Réseau neuronal d'espaces d'états structurés - Historique des versions

Pitpitt le 20 avril 2026 à 00:34

2026-04-20T00:34:53Z

← Version précédente		Version du 19 avril 2026 à 20:34
Ligne 51 :		Ligne 51 :

	'''state space model learning'''		'''state space model learning'''

			A deep neural network architecture that borrows from recurrent networks, convolutional networks and state space representations to model and process long sequences more efficiently.

	==Español==		==Español==

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

2025-09-24T00:56:25Z

Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

← Version précédente		Version du 23 septembre 2025 à 20:56
Ligne 53 :		Ligne 53 :

	==Español==		==Español==
			[[Catégorie:es]]

	''''' modelo secuencial de espacio de estados estructurado '''''		''''' modelo secuencial de espacio de estados estructurado '''''

Jean-Sébastien Zavalone le 22 juillet 2025 à 15:39

2025-07-22T15:39:22Z

← Version précédente		Version du 22 juillet 2025 à 11:39
Ligne 51 :		Ligne 51 :

	'''state space model learning'''		'''state space model learning'''

			==Español==

			''''' modelo secuencial de espacio de estados estructurado '''''

			''Una arquitectura de red neuronal profunda que toma prestado de las redes recurrentes, las redes neuronales de convolución y las representaciones del espacio de estados y se utiliza para modelar y procesar secuencias largas de forma más eficiente.''

	==Sources==		==Sources==
Ligne 62 :		Ligne 68 :
	[https://fr.wikipedia.org/wiki/Repr%C3%A9sentation_d%27%C3%A9tat ''Représentation d'état'' - Wikipedia]		[https://fr.wikipedia.org/wiki/Repr%C3%A9sentation_d%27%C3%A9tat ''Représentation d'état'' - Wikipedia]

			{{Modèle:101}}
	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]

Pitpitt le 17 janvier 2025 à 15:23

2025-01-17T15:23:40Z

← Version précédente		Version du 17 janvier 2025 à 11:23
Ligne 63 :		Ligne 63 :

	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
			[[Catégorie:101]]

Arianne le 13 janvier 2025 à 19:43

2025-01-13T19:43:00Z

← Version précédente		Version du 13 janvier 2025 à 15:43
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==

	Architecture de [[réseau de neurones profond\|réseaux de ~~neurone~~ profonds]] qui emprunte à la fois aux [[Réseau récurrent\|réseaux récurrents]], aux [[Réseau convolutif\|réseaux convolutifs]] et aux représentations d'espaces d'états qui sert à modéliser et traiter plus efficacement de [[Modèle séquence à séquence\|longues séquences]].		Architecture de [[réseau de neurones profond\|réseaux de neurones profonds]] qui emprunte à la fois aux [[Réseau récurrent\|réseaux récurrents]], aux [[Réseau convolutif\|réseaux convolutifs]] et aux représentations d'[[espace des états\|espaces d'états]] qui sert à modéliser et à traiter plus efficacement de [[Modèle séquence à séquence\|longues séquences]].

	== Compléments ==		== Compléments ==

Claude COULOMBE le 5 juin 2024 à 04:33

2024-06-05T04:33:12Z

← Version précédente		Version du 5 juin 2024 à 00:33
Ligne 27 :		Ligne 27 :

	'''réseau N2E2S'''		'''réseau N2E2S'''

			'''réseau d'espaces d'états structurés'''

	'''modèle neuronal d'espaces d'états structurés'''		'''modèle neuronal d'espaces d'états structurés'''

Claude COULOMBE le 27 avril 2024 à 05:50

2024-04-27T05:50:19Z

← Version précédente		Version du 27 avril 2024 à 01:50
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==

	Architecture de [[réseau de neurones profond\|réseaux de neurone profonds]] qui emprunte à la fois aux [[Réseau récurrent\|réseaux récurrents]], aux [[Réseau convolutif\|réseaux convolutifs]] et aux représentations d'espaces d'états ~~structurés~~ qui sert à modéliser et traiter plus efficacement de [[Modèle séquence à séquence\|longues séquences]].		Architecture de [[réseau de neurones profond\|réseaux de neurone profonds]] qui emprunte à la fois aux [[Réseau récurrent\|réseaux récurrents]], aux [[Réseau convolutif\|réseaux convolutifs]] et aux représentations d'espaces d'états qui sert à modéliser et traiter plus efficacement de [[Modèle séquence à séquence\|longues séquences]].

	== Compléments ==		== Compléments ==

	Le concept de base est celui des modèles d'espaces d'états, en anglais SSM (State Space Model) étendus par l'ajout d'une structure pour la modélisation de longues séquences ~~(S4 Model: Structured State Space Sequence Model)~~.		Le concept de base est celui des modèles d'espaces d'états, en anglais SSM (State Space Model) étendus par l'ajout d'une structure pour la modélisation de longues séquences.

	Pour le distinguer d'un réseau classique d'espaces d'états, nous suggérons d'ajouter l'adjectif « neuronal », ce qui donne ''réseau neuronal d'espaces d'états ~~structurés~~'' ou ''réseau N2ES''.		Pour le distinguer d'un réseau classique d'espaces d'états, nous suggérons d'ajouter l'adjectif « neuronal », ce qui donne ''réseau neuronal d'espaces d'états structuré'' ou ''réseau N2ES''.

	Aussi, il nous semble que le mot « séquence » s'applique à ce qui est modélisé et non pas à la nature de l'algorithme, mais par abus de langage, on ajoute le mot « séquence » pour obtenir en anglais S4 (S4 Model: Structured State Space Sequence Model). Ce qui donne en français, ''réseau neuronal d'espaces d'états structurés pour séquences'' ou réseau N2E2S qui se prononce réseau N-2E-2S.		Aussi, il nous semble que le mot « séquence » s'applique à ce qui est modélisé et non pas à la nature de l'algorithme, mais par abus de langage, on ajoute le mot « séquence » pour obtenir en anglais S4 (S4 Model: Structured State Space Sequence Model). Ce qui donne en français, ''réseau neuronal d'espaces d'états structurés pour séquences'' ou réseau N2E2S qui se prononce réseau N-2E-2S.

Claude COULOMBE le 27 avril 2024 à 05:44

2024-04-27T05:44:55Z

← Version précédente		Version du 27 avril 2024 à 01:44
Ligne 7 :		Ligne 7 :
	Le concept de base est celui des modèles d'espaces d'états, en anglais SSM (State Space Model) étendus par l'ajout d'une structure pour la modélisation de longues séquences (S4 Model: Structured State Space Sequence Model).		Le concept de base est celui des modèles d'espaces d'états, en anglais SSM (State Space Model) étendus par l'ajout d'une structure pour la modélisation de longues séquences (S4 Model: Structured State Space Sequence Model).

	Pour le distinguer d'un réseau d'espaces d'états ~~classique~~, nous suggérons d'ajouter l'adjectif « neuronal », ce qui donne ''réseau neuronal d'espaces d'états structurés'' ou ''réseau N2ES''.		Pour le distinguer d'un réseau classique d'espaces d'états, nous suggérons d'ajouter l'adjectif « neuronal », ce qui donne ''réseau neuronal d'espaces d'états structurés'' ou ''réseau N2ES''.

	Aussi, il nous semble que le mot « séquence » s'applique à ce qui est modélisé et non pas à la nature de l'algorithme, mais par abus de langage, on ajoute le mot « séquence » pour obtenir en anglais S4 (S4 Model: Structured State Space Sequence Model). Ce qui donne en français, ''réseau neuronal d'espaces d'états structurés pour séquences'' ou réseau N2E2S qui se prononce réseau N-2E-2S.		Aussi, il nous semble que le mot « séquence » s'applique à ce qui est modélisé et non pas à la nature de l'algorithme, mais par abus de langage, on ajoute le mot « séquence » pour obtenir en anglais S4 (S4 Model: Structured State Space Sequence Model). Ce qui donne en français, ''réseau neuronal d'espaces d'états structurés pour séquences'' ou réseau N2E2S qui se prononce réseau N-2E-2S.

Claude COULOMBE : Claude COULOMBE a déplacé la page Réseau d'espaces d'états structurés pour séquences vers Réseau neuronal d'espaces d'états structurés

2024-04-27T05:27:02Z

Claude COULOMBE a déplacé la page Réseau d'espaces d'états structurés pour séquences vers Réseau neuronal d'espaces d'états structurés

← Version précédente	Version du 27 avril 2024 à 01:27
(Aucune différence)

Claude COULOMBE le 27 avril 2024 à 05:26

2024-04-27T05:26:36Z

← Version précédente		Version du 27 avril 2024 à 01:26
Ligne 7 :		Ligne 7 :
	Le concept de base est celui des modèles d'espaces d'états, en anglais SSM (State Space Model) étendus par l'ajout d'une structure pour la modélisation de longues séquences (S4 Model: Structured State Space Sequence Model).		Le concept de base est celui des modèles d'espaces d'états, en anglais SSM (State Space Model) étendus par l'ajout d'une structure pour la modélisation de longues séquences (S4 Model: Structured State Space Sequence Model).

	Il nous ~~semble que le mot « séquence » s~~'~~applique à ce qui est modélisé et non pas à la nature de~~ l'~~algorithme, mais par abus de langage, on ajoute le mot~~ « ~~séquence~~ » ~~pour obtenir en anglais S4 (S4 Model: Structured State Space Sequence Model). Ce~~ qui donne ~~en français,~~ ''réseau d'espaces d'états structurés ~~pour séquences~~'' ou ~~R2E2S qui se prononce R-2E-2S~~.		Pour le distinguer d'un réseau d'espaces d'états classique, nous suggérons d'ajouter l'adjectif « neuronal », ce qui donne ''réseau neuronal d'espaces d'états structurés'' ou ''réseau N2ES''.

	Ce terme s'applique à la fois aux architectures, aux modèles, aux réseaux de neurones profonds et parfois ~~aux types~~ d'apprentissage.		Aussi, il nous semble que le mot « séquence » s'applique à ce qui est modélisé et non pas à la nature de l'algorithme, mais par abus de langage, on ajoute le mot « séquence » pour obtenir en anglais S4 (S4 Model: Structured State Space Sequence Model). Ce qui donne en français, ''réseau neuronal d'espaces d'états structurés pour séquences'' ou réseau N2E2S qui se prononce réseau N-2E-2S.

			Ce terme s'applique à la fois aux architectures, aux modèles, aux réseaux de neurones profonds et parfois au type d'apprentissage.

	<hr/>		<hr/>
	Les réseaux ~~profonds~~ d'espaces d'états structurés (~~R2E2S~~) ont été conçus pour surmonter ~~certaines~~ problèmes des [[Réseau autoattentif\|modèles autoattentifs]] (''transformers''), en particulier pour le traitement efficace de longues séquences.		Les réseaux neuronaux d'espaces d'états structurés (réseau N2ES) ont été conçus pour surmonter certains problèmes des [[Réseau autoattentif\|modèles autoattentifs]] (''transformers''), en particulier pour le traitement efficace de longues séquences.

	Il existe un grand nombre de variantes d'architectures ~~R2ES~~: [[Mamba]], HiPPO, LSSL, SaShiMi, DSS, HTTYH, S4D, and S4ND.		Il existe un grand nombre de variantes d'architectures RN2E2S: [[Mamba]], HiPPO, LSSL, SaShiMi, DSS, HTTYH, S4D, and S4ND.

	==Français==		==Français==

	'''réseau d'espaces d'états structurés ~~pour séquences~~'''		'''réseau neuronal d'espaces d'états structurés'''

			'''réseau N2ES'''

	'''réseau ~~2E2S~~'''		'''réseau neuronal d'espaces d'états structurés pour séquences'''

	'''~~R2E2S~~'''		'''réseau N2E2S'''

	'''modèle d'espaces d'états structurés ~~pour séquences~~'''		'''modèle neuronal d'espaces d'états structurés'''

	'''modèle ~~2E2S~~'''		'''modèle N2ES'''

	'''architecture d'espaces d'états structurés ~~pour séquences~~'''		'''architecture neuronale d'espaces d'états structurés'''

	'''architecture ~~2E2S~~'''		'''architecture N2ES'''

	==Anglais==		==Anglais==