нейронні мережі

This paper investigates the capability of a system based on voice embeddings to identify speakers. We use a set of audio recordings from five speakers and construct clips of varying durations – 5 to 600 seconds. Pyannote-audio embeddings are extracted by a neural network, after which similarity coefficients are computed between embeddings of clips from the same speaker (intra-speaker similarity) and from different speakers (inter-speaker dissimilarity).

Виявлення та ідентифікація включень при моделюванні стаціонарних процесів є важливою задачею в багатьох технічних галузях, зокрема, матеріалознавстві, електроніці та неруйнівному контролі. Наявність включень може впливати на механічні, теплові та електричні властивості матеріалу, а тому точність визначення їхніх геометричних та фізичних характеристик є важливою. Використання сучасних чисельних методів та методів глибинного навчання відкриває нові можливості для покращення ефективності та точності прогнозування результатів.

Робота присвячена дослідженню великих мовних моделей (ВММ) та підходів для підвищення ефективності їх використання у новому сервісі. Стрімкий розвиток ВММ, заснованих на архітектурі трансформерів, відкрив нові можливості в галузі обробки природної мови та автоматизації різноманітних завдань. Однак, використання повного потенціалу цих моделей вимагає ретельного підходу та врахування численних факторів.

Досліджено системи комп’ютерного діагностування: архітектури, методи та алгоритми для діагностування онкологічних захворювань, зокрема раку молочної залози, легень, пухлин мозку та інших.

Здійснено аналіз та порівняння традиційних і нейромережевих методів для завдань сегментації та класифікації зображень, проаналізовано засоби діагностування в медицині.

Досліджено основні підходи до опрацювання медичних зображень, зокрема проаналізовано методи сегментації на основі U-Net мереж та класифікації із використанням згорткових нейронних мереж.

Досліджено використання моделей машинного навчання для прогнозування електроспоживання інтелектуальної мережі. З’ясовано, що попереднє оброблення даних збільшує продуктивність моделі прогнозування споживання енергії, а методи машинного навчання підвищують її точність завдяки інтеграції кількох алгоритмів та оптимізації гіперпараметрів. Виявлено, що ансамблева модель, яка поєднує низку моделей із різними структурними характеристиками, забезпечує вищу точність прогнозування, ніж кожна модель зокрема. Запропоновано вибір базових моделей із різною будовою: лінійні, рекурсивні, деревоподібні.

Об’єктом дослідження в цій роботі є процес суб’єктивного сприйняття підтримуваних програмних комплексів чи процесів їх підтримки відповідними суб’єктами, що прямо чи опосередковано взаємодіють із цими підтримуваними програмними комплексами.

The main purpose of the article is to describe state-of-the-art approaches to speech separation and de- monstrate the structures and challenges of building and training such systems. Designing efficient optimized neural network model for speech recognition requires using encoder-decoder model structure with masks estimation flow. The fully-convolutinoal SuDoRM-Rf model demonst- rates the high efficiency with relatively small number of parameters and can be boosted with accelerators, that supports convolutional operations.