Secuenciales y generativos

103 métodos en esta familia.

Destacados

Mecanismo de atenciónThe 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 RNN bidireccionalA 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 CycleGAN: Traducción de imagen a imagen no emparejada con consistencia cíclicaCycleGAN, 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

Ruta de lectura

Los métodos fundacionales más referenciados de este tema, en el orden en que se desarrollaron: un punto de partida si eres nuevo aquí.

Red Neuronal Recurrente1986–1990por Rumelhart, D. E.; Elman, J. L.
Memoria a Largo Plazo (LSTM)1997por Hochreiter, S. & Schmidhuber, J.
Unidad Recurrente con Compuertas (GRU)2014por Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y.
Red Generativa Antagónica2014por Goodfellow, I. et al.
Autoencoder Variacional2014por Kingma, D. P. & Welling, M.
Transformer Ajustado Finamente2017–2019por Vaswani et al. (architecture); fine-tuning paradigm popularised by Howard & Ruder, Devlin et al.
Transformador Multimodal2019–2021por Lu et al. (ViLBERT); Radford et al. (CLIP)
Vision Transformer2021por Dosovitskiy, A. et al.

todos los métodos de este estante ↓

Todos los métodos 103

Mecanismo de atención Autoencoder RNN bidireccional Crossformer CycleGAN: Traducción de imagen a imagen no emparejada con consistencia cíclica DeepAR Modelo de difusión Modelo de difusión adaptado al dominio GAN de Dominio Adaptativo GRU Adaptativo al Dominio Red Neuronal Recurrente Adaptativa al Dominio Embeddings de oraciones adaptados al dominio Transformador de Adaptación de Dominio Autoencoder Variacional Adaptativo al Dominio Vision Transformer Adaptativo al Dominio Modelo de Difusión Explicable GAN Explicable GRU Explicable LSTM Explicable Red Neuronal Recurrente Explicable Transformador Explicable Autoencoder Variacional Explicable FEDformer: Transformador con Decomposición y Mejora de Frecuencia Modelo de difusión afinado Red Neuronal Generativa Adversaria Finamente Ajustada GRU Ajustado Finamente LSTM Ajustado Finamente Red Neuronal Recurrente Ajustada Finamente Resumen de texto ajustado mediante ajuste fino Transformer Ajustado Finamente Autoencoder Variacional Ajustado Vision Transformer (ViT) de ajuste fino Unidad Recurrente con Compuertas (GRU)Red Generativa Antagónica Red de Atención Gráfica Unidad Recurrente con Compuertas (GRU)Informer iTransformer Modelos de Difusión Latente Memoria a Largo Plazo (LSTM)Longformer / BigBird LSTM Autoencoders enmascarados Moirai: Transformador Universal para Pronóstico de Series Temporales Modelo de Difusión Multilingüe GAN multilingüe GRU multilingüe LSTM multilingüe Red neuronal recurrente multilingüe Resumen de texto multilingüe Autoencoder Variacional Multilingüe Vision Transformer multilingüe Modelo de Difusión Multimodal GAN multimodal GRU Multimodal Multimodal LSTM Red Neuronal Recurrente Multimodal Transformador Multimodal Autoencoder Variacional Multimodal Multimodal Vision Transformer Transformer no estacionario PatchTST Pyraformer Red Neuronal Recurrente Reformer: El Transformer Eficiente para Secuencias Largas Modelo generativo basado en puntuación SegRNN Autoatención Multi-cabeza Modelo de difusión autosupervisado Self-supervised GAN GRU autorreforzada Transformer auto-supervisado Autoencoder Variacional Auto-supervisado Vision Transformer Autocontrolado Modelo de difusión semi-supervisado GAN semi-supervisado GRU semi-supervisado LSTM semi-supervisada Transformer semi-supervisado Autoencoder Variacional Semi-supervisado Vision Transformer semisupervisado Modelo Secuencia-a-Secuencia Swin Transformer T5 (Text-to-Text Transfer Transformer)Temporal Fusion Transformer Time-MoE: Modelo Fundacional de Series Temporales de Mezcla de Expertos TiRex: Predicción de Series Temporales sin Supervisión con xLSTM Transfer Learning GAN Aprendizaje por transferencia con autoencoder variacional Aprendizaje por transferencia con modelos de difusión Aprendizaje por transferencia con LSTM Aprendizaje por transferencia con Red Neuronal Recurrente Autoencoder Variacional Vision Transformer Wasserstein GAN (WGAN)Modelo de Difusión Débilmente Supervisado GAN débilmente supervisado GRU Débilmente Supervisado LSTM débilmente supervisado Red Neuronal Recurrente Débilmente Supervisada Transformador con Supervisión Débil Autoencoder Variacional Débilmente Supervisado Vision Transformer con Supervisión Débil

Más en Aprendizaje profundo

Arquitecturas y entrenamiento 124