本文介绍了几篇令人惊叹的学术文章，包括将Normalizing Flow转化为连续形式的创新方法，利用ODE求解；BYOL展示了在无负样本的情况下进行对比学习的新思路；Consistency Regularization和DIVA提供了VAE应用的新视角；最后，Planning to Explore通过自我监督世界模型探索学习，强调计算 Surprise 在探索中的作用。
Ffjord虽然是很老的一篇文章，但是这个想法真的很惊艳。这里面最惊艳的大概就是把Normalizing Flow做成了连续形式，然后根据一个ODE的解法来进行。对于数学基础好的同学，这里面最重要的可以学习的是关于处理复杂度的处理，和Performer能学到的东西很类似。
BYOL是一个非常有意思的文章。在我印象中，例如基本依赖于负样本，类似于Triplet Mining。在相当的时间里面，我一直认为Constrast Learning的主要目的还是引入负样本。但是这篇文章告诉你，其实引入负样本反倒是不靠谱的。
Consistency Regularization for Variational Auto-Encoders和DIVA: Domain Invariant Variational Autoencoders是两个相对来说比较新，但是看起来很好用的
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
301
