ML paper notes

เอกสาร ML

repo นี้มีหมายเหตุและสรุปสั้น ๆ ของเอกสารที่เกี่ยวข้องกับ ML บางอย่างที่ฉันเจอจัดโดยวิชาและบทสรุปอยู่ในรูปแบบของ PDF

การเรียนรู้ด้วยตนเองและการเรียนรู้ที่แตกต่างกัน

• การใช้เหตุผลเชิงสัมพันธ์ที่ดูแลตนเองสำหรับการเรียนรู้การเป็นตัวแทน (2020): [กระดาษ] [หมายเหตุ]
• โมเดลผู้ดูแลตนเองขนาดใหญ่เป็นผู้เรียนกึ่งผู้ดูแลที่แข็งแกร่ง (2020) [กระดาษ] [หมายเหตุ]
• การเรียนรู้ที่แตกต่าง (2020) [กระดาษ] [หมายเหตุ]
• เซลฟี่: การดูแลตนเองที่ดูแลตัวเองสำหรับการฝังภาพ (2019): [กระดาษ] [หมายเหตุ]
• การเรียนรู้การเป็นตัวแทนของตนเองโดยการหมุนเวียนคุณลักษณะการหมุน (2019): [กระดาษ] [หมายเหตุ]
• ทบทวนการเรียนรู้การเป็นตัวแทนของการแสดงภาพด้วยตนเอง (2019): [กระดาษ] [หมายเหตุ]
• AET vs. AED: การเรียนรู้การเป็นตัวแทนที่ไม่ได้รับการดูแลโดยการแปลงการเข้ารหัสอัตโนมัติ (2019): [กระดาษ] [หมายเหตุ]
• เพิ่มการเรียนรู้ที่ดูแลตนเองผ่านการถ่ายโอนความรู้ (2018): [กระดาษ] [หมายเหตุ]
• การเรียนรู้คุณสมบัติการเรียนรู้ด้วยตนเองโดยการเรียนรู้ที่จะมองเห็นสิ่งประดิษฐ์ (2018): [กระดาษ] [หมายเหตุ]
• การเรียนรู้การเป็นตัวแทนที่ไม่ได้รับการดูแลโดยการทำนายการหมุนภาพ (2018): [กระดาษ] [หมายเหตุ]
• Cross Pixel Optical-flow ความคล้ายคลึงกันสำหรับการเรียนรู้ที่ดูแลตนเอง (2018): [กระดาษ] [หมายเหตุ]
• การเรียนรู้ด้วยภาพที่ดูแลตนเองแบบหลายงาน (2017): [กระดาษ] [หมายเหตุ]
• autoencoders แยกสมอง: การเรียนรู้ที่ไม่ได้รับการดูแลโดยการทำนายข้ามช่อง (2017): [กระดาษ] [หมายเหตุ]
• การทำสีเป็นงานพร็อกซีสำหรับการทำความเข้าใจด้วยภาพ (2017): [กระดาษ] [หมายเหตุ]
• การเรียนรู้ที่ไม่ได้รับการดูแลจากการเป็นตัวแทนภาพโดยการแก้ปริศนาจิ๊กซอว์ (2017): [กระดาษ] [หมายเหตุ]
• การเรียนรู้การแสดงภาพที่ไม่ได้รับการดูแลโดยการทำนายบริบท (2016): [กระดาษ] [หมายเหตุ]
• ภาพสีสันสดใส (2016): [กระดาษ] [หมายเหตุ]
• การเรียนรู้กลุ่มภาพจากการเกิดร่วมในอวกาศและเวลา (2015): [กระดาษ] [หมายเหตุ]
• การเรียนรู้คุณสมบัติที่ไม่ได้รับการเลือกสรรด้วยการเรียนรู้ด้วยเครือข่ายประสาทสัมผัสแบบดั้งเดิม (2015): [กระดาษ] [หมายเหตุ]

การเรียนรู้แบบกึ่งผู้ดูแล

• การสุ่มตัวอย่างเชิงลบในการเรียนรู้แบบกึ่งผู้ดูแล (2020): [กระดาษ] [หมายเหตุ]
• การดูแลตนเองที่สอดคล้องกับเวลาสำหรับการเรียนรู้แบบกึ่งผู้ดูแล (2020): [กระดาษ] [หมายเหตุ]
• นักเรียนคู่: ทำลายขีด จำกัด ของครูในการเรียนรู้กึ่งผู้ดูแล (2019): [กระดาษ] [หมายเหตุ]
• S4L: การเรียนรู้แบบกึ่งผู้ดูแลตนเองที่ดูแลตนเอง (2019): [กระดาษ] [หมายเหตุ]
• การเรียนรู้แบบกึ่งผู้ดูแลโดยการจัดตำแหน่งการจัดจำหน่ายแบบเพิ่ม (2019): [กระดาษ] [หมายเหตุ]
• MixMatch: การเรียนรู้แบบองค์รวมแบบองค์รวมที่ได้รับการสนับสนุนจาก Tosemi (2019): [กระดาษ] [หมายเหตุ]
• การเพิ่มข้อมูลที่ไม่ได้รับการดูแล (2019): [กระดาษ] [หมายเหตุ]
• การฝึกอบรมการแก้ไขความสอดคล้องสำหรับการเรียนรู้แบบกึ่งผู้ดูแล (2019): [กระดาษ] [หมายเหตุ]
• การฝึกอบรมร่วมกันอย่างลึกล้ำสำหรับการจดจำภาพกึ่งผู้ดูแล (2018): [กระดาษ] [หมายเหตุ]
• รวมการเรียนรู้แบบกึ่งผู้ดูแลและมีประสิทธิภาพโดย Mixup (2019): [กระดาษ] [หมายเหตุ]
• การประเมินความเป็นจริงของอัลกอริธึมการเรียนรู้แบบกึ่งลึกซึ้งลึก (2018): [กระดาษ] [หมายเหตุ]
• การสร้างแบบจำลองลำดับกึ่งผู้ดูแลด้วยการฝึกอบรมข้ามมุมมอง (2018): [กระดาษ] [หมายเหตุ]
• การฝึกอบรมฝ่ายตรงข้ามเสมือน (2017): [กระดาษ] [หมายเหตุ]
• ค่าเฉลี่ยครูเป็นแบบอย่างที่ดีกว่า (2017): [กระดาษ] [หมายเหตุ]
• วงดนตรีชั่วคราวสำหรับการเรียนรู้แบบกึ่งผู้ดูแล (2017): [กระดาษ] [หมายเหตุ]
• การเรียนรู้แบบกึ่งผู้ดูแลด้วยเครือข่ายบันได (2015): [กระดาษ] [หมายเหตุ]

ความเข้าใจวิดีโอ

• Multiscale Vision Transformers (2021): [กระดาษ] [หมายเหตุ]
• Vivit A Video Vision Transformer (2021): [กระดาษ] [หมายเหตุ]
• ความสนใจในการผสมเวลาในอวกาศสำหรับวิดีโอหม้อแปลง (2021): [กระดาษ] [หมายเหตุ]
• เป็นเวลาว่างในพื้นที่ที่คุณต้องการสำหรับการทำความเข้าใจวิดีโอ (2021): [กระดาษ] [หมายเหตุ]
• ภาพมีค่า 16x16 คำว่าอะไรเป็นวิดีโอที่คุ้มค่า (2021): [กระดาษ] [หมายเหตุ]
• เครือข่ายการสืบค้นชั่วคราวสำหรับการทำความเข้าใจวิดีโอที่ละเอียด (2021): [กระดาษ] [หมายเหตุ]
• X3D ขยายสถาปัตยกรรมเพื่อการจดจำวิดีโอที่มีประสิทธิภาพ (2020): [กระดาษ] [หมายเหตุ]
• เครือข่ายพีระมิดชั่วคราวสำหรับการจดจำการกระทำ (2020): [กระดาษ] [หมายเหตุ]
• STM spatiotemporal และการเข้ารหัสการเคลื่อนไหวเพื่อการจดจำการกระทำ (2019): [กระดาษ] [หมายเหตุ]
• การจำแนกวิดีโอด้วยเครือข่าย convolutional ที่คั่นด้วยช่อง (2019): [กระดาษ] [หมายเหตุ]
• การสร้างแบบจำลองวิดีโอด้วยเครือข่ายสหสัมพันธ์ (2019): [กระดาษ] [หมายเหตุ]
• วิดีโอเป็นกราฟภูมิภาคเวลาอวกาศ (2018): [กระดาษ] [หมายเหตุ]
• Slowfast Networks สำหรับการจดจำวิดีโอ (2018): [กระดาษ] [หมายเหตุ]
• TSM Temporal Shift Module สำหรับการทำความเข้าใจวิดีโอที่มีประสิทธิภาพ (2018): [กระดาษ] [หมายเหตุ]
• เวลาสำหรับการจดจำการกระทำที่ซับซ้อน (2018): [กระดาษ] [หมายเหตุ]
• Non-Local Neural Networks (2017): [กระดาษ] [หมายเหตุ]
• เครือข่ายเซ็กเมนต์ชั่วคราวสำหรับการจดจำการกระทำในวิดีโอ (2017): [กระดาษ] [หมายเหตุ]
• quo vadis action การจดจำรูปแบบใหม่และชุดข้อมูลจลนพลศาสตร์ (2017): [กระดาษ] [หมายเหตุ]
• ดูอย่างใกล้ชิดที่ spatiotemporal convolutions สำหรับการจดจำการกระทำ (2017): [กระดาษ] [หมายเหตุ]
• Actionvlad การเรียนรู้การรวมตัวของอุณหภูมิสำหรับการจำแนกประเภทการดำเนินการ (2017): [กระดาษ] [หมายเหตุ]
• SPATIOTEMPORAL NETWORKS สำหรับการจดจำวิดีโอการกระทำ (2016): [กระดาษ] [หมายเหตุ]
• เครือข่ายการเข้ารหัสเชิงเส้นเชิงเส้นลึก (2016): [กระดาษ] [หมายเหตุ]
• เครือข่าย convolutional ชั่วคราวสำหรับการแบ่งส่วนและการตรวจจับการกระทำ (2016): [กระดาษ] [หมายเหตุ]
• การเรียนรู้คุณสมบัติ spatiotemporal ด้วยเครือข่าย 3D Convolutional (2014): [กระดาษ] [หมายเหตุ]

การปรับโดเมนโดเมนและการกระจายตัวโดยทั่วไป

• ทบทวนการปรับโดเมนตามการจับคู่แบบกระจาย (2020): [กระดาษ] [หมายเหตุ]
• ความสามารถในการถ่ายโอนเทียบกับการแยกแยะได้: การลงโทษสเปกตรัมแบบแบทช์ (2019): [กระดาษ] [หมายเหตุ]
• ในการเรียนรู้การเป็นตัวแทนค่าคงที่สำหรับการปรับโดเมน (2019): [กระดาษ] [หมายเหตุ]
• การปรับตัวของโดเมนสากล (2019): [กระดาษ] [หมายเหตุ]
• การฝึกอบรมฝ่ายตรงข้ามที่ถ่ายโอนได้ (2019): [กระดาษ] [หมายเหตุ]
• การปรับตัวโดเมนหลายครั้ง (2018): [กระดาษ] [หมายเหตุ]
• การปรับตัวโดเมนฝ่ายตรงข้ามตามเงื่อนไข (2018): [กระดาษ] [หมายเหตุ]
• การเรียนรู้การเป็นตัวแทนที่ยุติธรรมและถ่ายโอนได้ (2018): [กระดาษ] [หมายเหตุ]
• ผลของการถ่วงน้ำหนักที่สำคัญในการเรียนรู้อย่างลึกซึ้งคืออะไร? (2018): [กระดาษ] [หมายเหตุ]

ความสามารถในการอธิบายได้

• ต่อการตีความและบรรเทาพฤติกรรมการเรียนรู้ทางลัดของโมเดล NLU (2021): [กระดาษ] [หมายเหตุ]
• ความสามารถในการตีความของหม้อแปลงเกินความสนใจ (2020): [กระดาษ] [หมายเหตุ]
• การแสดงคุณสมบัติรูปร่างใดที่สำรวจสถาปัตยกรรมชุดข้อมูลและการฝึกอบรม (2020): [กระดาษ] [หมายเหตุ]
• เลเยอร์การออกกลางคันตามความสนใจสำหรับการแปลวัตถุที่มีการดูแลอย่างอ่อน (2019): [กระดาษ] [หมายเหตุ]
• ความสนใจไม่ใช่คำอธิบาย (2019): [กระดาษ] [หมายเหตุ]
• SmoothGrad ลบเสียงรบกวนโดยการเพิ่มเสียงรบกวน (2017): [กระดาษ] [หมายเหตุ]
• การระบุแหล่งที่มาของ Axiomatic สำหรับ Deep Networks (2017): [กระดาษ] [หมายเหตุ]
• เครือข่ายสาขาความสนใจ: การเรียนรู้กลไกความสนใจสำหรับคำอธิบายภาพ (2019): [กระดาษ] [หมายเหตุ]
• ให้ความสนใจกับความสนใจมากขึ้น: ปรับปรุงประสิทธิภาพของ CNNs ผ่านการถ่ายโอนความสนใจ (2016): [กระดาษ] [หมายเหตุ]

การประมวลผลภาษาธรรมชาติ (NLP)

• Pre-train, Promp และ Predict: การสำรวจอย่างเป็นระบบของวิธีการแจ้งเตือนในการประมวลผลภาษาธรรมชาติ (2021): [กระดาษ] [หมายเหตุ]
• การเพิ่มข้อมูลที่ไม่ได้รับการดูแลด้วยการเพิ่มไร้เดียงสาและไม่มีข้อมูลที่ไม่มีป้ายกำกับ (2020): [กระดาษ] [หมายเหตุ]
• การเรียนรู้แบบตัดกันภายใต้การดูแลสำหรับการปรับแต่งแบบจำลองภาษาที่ผ่านการฝึกอบรมมาก่อน (2021): [กระดาษ] [หมายเหตุ]
• Bert and Pals: เลเยอร์ความสนใจที่คาดการณ์ไว้สำหรับการปรับตัวที่มีประสิทธิภาพในการเรียนรู้แบบหลายงาน (2020): [กระดาษ] [หมายเหตุ]
• Freelb: การฝึกอบรมที่เพิ่มขึ้นสำหรับการทำความเข้าใจภาษาธรรมชาติ (2020): [กระดาษ] [หมายเหตุ]
• MixText: การแก้ไขทางภาษาสำหรับการจำแนกประเภทข้อความกึ่งผู้ดูแล (2020): [กระดาษ] [หมายเหตุ]

การสร้างแบบจำลองการกำเนิด

• pretraining กำเนิดจากพิกเซล (2020): [กระดาษ] [หมายเหตุ]
• การทำให้เป็นมาตรฐานความสอดคล้องสำหรับเครือข่ายฝ่ายตรงข้าม (2020): [กระดาษ] [หมายเหตุ]

การเรียนรู้ที่ไม่ได้รับการดูแล

• การจัดกลุ่มข้อมูลค่าคงที่สำหรับการจำแนกภาพและการแบ่งส่วนภาพที่ไม่ได้รับการดูแล (2019): [กระดาษ] [หมายเหตุ]
• การจัดกลุ่มลึกสำหรับการเรียนรู้คุณสมบัติภาพที่ไม่ได้รับการดูแล (2018): [กระดาษ] [หมายเหตุ]

การแบ่งส่วนความหมาย

• deeplabv3+: decoder encoder พร้อม atrous แยกกันได้ (2018): [กระดาษ] [หมายเหตุ]
• สสารเคอร์เนลขนาดใหญ่ปรับปรุงการแบ่งส่วนความหมายโดย Global Convolutional Network (2017): [กระดาษ] [หมายเหตุ]
• ทำความเข้าใจกับการแบ่งแยกความหมาย (2018): [กระดาษ] [หมายเหตุ]
• ทบทวนการคิด atrous atrous สำหรับการแบ่งส่วนภาพความหมาย (2017): [กระดาษ] [หมายเหตุ]
• RefinEnet: เครือข่ายการปรับแต่งหลายเส้นทางสำหรับการแบ่งส่วนความหมายความละเอียดสูง (2017): [กระดาษ] [หมายเหตุ]
• Pyramid Scene Parsing Network (2017): [กระดาษ] [หมายเหตุ]
• SEGNET: สถาปัตยกรรม DEEP SUNDULINGALENCODER-DECODER สำหรับ Imagesegentation (2016): [กระดาษ] [หมายเหตุ]
• ENET: สถาปัตยกรรมเครือข่ายประสาทลึกสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ (2016): [กระดาษ] [หมายเหตุ]
• ความสนใจไปที่สเกล: การแบ่งส่วนภาพความหมายตามมาตราส่วน (2016): [กระดาษ] [หมายเหตุ]
• Deeplab: การแบ่งส่วนภาพความหมายกับ DCNN, Atrous Convs และ CRFS (2016): [กระดาษ] [หมายเหตุ]
• U-Net: เครือข่าย convolutional สำหรับการแบ่งส่วนภาพชีวการแพทย์ (2015): [กระดาษ] [หมายเหตุ]
• เครือข่าย convolutional อย่างเต็มที่สำหรับการแบ่งส่วนความหมาย (2015): [กระดาษ] [หมายเหตุ]
• Hypercolumns สำหรับการแบ่งส่วนวัตถุและการแปลที่ละเอียด (2015): [กระดาษ] [หมายเหตุ]

การแบ่งส่วนความหมายที่อ่อนแอและกึ่ง

• การปิดบังภูมิภาคและอัตราการเติมที่ขับเคลื่อนด้วยการสูญเสียไกด์นำเที่ยว (2019): [กระดาษ] [หมายเหตุ]
• FICKLENET: การแบ่งส่วนความหมายแบบกึ่งอ่อนและกึ่งอุณหภูมิโดยใช้การอนุมานแบบสุ่ม (2019): [กระดาษ] [หมายเหตุ]
• เครือข่ายการแบ่งส่วนความหมายที่ไม่ได้รับการดูแลอย่างอ่อนแอพร้อมกับการเติบโตของภูมิภาคที่มีเมล็ดลึก (2018): [กระดาษ] [หมายเหตุ]
• การเรียนรู้ระดับความหมายระดับพิกเซลกับการกำกับดูแลระดับภาพ (2018): [กระดาษ] [หมายเหตุ]
• การขุดพื้นที่วัตถุด้วยการลบล้างความเป็นปฏิปักษ์ (2018): [กระดาษ] [หมายเหตุ]
• การกลับมาอีกครั้งการปรับเปลี่ยนการขยายตัว: วิธีการง่ายๆสำหรับการแบ่งส่วนที่อ่อนแอและกึ่งภายใต้การดูแล (2018): [กระดาษ] [หมายเหตุ]
• บอกฉันว่าจะดูที่ไหน: นำทางเครือข่ายการอนุมานความสนใจ (2018): [กระดาษ] [หมายเหตุ]
• การแบ่งส่วนความหมายแบบกึ่งควบคุมโดยใช้เครือข่ายฝ่ายตรงข้าม (2017): [กระดาษ] [หมายเหตุ]
• decoupled เครือข่ายประสาทลึกสำหรับการแบ่งส่วนความหมายแบบกึ่งหัวรุนแรง (2015): [กระดาษ] [หมายเหตุ]
• การเรียนรู้ DCNN สำหรับการแบ่งส่วนภาพความหมาย (2015): [กระดาษ] [หมายเหตุ]

การดึงข้อมูล

• VSE ++: การปรับปรุงการฝังศพด้วยภาพด้วยความร้อนด้วยความยากลำบาก (2018): [กระดาษ] [หมายเหตุ]

กราฟประสาทเครือข่าย

• Pixels to Graphs โดย Associative Embedding (2017): [กระดาษ] [หมายเหตุ]
• การฝังแบบเชื่อมโยง: การเรียนรู้แบบ end-to-end forjoint การตรวจจับและการจัดกลุ่ม (2017): [กระดาษ] [หมายเหตุ]
• เครือข่ายปฏิสัมพันธ์สำหรับการเรียนรู้เกี่ยวกับวัตถุความสัมพันธ์และฟิสิกส์ (2016): [กระดาษ] [หมายเหตุ]
• Deepwalk: การเรียนรู้ออนไลน์ของการเป็นตัวแทนทางสังคม (2014): [กระดาษ] [หมายเหตุ]
• โมเดลเครือข่ายประสาทกราฟ (2009): [กระดาษ] [หมายเหตุ]

การทำให้เป็นระเบียบ

• Manifold Mixup: การเป็นตัวแทนที่ดีขึ้นโดยการแก้ไขรัฐที่ซ่อนอยู่ (2018): [กระดาษ] [หมายเหตุ]

วิธีการเรียนรู้อย่างลึกซึ้งและแบบจำลอง

• Autoaugment (2018): [กระดาษ] [หมายเหตุ]
• Hourgloass แบบซ้อน (2017): [กระดาษ] [หมายเหตุ]

การวิเคราะห์เอกสารและการแบ่งส่วน

• DHSegment: วิธีการเรียนรู้ลึกทั่วไปสำหรับการแบ่งส่วนเอกสาร (2018): [กระดาษ] [หมายเหตุ]
• การเรียนรู้ที่จะแยกโครงสร้างความหมายจากเอกสารโดยใช้เครือข่ายประสาทแบบหลายรูปแบบ (2017): [กระดาษ] [หมายเหตุ]
• การแบ่งส่วนหน้าสำหรับภาพเอกสารที่เขียนด้วยลายมือในอดีตโดยใช้ฟิลด์สุ่มแบบมีเงื่อนไข (2016): [กระดาษ] [หมายเหตุ]
• การแข่งขัน ICDAR 2015 ในการตรวจจับสายข้อความในเอกสารประวัติศาสตร์ (2015): [กระดาษ] [หมายเหตุ]
• การแบ่งส่วนบรรทัดข้อความที่เขียนด้วยลายมือโดยใช้เครือข่าย convolutional อย่างสมบูรณ์ (2017): [กระดาษ] [หมายเหตุ]
• เครือข่ายประสาทลึกสำหรับการจดจำข้อความที่เขียนด้วยลายมือขนาดใหญ่ (2015): [กระดาษ] [หมายเหตุ]
• การแบ่งส่วนหน้าของภาพเอกสารประวัติด้วย convolutional autoencoders (2015): [กระดาษ] [หมายเหตุ]