?
Cherenkov detectors fast simulation using neural networks
Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2020. Vol. 952. No. 0168-9002. P. 161804.
Борисяк М. А., Казеев Н. А., Journal of Physics: Conference Series 2020 Vol. 1525 Article 012088
Добавлено: 5 октября 2021 г.
A. Maevskiy, F. Ratnikov, Zinchenko A. и др., The European Physical Journal C - Particles and Fields 2021 Vol. 81 Article 599
Добавлено: 12 июля 2021 г.
V.Belavin, A.Filatov, A.Ustyuzhanin и др., Journal of Physics: Conference Series 2018 Vol. 1085 No. 4 P. 042025-1-042025-6
Добавлено: 8 декабря 2017 г.
M. Borisyak, N. Kazeev, Journal of Instrumentation 2019 Vol. 14 No. 08 P. 1-8
Добавлено: 20 августа 2019 г.
Гущин М. И., Чекалина В. А., , in : Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. Frontier Detectors for Frontier Physics: 14th Pisa Meeting on Advanced Detectors. : Elsevier, 2019. P. 568-569.
One of the most challenging data analysis tasks of modern High Energy Physics experiments is the identification of particles. In this proceedings we review the new approaches used for particle identification at the LHCb experiment. Machine-Learning based techniques are used to identify the species of charged and neutral particles using several observables obtained by the ...
Добавлено: 19 февраля 2020 г.
Деркач Д. А., Гущин М. И., Казеев Н. А. и др., Journal of High Energy Physics 2019 Vol. 2019 No. 2 P. 1-33
Добавлено: 17 марта 2019 г.
Amrouche S., Basara L., Emeliyanov D. и др., Computing and Software for Big Science 2023 Vol. 7 No. 1 Article 1
Добавлено: 29 ноября 2023 г.
Добавлено: 17 марта 2019 г.
Казеев Н. А., Деркач Д. А., Ратников Ф. Д. и др., Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment 2019
Добавлено: 11 июля 2019 г.
Рогачев А. И., Ратников Ф. Д., Journal of Physics: Conference Series 2023 Vol. 2438 Article 012086
Добавлено: 12 мая 2023 г.
Малафеев А. Ю., Николаев К. И., , in : Analysis of Images, Social Networks and Texts. 8th International Conference, AIST 2019, Kazan, Russia, July 17–19, 2019, Revised Selected Papers. Communications in Computer and Information Science. Vol. 1086.: Springer, 2020. P. 154-159.
В статье проводится исследование методов глубокого обучения для решения новой задачи многоклассовой классификации текстов, а именно определения интересов пользователей с помощью текстовых сообщений. Мы использовали оригинальный набор данных из почти 90 тысяч текстовых сообщений с форумов, размеченных по десяти интересам. Мы экспериментировали с различными современными архитектурами нейронных сетей: рекуррентными и сверточными, а также с более простыми сетями с прямой связью. ...
Добавлено: 7 ноября 2019 г.
Anderlini L., Archilli F., Cardini A. и др., Journal of Instrumentation 2020 Vol. 15 No. 12 Article 12005
Добавлено: 6 февраля 2021 г.
Бузмаков А. В., В кн. : МАШИННОЕ ОБУЧЕНИЕ В ИССЛЕДОВАНИЯХ МЕДИКО-БИОЛОГИЧЕСКИХ И СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ДАННЫХ. : СПб. : Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский политехнический университет Петра Великого", 2020. С. 284-333.
Оценка эффекта от воздействия на индивидуальном уровне необходима во многих областях знаний от медицины до маркетинга. Действительно, общество вы- играет, если будет возможность определять, на кого подействует какое-либо лекар- ство. А при отправлении рассылки только тем людям, которых интересует конкрет- ный товар, уменьшится количество спама и снизятся издержки рекламной кампании. В главе рассматриваются существующие методы ...
Добавлено: 7 декабря 2021 г.
Иванов А. Р., Петров Д. М., В кн. : 40-я междисциплинарная школа-конференция "Информационные технологии и системы". : [б.и.], 2016. С. 509-516.
Графовые метрики – популярный подход для клас- сификации структурных коннектомов, графов опи- сывающих структурные связи между различными участками мозга. В нашей работе мы предлагаем считать эти метрики на стохастических матри- цах случайных блужданий этих графов. При этом часть этих метрик мы предлагаем считать на логарифмах элементов матриц, чтобы сохранить физический смысл вероятностей перехода меж- ду ...
Добавлено: 9 декабря 2016 г.
Berlin : Springer, 2014
Добавлено: 13 ноября 2014 г.
Китов В. В., Экономика, статистика и информатика. Вестник УМО 2016 № 4 С. 22-26
В статье рассматривается метод градиентного бустинга с осуществлением случайных поворотов признакового пространства на каждом шаге обучения алгоритма. Исследуется качество данного метода на различных модельных задачах бинарной классификации. Полученные результаты анализируются и даются рекомендации по применению указанного метода. ...
Добавлено: 23 августа 2016 г.
Makarov D., Nikolai N. Kalikin, Yury A. Budkov, Industrial & Engineering Chemistry Research 2024 Vol. 63 No. 3 P. 1589-1603
Добавлено: 16 января 2024 г.
M. Borisyak, Деркач Д. А., Ратников Ф. Д. и др., The European Physical Journal C - Particles and Fields 2017 Vol. 10 No. C77 P. 678-690
Добавлено: 23 октября 2017 г.
Иванов А. Р., Петров Д. М., В кн. : Сборник статей конференции "Информационные технологии и системы" (ИТиС'16). : М. : ИППИ РАН, 2016. С. 509-516.
Многие графовые метрики основаны на предположении, что веса графа представляют расстояния между вершинами, которые мы можем складывать. Если считать эти метрики для стохастических матриц случайного блуждания на графе, то физический смысл вероятностей перехода между вершинами теряется (поскольку вероятности переходов перемножаются, а не складываются). Мы предлагаем решать эту проблему использованием отрицательных логарифмов весов ребер. Используя этот ...
Добавлено: 15 декабря 2016 г.
Сендерович М. А., В кн. : Межвузовская научно-техническая конференция студентов, аспирантов и молодых специалистов им. Е.В. Арменского. : М. : МИЭМ НИУ ВШЭ, 2019. С. 223-224.
Данная работа посвящена актуальной теме автоматизации в машинном обучении на примере создания универсальной рекомендательной системы. В работе исследуются различные типы рекомендательных систем, акцент делается на подходы коллаборативной фильтрации. Изучаются методы автоматизации машинного обучения, на основе которых будет разработана данная рекомендательная система. ...
Добавлено: 31 октября 2020 г.
Springer, 2021
Книга вклюает в себя работы 16ой международной конференции по Анализу формальных понятий. Книга поделена на 5 секций: теория, правила, методы и приложения, исследование и визуализация ...
Добавлено: 10 июля 2021 г.
Белов А. В., Ekaterina A. Melekhova, Воронцова Т. Д., , in : 2022 International Conference on Quality Management, Transport and Information Security, Information Technologies (IT&QM&IS). : St. Petersburg : IEEE, 2022. P. 219-223.
В статье рассматривается проблема повышения качества металлопродукции. В настоящее время на металлургических предприятиях преобладают деструктивные методы контроля качества стальной заготовки. Такой подход к оценке качества является расточительным и увеличивает ее себестоимость. Одним из способов удешевления производства металлопродукции является сокращение использования методов деструктивного контроля за счет автоматической паспортизации металлов. В работе предлагается использовать алгоритм прогнозирования механических свойств конечного ...
Добавлено: 28 января 2023 г.
Карпычев В. В., Balatskaya A., Utyashev N. и др., Frontiers in Human Neuroscience 2022 No. 16 Article 984306
Добавлено: 1 октября 2022 г.
Бонч-Осмоловская А. А., Вопросы языкознания 2016 № 2 С. 100-120
Статья посвящена обзору работ последних лет, в которых теоретическая исследовательская задача решается с помощью методов или инструментов, используемых в компьютерной лингвистике. В обзоре проводится подробный анализ того, как именно с помощью применения того или иного инструмента или метода можно получить новые знания о природе языка. В частности, выделяются два основных направления, развитие которых в рамках ...
Добавлено: 14 апреля 2015 г.