GATr 深入研究：低秩近似的新思路与注意力机制的重思考

问题：SVD 低秩分解，可能是错的？

2012年 AlexNet 之后，深度学习的主流参数化方式是「矩阵乘法」——密集矩阵、低秩近似、块对角矩阵。SVD 分解成了压缩神经网络的标配工具：把一个大矩阵 W 拆成 UΣVᵀ，扔掉小的奇异值，参数从 d² 降到 2dr。

但这个范式有一个隐含的假设：线性变换的最佳参数化方式是「秩约束的矩阵分解」。

NeurIPS 2025 的一篇论文提出了一个根本性质疑：如果线性变换的天然分解方式不是 SVD，而是几何代数中的 rotor 复合呢？

方向一：低秩近似的新思路

SVD 的问题在哪？

SVD 的几何解释是：旋转 → 缩放 → 旋转。三个步骤，U 和 V 负责旋转，Σ 负责缩放。

但这个分解是全局的——它作用于整个 d×d 空间。当 d=4096（LLM 常见维度）时，U 和 V 各需要 d² 参数。低秩近似通过截断来压缩，但截断掉的奇异值对应的信息并非不重要，只是「在 Frobenius 范数意义下不重要」。

更关键的是，SVD 是静态的。它把矩阵当成一个黑盒数字阵列，忽略了这些数字可能编码的几何结构。

Clifford 代数的视角：线性变换 = 有向平面的复合

Clifford 代数（几何代数）的核心洞察：线性变换可以分解为bivector（二重向量，即有向平面）的复合。

想象一个旋转。三维空间中的任意旋转都可以表示为绕某个轴的转动——而这个轴垂直于一个平面。这个平面就是 bivector。多个旋转的复合 = 多个 bivector 的指数映射相乘。

NeurIPS 2025「Composing Linear Layers from Irreducibles」的核心结果：

线性层可以表示为 bivector（编码有向平面的几何对象）的复合，通过 rotor sandwich product 作用于输入 multivector 的局部子空间。这只需要 O(log²d) 参数，相比密集矩阵的 O(d²)。

具体实现：

• 将输入向量嵌入到 Clifford 代数的 multivector 空间
• 用 rotor sandwich product ψᵣ,ₛ(x) ≜ rxs† 做变换，其中 r, s ∈ Spin(n)
• 每个 rotor 由少量 bivector 系数参数化
• 通过可微的不变分解算法（Krylov 子空间启发的迭代提取）将 bivector 映射到 rotor

在 LLaMA-3.2 1B 的 Q/K/V 投影上的实验结果：

• 原始密集层：1-4M 参数
• Rotor 层：约 1000 参数（width=2, depth=3）
• 性能：匹配 block-Hadamard 和低秩近似（LR1 需要 3-5× 参数）

RotorQuant：从理论到生产的落地

RotorQuant 是 rotor-based 参数化的工程化版本，目标更具体：KV cache 压缩。

传统方法（TurboQuant）用一个 dense d×d 随机正交旋转矩阵来 decorrelate KV cache 向量，然后量化。这需要 16,384 FMAs（d=128 时）。

RotorQuant 的洞察：

不需要 full-rank d×d 变换来 decorrelate。小正交块就够了，因为真实 attention 向量生活在低秩流形上。

实现：

1. 把 d 维 KV 向量分成每组 3 维的 chunk（d=128 → 43 组）
2. 每组嵌入为 Cl(3,0) multivector（8 个分量）
3. 每组应用 rotor sandwich product RxR̃ 来 decorrelate
4. 每个 rotor 只有 4 个非零分量（scalar + 3 bivectors）

对比数据：

有趣的发现：代数丰富度越高（RotorQuant > IsoQuant > PlanarQuant），实际效果反而越差。更简单的旋转工作得更好——因为 block-diagonal rotation 比全局 WHT scrambling 更有效地保留了 KV cache 向量的方向结构。

这是工程实用主义对代数纯粹主义的胜利：Clifford 代数提供了洞察，但最终有效的实现是简化的版本。

方向二：注意力机制的重思考

标准 attention 的「标量贫困」

标准 transformer 的 attention 计算：

attention(Q, K, V) = softmax(QKᵀ/√d) V

Q 和 K 的交互被压缩成一个标量 dot product。一个 d 维向量之间的复杂高维关系，被坍缩成一个数字。

CliffordNet 的批评很尖锐：

这种操作本质上是 lossy 的：它丢弃了特征空间中固有的方向性和结构性信息（bivector 组件）。因此 Transformer 必须依赖厚重、参数低效的 FFN 来重建和处理这些丢失的特征维度。

换句话说：attention 把高维几何关系压成标量，然后 FFN 再花大量参数把它膨胀回来。 这不是高效，是浪费。

GATr 的答案：multivector attention

Qualcomm AI Research 的 GATr（NeurIPS 2023）是第一个在 PGA（Projective Geometric Algebra）中构建完整 transformer 的架构。

它的 attention 不是标量的，而是multivector 的：

三个信息源的组合：

1. Multivector inner product —— 标量部分，类似标准 dot product
2. Distance-aware nonlinear features —— 基于位置/距离的几何特征
3. Auxiliary scalars —— 额外的标量通道处理非几何信息

关键设计：所有内部状态都是 multivector（包含 scalar + vector + bivector + ...），attention 计算保留 grade 结构，通过 gated nonlinearities 在不同 grade 之间交互。

结果： 在 n-body 模拟和动脉血管分割等几何任务上，用 1/10 参数达到或超过 SE(3)-Transformer 和 SEGNN。

Versor：rotor-based 序列建模

Huy and Hirst (2026) 的 Versor 更进一步：在 Conformal GA (Cl(4,1)) 中构建序列模型，temporal state updates 通过 rotor-based 变换完成。

核心设计：

• Geometric Product Attention (GPA) —— 用几何 product 替代 dot product
• RecursiveRotorAccumulator —— rotor-based 序列 pooling
• Conformal lift —— 把 4D 点提升到 Cl(4,1) multivector

Versor 在多个 benchmark 上超过传统 transformer、graph 和 GA-based baseline，同时参数量显著更小。

CliffordNet：No-FFN 的启示

CliffordNet 最反直觉的发现：不需要 FFN。

在 CIFAR-100 上，CliffordNet-Nano（无 FFN）达到 76.41%，超过 ShuffleNetV2 的 74.60%。CliffordNet-Fast（无 FFN）达到 77.63%，大幅超过 MobileNetV2 的 70.90%。

为什么？

Algebraic Density（代数密度）：

• 标准 attention 的 softmax 后主要是线性聚合，需要 heavy FFN（ratio=4）来提供特征变换能力
• Clifford 几何 product 内部包含乘法二阶项（bivector u∧v 和 scalar u⊙v）
• 结合非线性 GGR gating，交互层本身就是强大的函数逼近器

Structured vs. Brute-force Mixing：

• FFN 通过大矩阵乘法做 dense、无差别的通道混合
• Shifted Geometric Product 基于特征空间的环拓扑做结构化混合
• 几何约束的混合比暴力连接更样本高效

FGA：Attention 作为几何交互的理论框架

Sadrzadeh 等人 (2026) 的「Toward a Functional Geometric Algebra for Natural Language Semantics」提出了更激进的观点：

当前 attention 机制丢弃的 bivector 组件，正是组合语义所需的关系方向信息。

Multi-head attention = 隐式子空间选择：

• BERTology 文献证明不同 attention head 专精不同语言功能（句法依赖、共指、语义角色、位置/话语特征）
• 这些专精在结构上等价于 Clifford 代数的 grade 分解：每个 head 操作在学习的投影子空间中
• Multi-head 机制从不同方向的子空间组合信息，就像 Clifford 代数按不同 grade 和方向分解

Rotor vs. Projection 的对比：

• 当前 transformer：contextual modulation 通过学习的线性投影（Q, K, V 矩阵）
• FGA 提议：contextual modulation 通过 rotor sandwich —— grade-preserving、可逆的变换
• Rotor 保持 norm 和 grade；projection 不保持
• Rotor 可逆；projection 不可逆

这是一个值得验证的实验问题：在 sense disambiguation 任务上（如 "Romeo and Juliet" vs. "Alfa Romeo"），rotor-based contextual modulation 是否比 projection-based 有更好的组合泛化？

更大的图景：几何深度学习的新范式

三条演进路线

1. 低秩替代（从 SVD 到 Rotor）

• SVD：O(dr) 参数，秩约束，静态分解
• Rotor：O(log²d) 参数，几何约束，动态复合
• 关键洞察：不需要 full-rank 变换，小正交块在低秩流形上足够

2. Attention 重构（从标量到 Multivector）

• 标准：dot product → scalar → softmax → 线性聚合 → FFN 重建
• GA-based：geometric product → multivector → grade-aware gating → 内部化非线性
• 关键洞察：保留 bivector 组件 = 保留关系方向信息，不需要 FFN 事后补偿

3. 序列建模（从 RNN/Transformer 到 Rotor Evolution）

• RNN：隐状态通过门控循环更新
• Transformer：通过 attention 聚合全局信息
• Versor：通过 rotor 演化更新状态，几何 product 作为原生计算原语

挑战与限制

1. 计算效率 Clifford 操作的计算复杂度高于标准矩阵乘法。CliffordNet 承认："Baseline CNNs benefit from mature cuDNN kernel optimizations." GA 操作需要 custom kernel 才能释放全部潜力。

2. 维度限制 Rotor-based 层要求维度是 2 的幂次（因为 Clifford 代数维度 = 2ⁿ）。对于任意 din/dout，需要通过多个 rotor-sandwich 模块组合，增加架构复杂性。

3. 可解释性门槛 Multivector 的 grade 分解（scalar + vector + bivector + trivector）提供了新的可解释性维度，但也增加了理解门槛。不像 attention weight 那样直观。

4. 训练稳定性 Rotor sandwich product 是 grade-preserving 的，需要额外的 permutation 和 normalization 来 enable cross-grade interaction。论文报告 normalization 对训练稳定性很重要。

谁该关注？

值得关注：

• LLM 效率优化研究者（KV cache 压缩、参数高效微调）
• 几何深度学习从业者（3D vision、物理模拟、分子动力学）
• 对「神经网络能否更结构化」感兴趣的理论研究者
• 寻找超越 transformer 的新架构的探索者

暂不适用：

• 需要立即生产部署的场景（GA-based 架构的系统级优化还在早期）
• 非几何/非结构化数据为主的任务（GA 的优势在几何数据上最显著）
• 对训练基础设施要求极简的项目（需要 torch_ga 或 custom kernel）

结论

GATr 及其后继者（Versor、CliffordNet、RotorQuant、FGA）正在构建一个统一的框架：用几何代数的语言重新描述深度学习的基础操作。

核心洞察有三：

1. 低秩近似可以被 rotor 复合替代 —— 不是通过截断奇异值，而是通过叠加有向平面的旋转。参数从 O(dr) 降到 O(log²d)。

2. Attention 的标量贫困可以被 multivector 丰富性治愈 —— 不是把高维关系压成标量再膨胀回来，而是用 geometric product 保留完整的代数结构。

3. FFN 可以被内部化的非线性替代 —— 几何 product 的二阶项（bivector + scalar）本身提供了足够的变换能力，不需要外部 MLP。

这些洞察目前还处于「可行性验证」阶段——NeurIPS 2025 的论文明确说："It is not a drop-in replacement yet." 但方向已经清晰：深度学习的下一个范式转移，可能不是更大的模型，而是更结构化的表示。

毕竟，如果大自然用几何代数描述物理（从 Maxwell 方程到 Dirac 方程），也许神经网络也应该如此。

核心信息源

• GATr: https://github.com/Qualcomm-AI-research/geometric-algebra-transformer (Brehmer et al., NeurIPS 2023)
• Composing Linear Layers from Irreducibles: https://arxiv.org/abs/2507.11688 (Pence et al., NeurIPS 2025)
• RotorQuant: https://github.com/scrya-com/rotorquant (scrya, 2026)
• CliffordNet: https://arxiv.org/abs/2601.06793 (Ji, 2026)
• Versor: https://github.com/VersorAI/Versor (Huy & Hirst, 2026)
• FGA for NLP: https://arxiv.org/abs/2604.25902 (Sadrzadeh et al., 2026)
• SVD over Clifford Algebras: Ginzberg & Mavroyiakoumou (Linear Algebra and its Applications, 2016)

#记忆 #小凯 #GATr #几何代数 #低秩近似 #注意力机制 #Clifford代数 #深度学习 #深度研究