Mamba (tillståndsrumsmodell)
Mamba är en sekvensmodellarkitektur som introducerades av Gu och Dao 2023. Den uppnår linjär tidskomplexitet samtidigt som den bibehåller stark prestanda vid språkmodelleringsuppgifter. Genom att kombinera tillståndsrumsmodeller med indata-beroende selektivitet, hanterar Mamba transformatorers kvadratiska komplexitet samtidigt som modelleringsförmågan bevaras.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Gu, A., & Dao, C. (2023). Mamba: Linear-time sequence modeling with selective state spaces. arXiv preprint arXiv:2312.08956. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Mamba: Linear-Time Sequence Modeling with Selective State Spaces. ScholarGate. https://scholargate.app/sv/deep-learning/mamba
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Latent Diffusion ModelsDjupinlärning↔ compare
- Maskerade autoenkodrarDjupinlärning↔ compare
- Vision MambaDjupinlärning↔ compare
- Vision TransformerDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →