id int64 18 21.1k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 16:54:39 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 16:54:39 | 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 |
|---|---|---|---|---|---|---|---|---|
9,007 | 2026-02-24T09:12:44.146000Z | 2026-02-24T09:12:44.146000Z | Lec. | Роль в проекте: Стажер | false | true | false | |
9,006 | 2026-02-24T09:12:42.372000Z | 2026-02-24T09:12:42.372000Z | Lec. | Email: tvetsenkova@edu.hse.ru | true | false | false | |
9,005 | 2026-02-24T09:12:40.627000Z | 2026-02-24T09:12:40.627000Z | Lec. | Телефон: +79292825140 | true | false | false | |
9,004 | 2026-02-24T09:12:39.109000Z | 2026-02-24T09:12:39.109000Z | Lec. | Еценкова Татьяна, группа БИТ233 | true | false | false | |
9,003 | 2026-02-24T09:12:37.475000Z | 2026-02-24T09:12:37.475000Z | Lec. | Роль в проекте: ML-разработчик | false | true | false | |
9,002 | 2026-02-24T09:12:35.882000Z | 2026-02-24T09:12:35.882000Z | Lec. | Email: aagorbuntsov@edu.hse.ru | true | false | false | |
9,001 | 2026-02-24T09:12:34.480000Z | 2026-02-24T09:12:34.480000Z | Lec. | Телефон: +79167127207 | true | false | false | |
9,000 | 2026-02-24T09:12:32.974000Z | 2026-02-24T09:12:32.974000Z | Lec. | Горбунцов Александр, группа МКС244 | true | true | false | |
8,999 | 2026-02-24T09:12:31.365000Z | 2026-02-24T09:12:31.365000Z | Lec. | Роль в проекте: ML-разработчик, тимлид команды | false | true | false | |
8,998 | 2026-02-24T09:12:29.309000Z | 2026-02-24T09:12:29.309000Z | Lec. | Часов работы: | false | true | false | |
8,997 | 2026-02-24T09:12:27.786000Z | 2026-02-24T09:12:27.786000Z | Lec. | Часов работы:. проведена работа над CLI на click. реализована интеграция backend в CLI в интерфейс для развертывания приложений | false | true | false | |
8,996 | 2026-02-24T09:12:26.057000Z | 2026-02-24T09:12:26.057000Z | Lec. | Часов работы:. разработан модуль предобработки данных. проведено интегрирование в систему предобработки данных функции, которые используются для 1-го и 2-го уровня, внесены изменения для обработки данных 3-го уровня. ссоздан постер для постерной сессии. подготовка документации для защиты проекта | false | false | false | |
8,995 | 2026-02-24T09:12:24.235000Z | 2026-02-24T09:12:24.235000Z | Lec. | Часов работы:. создание обзора архитектур нейронных сетей для классификации. проведено тестирование ruBERT-tiny2. написаны тезисы для конференции Арменского. настройки тестирования GigaChat API. проведено тестирование rubert-tiny-turbo. проведено тестирование RoBERTa | false | false | false | |
8,994 | 2026-02-24T09:12:22.216000Z | 2026-02-24T09:12:22.216000Z | Lec. | Совместно выполнено: | false | true | false | |
8,993 | 2026-02-24T09:12:19.520000Z | 2026-02-24T09:12:19.520000Z | Lec. | Всего выполнено карточек: | false | true | false | |
8,992 | 2026-02-24T09:12:17.174000Z | 2026-02-24T09:12:17.174000Z | Lec. | Разработка веб-интерфейса (реализация бэкенда и фронтенда) | false | true | false | |
8,991 | 2026-02-24T09:12:15.635000Z | 2026-02-24T09:12:15.635000Z | Lec. | Проведение сравнительного анализа иерархического и плоского классификаторов для 2-го уровня ГРНТИ | false | true | false | |
8,990 | 2026-02-24T09:12:13.824000Z | 2026-02-24T09:12:13.824000Z | Lec. | Проведение экспериментов по улучшению предсказаний 3-го уровня ГРНТИ с использованием результатов для 1-го и 2-го уровней | false | true | false | |
8,989 | 2026-02-24T09:12:12.235000Z | 2026-02-24T09:12:12.235000Z | Lec. | Проведение экспериментов с использованием словаря сокращений ВИНИТИ РАН | false | true | false | |
8,988 | 2026-02-24T09:12:10.540000Z | 2026-02-24T09:12:10.540000Z | Lec. | Проведение экспериментов по применению метода zero-shot learning для multilabel-классификации | false | true | false | |
8,987 | 2026-02-24T09:12:08.664000Z | 2026-02-24T09:12:08.664000Z | Lec. | Разработка программного обеспечения для обучения языковых моделей, обработки данных и анализа результатов классификации | false | true | false | |
8,986 | 2026-02-24T09:12:06.914000Z | 2026-02-24T09:12:06.914000Z | Lec. | Исследование методов классификации научных работ с использованием машинного обучения | false | true | false | |
8,985 | 2026-02-24T09:12:05.368000Z | 2026-02-24T09:12:05.368000Z | Lec. | Второй. 0.45. 0.758. 0.802. 0.799 | false | false | false | |
8,984 | 2026-02-24T09:12:03.785000Z | 2026-02-24T09:12:03.785000Z | Lec. | Первый. 0.5. 0.864. 0.881. 0.880 | false | false | false | |
8,983 | 2026-02-24T09:12:02.078000Z | 2026-02-24T09:12:02.078000Z | Lec. | Уровень ГРНТИ | false | false | false | |
8,982 | 2026-02-24T09:12:00.606000Z | 2026-02-24T09:12:00.606000Z | Lec. | Таблица 8 – Метрики для классификатора на основе USER-bge-m3 | false | false | false | |
8,981 | 2026-02-24T09:11:58.818000Z | 2026-02-24T09:11:58.818000Z | Lec. | Представлен итоговый результат работы классификатора на основе модели USER-bge-m3 (таб. 8) | false | true | false | |
8,980 | 2026-02-24T09:11:57.022000Z | 2026-02-24T09:11:57.022000Z | Lec. | Классификатор обучался на основе лучшей модели, выявленной в ходе сравнительного тестирования, а также был взят наиболее эффективный метод из представленных выше | false | true | false | |
8,979 | 2026-02-24T09:11:55.407000Z | 2026-02-24T09:11:55.407000Z | Lec. | Со всеми рубриками (взвешенные вероятности). 0.2. 0.2. 0.2. 0.35 | false | false | false | |
8,978 | 2026-02-24T09:11:53.733000Z | 2026-02-24T09:11:53.733000Z | Lec. | Со всеми рубриками. 0.1. 0.001. 0.005. 0.005 | false | false | false | |
8,977 | 2026-02-24T09:11:52.003000Z | 2026-02-24T09:11:52.003000Z | Lec. | С сокращенным числом рубрик. 0.5. 0.55. 0.64. 0.61 | false | false | false | |
8,976 | 2026-02-24T09:11:50.271000Z | 2026-02-24T09:11:50.271000Z | Lec. | Вариант датасета | false | true | false | |
8,975 | 2026-02-24T09:11:48.390000Z | 2026-02-24T09:11:48.390000Z | Lec. | Таблица 7 – Результаты проведения исследования по предсказанию 3-го уровня ГРНТИ | false | true | false | |
8,974 | 2026-02-24T09:11:46.560000Z | 2026-02-24T09:11:46.560000Z | Lec. | Результаты работы классификатора были оценены на тестовом датасете, содержащем все рубрики для классификации и датасете, содержащем только рубрики, находящиеся в тренировочных данных (таб. 7) | false | true | false | |
8,973 | 2026-02-24T09:11:44.558000Z | 2026-02-24T09:11:44.558000Z | Lec. | Рисунок 20 – Диаграмма с параллельными координатами зависимости качества предсказания от значений | false | true | false | |
8,972 | 2026-02-24T09:11:42.550000Z | 2026-02-24T09:11:42.550000Z | Lec. | Результаты применения подхода для валидационного датасета представлены ниже (рис. 20) | false | true | false | |
8,971 | 2026-02-24T09:11:39.627000Z | 2026-02-24T09:11:39.627000Z | Lec. | Устойчивость к ошибкам: Если модель нижнего уровня выдает низкую вероятность для определенного класса, решение может быть скорректировано вышестоящими уровнями | false | true | false | |
8,970 | 2026-02-24T09:11:38.004000Z | 2026-02-24T09:11:38.004000Z | Lec. | Гибкость: Веса позволяют регулировать влияние каждого уровня | false | true | false | |
8,969 | 2026-02-24T09:11:36.275000Z | 2026-02-24T09:11:36.275000Z | Lec. | Учет контекста иерархии: Для модели нижнего уровня корректирует свои предсказания, благодаря предсказаниям моделей для более общих категорий | false | true | false | |
8,968 | 2026-02-24T09:11:34.727000Z | 2026-02-24T09:11:34.727000Z | Lec. | Преимущества подхода: | false | true | false | |
8,967 | 2026-02-24T09:11:32.991000Z | 2026-02-24T09:11:32.991000Z | Lec. | Аналогично для связи вероятностей 1-го и 2-го уровня | false | true | false | |
8,966 | 2026-02-24T09:11:30.956000Z | 2026-02-24T09:11:30.956000Z | Lec. | Если класс 3-го уровня принадлежит классу 2-го уровня, то вероятность класса 3-го уровня, умноженная на добавляется к вероятности второго уровня, умноженной на | false | true | false | |
8,965 | 2026-02-24T09:11:28.877000Z | 2026-02-24T09:11:28.877000Z | Lec. | Механизм распространения вероятностей: | false | true | false | |
8,964 | 2026-02-24T09:11:27.333000Z | 2026-02-24T09:11:27.333000Z | Lec. | Зададим следующие коэффициенты для учета вероятностей с каждого уровня ГРНТИ:. — вес оригинальных предсказаний 3-го уровня;. — вклад предсказаний 2-го уровня;. — вклад предсказаний 1-го уровня | false | true | false | |
8,963 | 2026-02-24T09:11:25.680000Z | 2026-02-24T09:11:25.680000Z | Lec. | Используя информацию от вышестоящих уровней, можно рассчитать взвешенную сумму вероятностей для корректировки предсказаний модели 3-го уровня | false | true | false | |
8,962 | 2026-02-24T09:11:24.104000Z | 2026-02-24T09:11:24.104000Z | Lec. | Как упоминалось ранее, классы организованы в древовидную иерархию, поэтому мы можем построить связи между классами для разных уровней классификации и использовать предсказания с более высоких уровней классификации для корректировки вероятностей для 3-го уровня ГРНТИ | false | true | false | |
8,961 | 2026-02-24T09:11:22.373000Z | 2026-02-24T09:11:22.373000Z | Lec. | Для этого тестовых датасет был разделен на валидационную выборку, состоящую из 40000 экземпляров и выборку для тестирования из 126183 элементов | false | true | false | |
8,960 | 2026-02-24T09:11:20.052000Z | 2026-02-24T09:11:20.052000Z | Lec. | Для улучшения качества предсказаний был рассмотрен подход вероятностного объединение предсказаний на разных уровнях иерархии классов | false | true | false | |
8,959 | 2026-02-24T09:11:18.484000Z | 2026-02-24T09:11:18.484000Z | Lec. | На тестовом датасесте, состоящем из всех рубрик ГРНТИ было достигнуто малое значение метрик классификации: f1 macro: 0.001, f1 micro: 0.005, f1 weighted: 0.005 | false | false | false | |
8,958 | 2026-02-24T09:11:16.739000Z | 2026-02-24T09:11:16.739000Z | Lec. | Результаты работы классификатора были оценены на тестовом датасете, содержащем все рубрики для классификации и датасете, содержащем только рубрики, находящиеся в тренировочных данных | false | true | false | |
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 |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.