论文解读：Informer-AAAI2021年最佳论文

论文背景

应用背景

训练的是历史数据，但预测的是未来的数据，但是历史数据和未来数据的分布不一定是一样的，所以时间序列应用于股票预测往往不太稳定

动作预测：

基于之前的视频中每一帧动作，预测下一帧这个人要做什么动作；

流量预测：

网上购物：基于之前的流量预测出之后购买的流量应该有多少，好进行适当的补货

论文背景研究问题

拿过去20天的数据训练

1.短序列预测，则为预测未来2-3天的天气，这个比较好做；

3.精准长序列预测，则为预测10多天的天气，这个比较难做；甚至有可能拿过去半年的数据来预测未来半年的数据

解释为什么长序列预测难

传统时间序列经典算法

Prophet：非常实用的工具包，适合预测趋势，但不算精准

Arima：老牌算法了，短序列预测还算精准，但是趋势预测不准

但是一旦涉及到长序列，他俩可能就都不行了

Informer中将主要致力于长序列问题的解决，而且还可以多标签输出(即天气预测，不仅预测天气，还可以预测湿度，降雨量等)

传统办法LSTM的问题

预测是串行的，必须预测完才到

而且反向传播也得逐个逐个传，对模型训练更难了

在长序列预测中，如果序列越长，那速度肯定越慢，效果也越差(现存问题，即要解决的问题)

informer算法的核心思想

Transformer架构的优势与问题

1.万能模型，直接套用，代码实现简单，现成例子一大片

2.并行的，比LSTM快，全局信息丰富，注意力机制效果好

3.长序列中attention需要每一个点跟其他点计算（如果序列太长，效率很低），计算效率跟序列长度呈的关系

4.Decoder输出挺墨迹的，要基于上一个预测结果来推断当前的预测结果；所以informer对encoder也进行了一些调整，对48天的数据同时输出(而不是预测了第一天之后，再根据预测第一天的结果推测第二天)。

要解决的三大问题，即论文的三大核心模块

Attention计算

左下角的图的值是Q与K内积的值，越往0代表关系越不大(Q与K接近垂直)，越往1代表关系越大(Q与K将近同一条线上)

在长序列中，每一个位置的attention都很重要吗

对于每一个Q来说，只有一小部分的K是其它有较强关系

长序列中要不要进行采样呢？

群众里有坏人（有偷懒不干活的Q）

出于计算效率的考虑，那我们只需要关心有得分值大的那一小部分那些。

如何定义每一个Q是不是偷懒的

偷懒的Q感觉就像是均匀分布，没啥特点，你有我有全都有

Active的Q明显在某些位置比较活跃，权重差异较大

对于每一个Q，计算其与均匀分布的差异，差异越大则表示其越活越

论文给出的公式，没看懂┭┮﹏┭┮：

ProbAttention计算方法

挑出重要的Q

输入序列长度为96,现在要选出来的是一些重要的Q，正常情况需每一个Q跟全部(96)个K计算

这里为了节省计算量，重要的Q不用非得计算那么多，跟部分K计算的结果也可以当作其分布；即重要的Q跟一部分K做计算后应该也要能看出来它是重要的，而不需要跟全部的K去做计算。

所以在K中进行采样，随机选25个K，于是让Q跟25个K作计算。

例如源码输出结果：32, 8, 96, 25表示：32个batch，8头，96个Q分别跟25个K计算的内积。

现在每一个Q有25个得分（分别跟25个K计算后得到的），该例中

论文中做法比较绝，为了进一步加速，直接选最大值与均匀分布算差异

之后按差异进行排序，在96个Q中，选出来差异前(即差异最大)的25个Q（根据序列长度来定的一个参数值）

如何更新不重要的Q

在算内积时，Q*K内积为：32, 8, 25, 96，就是只选了25个Q，但K还是96个(并不是只用随机选择的25个)

那么其它位置的Q该咋办呢？它没有参与计算其attention目前

出于节省计算量，直接用V（96个，表示每一个位置的特征）的均值来替代

也就是选出来的25个Q会更新，其他剩余的都是均值向量

Self-attention Distilling计算方法

传统transformer就是多次重复的self-attention堆叠。

这里与传统transformer不同，做完一次attention之后还要继续堆叠，只不过会96的输入序列(指96个Q、K、V)先通过1D的maxpool操作来进行下采样，下次attention的输入序列就为48了。此时Q和K的采样由于序列长度变小，也会随之变小，例如由25->20，为了去掉比较"懒"的Q。

重复堆叠多次就是Informer的Encoder架构了。

做完maxpool操作又会把比较懒、不去起作用的Q过滤掉。

Encoder改进后的效果

一方面就是速度快效率高了，论文中计算复杂度由

下采样之后，特征更明显，且跟之前的特征的分布基本一致

关于Decoder的设计

传统Decoder输出

先输出第一个，在基于第一个输出第二个，以此类推

Start标志位

要让Decoder输出预测结果，你得先告诉它从哪开始输出。

先给一个引导，比如要输出20-30号的预测结果，Decoder中需先给出前面一个已知的序列结果，例如10-20号的标签值（下图是待预测结果，是已知结果）。

从源码角度来看

源码中decoder输入长度为72，其中前48是真实值，后24是预测值

第一步还是做自身的ProbAttention

注意这回需要加上mask，mask的意思就是前面的不能看到后面的（不能透题）

自身计算完self-attention，再算与encoder的cross-attention即可

mask值举例

这里mask=1是我要的，mask=0是我要剔除的。

预测天气5应该只能用到1-4天的信息，而不能利用后面6-7天的信息

预测天气6应该只能用到1-5天的信息，而不能利用后面7-8天的信息

预测天气7应该可以用到前面1-6天的信息

位置编码信息

位置信息变得更加丰富了

不仅有绝对位置编码Local Time Stamp

还包括了跟时间相关的各种编码Global Time Stamp

Encoder与Decoder都加入了这些位置编码

节假日有可能对一些时间序列预测有关，比如说车流量，某旅游地的流量，明显会在节假日有所提高，当然，节假日对天气的预测似乎没什么关系，这里的位置编码更多的知识一种思路，希望我们读者在自己的任务中引入一些跟时间密切相关的编码。

整体网络架构

主要改进就是编码和解码器的优化，速度更快，解决长序列问题

需要注意的是：最终通过Outputs来同时预测几天的结果，而不是像传统算法那样预测一天后再预测下一天。

参考资料

论文下载

https://arxiv.org/abs/2012.07436

📎Informer Beyond Efficient Transformer for Long Sequence.pdf

代码地址

GitHub - zhouhaoyi/Informer2020: The GitHub repository for the paper "Informer" accepted by AAAI 2021.