Awesome Graph & SSL-based Recommendation – 图与自监督推荐资源库

AskKarlMarx.com是一个提供关于卡尔·马克思思想、理论和概念的深入见解的网站，旨在帮助人们理解马克思的作品及其对历史和社会的影响。用户可以通过搜索特定主题或浏览与马克思哲学、经济学和历史分析相关的各种类别，访问文章、论文和资源。

这是一个专业整理的时间序列自监督学习（SSL4TS）资源列表，涵盖了相关论文、代码、数据集等。该项目旨在为研究者和开发者提供全面的资源支持，帮助他们深入了解和应用自监督学习技术在时间序列数据上的最新进展。

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。

在音频领域内进行音乐生成的基准测试项目，利用Freesound Loop数据集。

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。

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。

simplicial-embeddings 是一个基于 Pytorch Lightning 的自监督学习库，专注于视觉表示学习。它提供了多种自监督学习方法，并集成了 Pytorch Lightning 的易扩展性和集成性。该库还包含预训练模型，便于快速部署和应用。

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。

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。

这是一个精心整理的关于上下文学习相关论文的列表，旨在为研究人员和学者提供便利。

deep-table 是一个基于 PyTorch 框架实现的深度学习工具，专注于表格数据的处理和建模。它支持各种最先进的深度学习算法，并特别集成了自监督学习技术，适用于结构化数据的机器学习任务。

该项目是一个基于大语言模型的游戏Agent研究相关论文资源列表，旨在为研究人员和开发者提供一个全面的文献汇总，涵盖各种类型的游戏和应用场景，同时提供最新的研究进展和趋势，以支持相关领域的研究和开发工作。

一个汇集了大量关于人体动作生成的论文的项目，持续更新最新研究进展，涵盖多种生成方式，如动作到动作、文本到动作和音频到动作。

AI-RecommenderSystem项目旨在整理和实现推荐系统领域的一些经典算法模型，提供多种推荐算法的实现，支持个性化推荐，并具备良好的可扩展性，方便用户添加新算法。同时，该系统还提供数据集的处理和分析工具，配备用户友好的接口，方便用户使用。

这是一个关于自我修正大型语言模型及其自动反馈机制的研究论文集合，旨在为研究人员和开发者提供最新的参考资料和研究进展。