Sekuens dan generatif

103 metode dalam keluarga ini.

Unggulan

Mekanisme PerhatianThe 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 AutoenkoderAn 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 BidireksionalA 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: Terjemahan Citra-ke-Citra Tanpa Pasangan dengan Konsistensi SiklusCycleGAN, 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

Jalur bacaan

Metode fondasional yang paling banyak dirujuk pada topik ini, dalam urutan pengembangannya — tempat untuk memulai jika Anda baru di sini.

Jaringan Saraf Berulang (Recurrent Neural Network - RNN)1986–1990oleh Rumelhart, D. E.; Elman, J. L.
Long Short-Term Memory (LSTM)1997oleh Hochreiter, S. & Schmidhuber, J.
Unit Berulang Bergerbang (GRU)2014oleh Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y.
Jaringan Adversarial Generatif2014oleh Goodfellow, I. et al.
Variational Autoencoder2014oleh Kingma, D. P. & Welling, M.
Transformer yang Disesuaikan Halus2017–2019oleh Vaswani et al. (architecture); fine-tuning paradigm popularised by Howard & Ruder, Devlin et al.
Transformer Multimodal2019–2021oleh Lu et al. (ViLBERT); Radford et al. (CLIP)
Vision Transformer2021oleh Dosovitskiy, A. et al.

semua metode di rak ini ↓

Semua metode 103

Mekanisme Perhatian Autoenkoder RNN Bidireksional Crossformer CycleGAN: Terjemahan Citra-ke-Citra Tanpa Pasangan dengan Konsistensi Siklus DeepAR Model Difusi Model Difusi Adaptif Domain GAN Adaptif Domain GRU Adaptif Domain Recurrent Neural Network Adaptif Domain Embedding Kalimat Adaptif Domain Transformer Adaptif Domain Variational Autoencoder Adaptif Domain Vision Transformer Adaptif Domain Model Difusi yang Dapat Dijelaskan GAN yang Dapat Dijelaskan GRU yang Dapat Dijelaskan LSTM yang Dapat Dijelaskan Jaringan Saraf Berulang yang Dapat Dijelaskan Transformer yang Dapat Dijelaskan Variational Autoencoder yang Dapat Dijelaskan FEDformer: Transformer Berbasis Peningkatan Frekuensi yang Terurai Model Difusi yang Disesuaikan (Fine-Tuned Diffusion Model)Jaringan Adverarial Generatif yang Disesuaikan Halus GRU yang Disesuaikan Halus LSTM yang Di-fine-tune Jaringan Saraf Berulang yang Disesuaikan Halus Peringkasan Teks yang Disesuaikan (Fine-Tuned)Transformer yang Disesuaikan Halus Variational Autoencoder yang Disesuaikan Halus Vision Transformer yang Disesuaikan (Fine-Tuned)Unit Berulang Bergerbang (GRU)Jaringan Adversarial Generatif Jaringan Perhatian Graf Unit Berulang Gerbang (GRU)Informer iTransformer: Transformer Terbalik untuk Peramalan Deret Waktu Multivariat Model Difusi Laten Long Short-Term Memory (LSTM)Longformer / BigBird LSTM Autoenkoder Bertopeng Moirai: Transformer Prediksi Deret Waktu Universal Model Difusi Multibahasa GAN Multibahasa GRU Multibahasa LSTM Multibahasa Jaringan Saraf Berulang Multibahasa Peringkasan Teks Multibahasa Variational Autoencoder Multibahasa Multilingual Vision Transformer Model Difusi Multimodal Multimodal GAN GRU Multimodal LSTM Multimodal Jaringan Saraf Berulang Multimodal Transformer Multimodal Variational Autoencoder Multimodal Vision Transformer Multimodal Transformer Non-Stasioner PatchTST Pyraformer Jaringan Saraf Berulang (Recurrent Neural Network - RNN)Reformer: The Efficient Transformer for Long Sequences Model Generatif Berbasis Skor SegRNN Multi-Head Self-Attention Model Difusi Swasupervisi Self-supervised GAN GRU Mandiri-Supervisi Transformer yang dilatih mandiri Variational Autoencoder Swadaya-Terawasi Vision Transformer Pengawasan Mandiri Model Difusi Semi-Terawasi GAN Semi-terawasi GRU Semi-terawasi LSTM Semi-Terawasi Transformer Semi-terawasi Variational Autoencoder Semi-terawasi Semi-supervised Vision Transformer Model Sequence-ke-Sequence Swin Transformer T5 (Text-to-Text Transfer Transformer)Temporal Fusion Transformer Time-MoE: Model Dasar Fondasi Deret Waktu Campuran Pakar TiRex: Peramalan Deret Waktu Zero-Shot dengan xLSTM GAN Pembelajaran Transfer Pembelajaran Transfer dengan Autoencoder Variasional Transfer Learning dengan Model Difusi Transfer Learning dengan LSTM Transfer Learning dengan Recurrent Neural Network Variational Autoencoder Vision Transformer Wasserstein GAN (WGAN)Model Difusi yang Diawasi Secara Lemah GAN yang Diawasi Secara Lemah (Weakly Supervised GAN)GRU yang Diawasi Secara Lemah LSTM yang Diawasi Secara Lemah RNN Pengawasan Lemah Transformer Supervised Lemah Variational Autoencoder dengan Supervisi Lemah Vision Transformer Supervisi Lemah

Lainnya di Pembelajaran Mendalam

Arsitektur dan pelatihan 124