deep-table开源项目 – 表格数据深度学习工具

这是一个精心整理的关于图与自监督学习在推荐系统中应用的资源列表，涵盖了基于图的推荐系统、自监督学习技术、资源整合与整理以及多种推荐算法的支持。

只依赖pytorch、transformers、numpy、tensorboardX，专注于文本分类、序列标注的极简自然语言处理工具包

OpenAI开源的语音识别框架，支持99种语言的语音-文本转换，在低资源语种识别任务中WER降低至7.3%（比Whisper v2提升28%）。其流式处理架构实现200ms端到端延迟（RTF<0.2），通过自监督预训练机制减少对标注数据的依赖。在智能客服场景测试中，方言识别准确率提升至95%，支持实时会议纪要生成与多语种翻译。

pytorch-lifestream 是一个基于 PyTorch 的库，专门用于在离散事件序列上构建嵌入。该库利用自监督学习方法，能够高效地生成序列数据的嵌入表示，适用于各种时间序列和事件驱动的应用场景。

一个深度学习论文的学习项目，包含超过60篇论文的代码实现和详细注释，支持在线阅读和中文版。

Łukasiewicz是一个完全自动化的平台，可以将表格数据转换为机器学习模型。用户只需上传数据，便可一键生成机器学习模型。该项目仍处于早期阶段，正在进行深入研究，我们期待用户的反馈。

EMP-SSL是一种创新的自监督学习方法，通过增加每个图像实例中的图像块数量，显著提高了自监督学习的效率。该方法不依赖于常见的启发式技术，如分支之间的权重共享，并采用了特征归一化、输出量化和停止梯度等技术，使得训练时间减少了两个数量级，同时在多个数据集上实现了高准确率。

AniTalker是一个开源项目，通过身份解耦的面部动作编码技术，生成生动多样的说话面部动画。它能够从单张图片和音频中生成动态视频，支持生成超过3分钟的超长视频，并且能够匹配表情和头部动作。AniTalker采用通用的运动表示法捕捉复杂面部动态，利用自监督学习策略实现精确的运动描述，并通过扩散模型生成多样且可控的面部动画。项目分为两个阶段，第一阶段聚焦于动作编码器和渲染模块的训练，第二阶段基于diffae和espnet进行扩散训练。AniTalker提供了一个demo，用户可以使用特定的音频输入和图片，生成对应的动画效果，并鼓励社区成员进行进一步的开发和贡献。

ViLMedic是一个模块化框架，专门用于医学领域的视觉和语言多模态研究。它提供了预训练模型，并实现了多种医学图像和文本任务的解决方案，包括医学问答、放射学报告生成和总结，以及自监督学习等。

一个包含多种自然语言处理教程的项目，涵盖了Transformer等模型的实现和应用。

jepa-intuitive-physics是一个通过自然视频的自监督预训练，让机器学会直观物理理解的项目。它利用自监督学习方法，无需标注数据即可训练，提供了完整的代码和数据，支持多种模型评估，为研究直观物理理解提供了强大的工具。

这是一个专注于推荐系统领域的研究进展收集库，涵盖了对比学习、数据增强和自监督学习的最新成果。该项目集成了多个推荐系统研究的文献，旨在为研究人员提供全面的参考资料，以便更好地理解和应用这些先进技术。

一个整理的大语言模型在表格数据应用的论文资源列表，汇集了大量与表格数据处理相关的研究资源，并提供对大语言模型在这些应用中的深入分析。项目持续更新，确保资源的时效性和相关性，支持多种表格数据处理任务的参考资料。

项目描述：表格+大型语言模型（LLM）相关论文整理，汇集了大量关于如何利用大型语言模型处理表格数据的论文，涵盖表格问答、表格到文本、文本到SQL等多种任务，为研究人员提供了一个全面的资源库。

旨在开发支持大规模并行训练的机器学习天气和气候模型的PyTorch框架，Makani 提供高效的计算资源利用，帮助研究人员进行气候变化研究和天气预测。