#representation-learning Dépôts
Découvrez 55 dépôts GitHub open source actifs associés à #representation-learning, cumulant 93,365 étoiles au total (soit une moyenne de 1,697 étoiles par projet). Le projet en tête de ce thème est jindongwang/transferlearning, avec 14,330 étoiles.
55 dépôts au total
Apprentissage par transfert / Adaptation de domaine / Généralisation de domaine / Apprentissage multi-tâches etc. Articles, codes, ensembles de données, applications, tutoriels. - Apprentissage par transfert
Logiciel en C et fichiers de données pour le populaire modèle GloVe pour les représentations de mots distribuées, alias vecteurs de mots ou embeddings
Liste de lecture pour les sujets de recherche en apprentissage automatique multimodal
Apprentissage de représentations sur de grands graphes en utilisant des convolutions de graphes stochastiques.
Kit d'outils pour le pré-entraînement auto-supervisé de la parole et l'apprentissage de représentations
Implémentation PyTorch de SimCLR : Un cadre simple pour l'apprentissagecontrastif de représentations visuelles
Bibliothèque Python pour l'apprentissage de représentations sur les graphes de connaissances https://docs.ampligraph.org
Cambrian-1 est une famille de LLM multimodaux avec une conception centrée sur la vision.
[Présentation orale à CVPR'24] Dépôt officiel de Point Transformer V3 (PTv3). Propose également un package PyTorch + Triton installable avec pip, comprenant les encodeurs préentraînés Sonata, Concerto et Utonia.
Liste de papiers sur l'apprentissage automatique pour les protéines.
Entraînement unifié de transformeurs universels pour la prévision de séries temporelles
Code pour l'article TKDE « Apprentissage auto-supervisé sur les graphes : Contrastif, génératif ou prédictif »
Code pour "MatchAnything: Universal Cross-Modality Image Matching with Large-Scale Pre-Training", TPAMI 2026.
Une liste complète d'articles remarquables sur l'apprentissage auto-supervisé contrastif.
GraphVite : Un système général et haute performance d'incorporation de graphes
Entraînement et inférence distribués pour la perception multimodale : représentations vectorielles partagées pour le texte, les images, la vidéo, l’audio, le code et les graphes, de 64 à 1 024 dimensions 🖼️
Plateforme de Bio-informatique intégrant l'apprentissage de représentation à grande échelle et l'apprentissage profond multi-tâches : l'ensemble d'outils de bio-informatique « Propeller »
LibCity: Une bibliothèque ouverte pour l'exploration de données spatio-temporelles urbaines
[Candidat au Meilleur Article ECCV 2024 et TPAMI 2025] PointLLM : Donner aux Grands Modèles Linguistiques les Moyens de Comprendre les Nuages de Points
Un modèle de représentation général à travers les modalités de vision, audio et langage. Article : ONE-PEACE : Exploration d'un modèle de représentation général vers des modalités illimitées
Une base de code et une liste organisée d'apprentissage profond "longue traîne" impressionnant (TPAMI 2023).
[IEEE T-KDE 2026] Awesome Deep Graph Clustering est une collection de méthodes de clustering de graphes profonds (SOTA), innovantes (articles, codes et jeux de données).
À propos de la publication du code pour "TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis" (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq
Apprentissage métrique et pipelines de récupération, modèles et zoo.
Cell2Sentence : Enseigner aux Grands Modèles de Langage le langage de la biologie
Représentation robuste de graphes contraints sémantiquement, en particulier pour les molécules en chimie
Implémentation PyTorch de SimCLR : Un cadre simple pour l'apprentissage contrastif des représentations visuelles par T. Chen et al.
Une base puissante pour la classification d'images, la reconnaissance faciale et la récupération d'images avec Pytorch
Un framework universel d'apprentissage de la représentation des séries chronologiques
[Prix du jeune scientifique de MICCAI 2019] [Prix du meilleur article de MedIA] Models Genesis : pré-entraînement auto-supervisé pour les images médicales 3D. Apprend des représentations transférables à partir de volumes de TDM et d’IRM non annotés, puis effectue un affinage pour les tâches en aval de segmentation et de classification. Poids Keras et PyTorch inclus.
[CVPR'25 Highlight] Dépôt officiel de Sonata : Apprentissage auto-supervisé de représentations de points fiables
Ce dépôt contient le code pour "VLM2Vec / MMEB" [ICLR 2025], "VLM2Vec-V2 / MMEB-V2" [TMLR 2026] et "MMEB-V3" [COLM 2026]
Apprentissage exceptionnel de la représentation des protéines
[CVPR 2022] Pré-entraînement de Transformers de Nuages de Points 3D avec Modélisation Masquée de Points
Implémentation de « DreamDiffusion : Génération d’images de haute qualité à partir de signaux EEG cérébraux »
Une collection organisée d'articles de recherche explorant l'utilisation des LLM pour des tâches liées aux graphes.
Liste d'articles sur l'intégration hyperbolique, les modèles hyperboliques, les applications hyperboliques
[NeurIPS 2021] Benchmarks multiscales pour l'apprentissage de représentations multimodales
Foire aux questions
Quel est le dépôt #representation-learning le plus populaire sur GitHub ?
Le projet #representation-learning open source le mieux classé sur GitHub est jindongwang/transferlearning, avec 14,330 étoiles. Apprentissage par transfert / Adaptation de domaine / Généralisation de domaine / Apprentissage multi-tâches etc. Articles, codes, ensembles de données, applications, tutoriels. - Apprentissage par transfert
Quels langages de programmation sont les plus utilisés dans les dépôts #representation-learning ?
Parmi les projets #representation-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C, C++.
Comment le classement des dépôts #representation-learning est-il calculé ?
Nous suivons 55 dépôts open source actifs associés à #representation-learning (500+ étoiles), totalisant 93,365 étoiles, avec une moyenne de 1,697 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.