要約
我々は、Transformer（Vaswaniら、2017）に対するパラメータ共有手法を提案する。本手法は、ユニバーサルTransformer（Dehghaniら、2019）などに見られるように、ある層のパラメータをすべての層に共有するという広く用いられている技術を緩和することで、計算時間の効率を向上させることを目的としている。本研究では、各層にパラメータを割り当てるための3つの戦略——Sequence、Cycle、およびCycle（rev）——を提案する。実験の結果、提案手法はパラメータサイズおよび計算時間の両面で高い効率性を示した。さらに、最近のWMTコンペティションで用いられるような大規模な学習データを用いた設定においても、本手法が有効であることが示された。