Couvre les modèles générateurs en mettant l'accent sur l'auto-attention et les transformateurs, en discutant des méthodes d'échantillonnage et des moyens empiriques.
Couvre les techniques de réduction de dimensionnalité non linéaire à l'aide d'autoencodeurs, d'autoencodeurs profonds et d'autoencodeurs convolutifs pour diverses applications.
Explore les codeurs automatiques variables, l'inférence bayésienne, les espaces latents axés sur l'attention et l'efficacité des transformateurs dans le traitement des langues.
Explore la combinaison de la force et de la vision pour des tâches de manipulation efficaces en utilisant une représentation dimensionnelle inférieure.
Explore l'apprentissage autosupervisé pour les véhicules autonomes, en dérivant des étiquettes de données elles-mêmes et en discutant de ses applications et de ses défis.
Explore un cadre unifié pour la compréhension et l'évaluation de modèles de séquences génériques d'ADN/ARN ou de protéines, couvrant des sujets tels que la coévolution, la conservation et différents modèles tels que GREMLIN et BERT.
Explore l'optimisation des réseaux neuronaux, y compris la rétropropagation, la normalisation des lots, l'initialisation du poids et les stratégies de recherche d'hyperparamètres.
Explore les théories des émotions, les applications et les modèles prédictifs dans l'informatique affective, en analysant les tendances de financement de la NSF, l'impact des émotions sur l'éducation et la médecine, et la détection des émotions à travers des signaux physiologiques et des données visuelles.
