【SIGIR 2022】面向长代码序列的Transformer模型优化方法，提升长代码场景性能

简介：论文主导通过引入稀疏自注意力的方式来提高Transformer模型处理长序列的效率和性能

阿里云机器学习平台PAI与华东师范大学高明教授团队合作在SIGIR2022上发表了结构感知的稀疏注意力Transformer模型SASA，这是面向长代码序列的Transformer模型优化方法，致力于提升长代码场景下的效果和性能。由于self-attention模块的复杂度随序列长度呈次方增长，多数编程预训练语言模型（Programming-based Pretrained Language Models, PPLM）采用序列截断的方式处理代码序列。SASA方法将self-attention的计算稀疏化，同时结合了代码的结构特性，从而提升了长序列任务的性能，也降低了内存和计算复杂度。

论文：Tingting Liu, Chengyu Wang, Cen Chen, Ming Gao, and Aoying Zhou. Understanding Long Programming Languages with Structure-Aware Sparse Attention. SIGIR 2022

模型框架

下图展示了SASA的整体框架：

其中，SASA主要包含两个阶段：预处理阶段和Sparse Transformer训练阶段。在预处理阶段得到两个token之间的交互矩阵，一个是top-k frequency矩阵，一个是AST pattern矩阵。Top-k frequency矩阵是利用代码预训练语言模型在CodeSearchNet语料上学习token之间的attention交互频率，AST pattern矩阵是解析代码的抽象语法树（Abstract Syntax Tree，AST ），根据语法树的连接关系得到token之间的交互信息。Sparse Transformer训练阶段以Transformer Encoder作为基础框架，将full self-attention替换为structure-aware sparse self-attention，在符合特定模式的token pair之间进行attention计算，从而降低计算复杂度。

SASA稀疏注意力一共包括如下四个模块：

Sliding window attention：仅在滑动窗口内的token之间计算self-attention，保留局部上下文的特征，计算复杂度为，为序列长度，是滑动窗口大小。
Global attention：设置一定的global token，这些token将与序列中所有token进行attention计算，从而获取序列的全局信息，计算复杂度为，为global token个数。
Top-k sparse attention：Transformer模型中的attention交互是稀疏且长尾的，对于每个token，仅与其attention交互最高的top-k个token计算attention，复杂度为。
AST-aware structure attention：代码不同于自然语言序列，有更强的结构特性，通过将代码解析成抽象语法树（AST），然后根据语法树中的连接关系确定attention计算的范围。

为了适应现代硬件的并行计算特性，我们将序列划分为若干block，而非以token为单位进行计算，每个query block与个滑动窗口blocks和个global blocks以及个top-k和AST blocks计算attention，总体的计算复杂度为，为block size。

每个sparse attention pattern 对应一个attention矩阵，以sliding window attention为例，其attention矩阵的计算为：

ASA伪代码：

实验结果

我们采用CodeXGLUE[1]提供的四个任务数据集进行评测，分别为code clone detection，defect detection，code search，code summarization。我们提取其中的序列长度大于512的数据组成长序列数据集，实验结果如下：

从实验结果可以看出，SASA在三个数据集上的性能明显超过所有Baseline。其中Roberta-base[2]，CodeBERT[3]，GraphCodeBERT[4]是采用截断的方式处理长序列，这将损失一部分的上下文信息。Longformer[5]和BigBird[6]是在自然语言处理中用于处理长序列的方法，但未考虑代码的结构特性，直接迁移到代码任务上效果不佳。

为了验证top-k sparse attention和AST-aware sparse attention模块的效果，我们在BigCloneBench和Defect Detection数据集上做了消融实验，结果如下：

sparse attention模块不仅对于长代码的任务性能有提升，还可以大幅减少显存使用，在同样的设备下，SASA可以设置更大的batch size，而full self-attention的模型则面临out of memory的问题，具体显存使用情况如下图：

SASA作为一个sparse attention的模块，可以迁移到基于Transformer的其他预训练模型上，用于处理长序列的自然语言处理任务，后续将集成到开源框架EasyNLP（https://github.com/alibaba/EasyNLP）中，贡献给开源社区。

论文链接：https://arxiv.org/abs/2205.13730

参考文献

[1] Shuai Lu, Daya Guo, Shuo Ren, Junjie Huang, Alexey Svyatkovskiy, Ambrosio Blanco, Colin B. Clement, Dawn Drain, Daxin Jiang, Duyu Tang, Ge Li, Lidong Zhou, Linjun Shou, Long Zhou, Michele Tufano, Ming Gong, Ming Zhou, Nan Duan, Neel Sundaresan, Shao Kun Deng, Shengyu Fu, Shujie Liu. CodeXGLUE: A Machine Learning Benchmark Dataset for Code Understanding and Generation. NeurIPS Datasets and Benchmarks 2021

[2] Yinhan Liu, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy, Mike Lewis, Luke Zettlemoyer, Veselin Stoyanov. RoBERTa: A Robustly Optimized BERT Pretraining Approach. CoRR abs/1907.11692 (2019)

[3] Zhangyin Feng, Daya Guo, Duyu Tang, Nan Duan, Xiaocheng Feng, Ming Gong, Linjun Shou, Bing Qin, Ting Liu, Daxin Jiang, Ming Zhou. CodeBERT: A Pre-Trained Model for Programming and Natural Languages. EMNLP 2020

[4] Daya Guo, Shuo Ren, Shuai Lu, Zhangyin Feng, Duyu Tang, Shujie Liu, Long Zhou, Nan Duan, Alexey Svyatkovskiy, Shengyu Fu, Michele Tufano, Shao Kun Deng, Colin B. Clement, Dawn Drain, Neel Sundaresan, Jian Yin, Daxin Jiang, Ming Zhou. GraphCodeBERT: Pre-training Code Representations with Data Flow. ICLR 2021

[5] Iz Beltagy, Matthew E. Peters, Arman Cohan. Longformer: The Long-Document Transformer. CoRR abs/2004.05150 (2020)

[6] Manzil Zaheer, Guru Guruganesh, Kumar Avinava Dubey, Joshua Ainslie, Chris Alberti, Santiago Ontañón, Philip Pham, Anirudh Ravula, Qifan Wang, Li Yang, Amr Ahmed. Big Bird: Transformers for Longer Sequences. NeurIPS 2020

了解更多精彩内容，欢迎关注我们的阿里灵杰公众号

原文链接：http://click.aliyun.com/m/1000348767/

本文为阿里云原创内容，未经允许不得转载。