一个开源框架，用于进行数据污染攻击，针对推荐系统，旨在协助研究人员和实践者。

一个开源框架，用于进行数据污染攻击，针对推荐系统，旨在协助研究人员和实践者。 该框架提供了配置文件，允许选择和配置推荐模型和攻击模型。同时，它列出了一系列已实施的推荐模型和攻击模型，以及相关的研究论文。 用户可以选择实施攻击模型或推荐模型，并根据需要重新实现相应的函数。 | #框架

EasyCV是一个涵盖多个领域的基于Pytorch的计算机视觉工具箱，聚焦自监督学习和视觉transformer关键技术，覆盖主

EasyCV是一个涵盖多个领域的基于Pytorch的计算机视觉工具箱，聚焦自监督学习和视觉transformer关键技术，覆盖主流的视觉建模任务例如图像分类，度量学习，目标检测，关键点检测等。 核心特性： SOTA 自监督算法 EasyCV提供了state-of-the-art的自监督算法，有基于对比学习的算法例如 SimCLR，MoCO V2，Swav， Moby，DINO，也有基于掩码图像建模的MAE算法，除此之外我们还提供了标准的benchmark工具用来进行自监督算法模型的效果评估。 视觉Transformers EasyCV聚焦视觉transformer技术，希望通过一种简洁的方式让用户方便地使用各种SOTA的、基于自监督预训练和imagenet预训练的视觉transformer模型，例如ViT，Swin-Transformer，Shuffle Transformer，未来也会加入更多相关模型。此外，我们还支持所有timm仓库中的预训练模型. 易用性和可扩展性 除了自监督学习，EasyCV还支持图像分类、目标检测，度量学习，关键点检测等领域，同时未来也会支持更多任务领域。 尽管横跨多个任务领域，EasyCV保持了统一的架构，整体框架划分为数据集、模型、回调模块，非常容易增加新的算法、功能，以及基于现有模块进行扩展。 推理方面，EasyCV提供了端到端的简单易用的推理接口，支持上述多个领域。 此外所有的模型都支持使用PAI-EAS进行在线部署，支持自动伸缩和服务监控。 高性能 EasyCV支持多机多卡训练，同时支持TorchAccelerator和fp16进行训练加速。在数据读取和预处理方面，EasyCV使用DALI进行加速。对于模型推理优化，EasyCV支持使用jit script导出模型，使用PAI-Blade进行模型优化。 | #计算机视觉 #工具

是一个用 Python 编写的开源 #框架 ，用于量化（又名监督流行率估计，或学习量化）。

是一个用 Python 编写的开源 #框架 ，用于量化（又名监督流行率估计，或学习量化）。 QuaPy 基于“数据样本”的概念，提供量化工作流最重要方面的实现，例如（基线和高级）量化方法、面向量化的模型选择机制、评估措施和评估协议用于评估量化方法。QuaPy 还提供常用数据集，并提供可视化工具以促进实验结果的分析和解释

是一个基于Python和JAX的库，用于实现贝叶斯计算中常用的采样和变分推断算法。

是一个基于Python和JAX的库，用于实现贝叶斯计算中常用的采样和变分推断算法。 该库通过函数式编程方法提高了易用性、速度和模块化，使得统计‘原子’能够灵活组合以执行精确的贝叶斯推断。其核心特色在于支持构建复杂采样方法和推断模型，尤其适合需要尖端方法的用户、研究人员和有志于深入理解这些方法的人。 BlackJAX的设计原则强调了纯函数式结构以简化并行化，并提供了低级API，使用户能够实现定制的复杂方法。BlackJAX鼓励重新引入结构感知算法，以适应现代模型推断的需求。

机器学习/深度学习一切主题 (学习范式/任务/应用/模型/道德/交叉学科/数据集/框架/教程) 的资源列表汇总此列表包含380+

机器学习/深度学习一切主题 (学习范式/任务/应用/模型/道德/交叉学科/数据集/框架/教程) 的资源列表汇总此列表包含380+条目（2021年12月），这个项目的愿景是： 帮助初学者理解 #机器学习 的各种分支和最新进展； 帮助研究者快速熟悉、了解新的研究方向； 帮助工程师寻找合适的教程和工具以解决实际问题

：一种新的生成式交互环境模型，能通过无监督学习，用未标注的互联网视频数据训练而成。

：一种新的生成式交互环境模型，能通过无监督学习，用未标注的互联网视频数据训练而成。 Genie具有11B参数，能将文本、合成图像、照片甚至手绘草图转换为可交互的虚拟世界。这一模型打破了传统世界模型需要特定领域数据和动作标签的局限，通过学习潜动作空间，实现了对生成环境的逐帧控制。 研究表明，Genie不仅能够创造多样的互动体验，还能够训练未来的通用智能体，通过对未见过的视频进行模仿学习，预示着人工智能领域迈向开放式学习和创造无限数据的新时代。