Datasets:
alexanderpl
/
init2

Dataset card Data Studio Files
xet
Community
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
1,007
2026-02-23T10:50:09.104000Z
2026-02-23T10:50:09.104000Z
Lec.
Neural information processing systems foundation, 2017
false
false
false
1,006
2026-02-23T10:50:07.313000Z
2026-02-23T10:50:07.313000Z
Lec.
Attention Is All You Need // Adv
false
false
false
1,005
2026-02-23T10:50:05.572000Z
2026-02-23T10:50:05.572000Z
Lec.
Vaswani A. et al
false
false
false
1,004
2026-02-23T10:50:03.427000Z
2026-02-23T10:50:03.427000Z
Lec.
Vol. 5, No. 1
false
false
false
1,003
2026-02-23T10:50:01.821000Z
2026-02-23T10:50:01.821000Z
Lec.
E-flow Sciendo, 2020
false
false
false
1,002
2026-02-23T10:50:00.047000Z
2026-02-23T10:50:00.047000Z
Lec.
Automatic Classification of Swedish Metadata Using Dewey Decimal Classification: A Comparison of Approaches // J
false
false
false
1,001
2026-02-23T10:49:58.219000Z
2026-02-23T10:49:58.219000Z
Lec.
Golub K., Hagelbäck J., Ardö A
false
false
false
1,000
2026-02-23T10:49:56.384000Z
2026-02-23T10:49:56.384000Z
Lec.
ICML 2004. 2004
false
false
false
999
2026-02-23T10:49:54.838000Z
2026-02-23T10:49:54.838000Z
Lec.
Twenty-First Int
false
true
false
998
2026-02-23T10:49:53.030000Z
2026-02-23T10:49:53.030000Z
Lec.
Links between Perceptrons, MLPs and SVMs // Proc
false
false
false
997
2026-02-23T10:49:51.344000Z
2026-02-23T10:49:51.344000Z
Lec.
Collobert R., Bengio S
false
false
false
996
2026-02-23T10:49:49.653000Z
2026-02-23T10:49:49.653000Z
Lec.
Vol. 2, No. 3
false
false
false
995
2026-02-23T10:49:48.062000Z
2026-02-23T10:49:48.062000Z
Lec.
Technol. 2016
false
false
false
994
2026-02-23T10:49:46.441000Z
2026-02-23T10:49:46.441000Z
Lec.
A Survey on Classification Techniques in Internet Environment // Int
false
false
false
993
2026-02-23T10:49:44.647000Z
2026-02-23T10:49:44.647000Z
Lec.
Rawat A., Choubey A
false
false
false
992
2026-02-23T10:49:42.848000Z
2026-02-23T10:49:42.848000Z
Lec.
Vol. 22, No. 3
false
false
false
991
2026-02-23T10:49:41.460000Z
2026-02-23T10:49:41.460000Z
Lec.
Taylor & Francis, 2016
false
false
false
990
2026-02-23T10:49:39.890000Z
2026-02-23T10:49:39.890000Z
Lec.
Hypermedia Multimed
false
false
false
989
2026-02-23T10:49:38.088000Z
2026-02-23T10:49:38.088000Z
Lec.
An efficient scheme for automatic web pages categorization using the support vector machine // New Rev
false
false
false
988
2026-02-23T10:49:36.312000Z
2026-02-23T10:49:36.312000Z
Lec.
Bhalla V.K., Kumar N
true
false
false
987
2026-02-23T10:49:34.825000Z
2026-02-23T10:49:34.825000Z
Lec.
Web-based Appl
false
false
false
986
2026-02-23T10:49:33.057000Z
2026-02-23T10:49:33.057000Z
Lec.
Automatic news articles classification in Indonesian language by using Naive Bayes classifier method // iiWAS2009 - 11th Int
false
false
false
985
2026-02-23T10:49:31.179000Z
2026-02-23T10:49:31.179000Z
Lec.
Asy’arie A.D., Pribadi A.W
true
true
false
984
2026-02-23T10:49:29.530000Z
2026-02-23T10:49:29.530000Z
Lec.
Vol. 77, No. 3
false
false
false
983
2026-02-23T10:49:27.949000Z
2026-02-23T10:49:27.949000Z
Lec.
Emerald Group Holdings Ltd., 2021
false
false
false
982
2026-02-23T10:49:26.314000Z
2026-02-23T17:15:55.091000Z
Lec.
Automatic classification of older electronic texts into the Universal Decimal Classification—UDC // J
Automatic classification of older electronic texts into the Universal Decimal Classification—UDC//J
false
true
true
981
2026-02-23T10:49:24.726000Z
2026-02-23T10:49:24.726000Z
Lec.
Kragelj M., Kljajić Borštnar M
true
false
false
980
2026-02-23T10:49:23.189000Z
2026-02-23T10:49:23.189000Z
Lec.
Organ. 2006
false
false
false
979
2026-02-23T10:49:21.689000Z
2026-02-23T10:49:21.689000Z
Lec.
UDC in Subject Gateways: Experiment or Opportunity? // Knowl
false
true
false
978
2026-02-23T10:49:19.796000Z
2026-02-23T10:49:19.796000Z
Lec.
P. 85595—85605
false
false
false
977
2026-02-23T10:49:18.129000Z
2026-02-23T10:49:18.129000Z
Lec.
Institute of Electrical and Electronics Engineers Inc., 2022
false
false
false
976
2026-02-23T10:49:16.387000Z
2026-02-23T10:49:16.387000Z
Lec.
A Hybrid Approach to Recommending Universal Decimal Classification Codes for Cataloguing in Slovenian Digital Libraries // IEEE Access
false
false
false
975
2026-02-23T10:49:14.642000Z
2026-02-23T10:49:14.642000Z
Lec.
Borovic M., Ojstersek M., Strnad D
true
false
false
974
2026-02-23T10:49:12.924000Z
2026-02-23T10:49:12.924000Z
Lec.
Institute of Electrical and Electronics Engineers Inc., 2016
false
false
false
973
2026-02-23T10:49:11.218000Z
2026-02-23T10:49:11.218000Z
Lec.
Control Commun
false
false
false
972
2026-02-23T10:49:09.618000Z
2026-02-23T16:57:12.895000Z
Lec.
Research of neural networks application efficiency in automatic scientific articles classification according to UDC // 2016 Int
Research of neural networks application efficiency in automatic scientific articles classification according to UDC//2016 Int
false
true
true
971
2026-02-23T10:49:07.622000Z
2026-02-23T10:49:07.622000Z
Lec.
Romanov A.Y. et al
false
false
false
970
2026-02-23T10:49:05.821000Z
2026-02-23T10:49:05.821000Z
Lec.
Vol. 73, No. 7
false
false
false
969
2026-02-23T10:49:04.032000Z
2026-02-23T10:49:04.032000Z
Lec.
Elsevier, 2008
false
false
false
968
2026-02-23T10:49:02.310000Z
2026-02-23T16:07:14.361000Z
Lec.
Linear and logistic regression analysis // Kidney Int
Linear and logistic regression analysis // Kidney Int
false
true
true
967
2026-02-23T10:49:00.324000Z
2026-02-23T10:49:00.324000Z
Lec.
Tripepi G. et al
false
false
false
966
2026-02-23T10:48:58.855000Z
2026-02-23T10:48:58.855000Z
Lec.
Vol. 49, No. 4
false
false
false
965
2026-02-23T10:48:57.081000Z
2026-02-23T10:48:57.081000Z
Lec.
Pleiades Publishing, 2022
false
false
false
964
2026-02-23T10:48:55.300000Z
2026-02-23T10:48:55.300000Z
Lec.
Transformation of Thematic Profiles of Serial Publications in an Information Center Documents Input System: Case Study of the VINITI RAS Database // Sci
false
true
false
963
2026-02-23T10:48:53.587000Z
2026-02-23T10:48:53.587000Z
Lec.
V., Domnina T.N
true
false
false
962
2026-02-23T10:48:51.689000Z
2026-02-23T10:48:51.689000Z
Lec.
Soloshenko N.S., Fedorets O
true
false
false
961
2026-02-23T10:48:50.169000Z
2026-02-23T10:48:50.169000Z
Lec.
Technol. 2019
false
false
false
960
2026-02-23T10:48:48.545000Z
2026-02-23T10:48:48.545000Z
Lec.
Text Classification Performance Analysis on Machine Learning // MATTER Int
false
false
false
959
2026-02-23T10:48:46.802000Z
2026-02-23T10:48:46.802000Z
Lec.
Kumar R., Reddy M., Pappula P
true
false
false
958
2026-02-23T10:48:45.160000Z
2026-02-23T10:48:45.160000Z
Lec.
Vol. 8, No. 1
false
false
false
957
2026-02-23T10:48:43.570000Z
2026-02-23T10:48:43.570000Z
Lec.
Palgrave, 2021
false
false
false
956
2026-02-23T10:48:41.764000Z
2026-02-23T10:48:41.764000Z
Lec.
Commun. 2021 81
false
false
false
955
2026-02-23T10:48:40.063000Z
2026-02-23T10:48:40.063000Z
Lec.
Growth rates of modern science: a latent piecewise growth curve approach to model publication numbers from established and new literature databases // Humanit
false
false
false
954
2026-02-23T10:48:38.145000Z
2026-02-23T10:48:38.145000Z
Lec.
Bornmann L., Haunschild R., Mutz R
false
false
false
953
2026-02-23T10:48:36.471000Z
2026-02-23T10:48:36.471000Z
Lec.
P. 1953—1967
false
false
false
952
2026-02-23T10:48:34.786000Z
2026-02-23T10:48:34.786000Z
Lec.
Vol. 127, No. 4
false
false
false
951
2026-02-23T10:48:32.678000Z
2026-02-23T10:48:32.678000Z
Lec.
Scientometrics, 2022
false
false
false
950
2026-02-23T10:48:30.872000Z
2026-02-23T13:24:53.453000Z
Lec.
How to catch trends using MeSH terms analysis? // Scientometrics
How to catch trends using MeSH terms analysis? // Scientometrics.
false
true
true
949
2026-02-23T10:48:29.157000Z
2026-02-23T10:48:29.157000Z
Lec.
Ilgisonis E
false
false
false
948
2026-02-23T10:48:27.537000Z
2026-02-23T10:48:27.537000Z
Lec.
Vol. 84, No. 3
false
false
false
947
2026-02-23T10:48:25.615000Z
2026-02-23T10:48:25.615000Z
Lec.
Scientometrics, 2010
false
false
false
946
2026-02-23T10:48:23.789000Z
2026-02-23T18:21:34.673000Z
Lec.
The rate of growth in scientific publication and the decline in coverage provided by Science Citation Index // Scientometrics
The rate of growth in scientific publications and the decline in coverage provided by Science Citation Index // Scientometrics
false
true
true
945
2026-02-23T10:48:22.046000Z
2026-02-23T10:48:22.046000Z
Lec.
Larsen P.O., von Ins M
true
false
false
944
2026-02-23T10:48:20.440000Z
2026-02-23T10:48:20.440000Z
Lec.
Vol. 56, No. 4
false
false
false
943
2026-02-23T10:48:18.495000Z
2026-02-23T10:48:18.495000Z
Lec.
Springer, 2022
false
false
false
942
2026-02-23T10:48:16.756000Z
2026-02-23T10:48:16.756000Z
Lec.
Linguist. 2022 564
false
false
false
941
2026-02-23T10:48:15.075000Z
2026-02-23T10:48:15.076000Z
Lec.
Benefits of Using Open Access: Citation Analysis // Autom
false
true
false
940
2026-02-23T10:48:13.211000Z
2026-02-23T10:48:13.211000Z
Lec.
Komaritsa V.N
true
false
false
939
2026-02-23T10:48:11.825000Z
2026-02-23T10:48:11.825000Z
Lec.
Улучшение качества предсказаний рубрик 2-го уровня, использование моделей машинного обучения для предсказания 3-го уровня ГРНТИ
false
true
false
938
2026-02-23T10:48:10.010000Z
2026-02-23T18:26:47.287000Z
Lec.
Использование FAISS [27] для получения фиксированного числа классов ГРНТИ
Использование FAISS [27] для поиска наиболее близких к заданным точкам в пространстве ГРНТИ
false
true
true
937
2026-02-23T10:48:08.044000Z
2026-02-23T16:59:39.496000Z
Lec.
Использование метода Dual Contrastive Learning для обучения BERT при предсказании рубрик 1-го уровня
Использование метода "Dual Contrastive Learning" для обучения BERT при предсказании рубрик 1-го уровня.
false
true
true
936
2026-02-23T10:48:06.291000Z
2026-02-23T10:48:06.291000Z
Lec.
Перспективы дальнейшей работы:
false
true
false
935
2026-02-23T10:48:04.384000Z
2026-02-23T13:47:18.290000Z
Lec.
Изучение метода Dual Contrastive Learning показало перспективность его использования для решения задачи multilabel классификации
Изучение метода Dual Contrastive Learning показало перспективность его использования для решения задачи многозначной классификации.
false
true
true
934
2026-02-23T10:48:02.650000Z
2026-02-23T10:48:02.650000Z
Lec.
Анализ плоского и иерархического подходов показал, что для рассматриваемого тренировочного и тестового датасета лучшие значения метрик достигаются при использовании плоского классификатора для 2-го уровня ГРНТИ
false
true
false
933
2026-02-23T10:48:00.980000Z
2026-02-23T18:14:24.612000Z
Lec.
Cравнение методов обучения подтвердило преимущество использования метода LoRA по сравнению с обучением только слоя классификации для предсказания первого уровня ГРНТИ
Cравнение методов обучения подтвердило преимущество использования метода LoRA по сравнению с обучением только слоя классификации для предсказания первого уровня ГРН
false
true
true
932
2026-02-23T10:47:59.419000Z
2026-02-23T13:29:41.925000Z
Lec.
Эксперименты по предобработке данных показали, что использование расшифровок сокращений из словаря ВИНИТИ РАН для тренировочных данных не приводит к улучшению качества предсказаний моделей
Эксперименты по предобработке данных показали, что использование расшифровок сокращений из словаря ВНИИТИ РАН для тренировочных данных не приводит к улучшению качества предсказаний моделей.
false
true
true
931
2026-02-23T10:47:57.607000Z
2026-02-23T15:58:10.154000Z
Lec.
Разработанное программное обеспечение обеспечило полный цикл обработки данных: от предобработки текстов до обучения и оценки моделей, включает методы LoRA, Warmup steps, BCEWithLogitsLoss и AdamW для ускорения, улучшения процесса обучения моделей
Разработанное программное обеспечение обеспечило полный цикл обработки данных: от предобработки текстов до обучения и оценки моделей, включает методы LoRA, warmup steps, BCEWithLogitsLoss и AdamW для ускорения и улучшения процесса обучения моделей.
false
true
true
930
2026-02-23T10:47:55.735000Z
2026-02-23T10:47:55.735000Z
Lec.
Анализ существующих решений для классификации по рубрикам ГРНТИ показал, что существующие решения для русскоязычных текстов осуществляют классификацию до 2-го уровня ГРНТИ, что недостаточно для полноценной классификации текстов
false
true
false
929
2026-02-23T10:47:53.949000Z
2026-02-23T13:33:27.820000Z
Lec.
Особое внимание было уделено сравнению плоских и иерархических подходов, а также специфике multilabel классификации
Особое внимание было уделено сравнению плоских и иерархических подходов, а также специфике мультилэйбл классификации
false
true
true
928
2026-02-23T10:47:52.125000Z
2026-02-23T13:26:32.246000Z
Lec.
Теоретический анализ позволил систематизировать современные методы классификации в машинном обучении, выделив их сильные и слабые стороны применительно к задаче автоматической рубрикации научных статей
Теоретический анализ позволил систематизировать современные методы классификации в машинном обучении, выделив их сильные и слабые стороны применительно к задаче автоматизированной рубрикации научных статей.
false
true
true
927
2026-02-23T10:47:50.246000Z
2026-02-23T10:47:50.246000Z
Lec.
При прохождении производственной практики были получены следующие ключевые результаты:
false
true
false
926
2026-02-23T10:47:48.548000Z
2026-02-23T10:47:48.548000Z
Lec.
Для решения задачи multilabel классификации рубрик ГРНТИ 1-го уровня в рамках выполнения ВКР планируется проведение экспериментов по использованию данного метода при обучении модели BERT
false
true
false
925
2026-02-23T10:47:46.693000Z
2026-02-23T10:47:46.693000Z
Lec.
Цель: сделать представления данных ближе к представлениям меток, которые им соответствуют
false
true
false
924
2026-02-23T10:47:44.800000Z
2026-02-23T10:47:44.800000Z
Lec.
Сравнивает представления данных с представлениями их меток
true
true
false
923
2026-02-23T10:47:42.804000Z
2026-02-23T10:47:42.804000Z
Lec.
Контрастная потеря между данными и метками (Data-Label Contrastive Loss):
false
false
false
922
2026-02-23T10:47:40.907000Z
2026-02-23T10:47:40.907000Z
Lec.
Цель: сделать представления похожих данных ближе, а разных — дальше
false
true
false
921
2026-02-23T10:47:39.376000Z
2026-02-23T10:47:39.376000Z
Lec.
Сравнивает представления самих данных (например, текстов или изображений)
false
false
false
920
2026-02-23T10:47:37.817000Z
2026-02-23T10:47:37.817000Z
Lec.
Контрастная потеря между данными (Data-Data Contrastive Loss):
false
true
false
919
2026-02-23T10:47:35.994000Z
2026-02-23T13:40:44.867000Z
Lec.
В случае Dual-Contrastive Learning, данная идея расширяется за счет использования двух типов функций контрастных потерь, что позволяет модели лучше учитывать как семантику данных, так и информацию о метках (labels):
В случае Dual-Contrastive Learning данная идея расширяется за счет использования двух типов функций контрастных потерь, что позволяет моделям лучше учитывать как семантику данных, так и информацию о метках (labels):
false
true
true
918
2026-02-23T10:47:34.145000Z
2026-02-23T10:47:34.145000Z
Lec.
Он основан на идее контрастного обучения: модель учится различать похожие (положительные) и разные (отрицательные) примеры
false
true
false
917
2026-02-23T10:47:32.675000Z
2026-02-23T10:47:32.675000Z
Lec.
Dual-Contrastive Learning (DCL) [Exploiting Dual Contrastive Learning Algorithm for Scientific Texts Classification] — метод обучения, который используется для улучшения качества представлений (embeddings) в задачах машинного обучения, в том числе в задачах классификации
false
true
false
916
2026-02-23T10:47:30.810000Z
2026-02-23T10:47:30.810000Z
Lec.
График зависимости f1 от threshold на тестовом датасете при использовании иерархического классификатора
false
true
false
915
2026-02-23T10:47:28.757000Z
2026-02-23T13:31:06.943000Z
Lec.
График зависимости f1 от threshold на тестовом датасете при использовании плоского классификатора
График зависимости f1 от threshold на тестовом датасете при использовании плоского классификатора.
false
true
true
914
2026-02-23T10:47:27.013000Z
2026-02-23T13:49:36.202000Z
Lec.
Графики для результатов тестирования при использовании плоского классификатора (рис. 15) и иерархического (рис. 16) представлены ниже
Графики для результатов тестирования при использовании плоского классификатора (на рис. 15) и иерархического (на рис. 16) представлены ниже.
false
true
true
913
2026-02-23T10:47:25.375000Z
2026-02-23T10:47:25.375000Z
Lec.
Иерархический классификатор. 0.3. 0.42. 0.54. 0.51
false
false
false
912
2026-02-23T10:47:23.834000Z
2026-02-23T10:47:23.834000Z
Lec.
Плоский классификатор. 0.25. 0.47. 0.57. 0.54
false
false
false
911
2026-02-23T10:47:22.313000Z
2026-02-23T10:47:22.313000Z
Lec.
Таблица 4 — Метрики в зависимости от вида классификатора: плоский и иерархический
false
false
false
910
2026-02-23T10:47:19.939000Z
2026-02-23T10:47:19.939000Z
Lec.
Ниже представлена таблица с результатами для метрик для плоского и иерархического классификатора при обучении в течение 8 эпох (таб. 4).­. ­­­­
false
true
false
909
2026-02-23T10:47:18.231000Z
2026-02-23T10:47:18.231000Z
Lec.
Диаграмма работы иерархического классификатора
false
true
false
908
2026-02-23T10:47:16.087000Z
2026-02-23T13:39:00.342000Z
Lec.
Текстовые данные статьи вместе с названием первой рубрики ГРНТИ подаются на вход второй модели BERT, которая использует предоставленную информацию для предсказания
Текстовые данные статьи вместе с названием первой рубрики ГРН подаются на вход второй модели BERT, которая использует предоставленную информацию для предсказания
false
true
true