Questions about reuse the past "x_a" cache

[SunHaoOne]

周博士： 您好！

我在阅读您的代码时注意到了一些关于加快推理速度的技巧，特别是关于cache的使用以及如何处理帧与帧之间的agent编码问题。我有几个问题想要进一步了解和确认：

• Temporal Attention中的KV Cache使用：在处理新帧时，您使用了历史的agent encodings。我理解这里应该使用的是KV Cache技巧，通过下三角矩阵的mask来保证推理结果的一致性。请问我的理解是否正确？

• Agent数量与顺序不一致的处理：

  • 在连续的帧中，agent的数量可能不同，例如上一帧有5个agent，新一帧只有2个。如果past的维度是A, T-1, D，比如5, T-1, D，而新一帧的维度是2, 1, D，这种情况下应该如何合并这些数据？
  • 如果agent的传入顺序在不同帧中不同，比如上一帧是X, Y, Z，新一帧是Y, Z, X，这在合并时可能会造成问题。应该如何处理这种顺序变化？

• 单帧Agent的edge和r计算：当只传入一个时间点的agent数据时，例如计算edge_index_t可能为空，这会导致无法计算rel_pos_t等相对关系，进而影响后续的Temporal Attention计算。我试了试每个agent的edge_index_t给的值为[[0],[0]]，但attention的结果略有差异。这种差异可能是因为单个时间步的position_embedding和连续时间步骤的position_embedding不同导致的，在这种情况下应该如何处理能保证推理和训练结果一致性呢？

附上相关我理解的代码修改段落供参考，麻烦看看我的理解是否正确：

for i in range(self.num_layers):
    x_a = x_a.reshape(-1, self.hidden_dim)
    x_a = self.t_attn_layers[i]((x_a, x_a), r_t, edge_index_t, kv_cache = kv_cache)
    x_a = x_a.reshape(-1, 1, self.hidden_dim).transpose(0, 1).reshape(-1, self.hidden_dim)
    x_pl = x_pl.transpose(0, 1).reshape(-1, self.hidden_dim)
    x_a = self.pl2a_attn_layers[i]((x_pl, x_a), r_pl2a, edge_index_pl2a)
    x_a = self.a2a_attn_layers[i]((x_a, x_a), r_a2a, edge_index_a2a)
    x_a = x_a.reshape(1, -1, self.hidden_dim).transpose(0, 1)

if x_a_past is not None:
    x_a = torch.cat([x_a_past[1:, :, :], x_a], dim = 1) 
return x_a, kv_cache

期待您的回复和指导。

谢谢！