Informer:最强最快的序列预测神器？？？
AAAI21最佳论文Informer：效果远超Transformer的长序列预测神器！
01 简介
在很多实际应用问题中，我们需要对长序列时间序列进行预测，例如用电使用规划。长序列时间序列预测（LSTF）要求模型具有很高的预测能力，即能够有效地捕捉输出和输入之间精确的长程相关性耦合。最近的研究表明，Transformer具有提高预测能力的潜力。
然而，Transformer存在一些严重的问题，如:
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。
为了解决这些问题，我们设计了一个有效的基于变换器的LSTF模型Informer，它具有三个显著的特点：
ProbSparse Self-Attention，在时间复杂度和内存使用率上达到了O(LlogL)，在序列的依赖对齐上具有相当的性能。self-attention 提取通过将级联层输入减半来突出控制注意，并有效地处理超长的输入序列。产生式decoder虽然概念上简单，但在一个正向操作中预测长时间序列，而不是一步一步地进行，这大大提高了长序列预测的推理速度。
在四个大规模数据集上的大量实验表明，Informer的性能明显优于现有的方法，为LSTF问题提供了一种新的解决方案。
02 背景
Intuition：Transformer是否可以提高计算、内存和架构效率，以及保持更高的预测能力？
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O(L*L);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O(J* L *L) ;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。
本文提出的方案同时解决了上面的三个问题，我们研究了在self-attention机制中的稀疏性问题，本文的贡献有如下几点：
我们提出Informer来成功地提高LSTF问题的预测能力，这验证了类Transformer模型的潜在价值，以捕捉长序列时间序列输出和输入之间的单个的长期依赖性；我们提出了ProbSparse self-attention机制来高效的替换常规的self-attention并且获得了O(LlogL)的时间复杂度以及O(LlogL)的内存使用率；我们提出了self-attention distilling操作全县，它大幅降低了所需的总空间复杂度；我们提出了生成式的Decoder来获取长序列的输出，这只需要一步，避免了在inference阶段的累计误差传播；
03 方法
现有时序方案预测可以被大致分为两类：
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，下一个问题是如何区分它们？
我们定义第i个query sparsity第评估为：
ProbSparse Self-attention
04方法Encoder + Decoder
1. Encoder: Allowing for processing longer sequential inputs under the memory usage limitation
Self-attention Distilling
作为ProbSparse Self-attention的自然结果，encoder的特征映射会带来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，并在下一层生成focus self-attention特征映射。
它对输入的时间维度进行了锐利的修剪，如上图所示，n个头部权重矩阵（重叠的红色方块）。受扩展卷积的启发，我们的“distilling”过程从第j层往推j+1进:
为了增强distilling操作的鲁棒性，我们构建了halving replicas，并通过一次删除一层（如上图）来逐步减少自关注提取层的数量，从而使它们的输出维度对齐。因此，我们将所有堆栈的输出串联起来，并得到encoder的最终隐藏表示。
2. Decoder: Generating long sequential outputs through one forward procedure
此处使用标准的decoder结构，由2个一样的multihead attention层，但是，生成的inference被用来缓解速度瓶颈，我们使用下面的向量喂入decoder：
Generative Inference
Loss Function
此处选用MSE 损失函数作为最终的Loss。
05 实验
1. 实验效果
从上表中,我们发现：
所提出的模型Informer极大地提高了所有数据集的推理效果（最后一列的获胜计数），并且在不断增长的预测范围内，它们的预测误差平稳而缓慢地上升。query sparsity假设在很多数据集上是成立的；Informer在很多数据集上远好于LSTM和ERNN
2. 参数敏感性
从上图中,我们发现：
Input Length：当预测短序列（如48）时，最初增加编码器/解码器的输入长度会降低性能，但进一步增加会导致MSE下降，因为它会带来重复的短期模式。然而，在预测中，输入时间越长，平均误差越低：信息者的参数敏感性。长序列（如168）。因为较长的编码器输入可能包含更多的依赖项；Sampling Factor:我们验证了冗余点积的查询稀疏性假设；实践中，我们把sample factor设置为5即可，即;Number of Layer Stacking:Longer stack对输入更敏感，部分原因是接收到的长期信息较多
3. 解耦实验
从上表中我们发现,
ProbSparse self-attention机制的效果：ProbSparse self-attention的效果更好，而且可以节省很多内存消耗；self-attention distilling：是值得使用的，尤其是对长序列进行预测的时候；generative stype decoderL：它证明了decoder能够捕获任意输出之间的长依赖关系，避免了误差的积累；
4. 计算高效性
在训练阶段，在基于Transformer的方法中，Informer获得了最佳的训练效率。在测试阶段，我们的方法比其他生成式decoder方法要快得多。06小结
本文研究了长序列时间序列预测问题，提出了长序列预测的Informer方法。具体地：
设计了ProbSparse self-attention和提取操作来处理vanilla Transformer中二次时间复杂度和二次内存使用的挑战。generative decoder缓解了传统编解码结构的局限性。通过对真实数据的实验，验证了Informer对提高预测能力的有效性
