zmerengues的博客

PhyDNet：Disentangling Physical Dynamics from Unknown Factors for Unsupervised Video Prediction参考博客来源： link主要思想是试图用深度网络构建物理约束模型，方法是用卷积模拟偏导，用moment loss作监督，学到物理信息，从而对已有的网络（文中使用ConvLSTM）进行信息补充。如图，右边为已有深度网络可以捕捉到的信息，本文试图使用深度网络通过偏微分方程来建模先验物理知识，即左边的信息。最后将物理信息

NestedVAE: Isolating Common Factors via Weak Supervision.摘要  公正无偏的机器学习十分重要，但数据中的偏差biases很可能被模型学到，导致后续决策过程有偏差。作者确定了减少偏差的任务 与 分离domain之间共有因子的联系，同时鼓励域特定的不变性。   本文通过深度隐变量模型结合信息瓶颈理论，来分离common factors，适用于跨域的自然配对数据而不需要额外监管的场景。  Nested VAE试图用图像的潜在表示去重建成对的另一

postgreSQL学习笔记