Персона:
Рыбка, Роман Борисович

Организационные подразделения

Организационная единица

Институт лазерных и плазменных технологий

Стратегическая цель Института ЛаПлаз – стать ведущей научной школой и ядром развития инноваций по лазерным, плазменным, радиационным и ускорительным технологиям, с уникальными образовательными программами, востребованными на российском и мировом рынке образовательных услуг.

Фамилия

Рыбка

Имя

Роман Борисович

Полная страница элемента

Результаты поиска

Теперь показываю 1 - 10 из 14

Только метаданные
Application of Machine Learning to Construct Solitons of Generalized Nonlinear Schrodinger Equation
(2024) Sboev, A. G.; Kudryashov, N. A.; Moloshnikov, I. A.; Nifontov, D. R.; Rybka, R. B.; Сбоев, Александр Георгиевич; Кудряшов, Николай Алексеевич; Молошников, Иван Александрович; Нифонтов, Даниил Романович; Рыбка, Роман Борисович
Открытый доступ
ПРОГРАММА НАСТРОЙКИ МОДЕЛИ ВЫДЕЛЕНИЯ СВЯЗАННЫХ ИМЕНОВАННЫХ СУЩНОСТЕЙ С ОЦЕНКОЙ ЕЁ ЭФФЕКТИВНОСТИ
(НИЯУ МИФИ, 2022) Молошников, И. А.; Сбоев, А. Г.; Селиванов, А. А.; Грязнов, А. В.; Рыльков, Г. В.; Рыбка, Р. Б.; Молошников, Иван Александрович; Сбоев, Александр Георгиевич; Рыбка, Роман Борисович
Программа предназначена для настройки модели выделения связанных именованных сущностей SpERT с расширением функциональности и включает в себя следующие процедуры: подготовка данных с использованием различных «токенизаторов», конвертация данных во внутренний формат системы SpERT из .json и обратно, векторное представление текстовых данных с использованием различных предварительно обученных языковых моделей, оценка модели выделения связанных именованных сущностей с учётом разрывной и пересекающейся разметки текстовых данных. В качестве входных данных программа использует файл .json, который представляет собой список, каждый объект в котором характеризует один входной текст. Такой объект содержит поля «text» (текст в исходном виде), entities (список выделенных в тексте сущностей), relations (список выделенных в тексте связей, используется для процедуры оценки модели). В качестве выходных данных программа представляет файл с предсказаннными связями между сущностями, отчёт по оценке эффективности модели.
Только метаданные
Deep Neural Networks Ensemble with Word Vector Representation Models to Resolve Coreference Resolution in Russian
(2020) Gryaznov, A.; Sboev, A.; Rybka, R.; Сбоев, Александр Георгиевич; Рыбка, Роман Борисович
© 2020, Springer Nature Switzerland AG.In this paper we present a novel neural networks ensemble to solve the task of coreference resolution in Russian texts. The ensemble consists of several neural networks, each based on recurrent Bidirectional long short-term memory layers (BiLSTM), attention mechanism, consistent scoring with selection of probable mentions and antecedents. The applied neural network topology has already shown state-of-the-art results in English for this task, and is now adapted for the Russian language. The resulting coreference markup is obtained by aggregating output scores from several blocks of independently trained neural network models. To represent an input source text, a combination of word vectors from two language models is used. We study the dependence of the coreference detection accuracy on various combinations of models of vector representation of words along with two tokenization approaches: gold markup or UDpipe tools. Finally, to show the improvement made by our ensemble approach, we present the results of experiments with both RuCor and AnCor datasets.
Открытый доступ
ПРОГРАММА МОДЕЛИРОВАНИЯ ОБУЧЕНИЯ СПАЙКОВОЙ СЕТИ С STDP С КОРРЕЛЯЦИОННЫМ КОДИРОВАНИЕМ ВХОДНЫХ ДАННЫХ
(Федеральное государственное бюджетное учреждение «Национальный исследовательский центр «Курчатовский институт», 2022) Серенко, А. В.; Сбоев, А. Г.; Рыбка, Р. Б.; Сбоев, Александр Георгиевич; Рыбка, Роман Борисович
Программа реализует решение типовых классификационных задач ирисов Фишера и Висконсинского рака груди путём обучения спайковой нейронной сети с синаптической пластичностью Spike-Timing-Dependent Plasticity (STDP). Входные данные кодируются взаимной корреляцией входных спайковых последовательностей. Результат классификации декодируется путём сравнения корреляции выходных последовательностей спайков со входными на тестовой выборке с распределением этих корреляций на обучающей выборке.
Только метаданные
Spiking neural network with local plasticity and sparse connectivity for audio classification
(2024) Rybka, R. B.; Vlasov, D. S.; Manzhurov, A. I.; Sboev, A. G.; Рыбка, Роман Борисович; Сбоев, Александр Георгиевич
Purpose. Studying the possibility of implementing a data classification method based on a spiking neural network, which has a low number of connections and is trained based on local plasticity rules, such as Spike-Timing-Dependent Plasticity. Methods. As the basic architecture of a spiking neural network we use a network included an input layer and layers of excitatory and inhibitory spiking neurons (Leaky Integrate and Fire). Various options for organizing connections in the selected neural network are explored. We have proposed a method for organizing connectivity between layers of neurons, in which synaptic connections are formed with a certain probability, calculated on the basis of the spatial arrangement of neurons in the layers. In this case, a limited area of connectivity leads to a higher sparseness of connections in the overall network. We use frequency-based coding of data into spike trains, and logistic regression is used for decoding. Results. As a result, based on the proposed method of organizing connections, a set of spiking neural network architectures with different connectivity coefficients for different layers of the original network was implemented. A study of the resulting spiking network architectures was carried out using the Free Spoken Digits dataset, consisting of 3000 audio recordings corresponding to 10 classes of digits from 0 to 9. Conclusion. It is shown that the proposed method of organizing connections for the selected spiking neural network allows reducing the number of connections by up to 60% compared to a fully connected architecture. At the same time, the accuracy of solving the classification problem does not deteriorate and is 0.92...0.95 according to the F1 metric. This matches the accuracy of standard support vector machine, k-nearest neighbor, and random forest classifiers. The source code for this article is publicly available: https://github.com/sag111/Sparse-WTA-SNN.
Только метаданные
Ensemble of spiking neural networks with STDP and temporal encoding for classification problems
(2025) Vlasov, D.; Sboev, A.; Rybka, R.; Davydov, Y. u.; Сбоев, Александр Георгиевич; Рыбка, Роман Борисович
Только метаданные
Analysis of neural network methods for obtaining soliton solutions of the nonlinear Schrodinger equation
(2025) Moloshnikov, I. A.; Sboev, A. G.; Kutukov, A. A.; Rybka, R. B.; Zavertyaev, S. V.; Молошников, Иван Александрович; Сбоев, Александр Георгиевич; Кутуков, Александр Алексеевич; Рыбка, Роман Борисович; Завертяев, Савелий Васильевич
Только метаданные
Image and Audio Data Classification Using Bagging Ensembles of Spiking Neural Networks with Memristive Plasticity
(2024) Rybka, R. B.; Davydov, Y.; Sboev, A.; Vlasov, D.; Рыбка, Роман Борисович; Сбоев, Александр Георгиевич
Только метаданные
Towards Solving Classification Tasks Using Spiking Neurons with Fixed Weights
(2023) Sboev, A. G.; Serenko, A. V.; Kunitsyn, D. E.; Rybka, R. B.; Сбоев, Александр Георгиевич; Рыбка, Роман Борисович
Только метаданные
Combining aggregated attention and transformer architecture for accurate and efficient performance of Spiking Neural Networks
(2025) Zhang, H.; Sboev, A.; Rybka, R.; Yu, Q.; Сбоев, Александр Георгиевич; Рыбка, Роман Борисович