Uma introdução ao Papers With Code

Imagine buscar no Google um artigo específico de pesquisa em machine learning. Você encontra algo interessante e quer ver a implementação de código, o dataset e os resultados. Vai gastar horas procurando cada um separadamente. Agora imagine repetir isso mais 30 vezes para sua tese ou projeto de pesquisa. Vira um pesadelo. 

Papers With Code resolve esse problema. Ele facilita muito a leitura de artigos, oferecendo um resumo rápido, a implementação em código, os resultados e o dataset. Além disso, você pode comparar o desempenho de diferentes arquiteturas de modelos sobre um mesmo tema usando o recurso de ranking (leaderboard). 

É muito mais do que só procurar artigos. Você pode filtrar sua busca com tags de tarefas, subtarefas, modelos, datasets e métodos para explorar o assunto a fundo. 

Neste blog, vamos explorar os principais recursos do Papers With Code e aprender a melhor forma de conduzir pesquisas para projetos de machine learning. 

Principais recursos do Papers With Code 

Na página inicial, você vê os artigos em alta com base no número de estrelas por hora. 

Papers With Code | Em alta

Se você curtir o artigo, clique no botão Paper para ler o resumo e ver resultados, datasets e diferentes implementações de código. Ou, se seu foco for a implementação, clique em Code e acesse o repositório no GitHub com resultados, código e dependências. 

A página de tendências lembra um feed de rede social. Você pode rolar para ver artigos que já bombaram, com 1000+ estrelas e várias implementações de código da comunidade. 

O Papers With Code é uma plataforma colaborativa para acompanhar artigos de ponta em machine learning. Ele oferece um ecossistema completo para contribuidores open source, engenheiros de machine learning, cientistas de dados, pesquisadores e estudantes compartilharem ideias e acelerarem o desenvolvimento da área. 

Todo o conteúdo no Papers With Code tem licença aberta CC-BY-SA, e qualquer pessoa pode contribuir usando os botões “Edit”.

Explorar o state-of-the-art 

Papers With Code | Explorar o state-of-the-art

Ao clicar na aba Browse State-of-the-Art, você vê categorias e subcategorias de diferentes áreas de estudo em machine learning. Por exemplo:

1. Computer vision
2. Natural language processing
3. Saúde
4. Diversos
5. Metodologia
6. Séries temporais
7. Grafos
8. Fala
9. Raciocínio
10. Jogos
11. Código
12. Áudio
13. Adversarial
14. Robôs
15. Base de conhecimento
16. Base de conhecimento
17. Música

Cada categoria tem suas subcategorias. Ao clicar em uma subcategoria, você vê uma definição breve e o benchmark. 

O objetivo principal da seção Browse State-of-the-Art é mostrar os modelos com melhor desempenho em um dado dataset, bibliotecas populares, lista de datasets, subtarefas e os artigos mais implementados. Além disso, você consegue comparar diferentes métricas de performance de modelos no mesmo dataset.  

Se quiser aprender sobre as várias categorias de machine learning, confira a página de Machine Learning Courses. Ela reúne cursos para iniciantes, ML com Python e R e cursos baseados em projetos. Você também pode explorar templates, tutoriais e cheat sheets populares. 

Datasets

Papers With Code | Datasets

Em vez de navegar por categorias e subcategorias, você pode procurar um dataset específico ou usar filtros para encontrá-lo. 

No geral, o site é todo interligado, então você não precisa caçar datasets um a um. Mas, se sua pesquisa exige múltiplos datasets para um problema específico de machine learning, a aba Dataset ajuda a localizar qualquer dataset popular com busca e filtros. É possível filtrar por modalidade, tarefas e idiomas. 

A parte legal começa quando você clica em um dataset. Você encontra seções interativas como: 

• Sample images: amostras de imagens do dataset
• Usage: número de artigos por ano que usaram o dataset 
• Benchmark: ranking dos modelos com melhor desempenho em uma tarefa usando o dataset. 
• License: nome e link da licença
• Modalities: tags de modalidade com link
• Languages: em NLP, mostra as línguas naturais do dataset. 
• Papers: lista dos melhores artigos que usam o dataset, com código, resultados, data e número de estrelas do repositório.
• Dataset Loaders: faça o download e carregue o dataset em frameworks de ML como TensorFlow, PyTorch e JAX. 
• Tasks: tags de tarefas de ML como geração de imagens, classificação em grafos e otimização estocástica.   
• Similar Datasets: lista de datasets semelhantes por tarefa e modalidade. 

Em resumo, a aba Dataset é totalmente integrada ao restante do site para oferecer uma experiência fluida e apoiar pesquisas aprofundadas. 

Você também pode visitar a seção de Datasets da DataCamp para baixar vários tipos de dados. E dá para iniciar um Jupyter Notebook na nuvem grátis com um clique.

Métodos

Papers With Code | Methods

A aba Methods é parecida com a Browse State-of-the-Art. Ela reúne categorias e subcategorias em cartões. É ideal para quem quer estudar metodologias específicas de ML, como word embeddings, extração de features de imagem e funções de ativação. 

Ela inclui 7 categorias: 

1. Geral: attention, attention mechanism, otimização estocástica.                                                                 
2. Computer vision: redes neurais convolucionais, blocos de modelos de imagem, modelos generativos.
3. Natural language processing: modelos de linguagem, transformers, padrões de attention.
4. Reinforcement learning: policy gradient, redes de Q-learning, aprendizado por reforço distribuído.
5. Áudio: blocos de modelos de áudio, text-to-speech, separação de fala.
6. Sequencial: redes neurais recorrentes, convoluções temporais, análise de séries temporais.
7. Grafos: graph embedding, aprendizado de representações em grafos, aumento de dados em grafos. 

Ao abrir um cartão de método, você vê a definição, um diagrama e a seção Methods. No cartão de Attention, por exemplo, aparecem Multi-Head Attention, Scaled Dot-Product Attention, Fixed Factorized Attention e todas as variações de Attention. Cada método mostra o ano de publicação e quantos artigos o utilizam. 

Ao clicar em Multi-Head Attention, você acessa um resumo com a equação, o PDF do artigo para download e o código-fonte. Você também encontra as seções Papers, Tasks, Usage Over Time, Components e Categories.

É uma forma envolvente de estudar métodos de ML, com tudo otimizado para melhorar a experiência do pesquisador. 

Artigo

Papers With Code | Paper

No topo da página do artigo, você vê o título, autores, data e o resumo. Em seguida, há o botão PDF, que leva ao artigo completo, e o botão Abstract, que direciona para a página do arXiv. 

Além disso, a página de um artigo traz 5 seções:

• Code: a implementação oficial e contribuições da comunidade, muitas vezes com demos. 
• Tasks: as tarefas de ML relacionadas. Por exemplo, modelos de linguagem e question answering. 
• Datasets: a lista de datasets usados no artigo. 
• Results from the Paper: desempenho do modelo em diversos datasets, tarefas e versões. Também exibe ranking global, comparações e métricas. 
• Methods: métodos usados no artigo para alcançar resultados state-of-the-art. 

Ler um artigo no Papers With Code é simples e interativo. Em vez de baixar e ler tudo, você aprende quase tudo pelos tags, implementações de código, tarefas e resultados.  

Leaderboard

Papers With Code | Leaderboard de classificação de imagens no ImageNet

No gráfico acima, as linhas e pontos em verde-azulado representam os modelos de classificação de imagens com desempenho de ponta no dataset ImageNet. Os pontos cinza são modelos com desempenho inferior em determinado período. 

Todo o ecossistema do Papers With Code gira em torno de leaderboards e destaca as pesquisas de ponta. Na página inicial, você vê o que está em alta por estrelas e popularidade. Cada aba valoriza datasets, implementações de código, metodologias e artigos mais relevantes. 

A visão por trás de leaderboards, tendências e benchmarks é promover a qualidade da pesquisa. Assim, empurramos os limites do machine learning todos os dias para alcançar o estado da arte. 

Dicas úteis no Papers With Code   

Abaixo estão algumas dicas valiosas para usar o Papers With Code e potencializar sua pesquisa:

• Se está com dificuldade para escolher um tema de pesquisa em ML, visite a página de tendências.
• Se já definiu o tema e agora busca artigos, código e datasets, explore a página Browse State-of-the-Art.
• A página de Methods é ideal para engenheiros de ML que procuram versões aprimoradas de metodologias, como funções de perda e de ativação.
• A página de Datasets é para cientistas de dados que precisam de dados limpos e padronizados para uma tarefa específica de ML.
• Pesquisadores acadêmicos e do mercado podem usar a plataforma para adicionar informações sobre datasets, modelos, tarefas, códigos, artigos publicados e resultados.
• Inclua os badges oficiais de state-of-the-art no README.md do seu repositório no GitHub.
• Você pode usar o API Client para ler e escrever alterações com objetos Python. Também é possível replicar sua competição e exibir os resultados no leaderboard.
• A página Portal dá acesso a artigos de ciência da computação, física, astronomia, matemática e estatística. Em outras disciplinas, os artigos trazem link para o código, permitindo reproduzir os resultados.   

Os desenvolvedores estão sempre lançando novidades para melhorar a experiência. Se você tem algo para compartilhar ou sugestões de recursos, fale com eles no Twitter ou Slack.  

Conclusão

O Papers With Code reúne pessoas de diferentes áreas. O site é mantido pela Meta AI, mas quem faz acontecer é a comunidade. A abertura para contribuir promove inclusão — um fator essencial para o crescimento acelerado de machine learning e inteligência artificial.  

Neste blog, vimos a importância de uma plataforma interativa e conectada como o Papers With Code. Também exploramos seus principais recursos e dicas para otimizar a pesquisa. 

O Paper With Code é excelente para encontrar artigos, código, datasets e benchmarks de machine learning. É um dos melhores pontos de partida para seu projeto de conclusão. Mesmo que você esteja começando, pode se inscrever na trilha de carreira Machine Learning Scientist with Python ou em R para iniciar sua jornada profissional. 

Se você quer ideias de projetos de machine learning para praticar, confira nosso blog com sugestões para todos os níveis.