Miras是什么
Miras是谷歌推出的用在深度学习架构设计的通用框架，特别是序列建模任务。Miras基于关联记忆和注意力偏差的概念，将Transformer、现代线性RNN等模型重新定义为具有内部优化目标的关联记忆模块。Miras基于四种关键选择构建模型，关联记忆架构、注意力偏差目标、保持门及记忆学习算法。Miras能生成具有不同优势的新型序列模型，例如Moneta、Yaad和Memora，模型在语言建模、常识推理等任务中表现出色，超越现有的Transformer和线性RNN模型。
Miras的主要功能
- 统一现有架构：将现有的多种序列模型（如Transformer、RetNet、Mamba等）纳入统一的框架下。
- 优化记忆管理：基于引入注意力偏差（Attentional Bias）和保留门（Retention Gate）的概念，Miras能够更好地平衡学习新信息和保留旧信息，从而优化模型的记忆管理能力。
- 设计新型模型：支持设计出具有不同注意力偏差和保留机制的新型序列模型，如Moneta、Yaad和Memora。
- 提升模型性能：提升模型在长序列任务中的性能，保持快速的并行化训练能力。
Miras的技术原理
- 关联记忆：将输入（键，Keys）映射到输出（值，Values）的机制。在Miras中，序列模型被看作是关联记忆模块，基于学习输入和输出之间的映射关系存储和检索信息。关联记忆是Miras的核心，决定模型如何存储和利用序列数据中的信息。
- 注意力偏差：注意力偏差是关联记忆的内部优化目标，用在衡量模型如何优先关注某些事件或刺激。决定模型如何学习输入（键和值）之间的映射关系。基于选择不同的注意力偏差目标（如ℓ2回归、ℓ1回归、Huber损失等），调整模型对数据的敏感度和鲁棒性。
- 保持门：一种正则化机制，控制模型在学习新信息时如何保留旧信息。引入保留正则化项（如ℓ2正则化、KL散度等）平衡学习和保留。防止模型过度遗忘旧信息，在长序列任务中保持更好的性能。
- 记忆学习算法：记忆学习算法用在优化关联记忆的目标函数。常见的算法包括梯度下降、动量梯度下降等。基于选择合适的优化算法，提高模型的训练效率和收敛速度。
Miras的项目地址
- arXiv技术论文：https://arxiv.org/pdf/2504.13173
Miras的应用场景
- 语言建模：NLP研究人员、文本生成开发者用于高效处理长文本，捕捉长距离依赖。
- 常识推理：AI研究者、智能助手开发者提升对隐含信息的理解和推理能力。
- 长文本处理：文本分析工程师、信息检索专家优化长文本处理效率，减少资源消耗。
- 多模态任务：多模态研究者、多媒体内容分析工程师融合多种模态信息，提升跨模态推理能力。