Mamba (State Space Model)
Mamba er en sekvensmodelarkitektur introduceret af Gu og Dao i 2023, der opnår lineær tidskompleksitet, samtidig med at den bevarer stærk ydeevne på sprogmodelleringsopgaver. Ved at kombinere state space-modeller med input-afhængig selektivitet adresserer Mamba den kvadratiske kompleksitet af transformers, samtidig med at den bevarer modelleringskraft.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Gu, A., & Dao, C. (2023). Mamba: Linear-time sequence modeling with selective state spaces. arXiv preprint arXiv:2312.08956. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Mamba: Linear-Time Sequence Modeling with Selective State Spaces. ScholarGate. https://scholargate.app/da/deep-learning/mamba
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Latente diffusionsmodellerDyb læring↔ compare
- Maskerede AutoencodersDyb læring↔ compare
- Vision MambaDyb læring↔ compare
- Vision TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →