THEORY

This page is read only. You can view the source, but not change it. Ask your administrator if you think this is wrong.
====== Bibliography ======

===== Общие вопросы МО =====

  * [[https://education.yandex.ru/handbook/ml|Учебник по машинному обучению Yandex]]
  * [[https://www.youtube.com/@razinkov|Разников]].
    * Оченть интересный видеокурс по МО
  * [[https://arxiv.org/abs/2404.19756v2|KAN: Kolmogorov–Arnold Networks]], arXiv:2404.19756v2
  * [[https://habr.com/ru/companies/ods/articles/442002/|Знакомство с Neural ODE]]
  * [[https://logic.pdmi.ras.ru/~sergey/teaching/maderl20/|Лекции по МО Сергея Николенко]]
===== Редкие, аномальные события =====

**Общие обзоры**

  * Liu, Jiaqi, Guoyang Xie, Jinbao Wang, Shangnian Li, Chengjie Wang, Feng Zheng, and Yaochu Jin. [[https://link.springer.com/article/10.1007/s11633-023-1459-z|"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. [[https://ieeexplore.ieee.org/iel7/6287639/6514899/09925159.pdf|"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. [[https://ieeexplore.ieee.org/iel7/6287639/6514899/09439459.pdf|"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. [[https://arxiv.org/pdf/1906.11632|"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):
      * [[https://serp.ai/bidirectional-gan|Bidirectional GAN]] 
      * [[https://medium.com/nerd-for-tech/review-bigan-adversarial-feature-learning-gan-535eb76be2ca|Review — BiGAN: Adversarial Feature Learning (GAN)]]
      * [[https://medium.com/analytics-vidhya/anomaly-detection-using-generative-adversarial-networks-gan-ca433f2ac287|Anomaly detection Using Generative Adversarial Networks(GAN)]]
      * [[https://www.toolify.ai/ai-news/advanced-anomaly-detection-with-bigans-for-image-data-1284376|Advanced Anomaly Detection with BiGANs for Image Data]] 

**Поиск аномальных данных IACT**

  * De, Songshaptak, Writasree Maitra, Vikram Rentala, and Arun M. Thalapillil. [[https://arxiv.org/pdf/2206.05296|"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. [[https://www.cs.cmu.edu/~morency/MMML-Tutorial-ACL2017.pdf|CMU Course 11-777]] {{ ml4gamma:mmml-tutorial-acl2017.pdf |Tutorial on Multimodal Machine Learning}}
    * Подробное описание проблемы, включая историю вопроса.
  * Paul Pu Liang, Amir Zadeh, Louis-Philippe Morency. [[https://arxiv.org/pdf/2209.03430|Arxiv:2209.03430]], Foundations and Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions
  * Cem Akkus et. al. [[https://arxiv.org/pdf/2301.04856|Arxiv:2301.04856]], Multimodal Deep Learning


===== Stereo =====

  * Marco Seeland ID*, Patrick Mäder. Multi-view classification with convolutional neural networks. [[https://doi.org/10.1371/journal.pone.0245230|doi:10.1371/journal.pone.0245230]]

===== Гамма астрономия =====
  * Ti-Pei Li and  YuQian Ma, Analysis methods for results in gamma-ray astronomy, [[https://www.researchgate.net/publication/234438870|ResearchGate]], in The Astrophysical Journal, August 1983
  * Tilman Plehna, Anja Buttera, Barry Dillona, and Claudius Krausea// Modern Machine Learning for LHC Physicists. [[https://arxiv.org/pdf/2211.01421v1|Axiv:2211.01421v1]]
  * Hannes Warnhofer, Samuel T. Spencer, and Alison M.W. Mitchell.Multi-View Deep Learning for Imaging Atmospheric Cherenkov Telescopes. [[https://arxiv.org/pdf/2403.18516v1|arXiv:2403.18516v1]]

===== Другие вопросы МО =====
  * M. Drozdova et. al. Radio-astronomical Image Reconstruction with Conditional Denoising Diffusion Model, [[https://arxiv.org/pdf/2402.10204v2|arXiv:2402.10204v2]]