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

100줄의 코드로 구현한 논문들

무엇인가요 – 고전적(또는 최신의) 기계학습 논문들의 초소형이고 자가 포함형 구현 모음입니다. 각 항목은 파이썬(또는 유사하게 간결한 언어)으로 약 100줄의 코드로 논문의 핵심 아이디어를 재현하는 것을 목표로 하며, 알고리즘을 쉽게 읽고 실행하며 실험할 수 있도록 설계되었습니다.

왜 중요한가요 – 학술 논문은 종종 무거운 코드베이스나 고수준의 의사코드만 제공되어 학습의 장벽이 될 수 있습니다. 이 리포지토리는 구현을 본질로 단순화함으로써 다음을 가능하게 합니다:

• 모델이나 알고리즘이 작동하기 위해 필요한 최소한의 코드를 확인할 수 있습니다.
• 빠르게 프로토타이핑하고 영향력 있는 아이디어들을 비교할 수 있습니다 (예: GAN, VAE, 강화학습 알고리즘, NeRF 변종, 확산 샘플러, 메타학습 등).
• 스크립트를 교육 자료로 사용하거나 연구 실험의 시작점으로 활용할 수 있습니다.

무엇을 얻을 수 있나요

• 초기의 마일스톤 논문인 Maxout Networks (2013), Deep Q‑Learning부터 최신 연구인 3D Gaussian Splatting (2023), Speedy‑Splat (2024)까지 다양한 논문 목록.
• 각 논문마다 제목, arXiv/Nature 링크, 저자, 날짜 등의 짧은 참조 정보와 100줄 제약 내에 맞는 구현 코드 제공.
• 현재 구현된 논문 수를 보여주는 배지 (README 작성 시점 기준 64개)와 환영하는 기여 가이드.

사용 방법

1. 리포지토리를 클론합니다.
2. 디렉터리 트리를 탐색합니다 – 각 논문은 일반적으로 별도의 폴더나 스크립트를 가집니다.
3. 스크립트를 실행합니다 (보통 python <paper_name>.py)하여 저자가 제공한 주요 실험 또는 데모를 재현합니다.
4. 코드를 수정하여 다양한 변형을 탐색합니다; 구현이 매우 작기 때문에 편집하기 쉽습니다.

누구를 위한가요

• 대표적인 ML 기법의 구체적이고 실행 가능한 예제를 원하는 학생 및 자율 학습자.
• 전체 규모의 버전을 작성하기 전에 빠른 참조 구현을 찾는 연구자.
• 강의나 워크숍에서 개념을 설명하기 위해 간결한 코드가 필요한 교육자.

라이선스 – MIT. 자유로운 사용, 수정, 재배포가 허용됩니다.

기여 – README는 기여를 환영하고 있으므로 커뮤니티가 새로운 논문을 추가하거나 기존 구현을 개선할 수 있습니다.