Text classification with deep learning neural networks

?

Text classification with deep learning neural networks

P. 362–370.

Voronkov Ilia, Amajd M., Kaimuldenov Z.

В книге

Actual Problems of System and Software Engineering 2017. Proceedings of the 5th International Conference on Actual Problems of System and Software Engineering Supported by Russian Foundation for Basic Research. Project #17-07-20565 Moscow, Russia, November 14-16, 2017, 408 P.

Vol. 1989. , Aachen: CEUR Workshop Proceedings, 2017.

Дискриминативная лемматизация сокращений в эпоху LLM

Глазкова А. В., Смаль И. В., Ляшевская О. Н. и др., Доклады Российской академии наук. Математика, информатика, процессы управления (ранее - Доклады Академии Наук. Математика) 2025 Т. 527 С. 146–155

В работе представлено исследование эффективности дискриминативных методов лемматизации сокращений в русскоязычных текстах. В отличие от генеративных подходов, дискриминативные модели осуществляют выбор оптимальной леммы из фиксированного набора вариантов, что исключает риск генерации грамматически некорректных словоформ. Впервые для русского языка проводится комплексный анализ четырех контекстно-ориентированных подходов: (1) ранжирования на основе маскированного языкового моделирования, (2) бинарной классификации, (3) ...

Добавлено: 10 марта 2026 г.

Transformer-based approaches for lemmatizing abbreviations in Russian texts

Glazkova A., Ляшевская О. Н., Morozov D. и др., Journal of Mathematical Sciences 2025 Vol. 546 P. 32–47

Добавлено: 10 марта 2026 г.

Ансамбль современных моделей компьютерного зрения для задачи обнаружения дипфейков

Пикуль А. С., Безопасность информационных технологий 2024 Т. 31 № 4 С. 116–127

Исследуется возможность применения современных архитектур компьютерного зрения для задачи обнаружения дипфейков. Рассматриваются следующие архитектуры: EfficientNet, Vision Transformer (ViT), VisionLSTM (ViL), VisionKAN и Mamba Vision. Новизна подхода заключается в применении и сравнении работы данных архитектур, а также в их объединении в парные ансамбли для повышения точности детекции дипфейков. В работе проведен эксперимент, основанный на применении нескольких ...

Добавлено: 12 декабря 2025 г.

Recognition of Mentally Pronounced Russian Phonemes Using Convolutional Neural Networks and Electroencephalography Data

Seleznev L. E., Chupakhin A. A., Kostenko V. A. и др., Optical Memory and Neural Networks (Information Optics) 2023 Vol. 32 No. 2 P. 73–85

Добавлено: 2 октября 2025 г.

Convolutional Neural Networks Decode Finger Movements in Motor Sequence Learning from MEG Data

Zabolotniy A., Chan R. W., Моисеева В. В. и др., Frontiers in Neuroscience 2025 Vol. 19 Article 1623380

Добавлено: 2 октября 2025 г.

Development of Image Preprocessing Methods for Software Compensation of Refraction Anomalies of an Observer’s Eyes

Алкзир Н., Yarykina n., Nikolaev D. и др., Neuroscience and Behavioral Physiology 2024

Добавлено: 28 апреля 2025 г.

Approximating and Predicting Energy Consumption of Portable Devices

Ullah T., Siraj A. H., Umer Mukhtar Andrabi и др., , in: 2022 VIII International Conference on Information Technology and Nanotechnology (ITNT).: IEEE, 2022. P. 1–7.

Добавлено: 20 марта 2025 г.

Features of Data Collection and Software Tool Architecture for Performing Predictive Analysis of Phenomena Leading to Forest Fires

Hlib Nekrasov, Aleksandr Belov, , in: International IoT, Electronics and Mechatronics Conference, Volume 2. Proceedings of IEMTRONICS 2024. LNEE, volume 1228Vol. 1228.: Springer Publishing Company, 2025. P. 379–395.

Добавлено: 26 января 2025 г.

Automatic Morpheme Segmentation for Russian: Can an Algorithm Replace Experts?

Morozov D., Garipov T., Ляшевская О. Н. и др., Journal of Language and Education 2024 Vol. 10 No. 4 P. 71–84

Introduction: Numerous algorithms have been proposed for the task of automatic morpheme segmentation of Russian words. Due to the differences in task formulation and datasets utilized, comparing the quality of these algorithms is challenging. It is unclear whether the errors in the models are due to the ineffectiveness of algorithms themselves or to errors and inconsistencies ...

Добавлено: 7 января 2025 г.

Нейросетевой алгоритм выявления и удаления выбросов в зашумленных наборах данных

Ясницкий Л. Н., Плотникова Е. Г., Прикладная информатика 2024 Т. 19 № 5 С. 88–100

Выбросы в статистических данных, являющиеся результатом ошибочно собранной информации, часто становятся препятствием для успешного применения метода моделирования, основанного на машинном обучении, во многих предметных областях. Наличие выбросов в наборах данных снижает точность моделей машинного обучения, а в некоторых случаях делает применение этих методов невозможным. Существующие в настоящее время методы выявления выбросов ненадежны. Они принципиально не ...

Добавлено: 29 ноября 2024 г.

Proceedings Volume 11605, Thirteenth International Conference on Machine Vision

Teplyakov L., Kaymakov K., Shvets E. и др., SPIE, 2021.

Добавлено: 5 ноября 2024 г.

Эмоциональный анализ постов в ВКонтакте: классификатор или регрессор

Колмогорова А. В., Калинин А. А., В кн.: Компьютерная лингвистика и интеллектуальные технологии: по материалам международной конференции «Диалог 2022», выпуск 21Вып. 21.: Изд-во РГГУ, 2022. С. 311–322.

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.

Machine learning approach for scientific and technical expertise

A. V. Belov, E. A. Egorova, Bulletin D. Serikbayev East Kazakhstan Technical University 2023 No. 4 P. 92–102

Добавлено: 9 марта 2024 г.

Content policy and access limitations on commercial neural networks as an incentive to artivism

Миловидов С. В., Artnodes 2024 No. 33 P. 1–9

Добавлено: 1 февраля 2024 г.

Обзор методов стегоанализа с использованием нейронных сетей

Космачев А. А., Задорожникова А. А., Перов А. А., В кн.: БОЛЬШИЕ ДАННЫЕ Материалы I Международного форума (Новосибирск, 16–18 ноября 2022 года).: Новосибирск: Новосибирский государственный университет экономики и управления «НИНХ», 2023.

В статье рассматриваются основные концепции и термины, используемые в стеганографии, дается обоснование актуальности задачи стегоанализа, рассматриваются вопросы применения глубоких нейронных сетей в задачах стегоанализа на цифровых изображениях. Производится сравнительный анализ и описание наиболее эффективных архитектур сверточных сетей для решения поставленной задачи. ...

Добавлено: 26 января 2024 г.

Classification of Short Scientific Texts

I. K. Kusakin, Fedorets O. V., A. Y. Romanov, Scientific and Technical Information Processing 2023 Vol. 50 No. 3 P. 176–183

Добавлено: 4 ноября 2023 г.

Применение методов машинного обучения при автоматизации детектирования препятствия движению поезда через железнодорожный переезд

Искандеров Ю. М., Катарушкин Б. Е., Ершов А. А., Информатизация и связь 2020 № 2 С. 46–51

Цель. В настоящее время при создании интеллектуальных информационных систем в различных областях практической деятельности используются методы машинного обучения. В статье показаны возможности применения указанных методов при автоматизации детектирования препятствий в интересах повышения безопасности и снижения количества аварийных ситуаций на железнодорожных переездах. Материалы и методы. В статье рассматриваются передовые технологии компьютерного зрения, используемые в качестве основы ...

Добавлено: 15 сентября 2023 г.