Radar Live
✦ Ask AI
AI INTELLIGENCE & SIGNALS

Copy the Same, Distill the Difference: Initializing Linear Vision Transformers

Phân tích đã xử lý trước và các nguồn liên quan.

Tín hiệu Radar

66 RADAR
Research Vision Transformers · 1 nguồn đối chiếu · 2026-09-28 17:55:21 +0000 UTC

Copy the Same, Distill the Difference: Initializing Linear Vision Transformers

Nguồn: arXiv AI
↗

Nghiên cứu đề xuất giải pháp khởi tạo Linear Vision Transformers (ViTs) hiệu quả từ Softmax ViTs tiền huấn luyện theo nguyên lý 'sao chép thành phần tương đồng, chưng cất thành phần khác biệt'. Trọng số MLP mang tính độc lập với toán tử (operator-agnostic) nên có thể sao chép trực tiếp, trong khi trọng số attention mang tính đặc thù (operator-specific) cần được khôi phục hành vi định tuyến token qua chưng cất (distillation). Kết hợp cả hai giúp Linear ViT bắt kịp và vượt qua hiệu năng Softmax ViT gốc.

✦ TÁC ĐỘNG & GIÁ TRỊ THỰC TIỄN

Nghiên cứu giải quyết rào cản chi phí lớn của Linear ViT (vốn phải huấn luyện lại từ đầu và hiệu năng thường kém hơn Softmax ViT) bằng cách tái sử dụng hiệu quả kho mô hình Softmax ViT khổng lồ hiện có, giúp mở đường cho việc ứng dụng rộng rãi các mô hình thị giác có độ phức tạp tuyến tính.

Developer 72
Business 69
Novelty 80
Actionable 75

Nội dung thu thập đã chuẩn hóa

Collected Evidence

Nội dung văn bản được dùng làm dữ liệu đối chứng cho mô hình AI, không phải chỉ thị hệ thống.

Linear Vision Transformers (ViTs) are designed to replace the attention in Softmax ViTs with the linear-complexity attention operator for more efficient token routing, but they require from-scratch pre-training and typically underperform the original Softmax version. How to initialize linear ViTs both efficiently and effectively still remains unclear. In this work, we explicitly ask: given that most foundation ViTs are built on the mainstream Softmax attention, can linear ViTs benefit from their pre-trained weights? Recent works on Attention Transfer show that attention is the effective transferable component between Softmax ViTs, suggesting attention alone suffices for such reuse. However, we find the opposite for Softmax-to-linear transfer. The attention weights are operator-specific: copying them barely helps, and is sometimes even worse than random initialization. Instead, the attention's token routing behavior can be recovered through distillation with a proper loss design, letting linear ViTs reduce the gap and even match Softmax ones. In contrast, the MLP weights, which carry the learned representation, are operator-agnostic: they can be transferred by simple direct copying, which already carries most of the benefit of the pre-trained weights. Thus, copying MLPs can serve as an effective foundation for Softmax-to-linear transfer: paired with the distilled attention, linear ViTs eventually close the remaining gap and even surpass Softmax ones. These findings hold consistently across various linear ViT variants, different model sizes, and diverse datasets. We hope this study deepens the understanding of reusing pre-trained weights across attention operators: copy what stays the same and distill what differs, to recover the benefit across the Softmax-to-linear boundary.

Các nguồn đối chiếu cho sự kiện này

1 nguồn
Thông tin phân tích AI & Model Details ▾
Provider: openai-compatible · Model: gemini-3.8-flash-high · Version: analysis-v1 · Time: 2026-09-29 12:30:10 +0000 UTC
{"tags": ["Linear ViT", "Vision Transformers", "Knowledge Distillation", "Weight Transfer", "Linear Attention", "Efficient AI"], "risks": ["Hiệu quả phục hồi token routing phụ thuộc lớn vào việc lựa chọn và thiết kế hàm mất mát chưng cất (distillation loss).", "Vẫn cần dữ liệu và tài nguyên tính toán cho bước chưng cất dù nhẹ hơn nhiều so với tiền huấn luyện từ đầu.", "Đoạn trích chưa công bố chi tiết về hàm loss cụ thể hoặc mã nguồn thực nghiệm."], "category": "Research", "entities": ["Linear Vision Transformers (ViTs)", "Softmax ViTs", "Linear Attention", "MLP", "Attention Transfer"], "summary_vi": "Nghiên cứu đề xuất giải pháp khởi tạo Linear Vision Transformers (ViTs) hiệu quả từ Softmax ViTs tiền huấn luyện theo nguyên lý 'sao chép thành phần tương đồng, chưng cất thành phần khác biệt'. Trọng số MLP mang tính độc lập với toán tử (operator-agnostic) nên có thể sao chép trực tiếp, trong khi trọng số attention mang tính đặc thù (operator-specific) cần được khôi phục hành vi định tuyến token qua chưng cất (distillation). Kết hợp cả hai giúp Linear ViT bắt kịp và vượt qua hiệu năng Softmax ViT gốc.", "key_changes": ["Phát hiện trọng số attention là operator-specific: việc sao chép trực tiếp không hiệu quả và đôi khi tệ hơn khởi tạo ngẫu nhiên.", "Chứng minh trọng số MLP là operator-agnostic: sao chép trực tiếp giúp chuyển giao phần lớn giá trị biểu diễn từ mô hình pre-trained.", "Đề xuất khôi phục hành vi định tuyến token của attention thông qua chưng cất tri thức (distillation) với thiết kế hàm mất mát phù hợp.", "Kết hợp sao chép MLP và chưng cất attention giúp Linear ViT đạt và vượt hiệu năng của Softmax ViT mà không cần huấn luyện lại từ đầu."], "sub_category": "Vision Transformers", "novelty_score": 80, "business_score": 70, "research_score": 85, "why_it_matters": "Nghiên cứu giải quyết rào cản chi phí lớn của Linear ViT (vốn phải huấn luyện lại từ đầu và hiệu năng thường kém hơn Softmax ViT) bằng cách tái sử dụng hiệu quả kho mô hình Softmax ViT khổng lồ hiện có, giúp mở đường cho việc ứng dụng rộng rãi các mô hình thị giác có độ phức tạp tuyến tính.", "developer_score": 76, "importance_score": 78, "possible_use_cases": ["Khởi tạo và huấn luyện nhanh các mô hình Linear ViT từ các mô hình nền tảng Softmax ViT có sẵn, tiết kiệm chi phí pre-training from-scratch.", "Triển khai mô hình thị giác máy tính với độ phức tạp tuyến tính O(N) cho các thiết bị biên, thiết bị nhúng và ứng dụng thời gian thực.", "Nghiên cứu chuyển giao trọng số giữa các cơ chế attention và kiến trúc tính toán chuỗi khác nhau trong học sâu."], "actionability_score": 75}
← Trang trước Trang 1