Текущий выпуск Номер 4, 2026 Том 18

Все выпуски

Результаты поиска по 'глубокое обучение':
Найдено статей: 29
  1. От редакции
    Компьютерные исследования и моделирование, 2022, т. 14, № 2, с. 209-212
  2. От редакции
    Компьютерные исследования и моделирование, 2020, т. 12, № 6, с. 1261-1264
  3. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 2, с. 245-248
  4. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 3, с. 581-584
  5. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 4, с. 821-823
  6. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 6, с. 1341-1343
  7. От редакции
    Компьютерные исследования и моделирование, 2026, т. 18, № 1, с. 5-8
  8. От редакции
    Компьютерные исследования и моделирование, 2026, т. 18, № 2, с. 205-208
  9. От редакции
    Компьютерные исследования и моделирование, 2026, т. 18, № 4, с. 741-745
  10. Ахмад У., Иванов В.
    Автоматизация построения банков высококачественных концептов с использованием больших языковых моделей и мультимодальных метрик
    Компьютерные исследования и моделирование, 2024, т. 16, № 7, с. 1555-1567

    Интерпретируемость моделей глубокого обучения стала центром исследований, особенно в таких областях, как здравоохранение и финансы. Модели с «бутылочным горлышком», используемые для выявления концептов, стали перспективным подходом для достижения прозрачности и интерпретируемости за счет использования набора известных пользователю понятий в качестве промежуточного представления перед слоем предсказания. Однако ручное аннотирование понятий не затруднено из-за больших затрат времени и сил. В нашей работе мы исследуем потенциал больших языковых моделей (LLM) для создания высококачественных банков концептов и предлагаем мультимодальную метрику для оценки качества генерируемых концептов. Мы изучили три ключевых вопроса: способность LLM генерировать банки концептов, сопоставимые с существующими базами знаний, такими как ConceptNet, достаточность унимодального семантического сходства на основе текста для оценки ассоциаций концептов с метками, а также эффективность мультимодальной информации для количественной оценки качества генерации концептов по сравнению с унимодальным семантическим сходством концепт-меток. Наши результаты показывают, что мультимодальные модели превосходят унимодальные подходы в оценке сходства между понятиями и метками. Более того, сгенерированные нами концепты для наборов данных CIFAR-10 и CIFAR-100 превосходят те, что были получены из ConceptNet и базовой модели, что демонстрирует способность LLM генерировать высококачественные концепты. Возможность автоматически генерировать и оценивать высококачественные концепты позволит исследователям работать с новыми наборами данных без дополнительных усилий.

    Ключевые слова: интерпретируемость, большие языковые модели, нейросети с «бутылочным горлышком», машинное обучение.
Страницы: следующая последняя »

Журнал индексируется в Scopus

Полнотекстовая версия журнала доступна также на сайте научной электронной библиотеки eLIBRARY.RU

Журнал входит в систему  Российского индекса научного цитирования.

Журнал включен в базу данных Russian Science Citation Index (RSCI) на платформе Web of Science

Международная Междисциплинарная Конференция "Математика. Компьютер. Образование"

Международная Междисциплинарная Конференция МАТЕМАТИКА. КОМПЬЮТЕР. ОБРАЗОВАНИЕ.

Website Copyright © 2009–2026 Институт компьютерных исследований