​​FAIR опубликовали нейросетевой фреймворк для распознавания содержимого видеозаписи. Generalized Data Transformations обучается без размеченных данных. Исследователи проверяли модель на датасетах HMDB-51, UCF-101, DCASE2014, ESC-50 и VGG-Sound. На датасетах HMDB и UCF нейросеть обходит прошлые подходы с точностью 72.8% и 95.2% соответственно.