Leveraging Emotional Signals for Credibility Detection

Giachanou A.; Crestani F.

doi:10.1145/3331184.3331285

Публикации

?

Leveraging Emotional Signals for Credibility Detection

P. 877–880.

Giachanou A., Россо П., Crestani F.

Язык: английский

DOI

Ключевые слова: LSTM fake news detection credibility detection emotional signals

В книге

Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR ’19)

NY: Association for Computing Machinery (ACM), 2019.

Применение методов машинного обучения для прогнозирования нефтяных котировок

Назарова В. В., Лодягин Б. А., Круглов Ф. А. и др., AlterEconomics (ранее - Журнал экономической теории) 2025 № 22(3) С. 482–502

Статья посвящена сравнительному анализу точности краткосрочного прогнозирования цен на нефть с использованием традиционных статистических моделей (ARIMA, SARIMAX) и модели глубинного обучения LSTM. Актуальность исследования обусловлена высокой волатильностью нефтя ного рынка и необходимостью повышения точности прогнозов в условиях нестабильной макроэконо мической среды, где нефтяные котировки зависят не только от собственной динамики, но и от внеш них ...

Добавлено: 5 октября 2025 г.

Application of Large Language Models to Solving Differential Equations: Constructing Baseline Models with LSTM and GRU

Сурков А. Ю., Захаров В. Ю., Sergei Koltcov и др., , in: Smart Technologies, Systems and Applications: 4th International Conference, SmartTech-IC 2024, Quito, Ecuador, December 2–4, 2024, Revised Selected Papers, Part IIVol. 2: Revised Selected Papers, Part II.: Springer, 2025. P. 239–252.

Добавлено: 11 сентября 2025 г.

Application of the Method of Multivariate Multi-stage Forecasting Based on the LSTM Deep Learning Model for Bitcoin Price Time Series

Natalia Sizykh, Said Dandamaev, Dmitry Sizykh, , in: 16th International Conference Management of large-scale system development (MLSD).: IEEE, 2023. P. 1–5.

На данный момент методы, основанные на архитектуре глубокого обучения LSTM, показали лучшие результаты в прогнозировании цен на криптовалюту. В данной статье исследуется применение метода многомерного многошагового прогнозирования на основе модели глубокого обучения LSTM для временных рядов цен биткойнов и оценивается его эффективность. Проанализированы варианты реализации многомерного многошагового прогнозирования на основе глубокого обучения LSTM и выбран ...

Добавлено: 22 декабря 2023 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.

Исследование методов машинного обучения для классификации научных текстов на русском языке

Кусакин И. К., Федорец О. В., Романов А. Ю., Научно-техническая информация. Серия 2: Информационные процессы и системы 2022 Т. 12 С. 6–9

В данной работе рассматриваются современные подходы к обработке естественного языка и применения технологий искусственного интеллекта в задаче классификации научных текстов на русском языке. Работа посвящена анализу реализаций методов векторизации текстовой информации применительно к задаче обучения различных моделей классификаторов: от классических алгоритмов машинного обучения до нейросетевых архитектур-трансформеров. ...

Добавлено: 31 января 2023 г.

Are CDS spreads predictable during the Covid-19 pandemic? Forecasting based on SVM, GMDH, LSTM and Markov switching autoregression

Вукович Д., Романюк К. А., Ivashchenko S. и др., Expert Systems with Applications 2022 Vol. 194 No. May 2022 Article 116553

Добавлено: 4 февраля 2022 г.

Determinants of individuals’ belief in fake news: A scoping review determinants of belief in fake news

Брянов К. А., Взятышева В. С., Plos One 2021 Vol. 16 No. 6 Article e0253717

Добавлено: 25 июня 2021 г.

Predictive models for metrological data of engineering systems

Lukankin Alexander, Slastnikov Sergey, Journal of Physics: Conference Series 2021 Vol. 1740 P. 1–6

Добавлено: 2 февраля 2021 г.

Детектирование эмоций в речи с использованием долгой краткосрочной памяти

Попова А. С., Рассадин А. Г., Пономаренко А. А., В кн.: Материалы XXIV международной научно-технической конференции «Информационные системы и технологии-2018.: [б.и.], 2018. С. 1083–1089.

Рассматривается задача автоматической классификации эмоций в цифровом аудио сигнале. В работе рассматривается и верифицируется подход, в котором классификация звукового фрагмента производится с помощью рекуррентной нейронной сети c долговременно-кратковременной памятью. В качестве признаков использовались мел-кепстральные коэффициенты. Произведен численный эксперимент на открытом наборе данных Ravdess, включающий 8 различных эмоций: “нейтральный”, “спокойный”, “счастливый”, “грустный”, “злой”, “испуганный”, “отвращение”, “удивление” ...

Добавлено: 21 октября 2018 г.

Analysis of neural networks efficiency for determining positions of corrupted bytes

Сластников С. А., Лупанов В. Э., Journal of Physics: Conference Series 2019 Vol. 1163 No. 12048 P. 1–6

Добавлено: 19 октября 2018 г.

Neural Networks Compression for Language Modeling

Грачев А. М., Игнатов Д. И., Савченко А. В., , in: Pattern Recognition and Machine Intelligence. 7th International Conference, PReMI 2017, Kolkata, India, December 5-8, 2017, Proceedings. Lecture Notes in Computer Science book series (LNCS, volume 10597).: Springer, 2017. P. 351–357.

Добавлено: 14 октября 2018 г.