« MambaFromer pour les séries chronologiques » : différence entre les versions
m (Arianne a déplacé la page MambaFormer for Time-series vers MambaFormer pour les séries chronologiques) |
Aucun résumé des modifications |
||
(5 versions intermédiaires par 2 utilisateurs non affichées) | |||
Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
MambaFromer pour les séries | MambaFromer pour les séries chronologiques désigne un modèle ayant une architecture hybride qui intègre intérieurement les avantages du '''[[réseau autoattentif]]''' (''transformer'' en anglais), soit l'encodeur, et de Mamba, le décodeur, pour la prévision des séries chronologiques à long terme. Il fournit une solution à la modélisation de séquences plus puissante et efficace, qui peut accomplir diverses tâches complexes de '''[[traitement automatique de la langue naturelle]]''' (TALN). MambaFormer améliore aussi la précision et la généralisation du TALN. | ||
Voir aussi '''[[série chronologique]]''' | Voir aussi '''[[série chronologique]]''' | ||
Ligne 31 : | Ligne 29 : | ||
[[Catégorie: | [[Catégorie:ENGLISH]] | ||
[[Catégorie:GRAND LEXIQUE FRANÇAIS]] |
Dernière version du 30 septembre 2024 à 17:43
Définition
MambaFromer pour les séries chronologiques désigne un modèle ayant une architecture hybride qui intègre intérieurement les avantages du réseau autoattentif (transformer en anglais), soit l'encodeur, et de Mamba, le décodeur, pour la prévision des séries chronologiques à long terme. Il fournit une solution à la modélisation de séquences plus puissante et efficace, qui peut accomplir diverses tâches complexes de traitement automatique de la langue naturelle (TALN). MambaFormer améliore aussi la précision et la généralisation du TALN.
Voir aussi série chronologique
Français
MambaFormer pour les séries chronologiques
MambaFormer pour les séries temporelles
MambaFormer
TransMamba
Anglais
MambaFormer for Time-series
MambaFormer
TransMamba
MambaFormer for Time-Series is a model with an hybrid architecture that internally integrates strengths of Transformer (encoder) and Mamba (decoder) for long-shot range time series forecasting and ensures a more powerful and efficient sequence modeling solution that can address the challenges of complex and diverse natural language processing tasks and enhances their accuracy and generalization.