Facebook AI Research（FAIR）开源了 Expire-Span，这是一种深度学习技术，可以学习输入序列中哪些项目应该被记住，从而降低 AI 的内存和计算要求。FAIR 表明，纳入 Expire-Span 的 Transformer 模型可以扩展到数万个项目的序列，与以前的模型相比，性能有所提高。
该研究小组在即将举行的国际机器学习会议（ICML）上发表的一篇论文中描述了该技术和几个实验。Expire-Span 允许顺序人工智能模型 "忘记 "那些不再相关的事件。当纳入自我关注模型，如 Transformer，Expire-Span 减少了所需的内存量，使模型能够处理更长的序列，这是提高许多任务性能的关键，如自然语言处理（NLP）。使用 Expire-Span，该团队训练的模型可以处理高达 128k 的序列，比以前的模型多了一个数量级，与基线相比，准确性和效率都有所提高。研究科学家和论文合著者 Angela Fan 和 Sainbayar Sukhbaatar 在 FAIR 的博客上写道。
Facebook 表示：作为我们研究更像人类的人工智能系统的下一步，我们正在研究如何将不同类型的记忆融入神经网络。因此，从长远来看，我们可以使人工智能更接近人类的记忆，具有比当前系统更快的学习能力。我们相信 Expire-Span 是一个重要的、令人兴奋的进步，朝着这种未来的人工智能驱动的创新迈进。
为了评估 Expire-Span 的性能，该团队选择了三种基线 Transformer 模型--Transformer-XL、Compressive Transformer 和 Adaptive-Span--并比较了模型的准确性以及 GPU 内存和训练速度。这些模型被用于几个强化学习（RL）和 NLP 任务。Expire-Span 在大多数实验中的表现优于基线；例如，在序列复制任务中，Expire-Span 扩展到 128k 的序列长度，达到 52.1%的准确率，而 Transform-XL 在 2k 的序列长度上只有 26.7%的准确率。
Expire-Span 项目 GitHub 地址：https://github.com/facebookre...
扩展阅读：
程序员面临 35 岁危机？网友：我 70 了，依然在写程序
