Книжкові видання та компакт-диски Журнали та продовжувані видання Автореферати дисертацій Реферативна база даних Наукова періодика України Тематичний навігатор Авторитетний файл імен осіб
|
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
Пошуковий запит: (<.>A=Shumylyak L$<.>) |
Загальна кількість знайдених документів : 3
Представлено документи з 1 до 3
|
1. |
Shumylyak L. Cellular Automata Modeling of Impurities Segregation in the Melt Crystallization Process [Електронний ресурс] / L. Shumylyak, V. Zhikharevich, S. Ostapov // Computing. - 2015. - Vol. 14, Issue 4. - С. 216-226. - Режим доступу: http://nbuv.gov.ua/UJRN/Computing_2015_14_4_5
| 2. |
Shumylyak L. M. System parameters investigation for Stefan problem solving by the continuous asynchronous cellular automata method [Електронний ресурс] / L. M. Shumylyak, V. V. Zhikharevich, S. E. Ostapov // Вчені записки Таврійського національного університету імені В. І. Вернадського. Серія : Технічні науки. - 2018. - Т. 29(68), № 1(2). - С. 50-54. - Режим доступу: http://nbuv.gov.ua/UJRN/sntuts_2018_29_1(2)__12
| 3. |
Orlovskiy O. V. Multilingual text classifier using pre-trained universal sentence encoder model [Електронний ресурс] / O. V. Orlovskiy, Sohrab Khalili, S. E. Ostapov, K. P. Hazdyuk, L. M. Shumylyak // Радіоелектроніка, інформатика, управління. - 2022. - № 3. - С. 102-108. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2022_3_12 Онлайн-платформи продовжують сьогодні генерувати усе більші обсяги інформації. Автоматизація модерування контенту у таких платформах, у зв'язку з цим, залишається актуальною задачею. Уваги потребують випадки, коли з різних причин, доступно лише невеликі обсяги даних для навчання класифікаторів. У таких випадках необхідно залучати попередньо навчені моделі, які використовували для навчання великі об'єми даних широкого діапазону. Досліджено питання застосування попередньо навченої мультимовної моделі Universal Sentence Encoder (USE) як компоненту розробленого нами класифікатора, а також впливу різних параметрів на точність класифікації при навчанні на малому об'ємі даних (~ 0,05 % обсягу повного набору). Для вирішення поставленого завдання використовується відносно новий підхід до навчання, - за допомогою невеликого набору повідомлень. Оскільки текстові повідомлення усе ще домінують як способ передавання інформації, застосовується розроблений класифікатор, навчений на невеликому (~0,002 - 0,05 % повного набору) обсязі даних. Показано, що навіть при невеликій кількості прикладів для навчання (36 на клас) за рахунок використання ЕСЕ та оптимальної конфігурації в навчанні можна досягти високої точності класифікації за англійськими та російськими даними, що надзвичайно важливо, коли неможливо зібрати свій власний великий набір даних. Оцінено вплив підходу з використанням USE та набору різних конфігурацій гіперпараметрів на результат класифікатора текстових даних на прикладі наборів даних англійською та російською мовами. Висновки: у ході експериментів показана значна ступінь актуальності правильного підбору гіперпараметрів. Зокрема, у цій роботі розглядалися розмір пакету, оптимізатор, кількість епох навчання та відсоток даних із набору, взятих для навчання класифікатора. У процесі експерименту була обрана оптимальна конфігурація гіперпараметрів, згідно з якою 86,46 % точності класифікації за російськомовним набором даних і 91,13 % за англомовним відповідно можна досягти за десять секунд навчання (на час навчання можуть істотно вплинути використовувані технічні засоби).
|
|
|