Mamba (State Space Model)
Mamba is een sequentiemodelarchitectuur, geïntroduceerd door Gu en Dao in 2023, die lineaire complexiteit bereikt met behoud van sterke prestaties op taalmodelleringstaken. Door state space models (SSM's) te combineren met input-afhankelijke selectiviteit, pakt Mamba de kwadratische complexiteit van transformers aan, terwijl de modelleringskracht behouden blijft.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- Gu, A., & Dao, C. (2023). Mamba: Linear-time sequence modeling with selective state spaces. arXiv preprint arXiv:2312.08956. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Mamba: Linear-Time Sequence Modeling with Selective State Spaces. ScholarGate. https://scholargate.app/nl/deep-learning/mamba
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Latente DiffusiemodellenDeep learning↔ vergelijken
- Masked AutoencodersDeep learning↔ vergelijken
- Vision MambaDeep learning↔ vergelijken
- Transformator voor Visuele WaarnemingDeep learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →