Introduction to Long Short Term Memory (LSTM)
为什么重要：在人工智能 (AI) 和深度学习领域，LSTM 是使用人工神经网络的长短期记忆网络。
Deep Dive into LSTMs & xLSTMs by Hand ✍️
深入研究 LSTM 和 xLSTM ✍️探索 LSTM 的智慧，从而引领 xLSTM — 可能与当今的 LLM 竞争作者图片（我 4 岁的孩子创造的古代巫师）“在 Serentia 的魔法王国中，古老的森林低语着早已被遗忘的咒语秘密，那里居住着 Enigmastrider — 一位受人尊敬的巫师，永恒智慧的守护者。在 Serentia 面临可怕危险的一个关键日子，Enigmastrider 使用精华石编织了一个神秘的仪式，充满了过去、现在和未来的精华。借助古老的魔法，他召唤出了 LSTM，这是一种知识管道，能够保存 Serentia 的历史并预见其命运。就像一条充满无限智慧的河流，LSTM 流
IEEE Transactions on Fuzzy Systems, Volume 32, Issue 5
1) 具有犹豫模糊偏好关系的无向协作网络下的群体决策合作博弈作者：廖虎昌、蒋帆、唐明、徐泽水页数：2530 - 25422) 随机高阶 MAS 在 FDI 攻击下的自适应容错共识跟踪控制作者：邵新峰、叶丹、赵新刚页数：2543 - 25533) 非线性信息物理系统针对传感器和执行器攻击的输出反馈自适应模糊逆最优安全控制作者：陈泽斌、余兆旭、李树刚页数：2554 - 25664) 多智能体系统在 DoS 攻击和间歇性执行器故障下的自适应模糊安全控制作者：李永明、陆戈、李克文页数： 2567 - 25765) 基于模糊综合评价和温度可调范围的锌焙烧过程温度协同优化作者：冯振祥，马鹏，李永刚，孙蓓，
Deep Recurrent Neural Nets with Long Short Term Memory
再次。LTSM 可能正在成为循环 NN 建模中的大问题。我之前写过博客（例如这里），但我仍然不太了解它。有人了解吗？也许它只是一种避免消失梯度问题的手段（并不是说这并不重要）；也许它更重要。这篇新论文写得很好，突出介绍了 LSTM。DONUT 集成组合预测方法作者：Lars Lien Ankile；Kjartan Krange摘要：本文提出了一种集成预测方法，通过减少特征和模型选择假设，在 M4Competition 数据集上显示出强劲的结果，称为 DONUT（不使用人类假设）。我们的假设减少主要由自动生成的特征和更多样化的集成模型池组成，其表现明显优于 Montero-Manso 等人（20
Juergen Schmidhuber: Godel Machines, Meta-Learning, and LSTMs
Juergen Schmidhuber 是长短期记忆网络 (LSTM) 的共同创造者，该网络如今已在数十亿台设备中用于语音识别、翻译等。30 多年来，他提出了许多有趣的、开箱即用的人工智能想法，包括创造力的正式理论。视频版本可在 YouTube 上找到。如果您想获取有关此播客的更多信息，请访问 https://lexfridman.com/ai 或在 Twitter、LinkedIn、Facebook 或 YouTube 上与 @lexfridman 联系，您可以在那里观看这些对话的视频版本。
