arXiv · NLP· Debopam Sanyal, Hongjie Chen, Riya Elizabeth Kuriyan, Arth Tak, Divya Kothandaraman, Akshay Mehra, Joshua Kimball, Alexey Tumanov·· 3 小时前AI 评分23
SVD-Attention 分析 Transformer 注意力头低秩交互
SVD-Attention: Efficiently Analyzing Attention Blocks in Transformers
AI 导读
研究人员提出 SVD-Attention 诊断方法，通过分解单个注意力头的交互矩阵，识别未充分利用秩预算的注意力头。 该方法在 7 个预训练模型和 5 种任务上验证了层冗余性，截断标记层最多损失 1.75 F1，推理 FLOPs 降低 0.8%–1.5%。 SVD-Attention 作为分析工具，结合权重剪枝可进一步减少 8%–11% FLOPs，任务质量波动在 0%–4% 内。
来源：arXiv · NLP · arxiv.org