ML paper notes

MLペーパー

このレポは、被験者によって整理された、私が出会ったいくつかのML関連の論文のメモと短い要約が含まれており、要約はPDFの形式です。

自己監視と対照的な学習

• 表現学習のための自己監視されたリレーショナル推論（2020）：[紙] [メモ]
• 大きな自己監視モデルは強力な半監視学習者です（2020）[紙] [メモ]
• biasead Contrastive Learning（2020）[Paper] [Notes]
• セルフィー：画像埋め込みのための自己監視前の事前削除（2019）：[Paper] [Notes]
• 回転特徴による自己監視表現学習分離（2019）：[Paper] [Notes]
• 自己教師の視覚表現学習の再訪（2019）：[Paper] [Notes]
• AET対AED：自動エンコード変換による監視されていない表現学習（2019）：[Paper] [Notes]
• 知識移転による自己監視学習の向上（2018）：[Paper] [Notes]
• Artifactsを見つけることを学ぶことによる自己教師の機能学習（2018）：[Paper] [Notes]
• 画像の回転を予測することによる監視されていない表現学習（2018）：[Paper] [Notes]
• 自己監視学習のためのクロスピクセル光フローの類似性（2018）：[Paper] [Notes]
• マルチタスク自己監視視覚学習（2017）：[Paper] [Notes]
• スプリットブレインオートエンコーダー：クロスチャネル予測による監視されていない学習（2017）：[Paper] [Notes]
• 視覚的理解のためのプロキシタスクとしての色化（2017）：[Paper] [Notes]
• ジグソーパズルを解くことによる視覚表現の監視されていない学習（2017）：[Paper] [Notes]
• コンテキスト予測による監視されていない視覚表現学習（2016）：[Paper] [Notes]
• カラフルな画像の色付け（2016）：[紙] [メモ]
• 空間と時間の共起からの視覚グループの学習（2015）：[Paper] [Notes]
• 模範的な畳み込みのない特徴学習模範的な畳み込み型ニューラルネットワーク（2015）：[Paper] [Notes]

半教師の学習

• 半教師の学習における否定的なサンプリング（2020）：[Paper] [Notes]
• 半教師の学習のための時間整合性の自己監視（2020）：[Paper] [Notes]
• デュアル学生：半教師の学習における教師の限界を破る（2019）：[Paper] [Notes]
• S4L：自己教師の半教師学習（2019）：[Paper] [Notes]
• 拡張分布アライメントによる半学習学習（2019）：[Paper] [Notes]
• MixMatch：全体的なアプローチTosemi-Supervised Learning（2019）：[Paper] [Notes]
• 監視されていないデータ増強（2019）：[Paper] [Notes]
• 半監視学習のための補間の一貫性トレーニング（2019）：[Paper] [Notes]
• 半教師の画像認識のための深い共同トレーニング（2018）：[Paper] [Notes]
• Mixupによる統一された堅牢な学習統合（2019）：[Paper] [Notes]
• 深い半教師の学習アルゴリズムの現実的な評価（2018）：[Paper] [Notes]
• クロスビュートレーニングを使用した半監視シーケンスモデリング（2018）：[Paper] [Notes]
• 仮想敵対的トレーニング（2017）：[Paper] [Notes]
• 平均教師はより良いロールモデルです（2017）：[紙] [メモ]
• 半監視学習のための時間的アンサンブリング（2017）：[Paper] [Notes]
• はしごネットワークを使用した半学習学習（2015）：[Paper] [Notes]

ビデオ理解

• Multiscale Vision Transformers（2021）：[Paper] [Notes]
• Vivit a Video Vision Transformer（2021）：[Paper] [Notes]
• ビデオトランスの時空の混合注意（2021）：[紙] [メモ]
• 時空の注意があなたがビデオ理解に必要なすべて（2021）：[紙] [メモ]
• 画像は16x16語の価値がありますビデオ相当（2021）：[Paper] [Notes]
• 細粒のビデオ理解のための時間的クエリネットワーク（2021）：[Paper] [Notes]
• X3D効率的なビデオ認識のための拡張アーキテクチャ（2020）：[Paper] [Notes]
• アクション認識のための時間的ピラミッドネットワーク（2020）：[Paper] [Notes]
• STM空間的およびアクション認識のための動きエンコード（2019）：[Paper] [Notes]
• チャネル分離された畳み込みネットワークによるビデオ分類（2019）：[Paper] [Notes]
• 相関ネットワークを使用したビデオモデリング（2019）：[Paper] [Notes]
• 時空のグラフとしてのビデオ（2018）：[Paper] [Notes]
• ビデオ認識のためのスローファーストネットワーク（2018）：[Paper] [Notes]
• 効率的なビデオ理解のためのTSM時間シフトモジュール（2018）：[Paper] [Notes]
• 複雑なアクション認識のためのタイムフェーション（2018）：[Paper] [Notes]
• 非ローカルニューラルネットワーク（2017）：[Paper] [Notes]
• ビデオでのアクション認識のための時間セグメントネットワーク。 （2017）：[紙] [メモ]
• quo vadisアクション認識新しいモデルと速度論データセット（2017）：[Paper] [Notes]
• アクション認識のための空間的畳み込みを詳しく見る（2017）：[Paper] [Notes]
• ActionVlad Learning Action-Temporal Aggregation for Action Slassification（2017）：[Paper] [Notes]
• ビデオアクション認識のための時空間残差ネットワーク（2016）：[Paper] [Notes]
• 深い時間線形エンコーディングネットワーク（2016）：[Paper] [Notes]
• アクションセグメンテーションと検出のための時間的畳み込みネットワーク（2016）：[Paper] [Notes]
• 3D畳み込みネットワークを使用した時空の特徴の学習（2014）：[Paper] [Notes]

ドメインの適応、ドメイン、および分散排出の一般化

• 分布マッチングベースのドメイン適応の再考（2020）：[Paper] [Notes]
• 譲渡可能性対識別性：バッチスペクトルペナルティ（2019）：[Paper] [Notes]
• ドメイン適応のための不変表現の学習（2019）：[Paper] [Notes]
• ユニバーサルドメインの適応（2019）：[Paper] [Notes]
• 譲渡可能な敵対訓練（2019）：[紙] [メモ]
• 多逆数ドメインの適応（2018）：[Paper] [Notes]
• 条件付き敵対的ドメイン適応（2018）：[紙] [メモ]
• 敵対的に公正で移転可能な表現を学ぶ（2018）：[紙] [メモ]
• 深い学習における重要性の重み付けの効果は何ですか？ （2018）：[紙] [メモ]

説明可能性

• NLUモデルのショートカット学習行動の解釈と緩和に向けて（2021）：[Paper] [Notes]
• 注意を超えたトランスの解釈視覚化（2020）：[紙] [メモ]
• データセットのアーキテクチャとトレーニングを探索する特徴表現（2020）：[Paper] [Notes]
• 弱く監視されたオブジェクトのローカリゼーションのための注意ベースのドロップアウト層（2019）：[Paper] [Notes]
• 注意は説明ではありません（2019）：[Paper] [Notes]
• ノイズを追加してノイズを除去するスムーズグラード（2017）：[Paper] [Notes]
• ディープネットワークのための公理的帰属（2017）：[Paper] [Notes]
• 注意分岐ネットワーク：視覚的説明のための注意メカニズムの学習（2019）：[Paper] [Notes]
• 注意にもっと注意を払う：注意転送によるCNNSのパフォーマンスの向上（2016）：[Paper] [Notes]

自然言語処理（NLP）

• プリトレイン、プロンプト、および予測：自然言語処理におけるプロンプトの方法に関する体系的な調査（2021）：[Paper] [Notes]
• 素朴な増強および非標識データを使用した監視されていないデータ増強（2020）：[Paper] [Notes]
• 事前に訓練された言語モデルの微調整のための監視されたコントラスト学習（2021）：[Paper] [Notes]
• Bert and Pals：マルチタスク学習における効率的な適応のための投影された注意層（2020）：[Paper] [Notes]
• Freelb：自然言語理解のための強化された敵対的訓練（2020）：[Paper] [Notes]
• MixText：半教師のテキスト分類（2020）のための言語に基づいた補間：[紙] [注]

生成モデリング

• ピクセルからの生成事前トレーニング（2020）：[Paper] [Notes]
• 生成敵のネットワークの一貫性の正則化（2020）：[Paper] [Notes]

監視されていない学習

• 監視されていない画像の分類とセグメンテーションのための不変の情報クラスタリング（2019）：[Paper] [Notes]
• 監視されていない視覚機能の学習のための深いクラスタリング（2018）：[Paper] [Notes]

セマンティックセグメンテーション

• deeplabv3+：耳障りな分離可能な畳み込みを備えたエンコーダーデコーダー（2018）：[Paper] [Notes]
• 大規模なカーネル物質、グローバル畳み込みネットワークによるセマンティックセグメンテーションの改善（2017）：[Paper] [Notes]
• セマンティックセグメンテーションのための畳み込みの理解（2018）：[Paper] [Notes]
• セマンティック画像セグメンテーションのための無害な畳み込みの再考（2017）：[Paper] [Notes]
• Refinenet：高解像度セマンティックセグメンテーションのためのマルチパス洗練ネットワーク（2017）：[Paper] [Notes]
• ピラミッドシーン解析ネットワーク（2017）：[紙] [メモ]
• segnet：画像セグメンテーションのための深い畳み込み式のエンコーダー - デコーダーアーキテクチャ（2016）：[Paper] [Notes]
• ENET：リアルタイムのセマンティックセグメンテーションのための深いニューラルネットワークアーキテクチャ（2016）：[Paper] [Notes]
• スケールへの注意：スケールアウェアセマンティック画像セグメンテーション（2016）：[Paper] [Notes]
• ディープラブ：DCNN、Atrous ConvsおよびCRFSによるセマンティック画像セグメンテーション（2016）：[Paper] [Notes]
• u-net：生物医学画像セグメンテーションのための畳み込みネットワーク（2015）：[紙] [注]
• セマンティックセグメンテーションのための完全な畳み込みネットワーク（2015）：[Paper] [Notes]
• オブジェクトセグメンテーションと細粒の局在のためのハイパーカラム（2015）：[Paper] [Notes]

弱く、半監視されたセマンティックセグメンテーション

• ボックス駆動型クラスごとの地域のマスキングと充填率ガイド損失（2019）：[Paper] [Notes]
• Ficklenet：確率的推論を使用した弱いおよび半監視されたセマンティックセグメンテーション（2019）：[Paper] [Notes]
• 深いシード地域の成長を伴う弱く監視されたセマンティックセグメンテーションネットワーク（2018）：[Paper] [Notes]
• イメージレベルの監督とのピクセルレベルのセマンティックアフィニティの学習（2018）：[Paper] [Notes]
• 敵対的な消去を伴うオブジェクト領域マイニング（2018）：[Paper] [Notes]
• 拡張畳み込みの再検討：弱くおよび半監視されたセグメンテーションのための簡単なアプローチ（2018）：[Paper] [Notes]
• どこを見るべきか教えてください：ガイド付き注意の推論ネットワーク（2018）：[Paper] [Notes]
• Generative Anversarial Network（2017）を使用したセミ監督のセマンティックセグメンテーション：[Paper] [Notes]
• セミスパイブ化されたセマンティックセグメンテーションのための分離されたディープニューラルネットワーク（2015）：[Paper] [Notes]
• セマンティックイメージセグメンテーションのためのDCNNの弱いおよび半監視学習（2015）：[Paper] [Notes]

情報検索

• VSE ++：ハードネガの視覚セマンチックな埋め込みの改善（2018）：[Paper] [Notes]

グラフニューラルネットワーク

• 連想埋め込みによるグラフへのピクセル（2017）：[Paper] [Notes]
• 連想埋め込み：エンドツーエンドの学習ForJoint検出とグループ化（2017）：[Paper] [Notes]
• オブジェクト、関係、物理学について学習するための相互作用ネットワーク（2016）：[Paper] [Notes]
• Deepwalk：ソーシャル表現のオンライン学習（2014）：[Paper] [Notes]
• グラフニューラルネットワークモデル（2009）：[Paper] [Notes]

正則化

• マニホールド混合：隠された状態を補間することによるより良い表現（2018）：[Paper] [Notes]

深い学習方法とモデル

• Autoaugment（2018）：[Paper] [Notes]
• 積み重ねられたHOORGLOASS（2017）：[Paper] [Notes]

ドキュメント分析とセグメンテーション

• DHSEGMENT：ドキュメントセグメンテーションのための一般的なディープラーニングアプローチ（2018）：[Paper] [Notes]
• マルチモーダル完全畳み込みニューラルネットワークを使用してドキュメントからセマンティック構造を抽出することを学ぶ（2017）：[Paper] [Notes]
• 条件付きランダムフィールドを使用した歴史的な手書きドキュメント画像のページセグメンテーション（2016）：[Paper] [Notes]
• ICDAR 2015歴史文書でのテキストライン検出に関する競争（2015）：[Paper] [Notes]
• 完全な畳み込みネットワークを使用した手書きのテキストラインセグメンテーション（2017）：[Paper] [Notes]
• 大規模な語彙の手書きのテキスト認識のための深いニューラルネットワーク（2015）：[Paper] [Notes]
• 畳み込み自動エンコーダーを使用した履歴ドキュメント画像のページセグメンテーション（2015）：[Paper] [Notes]