Jujukan dan generatif

103 kaedah dalam keluarga ini.

Sorotan

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 Dwi-arahA 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 Crossformer: Transformer Rentasan-Dimensi untuk Peramalan Deret Masa MultivariatCrossformer 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 Imej-ke-Imej Tanpa Pasangan dengan Konsistensi KitaranCycleGAN, 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

Reading path

This topic's most-referenced foundational methods, in the order they were developed — a place to start if you're new here.

Jaringan Saraf Berulang1986–1990by Rumelhart, D. E.; Elman, J. L.
Long Short-Term Memory (LSTM)1997by Hochreiter, S. & Schmidhuber, J.
Gated Recurrent Unit (GRU)2014by Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y.
Rangkaian Generatif Adversarial2014by Goodfellow, I. et al.
Autoenkoder Variasi2014by Kingma, D. P. & Welling, M.
Transformer yang Ditalar Halus2017–2019by Vaswani et al. (architecture); fine-tuning paradigm popularised by Howard & Ruder, Devlin et al.
Transformer Multimodus2019–2021by Lu et al. (ViLBERT); Radford et al. (CLIP)
Transformer Visi2021by Dosovitskiy, A. et al.

all methods on this shelf ↓

Semua kaedah 103

Mekanisme Perhatian Autoenkoder RNN Dwi-arah Crossformer: Transformer Rentasan-Dimensi untuk Peramalan Deret Masa Multivariat CycleGAN: Terjemahan Imej-ke-Imej Tanpa Pasangan dengan Konsistensi Kitaran DeepAR Model Resapan Model Penyesuaian Domain Adaptif GAN Adaptasi Domain GRU Adaptif Domain Rangkaian Saraf Berulang Adaptif Domain Penyematan Ayat Adaptif Domain Transformer Adaptif Domain Autoenkoder Variasi Adaptif Domain Transformer Penglihatan Adaptif Domain Model Penjelasan Teraruh GAN Boleh Dijelas GRU Boleh Dijelas LSTM Boleh Dijelaskan Rangkaian Neural Berulang Boleh Dijelaskan Transformer Boleh Dijelaskan Explainable Variational Autoencoder FEDformer: Transformer Terperluas Frekuensi Model Penyesuaian Halus untuk Difusi Jaringan Lawan Janaan yang Ditalar Halus GRU yang Ditalar Halus LSTM yang Ditalar Halus Rangkaian Neural Berulang yang Ditalar Halus Ringkasan Teks yang Ditala Halus Transformer yang Ditalar Halus Autoenkoder Variasi yang Ditalar Halus Fine-Tuned Vision Transformer Gated Recurrent Unit (GRU)Rangkaian Generatif Adversarial Graph Attention Network Gated Recurrent Unit (GRU)Informer iTransformer: Transformer Terbalik untuk Peramalan Deret Masa Multivariat Model Penyerakan Terpendam Long Short-Term Memory (LSTM)Longformer / BigBird LSTM Autoenkoder Bertopeng Moirai: Transformer Ramalan Deret Masa Universal Model Peluncuran Pelbagai Bahasa GAN Multilingual GRU Multibahasa LSTM Multibahasa Rangkaian Saraf Berulang Pelbagai Bahasa Peringkasan Teks Multilingual Variational Autoencoder Pelbagai Bahasa Vision Transformer Pelbagai Bahasa Model Resapan Multimodus GAN Multimodal GRU Multimodal LSTM Multimodus Rangkaian Saraf Berulang Multimod (Multimodal Recurrent Neural Network)Transformer Multimodus Autoenkoder Variasi Multimodus Multimodal Vision Transformer Transformer Tidak Stasioner PatchTST Pyraformer: Transformer Perhatian Piramid untuk Peramalan Deret Masa Jarak Jauh Jaringan Saraf Berulang Reformer: Transformer yang Efisien untuk Jujukan Panjang Model Generatif Berasaskan Skor SegRNN: Rangkaian Saraf Berulang Segmen untuk Ramalan Deret Masa Jangka Panjang Perhatian Kendiri Pelbagai Kepala Model Resapan Kendiri Seliaan GAN Kendiri-terawasi GRU Kendiri-Terawasi Transformer kendiri-terlaras Autoenkoder Variasi Kendiri-Diselia Self-supervised Vision Transformer Model Penyiaran Separuh Selia Semi-supervised GAN GRU Separa-Selia LSTM Separuh-Selia Transformer Separa-Seliaan Autoenkoder Variasi Separuh-Selia Transformer Visi Separuh-Selia Model Jujukan-ke-Jujukan Swin Transformer T5 (Text-to-Text Transfer Transformer)Temporal Fusion Transformer Time-MoE TiRex: Peramalan Siri Masa Sifar-Shot dengan xLSTM Transfer Learning GAN Pembelajaran Pemindahan dengan Autoenkoder Variasi Pembelajaran Pemindahan dengan Model Penyebaran Transfer Learning dengan LSTM Pembelajaran Pemindahan dengan Rangkaian Saraf Berulang Autoenkoder Variasi Transformer Visi Wasserstein GAN (WGAN)Model Difusi yang Diawasi Secara Lemah GAN Diawasi Lemah GRU Berbantukan Pengawasan Lemah LSTM Penyeliaan Lemah Rangkaian Neural Berulang yang Diawasi Secara Lemah Transformer Berpenyeliaan Lemah Autoenkoder Variasi Berpenyeliaan Lemah Vision Transformer Penyeliaan Lemah

Lagi dalam Pembelajaran Mendalam

Seni bina dan latihan 124