ML paper notes

Ml Papers

Repo ini berisi catatan dan ringkasan singkat dari beberapa makalah terkait ML yang saya temui, diselenggarakan oleh subjek dan ringkasannya dalam bentuk PDF.

Pembelajaran yang di-swadaya & kontras

• Penalaran relasional yang di-swadaya untuk pembelajaran representasi (2020): [kertas] [Catatan]
• Model yang di-swadaya adalah pelajar semi-diawasi yang kuat (2020) [kertas] [Catatan]
• Pembelajaran Kontras Debias (2020) [Kertas] [Catatan]
• Selfie: pretraining swasembar swadelvised for Image Embedding (2019): [Paper] [Catatan]
• Pembelajaran Representasi yang Di-swadaya dengan Decoupling Fitur Rotasi (2019): [Kertas] [Catatan]
• Meninjau kembali pembelajaran representasi visual swasembar (2019): [kertas] [catatan]
• AET vs. AED: Pembelajaran Representasi Tanpa Pengawasan oleh Auto-Encoding Transformations (2019): [Paper] [Catatan]
• Meningkatkan pembelajaran yang diatur sendiri melalui Transfer Pengetahuan (2018): [kertas] [Catatan]
• Pembelajaran fitur yang di-swadaya dengan belajar melihat artefak (2018): [kertas] [Catatan]
• Pembelajaran Representasi Tanpa Diawasi dengan Memprediksi Rotasi Gambar (2018): [Kertas] [Catatan]
• Kesamaan aliran optik cross pixel untuk pembelajaran yang di-swadaya (2018): [kertas] [Catatan]
• Multi-Task Mandiri Visual Learning (2017): [Paper] [Catatan]
• Autoencoders split-brain: Pembelajaran tanpa pengawasan oleh prediksi lintas saluran (2017): [kertas] [Catatan]
• Pewarnaan sebagai tugas proxy untuk pemahaman visual (2017): [kertas] [catatan]
• Pembelajaran tanpa pengawasan representasi visual dengan memecahkan teka -teki Jigsaw (2017): [kertas] [Catatan]
• Pembelajaran Representasi Visual Tanpa Diawasi oleh Prediksi Konteks (2016): [kertas] [Catatan]
• Warna -warni pewarnaan gambar (2016): [kertas] [Catatan]
• Belajar kelompok visual dari co-kejadian dalam ruang dan waktu (2015): [kertas] [catatan]
• Pembelajaran fitur yang tidak diawasi diskriminatif dengan Exemplar Convolutional Neural Networks (2015): [kertas] [Catatan]

Pembelajaran semi-diawasi

• Sampling negatif dalam pembelajaran semi-diawasi (2020): [kertas] [Catatan]
• Perlengkapan diri yang konsisten waktu untuk pembelajaran semi-diawasi (2020): [kertas] [Catatan]
• Siswa ganda: melanggar batas guru dalam pembelajaran semi-diawasi (2019): [kertas] [Catatan]
• S4L: Pembelajaran semi-diawasi yang diawasi sendiri (2019): [kertas] [Catatan]
• Pembelajaran semi-diawasi oleh Augmented Distribution Alignment (2019): [Paper] [Catatan]
• Mixmatch: Pendekatan Holistik Pembelajaran Diawasi Tosemi (2019): [kertas] [Catatan]
• Augmentasi data tanpa pengawasan (2019): [kertas] [catatan]
• Pelatihan Konsistensi Interpolasi untuk Pembelajaran Semi-Diawasi (2019): [Kertas] [Catatan]
• Pelatihan bersama yang dalam untuk pengenalan gambar semi-diawasi (2018): [kertas] [Catatan]
• Memonifikasi pembelajaran semi-diawasi dan kuat oleh MixUp (2019): [kertas] [Catatan]
• Evaluasi Realistis Algoritma Pembelajaran Semi-Diam (2018): [Kertas] [Catatan]
• Pemodelan urutan semi-diawasi dengan pelatihan cross-view (2018): [kertas] [catatan]
• Virtual Adversarial Training (2017): [Paper] [Catatan]
• Rata -rata guru adalah model peran yang lebih baik (2017): [kertas] [catatan]
• Ensembling Temporal untuk Pembelajaran Semi-Diawasi (2017): [Kertas] [Catatan]
• Pembelajaran Semi-Diawasi dengan Tangga Jaringan (2015): [kertas] [Catatan]

Pemahaman video

• Multiscale Vision Transformers (2021): [kertas] [Catatan]
• Vivit A Video Vision Transformer (2021): [Paper] [Catatan]
• Perhatian pencampuran ruang-waktu untuk transformator video (2021): [kertas] [catatan]
• Adalah perhatian ruang-waktu yang Anda butuhkan untuk pemahaman video (2021): [kertas] [catatan]
• Gambar bernilai 16x16 kata apa itu nilai video (2021): [kertas] [catatan]
• Jaringan kueri temporal untuk pemahaman video berbutir halus (2021): [kertas] [catatan]
• X3D memperluas arsitektur untuk pengenalan video yang efisien (2020): [kertas] [catatan]
• Jaringan piramida temporal untuk pengenalan tindakan (2020): [kertas] [catatan]
• STM spatiotemporal dan pengkodean gerak untuk pengenalan tindakan (2019): [kertas] [catatan]
• Klasifikasi video dengan jaringan konvolusional yang dipisahkan saluran (2019): [kertas] [catatan]
• Pemodelan Video dengan Jaringan Korelasi (2019): [kertas] [Catatan]
• Video sebagai Grafik Wilayah Ruang Ruang (2018): [kertas] [Catatan]
• SlowFast Networks for Video Recognition (2018): [Paper] [Catatan]
• TSM Temporal Shift Modul untuk Pemahaman Video yang Efisien (2018): [Kertas] [Catatan]
• Timeception for Complex Action Recognition (2018): [Paper] [Catatan]
• Non-Local Neural Networks (2017): [kertas] [Catatan]
• Jaringan segmen temporal untuk pengakuan tindakan dalam video. (2017): [kertas] [catatan]
• Pengakuan Tindakan Quo Vadis Model baru dan Kinetika Dataset (2017): [kertas] [Catatan]
• Pandangan yang lebih dekat pada konvolusi spatiotemporal untuk pengakuan tindakan (2017): [kertas] [Catatan]
• ActionVlad Learning Spatio-Temporal Agregasi untuk Klasifikasi Tindakan (2017): [kertas] [Catatan]
• Jaringan residu spatiotemporal untuk pengenalan tindakan video (2016): [kertas] [Catatan]
• Deep Temporal Linear Encode Networks (2016): [kertas] [Catatan]
• Temporal Convolutional Networks for Action Segmentation and Detection (2016): [Paper] [Catatan]
• Mempelajari fitur spatiotemporal dengan 3D Convolutional Network (2014): [kertas] [Catatan]

Adaptasi Domain, Domain & Generalisasi Out-of-Distribusi

• Memikirkan Kembali Adaptasi Domain Berbasis Distribusi Distribusi (2020): [Kertas] [Catatan]
• Transferabilitas vs Diskriminabilitas: Batch Spectral Centization (2019): [Paper] [Catatan]
• Tentang Belajar Representasi invarian untuk adaptasi domain (2019): [kertas] [catatan]
• Universal Domain Adaptation (2019): [Paper] [Catatan]
• Pelatihan permusuhan yang dapat ditransfer (2019): [kertas] [Catatan]
• Adaptasi Domain Multi-Adversarial (2018): [kertas] [Catatan]
• Adaptasi domain permusuhan bersyarat (2018): [kertas] [catatan]
• Belajar representasi yang adil dan dapat ditransfer (2018): [kertas] [Catatan]
• Apa pengaruh bobot penting dalam pembelajaran mendalam? (2018): [kertas] [catatan]

Kemampuan dijelaskan

• Menuju menafsirkan dan meringankan perilaku pembelajaran pintasan dari model NLU (2021): [kertas] [Catatan]
• Transformer Interpretability Beyond Attention Visualisasi (2020): [kertas] [Catatan]
• What Shapes Feature Representations Menjelajahi Arsitektur dan Pelatihan Dataset (2020): [Kertas] [Catatan]
• Lapisan putus sekolah berbasis perhatian untuk lokalisasi objek yang diawasi dengan lemah (2019): [kertas] [Catatan]
• Perhatian bukan Penjelasan (2019): [kertas] [Catatan]
• SmoothGrad Menghapus Kebisingan dengan Menambahkan Noise (2017): [Paper] [Catatan]
• Atribusi aksiomatik untuk Deep Networks (2017): [kertas] [Catatan]
• Jaringan Cabang Perhatian: Belajar Mekanisme Perhatian untuk Penjelasan Visual (2019): [Kertas] [Catatan]
• Memperhatikan lebih banyak perhatian: Meningkatkan kinerja CNNs melalui Transfer Perhatian (2016): [kertas] [Catatan]

Pemrosesan Bahasa Alami (NLP)

• Pra-pelatihan, prompt, dan prediksi: Survei sistematis metode yang diminta dalam pemrosesan bahasa alami (2021): [kertas] [Catatan]
• Augmentasi data tanpa pengawasan dengan augmentasi naif dan tanpa data yang tidak berlabel (2020): [kertas] [Catatan]
• Pembelajaran kontras yang diawasi untuk fine-tuning model bahasa pra-terlatih (2021): [kertas] [catatan]
• Bert and Pals: Lapisan perhatian yang diproyeksikan untuk adaptasi yang efisien dalam pembelajaran multi-tugas (2020): [kertas] [Catatan]
• Freelb: Peningkatan pelatihan permusuhan untuk pemahaman bahasa alami (2020): [kertas] [catatan]
• Mixtext: Interpolasi yang diinformasikan secara linguistik untuk klasifikasi teks semi-diawasi (2020): [kertas] [Catatan]

Pemodelan generatif

• Pretraining generatif dari piksel (2020): [kertas] [catatan]
• Konsistensi regularisasi untuk jaringan permusuhan generatif (2020): [kertas] [catatan]

Pembelajaran tanpa pengawasan

• Informasi Invariant Clustering untuk Klasifikasi dan Segmentasi Gambar Tanpa Diperhatikan (2019): [Kertas] [Catatan]
• Clustering yang dalam untuk pembelajaran fitur visual yang tidak diawasi (2018): [kertas] [Catatan]

Segmentasi semantik

• Deeplabv3+: encoder-decoder dengan convolution terpisah attrous (2018): [kertas] [catatan]
• Materi kernel besar, tingkatkan segmentasi semantik oleh Global Convolutional Network (2017): [kertas] [Catatan]
• Memahami Konvolusi untuk Segmentasi Semantik (2018): [kertas] [Catatan]
• Memikirkan Kembali Konvolusi Atrous Untuk Segmentasi Gambar Semantik (2017): [Kertas] [Catatan]
• Refinenet: jaringan penyempurnaan multi-jalur untuk segmentasi semantik resolusi tinggi (2017): [kertas] [catatan]
• Jaringan parsing adegan piramida (2017): [kertas] [catatan]
• Segnet: Arsitektur ConvolutionEncoder-Decoder yang mendalam untuk Imagesegmentasi (2016): [kertas] [Catatan]
• ENET: Arsitektur Jaringan Saraf yang dalam untuk Segmentasi Semantik Real-Time (2016): [Kertas] [Catatan]
• Perhatian ke Skala: Segmentasi Gambar Semantik-Aware (2016): [Kertas] [Catatan]
• Deeplab: Segmentasi gambar semantik dengan DCNN, Atrous Convs dan CRFS (2016): [kertas] [Catatan]
• U-NET: Jaringan Konvolusional untuk Segmentasi Gambar Biomedis (2015): [kertas] [Catatan]
• Jaringan Convolutional Sepenuhnya untuk Segmentasi Semantik (2015): [Kertas] [Catatan]
• Hypercolumns untuk Segmentasi Objek dan Lokalisasi Berbutat Baik (2015): [Kertas] [Catatan]

Segmentasi semantik yang lemah dan semi-diawasi

• Kehilangan Daerah-Daerah yang Digerakkan Kotak-Bokong dan Kehilangan Tingkat Pengisian Tingkat (2019): [Kertas] [Catatan]
• Ficklenet: Segmentasi semantik yang lemah dan semi-diawasi menggunakan inferensi stokastik (2019): [kertas] [Catatan]
• Jaringan segmentasi semantik yang diawasi dengan lemah dengan Deep Seeded Region Growing (2018): [kertas] [Catatan]
• Belajar afinitas semantik tingkat piksel dengan pengawasan tingkat gambar (2018): [kertas] [catatan]
• Penambangan Wilayah Objek dengan Penghapusan Perselisihan (2018): [Kertas] [Catatan]
• Meninjau kembali konvolusi melebar: pendekatan sederhana untuk segmentasi yang lemah dan semi-diawasi (2018): [kertas] [Catatan]
• Tell Me Where To Look: Guided Attention Inference Network (2018): [Paper] [Catatan]
• Segmentasi semantik semi yang diawasi menggunakan jaringan permusuhan generatif (2017): [kertas] [Catatan]
• Decoupled Deep Neural Network untuk segmentasi semantik semi-diawasi (2015): [kertas] [Catatan]
• Pembelajaran DCNN yang lemah dan semi-diawasi untuk segmentasi gambar semantik (2015): [kertas] [Catatan]

Pengambilan informasi

• VSE ++: Meningkatkan embeddings semantik visual dengan negatif keras (2018): [kertas] [catatan]

Grafik Jaringan Saraf

• Pixel ke Grafik dengan embedding asosiatif (2017): [kertas] [catatan]
• Penatian Asosiatif: Pembelajaran End-to-End Forjoint Detection and Grouping (2017): [Paper] [Catatan]
• Jaringan Interaksi untuk Belajar Tentang Objek, Hubungan dan Fisika (2016): [kertas] [Catatan]
• Deepwalk: Pembelajaran Online Representasi Sosial (2014): [kertas] [Catatan]
• Grafik Neural Network Model (2009): [kertas] [Catatan]

Regularisasi

• Manifold Mixup: Representasi yang lebih baik dengan menginterpolasi Status Tersembunyi (2018): [kertas] [Catatan]

Metode & Model Pembelajaran yang mendalam

• Autoaugment (2018): [kertas] [Catatan]
• Stacked Hourgloass (2017): [kertas] [Catatan]

Analisis dan segmentasi dokumen

• DHSegment: Pendekatan pembelajaran mendalam generik untuk segmentasi dokumen (2018): [kertas] [Catatan]
• Belajar mengekstrak struktur semantik dari dokumen menggunakan jaringan saraf multimodal sepenuhnya konvolusional (2017): [kertas] [Catatan]
• Segmentasi halaman untuk gambar dokumen tulisan tangan historis menggunakan bidang acak bersyarat (2016): [kertas] [catatan]
• ICDAR 2015 Persaingan tentang Deteksi Garis Teks dalam Dokumen Sejarah (2015): [Kertas] [Catatan]
• Segmentasi baris teks tulisan tangan menggunakan jaringan konvolusional sepenuhnya (2017): [kertas] [catatan]
• Jaringan saraf dalam untuk pengenalan teks tulisan tangan kosakata besar (2015): [kertas] [catatan]
• Segmentasi halaman dari gambar dokumen historis dengan autoencoders convolutional (2015): [kertas] [catatan]