Depth Anything-Unleashing the Power of Large-Scale Unlabeled Data
Depth Anything是一种鲁棒的单目深度估计解决方案，其充分利用各种未标记的图像和预训练模型中丰富的语义先验，具有优异的零样本深度估计能力。 由香港大学、浙江大学等人提出。 网页版Demo
Mamba---Linear-Time Sequence Modeling with Selective State Spaces
论文两位作者Albert Gu和Tri Dao，博士都毕业于斯坦福大学，导师为Christopher Ré。 Albert Gu现在是CMU助理教授，多年来一直推动SSM架构发展。他曾在DeepMind 工作，目前是Cartesia AI的联合创始人及首席科学家。 Tri Dao，以FlashAttention、FlashDecoding系列工作闻名，现在是普林斯顿助理教授，和Together A
On Embeddings for Numerical Features in Tabular Deep Learning
该论文使用表格深度学习的一些新embedding。论文地址 出自NIPS 2022 Hardy Xu利用该方法获得了kaggle Playground Series - Season 3, Episode 26: Multi-Class Prediction of Cirrhosis Outcomes的第二名。 本文提出了两种不同的构建块，适用于构建数字特征的嵌入。第一种是分段线性编码，它为原始
Self-Supervision is All You Need for Solving Rubik’s Cube
该论文使用NN来解魔方，耳目一新的方法。论文地址 TMLR 2023. 简单来说，该方法利用了组合搜索的一个基本特性：等概率的情况下路径越短，随机发生的可能性就越大。这意味着随机训练争夺的累积概率随着移动次数的减少而增加：$1/\mathbb{M}^N$，其中$\mathbb{M}$表示移动集，N表示路径长度。