从宏观角度介绍了RL4KG，可以让初学者迅速掌握表示学习的概念和要义。

刘知远 - 知识表示学习研究进展，包括知识表示，表示学习，知识图谱

可解释性是当前AI研究的热点之一。伦敦大学学院Pasquale Minervini博士在可解释AI研讨会做了关于可解释高效可验证表示的报告《Back to Seminars Explainable, Verifiable, Relational Representation Learning from Knowledge Graphs》，共62页PPT，涵盖知识图谱中链接预测，以及可解释可验证表示学习机制。

用于语义分割的高分辨率网络（HRNets） 分行 这是HRNet + OCR的实现。 可以找到PyTroch 1.1版本。 PyTroch 0.4.1版本可。 消息 [2021/02/16]基于预训练权重，我们在Cityscapes val上达到83.22％ ，在PASCAL-Context val（新SOTA上）达到59.62％ ，在COCO-Stuff val（新SOTA上）达到45.20％，在58.21％上达到LIP值和ADE20K值的47.98％ 。 请查看了解更多详细信息。 [2020/08/16] 已支持我们的HRNet + OCR。 [2020/07/20]来自AInnovation的研究人员通过使用半监督学习方案训练我们的HRNet + OCR在上获得了排名第一。 更多详细信息，请参见他们的。 [2020/07/09]我们的论文被ECCV 2020：。 值得注意的

消息 已经两个月了，我想我终于找到了Simsiam / BYOL避免使用停止梯度和预测变量来避免崩溃解决方案的真正原因！！！ 在上关注我，敬请期待！ SimSiam Chenxinlei和He Kaiming的《一文的PyTorch实现 依存关系 如果您没有python 3环境： conda create -n simsiam python=3.8 conda activate simsiam 然后安装所需的软件包： pip install -r requirements.txt 运行SimSiam CUDA_VISIBLE_DEVICES=0 python main.py --data_dir ../Data/ --log_dir ../logs/ -c configs/simsiam_cifar.yaml --ckpt_dir ~/.cache/ --hide_progress

用matlab生成谐波代码 CoMIR：合作ntrastive中号ultimodal我法师[R epresentation为注册框架 :framed_picture: 通过深度学习以不同的方式配准图像配准 :robot: ，，，，，和 NeurIPS 2020论文代码： 目录 介绍 是在同一坐标系中对齐多个图像的过程。 与使用每个单独的图像相比，这对于提取更多信息很有用。 我们执行严格的多峰图像配准，即使每个图像中的信息完全不同，我们也可以成功对齐来自不同显微镜的图像。 以下是来自两个不同显微镜（亮场和二次谐波产生）的三个图像配准： 该存储库使您可以访问执行以下操作所需的代码： 训练一个神经网络，以在一个公共的潜在空间中转换图像。 注册在公共潜在空间中转换的图像。 它是如何工作的？ 我们结合了最先进的人工神经网络（），将输入图像转换为潜在空间表示，并为CoMIR洗礼。 CoMIR经过精心设计，可以借助经典的注册方法进行调整。 下图描述了我们的管道： 论文的主要发现 :chart_decreasing: 可以在训练过程中使用对比学习并整合等方差约束。 :framed_picture: 使用经典配准方法可以成功地对CoMIR进行对齐。 :cyclone: CoMIR是旋转等变量（）。 :robot: 使用GAN生成跨模态

马里奥matlab代码域对抗神经网络（浅层实现） 此python代码已用于进行以下JMLR论文的第5.1节中介绍的实验。 Yaroslav Ganin，Evgeniya Ustinova，Hana Ajakan，Pascal Germain，Hugo Larochelle，FrançoisLaviolette，Mario Marchand和Victor Lempitsky。 神经网络领域专业训练。 机器学习研究杂志，2016。 内容 DANN.py包含学习算法。 fit()函数是本文算法1的非常简单的实现。 experiments_amazon.py包含在Amazon情感分析数据集上执行的示例（文件夹data包含数据集文件的副本）。 计算目标测试风险（请参见论文表1）和Proxy-A-Distance （请参见论文图3）。 experiments_moons.py包含用于生成本文图2的代码（关于相互缠绕的月亮玩具问题的实验）。 mSDA.py包含用于生成mSDA表示的函数（这些是Chen et al。（2012）Matlab代码的文字翻译）

网络表示学习 重新实现了四种网络表示学习算法 ，根据腾讯微博数据集评估，AUC：0.7548 ，对腾讯微博数据集进行评估，AUC：0.7608 ，在腾讯微博数据集上评估，AUC：0.7553 ，对Cora数据集进行评估，预测准确性：0.805 用法 转到源目录，使用以下命令运行： python3 deepwalk_for_tencent.py [or line_for_tencent.py, node2vec_for_tencent.py, grarep_for_cora.py] 要求 麻木 科学的 网络x Gensim 火炬 scikit学习

InfoDrop 代码对我们的报纸由 ， ，，，，，ICML2020。 此仓库包含以下代码 域泛化 少拍分类

论文摘要：学习学习是使模型能够更有效，更有效地从数据中学习的强大范例。一种流行的元学习方法是训练一个循环模型，以将训练数据集作为输入并输出一个学习模型的参数，或者输出对新测试输入的预测。另外，一种新的元学习方法旨在获取可以通过标准梯度下降有效地微调到新任务的深度表示。在本文中，我们从通用性的角度考虑元学习问题，将学习算法近似的概念形式化，并将上述递归模型的表达能力与将梯度下降嵌入元学习器的最新方法进行比较。特别是，我们试图回答以下问题：深度表示与标准梯度下降相结合是否具有足够的能力来近似任何学习算法？我们发现，这确实是我们的实验，而且是进一步的实验，基于梯度的元学习始终能够导致与递归模型所代表的策略相比，具有更广泛的泛化学习策略。