Sekvenční a generativní modely

103 — metody v této rodině.

Vybrané

Mechanismus pozornostiThe attention mechanism, introduced by Bahdanau, Cho and Bengio in 2015 and refined by Luong, Pham and Manning the same year, lets a sequence decoder dynamically learn which of the AutoencoderAn autoencoder is an encoder-decoder neural network, popularised by Hinton and Salakhutdinov in 2006, that compresses data into a low-dimensional latent code and then reconstructs Obousměrná rekurentní neuronová síťA Bidirectional RNN, introduced by Schuster and Paliwal in 1997, processes a sequence in both forward and backward directions so that every position has access to its full surround CrossformerCrossformer is a Transformer-based architecture for multivariate time series forecasting, introduced by Yunhao Zhang and Junchi Yan at ICLR 2023. Unlike earlier Transformer variant CycleGANCycleGAN, introduced by Zhu et al. at ICCV 2017, learns to translate images between two visual domains without requiring paired training examples. It trains two generators and two DeepARDeepAR is Amazon's industrial forecasting model, introduced by Salinas, Flunkert and Gasthaus (2017; published 2020), that uses an autoregressive recurrent neural network to estima

Cesta četby

Nejčastěji odkazované základní metody tohoto tématu v pořadí, v jakém vznikaly — místo, kde začít, pokud jste tu nově.

Rekurentní neuronová síť1986–1990od Rumelhart, D. E.; Elman, J. L.
Dlouhodobá krátkodobá paměť (LSTM)1997od Hochreiter, S. & Schmidhuber, J.
Gated Recurrent Unit (GRU)2014od Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y.
Generativní adversariální síť2014od Goodfellow, I. et al.
Variační autoenkodér2014od Kingma, D. P. & Welling, M.
Dolaďovaný transformátor2017–2019od Vaswani et al. (architecture); fine-tuning paradigm popularised by Howard & Ruder, Devlin et al.
Multimodální Transformer2019–2021od Lu et al. (ViLBERT); Radford et al. (CLIP)
Vision Transformer2021od Dosovitskiy, A. et al.

všechny metody na této polici ↓

Všechny metody 103

Mechanismus pozornosti Autoencoder Obousměrná rekurentní neuronová síť Crossformer CycleGAN DeepAR Difuzní model Doménově adaptovaný difuzní model Doménově adaptivní GAN Adaptivní GRU Doménově adaptivní rekurentní neuronová síť Doménově adaptované větné vnořené reprezentace Adaptivní Transformer pro doménu Doménově adaptovaný varianční autoenkodér Doménově adaptivní Vision Transformer Vysvětlitelný difuzní model Vysvětlitelné GAN Vysvětlitelný GRU Explainable LSTM Vysvětlitelná rekurentní neuronová síť Vysvětlitelný Transformer Vysvětlitelný variační autoenkodér FEDformer: Frekvenčně vylepšený dekomponovaný Transformer Jemně doladěný difuzní model Dolaďovaná generativní adversariální síť Jemně doladěný GRU Jemně doladěné LSTM Dolaďovaná rekurentní neuronová síť Jemné doladění sumarizace textu Dolaďovaný transformátor Jemně doladěný variační autoenkodér Dolaďovaný Vision Transformer Gated Recurrent Unit (GRU)Generativní adversariální síť Grafová pozornostní síť Gated Recurrent Unit (GRU)Informer iTransformer: Invertovaný Transformer pro predikci vícerozměrných časových řad Latent Diffusion Models Dlouhodobá krátkodobá paměť (LSTM)Longformer / BigBird LSTM Maskované autoenkodéry Moirai: Univerzální Transformer pro předpověď časových řad Multilingual Diffusion Model Vícejazyčný GAN Vícejazyková GRU Vícejazyčné LSTM Vícejazyčná rekurentní neuronová síť Vícejazyčná sumarizace textu Vícejazyčný variační autoenkodér Vícejazyčný Vision Transformer Multimodální difuzní model Multimodální GAN Multimodal GRU Multimodální LSTM Multimodální rekurentní neuronová síť Multimodální Transformer Multimodální variační autoenkodér Multimodální Vision Transformer Non-stationary Transformer PatchTST Pyraformer: Pyramidal Attention Transformer pro dlouhodobé časové řady Rekurentní neuronová síť Reformer: Efektivní Transformer pro dlouhé sekvence Generativní model založený na skóre SegRNN Multi-Head Self-Attention Samo-supervizovaný difuzní model Samoučící se GAN Samo-dohledové GRU Transformátor se samoučením Samo-dohledový variační autoenkodér Samoučící se vidění Transformer Semi-supervised Diffusion Model Semi-supervised GAN Polo-dohledová GRU Semi-supervised LSTM Semi-supervised Transformer Polo-supervizovaný variační autoenkodér Polo-supervizovaný Vision Transformer Model sekvence-sekvence Swin Transformer T5 (Text-to-Text Transfer Transformer)Temporální fúzní transformátor Time-MoE: Model základů pro časové řady s využitím směsi expertů TiRex: Beztréninkové (zero-shot) předpovídání časových řad s xLSTM Přenosové učení GAN Přenosové učení s variačním autoenkodérem Přenosové učení s difuzními modely Přenosové učení s LSTM Přenosové učení s rekurentní neuronovou sítí Variační autoenkodér Vision Transformer Wasserstein GAN (WGAN)Slabě řízený difuzní model Slabě řízené GAN Slabě Supervizovaný GRU Slabě supervizovaný LSTM Slabě řízené rekurentní neuronové sítě Slabě supervizovaný Transformer Slabě dohlížený variační autoenkodér Slabě dohlížený Vision Transformer

Více ve skupině Hluboké učení

Architektury a trénování 124