NIPS 2016上22篇论文的实现汇集

http://blog.csdn.net/jiandanjinxin/article/details/54087592

日前，LightOn CEO 兼联合创始人 Igor Carron 在其博客上放出了其收集到的 NIPS 2016 论文的实现（一共 22 个）。他写道：「在 Reddit 上，peterkuharvarduk 决定编译所有来自 NIPS 2016 的可用实现，我很高兴他使用了『实现（ implementation）』这个词，因为这让我可以快速搜索到这些项目。」除了 peterkuharvarduk 的推荐，这里的项目还包括 Reddit 其他用户和 Carron 额外添加的一些新公布的实现。最终他还重点推荐了 GitXiv：http://www.gitxiv.com 。另外，在本文后面还附带了机器之心关于 NIPS 2016 的文章列表，千万不要错过。

　　1. 使用快速权重关注最近的过去（Using Fast Weights to Attend to the Recent Past）

　　论文：https://arxiv.org/abs/1610.06258

　　GitHub：https://github.com/ajarai/fast-weights

　　2. 通过梯度下降来学习通过梯度下降的学习（Learning to learn by gradient descent by gradient descent）

　　论文：https://arxiv.org/abs/1606.04474

　　GitHub：https://github.com/deepmind/learning-to-learn

　　3. R-FCN：通过基于区域的全卷积网络的目标检测（R-FCN: Object Detection via Region-based Fully Convolutional Networks）

　　论文：https://arxiv.org/abs/1605.06409

　　GitHub：https://github.com/Orpine/py-R-FCN

　　4. 用于 k-均值的快速和可证明的 Good Seedings（Fast and Provably Good Seedings for k-Means）

　　论文：https://las.inf.ethz.ch/files/bachem16fast.pdf.

　　GitHub：https://github.com/obachem/kmc2

　　5. 如何训练生成对抗网络（How to Train a GAN）

　　GitHub：https://github.com/soumith/ganhacks

　　6. Phased LSTM：为长的或基于事件的序列加速循环网络训练（Phased LSTM: Accelerating Recurrent Network Training for Long or Event-based Sequences）

　　论文：https://arxiv.org/abs/1610.09513

　　GitHub: https://github.com/dannyneil/public_plstm

　　7. 生成对抗式模仿学习（Generative Adversarial Imitation Learning）

　　论文：https://arxiv.org/abs/1606.03476

　　GitHub：https://github.com/openai/imitation

　　8. 对抗式多类分类：一个风险最小化的角度（Adversarial Multiclass Classification: A Risk Minimization Perspective）

　　论文：https://www.cs.uic.edu/~rfathony/pdf/fathony2016adversarial.pdf

　　GitHub：https://github.com/rizalzaf/adversarial-multiclass

　　9. 通过视频预测的用于物理交互的无监督学习（Unsupervised Learning for Physical Interaction through Video Prediction）

　　论文：https://arxiv.org/abs/1605.07157

　　GitHub: https://github.com/tensorflow/models/tree/master/video_prediction

　　10.权重规范化：一种加速深度神经网络训练的简单重新参数化（ Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks）

　　论文：https://arxiv.org/abs/1602.07868

　　GitHub：https://github.com/openai/weightnorm

　　11. 全容量整体循环神经网络（Full-Capacity Unitary Recurrent Neural Networks）

　　论文：https://arxiv.org/abs/1611.00035

　　GitHub：https://github.com/stwisdom/urnn

　　12. 带有随机层的序列神经模型（Sequential Neural Models with Stochastic Layers）

　　论文：https://arxiv.org/pdf/1605.07571.pdf

　　GitHub：https://github.com/marcofraccaro/srnn

　　13. 带有快速局部化谱过滤的图上的卷积神经网络（Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering）

　　论文：https://arxiv.org/abs/1606.09375

　　GitHub：https://github.com/mdeff/cnn_graph

　　14. Interpretable Distribution Features with Maximum Testing Power

　　论文：https://papers.nips.cc/paper/6148-interpretable-distribution-features-with-maximum-testing-power.pdf

　　GitHub：https://github.com/wittawatj/interpretable-test/

　　15. 使用神经网络组成图模型，用于结构化表征和快速推理(Composing graphical models with neural networks for structured representations and fast inference )

　　论文：https://arxiv.org/abs/1603.06277

　　GitHub：https://github.com/mattjj/svae

　　16. 使用张量网络的监督学习（Supervised Learning with Tensor Networks）

　　论文：https://arxiv.org/abs/1605.05775

　　GitHub：https://github.com/emstoudenmire/TNML

　　17. 使用贝叶斯条件密度估计的模拟模型的快速无ε推理（Fast ε-free Inference of Simulation Models with Bayesian Conditional Density Estimation）

　　论文：https://arxiv.org/abs/1605.06376

　　GitHub：https://github.com/gpapamak/epsilon_free_inference

　　18. 用于概率程序的贝叶斯优化（Bayesian Optimization for Probabilistic Programs）

　　论文：http://www.robots.ox.ac.uk/~twgr/assets/pdf/rainforth2016BOPP.pdf

　　GitHub：https://github.com/probprog/bopp

　　19. PVANet：用于实施目标检测的轻权重深度神经网络（PVANet: Lightweight Deep Neural Networks for Real-time Object Detection）

　　论文：https://arxiv.org/abs/1611.08588

　　GitHub：https://github.com/sanghoon/pva-faster-rcnn

　　20. 数据编程：快速创建大训练集（Data Programming: Creating Large Training Sets Quickly）

　　论文：https://arxiv.org/abs/1605.07723

　　代码：snorkel.stanford.edu

　　21. 用于架构学习的卷积神经结构（Convolutional Neural Fabrics for Architecture Learning）

　　论文：https://arxiv.org/pdf/1606.02492.pdf

　　GitHub：https://github.com/shreyassaxena/convolutional-neural-fabrics

　　22. 价值迭代网络（Value Iteration Networks）

　　论文：https://arxiv.org/abs/1602.02867

　　TensorFlow 实现：https://github.com/TheAbhiKumar/tensorflow-value-iteration-networks

原作者的 Theano 实现：https://github.com/avivt/VIN