Modele sekwencyjne i generatywne

103 — metody w tej rodzinie.

Wyróżnione

Mechanizm uwagiThe 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 Dwukierunkowa sieć rekurencyjnaA 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 CycleGANCycleGAN, 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.

Rekurencyjna Sieć Neuronowa1986–1990by Rumelhart, D. E.; Elman, J. L.
Długa pamięć krótkotrwała (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.
Generatywna Sieć Antagonistyczna2014by Goodfellow, I. et al.
Autoenkoder wariacyjny2014by Kingma, D. P. & Welling, M.
Dostrojony Transformer2017–2019by Vaswani et al. (architecture); fine-tuning paradigm popularised by Howard & Ruder, Devlin et al.
Transformator multimodalny2019–2021by Lu et al. (ViLBERT); Radford et al. (CLIP)
Vision Transformer2021by Dosovitskiy, A. et al.

all methods on this shelf ↓

Wszystkie metody 103

Mechanizm uwagi Autoenkoder Dwukierunkowa sieć rekurencyjna Crossformer CycleGAN DeepAR Model dyfuzyjny Model dyfuzyjny adaptacyjny do dziedziny Adaptacyjna GAN domenowa GRU z adaptacją dziedzinową Rekurencyjna sieć neuronowa z adaptacją domenową Osadzone reprezentacje zdań adaptowane do dziedziny Transformator adaptacyjny do dziedziny Wariacyjny autoenkoder adaptacyjny do dziedziny Adaptacyjny Wizualny Transformer Wyjaśnialny Model Dyfuzyjny Wyjaśnialne GAN (Explainable GAN)Wyjaśnialne GRU Explainable LSTM Wyjaśnialna rekurencyjna sieć neuronowa Wyjaśnialny Transformer Wyjaśnialny autoenkoder wariacyjny FEDformer: Transformer z ulepszoną dekompozycją częstotliwościową Dostrojony model dyfuzyjny Dostrojona generatywna sieć przeciwstawna Dostrojony GRU Dostrojona sieć LSTM Dostrojona rekurencyjna sieć neuronowa Dostrajanie podsumowywania tekstu Dostrojony Transformer Dostrojony wariacyjny autoenkoder Dostrojony Vision Transformer Gated Recurrent Unit (GRU)Generatywna Sieć Antagonistyczna Sieć uwagi grafowej Jednostka bramkowana rekurencyjna (GRU)Informer iTransformer Modele dyfuzyjne w przestrzeni utajonej Długa pamięć krótkotrwała (LSTM)Longformer / BigBird LSTM Zamaskowane autoenkodery Moirai: Uniwersalny Transformer do prognozowania szeregów czasowych Wielojęzyczny model dyfuzyjny Wielojęzyczna GAN Wielojęzyczne GRU Wielojęzyczne LSTM Wielojęzyczna rekurencyjna sieć neuronowa Streszczanie wielojęzycznych tekstów Wielojęzyczny autoenkoder wariacyjny Wielojęzyczny Transformer Wizyjny Model dyfuzyjny multimodalny Wielomodalny GAN Multimodal GRU Multimodal LSTM Wielomodalna rekurencyjna sieć neuronowa Transformator multimodalny Wielomodalny autoenkoder wariacyjny Multimodal Vision Transformer Non-stationary Transformer PatchTST Pyraformer Rekurencyjna Sieć Neuronowa Reformer: Efektywny Transformer dla Długich Sekwencji Generatywny model bazujący na funkcji "score"SegRNN Multi-Head Self-Attention Model dyfuzyjny uczony w sposób samodzielny Samo-nadzorowana sieć GAN Samonadzorowany GRU Samo-nadzorowany Transformer Samo-nadzorowany wariacyjny autoenkoder Samonadzorowane Vision Transformer Półnadzorowany model dyfuzyjny Półnadzorowany GAN Półnadzorowany GRU Półnadzorowane sieci LSTM Transformery z uczeniem półnadzorowanym Wariacyjny autoenkoder półnadzorowany Półnadzorowany Vision Transformer Model sekwencyjny do sekwencyjnego (Seq2Seq)Swin Transformer T5 (Text-to-Text Transfer Transformer)Temporal Fusion Transformer Time-MoE: Fundacyjny model szeregów czasowych z architekturą Mixture-of-Experts TiRex Transfer Learning GAN Uczenie transferowe z wariacyjnym autoenkoderem Transfer Learning z modelami dyfuzyjnymi Transfer Learning z LSTM Uczenie transferowe z rekurencyjną siecią neuronową Autoenkoder wariacyjny Vision Transformer Wasserstein GAN (WGAN)Słabo nadzorowany model dyfuzyjny Słabo nadzorowany GAN Słabo nadzorowany GRU Słabo nadzorowany LSTM Słabo nadzorowana rekurencyjna sieć neuronowa Słabo nadzorowany Transformer Słabo nadzorowany autoenkoder wariacyjny Słabo nadzorowany Vision Transformer

Więcej w grupie Uczenie głębokie

Architektury i trenowanie 124