实体
Deep State Space Models for Unconditional Word Generation
Deep State Space Models for Unconditional Word Generation
PulseAugur coverage of Deep State Space Models for Unconditional Word Generation — every cluster mentioning Deep State Space Models for Unconditional Word Generation across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新框架改进深度状态空间模型以进行序列预测
研究人员引入了一个新的深度状态空间模型（DSSMs）训练框架，旨在提高它们学习序列数据中潜在动态的能力。该方法解决了当前最大化证据下界（evidence lower bound）方法的局限性，这种方法不能保证准确的动态学习。提出的框架包括扩展卡尔曼变分自编码器（EKVAE），它结合了变分推断和贝叶斯滤波，比传统的基于RNN的DSSMs更有效地建模动态。实验表明，该方法提高了系统识别和预测的准确性，其中EKVAE在建模动态系统和解耦静态…
-
新 PVMC 方法加速深度状态空间模型训练
研究人员开发了一种名为并行变分蒙特卡洛（PVMC）的新训练方法，以应对大规模训练深度状态空间模型（DSSMs）的挑战。现有的方法，例如自动编码 DSSMs 和使用顺序蒙特卡洛（SMC）算法的方法，在可扩展性和硬件效率方面存在局限性。PVMC 弥合了这些方法之间的差距，能够对生成式和判别式任务进行稳健的训练。据报道，这种新方法取得了最先进的成果，并且训练速度比以前的基于 SMC 的技术快十倍。