id int64 18 18.8k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 14:51:09 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 14:51:09 | doc_name stringclasses 1
value | input stringlengths 11 9.24k | output stringlengths 0 738 | is_personal bool 2
classes | is_sentence bool 2
classes | is_corrected bool 2
classes |
|---|---|---|---|---|---|---|---|---|
8,957 | 2026-02-24T09:11:14.418000Z | 2026-02-24T09:11:14.418000Z | Lec. | Классификация для 3-го уровня осложнена наличием большого количества классов, содержащих малое кол-во экземпляров | false | true | false | |
8,956 | 2026-02-24T09:11:12.952000Z | 2026-02-24T09:11:12.952000Z | Lec. | После удаления экземпляров классов выполняется обработка данных, совпадающая с обработкой данных для при классификации по 1-му уровню ГРНТИ | false | true | false | |
8,955 | 2026-02-24T09:11:11.333000Z | 2026-02-24T09:11:11.333000Z | Lec. | После удаления 1492 классов ГРНТИ-3 в обучающей выборке осталось 271747 текстов, распределенных по 1265 классам ГРНТИ-3 | false | true | false | |
8,954 | 2026-02-24T09:11:09.638000Z | 2026-02-24T09:11:09.638000Z | Lec. | Для решения задачи мультиклассификации для 3-го уровня ГРНТИ был составлен тренировочный датасет:. удалены экземпляры 207 классов ГРНТИ 2-ого уровня, которые имеют < 300 текстов;. удалены экземпляры датасета, текст для которых имеет < 10 символов | false | true | false | |
8,953 | 2026-02-24T09:11:07.928000Z | 2026-02-24T09:11:07.928000Z | Lec. | Рисунок 19 – График зависимости f1 от threshold на тестовом датасете при использовании иерархического классификатора | false | true | false | |
8,952 | 2026-02-24T09:11:05.837000Z | 2026-02-24T09:11:05.837000Z | Lec. | Рисунок 18 – График зависимости f1 от threshold на тестовом датасете при использовании плоского классификатора | false | true | false | |
8,951 | 2026-02-24T09:11:03.904000Z | 2026-02-24T09:11:03.904000Z | Lec. | Графики для результатов тестирования при использовании плоского классификатора (рис. 18) и иерархического (рис. 19) представлены ниже | false | true | false | |
8,950 | 2026-02-24T09:11:02.265000Z | 2026-02-24T09:11:02.265000Z | Lec. | Таблица 6 – Метрики в зависимости от вида классификатора: плоский и иерархический | false | true | false | |
8,949 | 2026-02-24T09:11:00.718000Z | 2026-02-24T09:11:00.718000Z | Lec. | Ниже представлена таблица с результатами для метрик для плоского и иерархического классификатора при обучении в течение 8 эпох (таб. 6) | false | true | false | |
8,948 | 2026-02-24T09:10:58.864000Z | 2026-02-24T09:10:58.864000Z | Lec. | Рисунок 17 – Диаграмма работы иерархического классификатора | false | true | false | |
8,947 | 2026-02-24T09:10:56.894000Z | 2026-02-24T09:10:56.894000Z | Lec. | Иерархические классификаторы учитывают структуру взаимосвязей между классами, организованную в виде дерева (рис. 17) | false | true | false | |
8,946 | 2026-02-24T09:10:55.195000Z | 2026-02-24T09:10:55.195000Z | Lec. | Рисунок 16 – Диаграмма работы плоского классификатора | false | true | false | |
8,945 | 2026-02-24T09:10:53.197000Z | 2026-02-24T09:10:53.197000Z | Lec. | Названия классов 1-го уровня, предсказания моделей для 1-го уровня ГРНТИ не учитываются, поэтому процесс обучения модели для предсказания 2-го уровня аналогичен процессу обучения для модели 1-го уровня ГРНТИ | false | true | false | |
8,944 | 2026-02-24T09:10:51.583000Z | 2026-02-24T09:10:51.583000Z | Lec. | При использовании плоского классификатора все классы рассматриваются как независимые и равноправные, без учета возможных взаимосвязей между ними (рис. 16) | false | true | false | |
8,943 | 2026-02-24T09:10:49.902000Z | 2026-02-24T09:10:49.902000Z | Lec. | Рисунок 15 – Количество оставшихся классов 2-й уровень ГРНТИ | false | true | false | |
8,942 | 2026-02-24T09:10:48.241000Z | 2026-02-24T09:10:48.241000Z | Lec. | Рисунок 14 – Кол-во удаляемых классов 2-й уровень ГРНТИ | false | true | false | |
8,941 | 2026-02-24T09:10:46.236000Z | 2026-02-24T09:10:46.236000Z | Lec. | Ниже представлены графики количества экземпляров для удаленных (рис. 14) и оставленных классов (рис. 15) | false | true | false | |
8,940 | 2026-02-24T09:10:44.590000Z | 2026-02-24T09:10:44.590000Z | Lec. | Рисунок 13 – График зависимости f1 от threshold на тестовом датасете при обучении с методом LORA | false | false | false | |
8,939 | 2026-02-24T09:10:42.709000Z | 2026-02-24T09:10:42.709000Z | Lec. | Рисунок 12 – График зависимости f1 от threshold на тестовом датасете при обучении только слоя для классификации | false | true | false | |
8,938 | 2026-02-24T09:10:40.886000Z | 2026-02-24T09:10:40.886000Z | Lec. | Графики для результатов тестирования при обучении только слоя классификации (рис. 12) и обучении с методом LoRA (рис. 13) представлены ниже | false | true | false | |
8,937 | 2026-02-24T09:10:38.919000Z | 2026-02-24T09:10:38.919000Z | Lec. | Таблица 5 – Усредненные метрики для обучения только слоя классификации и только с методом LoRA | false | false | false | |
8,936 | 2026-02-24T09:10:37.406000Z | 2026-02-24T09:10:37.406000Z | Lec. | Ниже представлена таблица с результатами для метрик (таб. 5) | false | true | false | |
8,935 | 2026-02-24T09:10:35.919000Z | 2026-02-24T09:10:35.919000Z | Lec. | Рисунок 11 – График зависимости f1 от threshold на тестовом датасете для классификации при добавлении расшифровок рядом с сокращениями | false | false | false | |
8,934 | 2026-02-24T09:10:34.126000Z | 2026-02-24T09:10:34.126000Z | Lec. | Рисунок 10 – График зависимости f1 от threshold на тестовом датасете для классификации при замене сокращений на их расшифровки | false | false | false | |
8,933 | 2026-02-24T09:10:32.303000Z | 2026-02-24T09:10:32.303000Z | Lec. | Рисунок 9 – График зависимости f1 от threshold на тестовом датасете для классификации без использования словаря сокращений | false | true | false | |
8,932 | 2026-02-24T09:10:30.215000Z | 2026-02-24T09:10:30.215000Z | Lec. | Графики для результатов тестирования моделей, обученных на 1-м, 2-м, 3-м датасете, представлены ниже (рис. 9, 10, 11) | false | true | false | |
8,931 | 2026-02-24T09:10:28.557000Z | 2026-02-24T09:10:28.557000Z | Lec. | Таблица 4 – Усредненные метрики для разных вариантов работы со словарем сокращений | false | true | false | |
8,930 | 2026-02-24T09:10:26.744000Z | 2026-02-24T09:10:26.744000Z | Lec. | Таблица для сравнения усредненных метрик f1 для различных вариантов работы со словарем сокращений представлена ниже (таб. 4) | false | true | false | |
8,929 | 2026-02-24T09:10:25.085000Z | 2026-02-24T09:10:25.085000Z | Lec. | Рисунок 8 – Количество оставшихся текстов по рубрикам 1-го уровня ГРНТИ | false | true | false | |
8,928 | 2026-02-24T09:10:23.193000Z | 2026-02-24T09:10:23.193000Z | Lec. | Рисунок 7– Количество удаляемых текстов. 1-й уровень ГРНТИ | false | true | false | |
8,927 | 2026-02-24T09:10:21.279000Z | 2026-02-24T09:10:21.279000Z | Lec. | Ниже представлены графики количества экземпляров для удаленных (рис. 8) и оставленных классов (рис. 7) | false | true | false | |
8,926 | 2026-02-24T09:10:19.647000Z | 2026-02-24T09:10:19.647000Z | Lec. | Удалены экземпляры датасета, текст для которых имеет < 10 символов | true | true | false | |
8,925 | 2026-02-24T09:10:17.996000Z | 2026-02-24T09:10:17.996000Z | Lec. | Из датасета удалены 11 классов ГРНТИ 1-ого уровня с наименьшим количеством экземпляров (< 600 текстов в рубрике); | false | true | false | |
8,924 | 2026-02-24T09:10:16.484000Z | 2026-02-24T09:10:16.484000Z | Lec. | Для каждой статьи из тренировочного датасета соединяем в одну строку через «[SEP]» название, аннотацию, ключевые слова, затем текст кодируется (применяется кодировщик BERT) | false | true | false | |
8,923 | 2026-02-24T09:10:14.963000Z | 2026-02-24T09:10:14.963000Z | Lec. | Для каждой статьи из тренировочного датасета кодируются рубрики ГРНТИ 1-ого уровня числами от 0 до M-1, где M— число уникальных рубрик 2-ого уровня в тренировочных данных, сохраняем словарь, где ключи: рубрики ГРНТИ 2-ого уровня, а значения: кодировки рубрик | false | true | false | |
8,922 | 2026-02-24T09:10:13.392000Z | 2026-02-24T09:10:13.392000Z | Lec. | Ниже описан процесс обработки данных для дальнейшего обучения: | false | true | false | |
8,921 | 2026-02-24T09:10:11.928000Z | 2026-02-24T09:10:11.928000Z | Lec. | Специальные русскоязычные датасеты, специальная функция ошибки и объединение обучения трех разных моделей и приводят к такому высокому результату | false | true | false | |
8,920 | 2026-02-24T09:10:10.344000Z | 2026-02-24T09:10:10.344000Z | Lec. | Эта модель инициализирована из TatonkaHF/bge-m3_en_ru, которая является сокращенной версией модели baai/bge-m3 от Alibaba Cloud и специальным образом дообучена работе с русским языком | false | true | false | |
8,919 | 2026-02-24T09:10:08.492000Z | 2026-02-24T09:10:08.492000Z | Lec. | По результатам тестирования была выбрана лучшая модель deepvk/USER-bge-m3 | false | true | false | |
8,918 | 2026-02-24T09:10:06.955000Z | 2026-02-24T09:10:06.955000Z | Lec. | BGE-M3 (Byte-Level Global Encoder). 0.841 | false | false | false | |
8,917 | 2026-02-24T09:10:05.484000Z | 2026-02-24T09:10:05.484000Z | Lec. | USER-bge-m3 | false | false | false | |
8,916 | 2026-02-24T09:10:03.921000Z | 2026-02-24T09:10:03.921000Z | Lec. | DeBERTa. 0.698 | false | false | false | |
8,915 | 2026-02-24T09:10:02.233000Z | 2026-02-24T09:10:02.233000Z | Lec. | Language-agnostic BERT. 0.785 | false | true | false | |
8,914 | 2026-02-24T09:10:00.631000Z | 2026-02-24T09:10:00.631000Z | Lec. | LaBSE-turbo | false | false | false | |
8,913 | 2026-02-24T09:09:59.114000Z | 2026-02-24T09:09:59.114000Z | Lec. | BERT. 0.724. rubert-tiny-turbo | false | false | false | |
8,912 | 2026-02-24T09:09:57.603000Z | 2026-02-24T09:09:57.603000Z | Lec. | FRIDA. rubert-tiny-turbo | false | true | false | |
8,911 | 2026-02-24T09:09:55.813000Z | 2026-02-24T09:09:55.813000Z | Lec. | T5. cuda out of memory | false | false | false | |
8,910 | 2026-02-24T09:09:54.331000Z | 2026-02-24T09:09:54.331000Z | Lec. | Language-agnostic BERT. 0.796 | false | true | false | |
8,909 | 2026-02-24T09:09:52.709000Z | 2026-02-24T09:09:52.709000Z | Lec. | BERT. 0.723. rubert-tiny-2 | false | false | false | |
8,908 | 2026-02-24T09:09:51.018000Z | 2026-02-24T09:09:51.018000Z | Lec. | BERT. 0.801. rubert-base-cased. rubert-tiny-2 | false | false | false | |
8,907 | 2026-02-24T09:09:49.241000Z | 2026-02-24T09:09:49.241000Z | Lec. | Модель. rubert-base-cased | false | true | false | |
8,906 | 2026-02-24T09:09:47.284000Z | 2026-02-24T09:09:47.284000Z | Lec. | Семейство. f1_weighted | false | true | false | |
8,905 | 2026-02-24T09:09:45.612000Z | 2026-02-24T09:09:45.612000Z | Lec. | Таблица 3 – Таблица результатов работы моделей для получения рубрик ГРНТИ | false | true | false | |
8,904 | 2026-02-24T09:09:44.022000Z | 2026-02-24T09:09:44.022000Z | Lec. | Ниже представлены результаты исследования (таб. 3) | false | true | false | |
8,903 | 2026-02-24T09:09:42.304000Z | 2026-02-24T09:09:42.304000Z | Lec. | Также число эпох было ограничено 8 | false | true | false | |
8,902 | 2026-02-24T09:09:40.808000Z | 2026-02-24T09:09:40.808000Z | Lec. | В итоге число записей может незначительно отличаться от 7000 | false | true | false | |
8,901 | 2026-02-24T09:09:39.239000Z | 2026-02-24T09:09:39.239000Z | Lec. | При этом некоторые категории встречались в связке с другими, поэтому пришлось особо редкие классы защищать от удаления | false | true | false | |
8,900 | 2026-02-24T09:09:37.482000Z | 2026-02-24T09:09:37.482000Z | Lec. | Для сравнительного анализа моделей было осуществлено сокращение каждой категории первого уровня ГРНТИ до 7000 записей | false | true | false | |
8,899 | 2026-02-24T09:09:35.924000Z | 2026-02-24T09:09:35.924000Z | Lec. | Рисунок 6 – Качество работы моделей на бенчмарке MTEB | false | true | false | |
8,898 | 2026-02-24T09:09:34.213000Z | 2026-02-24T09:09:34.213000Z | Lec. | Лучшая модель бенчмарка —FRIDA, имеющая 0.8 млрд параметров, не помещается в видеокарту RTX 4060 | false | false | false | |
8,897 | 2026-02-24T09:09:32.338000Z | 2026-02-24T09:09:32.338000Z | Lec. | Подавляющее большинство моделей из лучших там составляют различные варианты LLM с миллиардами параметров | false | true | false | |
8,896 | 2026-02-24T09:09:30.614000Z | 2026-02-24T09:09:30.614000Z | Lec. | Также был проанализирован и русский вариант бенчмарка MTEB (рис. 6) | false | true | false | |
8,895 | 2026-02-24T09:09:28.678000Z | 2026-02-24T09:09:28.678000Z | Lec. | Было решено протестировать модели из данного бенчмарка | false | true | false | |
8,894 | 2026-02-24T09:09:26.972000Z | 2026-02-24T09:09:26.972000Z | Lec. | Рисунок 5 – Нагрузка моделей на бенчмарке Encodechka | false | false | false | |
8,893 | 2026-02-24T09:09:25.257000Z | 2026-02-24T09:09:25.257000Z | Lec. | Эти две задачи требуют получать эмбеддинги отдельных токенов, а не целых предложений; поэтому там участвуют не все модели | false | true | false | |
8,892 | 2026-02-24T09:09:23.456000Z | 2026-02-24T09:09:23.456000Z | Lec. | Распознавание именованных сущностей на датасетах factRuEval-2016 (NE1) и RuDReC (NE2) | false | true | false | |
8,891 | 2026-02-24T09:09:21.663000Z | 2026-02-24T09:09:21.664000Z | Lec. | В IC классификатор обучается на русских данных, а в ICX – на английских, а тестируется в обоих случаях на русских | false | true | false | |
8,890 | 2026-02-24T09:09:20.064000Z | 2026-02-24T09:09:20.064000Z | Lec. | Intent classification (IC) и ее кросс-язычная версия ICX на датасете NLU-evaluation-data, который я автоматически перевел на русский | false | true | false | |
8,889 | 2026-02-24T09:09:18.525000Z | 2026-02-24T09:09:18.525000Z | Lec. | Inappropriateness identification (II) на датасете Сколтеха; | false | true | false | |
8,888 | 2026-02-24T09:09:16.768000Z | 2026-02-24T09:09:16.768000Z | Lec. | Toxicity identification (TI) на датасете токсичных комментариев из OKMLCup; | false | true | false | |
8,887 | 2026-02-24T09:09:14.943000Z | 2026-02-24T09:09:14.943000Z | Lec. | Sentiment analysis (SA) на данных SentiRuEval2016 | false | true | false | |
8,886 | 2026-02-24T09:09:13.309000Z | 2026-02-24T09:09:13.309000Z | Lec. | Natural language inference (NLI) на датасете XNLI; | false | true | false | |
8,885 | 2026-02-24T09:09:11.820000Z | 2026-02-24T09:09:11.820000Z | Lec. | Paraphrase identification (PI) на основе датасета paraphraser.ru; | false | true | false | |
8,884 | 2026-02-24T09:09:10.037000Z | 2026-02-24T09:09:10.037000Z | Lec. | Semantic text similarity (STS) на основе переведенного датасета STS-B; | false | true | false | |
8,883 | 2026-02-24T09:09:08.277000Z | 2026-02-24T09:09:08.277000Z | Lec. | Данный бенчмарк включает в себя оценку быстродействия моделей, а также измеряет качество на задачах: | false | true | false | |
8,882 | 2026-02-24T09:09:06.479000Z | 2026-02-24T09:09:06.479000Z | Lec. | Был взят бенчмарк Encodechka (рис. 5), его идея в том, чтобы понять, как хорошо разные модели превращают короткие тексты в осмысленные векторы | false | true | false | |
8,881 | 2026-02-24T09:09:04.844000Z | 2026-02-24T09:09:04.844000Z | Lec. | Для выбора модели был осуществлен поиск бенчмарков для русскоязычных энкодеров текста | false | true | false | |
8,880 | 2026-02-24T09:09:03.198000Z | 2026-02-24T09:09:03.198000Z | Lec. | Была выдвинута гипотеза о том, что можно найти более мощную модель, обеспечивающую более высокую точность | false | true | false | |
8,879 | 2026-02-24T09:09:01.451000Z | 2026-02-24T09:09:01.451000Z | Lec. | В предыдущих версиях данной работы использовалась модель rubert-base-cased, представляющая собой вариант модели BERT, обученный на русской википедии | false | true | false | |
8,878 | 2026-02-24T09:08:59.875000Z | 2026-02-24T09:08:59.875000Z | Lec. | Использование метода zero-shot learning для классификации научных работ не показало высоких значений качества предсказаний, поэтому в дальнейшем были рассмотрены альтернативные варианты обучения | false | true | false | |
8,877 | 2026-02-24T09:08:58.147000Z | 2026-02-24T09:08:58.147000Z | Lec. | GigaChat. 0,2. 0,17. 0,23 | false | false | false | |
8,876 | 2026-02-24T09:08:56.388000Z | 2026-02-24T09:08:56.388000Z | Lec. | Mistral Large. 0,4. 0,41. 0,45 | false | false | false | |
8,875 | 2026-02-24T09:08:54.650000Z | 2026-02-24T09:08:54.650000Z | Lec. | Вид модели. f1_macro. f1_micro. f1_weighted | false | false | false | |
8,874 | 2026-02-24T09:08:52.442000Z | 2026-02-24T09:08:52.442000Z | Lec. | Таблица 2 – Усредненные метрики для оценки качества предсказаний моделей Mistral Large и GigaChat | false | false | false | |
8,873 | 2026-02-24T09:08:50.724000Z | 2026-02-24T09:08:50.724000Z | Lec. | Ниже представлена таблица с оценкой качества работы данных моделей для решения задачи многометочной классификации (табл. 2) | false | true | false | |
8,872 | 2026-02-24T09:08:48.901000Z | 2026-02-24T09:08:48.901000Z | Lec. | Для получения предсказаний на тестовой выборке были использованы модели Mistral Large и GigaChat | false | true | false | |
8,871 | 2026-02-24T09:08:47.042000Z | 2026-02-24T09:08:47.042000Z | Lec. | Рисунок 4 – Количество оставшихся текстов по рубрикам 1-го уровня ГРНТИ | false | true | false | |
8,870 | 2026-02-24T09:08:45.166000Z | 2026-02-24T09:08:45.166000Z | Lec. | Ниже приведен график распределения количества элементов по классам для каждого датасета (рис. 4) | false | true | false | |
8,869 | 2026-02-24T09:08:43.521000Z | 2026-02-24T09:08:43.521000Z | Lec. | Среди них были выбраны 100 элементов, так, чтобы в датасете содержались экземпляры каждого из оставшихся 32-х классов | false | true | false | |
8,868 | 2026-02-24T09:08:41.914000Z | 2026-02-24T09:08:41.914000Z | Lec. | Для составления тестового датасета рассматривались классы ГРНТИ 1-го уровня, которые содержат не менее 800 элементов | false | true | false | |
8,867 | 2026-02-24T09:08:40.328000Z | 2026-02-24T09:08:40.328000Z | Lec. | Рисунок 3 – Промт для multilabel классификации | false | true | false | |
8,866 | 2026-02-24T09:08:38.385000Z | 2026-02-24T09:08:38.385000Z | Lec. | Ниже приведен пример сформированного промта для решения задачи multilabel классификации (рис. 3): | false | true | false | |
8,865 | 2026-02-24T09:08:36.620000Z | 2026-02-24T09:08:36.620000Z | Lec. | Адаптивность: Возможность работы с изменяющимся набором категорий | false | true | false | |
8,864 | 2026-02-24T09:08:34.847000Z | 2026-02-24T09:08:34.847000Z | Lec. | Минимизация вычислительных затрат | false | true | false | |
8,863 | 2026-02-24T09:08:33.330000Z | 2026-02-24T09:08:33.330000Z | Lec. | Отсутствие необходимости в обучающей выборке; | false | true | false | |
8,862 | 2026-02-24T09:08:31.881000Z | 2026-02-24T09:08:31.881000Z | Lec. | Экономия ресурсов: | false | true | false | |
8,861 | 2026-02-24T09:08:30.392000Z | 2026-02-24T09:08:30.392000Z | Lec. | Основные преимущества Zero-Shot Learning для многометочной классификации: | false | true | false | |
8,860 | 2026-02-24T09:08:28.315000Z | 2026-02-24T09:08:28.315000Z | Lec. | Использование результатов для оценки качества предсказаний | false | true | false | |
8,859 | 2026-02-24T09:08:26.621000Z | 2026-02-24T09:08:26.621000Z | Lec. | Парсинг выходных данных; | false | true | false | |
8,858 | 2026-02-24T09:08:22.870000Z | 2026-02-24T09:08:22.870000Z | Lec. | Обработка входного текста языковой моделью через API; | true | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.