44 lines
1.6 KiB
Markdown
44 lines
1.6 KiB
Markdown
---
|
||
title: "Memory Caching: RNNs with Growing Memory"
|
||
created: 2026-04-19
|
||
updated: 2026-04-19
|
||
type: paper
|
||
tags: [llm, architecture, deep-learning]
|
||
sources: [raw/papers/behrouz-memory-caching-rnn-2026.md]
|
||
---
|
||
|
||
# Memory Caching: RNNs with Growing Memory
|
||
|
||
**arXiv:** 2602.24281 [cs.LG] · 2026-02-27
|
||
**作者:** [[behrouz-memory-caching-rnn]], Zeman Li, Yuan Deng, Peilin Zhong, [[behrouz-memory-caching-rnn]], [[behrouz-memory-caching-rnn]]
|
||
|
||
## 核心贡献
|
||
|
||
提出 **Memory Caching (MC)** 技术，通过缓存 RNN 隐藏状态的检查点，使 RNN 的有效记忆容量随序列长度增长。这一技术在 RNN 的固定记忆 $O(L)$ 和 Transformer 的增长记忆 $O(L^2)$ 之间提供了一个灵活的插值权衡。
|
||
|
||
## 关键发现
|
||
|
||
- RNN 在回忆密集型任务中表现不佳的原因通常归因于**固定大小的记忆**
|
||
- MC 通过缓存隐藏状态的检查点，允许 RNN 有效记忆容量增长
|
||
- 提出四种 MC 变体：包括门控聚合和稀疏选择机制
|
||
- 适用于线性和深层记忆模块
|
||
- 实验结果：MC 提升了 RNN 在语言建模和长上下文理解任务上的性能
|
||
- 在上下文回忆任务中，MC 变体表现接近 Transformer，优于当前最优 RNN 模型
|
||
|
||
## 复杂度分析
|
||
|
||
| 模型类型 | 记忆复杂度 | 记忆特性 |
|
||
|----------|-----------|----------|
|
||
| 传统 RNN | $O(L)$ | 固定大小记忆 |
|
||
| Transformer | $O(L^2)$ | 随上下文增长 |
|
||
| MC-RNN | $O(L)$ ~ $O(L^2)$ | 可调节的灵活插值 |
|
||
|
||
## 相关概念
|
||
|
||
- [[memory-caching-rnn]] — Memory Caching 技术详解
|
||
- [[subquadratic-transformer-alternatives]] — Transformer 的次二次替代方案
|
||
|
||
## 来源
|
||
|
||
- arXiv: https://arxiv.org/abs/2602.24281
|