paperswithcode是一个免费开放的资源平台，提供了机器学习领域的论文、代码、数据集、方法和评估表。它的目标是让研究者和开发者能够快速地了解最新的机器学习进展，复现和比较不同的方法，以及找到适合自己问题的解决方案。
paperswithcode由Meta AI Research团队创建和管理，是一个社区项目，不与任何Meta Platforms产品共享数据。 paperswithcode的核心团队包括Robert, Ross, Marcin, Elvis, Guillem, Andrew和Thomas等人。
paperswithcode的主要功能有：
- 按照主题、任务、数据集、方法和指标分类和展示机器学习论文
- 提供论文对应的代码链接，以及代码质量、可用性、许可证等信息
- 提供论文使用的数据集链接，以及数据集大小、格式、来源等信息
- 提供论文实现的方法链接，以及方法简介、参数、依赖等信息
- 提供论文在不同任务和数据集上的评估表，以及排名、分数、日期等信息
- 支持用户上传自己的论文、代码、数据集和评估结果
- 支持用户搜索、筛选、排序和收藏感兴趣的论文、代码、数据集和评估表
- 支持用户订阅不同主题、任务、数据集和方法的最新动态
- 支持用户参与社区讨论，提出问题、建议和反馈
特色功能
Trending：
这个功能可以让用户看到最近一段时间内最受关注的机器学习论文。用户可以按照不同的时间范围（如今天、本周、本月等）和不同的指标（如收藏数、星标数、引用数等）来查看不同主题或任务下的热门论文。这个功能可以帮助用户及时跟进机器学习领域的最新趋势和热点话题。
Greatest：
这个功能可以让用户看到在不同任务和数据集上取得最佳性能的机器学习方法。用户可以按照不同的任务（如图像分类、语义分割等）和不同的数据集（如ImageNet、COCO等）来查看不同方法在不同指标（如准确率、F1分数等）上的排名和分数。这个功能可以帮助用户快速找到最优秀和最先进的机器学习方法，并且可以直接查看对应的论文和代码。
New：
这个功能可以让用户看到最新发布或更新的机器学习论文。用户可以按照不同的时间范围（如今天、本周等）和不同的主题或任务来查看最新出现或改进的机器学习方法。这个功能可以帮助用户及时了解机器学习领域的最新进展和创新。
Research：
这个功能可以让用户看到不同主题或任务下的机器学习研究概览。用户可以按照不同的主题（如自然语言处理、计算机视觉等）或不同的任务（如文本生成、目标检测等）来查看相关的论文、代码、数据集、方法和评估表。这个功能可以帮助用户深入了解机器学习领域的各个方向和子领域，以及它们之间的联系和差异。
Subscribe：
这个功能可以让用户订阅自己感兴趣的主题、任务、数据集或方法，从而在邮箱中收到相关的最新动态。用户可以选择订阅的频率（如每天、每周等）和内容（如论文、代码、数据集等）。这个功能可以帮助用户定期更新自己的知识库，以及发现新的机会和灵感。
收费价格
paperswithcode是一个完全免费和开放的平台，任何人都可以无需注册就访问和使用它的所有功能。paperswithcode也不会向用户收取任何费用或展示任何广告。
paperswithcode的数据和代码都是开源的，遵循MIT许可证。任何人都可以下载、修改和贡献paperswithcode的数据和代码，只要遵守相应的规则和协议。
paperswithcode也提供了一个API客户端，让用户可以通过编程的方式访问和操作paperswithcode的数据和功能。 paperswithcode的API客户端也是免费和开源的，遵循Apache 2.0许可证。任何人都可以使用paperswithcode的API客户端，只要遵守相应的规则和协议。
常见问题
Q: paperswithcode上的论文、代码、数据集和评估表是如何收集和更新的？
A: paperswithcode上的论文、代码、数据集和评估表主要来自三个来源：一是paperswithcode团队通过爬虫和人工审核从arXiv等网站上自动收集；二是paperswithcode团队通过合作伙伴从顶级会议（如NeurIPS、ICML等）上获取；三是paperswithcode社区通过用户上传或编辑贡献。paperswithcode团队会定期检查并更新已有的资源，以保证其准确性和时效性。
Q: paperswithcode上的论文对应的代码是否都是官方版本或者经过验证的？
A: paperswithcode上的论文对应的代码有三种类型：一是官方版本，即由论文作者提供或认可的代码；二是第三方版本，即由其他人复现或改进的代码；三是未知版本，即无法确定来源或质量的代码。paperswithcode会尽可能地标注代码的类型，并且提供一些指标（如星标数、可用性等）来帮助用户判断代码的可信度。但是，paperswithcode并不保证所有代码都能够完全复现论文中报告的结果，因为这可能受到很多因素（如环境、参数、随机性等）的影响。因此，用户在使用paperswithcode上提供的代码时，需要自行验证其正确性和有效性。
