MaximeVandegar/Papers-in-100-Lines-of-Code

100 行のコードにおける論文

何であるか – 伝説的（および一部最新の）機械学習論文の極小で自己完結型の実装のコレクション。各エントリは、Python（または同等に簡潔な言語）で約100行のコードで論文の核心的なアイデアを再現することを目指しており、アルゴリズムを読みやすく、実行しやすく、実験しやすいように設計されています。

なぜ重要か – 学術論文はしばしば重いコードベースや高レベルの疑似コードしか提供せず、学習の障壁となることがあります。このリポジトリは実装を本質にまで簡素化することで、以下を可能にします：

• モデルやアルゴリズムが動作するために必要な最小限のコードを確認できます。
• すぐにプロトタイピングや多くの影響力のあるアイデア（例：GAN、VAE、強化学習アルゴリズム、NeRFの変種、拡散サンプラー、メタラーニングなど）を比較できます。
• スニペットを教材として使用するか、研究実験の出発点として利用できます。

得られるもの

• 早期のマイルストーン（例：Maxout Networks (2013)、Deep Q‑Learning) から最新の成果（例：3D Gaussian Splatting (2023)、Speedy‑Splat (2024)）まで、幅広い論文のリスト。
• 各論文に対して、短い参照情報（タイトル、arXiv/Natureリンク、著者、日付）と、100行以内に収まる実装が提供されています。
• 現在実装済みの論文数を示すバッジ（README作成時：64件）と、参加を歓迎する貢献ガイド。

使い方

1. リポジトリをクローンします。
2. ディレクトリツリーを閲覧します – 各論文は通常、独自のフォルダまたはスクリプトを持ちます。
3. スクリプトを実行（通常 python <paper_name>.py）して、著者が提供する主な実験やデモを再現します。
4. コードを変更してバリエーションを探索します；実装が極めて小さく、編集しやすいです。

対象読者

• 代表的なML技術の具体的で実行可能な例を求める学生や自己学習者。
• 完全なバージョンを書く前に、迅速な参照実装を探している研究者。
• 講義やワークショップで概念を説明するために簡潔なコードが必要な教育者。

ライセンス – MIT。自由な使用、改変、再配布が許可されています。

貢献 – READMEは貢献を歓迎しており、コミュニティが新しい論文を追加したり、既存の実装を改善したりできます。