空间模型 (2-1)

一种适用于长序列建模的状态空间模型‬

论文：用结构化状态空间有效地建模长序列动机和当前问题序列建模的一个核心问题是有效处理包含长程相关性（lrd）的数据。

一般要求上万步（16k），现在能做到几千步就不错了。

• 用特殊矩阵(HIPPO)武装起来的潜在空间模型本来具有长时间记忆的能力,但在计算上不可行：O(N2L)操作和O(NL)空间.

尽管依据经典线性代数的降维算法被提出了,但是在数值上不稳定:A的条件数比较大。

• 希望有一个通用序列模型:现在的模型总是针对一个特定领域(图像、音频、文本、时间序列)，处理一个问题范围窄(高效训练、快速生成、处理不规则采样数据)。

这种现状的原因是这些模型想要高效,就需要特定领域的预处理、归纳偏差和架构。

贡献

1. S4解决了SSM模型过往的computational neck;在speed和memory overhead 上都达到了efficient transformer的水平；

2. 在LRD任务上成为SOTA，特别地，第一次解决了长达16k，涉及到图像空间推理的Path-X问题；

3. 除了LRD任务，S4具备成为general-purpose sequence model的潜力：

具有高效训练、快速生成、处理不规则采样数据(比如说调整演讲的采样频率)的多种功能在不调整结构的情况下,能处理不同的领域:在语音分类上超过语音CNN，在时间序列预测问题上优于专门的Informer模型，并在序列CIFAR上以超过90%的准确率匹配二维ResNet。

初步的

1.SSM模型

状态空间模型由简单方程（1）定义。

在投影到一维输出信号y（t）之前，它将一维输入信号u（t）映射到一维潜在状态x（t）。

x’（t）= Ax（t）+Bu（t）

y（t）= Cx（t）+Du（t）

2.HIPPO非常重要！！！

3.[数]离散化‬

为了离散化连续时间SSM，我们遵循之前的工作，使用双线性方法【43】，将状态矩阵A转换为近似A .

离散SSM为

xₖ＝ˉAxₖ₋₁＋ˉBuₖ ˉA＝(l – Δ/2 · A)⁻¹ (l＋Δ/2 · A)

yₖ＝ˉCxₖ ˉB＝(l – Δ/2 · A)⁻¹ΔB ˉC＝C.

解决方案：

• 把HIPPO矩阵A分解成正规矩阵+低秩

• 序列模型并行可以转化为一个卷积运算,但卷积核需要处理一个连乘。

如果一条对角线，那一切好说；但他现在不是,所以转化成为普通加低级。

数学联邦政治世界观提示您：看后求收藏（同人小说网http://tongren.me），接着再看更方便。