Sekvenčné a generatívne modely

103 — metódy v tejto rodine.

Vybrané

Mechanizmus pozornostiThe 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 AutoenkodérAn 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 Bidirectional RNNA 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: Nepárový preklad obrazu na obraz s cyklickou konzistenciouCycleGAN, 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.

Rekurentná neurónová sieť1986–1990by 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.
Generatívna protiadverзárna sieť2014by Goodfellow, I. et al.
Variačný autoenkodér2014by Kingma, D. P. & Welling, M.
Jemne vyladený Transformer2017–2019by Vaswani et al. (architecture); fine-tuning paradigm popularised by Howard & Ruder, Devlin et al.
Multimodálny Transformer2019–2021by Lu et al. (ViLBERT); Radford et al. (CLIP)
Vision Transformer2021by Dosovitskiy, A. et al.

all methods on this shelf ↓

Všetky metódy 103

Mechanizmus pozornosti Autoenkodér Bidirectional RNN Crossformer CycleGAN: Nepárový preklad obrazu na obraz s cyklickou konzistenciou DeepAR Difúzny model Doménovo adaptívny difúzny model Doménovo adaptívny GAN Doménovo adaptovaný GRU Doménovo adaptívna rekurentná neurónová sieť Doménovo adaptované vety v podobe vektorov (embeddingov)Domain-Adaptive Transformer Doménovo adaptívny variačný autoenkodér Adaptívny ViT pre doménu Vysvetliteľný difúzny model Vysvetliteľné GAN Vysvetliteľný GRU Vysvetliteľná LSTM Vysvetliteľná rekurentná neurónová sieť Vysvetliteľný Transformer Vysvetliteľný variačný autoenkodér FEDformer: Frekvenčne vylepšený dekomponovaný Transformer Model difúzie s doladením Jemne doladená generatívna adverzárna sieť Jemne vyladená GRU Jemne vyladené LSTM Dolaďovaná rekurentná neurónová sieť Jemné doladenie sumarizácie textu Jemne vyladený Transformer Jemne doladený variačný autoenkodér Jemne doladený Vision Transformer Gated Recurrent Unit (GRU)Generatívna protiadverзárna sieť Grafová at enčná sieť Gated Recurrent Unit (GRU)Informer iTransformer: Invertovaný Transformer pre multivariátne časové predikcie Latentné difúzne modely Long Short-Term Memory (LSTM)Longformer / BigBird LSTM Maskované autoenkodéry Moirai: Univerzálny Transformer pre predikciu časových radov Multilingual Diffusion Model Multilingual GAN Viacjazyčný GRU Viacjazykové LSTM Viacjazyčná rekurentná neurónová sieť Viacjazyčné zhrnutie textu Multilingual Variational Autoencoder Multilingual vision transformer Multimodálny difúzny model Multimodálny GAN Multimodálna GRU Multimodal LSTM Multimodálna rekurentná neurónová sieť Multimodálny Transformer Multimodálny variančný autoenkodér Multimodálny Transformer pre víziu Nestacionárny Transformer PatchTST Pyraformer: Pyramidal Transformer pre dlhodobé časové predikcie Rekurentná neurónová sieť Reformer: Efektívny Transformer pre dlhé sekvencie Generatívny model založený na skóre SegRNN: Segment Recurrent Neural Network pre dlhodobé predikcie časových radov Viac-hlavová vlastná pozornosť Samo-riadený difúzny model Self-supervised GAN Samoučujúca sa GRU Samoučiací sa Transformer Samoučiaci sa variačný autoenkodér Samoučiaci sa Vision Transformer Polosupervizovaný difúzny model Semi-supervised GAN Polosupervizovaný GRU Semi-supervised LSTM Polosamoučený Transformer Poloautomatický variačný autoenkodér Vizuálny transformátor (Vision Transformer, ViT) so semi-dohľadom Model sekvencia-na-sekvenciu Swin Transformer T5 (Text-to-Text Transfer Transformer)Temporal Fusion Transformer Time-MoE: Model zameraný na časové rady založený na zmesi expertov TiRex: Bezpredmetné časové predpovedanie s xLSTM Prenosové učenie GAN Prenosové učenie s variačným autoenkodérom Prenosové učenie s difúznym modelom Prenosové učenie s LSTM Prenosové učenie s rekurentnou neurónovou sieťou Variačný autoenkodér Vision Transformer Wasserstein GAN (WGAN)Slabo supervidovaný difúzny model Slabo supervidovaný GAN Slabo dohliadaná GRU Weakly supervised LSTM Slabá rekurentná neurónová sieť Slabo supervidovaný Transformer Variabilný autoenkodér so slabým dohľadom Slabý vizuálny transformátor s dozorom

Viac v skupine Hlboké učenie

Architektúry a trénovanie 124