Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Масковані автокодувальники× | QLoRA× | |
|---|---|---|
| Галузь | Глибоке навчання | Глибоке навчання |
| Родина | Machine learning | Machine learning |
| Рік появи≠ | 2021 | 2023 |
| Автор методу≠ | Kaiming He | Tim Dettmers |
| Тип≠ | Neural network architecture | Training methodology |
| Основоположне джерело≠ | He, K., Chen, X., Xie, S., Li, Y., Dollár, P., & Girshick, R. (2022). Masked autoencoders are scalable vision learners. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 16000-16009). DOI ↗ | Dettmers, T., Pagnoni, A., Holtzman, A., & Contrastive, L. (2023). QLoRA: Efficient finetuning of quantized LLMs. arXiv preprint arXiv:2305.14314. link ↗ |
| Інші назви | MAE, Vision MAE | QLoRA, Quantized LoRA |
| Пов'язані | 4 | 4 |
| Підсумок≠ | Masked Autoencoders (MAE) is a self-supervised learning approach introduced by He et al. in 2021 that masks random patches of an image and trains a model to reconstruct the missing content. Adapting the masked language modeling paradigm from NLP to vision, MAE learns rich visual representations by solving a challenging reconstruction task without requiring labels. | QLoRA is an efficient fine-tuning method introduced by Dettmers et al. in 2023 that enables fine-tuning large language models using quantization and low-rank adaptation. By combining 4-bit quantization with LoRA, QLoRA reduces memory requirements by 75%, enabling fine-tuning of 65B-parameter models on single GPUs. |
| ScholarGateНабір даних ↗ |
|
|