глибинне навчання

У статті описано дослідження ідентифікації фейкових новин на основі опрацювання природної мови, аналізу великих даних і технології глибокого навчання. Розроблена система автоматично перевіряє новини на наявність ознак фейкових новин, таких як використання маніпулятивної мови, неперевірених джерел і недостовірної інформації. Візуалізація даних реалізована на основі дружнього інтерфейсу користувача, який відображає результати аналізу новин у зручному та зрозумілому форматі.

Дослідження зосереджено на значній екологічній загрозі, яку становить цезій-137, побічний продукт ядерних аварій, промислової діяльності та минулих випробувань зброї. Стійкість цезію- 137 порушує екосистеми, забруднюючи ґрунт та воду, що у результаті впливає на здоров’я людей через харчовий ланцюг. Традиційні методи моніторингу, такі як гамма-спектроскопія та відбір проб ґрунту, стикаються з проблемами, серед яких варіативність та інтенсивне використання ресурсів.

У цій роботі досліджується використання систем діаризації, які застосовують передові алгоритми машинного навчання для точного виявлення та розділення різних спікерів в аудіозаписах для реалізації системи виявлення зловмисників. Порівнюються декілька передових моделей діаризації, зокрема NeMo від Nvidia, Pyannote та SpeechBrain. Ефективність цих моделей оцінюється за допомогою типових метрик, що використову- ються для систем діаризації, таких як коефіцієнт помилки діаризації (DER) та коефіцієнт помилки Жакара (JER). Система діаризації була протестована в різних аудіоумовах.