论文：Big Bird: Transformers for Longer Sequences
作者：Manzil Zaheer, Guru Guruganesh, Avinava Dubey, Joshua Ainslie, Chris Alberti, Santiago Ontanon, Philip Pham, Anirudh Ravula, Qifan Wang, Li Yang, Amr Ahmed
时间：2021
1 介绍
结合attention mechanism的模型毫无疑问是NLP领域最热的模型，但是普通的注意力机制收到了平方次计算量的限制，为了解决这个问题，这里论文推出了BigBird，去结合sparse attention mechanism把平方次计算变为线性计算；
Big Bird保留了完全注意力机制的特性，同时论文还解释了全局token的用处，例如bert中的CLS，在sparse attention mechanism中可以对整体序列进行交互，利用这个模型可以在保持硬件不发生改变的情况下处理比原来高8x的序列长度，像QA任务和summarization任务这些长序列任务可以在Big Bird中得到显著的改善；
self-attention mechanism并不能够记忆sequence的顺序，在这个机制中，组成sequence的各个部分都是无序的，同时该机制是图灵完全的，可以伪装成人类，表现出和人类一致的智力水准；作者提出了两个问题，如何利用能少的计算获取完整的注意力机制的表达能力？sparse attention mechanism 能否保留full attention mechanism的表达力和灵活度；
作者从graph sparsification中找到灵感，当full-attention mechanism放缩到一定程度时，transformer的表达能力会失效；通过合理的放缩，作者提出了Big Bird模型，该模型主要由三个部分组成：
- 部分注意整体序列的全局tokens
- 所有注意邻近序列的局部tokens
- 所有注意任意序列的随机tokens
该论文的主要成果是：
- BigBird拥有transformer模型的所有已知的理论属性，同时证明了全局token可以表达整体 序列的能力；
- BigBird可以处理长序列，并在长序列任务中达到了sota；
- BigBird可以运用在处理基因序列上；
2 模型架构
在allevate the quadratic dependency上，有两种处理方式：
- 第一种是用其他方法去绕过
full-attention - 第二种是想其他办法去优化
full-attention
BigBird很显然是第二种方法，下面是BIGBIRD的注意力机制架构：
从图中很容易就可以看出，这种方法和Longformer是差不多相同，但是作者提到了区别：首先Longformer中没有random attention；第二，Big Bird使用相对位置编码，而Longformer采用的是BERT的位置编码即learned absolute embedding；第三,BigBird对全局token使用的是CPC损失；
下面是注意力机制的一般形式，这个就看一下公式就好，加了一个残差连接：
这里Big Bird通过不去计算白色部分来加快计算；但是感觉有random的话加快不了多少，我感觉反而不如Longformer的膨胀处理方式；
在这里的话，random我个人认为是让模型有一定的获取全局信息的能力，但是能力不如full attention，近似于模糊处理，有这个能力一定是要比没有好的，所以有一定的提升是很正常的，但是这样一处理，感觉模型速度加快受到了部分限制，但总归是提升了吧；
这里全局注意力有两种方式：
第一种便是ITC机制，就是在矩阵中选择一些token作为全局token
第二种便是ETC机制，采取的方式是类似于bert中的cls方式，在序列上设置一些special token
在这里个人认为第二种ETC机制应该常用一些，我一直纳闷怎么显著加快训练，这里给了我答案：
对，就是用了分块矩阵的性质，把大矩阵变成小矩阵来计算，具体如图：
上面是full attention的效果图，可以看到没有空块，但是全部要计算；
这是计算对角阵的注意力权重，可以发现只需要相应的矩阵相乘就可以得到；
这是其计算的扩展，不需要计算空块，接下来只需要加上一个random模块就完美解决了；
如图，完美解决计算量的问题，我觉得Longformer也可以试一下，不过好像Longformer的优化要比这个要好；
最后得到的整体如下图：
妙！但是这样依赖随机矩阵就受到了一定的限制，不过是可以优化的；
3 结果
其采取的预训练方式为MLM；
模型结果如下：
可以发现，效果是可观的，random可以让sequence获得全局信息，在提升模型速度的同时，提升模型的性能；
