本文为大家奉上NeurIPS 2020必读的六篇因果推理（Causal Inference）相关论文——Covid-19传播因果分析、反事实概率方法、因果图发现、因果模仿学习、弱监督语义分割、不确定性因果效应。

平滑分类器认证稳健性的一致性正则化 (NeurIPS2020) 该存储库包含和的论文“平滑分类器的证明稳健性的一致性正则化”代码。 依存关系 conda create -n smoothing-consistency python=3 conda activate smoothing-consistency # IMPORTANT: Please make sure `pytorch != 1.4.0` # Currently, our code is not compatible to `pytorch == 1.4.0`; # See more details at `https://github.com/pytorch/pytorch/issues/32395`. # Below is for linux, with CUDA 10; see https://pytorc

低速HFR的双变量生成 编写的一种的纸面码。 消息 DVG的扩展版本在IEEE TPAMI 2021中发布（ ），其代码在发布。 新发布的扩展版本比该版本具有更强大的性能。 先决条件 Python 2.7 火炬0.4.1和火炬视觉0.2.1 训练发电机 下载已在MS-Celeb-1M数据集上进行预训练的LightCNN-29模型（ ）。 训练发电机： sh run_train_generator.sh 请注意，这是我们原始代码的简化版本： 1.消除了论文中的多样性损失和对抗性损失。 2.分布对齐损失由最大平均差异（MMD）损失代替。 训练期间生成的结果将保存为./results 。 从噪点生成图像 使用训练有素的生成器来采样100,000个配对的异构数据： Python val.py --pre_model './model/netG_model_epoch_50_iter_0

一键爬取 ECCV & ICCV & CVPR & NeurIPS 论文并使用关键词筛选，只下载关键词筛选的文章 也能拿来爬别的，反正看完nips代码就会发现基本大同小异了 凑字数： 使用xpath解析某个节点下所有文本(包括该节点的文本和其所有子节点的文本):

更新：签出库 ，它在一个漂亮干净的Python包中重新实现了学习分支所需的一切（位于）。 图卷积神经网络的精确组合优化 Maxime Gasse，DidierChételat，Nicola Ferroni，Laurent Charlin，Andrea Lodi 这是我们NeurIPS 2019的正式实施。 安装 请参阅安装说明。 运行实验 设置覆盖 # Generate MILP instances python 01_generate_instances.py setcover # Generate supervised learning datasets python 02_generate_samples.py setcover -j 4 # number of available CPUs # Training for i in {0..4} do python 03_

NeurIPS 2020已经开完会，本文发现元学习（Meta Learning）相关的接受paper不少，元学习在CV、NLP等各个领域的应用也比较火热，值得研究者们细心学习。

多任务学习作为多目标优化 该代码存储库包含的源代码： Multi-Task Learning as Multi-Objective Optimization Ozan Sener, Vladlen Koltun Neural Information Processing Systems (NeurIPS) 2018 实验框架基于PyTorch。 但是，所提出的算法（MGDA_UB）在很大程度上是Numpy的，没有其他要求。 因此，将其扩展到其他深度学习框架应该是微不足道的。 PyTorch版本在min_norm_solvers.py实现，仅使用Numpy的通用版本在min_norm_solvers.py文件中min_norm_solvers_numpy.py 。 此回购所包含的内容不只是本文的实现。 它同时采用了Frank-Wolfe和投影梯度下降法。 它还具有智能的初始化和梯度归一化

解读NeurIPS-AutoDL总决赛冠军解决方案，代码已开源.docx

数据库技术网 我们的NeurIPS'19论文的代码的MXNet版本 双线性特征变换在学习细粒度图像表示中显示了最新的性能。 提出的DBTNet可以将双线性特征深深地集成到CNN中，以学习细粒度的图像表示。 框架 主要结果 方法 方面 CUB-200-2011 斯坦福车 飞机 紧凑双线性 14k 81.6 88.6 81.6 内核池 14k 84.7 91.1 85.7 iSQRT-COV 8k 87.3 91.7 89.5 iSQRT-COV 32k 88.1 92.8 90.0 DBTNet-50（我们的） 2k 87.5 94.1 91.2 DBTNet-101（我们的） 2k 88.1 94.5 91.6 先决条件 MXNet 1.3.1 GluonCV 0.3.0 快速开始 准备数据： 下载imagenet数据： cd

少量学习的原型网络 NIPS 2017论文》的代码。 如果您使用此代码，请引用我们的论文： @inproceedings{snell2017prototypical, title={Prototypical Networks for Few-shot Learning}, author={Snell, Jake and Swersky, Kevin and Zemel, Richard}, booktitle={Advances in Neural Information Processing Systems}, year={2017} } 训练原型网络 安装依赖 该代码