Masked Gated Linear Unit
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Tajima, Yukito, Inoue, Nakamasa, Sekikawa, Yusuke, Sato, Ikuro, Yokota, Rio |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Rectified Lagrangian for Out-of-Distribution Detection in Modern Hopfield Networks
par: Moriai, Ryo, et autres
Publié: (2025)
par: Moriai, Ryo, et autres
Publié: (2025)
DF-Mamba: Deformable State Space Modeling for 3D Hand Pose Estimation in Interactions
par: Zhou, Yifan, et autres
Publié: (2025)
par: Zhou, Yifan, et autres
Publié: (2025)
On the Relationship Between Double Descent of CNNs and Shape/Texture Bias Under Learning Process
par: Iwase, Shun, et autres
Publié: (2025)
par: Iwase, Shun, et autres
Publié: (2025)
On the Optimal Reasoning Length for RL-Trained Language Models
par: Nohara, Daisuke, et autres
Publié: (2026)
par: Nohara, Daisuke, et autres
Publié: (2026)
Drop-Upcycling: Training Sparse Mixture of Experts with Partial Re-initialization
par: Nakamura, Taishi, et autres
Publié: (2025)
par: Nakamura, Taishi, et autres
Publié: (2025)
Takeuchi's Information Criteria as Generalization Measures for DNNs Close to NTK Regime
par: Naganuma, Hiroki, et autres
Publié: (2026)
par: Naganuma, Hiroki, et autres
Publié: (2026)
Gated Linear Attention Transformers with Hardware-Efficient Training
par: Yang, Songlin, et autres
Publié: (2023)
par: Yang, Songlin, et autres
Publié: (2023)
SEA: Sparse Linear Attention with Estimated Attention Mask
par: Lee, Heejun, et autres
Publié: (2023)
par: Lee, Heejun, et autres
Publié: (2023)
ELP-Adapters: Parameter Efficient Adapter Tuning for Various Speech Processing Tasks
par: Inoue, Nakamasa, et autres
Publié: (2024)
par: Inoue, Nakamasa, et autres
Publié: (2024)
Text Sentiment Analysis and Classification Based on Bidirectional Gated Recurrent Units (GRUs) Model
par: Xu, Wei, et autres
Publié: (2024)
par: Xu, Wei, et autres
Publié: (2024)
Enhancing Bangla Fake News Detection Using Bidirectional Gated Recurrent Units and Deep Learning Techniques
par: Roy, Utsha, et autres
Publié: (2024)
par: Roy, Utsha, et autres
Publié: (2024)
GUMBEL-NERF: Representing Unseen Objects as Part-Compositional Neural Radiance Fields
par: Sekikawa, Yusuke, et autres
Publié: (2024)
par: Sekikawa, Yusuke, et autres
Publié: (2024)
Griffin: Mixing Gated Linear Recurrences with Local Attention for Efficient Language Models
par: De, Soham, et autres
Publié: (2024)
par: De, Soham, et autres
Publié: (2024)
Dissecting Linear Recurrent Models: How Different Gating Strategies Drive Selectivity and Generalization
par: Bouhadjar, Younes, et autres
Publié: (2026)
par: Bouhadjar, Younes, et autres
Publié: (2026)
Improving LoRA with Variational Learning
par: Cong, Bai, et autres
Publié: (2025)
par: Cong, Bai, et autres
Publié: (2025)
Liger: Linearizing Large Language Models to Gated Recurrent Structures
par: Lan, Disen, et autres
Publié: (2025)
par: Lan, Disen, et autres
Publié: (2025)
Gating is Weighting: Understanding Gated Linear Attention through In-context Learning
par: Li, Yingcong, et autres
Publié: (2025)
par: Li, Yingcong, et autres
Publié: (2025)
Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks
par: Nakamura, Taishi, et autres
Publié: (2025)
par: Nakamura, Taishi, et autres
Publié: (2025)
Variational Low-Rank Adaptation Using IVON
par: Cong, Bai, et autres
Publié: (2024)
par: Cong, Bai, et autres
Publié: (2024)
Pre-training Vision Transformers with Formula-driven Supervised Learning
par: Kataoka, Hirokatsu, et autres
Publié: (2022)
par: Kataoka, Hirokatsu, et autres
Publié: (2022)
Faithfulness Measurable Masked Language Models
par: Madsen, Andreas, et autres
Publié: (2023)
par: Madsen, Andreas, et autres
Publié: (2023)
Representation Deficiency in Masked Language Modeling
par: Meng, Yu, et autres
Publié: (2023)
par: Meng, Yu, et autres
Publié: (2023)
Multi-Agent Debate with Memory Masking
par: Tian, Hongduan, et autres
Publié: (2026)
par: Tian, Hongduan, et autres
Publié: (2026)
Masked Mixers for Language Generation and Retrieval
par: Badger, Benjamin L.
Publié: (2024)
par: Badger, Benjamin L.
Publié: (2024)
CoGate-LSTM: Prototype-Guided Feature-Space Gating for Mitigating Gradient Dilution in Imbalanced Toxic Comment Classification
par: Mohammad, Noor Islam S.
Publié: (2025)
par: Mohammad, Noor Islam S.
Publié: (2025)
Contextual Text Denoising with Masked Language Models
par: Sun, Yifu, et autres
Publié: (2019)
par: Sun, Yifu, et autres
Publié: (2019)
Scaling Beyond Masked Diffusion Language Models
par: Sahoo, Subham Sekhar, et autres
Publié: (2026)
par: Sahoo, Subham Sekhar, et autres
Publié: (2026)
FGGM: Fisher-Guided Gradient Masking for Continual Learning
par: Tan, Chao-Hong, et autres
Publié: (2026)
par: Tan, Chao-Hong, et autres
Publié: (2026)
Improving Rare Word Translation With Dictionaries and Attention Masking
par: Sible, Kenneth J., et autres
Publié: (2024)
par: Sible, Kenneth J., et autres
Publié: (2024)
Understanding Gated Neurons in Transformers from Their Input-Output Functionality
par: Gerstner, Sebastian, et autres
Publié: (2025)
par: Gerstner, Sebastian, et autres
Publié: (2025)
In-context KV-Cache Eviction for LLMs via Attention-Gate
par: Zeng, Zihao, et autres
Publié: (2024)
par: Zeng, Zihao, et autres
Publié: (2024)
Gated Delta Networks: Improving Mamba2 with Delta Rule
par: Yang, Songlin, et autres
Publié: (2024)
par: Yang, Songlin, et autres
Publié: (2024)
GATES: Self-Distillation under Privileged Context with Consensus Gating
par: Stein, Alex, et autres
Publié: (2026)
par: Stein, Alex, et autres
Publié: (2026)
Max-pooling Network Revisited: Analyzing the Role of Semantic Probability in Multiple Instance Learning for Hallucination Detection
par: Fujikawa, Shota, et autres
Publié: (2026)
par: Fujikawa, Shota, et autres
Publié: (2026)
Rethinking Associative Memory Mechanism in Induction Head
par: Wang, Shuo, et autres
Publié: (2024)
par: Wang, Shuo, et autres
Publié: (2024)
Stopping Computation for Converged Tokens in Masked Diffusion-LM Decoding
par: Oba, Daisuke, et autres
Publié: (2026)
par: Oba, Daisuke, et autres
Publié: (2026)
Towards Probabilistically-Sound Beam Search with Masked Language Models
par: Brooks, Creston, et autres
Publié: (2024)
par: Brooks, Creston, et autres
Publié: (2024)
Diffusion-State Policy Optimization for Masked Diffusion Language Models
par: Oba, Daisuke, et autres
Publié: (2026)
par: Oba, Daisuke, et autres
Publié: (2026)
Faster Transformer Decoding: N-gram Masked Self-Attention
par: Chelba, Ciprian, et autres
Publié: (2020)
par: Chelba, Ciprian, et autres
Publié: (2020)
DOS: Dependency-Oriented Sampler for Masked Diffusion Language Models
par: Zhou, Xueyu, et autres
Publié: (2026)
par: Zhou, Xueyu, et autres
Publié: (2026)
Documents similaires
-
Rectified Lagrangian for Out-of-Distribution Detection in Modern Hopfield Networks
par: Moriai, Ryo, et autres
Publié: (2025) -
DF-Mamba: Deformable State Space Modeling for 3D Hand Pose Estimation in Interactions
par: Zhou, Yifan, et autres
Publié: (2025) -
On the Relationship Between Double Descent of CNNs and Shape/Texture Bias Under Learning Process
par: Iwase, Shun, et autres
Publié: (2025) -
On the Optimal Reasoning Length for RL-Trained Language Models
par: Nohara, Daisuke, et autres
Publié: (2026) -
Drop-Upcycling: Training Sparse Mixture of Experts with Partial Re-initialization
par: Nakamura, Taishi, et autres
Publié: (2025)