Machine learning

Механізм уваги

Механізм уваги, представлений Багданау, Чо та Бенджіо у 2015 році та вдосконалений Луонгом, Фам та Меннінгом того ж року, дозволяє декодеру послідовності динамічно вивчати, на які виходи кодера слід зосередитися на кожному кроці. До появи Трансформера він суттєво покращив якість машинного перекладу, звільнивши моделі від необхідності стискати весь вхідний сигнал в один фіксований вектор.

Відкрити у MethodMindНезабаромВідеоНезабаромDownload slides

Читати метод повністю

Лише для учасників

Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.

Увійти

Method map

The neighbourhood of related methods — select a node to explore.

+3 more

Джерела

  1. Bahdanau, D., Cho, K. & Bengio, Y. (2015). Neural Machine Translation by Jointly Learning to Align and Translate. ICLR. link
  2. Luong, M.T., Pham, H. & Manning, C.D. (2015). Effective Approaches to Attention-based Neural Machine Translation. EMNLP, 1412–1421. DOI: 10.18653/v1/D15-1166

Як цитувати цю сторінку

ScholarGate. (2026, June 1). Attention Mechanism (Bahdanau / Luong Attention). ScholarGate. https://scholargate.app/uk/deep-learning/attention-mechanism

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.

Compare side by side

Згадується в

ScholarGateAttention Mechanism (Attention Mechanism (Bahdanau / Luong Attention)). Отримано 2026-06-15 з https://scholargate.app/uk/deep-learning/attention-mechanism · Набір даних: https://doi.org/10.5281/zenodo.20539026