?
User-controllable Multi-texture Synthesis with Generative Adversarial Networks
P. 214-221.
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.
Lomov I., Lyubimov M., Макаров И. А. и др., Journal of Industrial Information Integration 2021 Vol. 23 Article 100216
Automated early process fault detection and prediction remains a challenging problem in industrial processes. Traditionally it has been done by multivariate statistical analysis of sensor readings and, more recently, with the help of machine learning methods. The quality of machine learning models strongly depends on feature engineering, that in turn heavily relies on expertise of ...
Добавлено: 21 марта 2021 г.
Колмогорова А. В., Калинин А. А., В кн. : Компьютерная лингвистика и интеллектуальные технологии: по материалам международной конференции «Диалог 2022», выпуск 21. Вып. 21.: Изд-во РГГУ, 2022. С. 311-321.
В статье обсуждаются результаты решения двух задач машинного обучения: задачи классификации тек
стов социальных сетей на русском языке по критерию доминирующей эмоции и задачи регрессии, в рамках
которой эмоции в тех же текстах социальных сетей предсказываются. В основе экспериментов – сформиро
ванный авторами датасет из 3879 текстов из пабликов ВКонтакте, размеченный 2000 асессорами на краудсор
синговой платформе Толока. Аннотирование ...
Добавлено: 18 марта 2024 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.
Chistyakov A., Лобачева Е. М., Kuznetsov A. и др., , in : Workshop of the 5th International Conference on Learning Representations (ICLR). : [б.и.], 2017. P. 1-4.
Добавлено: 31 октября 2018 г.
Eichenberger C., Neun M., Martin H. и др., , in : Proceedings of the NeurIPS 2021 Competitions and Demonstrations Track. : PMLR, 2022. P. 97-112.
Добавлено: 11 октября 2022 г.
Янович Ю. А., В кн. : Сборник статей конференции "Информационные технологии и системы" (ИТиС'16). : М. : ИППИ РАН, 2016. С. 191-197.
В машинном обучении при построении регрессионных зависимостей или решении задач классификации многомерные описания объектов часто являются избыточными и функционально зависимыми. Такие описания зачастую лежат около многообразий существенно меньшей размерности, чем размерность их первичной записи. Данное предположение называется гипотезой многообразия (Manifold Hypothesis). Использование такой информации может помочь в решении исходной задачи. Так возникает задача оценивания многообразий. ...
Добавлено: 24 ноября 2016 г.
Разоренова А. М., Yavich N., Malovichko M. и др., , in : Machine Learning in Clinical Neuroimaging and Radiogenomics in Neuro-oncology. Third International Workshop, MLCN 2020, and Second International Workshop, RNO-AI 2020. Lecture Notes in Computer Science. Vol. 12449: Machine Learning in Clinical Neuroimaging and Radiogenomics in Neuro-oncology.: Springer, 2020. Ch. 5. P. 45-55.
Добавлено: 10 декабря 2020 г.
Лобачева Е. М., Чиркова Н. А., Ветров Д. П., / International Conference on Machine Learning. Series 1 "Workshop on Learning to Generate Natural Language". 2017.
Добавлено: 19 октября 2017 г.
Gorishniy Y., Ivan Rubachev, Бабенко А. В., , in : Thirty-Sixth Conference on Neural Information Processing Systems : NeurIPS 2022. : Curran Associates, Inc., 2022. Ch. 1. P. 24991-25004.
Добавлено: 28 января 2023 г.
Berezovskiy V., Морозов Н. В., , in : The 2nd Workshop and Challenges for Out-of-Distribution Generalization in Computer Vision. ICCV 2023. : [б.и.], 2023.
Добавлено: 20 ноября 2023 г.
Hollandi R., Мошков Н. Е., Paavolainen L. и др., Trends in Cell Biology 2022
Добавлено: 21 января 2022 г.
Umerenkov D., Herbert A., Konovalov Dmitrii и др., Life Science Alliance 2023 Vol. 6 No. 7 Article e202301962
Добавлено: 9 июня 2023 г.
Kotov F., Иванов Ф. И., Тимохин И. С., , in : 2023 XVIII International Symposium Problems of Redundancy in Information and Control Systems (REDUNDANCY). : IEEE, 2023. P. 64-69.
Добавлено: 9 декабря 2023 г.
Петросян А. Т., Воскобойников А. М., Sukhinin D. и др., Journal of Neural Engineering 2022 Vol. 19 No. 6 Article 066016
Добавлено: 9 декабря 2022 г.
Красовская С. В., Жуликов Г. А., Макиннес У. Д., , in : European Conference on Visual Perception 2017 Abstract Book. : [б.и.], 2017. Ch. 2. P. 18-18.
Добавлено: 15 октября 2018 г.
Павлов Ф. И., Попцова М. С., , in : 2020 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). : Seul : IEEE, 2020. P. 2800-2805.
Добавлено: 29 марта 2021 г.
Golovanov S., Tselousov A., Rauf Kurbanov и др., , in : The NeurIPS '18 Competition: From Machine Learning to Intelligent Conversations. : Springer, 2020. P. 295-315.
Добавлено: 20 февраля 2021 г.
[б.и.], 2017
Добавлено: 31 октября 2018 г.
Koch S., Matveev A., Jiang Z. и др., , in : Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2019). : IEEE, 2019. P. 9601-9611.
Добавлено: 26 ноября 2019 г.
Атанов А. И., Ашуха А. П., Струминский К. А. и др., , in : Proceedings of the 7th International Conference on Learning Representations (ICLR 2019). : ICLR, 2019. P. 1-17.
Добавлено: 2 сентября 2019 г.
Морозов Н. В., Ракитин Д. Р., Oleg Desheulin и др., , in : Neural Fields across Fields: Methods and Applications of Implicit Neural Representations. ICLR 2023 Workshop. : [б.и.], 2023. Ch. 8.
Добавлено: 18 июля 2023 г.
Терещенко С. Н., Перов А. А., Осипов А. Л., Siberian Journal of Life Sciences and Agriculture 2021 Т. 13 № 1 С. 144-155
Цель. Разработка модели сверточной нейронной сети для определения заболеваний маниока по фотографии с мобильного телефона.
Методы и материалы исследования. Материалом для исследований послужили размеченные изображения с различными видами заболеваний маниока, опубликованные в открытом доступе платформы Kaggle. Методы исследования: теория проектирования и разработки информационных систем, программирования, методы аугментации и расширения датасетов для задач компьютерного зрения, методы настройки ...
Добавлено: 17 ноября 2021 г.
Добавлено: 29 октября 2021 г.