331 lines
7.9 KiB
Markdown
331 lines
7.9 KiB
Markdown
# 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：
|
||
|
||
```text
|
||
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：
|
||
|
||
```text
|
||
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：
|
||
|
||
```text
|
||
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：
|
||
|
||
```text
|
||
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
|
||
|
||
```yaml
|
||
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。
|