ICLR 2021上与【因果推理】相关的投稿论文（七篇）

ICLR 采用公开评审，可以提前看到这些论文。本文发现基于因果推理（Causal Inference）相关的投稿paper很多，因果推理，以及反事实等相关理论方法在CV、NLP都开始有相关的应用了，这个前沿的方法受到了很多人的关注。

ICLR 2021【推荐系统】相关投稿论文(六篇)

据官方统计，今年共有3013篇论文提交。ICLR 采用公开评审，可以提前看到这些论文。本文发现推荐系统（Recommendation System）相关的投稿paper很多，和常见的推荐系统paper不太一样，投稿的大部分理论研究偏多，希望大家多多关注。

ICLR 2021上关于【NLP】主题的论文

本文关注焦点是ICLR上NLP主题中的6篇论文。接下来我们还将精选模型压缩、预训练等热点领域，为大家带来系列论文解读，敬请关注。

ICLR 2021上与【自监督学习】 & 【Transformer】相关的论文

国际表示学习大会（The International Conference on Learning Representations）是致力于人工智能领域发展的国际知名学术会议之一。为了分析最新研究动向，本文精选了涵盖自监督学习、Transformer、图神经网络、自然语言处理、模型压缩等热点领域，将分多期为大家带来系列论文解读。

ICLR 2018论文合集

ICLR论文合集，此篇收集了2018的所有论文，希望对各位同学有用，论文合集，论文合集，论文合集，论文合集。

7篇ICLR论文，遍览联邦学习最新研究进展.pdf

联邦学习是一种在分布式网络中实现的客户端本地存储数据并训练局部模型、中央服务器汇聚各客户端上载数据后训练构建全局模型的分布式机器学习处理框架。

论文浅尝 # ICLR 2020 - 一文全览知识图谱研究

ICLR 2020 正在进行，但总结笔记却相继出炉。我们曾对 ICLR 2020 上的趋势进行介绍，本文考虑的主题为知识图谱。

workshop_of_NAS_ICLR2020.rar

ICLR 2020 线上会议已经圆满结束。此次会议关于NAS的研究主题包括对benchmark的探讨、对于流行的NAS方法的理解和分析，以及如何提高NAS方法的精度和效率等。值得一提的是，此届会议举办了ICLR历史上的第一个神经网络架构搜索（NAS）的Workshop（https://sites.google.com/view/nas2020/home），充分体现出NAS正成为越来越热门的神经网络研究方向。

ICLR2017文献

2017年ICLR相关文献PPT版。

40篇ICLR2020计算机视觉开源论文合集.zip

计算机视觉相关的论文，详细描述了计算机视觉方向的内容，为计算机视觉方向的研究打下很好的基础。从论文中找到自己的方向。

challenge-iclr-2021:面向2021年ICLR计算几何与拓扑挑战的GitHub存储库-源码

2021年ICLR计算几何与拓扑挑战 欢迎参加2021年ICLR计算几何与拓扑挑战！ 这项挑战的目的是通过依靠最先进的几何和拓扑Python软件包创建最佳的数据分析，计算方法或数值实验，从而推动计算微分几何和拓扑学领域的发展。 所有参与者都有机会共同撰写一份白皮书，总结挑战的发现。 每次提交均采用Jupyter Notebook的形式，利用了和。 参与者通过（PR）将其Jupyter Notebook提交到此GitHub存储库，请参见下面的。 最后期限 最终的“拉取请求”提交日期和时间必须在以下日期之前进行： 2021年5月2日，太平洋标准时间（太平洋标准时间）23:59 。 在此之前，参与者可以自由地提交其“拉取请求”并修改其提交。 获奖者公告和奖品 前三名获奖者将在ICLR 2021虚拟研讨会“宣布，并通过网络发布广告。 获奖者也将通过电子邮件直接联系。 奖品包括： 第

对比：“通过对比鉴别器训练具有更强增强能力的GAN”论文的代码（ICLR 2021）-源码

通过对比鉴别器训练具有更强增强能力的GAN（ICLR 2021） 该存储库包含用于复制和的论文“通过对比鉴别器训练具有更强增强的 ”的。 TL; DR ：我们提出了GAN的新型区分器，该方法表明对比表示学习（例如SimCLR和GAN）在共同训练时可以互惠互利。 在高分辨率，有限大小的AFHQ-Dog（4739个样本），AFHQ-Cat（5153个样本）和AFHQ-Wild（4738个样本）数据集上，对GAN的无条件生成进行定性比较。 概述 对比鉴别器（ContraD）概述。 不是从鉴别器损失（L_dis）中学习ContraD的表示，而是从两个对比损失（L + _con和L-_con）中获知，每个分别用于真实样本和伪样本。 最小化L_dis的实际鉴别符只是学习到的对比表示上的2层MLP头。 依存关系 当前，已确认在以下环境中运行代码： python >= 3.6 pytorch

co-mod-gan:[ICLR 2021，Spotlight]通过协同调制的生成对抗网络进行大规模图像完成-源码

通过协同调制的对抗网络进行大规模图像完成，ICLR 2021（聚焦） | [NEW！]是时候玩我们的！ 条件生成对抗网络的许多任务特定变体已经开发出来用于图像完成。 然而，仍然存在严重的局限性，即在处理大规模缺失区域时，所有现有算法都倾向于失败。 为了克服这一挑战，我们提出了一种通用的新方法，该方法通过对有条件和随机样式表示形式进行共调制来弥合图像条件和最近调制的无条件生成体系结构之间的差距。 此外，由于缺乏用于图像完成的良好定量指标，我们提出了新的配对/未配对初始判别分数（P-IDS / U-IDS） ，该指标可通过线性可分离性来可靠地测量修复图像与真实图像之间的感知保真度在特征空间中。 实验证明，在质量和多样性方面都优于最新形式的自由形式图像完成功能，并且易于将图像概括为图像到图像的翻译。 通过协同调制的对抗网络进行大规模图像完成，，盛怡伦，董悦，肖亮，张兆祥，徐彦清华大学与微软

ICLR 2020 Bengio 一作论文：因果机制、元学习与模型泛化如何产生关联？.zip

Yoshua Bengio 等人基于学习器适应新分布的速度提出一种元学习因果结构，假设新分布由干预、智能体动作以及其它非稳态（non-stationarity）导致的稀疏分布变化引起，由此得出“正确的因果结构选择 会使学习器**更快地适应修改后的分布**”。该假设的研究将“适应修改后分布的速度”作为元学习的目标，表明“这可用于决定两个观测变量之间的因果关系”。研究结论的价值即特点和优势发现是，分布变化无需对应标准干预，学习器不具备关于干预的直接知识。因果结构可通过连续变量进行参数化，并以端到端的形式学得。研究探讨了想法的如何应用，来满足“独立机制 以及 动作和非稳态 导致的 机制内微小稀疏变化 ”的假设。

Few_Shot_Distribution_Calibration:[ICLR2021口头]少量学习的免费午餐-源码

[ICLR2021口头]少量学习的免费午餐：分布校准 论文链接： : 智虎链接： ://zhuanlan.zhihu.com/p/344531704 骨干培训 我们使用与“ S2M2_R”相同的骨干网和培训策略。 请参阅进行骨干训练。 提取并保存功能 将主干训练为“ S2M2_R”后，提取以下特征： 创建一个空的“检查点”目录。 跑步： python save_plk.py --dataset [miniImagenet/CUB] 或者，您可以从链接中直接下载提取的特征/预训练模型： 下载解压缩的功能后，请根据代码调整文件路径。 评估我们的分配校准 要评估我们的分配校准方法，请运行： python evaluate_DC.py 引文 如果我们的论文对您的研究有用，请引用我们的论文： @inproceedings{ yang2021free, title={Free Lu

lightweight-gan:在Pytorch的ICLR 2021中提出的“轻量级” GAN的实现。 可以在一两天内进行训练的高分辨率图像生成-源码

训练12小时后512x512鲜花，1 gpu 训练12小时后256x256朵鲜花，1 gpu 比萨 ``轻巧''GAN 在Pytorch的ICLR 2021中提出的实现。 本文的主要贡献是发生器中的跳层激励，以及鉴别器中的自动编码自监督学习。 引用单行摘要“在经过数小时培训的情况下，可以在1024 g分辨率的数百张图像上融合在单个gpu上”。 安装 $ pip install lightweight-gan 使用 一个命令 $ lightweight_gan --data ./path/to/images --image-size 512 每隔1000次迭代，模型将保存到./models/{name} ，模型中的样本将保存到./results/{name} 。 name将是default ，默认情况下。 训练设定 深度学习从业人员的自我解释能力很强 $ lightweight_ga

ICLR-2019-Oral.zip

ICLR是Yann LeCun 、Yoshua Bengio 等几位行业顶级专家于2013年发起，如今已成为深度学习领域一个至关重要的学术盛事，每年一届，每届包括24篇Oral论文以及诺干Poster论文。