?
Moshpit SGD: Communication-Efficient Decentralized Training on Heterogeneous Unreliable Devices
P. 18195-18211.
В книге
Curran Associates, Inc., 2021
Горбунов Э. А., Борзунов А. А., Дискин М. С. и др., , in : Proceedings of the 39th International Conference on Machine Learning. Vol. 162.: PMLR, 2022. P. 7679-7739.
Добавлено: 14 августа 2022 г.
Бекназаров Н. С., , in : Z-DNA: Methods and Protocols. : United States of America : Springer, 2023. P. 217-226.
Here we describe an approach that uses deep learning neural networks such as CNN and RNN to aggregate information from DNA sequence; physical, chemical, and structural properties of nucleotides; and omics data on histone modifications, methylation, chromatin accessibility, and transcription factor binding sites and data from other available NGS experiments. We explain how with the ...
Добавлено: 26 декабря 2023 г.
Петросян А. Т., Воскобойников А. М., Sukhinin D. и др., Journal of Neural Engineering 2022 Vol. 19 No. 6 Article 066016
Добавлено: 9 декабря 2022 г.
Латышев П. Н., Павлов Ф. И., Frontiers in Big Data 2023 P. 1-10
Due to advances in NGS technologies whole-genome maps of various functional genomic elements were generated for a dozen of species, however experiments are still expensive and lacking for many species of interest. Deep learning methods became the state-of the art computational methods but are often species-specific, reflecting the data used to train them. Here we take ...
Добавлено: 11 января 2023 г.
Цветкова А., В кн. : Proceedings of 11th Moscow Conference on Computational Molecular Biology MCCMB'23. : IITP RAS, 2023.
Архитектура глубинного обучения, трансформер, отличается механизмом внимания, который позволяет проинтерпретировать вывод моделей. DNABERT – одна из таких моделей, она обучена на геноме человека, то есть в ней уже заложена информация о некоторых взаимосвязях в ДНК. Модель можно настроить для других задач путем дообучения на небольшом датасете. В ходе работы была поставлена цель – проинтерпретировать мотивы, выявленные при ...
Добавлено: 1 декабря 2023 г.
Kirill Struminsky, Artyom Gadetsky, Denis Rakitin и др., , in : Advances in Neural Information Processing Systems 34 (NeurIPS 2021). : Curran Associates, Inc., 2021. P. 10999-11011.
Добавлено: 14 марта 2022 г.
Волкова К. В., Дагаев Н. И., Киселёв А. С. и др., Журнал высшей нервной деятельности им. И.П. Павлова 2017 Т. 67 № 4 С. 504-520
Нейрокомпьютерные интерфейсы, или, как их принято называть в отечественной литературе, интерфейсы мозг-компьютер (ИМК), находят применение в ряде областей и имеют потенциал использования для решения как исследовательских, так и практических задач. В настоящее время ведутся пилотные исследования клинического применения ИМК в постинсультной нейрореабилитации [Frolov et al., 2013; Ang et al., 2010], кроме того, существует перспектива использования ...
Добавлено: 19 октября 2017 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.
Montréal : [б.и.], 2018
Добавлено: 5 декабря 2018 г.
Красовская С. В., Макиннес У. Д., Vision 2019 Vol. 3 No. 4 P. 1-24
Добавлено: 13 октября 2019 г.
Белавин В. С., Устюжанин А. Е., Арзыматов К. и др., Advances in Systems Science and Applications 2018 Vol. 18 No. 4 P. 1-12
Добавлено: 2 февраля 2019 г.
Терещенко С. Н., Перов А. А., Осипов А. Л., Siberian Journal of Life Sciences and Agriculture 2021 Т. 13 № 1 С. 144-155
Цель. Разработка модели сверточной нейронной сети для определения заболеваний маниока по фотографии с мобильного телефона.
Методы и материалы исследования. Материалом для исследований послужили размеченные изображения с различными видами заболеваний маниока, опубликованные в открытом доступе платформы Kaggle. Методы исследования: теория проектирования и разработки информационных систем, программирования, методы аугментации и расширения датасетов для задач компьютерного зрения, методы настройки ...
Добавлено: 17 ноября 2021 г.
Чиркова Н. А., Лобачева Е. М., Ветров Д. П., , in : Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. : Association for Computational Linguistics, 2018. P. 2910-2915.
Добавлено: 5 сентября 2018 г.
Велихов П. Е., Открытые системы. СУБД 2016 № 1
Технологии обработки естественного языка сегодня шагнули далеко вперед, и немалая заслуга в этом принадлежит машинному обучению, применяемому, в частности, для понимания текстов. ...
Добавлено: 10 декабря 2017 г.
Осадчий А. Е., Михеев И. Н., Ковалев А. В., Working papers by Cornell University. Series cond-mat.soft "arxiv.org" ( 2022 Article 4650840
Добавлено: 16 декабря 2022 г.
Колмогорова А. В., Калинин А. А., В кн. : Компьютерная лингвистика и интеллектуальные технологии: по материалам международной конференции «Диалог 2022», выпуск 21. Вып. 21.: Изд-во РГГУ, 2022. С. 311-321.
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.
Фигурнов М. В., Collins M., Zhu Y. и др., / Cornell University. Series arXiv "arXiv:1612.02297". 2016.
Добавлено: 12 декабря 2016 г.
Красовская С. В., Жуликов Г. А., Макиннес У. Д., The Russian Journal of Cognitive Science 2019 P. 1-10
Добавлено: 21 октября 2019 г.
Савченко А. В., Optical Memory and Neural Networks (Information Optics) 2017 Vol. 26 No. 2 P. 129-136
Добавлено: 30 июня 2017 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.
Лобачева Е. М., Чиркова Н. А., Ветров Д. П., / International Conference on Machine Learning. Series 1 "Workshop on Learning to Generate Natural Language". 2017.
Добавлено: 19 октября 2017 г.
Chistyakov A., Лобачева Е. М., Kuznetsov A. и др., , in : Workshop of the 5th International Conference on Learning Representations (ICLR). : [б.и.], 2017. P. 1-4.
Добавлено: 31 октября 2018 г.
Hollandi R., Мошков Н. Е., Paavolainen L. и др., Trends in Cell Biology 2022
Добавлено: 21 января 2022 г.
Umerenkov D., Herbert A., Konovalov Dmitrii и др., Life Science Alliance 2023 Vol. 6 No. 7 Article e202301962
Добавлено: 9 июня 2023 г.