[NLP] Attention Mechanism

 

본 글은 카이스트 최윤재 교수님의 Programming for AI (AI504, Fall 2020), Class 9: Recurrent Neural Networks와 WikiDocs의 딥 러닝을 이용한 자연어 처리 입문을 바탕으로 정리한 글입니다.

Attention Mechanism (어텐션 메커니즘)

인코더에서 입력 시퀀스를 컨텍스트 벡터라는 하나의 고정된 크기의 벡터 표현으로 압축하고, 디코더는 이 컨텍스트 벡터를 통해서 출력 시퀀스를 만들어낸 RNN에 기반한 seq2seq 모델에는 크게 두 가지 문제가 있습니다.

1. 하나의 고정된 크기의 벡터에 모든 정보를 압축하려고 하니까 정보 손실이 발생합니다.
2. RNN의 고질적인 문제인 기울기 소실(vanishing gradient) 문제가 존재합니다.

결국 이는 기계 번역 분야에서 입력 문장이 길면 번역 품질이 떨어지는 현상으로 나타났고,

어텐션(attention)은 이를 위한 대안으로 입력 시퀀스가 길어지면 출력 시퀀스의 정확도가 떨어지는 것을 보정해주기 위한 등장한 기법입니다.

 

Attention

어텐션의 기본 아이디어는 디코더에서 출력 단어를 예측하는 매 시점(time step)마다, 

인코더에서의 전체 입력 문장을 다시 한 번 참고한다는 점입니다.

 

단, 전체 입력 문장을 전부 다 동일한 비율로 참고하는 것이 아니라, 

해당 시점에서 예측해야할 단어와 연관이 있는 입력 단어 부분을 좀 더 집중(attention)해서 보게 됩니다.

 

Attention Function (어텐션 함수)

seq2seq + 어텐션 모델에서 Q, K, V에 해당되는 각각의 Query, Keys, Values는 각각 다음과 같습니다.

Q = Query : t 시점의 디코더 셀에서의 은닉 상태
K = Keys : 모든 시점의 인코더 셀의 은닉 상태들
V = Values : 모든 시점의 인코더 셀의 은닉 상태들

Attention Function

어텐션을 함수로 표현하면 주로 다음과 같이 표현됩니다.

Attention(Q, K, V) = Attention Value

 

어텐션 함수는 주어진 '쿼리(Query)'에 대해서 모든 '키(Key)'와의 유사도를 각각 구합니다.

그리고 구해낸 이 유사도를 키와 맵핑되어있는 각각의 '값(Value)'에 반영해주고 유사도가 반영된 '값(Value)'을 모두 더해서 리턴합니다.

여기서는 이를 어텐션 값(Attention Value)이라고 하겠습니다.

 

Dot-product Attention

seq2seq에서 사용되는 어텐션 중에서 닷-프로덕트 어텐션과 다른 어텐션의 차이는 주로 중간 수식의 차이로 메커니즘 자체는 거의 유사합니다.

위 그림은 디코더의 세 번째 LSTM 셀에서 출력 단어를 예측할 때, 어텐션 메커니즘을 사용하는 모습을 보여줍니다.

우선 위의 그림을 통해 어텐션 메커니즘의 전체적인 개요만 이해해보겠습니다.

 

디코더의 세번째 LSTM 셀은 출력 단어를 예측하기 위해서 인코더의 모든 입력 단어들의 정보를 다시 한번 참고하고자 합니다.

중간 과정에 대한 설명은 현재는 생략하고 여기서 주목할 것은 인코더의 소프트맥스 함수입니다.

소프트맥스 함수를 통해 나온 결과값은 I, am, a, student 단어 각각이 출력 단어를 예측할 때 얼마나 도움이 되는지의 정도를 수치화한 값입니다.

각 입력 단어가 디코더의 예측에 도움이 되는 정도가 수치화하여 측정되면 이를 하나의 정보로 담아서 디코더로 전송됩니다. 위의 그림에서는 초록색 삼각형이 이에 해당됩니다. 

 

자세한 과정

1. 어텐션 스코어(Attention Score)를 구한다

• \(h_1\), \(h_2\), ..., \(h_N\) : 인코더의 은닉 상태(hidden state)
  • 인코더의 시점(time step) : 각각 1, 2, ... N
• \(s_t\) : 디코더의 현재 시점(time step) t에서의 디코더의 은닉 상태(hidden state)

또한 여기서는 인코더의 은닉 상태와 디코더의 은닉 상태의 차원이 같다고 가정합니다.

위의 그림의 경우에는 인코더의 은닉 상태와 디코더의 은닉 상태가 동일하게 차원이 4입니다.

 

이전 챕터 배웠던 디코더의 현재 시점 t에서 필요한 입력값을 다시 상기해보겠습니다.

시점 t에서 출력 단어를 예측하기 위해서 디코더의 셀은 두 개의 입력값을 필요로 하는데, 바로 이전 시점인 t-1의 은닉 상태와 이전 시점 t-1에 나온 출력 단어입니다.

 

그런데 어텐션 메커니즘에서는 출력 단어 예측에 또 다른 값을 필요로 하는데 바로 어텐션 값(Attention Value)이라는 새로운 값입니다.

t번째 단어를 예측하기 위한 어텐션 값을 \(a_t\)이라고 정의하겠습니다.

 

지금부터 배우는 모든 과정은 \(a_t\)를 구하기 위한 여정이고, 그 여정의 첫 걸음은 바로 어텐션 스코어(Attention Score)를 구하는 일입니다.

 

어텐션 스코어란 현재 디코더의 시점 t에서 단어를 예측하기 위해, 인코더의 모든 은닉 상태 각각이 디코더의 현시점의 은닉 상태 st와 얼마나 유사한지를 판단하는 스코어 값입니다.

닷-프로덕트 어텐션에서는 이 스코어 값을 구하기 위해 \(s_t\)를 전치(transpose)하고 각 은닉 상태와 내적(dot product)을 수행합니다.

즉, 모든 어텐션 스코어 값은 스칼라입니다.

 

예를 들어 st과 인코더의 i번째 은닉 상태의 어텐션 스코어의 계산 방법은 아래와 같습니다.

$$score(s_{t},\ h_{i}) = s_{t}^Th_{i}$$

$$e^{t}=[s_{t}^Th_{1},...,s_{t}^Th_{N}]$$

 

2. 소프트맥스(softmax) 함수를 통해 어텐션 분포(Attention Distribution)를 구한다.

$$α^{t} = softmax(e^{t})$$

\(e_t\)에 소프트맥스 함수를 적용하여, 모든 값을 합하면 1이 되는 확률 분포를 얻어냅니다.

 

이를 어텐션 분포(Attention Distribution)라고 하며, 각각의 값은 어텐션 가중치(Attention Weight)라고 합니다.

 

위의 그림은 각 인코더의 은닉 상태에서의 어텐션 가중치의 크기를 직사각형의 크기를 통해 시각화하였습니다.

즉, 어텐션 가중치가 클수록 직사각형이 큽니다.

 

3. 각 인코더의 어텐션 가중치와 은닉 상태를 가중합 하여 어텐션 값(Attention Value)을 구한다.

$$a_{t}=\sum_{i=1}^{N} α_{i}^{t}h_{i}$$

이제 지금까지 준비해온 정보들을 하나로 합치는 단계입니다.

 

어텐션의 최종 결과값을 얻기 위해서 각 인코더의 은닉 상태와 어텐션 가중치값들을 곱하고, 최종적으로 모두 더합니다. 요약하면 가중합(Weighted Sum)(Convex sum)을 진행합니다.

 

이러한 어텐션 값 \(α_t\)은 인코더의 문맥을 포함하고 있다고 하여, 컨텍스트 벡터(context vector)라고도 불립니다.

가장 기본적인 seq2seq에서는 인코더의 마지막 은닉 상태를 컨텍스트 벡터라고 부르는 것과 대조됩니다.

 

4. 어텐션 값과 디코더의 t 시점의 은닉 상태를 연결한다. (Concatenate)

어텐션 값이 구해지면 어텐션 메커니즘은 \(α_t\)를 \(s_t\)와 결합(concatenate)하여 하나의 벡터로 만드는 작업을 수행합니다.

이를 \(v_t\)라고 정의해보겠습니다.

 

이 \(v_t\)를 \(\hat{y}\)예측 연산의 입력으로 사용함으로써 인코더로부터 얻은 정보를 활용하여 \(\hat{y}\)를 좀 더 잘 예측할 수 있게 됩니다.

이것이 어텐션 메커니즘의 핵심입니다.

 

5. 출력층 연산의 입력이 되는 \(\tilde{s_t}\)를 계산합니다.

$$\tilde{s}{t} = \tanh(\mathbf{W{c}}[{a}_t;{s}t] + b{c})$$

논문에서는 \(v_t\)를 바로 출력층으로 보내기 전에 가중치 행렬과 곱한 후에 하이퍼볼릭탄젠트 함수를 지나도록 하여 출력층 연산을 위한 새로운 벡터인 \(\tilde{s_t}\)를 얻습니다.

 

어텐션 메커니즘을 사용하지 않는 seq2seq에서는 출력층의 입력이 t시점의 은닉 상태인 \(s_t\)였던 반면, 어텐션 메커니즘에서는 출력층의 입력이  \(\tilde{s_t}\)가 되는 셈입니다.

 

식에서 \(W_c\)는 학습 가능한 가중치 행렬, \(b_c\)는 편향입니다.

그림에서 편향은 생략했습니다.

 

6. \(\tilde{s_t}\)를 출력층의 입력으로 사용합니다.

$$\widehat{y}_t = \text{Softmax}\left( W_y\tilde{s}_t + b_y \right)$$

\(\tilde{s_t}\)를 출력층의 입력으로 사용하여 예측 벡터를 얻습니다.

 

다양한 종류의 어텐션

앞서 seq2seq + 어텐션(attention) 모델에 쓰일 수 있는 다양한 어텐션 종류가 있지만, 닷-프로덕트 어텐션과 다른 어텐션들의 차이는 중간 수식의 차이라고 언급한 바 있습니다.

여기서 말하는 중간 수식은 어텐션 스코어 함수를 말합니다.

 

위에서 배운 어텐션이 닷-프로덕트 어텐션인 이유는 어텐션 스코어를 구하는 방법이 내적이었기 때문입니다.

어텐션 스코어를 구하는 방법은 여러 가지가 제시되어있으며, 현재 제시된 여러 종류의 어텐션 스코어 함수는 다음과 같습니다.

dot	\(score(s_{t},\ h_{i}) = s^{T}_{t}h_{i}\)	Luong et al. (2015)
scaled dot	\(score(s_{t},\ h_{i}) = \frac{s^{T}_{t}h_{i}}{\sqrt{n}}\)	Vaswani et al. (2017)
general	\(score(s_{t},\ h_{i}) = s^{T}_{t}W_{a}h_{i}\)   // 단, \(W_{a}\)는 학습 가능한 가중치 행렬	Luong et al. (2015)
concat	\(score(s_{t},\ h_{i}) = W_{a}^{T}\ tanh(W_{b}[s_{t};h_{i}]) \\ score(s_{t},\  h_{i}) = W_{a}^{T}\ tanh(W_{b}s_{t}+W_{c} h_{i})\)	Bahdanau et al. (2015)
location−base	\(α_{t} = softmax(W_{a}s_{t})\)   // \(α_{t}\) 산출 시에 \(s_{t}\)만 사용하는 방법.	Luong et al. (2015)

• \(s_t\) : Query
• \(h_i\) : Keys
• \(W_a\)와 \(W_b\) : 학습 가능한 가중치 행렬