7.9 KiB
TrajMixer Block 最终设计方案
状态：Frozen implementation baseline
版本：v1.0
固化日期：2026-07-22
本文档是 TrajMixer 后续实现与实验的唯一结构基线。除显式标记为消融项的配置外，所有实现均应遵循本文档；若结构发生变化，应先更新版本和实验记录。
1. 目标
在保持原始 Delphi Transformer Attention 结构不变的前提下，用轻量、可并行的轨迹交互模块替换 FFN。
保持不变的组件包括：
- 原始 causal mask；
- 原始 TimeRoPE / Relative Time Attention Bias；
- 原始 Multi-Head Attention，包括 (W_Q/W_K/W_V/W_O)；
- 原始序列建模与训练目标。
TrajMixer 不修改 Attention，只替换每个 Transformer block 中的 FFN residual branch。
2. Block 总体结构
概念结构：
PreNorm Causal Multi-Head Attention
→ Residual
→ Standard Mixer PreNorm
→ Group-wise Feature Alignment
→ SwiGLU Cross-Group Mixer
→ Residual
完整计算为：
[ U = X^{(l)} + \operatorname{Dropout}!\left( \operatorname{CausalMHA}\left( \operatorname{LN}_{\mathrm{attn}}(X^{(l)}), \text{time information} \right)\right), ]
[ N = \operatorname{LN}_{\mathrm{mixer}}(U), ]
[ \Delta = \operatorname{TrajMixer}(N), ]
[ X^{(l+1)} = U + \operatorname{Dropout}(\Delta). ]
首版中的 (\operatorname{LN}_{\mathrm{mixer}}) 是作用于完整 (d=120) 维 residual representation 的标准 LayerNorm。
3. Latent Trajectory Group 定义
Attention 输出经过 (W_O) 后仍是标准 residual representation：
[ N\in\mathbb{R}^{B\times L\times d},\qquad d=120. ]
将 hidden dimension 划分为与 Attention head 数量相同的 group 数量：
[ n_{\mathrm{group}}:=n_{\mathrm{head}}=10, \qquad d_{\mathrm{group}}=\frac{d}{n_{\mathrm{head}}}=12, ]
n_group 不再是独立超参数，代码统一使用 n_head 确定 residual group 数量。二者只共享数量；这些 residual groups 在语义和张量来源上仍不等同于原始 Attention heads。
并 reshape 为：
[ N_{\mathrm{group}}in \mathbb{R}^{B\times L\times n_{\mathrm{group}}\times d_{\mathrm{group}}}. ]
这些 group 是 residual space 中的 latent trajectory groups，不等同于原始 Attention heads。本文中的 group、trajectory group 均指这一 residual-channel partition。
4. Group-wise Feature Alignment
为缓解不同 group 内部坐标不对齐的问题，每个 group 使用独立的小矩阵：
[ B_i\in\mathbb{R}^{d_{\mathrm{group}}\times d_{\mathrm{group}}}, \qquad i=1,\ldots,n_{\mathrm{group}}. ]
对每个 group 内的特征进行可学习对齐：
[ Z_{b,t,i,:}=N_{\mathrm{group},b,t,i,:}B_i. ]
因此：
[ Z\in \mathbb{R}^{B\times L\times n_{\mathrm{group}}\times d_{\mathrm{group}}}. ]
首版实现约定：
- (B_i) 不带 bias；
- (B_i) 使用单位矩阵初始化；
- Alignment 只作用于 Mixer residual branch，不改变 Attention residual stream；
- 首版不增加逆变换或额外的 group 内输出投影。
Alignment 每层权重参数量为：
[ n_{\mathrm{group}}d_{\mathrm{group}}^2 =10\times12^2 =1{,}440. ]
5. SwiGLU Cross-Group Mixer
Mixer 只沿 group 维度交互，不沿序列维度交互，因此不会引入时间递归或未来信息泄漏。
对于每个 group 内特征维度：
[ r=1,\ldots,d_{\mathrm{group}}, ]
定义：
[ A_g^{(r)},A_v^{(r)} \in\mathbb{R}^{n_{\mathrm{group}}\times h_{\mathrm{group}}}, ]
[ A_o^{(r)} \in\mathbb{R}^{h_{\mathrm{group}}\times n_{\mathrm{group}}}. ]
其中默认：
[ h_{\mathrm{group}}=20. ]
对固定的 batch、时间位置和内部特征维度 (r)，将：
[ Z_{b,t,:,r}\in\mathbb{R}^{n_{\mathrm{group}}} ]
视为 row vector，计算：
[ G_{b,t,:,r}=Z_{b,t,:,r}A_g^{(r)}, ]
[ V_{b,t,:,r}=Z_{b,t,:,r}A_v^{(r)}, ]
[ M_{b,t,:,r}=\operatorname{SiLU}(G_{b,t,:,r})\odot V_{b,t,:,r}, ]
[ Y_{b,t,:,r}=M_{b,t,:,r}A_o^{(r)}. ]
其中：
- gate 分支控制信息写入；
- value 分支提供交互内容；
- output matrix 将隐藏 group 表示投影回原始 group 数量；
- 当 (h_{\mathrm{group}}=n_{\mathrm{group}}=10) 时，三类矩阵退化为原始的 (10\times10) 方阵形式。
所有 (r) 的输出组合为：
[ Y\in \mathbb{R}^{B\times L\times n_{\mathrm{group}}\times d_{\mathrm{group}}}, ]
再 reshape 为：
[ \Delta\in\mathbb{R}^{B\times L\times d}. ]
6. 参数张量与无歧义索引
建议的实现存储形状为：
group_align: [n_group, d_group, d_group]
gate_proj: [d_group, n_group, hidden_group]
value_proj: [d_group, n_group, hidden_group]
output_proj: [d_group, hidden_group, n_group]
对应的索引公式为：
[ G_{b,t,q,r} =\sum_i Z_{b,t,i,r},A_{g,r,i,q}, ]
[ V_{b,t,q,r} =\sum_i Z_{b,t,i,r},A_{v,r,i,q}, ]
[ Y_{b,t,i,r} =\sum_q \left[\operatorname{SiLU}(G_{b,t,q,r})V_{b,t,q,r}\right] A_{o,r,q,i}. ]
首版的三个 Mixer projection 均不带 bias。
7. Mixer Hidden Width 与参数量
Mixer 的 group 维变换为：
[ n_{\mathrm{group}} \rightarrow h_{\mathrm{group}} \rightarrow n_{\mathrm{group}}. ]
默认 (h_{\mathrm{group}}=20) 时，Mixer 每层权重参数量为：
[ 3d_{\mathrm{group}}n_{\mathrm{group}}h_{\mathrm{group}} =3\times12\times10\times20 =7{,}200. ]
加上 Group Feature Alignment 后，TrajMixer residual branch 每层共有：
[ 7{,}200+1{,}440=8{,}640 ]
个主要权重参数。作为对照，原始 (120\rightarrow480\rightarrow120) FFN 每层约有 115,800 个参数。
参数对照口径说明：上面的 115,800 对应结构方案中的标准两层 FFN。当前代码库在 TrajMixer 替换前实际使用的是隐藏宽度 300 的全维度 SwiGLU（gate/value/output 三个线性层），每层共有 108,720 个参数（含 bias）。代码实验和 checkpoint 参数量比较必须以 108,720 作为历史实现基线，不能与概念方案中的标准 FFN 参数量混用。
8. LayerNorm 基线与消融
为保持与原始 Transformer 的可比性，首版固定使用：
原始 FFN baseline：FFN + 标准 LayerNorm
TrajMixer baseline：Mixer + 标准 LayerNorm
以下配置不属于首版主实验，只作为独立消融：
Mixer + Group-wise LayerNorm
不得将 Group-wise LayerNorm 的结果直接作为“仅替换 FFN”的对照结果。
9. 初始化
首版初始化约定：
- Group Alignment (B_i)：单位矩阵初始化；
- (A_g/A_v)：Xavier uniform 初始化；
- (A_o)：均值为 0、标准差为 (10^{-3}) 的正态初始化；
- Dropout 概率沿用原始 FFN residual branch 的配置。
小初始化的 (A_o) 使新增分支在训练初期接近恒等残差更新，同时允许模型逐步学习轨迹交互。
10. 核心设计思想
Attention：负责从历史疾病序列中选择并整合相关信息。
Group Feature Alignment：负责学习不同 latent trajectory groups 的内部特征对齐。
Cross-Group Mixer：负责不同潜在疾病轨迹之间的非线性门控交互。
整个模块保持：
- 无时间递归；
- 序列维度完全并行；
- 参数量远低于原始 FFN；
- 保留 Transformer 的因果历史建模能力；
- 不把 residual groups 误解释为原始 Attention heads。
11. 首版固定配置
model_architecture: traj_mixer_v1
d_model: 120
n_head: 10 # 同时决定 residual group 数量
d_group: 12
hidden_group: 20
attention: unchanged
attention_output_projection: unchanged
mixer_norm: standard_layer_norm
group_alignment: per_group_12x12
group_alignment_bias: false
group_alignment_init: identity
mixer_bias: false
gate_value_init: xavier_uniform
output_init_std: 0.001
group_wise_layer_norm: false
训练时必须将 model_architecture: traj_mixer_v1 写入 train_config.json。本分支的评估和导出入口只接受带有该标识、且 checkpoint 中包含 TrajMixer 参数张量的模型；其他分支生成的模型应直接拒绝加载。
必须满足：
[ d=n_{\mathrm{group}}d_{\mathrm{group}}. ]
后续实现、单元测试、参数量核验和主实验均以以上配置为默认基线。