论文笔记：Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting

Posted 2022-09-16 UQI-LIUWJ

AAAI 2021 best paper

1 abstract & intro

• Transformer 被广泛应用于时间序列预测任务，但是Transformer存在一些严重的问题，使其无法直接应用到LSTF（long sequence time-series forecasting）问题上
  • 的时间复杂度
    • <——self-attention机制的逐点点乘操作
  • 内存使用率高
    • J个encoder/decoder的堆叠，会占有的内存
  • encoder-decoder固有的限制
• 为解决这些问题，这篇论文设计了Informer
  • ProSparse Self-Attention
    • 在时间复杂度和内存使用率上达到了O(LlogL)
  • self-attention distilling
    • 将级联层输入减半来控制attention，并有效地处理超长的输入序列。
    • 利用J层中的主要attention score
    • 使得空间复杂度进一步降至
  • 对长时间序列直接进行正向预测，而不是一步一步预测，大大提高了LSTF（long sequence time-series forecasting）的速度。

2 preliminary

2.1 问题定义

• 输入

  • 固定预测窗口大小Lx，则在t时刻的输入为

  • 每一时刻的维度是dx，t时刻可以看到Lx个不同时间片的信息 

• 需要预测的输出
  • 
  • 每一时刻的维度为dy，需要预测未来Ly个不同时间片的信息

2.2 encoder-decoder 架构

• 先把编码成隐藏状态。然后将解码成
• 在解码（inference）的过程中，大部分采用dynamic decoding，即step-by-step的过程
  • 利用前一时刻来计算，进而计算

2.3 时间序列表征

为增强时间序列输入的全局位置上下文和局部时间上下文，给出了统一的输入表示

 α是在标量投影和局部投影之间平衡大小的因子

2.4  短时序预测和长时序预测的不同

• 输入越长，对于transformer的内存占用和时间复杂度要求越高
• 长时序预测的结果存在累积误差，后面的预测结果一般与前面的结果相关联
  • 前面都预测的不准，往后的预测结果也不会太好
• 长时序预测的inference时间随着预测的长度的增加上升明显
• 

3 模型方法

3.1 总体框架

Informer模型基于encoder-decoder结构

 3.2 注意力机制

3.2.1 传统注意力机制

                     

如果用概率和期望的形式改写，那么有：

                      

 其中，

——>需要平方数量的点积计算开销、的内存消耗

3.2.2 传统注意力机制的稀疏性

• 先前的一些研究表明，自注意概率的分布具有潜在的稀疏性（长尾）
• 换句话说，只有少数点积对attention有贡献，其他点积可以忽略

3.2.3 query 稀疏性评估 

定义第i个query的稀疏性测量值为：

• 第一项是log-sum-exp，max的平滑；第二项是各个 的算术平均值

 max函数的平滑（log-sum-exp trick）_UQI-LIUWJ的博客-CSDN博客

3.3  ProbSparse Self-attention

• 我们选取一个 ，它和q尺寸类似，不过它只包括了top-u个query（M(q,K)最大的u个）
  • 用一个稀疏的矩阵代替之前的Q
• （c是采样因子）
• ——>每个K的query/attention只需要次点积
• ——>每层probsparse self-attention有个key
  • ——>每层的内存消耗是
  • 在self-attention中，，所以复杂度为

3.4 query sparsity的近似 

• 但为了获取top u条query，我们需要将每条query和整个key矩阵进行一次内积计算，这需要
• 此外计算M(qi,K)的第一项也需要指数级别的计算，这也比较费时间
• ——>这里提出了query sparsity的近似

3.4.1 一个定理

 3.4.2 M的近似

随机选个 qi,kj对，其他qikj=0，计算 【对每个query，选择lnLk个key】

 ——>在self-attention的计算中，，所以无论是找u，还是probsparse attention，复杂度都是O(LlogL)

3.5 encoder 

Encoder设计用于提取长序列输入鲁棒的long-range相关性

随着Encoder层数的加深，由于序列中每个位置的输出已经包含了序列中其他元素的信息(self-attention的本职工作)，我们可以缩短输入序列的长度。

• 为避免encoder的特征映射带来V值的冗余组合，利用distilling对具有支配特征的优势特征进行
  特权化“
• 对输入的时间维度进行了锐利的修建
• 从第j层到第j+1层的公式如下：
•  

   

  • 表示Probsparse Self-attention
  • Conv1d是kernel为3的一维卷积
  • MaxPoll是stride为2的最大池化
• 一次distilling，将L长度的序列变成L/2
• ——>两层的空间复杂度为，小于不加distilling的2LlnL

 3.6 decoder

• 使用标准的decoder结构
• 将如下内容（start token和target的补0 placeholder）送入decoder
• 将Masked Multi-head attention应用于ProbSparse self-attention
• 将mask的点积设置为负无穷
  • ——>可以防止每个位置都关注未来的位置，从而避免了自回归
• 一个全连接层获得最终的输出，层大小取决于是在执行单变量预测还是在执行多变量预测。

 3.6 Generative Inference

• 文章从长序列中采样一个，这是在输出序列之前的slice。
• 以预测168个点为例（7天温度预测），将目标序列已知的前5天的值作为“start token”，并将 输入生成式推断Decoder。
•  X0 包含目标序列的时间戳，即目标周的上下文。
• 文章提出的decoder通过一个前向过程预测所有输出，并且不存在耗时的“dynamic decoding”。

4 实验结果