Morphological segmentation with sequence to sequence neural network

В работе рассматриваются сети эхо-состояний (Echo State Network, ESN), которые являются одними из самых распространенных способов реализации резервуарных вычислений. Они состоят из рекуррентной нейронной сети, веса которой выбираются один раз и не обучаются, и выходного, обычно линейного, обучаемого слоя. Такой подход позволяет создавать энергоэффективные и быстрые нейронные сети, способные обучаться в режиме реального времени. Но ...

Добавлено: 26 мая 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.

Using a Recurrent Neural Network To Inform the Use of Prostate- specific Antigen (PSA) and PSA Density for Dynamic Monitoring of the Risk of Prostate Cancer Progression on Active Surveillance

Sushentsev N., Abrego L., Colarieti A. и др., EUROPEAN UROLOGY OPEN SCIENCE 2023 Vol. 52 P. 36–39

Добавлено: 28 февраля 2024 г.

Self-supervised recurrent depth estimation with attention mechanisms

Макаров И. А., Bakhanova M., Nikolenko S. и др., PeerJ Computer Science 2022 Vol. 8 Article e865

Depth estimation has been an essential task for many computer vision applications, especially in autonomous driving, where safety is paramount. Depth can be estimated not only with traditional supervised learning but also via a self-supervised approach that relies on camera motion and does not require ground truth depth maps. Recently, major improvements have been introduced ...

Добавлено: 1 февраля 2022 г.

Building Dataset and Morpheme Segmentation Model for Russian Word Forms

Большакова Е. И., Sapin A., , in: Computational Linguistics and Intellectual Technologies: Papers from the Annual International Conference “Dialogue” (2021)Issue 20: Основной том.: -, 2021. P. 154–161.

Добавлено: 30 октября 2021 г.

On the Embeddings of Variables in Recurrent Neural Networks for Source Code

Чиркова Н. А., , in: 2021 Annual Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL 2021).: Association for Computational Linguistics, 2021. P. 2679–2689.

Добавлено: 31 августа 2021 г.

Structured Sparsification of Gated Recurrent Neural Networks

Лобачева Е. М., Чиркова Н. А., Markovich A. и др., , in: Thirty-Fourth AAAI Conference on Artificial IntelligenceVol. 34.: AAAI Press, 2020. Ch. 5938 P. 4989–4996.

Добавлено: 29 октября 2020 г.

Cross-lingual Named Entity List Search via Transliteration

Khakhmovich A., Pavlova S., Kirillova K. и др., , in: Proceedings of The 12th Language Resources and Evaluation ConferenceVol. 12.: European Language Resources Association (ELRA), 2020. P. 4247–4255.

Добавлено: 9 октября 2020 г.

Bi-LSTM Model for Morpheme Segmentation of Russian Words

Большакова Е. И., Sapin A., , in: Proceedings of the 8th Conference on Artificial Intelligence and Natural Language, AINL 2019. CCISVol. 1119.: Springer, 2019. P. 151–160.

Добавлено: 3 ноября 2019 г.

Comparing models of morpheme analysis for Russian words based on machine learning

Большакова Е. И., Sapin A., , in: Computational Linguistics and Intellectual Technologies Papers from the Annual International Conference “Dialogue” (2019)Issue 18.: M.: Russian State University for the Humanitie, 2019. P. 104–113.

Добавлено: 3 ноября 2019 г.

Efficient Language Modeling with Automatic Relevance Determination in Recurrent Neural Networks

Кодрян М. С., Грачев А. М., Игнатов Д. И. и др., , in: Proceedings of the 4th Workshop on Representation Learning for NLP (RepL4NLP-2019)Issue W19-43.: Association for Computational Linguistics, 2019. P. 40–48.

Добавлено: 1 ноября 2019 г.

Compression of recurrent neural networks for efficient language modeling

Грачев А. М., Игнатов Д. И., Савченко А. В., Applied Soft Computing Journal 2019 Vol. 79 P. 354–362

Добавлено: 12 июня 2019 г.

Continuous Gesture Recognition from sEMG Sensor Data with Recurrent Neural Networks and Adversarial Domain Adaptation

Шпильман А. А., Sosin I., Kudenko D., , in: 2018 15th International Conference on Control, Automation, Robotics and Vision (ICARCV).: IEEE, 2018. P. 1436–1441.

Movement control of artificial limbs has made big advances in recent years. New sensor and control technology enhanced the functionality and usefulness of artificial limbs to the point that complex movements, such as grasping, can be performed to a limited extent. To date, the most successful results were achieved by applying recurrent neural networks (RNNs), ...

Добавлено: 18 января 2019 г.

Bayesian Sparsification of Gated Recurrent Neural Networks

Лобачева Е. М., Чиркова Н. А., Ветров Д. П., , in: Workshop on Compact Deep Neural Network Representation with Industrial Applications, Thirty-second Conference on Neural Information Processing Systems.: Montréal: [б.и.], 2018. P. 1–6.

Добавлено: 5 декабря 2018 г.

Bayesian Sparsification of Recurrent Neural Networks

Лобачева Е. М., Чиркова Н. А., Ветров Д. П., , in: 1st Workshop on Learning to Generate Natural Language, International Conference on Machine Learning.: [б.и.], 2017. P. 1–8.

Добавлено: 30 октября 2018 г.

SEARNN: Training RNNs with global-local losses

Leblond R., Alayrac J., Осокин А. А. и др., , in: Proceedings of the 6th International Conference on Learning Representations (ICLR 2018).: [б.и.], 2018. P. 1–16.

Добавлено: 29 октября 2018 г.