Differences

This shows you the differences between two versions of the page.

--- ml4gamma:biblio [05/07/2024 19:01] – removed - external edit (Unknown date) 127.0.0.1
+++ ml4gamma:biblio [21/11/2025 09:29] (current) – [Общие вопросы МО] admin
@@ Line 1: / Line 1: @@
+====== 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]]
+  * [[https://habr.com/ru/articles/821547/|Метрики]] в МО
+  * [[https://habr.com/ru/companies/mws/articles/770202/|Трансформеры]] простыми словами
+===== Обратимые НС =====
+  * {{ :ml4gamma:817_analyzing_inverse_problems_wit-1-iclr-2019.pdf |Analyzing Inverse Problems with
+Invertible Neural Networks}}
+  * {{ :ml4gamma:inn_final.pdf |Invertible Neural Networks and their Applications}}
+  * {{ :ml4gamma:inns-cern-october-2020.pdf |Solving Inverse Problems with Invertible Neural Networks}}
+===== 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 =====
+Очень красивая презентация [[https://gammalearn.pages.in2p3.fr/talks/20250128-ml-cosmic-workshop/|GammaLearn - Deep Learning for the CTAO event reconstruction]]
+  * 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|ArXiv: 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]]
+==== Предварительная обработка данных ====
+  * {{ :ml4gamma:pymap_python-based_data_analysis_package_with_a_ne.pdf |Mani KhuranaKunal Kumar et. al.}}, PyMAP: Python-Based Data Analysis Package with a New Image Cleaning Method to Enhance the Sensitivity of MACE Telescope
+=== Возможная параметризация данных HiSCORE: комбинирование временных, амплитудных и пространственных меток ===
+  * Оригинальная статья: [[https://inspirehep.net/files/60350fa47ef79864e199320fa3726391 | La Parola, V., et al. "Machine Learning-Enhanced Discrimination of Gamma-Ray and Hadron Events Using Temporal Features: An ASTRI Mini-Array Analysis." Appl. Sci 15 (2025): 3879.]]
+    * {{ :ml4gamma:timingparameters_v2.pdf |Краткая выжимка (А.Д.) из статьи La Parola, V., et al.}}
+===== 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]]