Pular para o conteúdo principal

Cookies no Macro by Mark.Usamos cookies essenciais para login, idioma e segurança. Com sua permissão, também usamos cookies opcionais de preferências, para análise e para medição de anúncios com o Pixel da Meta (Facebook). Leia nossa política de cookies.

Macro by MarkMacro by Mark
  • Início
Carregando…
Carregando…
← Modelos
MacroConceitosPolíticaModelos

Modelo LSTM

Arquitetura de rede neural recorrente com portas que retêm ou esquecem informação ao longo de sequências macro longas.

Visão geralGráficoMatemáticaReferências

LSTM: artigos e trilha de evidência

Use esta aba para localizar os textos e referências que sustentam a página. Títulos bibliográficos são preservados no idioma original.

LSTM fontes: fontes e orientação de uso

De onde vem a estrutura, quais hipóteses adota e como interpretar os resultados.

Fontes acadêmicas e de pesquisa

Fontes acadêmicas e de pesquisa

[S1] Neural Computation ↗

Hochreiter and Schmidhuber (1997) -- Long short-term memory. Introduced the gated cell architecture solving the vanishing gradient problem.

Neural Computation · 1997

[S2] Neural Computation ↗

Gers, Schmidhuber, and Cummins (2000) -- Learning to forget: continual prediction with LSTM. Added the forget gate, which was not in the original 1997 architecture.

Neural Computation · 2000

[S3] arXiv ↗

Graves (2013) -- Generating sequences with recurrent neural networks. Extended LSTMs with deep stacking and demonstrated sequence generation capabilities.

arXiv · 2013

[S4] Advances in Neural Information Processing Systems ↗

Sutskever, Vinyals, and Le (2014) -- Sequence to sequence learning with neural networks. Established the encoder-decoder LSTM architecture for sequence-to-sequence tasks.

Advances in Neural Information Processing Systems · 2014

[S5] Advances in Neural Information Processing Systems ↗

Gal and Ghahramani (2016) -- A theoretically grounded application of dropout in recurrent neural networks. Introduced variational dropout for LSTMs with the same mask at each time step.

Advances in Neural Information Processing Systems · 2016

[S6] International Journal of Forecasting ↗

Salinas, Flunkert, Gasthaus, and Januschowski (2020) -- DeepAR: probabilistic forecasting with autoregressive recurrent networks. LSTM-based probabilistic time-series forecasting at scale.

International Journal of Forecasting · 2020

[S7] PLOS ONE ↗

Makridakis, Spiliotis, and Assimakopoulos (2018) -- Statistical and machine learning forecasting methods: concerns and ways forward (PLOS ONE). M3-based comparison of ML methods, including recurrent networks, against statistical benchmarks; the M4 competition results appear in their separate 2018 IJF article.

PLOS ONE · 2018

Como ler esta lista

As fontes estão agrupadas pela proximidade com a evidência. Comece por divulgações oficiais e páginas metodológicas para afirmações de medição; use artigos e textos para discussão para mecanismos, identificação e interpretação.

As referências fundamentam a estrutura; não validam automaticamente os parâmetros escolhidos no gráfico.

Composição das fontes

6 · Fontes acadêmicas e de pesquisa

1 · Textos para discussão

Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC