ml4gamma:biblio
Table of Contents
Bibliography
Общие вопросы МО
-
- Оченть интересный видеокурс по МО
- KAN: Kolmogorov–Arnold Networks, arXiv:2404.19756v2
Редкие, аномальные события
Общие обзоры
- Liu, Jiaqi, Guoyang Xie, Jinbao Wang, Shangnian Li, Chengjie Wang, Feng Zheng, and Yaochu Jin. "Deep industrial image anomaly detection: A survey." Machine Intelligence Research 21, no. 1 (2024): 104-135.
- Всесторонний обзор методов обнаружения аномалий изображений на основе глубокого обучения с точки зрения архитектуры нейронных сетей, функций потерь, метрик и наборов данных и т.п.
- Совсем недавний и подробный обзор темы. Хотя основной упор на применении в промышленности, представляется, что методика может быть полезной для проекта.
- De Albuquerque Filho, José Edson, Laislla CP Brandão, Bruno José Torres Fernandes, and Alexandre MA Maciel. "A review of neural networks for anomaly detection." IEEE Access 10 (2022): 112342-112367.
- Фактически сборник абстрактов работ по теме (более 70-ти) + некоторые обобщающие таблицы
- Nassif, Ali Bou, Manar Abu Talib, Qassim Nasir, and Fatima Mohamad Dakalbab. "Machine learning for anomaly detection: A systematic review." IEEE Access 9 (2021): 78658-78700.
- Обзор только литературных источников по базовым критериям (type, ML model, performance metrics and their value, etc.), но очень объемлющий (более 300 ссылок)
GAN для поиска аномалий
- Di Mattia, Federico, Paolo Galeone, Michele De Simoni, and Emanuele Ghelfi. "A survey on gans for anomaly detection." arXiv preprint arXiv:1906.11632 (2019).
- Неплохой обзор по использованию GAN для поиска аномалий
- Использование AE для поиска аномалий понятно: данные, которые плохо декодируются обученным на нормальных данных AE, - аномальны. Оказалось, что с этой задачей вполне успешно справляются и GANs.
- Особенно хорошо для этой цели подходит модификация GAN, называемая BiGAN (Bidirectional GAN).
- Вводные тексты по BiGAN и по их применению для поиска аномалий (блоги):
Поиск аномальных данных IACT
- De, Songshaptak, Writasree Maitra, Vikram Rentala, and Arun M. Thalapillil. "Deep learning techniques for imaging air Cherenkov telescopes." Physical Review D 107, no. 8 (2023): 083026.
- Поиск аномальных данных IACT с помощью нейронных сетей. Аномальные данные интерпретируются как вызванные первичными частицами вне рамок Стандартной модели.
Мультимодальные данные
- Louis-Philippe Morency and Tadas Baltrusaitis. CMU Course 11-777 Tutorial on Multimodal Machine Learning
- Подробное описание проблемы, включая историю вопроса.
- Paul Pu Liang, Amir Zadeh, Louis-Philippe Morency. Arxiv:2209.03430, Foundations and Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions
- Cem Akkus et. al. Arxiv:2301.04856, Multimodal Deep Learning
Stereo
- Marco Seeland ID*, Patrick Mäder. Multi-view classification with convolutional neural networks. doi:10.1371/journal.pone.0245230
Другие вопросы МО
- M. Drozdova et. al. Radio-astronomical Image Reconstruction with Conditional Denoising Diffusion Model, arXiv:2402.10204v2
Гамма астрономия
- Ti-Pei Li and YuQian Ma, Analysis methods for results in gamma-ray astronomy, ResearchGate, in The Astrophysical Journal, August 1983
- Tilman Plehna, Anja Buttera, Barry Dillona, and Claudius Krausea Modern Machine Learning for LHC Physicists. Axiv:2211.01421v1 * Hannes Warnhofer, Samuel T. Spencer, and Alison M.W. Mitchell.Multi-View Deep Learning for Imaging Atmospheric Cherenkov Telescopes. arXiv:2403.18516v1
ml4gamma/biblio.txt · Last modified: 05/07/2024 22:22 by 52.167.144.20