LSTM：這次重生，我要奪回 Transformer 拿走的一切。
20 世紀 90 年代，長短時記憶（LSTM）方法引入了恆定誤差選擇輪盤和門控的核心思想。三十多年來，LSTM 經受住了時間的考驗，併為眾多深度學習的成功案例做出了貢獻。然而，以可並行自注意力為核心 Transformer 橫空出世之後，LSTM 自身所存在的侷限性使其風光不再。
當人們都以為 Transformer 在語言模型領域穩坐江山的時候，LSTM 又殺回來了 —— 這次，是以 xLSTM 的身份。
5 月 8 日，LSTM 提出者和奠基者 Sepp Hochreiter 在 arXiv 上傳了 xLSTM 的預印本論文。
論文的所屬機構中還出現了一家叫做「NXAI」的公司，Sepp Hochreiter 表示：「藉助 xLSTM，我們縮小了與現有最先進 LLM 的差距。藉助 NXAI，我們已開始構建自己的歐洲 LLM。」
論文標題：xLSTM: Extended Long Short-Term Memory
論文連結：https://arxiv.org/pdf/2405.04517
具體來說，xLSTM 從三個層面解決了 LSTM 以往所存在的侷限性：
(i) 無法修改儲存決策。
可以透過「最近鄰搜尋」（Nearest Neighbor Search）問題來舉例說明這一侷限性：在給定參考向量的情況下，必須按順序掃描序列，尋找最相似的向量，以便在序列末端提供其附加值。圖 2 左側顯示了這項任務的均方誤差。當發現更相似的向量時，LSTM 難以修改儲存的值，而新的 xLSTM 透過指數門控彌補了這一限制。
(ii) 儲存容量有限，即資訊必須壓縮成標量單元狀態。
圖 2 右側給出了 Wikitext103 上不同 token 頻率的 token 預測困惑度。由於 LSTM 的儲存容量有限，它在不常見 token 上的表現較差。xLSTM 透過矩陣記憶體解決了這一問題。
(iii) 由於記憶體混合而缺乏可並行性，需要進行順序處理。例如，從一個時間步到下一個時間步的隱藏狀態之間的隱藏 - 隱藏連線。
與此同時，Sepp Hochreiter 和團隊在這篇新論文中回答了一個關鍵問題：如果克服這些侷限性並將 LSTM 擴充套件到當前大語言模型的規模時，能實現怎樣的效能？
為了克服 LSTM 的侷限性，xLSTM 對等式（1）中的 LSTM 理念進行了兩項主要修改。
在原來的 LSTM 中，恆定誤差選擇輪盤是由單元輸入 z_t 對單元狀態 c_(t-1)（綠色）進行的加法更新，並由 sigmoid 門（藍色）進行調節。輸入門 i_t 和遺忘門 f_t 控制這一更新，而輸出門 o_t 控制儲存單元的輸出，即隱藏狀態 h_t。儲存單元的狀態被 ψ 歸一化或壓縮，然後輸出門控得到隱藏狀態。
xLSTM 的修改包括指數門控和新穎的記憶體結構，因此豐富了 LSTM 家族的兩個成員：
(i) sLSTM（第 2.2 節），具有標量記憶體、標量更新和記憶體混合功能；
(ii) mLSTM（第 2.3 節），具有矩陣記憶體和協方差（外積）更新規則，完全可並行處理。
sLSTM 和 mLSTM 都透過指數門控增強了 LSTM。為了實現並行化，mLSTM 放棄了記憶體混合，即隱藏 - 隱藏遞迴連線。mLSTM 和 sLSTM 都可以擴充套件到多個儲存單元，其中 sLSTM 具有跨單元記憶體混合的特點。此外，sLSTM 可以有多個頭，但不存在跨頭的記憶體混合，而只存在每個頭內單元間的記憶體混合。透過引入 sLSTM 頭和指數門控，研究者建立了一種新的記憶體混合方式。對於 mLSTM 而言，多頭和多單元是等價的。
將這些新的 LSTM 變體整合到殘差塊模組中，就得到了 xLSTM 塊。將這些 xLSTM 塊剩餘堆疊到架構中，就形成了 xLSTM 架構。xLSTM 架構及其元件見圖 1。
xLSTM 塊應在高維空間中對過去進行非線性總結，以便更好地分離不同的歷史或上下文。分離歷史是正確預測下一個序列元素（如下一個 token）的先決條件。研究者在此採用了 Cover 定理，該定理指出，在高維空間中，非線性嵌入模式比在原始空間中更有可能被線性分離。
他們考慮了兩種殘差塊結構：(i) post up-projection 的殘差塊（如 Transformer），它非線性地概括了原始空間中的歷史，然後線性地對映到高維空間，應用非線性啟用函式，再線性地對映回原始空間（圖 3 左側和圖 1 第三欄，更詳細的版本見圖 9）。(ii) pre up-projection 的殘差塊（如狀態空間模型），它線性地對映到高維空間，在高維空間中非線性地總結歷史，然後線性地對映回原始空間。對於包含 sLSTM 的 xLSTM 塊，研究者主要使用了 post up-projection 塊。對於包含 mLSTM 的 xLSTM 塊，使用 pre up-projection 塊，因為在高維空間中記憶體容量會變大。
實驗
隨後，研究者對 xLSTM 進行了實驗評估，並將其與現有的語言建模方法進行了比較。
第 4.1 節討論了 xLSTM 在合成任務中的具體能力。首先，研究者測試了 xLSTM 的新指數門控與記憶體混合在形式化語言上的有效性。然後，他們評估了 xLSTM 的新矩陣記憶體在多次查詢聯想記憶任務（Multi-Query Associative Recall，MQAR）中的有效性。最後，研究者評估了 xLSTM 在 Long Range Arena（LRA）中處理長序列的效能。
第 4.2 節比較了當前各種語言建模方法的驗證集複雜度，包括在同一資料集上對 xLSTM 進行消融研究，然後對不同方法的縮放行為進行評估。
研究者在自迴歸語言建模設定中使用 SlimPajama 的 15B token 訓練了 xLSTM、Transformers、狀態空間模型（SSM）等模型。表 1 中的結果顯示，xLSTM 在驗證複雜度方面優於所有現有方法。
圖 6 顯示了該實驗的擴充套件結果，表明 xLSTM 對於更大規模的模型也有良好的表現。
消融研究則表明，效能改進源於指數門控和矩陣記憶體。
第 4.3 節進行了更深入的語言建模實驗。
研究者增加了訓練資料量，對來自 SlimPajama 的 300B 個 token 進行了訓練，並比較了 xLSTM、RWKV-4、Llama 和 Mamba。他們訓練了不同大小的模型（125M、350M、760M 和 1.3B），進行了深入的評估。首先，評估這些方法在推斷較長語境時的表現；其次，透過驗證易混度和下游任務的表現來測試這些方法；此外，在 PALOMA 語言基準資料集的 571 個文字域上評估了這些方法；最後，評估了不同方法的擴充套件行為，但使用的訓練資料多了 20 倍。
可以看出，xLSTM 在效能和擴充套件性上都更勝一籌。
更多研究細節，可參考原論文。