Глава
Toxic Comments Detection in Russian
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 LHCb sub-detectors. We show the performances of various solutions based on Neural Network and Boosted Decision Tree models.
Данная статья во многом является продолжением нашей прошлой работы по ранжированию предикторов различных измерений не- стабильности. В данной работе предпринята попытка провести более глубокую проработку предыдущих исследований и усовер- шенствовать методологию проводимого исследования. На основе анализа опыта предыдущих исследований в данной работе приме- нен метод оценки предикторов с использованием методов машин-ного обучения на двух уровнях. В первую очередь были проанализи- рованы факторы, которые приводят к нестабильности вообще, во вторую очередь – отдельно проанализированы факторы, которые влияют на интенсивность генерируемой нестабильности. Анализ проводился на основании двух типов нестабильности: массовых протестов и террористических актов. Была модернизирована си- стема оценки предикторов для ненасильственной и насильствен- ной дестабилизации и разработана двухуровневая модель для ранжирования факторов нестабильности. Модель первого уровня оценивает вероятность возникновения хотя бы одного случая не- стабильности и составляет оценки. Модель второго уровня ис- пользует предсказанные значения модели первого уровня и оцени- вает интенсивность предполагаемой нестабильности. Таким об- разом в оценку факторов включено и влияние переменной на воз- никновение нестабильности, так и влияние переменной наинтенсивность исследуемого типа нестабильности. После этого с помощью векторов Шепли были оценены все предикторы финаль- ной модели о дана им количественная оценка. Были проанализиров- ноаны различные подвыборки: мир в целом, мир-системное ядро и периферия, а также отдельно была проанализирована афразий- ская зона нестабильности. Результат показал, что разделение из- начальной базы данных на мир-системные зоны и отдельное выде- ление афразийской зоны имело смысл. Различные подвыборки де- монстрировали различный набор предикторов, связанных с тем или иным типом нестабильности. Однако можно выделить не- сколько особенностей каждой из зон. В странах мир-сис- темного ядра основными предикторами нестабильности оказыва- лась социальное неравенство, изменения в уровне дохода государ- ства и некоторые структурно-демографические характеристики. В то же время, для стран мир-системной периферии основными предикторами нестабильности выступали переменные, отобра-жающие общую нестабильность государства, в частности, воз- раст государства, время действующего режима. Для афразийской зоны характерны черты как центра, так и периферии. В частности, афразийская зона демонстрирует в качестве основных пре- дикторов нестабильности наличие большого социально-культур- ного расслоения и угнетения различных меньшинств в стране. Также немаловажным фактором в афразийской зоне оказывает повышенная доля молодежи, однако в отличие от ядра в увеличе- нии нестабильности играет только образованная урбанизированная молодежь.