几篇论文实现代码：
《MASKER: Masked Keyword Regularization for Reliable Text Classification》(AAAI 2021) GitHub:https://t.cn/A6qS0BjE
《Detail Preserved Point Cloud Completion via Separated Feature Aggregation》(ECCV 2020) GitHub:https://t.cn/A6qS0Bjm [fig2]
《Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters》(CIKM 2020) GitHub:https://t.cn/A6qS0BjQ [fig1]
《Mish: A Self Regularized Non-Monotonic Activation Function》(2020) GitHub:https://t.cn/A6qS0Bjn
《RecVAE: A New Variational Autoencoder for Top-N Recommendations with Implicit Feedback》(2020) GitHub:https://t.cn/A6qS0BjH
《Visual Camera Re-Localization from RGB and RGB-D Images Using DSAC》(2020) GitHub:https://t.cn/A6qS0Bju [fig3]

#HCI人机交互[超话]##人工智能##AI#WWW2020
论文推荐“Influence Function based Data Poisoning Attacks to Top-N Recommender Systems”推荐系统是Web服务中吸引用户的重要组成部分。流行的推荐系统使用大量众包用户-项目交互数据(例如评级得分)对用户偏好和项目属性进行建模；然后，将与用户偏好最匹配的前N个项目推荐给用户。在这项工作中，我们展示了攻击者可以通过向虚假用户注入精心制作的用户-项目交互数据，对推荐系统发起数据中毒攻击，从而按照攻击者的意愿进行推荐。具体地说，攻击者可以诱导推荐系统向尽可能多的普通用户推荐目标项目。我们关注已经在行业中得到了广泛的应用的基于矩阵分解的推荐系统。给定攻击者可以注入的虚假用户数量，我们将虚假用户评分的制定过程描述为一个优化问题。但是，该优化问题是一个非凸整数规划问题，求解起来很有挑战性。为了解决这一挑战，我们开发了几种技术来近似解决优化问题。例如，我们利用影响函数（influence function）来选择对推荐有影响力的普通用户子集，并基于这些有影响力的用户来解决我们制定的优化问题。实验结果表明，我们的攻击是有效的，并且优于现有的方法。链接https://t.cn/A67fsYtG

【Python实现的高性能“稀疏矩阵点乘取TopN”计算】’sparse_dot_topn: - Python package to accelerate the sparse matrix multiplication and top-n similarity selection' by ING Bank GitHub: https://t.cn/AignsixQ ref:《Boosting the selection of the most similar entities in large scale datasets》 https://t.cn/AignsixT