representation-learning

Apprentissage par transfert, adaptation de domaine, généralisation de domaine, apprentissage multi-tâches, etc. Articles, codes, jeux de données, applications et tutoriels.

Liste de lecture pour les sujets de recherche en apprentissage automatique multimodal.

Série EVA : Visual Representation Fantasies par BAAI

Boîte à outils pour le pré-entraînement vocal auto-supervisé et l'apprentissage de représentations

Implémentation PyTorch de SimCLR : un framework simple pour l'apprentissage contrastif de représentations visuelles

Bibliothèque Python pour l'apprentissage de représentations sur des graphes de connaissances https://docs.ampligraph.org

Cambrian-1 est une famille de LLM multimodaux avec une conception centrée sur la vision.

Entraînement unifié de Transformers pour la prévision de séries temporelles universelles.

Code pour l'article TKDE "Self-supervised learning on graphs: Contrastive, generative, or predictive".

Une liste complète d'articles sur l'apprentissage auto-supervisé contrastif.

GraphVite : un système de plongement de graphes général et haute performance

IA multimodale de poche pour la compréhension et la génération de contenu textuel, image et bientôt vidéo, jusqu'à 5 fois plus rapide qu'OpenAI CLIP et LLaVA

LibCity : une bibliothèque ouverte pour l'exploration de données spatio-temporelles urbaines

Plateforme de bio-informatique intégrant l'apprentissage de représentations à grande échelle et l'apprentissage profond multi-tâches.

PyCIL : une boîte à outils Python pour l'apprentissage incrémental de classes.

Un modèle de représentation général pour les modalités vision, audio et langage. Article : ONE-PEACE: Exploring One General Representation Model Toward Unlimited Modalities

[ECCV 2024 Best Paper Candidate & TPAMI 2025] PointLLM : Permettre aux grands modèles de langage de comprendre les nuages de points

[IEEE T-KDE 2026] Awesome Deep Graph Clustering est une collection de méthodes de pointe et innovantes en clustering de graphes profonds (articles, codes et jeux de données).

Pipelines, modèles et zoo pour l'apprentissage métrique et la recherche d'informations.

Implémentation PyTorch de SimCLR : un framework simple pour l'apprentissage contrastif de représentations visuelles par T. Chen et al.

Une base de référence puissante pour la classification d'images, la reconnaissance faciale et la recherche d'images avec Pytorch

[Prix du jeune scientifique MICCAI 2019] [Prix du meilleur article MEDIA 2020] Models Genesis, l'un des premiers modèles de « fondation » en analyse d'images médicales pour de multiples tâches en aval.

Sélection de ressources sur l'apprentissage de représentation des protéines

Ce dépôt contient le code de "VLM2Vec / MMEB" [ICLR 2025], "VLM2Vec-V2 / MMEB-V2" [TMLR 2026], et "MMEB-V3" [COLM 2026]

[NeurIPS 2021] Benchmarks multi-échelles pour l'apprentissage de représentations multimodales

Saprot : modèle de langage protéique avec alphabet structurel (AA+3Di)

Liste d'articles sur l'embedding hyperbolique, les modèles hyperboliques, applications hyperboliques

[ECCV 2024] Tokenize Anything via Prompting

Auto-étiquetage via clustering simultané et apprentissage de représentation. (ICLR 2020)

Apprentissage contrastif auto-supervisé pour séries temporelles via cohérence temps-fréquence.