EBM
1.[ICLR 2020]Your Classifier is Secretly An Energy Based Model And You Should Treat It Like One
Energy-Based Models (EBMs). Joint distribution으로서의 해석을 통한 discriminative model이 가진 power of generative learning을 leverage함.
2.[ICLR 2022]A Unified Contrastive Energy-Based Model For Understanding The Generative Ability of Adversarial Training
Adversarial Training (AT)는 딥러닝 네트워크의 robustness를 향상시켜주는 효과적인 방법으로 잘 알려져 있다. 왜 잘되는지 EBM관점에서 해석해보자.
3.[NeurIPS 2020]Energy-based Out-of-distribution Detection
위 논문에서는 energy score를 사용한 OOD detection unified framework를 제안한다. 이러한 에너지의 차이는 in- and out-of-distribution을 효과적으로 분류할 수 있다.
4.[NeurIPS 2022]Energy-Based Contrastive Learning of Visual Representations (작성중)
Contrastive learning은 Deep Neural Networks (DNNs)를 훈련함으로써 visual representation을 학습하는 방법이다. 일반적으로 positive pairs (transformations of the same image)들의
5.[ICCV 2021]Energy-Based Open-World Uncertainty Modeling for Confidence Calibration (작성중)
Confidence calibration은 머신러닝 시스템의 의사 결정의 신뢰성에 있어서 중요하다. 그러나 deep neural network 기반의 discriminative classifier들은 종종 overconfident prediction으로 classifi
6.[NeurIPS 2019] Implicit Generation and Modling with Energy-based Models
오늘 공유드릴 논문은https://arxiv.org/abs/1903.08689Implicit Generation and Modeling with Energy-Based Models라는 논문으로 2019년 NeurIPS에 publish된 논문입니다.Energy
7.[ICCV 2021] JEM++: Improved Techniques for Training JEM
오늘 소개드릴 논문은JEM++: Improved Techniques for Training JEMhttps://arxiv.org/abs/2109.09032로 ICCV 2021에 발표된 논문입니다.제목에서도 알 수 있듯이, 저번에 소개드렸던 JEM (Joint