Mamba (State Space Model)
Mamba ist eine von Gu und Dao im Jahr 2023 eingeführte Sequenzmodellarchitektur, die eine lineare Zeitkomplexität erreicht und gleichzeitig eine starke Leistung bei Sprachmodellierungsaufgaben beibehält. Durch die Kombination von Zustandsraummodellen mit eingabeabhängiger Selektivität adressiert Mamba die quadratische Komplexität von Transformatoren, während die Modellierungsleistung erhalten bleibt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Gu, A., & Dao, C. (2023). Mamba: Linear-time sequence modeling with selective state spaces. arXiv preprint arXiv:2312.08956. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Mamba: Linear-Time Sequence Modeling with Selective State Spaces. ScholarGate. https://scholargate.app/de/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.
- Latent Diffusion ModelsDeep Learning↔ compare
- Masked AutoencodersDeep Learning↔ compare
- Vision MambaDeep Learning↔ compare
- Vision TransformerDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →