Distributed Deep Learning In Open Collaborations

M. Diskin; Bukhtiyarov A.; M. Ryabinin; Saulnier L.; Lhoest Q.; Anton Sinitsin; D. Popov; Pyrkin Dmitriy; Kashirin Maxim; A. Borzunov; Villanova del Moral A.; Mazur D.; Kobelev I.; Jernite Y.; Wolf T.; Pekhimenko G.

?

Distributed Deep Learning In Open Collaborations

P. 7879–7897.

Дискин М. С., Bukhtiyarov A., Рябинин М. К., Saulnier L., Lhoest Q., Anton Sinitsin, Попов Д. Г., Pyrkin Dmitriy, Kashirin Maxim, Борзунов А. А., Villanova del Moral A., Mazur D., Kobelev I., Jernite Y., Wolf T., Pekhimenko G.

Язык: английский

Полный текст

Текст на другом сайте

Ключевые слова: neural networks deep learning распределенные и параллельные вычисления глубокие нейронные сети distributed neural networks

В книге

Advances in Neural Information Processing Systems 34 (NeurIPS 2021)

Curran Associates, Inc., 2021.

A Model Based on Universal Filters for Image Color Correction

Aleksei Samarin, Назаренко А. А., Alexander Savelev и др., Pattern Recognition and Image Analysis 2024 Vol. 34 No. 3 P. 844–854

Добавлено: 21 сентября 2026 г.

Filter-Based Preprocessing Neural Network Model for Microorganism Detection Improvement

Aleksei Samarin, Aleksei Toropov, Alexander Savelev и др., , in: Pattern Recognition. ICPR 2024 International Workshops and Challenges.: Cham: Springer, 2025. P. 308–320.

Добавлено: 21 сентября 2026 г.

Модель глубокого обучения для автоматизированной интерпретации медицинских электрофизиологических данных

Лебедев О. Б., Шмелева А. Г., Гежа Н. С., Информатика и автоматизация (Труды СПИИРАН) 2026 Т. 25 № 3 С. 720–750

Статья посвящена разработке нейросетевой модели для автоматизированного анализа медицинских данных в области электрофизиологии на основе методов глубокого обучения. Актуальность работы обусловлена растущей потребностью в повышении объективности, скорости и точности обработки сложных пространственно-временных сигналов, таких как ЭКГ или ЭЭГ. В качестве инструмента анализа были использованы сверточные нейронные сети (CNN), позволяющие извлекать пространственные особенности, и временные сверточные ...

Добавлено: 10 сентября 2026 г.

Scalable machine learning approach to disordered s-wave superconductors

Неверов В. Д., Красавин А. В., Вагов А. В. и др., Physical Review B: Condensed Matter and Materials Physics 2026 Vol. 113 P. 1–6

Добавлено: 5 сентября 2026 г.

Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

Seul: PMLR, 2026.

Добавлено: 4 июня 2026 г.

Измерение ИИ-грамотности взрослых россиян: методика и результаты

Давыдов С. Г., Федоров В. В., Социологические исследования 2026 № 5 С. 141–147

Представлены результаты измерения ИИ-грамотности взрослого населения России. Исследование решает проблему отсутствия эмпирических данных о фактическом уровне владения компетенциями в сфере искусственного интеллекта среди граждан. Методика основана на самооценке владения пятью типами ИИ-инструментов по 5‑балльной шкале и последующем индексировании. Сбор информации осуществлен методом телефонного опроса (CATI) на общероссийской выборке проекта «ВЦИОМ–Спутник» (N = 1600). Выявлен уровень ...

Добавлено: 13 мая 2026 г.

Method of Critical Set construction for Successive Cancellation List Decoder of Polar Codes Based on Deep Learning of Neural Networks

Котов Ф. И., Тимохин И. С., Иванов Ф. И., , in: 2023 XVIII International Symposium Problems of Redundancy in Information and Control Systems (REDUNDANCY).: IEEE, 2023.

The Successive Cancellation List (SCL) algorithm is a widely used decoding technique in communication systems. However, constructing the critical set for SCL decoding is a challenging task, as it requires a large number of computations and can lead to significant decoding delays. In this paper, a new approach to critical set construction for SCL decoding ...

Добавлено: 26 января 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.

Screen-Cam Imitation Module for Improving Data Hiding Robustness

Джанашиа К. М., Aleksandr Fedosov, Oleg Evsutin, Sensors 2025 Vol. 25 No. 23 Article 7726

Добавлено: 28 ноября 2025 г.

Understanding the training dynamics of CoLaNET by its simplified model

O.A. Goryunov, Maslennikov O. V., Kiselev M. V. и др., Chaos, Solitons and Fractals 2026 Vol. 203 Article 117663

Добавлено: 28 ноября 2025 г.

Смежные права на результаты интеллектуальной деятельности, созданные искусственным интеллектом: философско-правовой анализ замены критерия творчества на критерий инвестиций

Пакшин П. К., Актуальные проблемы российского права 2025 Т. 20 № 11 С. 11–18

Статья посвящена обоснованию необходимости правовой охраны результатов интеллектуальной деятельности, созданных искусственным интеллектом, посредством смежных прав. Рассматриваются пути снижения правовых рисков создания результатов интеллектуальной деятельности с помощью технологий искусственного интеллекта, и проводится философско-правовой анализ выдвинутой гипотезы — замены творчества на инвестиции в качестве критерия охраноспособности. В соответствии с авторской концепцией философско-правовым основанием замены критерия творчества может ...

Добавлено: 27 ноября 2025 г.

2025 International Joint Conference on Neural Networks (IJCNN)

IEEE, 2025.

Добавлено: 15 ноября 2025 г.

Segmentation of Vertebral Arteries on the MR Images

Prikhodko R., Moshkin A., Романов А. Ю., , in: 2025 International Russian Automation Conference (RusAutoCon).: IEEE, 2025. P. 273–278.

Добавлено: 6 ноября 2025 г.

Машинное обучение и представление информации: новые возможности цифровых архивов (рецензия на книгу: Artificial Intelligence, Archives and Manuscripts. New Relationships between the Virtual Archive and Its Referent. Edinburgh: University of Edinburgh, 2025

Пенская Е. Н., Имагология и компаративистика 2025 № 23 С. 380–389

Представлена рецензия на книгу «Artificial Intelligence, Archives and Manuscripts. New Relationships between the Virtual Archive and its Referent» (2025). В данной коллективной монографии обсуждаются как технологические, так и правовые, интеллектуальные вопросы, с которыми сталкиваются исследователи и архивисты при автоматизированной работе с рукописным наследием, искусственным интеллектом и нейросетями. ...

Добавлено: 30 октября 2025 г.

Free energy of neural network can predict accuracy after pruning

Сурков А. Ю., Sergei Koltcov, Игнатенко В. В. и др., Physica A: Statistical Mechanics and its Applications 2025 Vol. 681 Article 131085

Добавлено: 30 октября 2025 г.

Artificial Neural Networks and Machine Learning. ICANN 2025 International Workshops and Special Sessions: 34th International Conference on Artificial Neural Networks, Kaunas, Lithuania, September 9–12, 2025, Proceedings, Part V

Cham: Springer, 2025.

Добавлено: 29 сентября 2025 г.

Цифровой театр абсурда: могут ли нейросети поставить новую научную проблему перед психологией? Кейс-сравнение ChatGPT и DeepSeek

Хашутогова У. П., Березнер Т. А., Поддьяков А. Н., Новые психологические исследования 2025 № 3 С. 100–125

Бурное развитие технологий искусственного интеллекта не может оставить в стороне исследователей-психологов. Хотя нейросети начинают использоваться почти во всех сферах человеческой деятельности, остаются неясными границы их применимости, насколько создаваемый ими контент является действительно новым и вместе с тем полезным пользователю. Сторонники нейросетей заявляют о необходимости их тотального внедрения, скептики же подвергают серьезному сомнению почти все компетенции ...

Добавлено: 4 сентября 2025 г.