ML paper notes

Papeles de ML

Este repositorio contiene notas y resúmenes breves de algunos documentos relacionados con ML que encuentro, organizados por sujetos y los resúmenes están en forma de PDF.

Aprendizaje auto-supervisado y contrastante

• Razonamiento relacional auto-supervisado para el aprendizaje de representación (2020): [documento] [Notas]
• Los grandes modelos auto-supervisados ​​son fuertes alumnos semi-supervisados ​​(2020) [documento] [Notas]
• Aprendizaje contrastante de debiaes (2020) [documento] [Notas]
• Selfie: Prueba auto-supervisada para la incrustación de imágenes (2019): [documento] [Notas]
• Aprendizaje de representación auto-supervisada por desacoplamiento de características de rotación (2019): [documento] [Notas]
• Revisando el aprendizaje visual auto-supervisado (2019): [documento] [Notas]
• AET vs. AED: Learning de representación no supervisado por transformaciones de codificación automática (2019): [documento] [Notas]
• Aumento del aprendizaje auto-supervisado a través de la transferencia de conocimiento (2018): [documento] [Notas]
• Aprendizaje de características auto-supervisadas aprendiendo a detectar artefactos (2018): [documento] [Notas]
• Aprendizaje de representación no supervisado mediante la predicción de rotaciones de imágenes (2018): [documento] [Notas]
• Cross Pixel Similitud de flujo óptico para el aprendizaje auto-supervisado (2018): [documento] [Notas]
• Aprendizaje visual auto-supervisado de varias tareas (2017): [documento] [Notas]
• Autoencoders de cerebro dividido: aprendizaje no supervisado por predicción de canales cruzados (2017): [documento] [Notas]
• La colorización como tarea proxy para la comprensión visual (2017): [documento] [Notas]
• Aprendizaje no supervisado de representaciones visuales resolviendo rompecabezas (2017): [documento] [Notas]
• Aprendizaje de representación visual no supervisada por predicción del contexto (2016): [documento] [Notas]
• Coloral de imagen colorida (2016): [documento] [Notas]
• Grupos visuales de aprendizaje de Co-Occurrence in Space and Time (2015): [documento] [Notas]
• Aprendizaje discriminativo no supervisado con redes neuronales convolucionales ejemplares (2015): [documento] [Notas]

Aprendizaje semi-supervisado

• Muestreo negativo en el aprendizaje semi-supervisado (2020): [documento] [Notas]
• Auto-supervisión consistente en el tiempo para el aprendizaje semi-supervisado (2020): [documento] [Notas]
• Estudiante dual: Romper los límites del maestro en el aprendizaje semi-supervisado (2019): [documento] [Notas]
• S4L: Aprendizaje semi-supervisado auto-supervisado (2019): [documento] [Notas]
• Aprendizaje semi-supervisado por alineación de distribución aumentada (2019): [documento] [Notas]
• MixMatch: un enfoque holístico Tosemi-Supervised Learning (2019): [documento] [Notas]
• Aumento de datos no supervisado (2019): [documento] [Notas]
• Capacitación de consistencia de interpolación para el aprendizaje semi-supervisado (2019): [documento] [Notas]
• Entrenamiento profundo para el reconocimiento de imágenes semi-supervisado (2018): [documento] [Notas]
• Unificador de aprendizaje semi-supervisado y robusto de MIXP (2019): [Documento] [Notas]
• Evaluación realista de algoritmos de aprendizaje semi-supervisados ​​profundos (2018): [documento] [Notas]
• Modelado de secuencia semi-supervisada con capacitación de visión cruzada (2018): [documento] [Notas]
• Entrenamiento virtual de adversario (2017): [documento] [Notas]
• Los maestros medios son mejores modelos a seguir (2017): [documento] [Notas]
• Conjunto temporal para el aprendizaje semi-supervisado (2017): [documento] [Notas]
• Aprendizaje semi-supervisado con Ladder Networks (2015): [documento] [Notas]

Comprensión de video

• Transformadores de visión multiescala (2021): [documento] [Notas]
• Vivit A Video Vision Transformer (2021): [Paper] [Notas]
• Space-Time Mezcle la atención para el transformador de video (2021): [documento] [Notas]
• ¿Es la atención del espacio-tiempo todo lo que necesita para la comprensión de video (2021): [documento] [Notas]
• Una imagen vale 16x16 palabras ¿Qué vale un video (2021): [Paper] [Notas]
• Redes de consultas temporales para la comprensión de video de grano fino (2021): [documento] [Notas]
• Arquitecturas de expansión X3D para un reconocimiento de video eficiente (2020): [documento] [Notas]
• Red de pirámide temporal para el reconocimiento de la acción (2020): [documento] [Notas]
• STM Spatiotemporal and Motion Coding for Action Reconocicion (2019): [documento] [Notas]
• Clasificación de video con redes convolucionales separadas por canal (2019): [documento] [Notas]
• Modelado de video con redes de correlación (2019): [documento] [Notas]
• Videos como gráficos de región espacial-tiempo (2018): [documento] [Notas]
• Redes Slowfast para el reconocimiento de video (2018): [documento] [Notas]
• Módulo de cambio temporal TSM para una comprensión eficiente de video (2018): [documento] [Notas]
• Timeception para el reconocimiento de acción compleja (2018): [documento] [Notas]
• Redes neuronales no locales (2017): [documento] [Notas]
• Redes de segmento temporal para reconocimiento de acción en videos. (2017): [documento] [Notas]
• Reconocimiento de acción quo vadis Un nuevo modelo y el conjunto de datos de cinética (2017): [documento] [Notas]
• Una mirada más cercana a las convoluciones espacio -temporales para el reconocimiento de la acción (2017): [documento] [Notas]
• ActionVlad Learning Spatio-temporal Agregación para la Clasificación de Acción (2017): [documento] [Notas]
• Redes residuales espaciales para el reconocimiento de la acción de video (2016): [documento] [Notas]
• Redes de codificación lineal temporal profunda (2016): [documento] [Notas]
• Redes convolucionales temporales para la segmentación y detección de la acción (2016): [documento] [Notas]
• Aprendizaje de características espacio -temporales con Network Convolutional 3D (2014): [documento] [Notas]

Adaptación de dominio, dominio y generalización fuera de distribución

• Repensar la adaptación de dominio basada en la coincidencia de distribución (2020): [documento] [Notas]
• Transferibilidad versus discriminabilidad: Penalización espectral por lotes (2019): [documento] [Notas]
• Sobre el aprendizaje de representaciones invariantes para la adaptación de dominio (2019): [documento] [Notas]
• Adaptación de dominio universal (2019): [documento] [Notas]
• Capacitación adversaria transferible (2019): [documento] [Notas]
• Adaptación de dominio multiadversario (2018): [documento] [Notas]
• Adaptación condicional del dominio adversario (2018): [documento] [Notas]
• Aprendizaje de representaciones adversarmente justas y transferibles (2018): [documento] [Notas]
• ¿Cuál es el efecto de la ponderación de importancia en el aprendizaje profundo? (2018): [documento] [Notas]

Explicación

• Hacia la interpretación y la mitigación del comportamiento de aprendizaje de atajos de los modelos NLU (2021): [documento] [Notas]
• Interpretabilidad del transformador Más allá de la visualización de atención (2020): [documento] [Notas]
• Qué formas de representaciones de características explorando arquitecturas y capacitación de conjuntos de datos (2020): [documento] [Notas]
• Capa de deserción basada en la atención para localización de objetos débilmente supervisada (2019): [documento] [Notas]
• La atención no es explicación (2019): [documento] [notas]
• SmoothGrad elimina el ruido agregando ruido (2017): [documento] [Notas]
• Atribución axiomática para redes profundas (2017): [documento] [Notas]
• Red de rama de atención: aprendizaje del mecanismo de atención para la explicación visual (2019): [documento] [Notas]
• Prestando más atención a la atención: Mejora del rendimiento de los CNN a través de la transferencia de atención (2016): [documento] [Notas]

Procesamiento del lenguaje natural (PNL)

• Precinete, aviso y predicen: una encuesta sistemática de métodos de solicitación en el procesamiento del lenguaje natural (2021): [documento] [Notas]
• Aumento de datos no supervisado con aumento ingenuo y sin datos no etiquetados (2020): [documento] [Notas]
• Aprendizaje contrastante supervisado para el modelo de lenguaje previamente capacitado ajustado (2021): [documento] [Notas]
• Bert y PALS: capas de atención proyectadas para una adaptación eficiente en el aprendizaje de varias tareas (2020): [documento] [Notas]
• Freelb: capacitación adversaria mejorada para la comprensión del lenguaje natural (2020): [documento] [Notas]
• Mixtext: interpolación informada lingüísticamente para la clasificación de texto semi-supervisado (2020): [documento] [Notas]

Modelado generativo

• Pretratenamiento generativo de píxeles (2020): [documento] [notas]
• Regularización de consistencia para redes adversas generativas (2020): [documento] [Notas]

Aprendizaje no supervisado

• Agrupación de información invariante para la clasificación y segmentación de imágenes no supervisadas (2019): [documento] [Notas]
• Profunda agrupación para el aprendizaje no supervisado de la función visual (2018): [documento] [Notas]

Segmentación semántica

• DeepLabv3+: codificador de codificador con convolución separable atrous (2018): [documento] [Notas]
• Gran materia de núcleo, Mejorar la segmentación semántica por la Red de Convolución Global (2017): [Documento] [Notas]
• Comprensión de la convolución para la segmentación semántica (2018): [documento] [Notas]
• Repensar la convolución atrous para la segmentación de imágenes semánticas (2017): [documento] [Notas]
• Refinenet: redes de refinamiento múltiples para la segmentación semántica de alta resolución (2017): [documento] [Notas]
• Pyramid Scene Parsing Network (2017): [documento] [Notas]
• Segnet: una arquitectura profunda de decodificador de convolucionales para la imaginación de la imagen (2016): [documento] [Notas]
• ENET: una arquitectura de red neuronal profunda para la segmentación semántica en tiempo real (2016): [documento] [Notas]
• Atención a la escala: segmentación de imágenes semánticas conscientes de la escala (2016): [documento] [Notas]
• DeepLab: segmentación de imágenes semánticas con DCNN, ATROUS Convs y CRFS (2016): [documento] [Notas]
• U-Net: redes convolucionales para la segmentación de imágenes biomédicas (2015): [documento] [Notas]
• Redes totalmente convolucionales para la segmentación semántica (2015): [documento] [Notas]
• Hypercolumns para la segmentación de objetos y localización de grano fino (2015): [documento] [Notas]

Segmentación semi-supervisada débil y semi-supervisada

• Pérdida guiada por la región y la tasa de llenado de la región de clase impulsada por la caja (2019): [documento] [Notas]
• Ficklenet: segmentación semántica débil y semi-supervisada utilizando inferencia estocástica (2019): [documento] [Notas]
• Red de segmentación semántica débilmente supervisada con una región sembrada profunda en crecimiento (2018): [documento] [Notas]
• Aprendizaje de afinidad semántica a nivel de píxel con supervisión a nivel de imagen (2018): [documento] [Notas]
• Minería de la región del objeto con borrado adversario (2018): [documento] [Notas]
• Revisando la convolución dilatada: un enfoque simple para la segmentación débilmente y semi supervisada (2018): [documento] [Notas]
• Dime dónde buscar: Red de inferencia de atención guiada (2018): [documento] [Notas]
• Segmentación semi supervisada utilizando una red adversaria generativa (2017): [documento] [Notas]
• Red neuronal profunda desacoplada para la segmentación semántica semi-supervisada (2015): [documento] [Notas]
• Aprendizaje débil y semi-supervisado de un DCNN para la segmentación de imágenes semánticas (2015): [documento] [Notas]

Recuperación de información

• VSE ++: Mejora de incrustaciones visuales-semánticas con negativos duros (2018): [documento] [Notas]

Red neuronal gráfica

• Píxeles a gráficos por Insquitación Associative (2017): [Documento] [Notas]
• Incrustación asociativa: aprendizaje de extremo a extremo para la detección y agrupación (2017): [documento] [Notas]
• Redes de interacción para aprender sobre objetos, relaciones y física (2016): [documento] [Notas]
• Deepwalk: aprendizaje en línea de la representación social (2014): [documento] [Notas]
• El modelo de red neuronal gráfica (2009): [documento] [Notas]

Regularización

• Mango Mezcla: mejores representaciones por interpolación de estados ocultos (2018): [documento] [Notas]

Métodos y modelos de aprendizaje profundo

• AutoAugment (2018): [documento] [Notas]
• Horasass apilado (2017): [documento] [Notas]

Análisis de documentos y segmentación

• Dhsegment: un enfoque genérico de aprendizaje profundo para la segmentación de documentos (2018): [documento] [Notas]
• Aprender a extraer estructura semántica de documentos utilizando redes neuronales multimodales totalmente convolucionales (2017): [documento] [Notas]
• Segmentación de la página para imágenes históricas de documentos escritos a mano utilizando campos aleatorios condicionales (2016): [documento] [Notas]
• Competencia ICDAR 2015 en la detección de línea de texto en documentos históricos (2015): [documento] [Notas]
• Segmentación de línea de texto escrita a mano utilizando redes totalmente convolucionales (2017): [documento] [Notas]
• Redes neuronales profundas para un gran vocabulario Reconocimiento de texto escrito a mano (2015): [documento] [Notas]
• Segmentación de la página de imágenes de documentos históricos con autoencoders convolucionales (2015): [documento] [Notas]