The Cure or the Curse: Investigating the Role and Challenges of Positional Encoding in Transformers
Notice bibliographique
Résumé
The Transformer architecture has been the driving force behind large language models (LLMs), enabling us to leverage immense computational power and data.However, it is essential to consider the parallel nature of Transformers and the specific mechanisms at work within them to help representing sequential data-particularly positional encoding.This adhoc component has become de facto standard in contemporary models without much clarity on its role.This thesis investigates positional encoding by introducing novel methodologies to expose its implications and uncover its potential shortcomings.First, we scrutinize Absolute Positional Embeddings (APEs), used in LLMs like GPT-3, which represents order by encoding each word's absolute position.Specifically, we assess APE's ability to encode sentences across all positions in Chapter 3. Our analysis reveals disparities in representation when sequences start at different positions, questioning APEs' efficacy in enabling Transformers to encode relative positions.These observations indicate APEs may cause overfitting on positions, impeding performance.Hence, we explore eliminating positional encoding in decoder-only Transformers in Chapter 4. First, we provide mathematical proof that decoder-only Transformers is capable of recovering positional encoding.Furthermore, we show it performs on-par or better than explicit positional encoding methods on length generalization in downstream tasks.This research scrutinizes the exact role of positional encoding in Transformers, highlighting the drawbacks of widely used methods and casting new light on our understanding of these models.Our findings reveal that Transformers without positional encodings can function effectively, and even show improved performance in certain tasks.Such findings pave the way for developing more optimized positional encoding techniques in future Transformer models.i My co-author, Koustuv Sinha, deserves a special mention for his impact on me about research and productivity, as well as his assistance in advancing my career.Similarly, my gratitude extends
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».