压实、采摘和种植 (CPG) 这是 CPG 的官方 Pytorch 实现——一种用于对象分类的终身学习算法。 有关CPG的详细信息，请参阅论文《 （ ， ） 该代码仅供学术研究使用。 如需商业用途，请联系教授( )。 基准测试 施引论文 如果这些代码有助于您的研究，请引用以下论文： @inproceedings{hung2019compacting, title={Compacting, Picking and Growing for Unforgetting Continual Learning}, author={Hung, Ching-Yi and Tu, Cheng-Hao and Wu, Cheng-En and Chen, Chien-Hung and Chan, Yi-Ming and Chen, Chu-Song}, booktitle={Advance

子神经网络 NeurIPS 2020论文存储库： 作者： ， ，， 要使用SubGNN，请执行以下操作： 安装环境 准备数据 在config.py修改PROJECT_ROOT 修改适当的config.json文件 训练和评估SubGNN 安装环境 我们提供了一个yml文件，其中包含SubGNN的必要软件包。 一旦安装了 ，就可以创建如下环境： conda env create --file SubGNN.yml 准备数据 通过（1）下载我们提供的数据集或按照prepare_dataset文件夹README中的步骤来为SubGNN准备数据，（2）生成合成数据集或（3）格式化您自己的数据。 真实数据集：我们将发布四个新的真实数据集：HPO-NEURO，HPO-METAB，PPI-BP和EM-USER。 您可以 从Dropbox下载这些文件。 您应该解压缩文件夹并将config.py的P

球形文字嵌入 在NeurIPS 2019中发布的用于Spherical Text Embedding的源代码。代码结构（尤其是文件读取和保存功能）改编自。 要求 GCC编译器（用于编译源c文件）：请参阅有关的。 预训练的嵌入 我们在上提供了经过预训练的JoSE嵌入。 与诸如Word2Vec和GloVe之类的欧几里德嵌入不同，球形嵌入不一定受益于高维空间，因此，首先从低维嵌入开始可能是一个好主意。 运行代码 我们提供了一个shell脚本run.sh来编译源文件和训练嵌入。 注意：在准备训练文本语料库时，请确保文件中的每一行都是一个文档/段落。 超参数 注：建议使用默认的超参数，尤其是阴性样品（数量-negative ）和损失函数保证金（ -margin ）。 调用不带参数的命令以获得超参数及其含义的列表： $ ./src/jose Parameters: -train

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):

过滤器中的修剪过滤器 介绍 这是NeurIPS 2020论文“”的PyTorch实施。 在本文中： 我们提出了一种新的修剪模式，称为条带化修剪（SP），可以将其视为过滤修剪（FP）的一般情况。 SP将过滤器$ F \ in \ mathbb {R} ^ {C \ timesK \ times}}视为$ K \ timesK $条带（即，$ 1 \ times $$过滤器$ \ in \ mathbb {R} ^ c $），并以条带为单位而不是整个过滤器执行修剪。 与现有方法相比，SP具有比传统FP更好的粒度，同时比Weight-Pruning更加硬件友好，并且与Group-wise Pruning相比保持了过滤器之间的独立性，从而在CIFAR-10和ImageNet上实现了最先进的修剪率。 更令人振奋的是，通过应用SP，我们发现过滤器的另一个重要特性与重量无关：形状。 从随机初始化的R

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_

argmin matlab代码A3DMM - ADMM 的自适应加速 复现论文结果的matlab代码 , , 2019 ADMM 考虑以下约束和复合优化问题 $$ \min_{x \in \mathbb{R}^n , y\in \mathbb{R}^m } ~ R(x) + J(y) \quad \textrm{这样~那} \quad Ax + By = b , $$ 其中强加以下基本假设 $R, J$ 是适当的凸函数和下半连续函数。 $A : \mathbb{R}^n \to \mathbb{R}^p $ 和 $B : \mathbb{R}^m \to \mathbb{R}^p$ 是{内射}线性运算符。 $\mathrm{ri} ( \mathrm{dom}(R) \cap \mathrm{dom}(J) ) \neq \emptyset$，并且最小化集合非空。 与 (1) 相关联的增广拉格朗日数为 $$ \mathcal{L}(x,y; \psi) = R(x) + J(y) + \langle{\psi, Ax+By-b}\rangle + \ tfrac{\gamma}{2}|