Paper Reading

0. Solid Ideas

• Yoshua Bengio重新思考ML的投稿

  1.Quantum Computing

• TKDE’16_Relevance Feedback Algorithms Inspired By Quantum Detection

2.Active Learning

参考github上主动学习推荐学习

• SIGIR’06 Laplacian Optimal Design for Image Retrieval
• Survey’09_Active learning

3. Ensemble Learning

• 进化集成学习算法综述
• FCS’20 A survey on ensemble learning
• ⭐⭐⭐⭐Access’22 A Survey of Ensemble Learning：过于简单的集成学习入门介绍，公式和引用多，大部分只解决分类问题
• Artif. Intell. Rev.‘23 A Survey on ensemble learning under the era of deep learning：重视统一的范式，举的例子涉及各个领域，较杂。虽然标题有深度学习，但看完之后感觉更像是一个概念，没有说明怎么和深度学习结合，还得是看具体案例。

  Application

• TPMAI’04 Asymmetric Bagging and Random Subspace for Support Vector Machines-Based Relevance Feedback in Image Retrieval ：简单的SVM+随机采样，用于消除CBIR中的数据量小或者不平衡。
• Access’17 An_Ensemble_Deep_Learning_Method_for_Vehicle_Type_Classification_on_Visual_Traffic_Surveillance_Sensors：简单的ResNet+过采样解决数据集类别不均匀问题，集成采用max voting policy，还是解决分类问题。

4. Large Language Model(LLM)

• ⭐ ⭐ ⭐ ⭐ ⭐ arxiv 2311’ LLM_Survey_Chinese：很全面的综述，重点讲述最新的模型、训练方法、测试。
• arxiv’21 How much can clip benefit vision-and-language Tasks：用CLIP的视觉编码器完成V&L的任务，实验较完整，理论无拓展。
• ⭐⭐⭐⭐⭐CLIP：Learning Transferable Visual Models From Natural Language Supervision：V&L的开山之作
• ⭐⭐⭐⭐ECCV’22 SLIP：Self-supervision Meets Language-Image Pre-training
• ⭐⭐⭐⭐⭐ICML’22 BLIP Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation：应用效果会比SLIP更佳，论文写的也更清楚些。组合模块+数据清洗后增强

5.Video Retrieval

• ⭐⭐⭐⭐Improving Interpretable Embeddings for Ad-hoc Video Search with Generative Captions and Multi-word Concept Bank：在表达上值得学习，想法好，但是实验结论不是很明显。

待阅读合集

1.机器学习

• 人工智能：现代方法（第3版）

This line appears after every note.