Introduzione a Papers With Code

Immagina di cercare su Google un determinato articolo di ricerca sul machine learning. Trovi qualcosa di interessante e vuoi vedere l’implementazione del codice, il dataset e i risultati. Finirai per passare ore e ore a cercarli singolarmente. Ora immagina di dover ripetere questo passaggio altre 30 volte per la tua tesi o un progetto di ricerca. Può essere un incubo. 

Papers With Code ti semplifica la vita. Rende molto più facile leggere gli articoli di ricerca, offrendo a colpo d’occhio il loro riepilogo, l’implementazione del codice, i risultati e il dataset. Inoltre, puoi confrontare i risultati dell’architettura di modelli diversi su un argomento simile grazie alla funzione di classifica (leaderboard). 

È molto più che cercare un articolo di ricerca. Puoi filtrare la tua ricerca usando tag su vari task, sotto-task, modelli, dataset e metodi per esplorare l’argomento in profondità. 

In questo blog, esploreremo le varie funzionalità chiave di Papers With Code e vedremo il modo migliore per condurre ricerche per progetti di machine learning. 

Funzionalità chiave di Papers With Code 

Nella pagina iniziale vedrai gli articoli di ricerca di tendenza in base al numero di stelle all’ora. 

Papers With Code | Trending

Se ti piace l’articolo di ricerca, fai clic sul pulsante Paper per leggere l’abstract e vedere risultati, dataset e varie implementazioni del codice. Oppure, se ti interessa l’implementazione, puoi cliccare su Code e accedere al repository GitHub con risultati, implementazioni del codice e dipendenze. 

La pagina dei trend è simile alla homepage di un social. Puoi continuare a scorrere verso il basso per vedere gli articoli in tendenza passati con oltre 1000 stelle e più implementazioni di codice contribuite dalla community. 

Papers With Code è una piattaforma guidata dalla community per conoscere gli articoli di ricerca all’avanguardia sul machine learning. Fornisce un ecosistema completo per contributor open source, machine learning engineer, data scientist, ricercatori e studenti, rendendo facile condividere idee e accelerare lo sviluppo del machine learning. 

Tutti i contenuti su Papers With Code sono rilasciati con licenza aperta CC-BY-SA e chiunque può contribuire usando i pulsanti “Edit”.

Sfoglia lo stato dell’arte 

Papers With Code | Sfoglia lo stato dell’arte

Cliccando sulla scheda Browse State-of-the-Art vedrai categorie e sottocategorie basate su vari ambiti di studio del machine learning. Per esempio:

1. Computer Vision
2. Natural Language Processing
3. Medical
4. Miscellaneous
5. Methodology
6. Time Series
7. Graphs
8. Speech
9. Reasoning
10. Playing Games
11. Computer Code
12. Audio
13. Adversarial
14. Robots
15. Knowledge Base
16. Knowledge Base
17. Music

Ognuna delle categorie sopra ha sottocategorie. E quando clicchi su una scheda di sottocategoria, vedi una breve definizione della sottocategoria e il benchmark. 

Lo scopo principale della sezione Browse State-of-the-Art è offrirti informazioni sui modelli con le migliori prestazioni su un dato dataset, le librerie più popolari, l’elenco dei dataset, dei sotto-task e gli articoli più implementati. Inoltre, puoi confrontare varie metriche di prestazione dei modelli sullo stesso dataset.  

Se vuoi conoscere le varie categorie del machine learning, dai un’occhiata alla nostra pagina dei Corsi di Machine Learning. Include una raccolta di corsi per principianti, machine learning con Python e R e corsi basati su progetti. Puoi anche dare un’occhiata a template, tutorial e cheat sheet popolari. 

Dataset

Papers With Code | Datasets

Invece di categorie e sottocategorie, puoi cercare un dataset specifico o usare vari filtri per trovarlo. 

In generale, il sito è interconnesso e non devi cercare i dataset uno a uno. Ma, se stai lavorando a una ricerca che richiede più dataset su un problema specifico di machine learning, la scheda Dataset ti aiuterà a trovare qualsiasi dataset popolare usando le funzioni di ricerca e filtro. Puoi filtrare i dataset in base a modalità, task e lingue. 

La parte divertente inizia quando clicchi su un particolare dataset. Troverai varie sezioni interattive come: 

• Sample images: una raccolta di varie immagini in un dataset
• Usage: numero di articoli per anno che hanno utilizzato il dataset 
• Benchmark: classifica del modello con le migliori prestazioni su un particolare task usando il dataset. 
• License: nome e link della licenza
• Modalities: vari tag di modalità con link
• Languages: per i dataset NLP vengono mostrati i tag delle lingue naturali. 
• Papers: elenco dei migliori articoli di ricerca che usano il dataset. Contiene codice, risultati, data e numero di stelle sul repo.
• Dataset Loaders: scarica e carica i dataset in vari framework di machine learning come TensorFlow, PyTorch e Jax. 
• Tasks: tag dei task di machine learning come Image Generation, Graph Classification e Stochastic Optimization.   
• Similar Datasets: elenco di dataset simili in base a task e modalità. 

In breve, la scheda Dataset è pienamente integrata con le altre parti del sito per offrire un’esperienza fluida nell’esecuzione di ricerche approfondite. 

Puoi anche consultare la sezione Datasets su DataCamp per scaricare vari tipi di dataset. Inoltre, puoi avviare gratuitamente un Jupyter Notebook in cloud con un solo clic.

Methods

Papers With Code | Methods

La scheda Methods è simile a Browse State-of-the-Art. Presenta categorie e sottocategorie sotto forma di schede. La scheda Methods è pensata per i ricercatori che vogliono approfondire metodologie specifiche di machine learning. Per esempio, Word Embedding, Image Feature Extraction e funzioni di attivazione. 

Comprende 7 categorie: 

1. General: Attention, Attention Mechanism, Stochastic Optimization.                                                                 
2. Computer Vision: Convolution Neural Networks, Image Model Blocks, Generative Models.
3. Natural Language Processing: Language Models, Transformers, Attention Patterns.
4. Reinforcement Learning: Policy Gradient Methods, Q-Learning Networks, Distributed Reinforcement Learning.
5. Audio: Audio Models Blocks, Text-to-Speech Models, Speech Separation Models.
6. Sequential: Recurrent Neural Networks, Temporal Convolutions, Time Series Analysis.
7. Graphs: Graph embedding, Graph Representation Learning, Graph Data Augmentation. 

Quando clicchi su una scheda di metodo, vedrai la definizione, un diagramma e la sezione Methods. Nel caso della scheda Attention, vedrai Multi-Head Attention, Scaled Dot-Product Attention, Fixed Factorized Attention e tutti i metodi di Attention. Ogni metodo mostra l’anno di pubblicazione e il numero di articoli che lo utilizzano. 

Dopo aver cliccato sul metodo Multi-Head Attention, vedrai una pagina con un riepilogo dell’equazione, un PDF scaricabile dell’articolo e il codice sorgente. Vedrai anche le sezioni Papers, Tasks, Usage Over Time, Components e Categories.

È un modo piacevole per imparare i metodi di machine learning, perché tutto è ottimizzato per migliorare l’esperienza dei ricercatori. 

Articolo di ricerca

Papers With Code | Paper

In cima alla pagina dell’articolo di ricerca vedrai il titolo, i nomi degli autori, la data e l’abstract. Subito dopo troverai il pulsante PDF, che porta all’articolo completo, e il pulsante Abstract, che porta alla pagina dell’abstract su arxiv.org. 

Inoltre, un articolo di ricerca comprende 5 sezioni:

• Code: vedrai l’implementazione ufficiale del codice e vari contributi della community con demo applicative. 
• Tasks: include vari task di machine learning. Per esempio, language models e Question Answering. 
• Datasets: elenco dei dataset usati nell’articolo di ricerca. 
• Results from the Paper: prestazioni del modello su vari dataset, task e versioni dello stesso modello. Mostra anche la classifica globale, i confronti dei risultati e i valori delle metriche. 
• Methods: elenco dei metodi usati nell’articolo per ottenere risultati all’avanguardia. 

Leggere un articolo su Papers With Code è facile e interattivo. Invece di scaricare e leggere l’intero paper, puoi imparare quasi tutto consultando tag, implementazioni del codice, task e risultati.  

Leaderboard

Papers With Code | Classifica per Image Classification su ImageNet

Se guardi l’immagine sopra, le linee e i punti color teal rappresentano il modello di classificazione di immagini allo stato dell’arte sul dataset ImageNet. I punti grigi sono i modelli di classificazione di immagini con prestazioni più basse in un determinato periodo. 

L’intero ecosistema di Papers With Code ruota attorno a una classifica e mette in evidenza le ricerche all’avanguardia. In homepage vedrai le ricerche di tendenza in base alle stelle e alla popolarità. Ogni scheda mette in risalto dataset popolari, implementazioni di codice e le migliori metodologie e articoli di ricerca. 

L’idea alla base di classifiche, trend e benchmark è promuovere la qualità della ricerca. In questo modo, ogni giorno spingiamo i confini del machine learning per raggiungere risultati all’avanguardia. 

Consigli utili su Papers With Code   

Qui sotto trovi alcuni consigli utili per usare la piattaforma Papers With Code e ottimizzare il tuo progetto di ricerca:

• Se fai fatica a trovare un tema di ricerca sul machine learning, dai un’occhiata alla pagina dei trend.
• Se hai scelto l’argomento e ora cerchi articoli di ricerca, implementazioni del codice e dataset, visita la pagina Browse State-of-the-Art.
• La pagina Methods è per i machine learning engineer che cercano versioni migliorate di metodologie come funzioni di perdita e di attivazione.
• La pagina Datasets è per i data scientist che cercano un dataset pulito e standardizzato su un particolare task di machine learning.
• Ricercatori accademici e dell’industria possono usare la piattaforma per aggiungere informazioni su dataset, modelli, task, codici, articoli pubblicati e risultati.
• Aggiungi badge ufficiali di stato dell’arte al file README.md sul repository GitHub.
• Puoi usare un client API per leggere e scrivere modifiche usando oggetti Python. Puoi anche replicare la tua competition e mostrare i risultati nella classifica.
• La pagina Portal ti permette di accedere ad articoli su Informatica, Fisica, Astronomia, Matematica e Statistica. Gli articoli di altre discipline includono il link all’implementazione del codice che puoi seguire per riprodurre i risultati.   

Gli sviluppatori aggiungono continuamente nuove funzionalità per migliorare l’esperienza d’uso e, se hai qualcosa di nuovo da condividere o richieste di funzionalità, puoi contattarli su Twitter o Slack.  

Conclusione

La piattaforma Papers With Code riunisce menti provenienti da background diversi. Il sito è mantenuto da Meta AI, ma è gestito dalla community. L’apertura al contributo favorisce l’inclusività, un fattore cruciale nella rapida crescita dell’industria del machine learning e dell’intelligenza artificiale.  

In questo blog, abbiamo visto l’importanza di una piattaforma interattiva e interconnessa come Papers With Code. Abbiamo anche scoperto le funzionalità chiave del sito e alcuni consigli per ottimizzare la ricerca. 

Papers With Code è ottimo per articoli di ricerca sul machine learning, codice, dataset e benchmark. È uno dei posti migliori per iniziare il tuo progetto di fine corso. Anche se sei alle prime armi, puoi iscriverti al percorso professionale Machine Learning Scientist with Python o con R per iniziare il tuo percorso professionale. 

Se cerchi dei progetti di machine learning su cui lavorare, dai un’occhiata al nostro blog dettagliato con idee per studenti di tutti i livelli.