ลำดับและการสร้าง

103 วิธีในตระกูลนี้

แนะนำ

กลไกการใส่ใจ (Attention Mechanism)The 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 ออโตเอ็นโค้ดเดอร์An 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 โครงข่ายประสาทเทียมแบบวนซ้ำสองทิศทางA 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: การแปลภาพต่อภาพแบบไม่จับคู่ด้วยความสอดคล้องแบบวัฏจักรCycleGAN, 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

เส้นทางการอ่าน

ระเบียบวิธีเชิงรากฐานที่ถูกอ้างอิงมากที่สุดของหัวข้อนี้ เรียงตามลำดับการพัฒนา — จุดเริ่มต้นที่ดีหากท่านเพิ่งเริ่มศึกษา

โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)1986–1990โดย Rumelhart, D. E.; Elman, J. L.
หน่วยความจำระยะสั้นแบบยาว (LSTM)1997โดย Hochreiter, S. & Schmidhuber, J.
หน่วยความจำแบบวนซ้ำแบบมีประตู (Gated Recurrent Unit - GRU)2014โดย Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y.
โครงข่ายปฏิปักษ์เชิงกำเนิด2014โดย Goodfellow, I. et al.
ตัวเข้ารหัสอัตโนมัติแบบแปรผัน2014โดย Kingma, D. P. & Welling, M.
การปรับจูนทรานส์ฟอร์มเมอร์ (Fine-Tuned Transformer)2017–2019โดย Vaswani et al. (architecture); fine-tuning paradigm popularised by Howard & Ruder, Devlin et al.
Multimodal Transformer2019–2021โดย Lu et al. (ViLBERT); Radford et al. (CLIP)
วิชันทรานส์ฟอร์มเมอร์2021โดย Dosovitskiy, A. et al.

ระเบียบวิธีทั้งหมดบนชั้นนี้ ↓

วิธีทั้งหมด 103

กลไกการใส่ใจ (Attention Mechanism)ออโตเอ็นโค้ดเดอร์โครงข่ายประสาทเทียมแบบวนซ้ำสองทิศทาง Crossformer CycleGAN: การแปลภาพต่อภาพแบบไม่จับคู่ด้วยความสอดคล้องแบบวัฏจักร DeepAR แบบจำลองการแพร่ (Diffusion Model)แบบจำลองการแพร่กระจายแบบปรับตามโดเมน เครือข่ายก่อกำเนิดที่ปรับตามโดเมน Domain-Adaptive GRU โครงข่ายประสาทเทียมเวียนซ้ำแบบปรับโดเมน การฝังประโยคแบบปรับตัวตามโดเมน (Domain-Adaptive Sentence Embeddings)โดเมน-อะแดปทีฟ ทรานส์ฟอร์มเมอร์Domain-Adaptive Variational Autoencoder วิทัศน์ทรานส์ฟอร์มปรับโดเมน (Domain-Adaptive Vision Transformer - DA-ViT)แบบจำลองการแพร่กระจายที่อธิบายได้Explainable GAN GRU ที่อธิบายได้LSTM ที่อธิบายได้โครงข่ายประสาทเทียมเวียนซ้ำที่อธิบายได้ทรานส์ฟอร์มเมอร์ที่อธิบายได้ตัวเข้ารหัส-ถอดรหัสแบบแปรผันที่อธิบายได้FEDformer: หม้อแปลงไฟฟ้าแบบแยกส่วนที่ปรับปรุงความถี่โมเดลการแพร่กระจายที่ปรับละเอียด เครือข่ายปฏิปักษ์เชิงกำเนิดที่ปรับละเอียดแล้ว GRU แบบละเอียด Fine-Tuned LSTM เครือข่ายประสาทเทียมแบบวนซ้ำที่ปรับละเอียด (Fine-Tuned Recurrent Neural Network)การสรุปความข้อความแบบปรับละเอียด การปรับจูนทรานส์ฟอร์มเมอร์ (Fine-Tuned Transformer)ตัวเข้ารหัสอัตโนมัติแบบแปรผันที่ปรับจูนอย่างละเอียด วิชันทรานส์ฟอร์มเมอร์ที่ปรับละเอียด หน่วยความจำแบบวนซ้ำแบบมีประตู (Gated Recurrent Unit - GRU)โครงข่ายปฏิปักษ์เชิงกำเนิด Graph Attention Network Gated Recurrent Unit (GRU)Informer iTransformer: การแปลงอินเวอร์สสำหรับอนุกรมเวลาหลายตัวแปร [NEEDS TRANSLATION]หน่วยความจำระยะสั้นแบบยาว (LSTM)Longformer / BigBird แอลเอสทีเอ็ม Masked Autoencoders Moirai: แบบจำลองพื้นฐานสำหรับการพยากรณ์อนุกรมเวลาแบบสากล แบบจำลองการแพร่กระจายหลายภาษา GAN แบบหลายภาษา Multilingual GRU LSTM หลายภาษา โครงข่ายประสาทเทียมเวียนซ้ำหลายภาษา การสรุปความข้อความหลายภาษา Multilingual Variational Autoencoder Multilingual Vision Transformer แบบจำลองการแพร่กระจายหลายรูปแบบ Multimodal GAN GRU หลายรูปแบบ Multimodal LSTM โครงข่ายประสาทเทียมเวียนซ้ำหลายรูปแบบ Multimodal Transformer Multimodal Variational Autoencoder ทรานส์ฟอร์มเมอร์วิสัยทัศน์หลายรูปแบบ Transformer ไม่คงที่PatchTST Pyraformer: Pyramidal Attention Transformer สำหรับการพยากรณ์อนุกรมเวลาช่วงยาว โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)Reformer: The Efficient Transformer for Long Sequences แบบจำลองเชิงกำเนิดที่ใช้คะแนน SegRNN: Segment Recurrent Neural Network สำหรับการพยากรณ์อนุกรมเวลาแบบระยะยาว ความสนใจหลายหัวของตนเอง (Multi-Head Self-Attention)แบบจำลองการแพร่กระจายแบบกำกับตนเอง GAN แบบกำกับตนเอง หน่วยประสาทซ้ำแบบเกทที่เรียนรู้ด้วยตนเอง (Self-supervised GRU)Self-supervised Transformer Self-supervised Variational Autoencoder Self-supervised Vision Transformer แบบจำลองการแพร่กระจายแบบกึ่งควบคุม (Semi-supervised Diffusion Model)GAN แบบกึ่งกำกับดูแล เซมิซูเปอร์ไวส์ GRU LSTM แบบกึ่งกำกับดูแล Transformer แบบกึ่งกำกับดูแล Variational Autoencoder แบบกึ่งกำกับดูแล หม้อแปลงวิทัศน์แบบกึ่งมีผู้สอน แบบจำลองลำดับต่อลำดับ Swin Transformer (โปรแกรมแปลง Swin)T5 (Text-to-Text Transfer Transformer)ตัวแปลงฟิวชั่นเชิงเวลา Time-MoE: แบบจำลองพื้นฐานอนุกรมเวลาแบบผสมผสานผู้เชี่ยวชาญ (Mixture-of-Experts)TiRex: การพยากรณ์อนุกรมเวลาแบบ Zero-Shot ด้วย xLSTM Transfer Learning GAN การเรียนรู้แบบถ่ายโอนด้วย Variational Autoencoder การเรียนรู้แบบถ่ายโอนด้วยแบบจำลองการแพร่กระจาย การเรียนรู้แบบถ่ายโอนด้วย LSTM การเรียนรู้แบบถ่ายโอนด้วยโครงข่ายประสาทเทียมแบบเวียนซ้ำ ตัวเข้ารหัสอัตโนมัติแบบแปรผัน วิชันทรานส์ฟอร์มเมอร์Wasserstein GAN (WGAN)แบบจำลองการแพร่กระจายแบบกำกับดูแลอย่างอ่อน (Weakly Supervised Diffusion Model)GAN แบบมีการกำกับดูแลอย่างอ่อน GRU ที่ได้รับการกำกับดูแลแบบอ่อน Weakly Supervised LSTM Recurrent Neural Network แบบเรียนรู้ด้วยการกำกับดูแลแบบอ่อน Weakly Supervised Transformer Weakly Supervised Variational Autoencoder วิทัศน์ทรานส์ฟอร์มแบบมีผู้สอนแบบอ่อน

เพิ่มเติมใน การเรียนรู้เชิงลึก

สถาปัตยกรรมและการฝึก 124