Программные продукты и системы

В исследовании анализируется эффективность использования нейронной сети LogNNet на примере классификации отчетов в системе отслеживания задач GitHub Issues. В большинстве подходов к решению поставленной задачи применяются более сложные модели естественного языка, такие как BERT, FastText, CatIss и другие. В данном исследовании использовано шесть стандартных методов машинного обучения и метод LogNNet. Применен одномодальный подход к решению поставленной задачи. Эти особенности позволяют снизить потребление вычислительных ресурсов.

Метод LogNNet показал результаты немногим хуже остальных методов, но при очень небольших затратах оперативной памяти. Поэтому использование LogNNet для решения аналогичных задач может быть оправданным только на устройствах с небольшим объемом доступной оперативной памяти, таких как микроконтроллеры и мини-компьютеры.

Подробное описание дается в статье «Классификация отчетов GitHub с использованием резервуарной нейронной сети LogNNet», авторы Ковин А.М. (Институт прикладных математических исследований, КарНЦ РАН, Петрозаводск), Ивашко Е.Е. (Институт прикладных математических исследований, КарНЦ РАН, Петрозаводск), Изотов Ю.А. (Физико-технический институт, Петрозаводский государственный университет, Петрозаводск), Величко А.А. (Физико-технический институт, Петрозаводский государственный университет, Петрозаводск).