Energy-Based Transformers are Scalable Learners and Thinkers
Created by
Haebom
저자
Alexi Gladstone, Ganesh Nanduru, Md Mofijul Islam, Peixuan Han, Hyeonjeong Ha, Aman Chadha, Yilun Du, Heng Ji, Jundong Li, Tariq Iqbal
개요
본 논문은 비지도 학습만으로 '시스템 2 사고'와 유사한 추론 시 추론 연산 기법을 학습하는 모델을 제시합니다. 기존 접근 방식의 모달리티 특이성, 문제 특이성, 추가적인 지도 학습 필요성 등의 한계를 극복하기 위해, 입력과 예측 후보 간의 호환성을 검증하는 에너지 기반 변환기(EBTs)를 제안합니다. EBTs는 에너지 값을 할당하여 경사 하강법 기반 에너지 최소화를 통해 예측을 수행합니다. 텍스트와 이미지 모달리티 모두에서 기존 Transformer++ 접근 방식보다 빠른 학습 속도를 보이며, 언어 과제에서는 Transformer++보다 29% 향상된 성능을, 이미지 잡음 제거에서는 Diffusion Transformers보다 우수한 성능을 더 적은 순전파 횟수로 달성합니다. 또한, 동일하거나 열악한 사전 학습 성능에도 불구하고 대부분의 하위 과제에서 기존 모델보다 나은 결과를 얻어 일반화 성능이 우수함을 보여줍니다.
시사점, 한계점
•
시사점:
◦
비지도 학습만으로 시스템 2 사고를 구현하는 새로운 가능성 제시
◦
에너지 기반 모델을 활용한 효율적인 추론 연산 기법 제안
◦
텍스트와 이미지 모달리티 모두에서 우수한 성능 및 일반화 성능 입증
◦
기존 Transformer++ 및 Diffusion Transformers 대비 향상된 학습 및 추론 속도 달성
◦
모델의 학습 및 사고 능력 확장을 위한 새로운 패러다임 제시
•
한계점:
◦
본 논문에서 제시된 EBTs의 한계점은 명시적으로 언급되지 않았습니다. 추가적인 연구를 통해 실제 적용 시 발생할 수 있는 제약이나 한계점을 탐색해야 합니다.