?
Deep learning based methods for estimating distribution of coalescence rates from genome-wide data
Journal of Physics: Conference Series. 2021. Vol. 1740. Article 012031.
Научное направление:
Компьютерные науки
Приоритетные направления:
компьютерно-математическое
Язык:
английский
ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА:
Гремячих Л. И., Устюжанин А. Е., Станкевич А. и др., / arxiv. Series 2110.08626 "Machine Learning". 2021.
В статье рассматривается проблема получения модели скорости для сложной среды на основе граничных измерений. Для описания среды используется акустическая модель. Мы использовали открытый набор данных распределений скоростей для прямого сравнения представленных результатов с предыдущими работами. Прямое моделирование выполняется с использованием сеточно-характеристического численного метода. Обратная задача решается с помощью глубоких сверточных нейронных сетей. Предложены модификации базовой ...
Добавлено: 24 мая 2022 г.
Association for Computational Linguistics, 2019
Добавлено: 1 ноября 2019 г.
Савченко Л. В., Информационные технологии 2019 Т. 25 № 5 С. 313-318
Рассматривается задача постановки произношения на основе применения методов глубокого обучения совместно с информационной теорией восприятия речи. Для повышения эффективности тестирования качества произношения предложено проводить дообучение сверточной нейронной сети с использованием наилучших эталонов пользователя. Экспериментально показано, что предложенный подход характеризуется высокой точность и скоростью распознавания для различных акустических моделей по сравнению с известными аналогами. ...
Добавлено: 29 мая 2019 г.
Савченко А. В., Белова Н. С., Savchenko Lyudmila V., Optical Memory and Neural Networks (Information Optics) 2018 Vol. 27 No. 1 P. 23-31
Добавлено: 9 февраля 2018 г.
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.
Криницкий М. А., Вереземская П. С., Гращенков К. В. и др., Atmosphere 2018 Vol. 9 No. 426 P. 1-23
Добавлено: 26 ноября 2020 г.
Сошников Д. В., Valieva Y., / Cornell University. Series Computer Science "arxiv.org". 2021.
Добавлено: 7 октября 2021 г.
Montréal : [б.и.], 2018
Добавлено: 5 декабря 2018 г.
Бартунов С. О., Ветров Д. П., Kondrashkin D. и др., Journal of Machine Learning Research 2016 Vol. 51 P. 130-138
The recently proposed Skip-gram model is a powerful method for learning high-dimensional word representations that capture rich semantic relationships between words. However, Skip-gram as well as most prior work on learning word representations does not take into account word ambiguity and maintain only single representation per word. Although a number of Skip-gram modifications were proposed ...
Добавлено: 1 октября 2016 г.
Computational methods to predict Z-DNA regions are in high demand to understand the functional role of Z-DNA. The previous state-of-the-art method Z-Hunt is based on statistical mechanical and energy considerations about B- to Z-DNA transition using sequence information. Z-DNA CHiP-seq experiment results showed little overlap with Z-Hunt predictions implying that sequence information only is not ...
Добавлено: 11 декабря 2020 г.
Фигурнов М. В., Sobolev A., Ветров Д. П., Bulletin of the Polish Academy of Sciences: Technical Sciences 2018 Vol. 66 No. 6 P. 811-820
Добавлено: 27 февраля 2019 г.
Switzerland : Springer, 2019
Добавлено: 8 февраля 2020 г.
Добавлено: 16 октября 2018 г.
Сошников Д. В., Valieva Y., Microsoft Journal of Applied Research, USA 2019 Vol. 12 P. 140-150
In this paper, we present a new Python library called mPyPl, which is intended to simplify complex data processing tasks using a functional approach. This library defines operations on lazy data streams of named dictionaries represented as generators (so-called multi-field datastreams), and allows enriching those data streams with more ’fields’ in the process of data ...
Добавлено: 20 ноября 2020 г.
Добавлено: 13 марта 2024 г.
Щур В. Л., Ziganurova L., Durbin R., / Cold Spring Harbor Laboratory. Series New Results "BioRxiv". 2018.
Добавлено: 7 февраля 2019 г.
Rukhovich D., Koroleva P., Rukhovich D. и др., Remote Sensing 2022 Vol. 14 No. 9 Article 2224
Добавлено: 14 ноября 2022 г.
Polykovskiy D., Zhebrak A., Sanchez-Lengeling B. и др., Frontiers in Pharmacology 2020 Vol. 11 P. 1-10
Добавлено: 21 апреля 2021 г.
Piscataway : IEEE, 2020
Добавлено: 15 октября 2020 г.
Белавин В. С., Устюжанин А. Е., Широбоков С. К. и др., Proceedings of Machine Learning Research 2020 P. 1-9
Добавлено: 31 октября 2019 г.
Савченко Л. В., Информационные технологии 2020 Т. 26 № 5 С. 290-296
В статье рассматривается задача распознавания изолированных слов с помощью методов глубокого обучения и сверточных нейронных сетей. Предложено выполнить дообучение сетей для проведения адаптации акустических моделей на голос диктора с использованием малого числа произнесенных им реализаций эталонных слов. Для понижения вероятности ошибочного распознавания рассматривается комбинирование нескольких различных дообученных дикторозависимых нейросетевых моделей. ...
Добавлено: 2 сентября 2020 г.
Савченко А. В., Optical Memory and Neural Networks (Information Optics) 2017 Vol. 26 No. 2 P. 129-136
Добавлено: 30 июня 2017 г.
St. Petersburg : Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский политехнический университет Петра Великого", 2021
Результаты НИР 2020/21 учебного года. Летняя школа по биоинформатике 2021. Тезисы докладов. ...
Добавлено: 9 августа 2021 г.