏$(Self-attentionDistilling)$作为$ProbSparse$自注意力机制的自然结果，编码器的特征图包含了冗余的值$V$组合。我们利用蒸馏操作来突出具有主导特征的优势组合，并在下一层生成一个集中的自注意力特征图。这极大地缩减了输入的时间维度，如图中注意力模块的$n$个头权重矩阵（重叠的红色方块）所示。受到空洞卷积$（Yu,Koltun,andFunkhouser2017;GuptaandRush2017）$的启发，我们的“蒸馏”过程从第$j$层向前传递到第$(j+1)$​层，作为
$$X_t^{j+1}=\text{MaxPool}\left(\text{ELU}\left(\text{Conv1d}{\left[X_t^j\right]}_{AB}\right)\right)方程五$$

其中，该表达式$[\cdot {]}_{AB}$包含多头ProbSparse自注意力机制以及注意力块中的关键操作，其中$Conv1d(\cdot )$在时间维度上执行一维卷积滤波器$($核宽度$=3)$，并使用$ELU(\cdot )$作为激活函数$(Clevert,Unterthiner,andHochreiter2016)$。我们在堆叠一层后添加一个步长为$2$的最大池化层，将$X_t$下采样到其一半的切片，这样可以将整个内存使用量减少到$O((2-\epsilon )LlogL)$，其中$\epsilon$​是一个很小的数。为了增强蒸馏操作的鲁棒性，我们构建了主堆栈的减半副本，并通过每次丢弃一层来逐渐减少自注意力蒸馏层的数量，形成一个如图所示的金字塔结构，从而使其输出维度对齐。因此，我们将所有堆栈的输出连接起来，得到编码器的最终隐藏表示。

$Decoder:$通过一个前向过程生成长序列输出

​ 我们使用的标准解码器结构$Vaswanietal.2017$，它由两层相同的多头注意力层堆叠而成。然而，为了缓解长预测中速度下降的问题，我们采用了生成式推理。我们将以下向量作为输入提供给解码器：
$${\mathbf{X}}_{\text{feed de}}^t=\text{Concat}({\mathbf{X}}_{\text{token}}^t,{\mathbf{X}}_0^t)\in {\mathbb{R}}^{(L_{\text{token}}+L_y)\times d_{\text{model}}}方程六$$
其中，$X_t^{\text{token}}\in {\mathbb{R}}^{L_{\text{token}}\times d_{\text{model}}}$作为起始令牌。$X{t}_0$是一个占位符，用于目标序列（将其标量值设为$0$）。在$ProbSparse$自注意力计算中，应用了掩码多头注意力$(MaskedMulti-headAttention)$，通过将掩码的点积设置为$-\infty$来阻止每个位置关注到后续位置，从而避免了自回归$(auto-regressive)$性质。一个全连接层获取最终输出，其输出大小 $d_y$​ 取决于我们是否执行单变量预测或多变量预测。

​ 生成式推断中的起始令牌是自然语言处理中“动态解码”的一种高效技术，我们将其扩展为生成式的方式。我们并没有选择特定的标志作为令牌，而是在输入序列中采样一个长度为$L_{token}$的序列，该序列是输出序列之前的一个较早片段。以预测$168$个点为例（即$7$天的温度预测），我们将目标序列之前的已知$5$天作为“起始令牌”，并将这些信息与生成式推断解码器一起输入，表示为$X_{fee{d}_{d}e}=X_{5d},X_0$。其中，$X_0$包含目标序列的时间戳，即目标周的背景信息。值得注意的是，我们提出的解码器通过一次前向过程即可预测所有输出，避免了传统编码器-解码器架构中耗时的“动态解码”过程。在计算效率部分，我们给出了详细的性能比较。

​ 我们选择均方误差$(MSE)$作为预测值与目标序列之间的损失函数，并将损失从解码器的输出反向传播至整个模型。

4.实验