Статьи авторов группы «ИИ в Индустрии» AIRI вошли в топ-5 наиболее читаемых исследований в предметных областях журнала PeerJ Computer Science за 2022 год 👀
Рассказываем про статьи:
🔵 Первая статья посвящена задаче построения векторных представлений динамических графов. Такие представления полезны в задачах машинного обучения на графах и их приложениях, например, в рекомендательных системах или даже поиске мошенников на основе банковских транзакций.
В статье ученые дали классификацию методов построения векторных представлений, предложили новую модель, которая собрала лучшее из двух state-of-the-art моделей TGN и CAW, а также фреймворк, который позволяет корректно сравнивать разные модели на одинаковых наборах данных.
В исследовании принимали участие ученые из ВШЭ, МФТИ и Лаборатории ИИ Сбера.
🔵 Вторая статья посвящена различным способам интеграции рекуррентных блоков и механизмов внимания в задаче восстановления глубины без размеченных данных.
Ученые предложили ряд модификаций с использованием временной информации из предшествующих фреймов и новые нейросетевые архитектуры для оценки монокулярной глубины с помощью самообучения. Эксперименты с набором данных KITTI показали, что предлагаемые модификации могут быть эффективным инструментом для использования временной информации в предсказании глубины.
В исследовании принимали участие ученые из ВШЭ, ПОМИ РАН, Центра исследований больших данных НИТУ «МИСиС» и СПбГУ.
Читайте рубрику #AIRIPublished, в которой мы рассказываем про то, какие статьи выходят у наших ученых и советуем свежие публикации 🗞
Рассказываем про статьи:
В статье ученые дали классификацию методов построения векторных представлений, предложили новую модель, которая собрала лучшее из двух state-of-the-art моделей TGN и CAW, а также фреймворк, который позволяет корректно сравнивать разные модели на одинаковых наборах данных.
В исследовании принимали участие ученые из ВШЭ, МФТИ и Лаборатории ИИ Сбера.
Ученые предложили ряд модификаций с использованием временной информации из предшествующих фреймов и новые нейросетевые архитектуры для оценки монокулярной глубины с помощью самообучения. Эксперименты с набором данных KITTI показали, что предлагаемые модификации могут быть эффективным инструментом для использования временной информации в предсказании глубины.
В исследовании принимали участие ученые из ВШЭ, ПОМИ РАН, Центра исследований больших данных НИТУ «МИСиС» и СПбГУ.
Читайте рубрику #AIRIPublished, в которой мы рассказываем про то, какие статьи выходят у наших ученых и советуем свежие публикации 🗞