Arhitecturi și antrenare
124 metode în această familie.
Recomandate
Antrenament adversarialAdversarial Training is a robust optimization procedure for deep neural networks in which the model is trained not on clean data alone but on worst-case perturbed inputs crafted duAlexNetAlexNet is a deep convolutional neural network (CNN) introduced by Alex Krizhevsky, Ilya Sutskever, and Geoffrey Hinton in 2012. It won the ImageNet Large Scale Visual Recognition Normalizare pe loturiBatch Normalization is a training technique introduced by Sergey Ioffe and Christian Szegedy in 2015 that normalizes the pre-activation outputs of each layer using the mean and varCapsule NetworkA Capsule Network (CapsNet) is a deep learning architecture introduced by Sara Sabour, Nicholas Frosst and Geoffrey Hinton in 2017 that organises neurons as vectors (capsules) rathRețea Neuronală Convoluțională (Clasificare)A Convolutional Neural Network (CNN) is a deep learning model, established by LeCun and colleagues in 1998, that learns local patterns directly from images and structured data to cÎnvățarea prin curriculumCurriculum Learning is a training strategy for machine learning models, introduced by Bengio et al. in 2009, in which training examples are presented in a meaningful order—typicall
Traseu de lectură
Cele mai citate metode fundamentale ale acestui subiect, în ordinea în care au fost dezvoltate — un punct de plecare dacă vă aflați aici pentru prima dată.
Toate metodele 124
Antrenament adversarialAlexNetNormalizare pe loturiCapsule NetworkRețea Neuronală Convoluțională (Clasificare)Învățarea prin curriculumAugmentarea datelorRețea de credință profundă (DBN)Învățare prin consolidare profundăDenseNetCNN dilatatăDLinear: Model Linear de Descompunere pentru Prognoza Seriilor de TimpRețea neuronală convoluțională adaptivă la domeniuDoc2Vec adaptat la domeniuSegmentare adaptivă de domeniu pentru instanțePerceptron multistrat adaptiv la domeniuRăspuns la întrebări adaptat domeniuluiÎnvățare prin Recompensă Adaptivă la DomeniuSumarizare adaptată la domeniuDropoutRețea cu Stare de Ecou (Echo State Network)EfficientNetRețea Neuronală Grafică ExplicabilăSegmentare Explicabilă de InstanțăRăspunsuri la Întrebări ExplicabileÎnvățare prin Recompensă ExplicabilăEmbedding-uri de propoziție explicabileSumarizare Explicabilă de TextFaster R-CNNFiLM: Modelul de Memorie Îmbunătățit prin Frecvență LegendreRețea neuronală convoluțională (CNN) ajustată fin (Fine-Tuned)Doc2Vec Fin-ReglatPerceptron Multistrat Acordat FinÎnvățare prin Recompensă Fin AjustatăFreTS: MLPs în domeniul frecvenței pentru prognoza seriilor de timpRețea Neuronală Convoluțională pe Grafuri (GCN)Rețea Neuronală pe GrafuriRețeaua Inception (GoogLeNet)Segmentare de instanțăDistilarea cunoștințelorRețele Kolmogorov-ArnoldKoopa: Predictoare Koopman pentru Serii de Timp Non-staționareLightTS: MLP cu eșantionare ușoară pentru prognoza seriilor de timp multivariateLoRA și PEFTMamba (Model de Spațiu de Stări)MICNAmestec de ExperțiMobileNet: Rețele Neuronale Convoluționale Eficiente pentru Viziune MobilăPerceptron multistrat (MLP)Rețea Neuronală Convoluțională MultilingvăDoc2Vec multilingvRețea Neuronală pe Grafuri MultilingvăPerceptron multilingv cu mai multe straturiRăspunsuri la întrebări multilingveÎnvățare prin Recompensă MultilingvăEmbeddings multilingve pentru propozițiiRețea Neuronală Convoluțională MultimodalăMultimodal Doc2VecRețea Neuronală Graf MultimodalăSegmentarea instanțelor multimodalePerceptron Multimodal Stratificat (MM-MLP)Răspuns la întrebări multimodalÎnvățare prin consolidare multimodalăEmbeddings multimodale de propozițiiSumarizare multimodală de textÎnvățare multi-sarcinăN-BEATSN-BEATSxN-HiTSNEAT: NeuroEvolution of Augmenting TopologiesCăutarea Arhitecturilor NeuronaleODE-uri neuronaleCâmpuri de Radianță Neurale (NeRF)Transfer de Stil NeuralFluxuri de normalizareÎnvățare prin consolidareResNet (Rețea Reziduală)ResNeXtMașină Boltzmann Restricționată (RBM)SCINetModelul Segment AnythingRețea neuronală convoluțională auto-supervizatăSegmentarea instanțelor auto-supervizatăÎntrebări și Răspunsuri Auto-SupervizateÎnvățare prin consolidare auto-supervizatăEmbedding-uri de propoziții auto-supervizateRețea neuronală convoluțională semi-supervizatăDoc2Vec semi-supervizatRețea Neuronală pe Grafuri Semi-supervizatăSegmentare semi-supervizată a instanțelorPerceptron multistrat semi-supervizatRăspunsuri la întrebări semi-supervizateÎnvățare prin consolidare semi-supervizatăEmbeddings semi-supervizate de propozițiiSumarizare text semi-supervizatăSGD cu Momentum / Optimizator AdamRețea Neuronală SiameseSimCLRRețele neuronale convoluționale grafice spațio-temporaleSundial: Modele Fundamentale Generative pentru Serii de TimpTextCNNTiDE: Time-series Dense EncoderTimeMixer: Amestecare Descompunibilă Multiscală pentru Prognoza Seriilor de TimpTimesFM: Un model fundamental doar cu decodor pentru prognoza seriilor temporaleTimesNet: Modelare a Variației Temporale 2D pentru Serii de TimpÎnvățare prin transfer cu rețea neuronală convoluționalăÎnvățare prin transfer cu Rețele Neuronale pe GrafuriÎnvățare prin transfer cu segmentare de instanțeÎnvățarea prin Transfer cu Învățare prin ConsolidareTransfer Learning cu Sumarizarea TextuluiÎnvățare prin transfer cu Word2VecTSMixer: Arhitectură integral MLP pentru prognoza seriilor de timpU-NetVGGNet (Very Deep Convolutional Networks)Vision MambaÎnvățare vizuală contrastivăRețea neuronală convoluțională slab supervizatăRețea Neuronală Grafică cu Supervizare SlabăSegmentare de instanțe cu supervizare slabăPerceptron Multistrat Supervizat SlabRăspunsuri la întrebări slab supervizateÎnvățare prin consolidare slab supervizatăEmbedding-uri pentru propoziții slab supervizateSumarizarea textului cu supervizare slabă