共计 890 个字符，预计需要花费 3 分钟才能阅读完成。
Facebook AI Research（FAIR）开源了 Expire-Span，这是一种深度学习技术，能够学习输出序列中哪些项目应该被记住，从而升高 AI 的内存和计算要求。FAIR 表明，纳入 Expire-Span 的 Transformer 模型能够扩大到数万个我的项目的序列，与以前的模型相比，性能有所提高。
该钻研小组在行将举办的国内机器学习会议（ICML）上发表的一篇论文中形容了该技术和几个试验。Expire-Span 容许程序人工智能模型 “ 遗记 “ 那些不再相干的事件。当纳入自我关注模型，如 Transformer，Expire-Span 缩小了所需的内存量，使模型可能解决更长的序列，这是进步许多工作性能的要害，如自然语言解决（NLP）。应用 Expire-Span，该团队训练的模型能够解决高达 128k 的序列，比以前的模型多了一个数量级，与基线相比，准确性和效率都有所提高。钻研科学家和论文合著者 Angela Fan 和 Sainbayar Sukhbaatar 在 FAIR 的博客上写道。
Facebook 示意：作为咱们钻研更像人类的人工智能零碎的下一步，咱们正在钻研如何将不同类型的记忆融入神经网络。因而，从久远来看，咱们能够使人工智能更靠近人类的记忆，具备比以后零碎更快的学习能力。咱们置信 Expire-Span 是一个重要的、令人兴奋的提高，朝着这种将来的人工智能驱动的翻新迈进。
为了评估 Expire-Span 的性能，该团队抉择了三种基线 Transformer 模型 –Transformer-XL、Compressive Transformer 和 Adaptive-Span– 并比拟了模型的准确性以及 GPU 内存和训练速度。这些模型被用于几个强化学习（RL）和 NLP 工作。Expire-Span 在大多数试验中的体现优于基线；例如，在序列复制工作中，Expire-Span 扩大到 128k 的序列长度，达到 52.1% 的准确率，而 Transform-XL 在 2k 的序列长度上只有 26.7% 的准确率。
Expire-Span 我的项目 GitHub 地址：https://github.com/facebookre…
