編輯：蛋醬、小舟
SVM is all you need，支持向量機永不過時。
Transformer 是一個支持向量機（SVM）一種新型理論在學界引發了人們的討論。
上周末，一篇來自賓夕法尼亞大學、加州大學河濱分校的論文試圖研究大模型基礎 Transformer 結構的原理，其在注意力層的優化幾何與將最優輸入 token 與非最優 token 分開的硬邊界 SVM 問題之間建立了形式等價。
在 hackernews 上作者表示，這種理論解決了 SVM 將每個輸入序列中的「好」標記與「壞」token 分開的問題。該 SVM 作為一個性能優異的 token 選擇器，與傳統為輸入分配 0-1 標簽的 SVM 本質上不同。
這種理論也解釋了注意力如何通過 softmax 引起稀疏性：落在 SVM 決策邊界錯誤一側的「壞」token 被 softmax 函數抑制，而「好」token 是那些最終具有非零 softmax 概率的 token。還值得一提的是，這個 SVM 源于 softmax 的指數性質。
論文上傳到 arXiv 上面之后，人們紛紛發表意見，有人表示：AI 研究的方向真是螺旋上升，難道又要繞回去了？
繞了一圈，支持向量機還是沒有過時。
自經典論文《Attention is All You Need》問世以來，Transformer 架構已為自然語言處理（NLP）領域帶來了革命性進展。Transformer 中的注意力層接受一系列輸入 token X，并通過計算
評估 token 之間的相關性，其中 (K, Q) 是可訓練的 key-query 參數，最終有效捕獲遠程依賴關系。
現在，一篇名為《Transformers as Support Vector machines》的新論文在自注意力的優化幾何和 hard-margin SVM 問題之間建立了一種形式等價，使用 token 對的外積線性約束將最優輸入 token 與非最優 token 分開。
論文鏈接：https://arxiv.org/pdf/2308.16898.pdf
這種形式等價建立在 Davoud Ataee Tarzanagh 等人的論文《Max-Margin Token Selection in Attention Mechanism》的基礎上，它能夠描述通過梯度下降進行優化的 1 層 transformer 的隱式偏差（implicit bias）：
(1) 優化由 (K, Q) 參數化的注意力層，通過消失正則化（vanishing regularization），收斂到一種 SVM 解決方案，其中最小化組合參數
的核范數（nuclear norm）。相反，直接通過 W 進行參數化可以最小化 Frobenius 范數 SVM 目標。該論文描述了這種收斂，并強調它可以發生在局部最優方向而不是全局最優方向。
(2) 該論文還證明了 W 參數化在適當的幾何條件下梯度下降的局部 / 全局方向收斂。重要的是，過度參數化通過確保 SVM 問題的可行性和保證沒有駐點（stationary points）的良性優化環境來催化全局收斂。
(3) 雖然該研究的理論主要適用于線性預測頭，但研究團隊提出了一種更通用的 SVM 等價物，可以預測具有非線性頭 / MLP 的 1 層 transformer 的隱式偏差。
總的來說，該研究的結果適用于一般數據集，可以擴展到交叉注意力層，并且研究結論的實際有效性已經通過徹底的數值實驗得到了驗證。該研究建立一種新的研究視角，將多層 transformer 看作分離和選擇最佳 token 的 SVM 層次結構。
具體來說，給定長度為 T，嵌入維度為 d 的輸入序列
，該研究分析核心交叉注意力和自注意力模型：
其中，K、Q、V 分別是可訓練的鍵、查詢、值矩陣，
；S (?) 表示 softmax 非線性，它逐行應用于
。該研究假設將 Z 的第一個 token（用 z 表示）用于預測。具體來說，給定一個訓練數據集
，
，
，該研究使用遞減損失函數
進行最小化：
這里，h (?) ：
是包含值權重 V 的預測頭。在這種表述中，模型 f (?) 精確地表示了一個單層 transformer，其中注意力層之后是一個 MLP。作者通過設置
來恢復 (2) 中的自注意力，其中 x_i 表示序列 X_i 的第一個 token。由于 softmax 運算的非線性性質，它給優化帶來了巨大挑戰。即使預測頭是固定和線性的，該問題也是非凸和非線性的。在本研究中，作者將重點放在優化注意力權重（K、Q 或 W）上，并克服這些挑戰，從而建立 SVM 的基本等價性。
論文結構如下：第 2 章介紹了自注意力和優化的初步知識；第 3 章分析了自注意力的優化幾何，表明注意力參數 RP 收斂到最大邊際解；第 4 章和第 5 章分別介紹了全局和局部梯度下降分析，表明 key-query 變量 W 向 (Att-SVM) 的解決方案收斂；第 6 章提供了在非線性預測頭和廣義 SVM 等價性方面的結果；第 7 章將理論擴展到順序預測和因果預測；第 8 章討論了相關文獻。最后，第 9 章進行總結，提出開放性問題和未來研究方向。
論文的主要內容如下：
注意力層的內隱偏差（第 2-3 章）
正則化消失的情況下優化注意力參數（K, Q），會在方向上收斂到
的最大邊際解，其核范數目標是組合參數
。在直接用組合參數 W 對交叉注意力進行參數化的情況下，正則化路徑 (RP) 定向收斂于以 Frobenius 范數為目標的（Att-SVM）解。
這是第一個正式區分 W 與（K，Q）參數化優化動態的結果，揭示了后者的低階偏差。該研究的理論清楚地描述了所選 token 的最優性，并自然地擴展到了序列到序列或因果分類設置。
梯度下降的收斂（第 4-5 章）
通過適當的初始化和線性頭 h (?)，組合 key-query 變量 W 的梯度下降（GD）迭代在方向上收斂到（Att-SVM）的局部最優解（第 5 節）。要實現局部最優，所選 token 必須比相鄰 token 得分更高。
局部最優方向不一定是唯一的，可以根據問題的幾何特征來確定 [TLZO23]。作為一項重要貢獻，作者確定了保證向全局最優方向收斂的幾何條件（第 4 章）。這些條件包括：
- 最佳 token 在分數上有明顯區別；
- 初始梯度方向與最佳 token 一致。
除此以外，論文還展示了過度參數化（即維度 d 較大，以及同等條件）通過確保（1）（Att-SVM）的可行性，以及（2）良性優化 landscape（即不存在靜止點和虛假的局部最優方向）來催化全局收斂（見第 5.2 節）。
圖 1 和圖 2 對此進行了說明。
SVM 等價的通用性（第 6 章）
當使用線性 h (?) 進行優化時，注意力層會固有地偏向于從每個序列中選擇一個 token（又稱硬注意力）。這反映在了 (Att-SVM) 中，表現為輸出 token 是輸入 token 的凸組合。與此相反，作者表明非線性頭必須由多個 token 組成，從而突出了它們在 transformer 動態過程中的重要性（第 6.1 節）。利用從理論中獲得的洞察力，作者提出了一種更通用的 SVM 等價方法。
值得注意的是，他們證明了在理論未涵蓋的普遍情況下（例如，h (?) 是一個 MLP），本文的方法能準確預測通過梯度下降訓練的注意力的隱含偏差。具體來說，本文的通用公式將注意力權重解耦為兩個部分：一個是由 SVM 控制的定向部分，它通過應用 0-1 掩碼來選擇標記；另一個是有限部分，它通過調整 softmax 概率來決定所選 token 的精確組成。
這些發現的一個重要特點是，它們適用于任意數據集（只要 SVM 可行），并且可以用數字驗證。作者通過實驗廣泛驗證了 transformer 的最大邊際等價性和隱含偏差。作者認為，這些發現有助于理解作為分層最大邊際 token 選擇機制的 transformer，可為即將開展的有關其優化和泛化動態的研究奠定基礎。
參考內容：
https://news.ycombinator.com/item?id=37367951
https://Twitter.com/vboykis/status/1698055632543207862
