2021AAAI-BestPaper-Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting

作者以及单位

周号益 北航

解决问题

从论文作者演讲的ppt来看，Transformer存在一些严重的问题：二次时间复杂度、高内存使用率以及encoder-decoder体系结构的固有限制。

简单的说本文解决的核心问题：比其他的sota工作，在设定预测时间更长的情况下，要更准！，如下图所示：长度从96开始，预测就走下坡路了。

研究动机

纵观以下参考提供的两个视频原作者对自己工作的解读，我感觉本文最好的地方就是逻辑特别清晰，动机解释的 特别好，建议好好读一下原文。

原始Transformer的问题

1.self-attention的二次计算复杂度，self-attention机制的操作，会导致我们模型的时间复杂度为 ;
2.长输入的stacking层的内存瓶颈：J个encoder/decoder的stack会导致内存的使用为 ;
3.预测长输出的速度骤降：动态的decoding会导致step-by-step的inference非常慢。

本文的研究动机归为以下几点：

首先，LSTF任务具有重要研究意义，对政策计划和投资避险等多种需要长时预测的任务至关重要；
目前现有方法多专注于短期预测，模型缺乏长期预测能力；
Transformer具有较强捕获长距离依赖的能力，但是，在计算时间复杂度和空间复杂度以及如何加强长序列输入和输出关联上都需要优化；

上述三点对应Informer的主要贡献点：

ProbSparse self-attention，作者称其为概率稀疏自注意力，通过“筛选”Query中的重要部分，减少相似度计算。
Self-attention distilling，作者称其为自注意力蒸馏，通过卷积和最大池化减少维度和网络参数量。
Generative style decoder，作者称为生成式解码器，一次前向计算输出所有预测结果。

研究方法

左边：编码过程，编码器接收长序列输入（绿色部分），通过ProbSparse自注意力模块和自注意力蒸馏模块，得到特征表示。（堆叠结构增加模型鲁棒性）
右边：解码过程，解码器接收长序列输入（预测目标部分设置为0），通过多头注意力与编码特征进行交互，最后直接预测输出目标部分（橙黄色部分）。

创新点

和上述动机对应的贡献是一样，对应以下这三点，现在分别简单叙述，详情请见论文。1.概率稀疏注意力机；2. 自注意力蒸馏编码器；3. 生成式解码器

1.概率稀疏注意力机制

我们首先对典型自我注意的学习注意模式进行定性评估。“稀疏性” self-attention得分形成长尾分布，即少数点积对主要注意有贡献，其他点积对可以忽略。那么，这个问题可以进一步推为如何区分它们？。我直接引用一些文章的分析，如下：

其实这一部分核心工作就是红框所示（解释和推理工作比较长）。

2. 自注意力蒸馏编码器

编码器的主要功能是捕获长序列输入之间的长范围依赖。在输入表示部分，笔者已经介绍过输入为 。包含了三个部分（卷积后的序列输入，全局位置嵌入，局部位置表示）。

3. 生成式解码器

解决方法加入concat，不选择一个额定的标记作为标记，这样不用依赖前一个才能预测后一个（这个是问题核心）。在公式中，就是加 。

结论

无论是单变量的长序列预测还是多变量的长序列预测，Informer均能在多数数据集上取得最优表现。
Informer能获得AAAI的Best Paper确实有很多值得肯定的地方。首先，从逻辑上对本工作的研究动机、研究内容，讲故事的能力确实很重要。此外，实验部分比较充实，能够把动机提出的疑惑都一一解答了，堪称完美。
在研究内容上，Best Paper肯定不是靠A+B。确实，本文在self-attention模型的问题上认识较为深刻。

参考

作者 周号益视频讲解：
【AI TIME PhD AAAI-8】类Transformer模型的长序列分析预测新方向-周号益_哔哩哔哩_bilibili
B站讲解：
【AI Drive】AAAI 2021最佳论文：比Transformer更有效的长时间序列预测_哔哩哔哩_bilibili
源代码：
GitHub - zhouhaoyi/Informer2020: The GitHub repository for the paper "Informer" accepted by AAAI 2021.
基于Transformer的时间序列预测-Informer-AAAI21 BEST PAPER - 知乎 (zhihu.com)
AAAI21最佳论文Informer：效果远超Transformer的长序列预测神器！ (qq.com)
Attention 注意力机制 - 知乎 (zhihu.com)