近日，阿里云机器学习平台PAI与华东师范大学高明教授团队合作的论文《结构感知的稀疏注意力Transformer模型SASA》被顶会 SIGIR 2022录取。论文主导通过引入稀疏自注意力的方式来提高Transformer模型处理长序列的效率和性能，并提出了结合代码语言和结构特性的面向长代码序列的Transformer模型性能优化方法。
SIGIR是人工智能领域智能信息检索方向顶级国际会议，涉及搜索引擎、推荐系统等多个方向，该会议曾推动了面向搜索的排序模型、基于深度学习的推荐算法等人工智能领域的核心创新，在学术和工业界都有巨大的影响力。此次入选意味着阿里云机器学习平台PAI自研的稀疏注意力Transformer模型达到了业界先进水平，获得了国际学者的认可，展现了中国机器学习系统技术创新在国际上的竞争力。
那么SASA主要解决了什么问题?基于Transformer的模型在self-attention模块的复杂度随序列长度呈次方增长，多数编程预训练语言模型(Programming-based Pretrained Language Models, PPLM)采用序列截断的方式处理代码序列，从而导致上下文信息缺失。
针对以上问题，SASA设计了四种稀疏注意力模式，包括：sliding window attention，global attention，Top-k attention，AST-aware attention，在一定程度上将计算复杂度与序列长度解耦。其中sliding window和Top-k模式基于局部上下文和重要的attention交互学习表示，抽象语法树(AST)模式引入代码的结构特性，与序列上下文信息相互补足，global attention通过与序列中所有token进行交互来获取全局信息。对比CodeBERT，GraphCodeBERT等方法，SASA在多个长代码任务上取得最佳效果，同时也降低了内存和计算复杂度。
SASA技术将在开源框架EasyNLP中集成，给PAI的NLP开发者提供基于稀疏注意力机制的长序列自然语言处理能力。机器学习平台PAI面向企业客户级开发者，提供轻量化、高性价比的云原生机器学习，涵盖PAI-DSW交互式建模、PAI-Designer可视化建模、PAI-DLC分布式训练到PAI-EAS模型在线部署的全流程。
论文信息
EasyNLP开源地址：https://github.com/alibaba/EasyNLP
论文链接：https://arxiv.org/abs/2205.13730
论文名字
Understanding Long Programming Languages with Structure-Aware Sparse Attention. SIGIR 2022
论文作者
刘婷婷，汪诚愚，陈岑，高明，周傲英
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。
关键词：
