matlab中补充模代码2016-ICML-格罗莫夫-沃瑟斯坦 用Matlab代码重现论文的一些结果 加布里埃尔·佩雷（GabrielPeyré），马可·卡图里（Marco Cuturi），贾斯汀·所罗门（Justin Solomon）， ICML 2016。 仅实现形状插值应用程序。 compute_gw_barycenters.m：实现重心的计算。 perform_gw_sinkhorn.m：实现解决GW问题的耦合计算。 test_distmat_interpol.m：用于启动计算的主脚本。 将图形另存为.eps文件。 batch_barycenter_distances.m：以批处理模式启动计算。 data /：包含形状的二进制图像。 mesh2d /：Darren Engwirda惊人的代码，用于对二维域进行网格化。 工具箱/：各种辅助功能。

ICML 2013国际会议论文集论文，机器学习，深度学习领域，比较热

参考Yiming Yang在ICML 2006论文工作的基础上，收集一定数量的损失函数的正则项，解决方案

参考Yiming Yang在ICML 2006论文工作的基础上，收集一定数量的损失函数的正则项 完整解决方案，以及报告

自我监督预测的好奇心驱动探索 在ICML 2017中 ， ， ，加州大学伯克利分校 这是我们基于ICLS 基于张量流的实现，该。 当来自环境的外部奖励稀疏时，想法是用内在的基于好奇心的动机（ICM）来培训代理商。 令人惊讶的是，即使环境中没有可用的奖励，您也可以使用ICM，在这种情况下，代理仅出于好奇而学会探索：“没有奖励的RL”。 如果您发现这项工作对您的研究有用，请引用： @inproceedings{pathakICMl17curiosity, Author = {Pathak, Deepak and Agrawal, Pulkit and Ef

眼网 机器学习算法框架（SVM + DNN）已在CompBio 2018的ICML-IJCAI研讨会上接受 EyeNet包含用于医学信息学和机器学习研究的机器学习模型和疾病标签 参考 如果您觉得这对您的工作有用，请考虑引用以下参考资料： @article{yang2018novel, title={A Novel Hybrid Machine Learning Model for Auto-Classification of Retinal Diseases}, author={Yang, C-H Huck and Huang, Jia-Hong and Liu, Fangyu and Chiu, Fang-Yi and Gao, Mengya and Lyu, Weifeng and Tegner, Jesper and others}, journal={arXiv

少量物体检测（FsDet） FsDet包含ICML 2020论文《令人中的官方几次物体检测实现。 除了以前的作品所使用的基准，我们还在三个数据集上引入了新的基准：PASCAL VOC，COCO和LVIS。我们对多组实验的多次抽样训练样本进行了多组采样，并报告了基础班和新颖班的评估结果。这些在“中有更详细的描述。 我们还为我们的两阶段微调方法（TFA）提供了基准测试结果和经过预训练的模型。在TFA中，我们首先在数据丰富的基类上训练整个对象检测器，然后仅在小的平衡训练集上微调检测器的最后一层。见为我们提供的模型和的培训和评估指导。 FsDet的模块化程度很高，因此您可以轻松添加自己的数据集和模型。该存储库的目标是为检测少量物体提供一个通用框架，该框架可用于将来的研究。 如果您发现此存储库对您的出版物有用，请考虑引用我们的论文。 @article{wang2020few, tit

变形金刚霍克斯过程 源代码。 运行代码 依存关系 Python 3.7。 包含所有必需的软件包。 版本1.4.0。 指示 将数据文件夹放在根文件夹中，并相应地修改run.sh中的数据条目。 数据集可。 bash run.sh运行代码。 笔记 目前，该代码仅支持单个GPU训练，但是支持多个GPU的扩展应该很容易。 所报告的事件时间预测RMSE和数据集中提供的时间戳不是同一单位，即，所提供的时间戳可以以分钟为单位，但是报告的结果以小时为单位。 除了run.sh中的因素外，还有几个可以更改的因素： 在Main.py中的函数train_epoch中，需要适当缩放事件时间预测平方误差以稳定训练。 同时，还要在Utils.py中的time_loss函数中缩放diff变量。 在Utils.py函数log_likelihood中，用户可以选择使用数值积分还是蒙特卡洛积分。 在Transfo

“生成对抗式插补网络（GAIN）”的代码库 作者：尹振成，詹姆斯·乔登，米哈埃拉·范德沙尔 论文：Jinsung Yoon，James Jordon，Mihaela van der Schaar，“ GAIN：使用生成对抗网络进行数据插补”，国际机器学习会议（ICML），2018年。 论文链接： : 联络人： 该目录包含使用两个UCI数据集进行插补的GAIN框架的实现。 UCI信（ ） UCI垃圾邮件（ ） 要运行有关GAIN框架的培训和评估管道，只需运行python3 -m main_letter_spam.py。 请注意，任何模型体系结构都可以用作生成器和鉴别器模型，例如多层感知器或CNN。 命令输入： data_name：字母或垃圾邮件 miss_rate：缺少组件的概率 batch_size：批量大小 hint_rate：提示率 alpha：超参数 迭代：

该存储库包含ICML 2019论文的代码： 郭川，Jacob R. Gardner，尤荣友，Andrew G. Wilson，Kilian Q. Weinberger。 简单的黑匣子对抗攻击。 我们的代码使用CUDA 9.0和Python 3.5的PyTorch（pytorch> = 0.4.1，torchvision> = 0.2.1）。 脚本run_simba.py包含用于使用各种选项运行SimBA和SimBA-DCT的代码。 要运行SimBA（像素攻击）： python run_simba.py --data_root --num_iters 10000 --pixel_attack --freq_dims 224 要运行SimBA-DCT（低频攻击）： python run_simba.py --data_root <imagenet_