The Effect of Attention Head Count on Transformer Approximation
Fuente:
arXiv
Salvato in:
| Autori principali: | Yu, Penghao, Jiang, Haotian, Bao, Zeyu, Yu, Ruoxi, Li, Qianxiao |
|---|---|
| Natura: | Preprint |
| Pubblicazione: |
2025
|
| Soggetti: | |
| Accesso online: | |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Documenti analoghi
InfoFlow: A Framework for Multi-Layer Transformer Analysis
di: Yu, Penghao, et al.
Pubblicazione: (2026)
di: Yu, Penghao, et al.
Pubblicazione: (2026)
The Effect of Depth on the Expressivity of Deep Linear State-Space Models
di: Bao, Zeyu, et al.
Pubblicazione: (2025)
di: Bao, Zeyu, et al.
Pubblicazione: (2025)
Allocation of Parameters in Transformers
di: Yu, Ruoxi, et al.
Pubblicazione: (2025)
di: Yu, Ruoxi, et al.
Pubblicazione: (2025)
Approximation Rate of the Transformer Architecture for Sequence Modeling
di: Jiang, Haotian, et al.
Pubblicazione: (2023)
di: Jiang, Haotian, et al.
Pubblicazione: (2023)
Numerical Investigation of Sequence Modeling Theory using Controllable Memory Functions
di: Jiang, Haotian, et al.
Pubblicazione: (2025)
di: Jiang, Haotian, et al.
Pubblicazione: (2025)
How Transformers Get Rich: Approximation and Dynamics Analysis
di: Wang, Mingze, et al.
Pubblicazione: (2024)
di: Wang, Mingze, et al.
Pubblicazione: (2024)
Inverse Approximation Theory for Nonlinear Recurrent Neural Networks
di: Wang, Shida, et al.
Pubblicazione: (2023)
di: Wang, Shida, et al.
Pubblicazione: (2023)
Learning task-specific predictive models for scientific computing
di: Yin, Jianyuan, et al.
Pubblicazione: (2025)
di: Yin, Jianyuan, et al.
Pubblicazione: (2025)
From Generalization Analysis to Optimization Designs for State Space Models
di: Liu, Fusheng, et al.
Pubblicazione: (2024)
di: Liu, Fusheng, et al.
Pubblicazione: (2024)
Autocorrelation Matters: Understanding the Role of Initialization Schemes for State Space Models
di: Liu, Fusheng, et al.
Pubblicazione: (2024)
di: Liu, Fusheng, et al.
Pubblicazione: (2024)
Do Attention Heads Compete or Cooperate during Counting?
di: Zsámboki, Pál, et al.
Pubblicazione: (2025)
di: Zsámboki, Pál, et al.
Pubblicazione: (2025)
Accelerating Legacy Numerical Solvers by Non-intrusive Gradient-based Meta-solving
di: Arisaka, Sohei, et al.
Pubblicazione: (2024)
di: Arisaka, Sohei, et al.
Pubblicazione: (2024)
Unifying back-propagation and forward-forward algorithms through model predictive control
di: Ren, Lianhai, et al.
Pubblicazione: (2024)
di: Ren, Lianhai, et al.
Pubblicazione: (2024)
Unveiling and Controlling Anomalous Attention Distribution in Transformers
di: Yan, Ruiqing, et al.
Pubblicazione: (2024)
di: Yan, Ruiqing, et al.
Pubblicazione: (2024)
Data Efficient Any Transformer-to-Mamba Distillation via Attention Bridge
di: Wang, Penghao, et al.
Pubblicazione: (2025)
di: Wang, Penghao, et al.
Pubblicazione: (2025)
Memorization Capacity of Multi-Head Attention in Transformers
di: Mahdavi, Sadegh, et al.
Pubblicazione: (2023)
di: Mahdavi, Sadegh, et al.
Pubblicazione: (2023)
Improving Transformers with Dynamically Composable Multi-Head Attention
di: Xiao, Da, et al.
Pubblicazione: (2024)
di: Xiao, Da, et al.
Pubblicazione: (2024)
DynGMA: a robust approach for learning stochastic differential equations from data
di: Zhu, Aiqing, et al.
Pubblicazione: (2024)
di: Zhu, Aiqing, et al.
Pubblicazione: (2024)
Learning Macroscopic Dynamics from Partial Microscopic Observations
di: Chen, Mengyi, et al.
Pubblicazione: (2024)
di: Chen, Mengyi, et al.
Pubblicazione: (2024)
DHA: Learning Decoupled-Head Attention from Transformer Checkpoints via Adaptive Heads Fusion
di: Chen, Yilong, et al.
Pubblicazione: (2024)
di: Chen, Yilong, et al.
Pubblicazione: (2024)
StableSSM: Alleviating the Curse of Memory in State-space Models through Stable Reparameterization
di: Wang, Shida, et al.
Pubblicazione: (2023)
di: Wang, Shida, et al.
Pubblicazione: (2023)
Learning Permutation-invariant Macroscopic Dynamics
di: Han, Zhichao, et al.
Pubblicazione: (2026)
di: Han, Zhichao, et al.
Pubblicazione: (2026)
Approximate Gibbs Sampler for Efficient Inference of Hierarchical Bayesian Models for Grouped Count Data
di: Yu, Jin-Zhu, et al.
Pubblicazione: (2022)
di: Yu, Jin-Zhu, et al.
Pubblicazione: (2022)
Multi-Head Attention as a Source of Catastrophic Forgetting in MoE Transformers
di: Chen, Anrui, et al.
Pubblicazione: (2026)
di: Chen, Anrui, et al.
Pubblicazione: (2026)
On the Curse of Memory in Recurrent Neural Networks: Approximation and Optimization Analysis
di: Li, Zhong, et al.
Pubblicazione: (2020)
di: Li, Zhong, et al.
Pubblicazione: (2020)
Counting in Small Transformers: The Delicate Interplay between Attention and Feed-Forward Layers
di: Behrens, Freya, et al.
Pubblicazione: (2024)
di: Behrens, Freya, et al.
Pubblicazione: (2024)
Interleaved Head Attention
di: Duvvuri, Sai Surya, et al.
Pubblicazione: (2026)
di: Duvvuri, Sai Surya, et al.
Pubblicazione: (2026)
Machine Unlearning under Retain-Forget Entanglement
di: Cheng, Jingpu, et al.
Pubblicazione: (2026)
di: Cheng, Jingpu, et al.
Pubblicazione: (2026)
Prediction of Herd Life in Dairy Cows Using Multi-Head Attention Transformers
di: Saki, Mahdi, et al.
Pubblicazione: (2025)
di: Saki, Mahdi, et al.
Pubblicazione: (2025)
Universal Approximation with Softmax Attention
di: Hu, Jerry Yao-Chieh, et al.
Pubblicazione: (2025)
di: Hu, Jerry Yao-Chieh, et al.
Pubblicazione: (2025)
ComplexFormer: Disruptively Advancing Transformer Inference Ability via Head-Specific Complex Vector Attention
di: Shao, Jintian, et al.
Pubblicazione: (2025)
di: Shao, Jintian, et al.
Pubblicazione: (2025)
Mechanism and Emergence of Stacked Attention Heads in Multi-Layer Transformers
di: Musat, Tiberiu
Pubblicazione: (2024)
di: Musat, Tiberiu
Pubblicazione: (2024)
Adaptive Head Budgeting for Efficient Multi-Head Attention
di: Faye, Bilal, et al.
Pubblicazione: (2026)
di: Faye, Bilal, et al.
Pubblicazione: (2026)
Efficient Attention via Pre-Scoring: Prioritizing Informative Keys in Transformers
di: Li, Zhexiang, et al.
Pubblicazione: (2025)
di: Li, Zhexiang, et al.
Pubblicazione: (2025)
Beyond Parallelism: Synergistic Computational Graph Effects in Multi-Head Attention
di: Borde, Haitz Sáez de Ocáriz
Pubblicazione: (2025)
di: Borde, Haitz Sáez de Ocáriz
Pubblicazione: (2025)
Continuity-Preserving Convolutional Autoencoders for Learning Continuous Latent Dynamical Models from Images
di: Zhu, Aiqing, et al.
Pubblicazione: (2025)
di: Zhu, Aiqing, et al.
Pubblicazione: (2025)
The Anxiety of Influence: Bloom Filters in Transformer Attention Heads
di: Balogh, Peter
Pubblicazione: (2026)
di: Balogh, Peter
Pubblicazione: (2026)
Active-Dormant Attention Heads: Mechanistically Demystifying Extreme-Token Phenomena in LLMs
di: Guo, Tianyu, et al.
Pubblicazione: (2024)
di: Guo, Tianyu, et al.
Pubblicazione: (2024)
ProxyAttn: Guided Sparse Attention via Representative Heads
di: Wang, Yixuan, et al.
Pubblicazione: (2025)
di: Wang, Yixuan, et al.
Pubblicazione: (2025)
SwitchHead: Accelerating Transformers with Mixture-of-Experts Attention
di: Csordás, Róbert, et al.
Pubblicazione: (2023)
di: Csordás, Róbert, et al.
Pubblicazione: (2023)
Documenti analoghi
-
InfoFlow: A Framework for Multi-Layer Transformer Analysis
di: Yu, Penghao, et al.
Pubblicazione: (2026) -
The Effect of Depth on the Expressivity of Deep Linear State-Space Models
di: Bao, Zeyu, et al.
Pubblicazione: (2025) -
Allocation of Parameters in Transformers
di: Yu, Ruoxi, et al.
Pubblicazione: (2025) -
Approximation Rate of the Transformer Architecture for Sequence Modeling
di: Jiang, Haotian, et al.
Pubblicazione: (2023) -
Numerical Investigation of Sequence Modeling Theory using Controllable Memory Functions
di: Jiang, Haotian, et al.
Pubblicazione: (2025)