NIPS

调参1——随机森林贝叶斯调参

_35757704/article/details/118480135安装贝叶斯调参：pipinstallbayesian-optimization算法简介paper地址：http://papers.nips.cc
呆萌的代Ma·2023-01-04 16:46

Hash Trick在机器学习中的应用

近几年在nips等机器学习会议上，将特征使用minhash进行压缩，降低数据量。这里可
a flying bird·2023-01-04 14:53

NNLM神经网络语言模型简单实现词语预测（含python代码详解）

源自Bengio等人于2001年发表在NIPS上的《ANeuralProbabilisticLan
99.99％·2023-01-04 12:26

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks相关

元学习论文总结||小样本学习论文总结2017-2019年计算机视觉顶会文章收录AAAI2017-2019CVPR2017-2019ECCV2018ICCV2017-2019ICLR2017-2019NIPS2017
TBYourHero·2023-01-03 14:50

《Prototypical Networks for Few-shot Learning》阅读笔记

《PrototypicalNetworksforFew-shotLearning》来源：NIPS2017原文链接：https://arxiv.org/abs/1703.05175在EMNLP2018的论文
qq_33221657·2023-01-02 14:10

SLAM十四讲课后习题解答

元学习论文总结||小样本学习论文总结2017-2019年计算机视觉顶会文章收录AAAI2017-2019CVPR2017-2019ECCV2018ICCV2017-2019ICLR2017-2019NIPS2017
TBYourHero·2023-01-01 17:25

NIPS（Neur IPS）2021论文列表及地址

AdvancesinNeuralInformationProcessingSystems34pre-proceedings(NeurIPS2021)Editedby:M.RanzatoandA.BeygelzimerandP.S.LiangandJ.W.VaughanandY.Dauphinhttps://proceedings.neurips.cc/paper/2021Bookhttps://p
Chauncey_Wang·2023-01-01 14:18

2021NIPS | 即插即用,标准化注意力机制NAM

NAM:Normalization-basedAttentionModulepaper:https://arxiv.org/pdf/2111.12419.pdfcode:https://github.com/Christian-lyc/NAM摘要注意机制是近年来人们普遍关注的研究兴趣之一。它帮助深度神经网络抑制较不显著的像素或通道。以往的许多研究都集中于通过注意力操作来捕捉显著特征。这些方法成功地
xdhe1216·2023-01-01 14:46

NIPS-2017-原始变压器: Attention Is All You Need 阅读笔记

论文地址：https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf代码地址：https://github.com/tensorflow/tensor2tensor整体架构：编码器（Encoder）:编码器由N=6个相同层的Encoders堆叠组成。每个Encoder两个子层。第
菜菜子hoho·2023-01-01 14:16

Nips2021(Segmentation) - 高效的语义分割transformer《SegFormer》

文章目录原文地址论文阅读方法初识相知TransformerEncoderAll-MLPDecoder整体网络结构讨论与实验回顾代码原文地址原文论文阅读方法三遍论文法初识本文的工作主要是Transformer在语义分割领域的应用，虽然CVPR21已经有SETR（基于ViT）了，但是其本身还是存在不少问题的：①ViT作为backbone只能输出固定分辨率的特征图，这对于密集预测任务显然不够友好；②由于
我是大黄同学呀·2023-01-01 14:45

黎曼流形学习的学习笔记(1):Moser Flow: Divergence-based Generative Modeling on Manifolds(来源：NIPS 2021 oral)

亮点：1.使用MoserFlow(MF)相比于其他连续标准化流(CNF)不需要在训练过程解常微分方程(ODE)，因此训练速度相对较快；2.在1的基础上，证明了在一定的前提下，MF可以泛化任意的流形，并且这是流模型(包括CNF在内)第一次在一般的曲面上(文中指3D兔子，泛指除了球，椭圆这一类基础曲面)进行了采样生成实验。前提知识：1)Changeofvariableformula:概率密度的转换2）
Cinq Huang·2023-01-01 14:41

学习笔记 | NIPS 2021 regularization cocktail 调优的 MLPs 在表格数据上优于 GBDTs | Regularization is All Your Need

文章目录一、前言二、Motivation三、Regularizations四、Methods五、实验六、总结CSDN叶庭云：https://yetingyun.blog.csdn.net/一、前言Well-tunedSimpleNetsExcelonTabularDatasetsEvensimpleneuralnetworkscanachievecompetitiveclassificationa
叶庭云·2023-01-01 14:10

经典网络-AlexNet论文及实践

2012-AlexNet论文地址：https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
uncle_ll·2023-01-01 09:33

知识追踪模型——教育大数据挖掘（持续更新......）

知识追踪（2015NIPS）DeepKnowledgeTracing（2017WWW）DynamicKey-ValueMemoryNetworksforKnowledgeTracing（2019AAAI
睡不醒的小胖子·2022-12-30 09:11

NCA（Neighborhood Components Analysis）

NCA是JacobGoldberger和SamRoweis等发表于2014年的NIPS上同名文章NeighborhoodComponentsAnalysis中的工作。
Forlogen·2022-12-29 14:53

论文笔记：Hierarchical Deep Reinforcement Learning:Integrating Temporal Abstraction and Intrinsic

2016nips1abstract&introduction在反馈稀疏的环境中学习目标导向的行为是强化学习算法面临的主要挑战。主要困难之一是探索不足，导致智能体无法学习稳健的策略。
UQI-LIUWJ·2022-12-29 07:03

Hierarchical deep reinforcement learning (H-DQN)

论文简述原论文：(http://papers.nips.cc/paper/6233-hierarchical-deep-reinforcement-learning-integrating-temporal-abstraction-and-intrinsic-motivation.pdf
master_hao·2022-12-29 07:03

最近的vision transformer阅读

最近的visiontransformer阅读AllTokensMatter:TokenLabelingforTrainingBetterVisionTransformers(NIPS2021)DynamicViT
laizi_laizi·2022-12-28 15:32

Attention Is All You Need论文阅读笔记

NIPS20171、Abstract&Introduction目前主流的序列转换模型都是基于复杂的、带有encoder和decoder的CNN或者RNN。
westbrook_wang·2022-12-26 13:05

[论文笔记] Attention is All You Need 阅读笔记

AttentionisAllYouNeed阅读笔记AttentionisAllYouNeed（NIPS2017）摘要背景模型架构EncoderandDecoderStacksAttentionPosition-wiseFeed-ForwardNetworksEmbeddingsandSoftmaxPositionalEncodingAttentionisAllYouNeed
吉他A梦·2022-12-26 13:03

Attention is all you need -- 阅读笔记

这篇文章是2017年发表在NIPS会议上的论文，也是Transformer的开山之作。
Tender_Li·2022-12-26 13:32

NIPS2014图上的谱聚类

题目：SpectralNetworksandDeepLocallyConnectedNetworksonGraphs摘要：卷积神经网络在图像和音频识别任务中是非常有效的结构，因为它们能够利用信号类在其域上的局部平移不变性。在本文中，我们考虑了在没有翻译组作用的情况下，CNN对更一般域上信号的可能概括。特别地，我们提出了两种构造，一种基于域的层次聚类，另一种基于图拉普拉斯的谱。我们通过实验证明，对于
放浪不羁爱自由·2022-12-26 04:34

异构图神经网络（4）Graph Transformer Networks

GraphTransformerNetworks这篇文章发表于NIPS2019。
文件夹66·2022-12-26 00:46

PyTorch ConvLSTM复现代码解析

上找了一个ConvLSTM复现的代码，进行阅读解析代码传送门：https://github.com/ndrplz/ConvLSTM_pytorch一、ConvLSTM简介：ConvLSTM是在2015年NIPS
Maple529·2022-12-25 10:14

Dynamic Filter Networks

DynamicFilterNetworks2019-06-1011:29:19Paper：http://papers.nips.cc/paper/6578-dynamic-filter-networks.pdfCode
a1424262219·2022-12-25 07:25

【论文笔记】MaskFormer: Per-Pixel Classification is Not All You Need for Semantic Segmentation

论文地址：https://papers.nips.cc/paper/2021/file/950a4152c2b4aa3ad78bdd6b366cc179-Paper.pdf项目地址：https://github.com
橙子的科研日记·2022-12-24 13:55

轮播图高度自适应_【2020顶会NIPS】用于交通预测的自适应图卷积循环网络

就idea来说，这篇文章整体感觉亮点只有参数分解一处，其他的自适应网络结构，之前已经有文章研究，如果在计算方面有需求，或者是网络节点较多的应用可以参考这篇文章。AdaptiveGraphConvolutionalRecurrentNetworkforTrafficForecasting摘要：在相关的时间序列数据中建立复杂的时空关联对于理解交通动力学和预测交通系统的未来状态是必不可少的。最近的工作集
林社会事务·2022-12-24 10:22

2019 NIPS | Variational graph recurrent neural network

2019NIPS|VariationalgraphrecurrentneuralnetworkPaper:https://arxiv.org/abs/1908.09710Code:https://github.com
发呆的比目鱼·2022-12-24 10:51

网络安全系列-三十四: EDR、NDR、XDR 、HIPS、NIPS、NTA、DPI、DFI、南北流量、东西流量：傻傻分不清楚

1.网络攻击的核心场景流量层与主机侧是网络攻击的核心场景和目标流量层：网络交互产生的流量及数据主机侧：硬件、服务器、系统、中间件等2.常见的网安产品常见的网络安全产品一般作用于流量层或主机侧主机侧的有：HIDS:主机型入侵检测系统EDR:终端检测与响应流量层的有：NIDS:基于网络的入侵检测系统NTA:网络流量分析NDR:网络威胁检测及响应同时覆盖主机侧与流量层的有：XDR:扩展检测及响应3.网安
java编程艺术·2022-12-23 21:38

集成学习——LightGBM原理理解

LightGradientBoostingMachine）是梯度提升框架下的适用于大规模数据的又一boosting学习框架，它由微软亚洲研究院分布式机器学习工具包（DMTK）团队以及北大的一个学者在2017年NIPS
学吧学吧终成学霸·2022-12-22 22:25

【NIPS 2019】PVCNN：用于高效3D深度学习的点-体素 CNN

文章目录Point-VoxelCNNforEfficient3DDeepLearning动机PVConv基于体素的上分支基于点的下分支特征融合效率（Efficiency）和有效性（Effectiveness）Point-VoxelCNNforEfficient3DDeepLearninghttps://proceedings.neurips.cc/paper/2019/file/573703455
二进制人工智能·2022-12-22 22:43

2021计算机视觉与模式识别方向会议截稿日期

会议截稿时间会议时间地点CCF等级主页NeurIPS20212021-05-262020-12-06OnlineAhttps://nips.cc/Conferences/2021CVPR20222021
Vanessa Ni·2022-12-22 22:03

PyTorh笔记 - LN: Layer Normalization

本文地址：https://blog.csdn.net/caroline_wendy/article/details/128408894Paper:LayerNormalization2016.7.21,NIPS2016
SpikeKing·2022-12-22 19:26

(NIPS 21) CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration

CoFiNet[1]是去年挂在Arxiv上的文章，当时没有来得及仔细研究，时隔大半年，仔细研究一下这篇文章。Contribution提出一种不需要检测关键点的（detection-free）的coarse-to-fine点云配准框架；提出一种加权方案（weightingscheme），在coarsescale下引导模型学习匹配经过下采样后的均匀分布的nodes，显著减小了后续进一步优化点对匹配关系
dloading7·2022-12-22 03:41

Nips20 - 半监督图像分类代表作 FixMatch《Simplifying Semi-Supervised Learning with Consistency and Confidence》

文章目录原文及参考初识相知回顾原文及参考原文地址：直接点我就能跳转初识作者认为，当前主流的半监督学习方法(semi-supervisedlearning,SSL)都可以归结于：在无label数据上构造人为标签。比如伪标签(也叫self-training)，使用模型的预测作为label再次进行训练；一致性约束，对输入和模型进行随机扰动（增广/dropout）后的输出结果作为人为标签（希望两者趋于一致
我是大黄同学呀·2022-12-21 21:10

类感知对比半监督学习(Class-Aware Contrastive Semi-Supervised Learning)论文阅读笔记

MixMatch[1](NIPS,2019)：数据Mixup→预测锐化（Sharpen）FixMatch[2](NIPS,2020)：置信度阈值
Remoa·2022-12-21 21:33

FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence

FixMatch:SimplifyingSemi-SupervisedLearningwithConsistencyandConfidence,NIPS,2020要点：1、首先，基于“弱增强的未标记样本的模型预测
nightluo·2022-12-21 21:00

Learning to Compare: Relation Network for Few-Shot Learning||论文阅读

元学习论文总结||小样本学习论文总结2017-2019年计算机视觉顶会文章收录AAAI2017-2019CVPR2017-2019ECCV2018ICCV2017-2019ICLR2017-2019NIPS2017
TBYourHero·2022-12-21 12:30

论文阅读：Differential privacy federated learning a client level perspective

论文名字Differentialprivacyfederatedlearningaclientlevelperspective来源NIPS2017顶会年份2017作者RobinC.Geyer,TassiloKlein
三金samkam·2022-12-21 05:48

【论文解读 NIPS 2019 | GTNs】Graph Transformer Networks

论文题目：GraphTransformerNetworks论文来源：NIPS2019论文链接：https://arxiv.org/abs/1911.06455代码链接：https://github.com
byn12345·2022-12-20 10:35

论文解读-

论文题目：《UnsupervisedDomainAdaptationwithResidualTransferNetworks》论文信息：NIPS2016,MingshengLong,HanZhu,JianminWang
海边的第八只螃蟹·2022-12-19 20:42

【论文精读】——使用卷积神经网络进行纹理合成（Texture Synthesis Using Convolutional Neural Networks）

TextureSynthesisUsingConvolutionalNeuralNetworks基本信息作者：LeonA.Gatys，AlexanderS.Ecker，MatthiasBethge期刊：NIPS
Zency_SUN·2022-12-19 18:51

【分布外检测】《Energy-based Out-of-distribution Detection》 NIPS‘20

《Energy-basedOut-of-distributionDetection》NIPS’20不改变模型结构，在任意模型上用能量函数替代softmax函数，识别输入数据是否为异常样本。
chad_lee·2022-12-19 15:08

2020[NIPS] Graph Contrastive Learning with Augmentations 用于图数据增强的图对比学习

目录AbstractIntroduction研究意义与难点贡献概念补充Method图的数据增强图对比学习GraphCLDiscussion图对比学习中数据增强扮演的角色有效图扩充的类型、范围和模式ComparsionConclusionBroaderImpactAbstract对图结构化数据的通用性，可迁移性和鲁棒性表示的学习任务仍然是当前图神经网络（GNN）面临的挑战。与针对卷积神经网络（CNN
YoHu人家·2022-12-19 00:48

NIPS 2017 | Attention is all you need | Transformer 阅读笔记（部分翻译）

AttentionisallyouneedAuthorUnit:GoogleBrain,GoogleResearch,UniversityofTorontoAuthors:AshishVaswani∗^*∗,NoamShazeer*,NikiParmar*,JakobUszkoreit*,LlionJones*,AidanN.Gomez*†^††,ŁukaszKaiser∗^∗∗,IlliaPol
ybacm·2022-12-19 00:09

知识蒸馏《Distilling the Knowledge in a Neural Network》

本文是Hinton大神在2014年NIPS上一篇论文《DistillingtheKnowledgeinaNeuralNetwork》1、Introduction文章开篇用一个比喻来引入网络蒸馏：昆虫作为幼虫时擅于从环境中汲取能量
彭伟_02·2022-12-18 14:09

各种注意力机制PyTorch实现

ExternalAttentionusingTwoLinearLayersforVisualTasks—arXiv2020.05.05”Pytorchimplementationof“AttentionIsAllYouNeed—NIPS20
weixin_ry5219775·2022-12-18 12:00

Faster RCNN 笔记

NIPS2015的paper，扩展版本投了TPAMI2015年时最先进的目标检测的网络依赖于regionproposal算法来假设物体的位置，SPPnet和FastRCNN减少了这些网络的运行时间，展示了计算
wineandchord·2022-12-17 17:11

李沐精读论文：GAN

论文：https://papers.nips.cc/paper/2014/file/5ca3e9b122f61f8f06494c97b1afccf3-Paper.pdf视频：GAN论文逐段精读【论文精读
iwill323·2022-12-16 08:00

【Transformer论文模型细致讲解】

Transformer是谷歌在2017年6月提出，发表在NIPS2017上。论文地址AttentionIsAllYouNeed。
Ye_Z·2022-12-15 20:49
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他