National University of Kyiv Mohyla Academy
eKMAIR Electronic Kyiv-Mohyla Academy Institutional RepositoryNot a member yet
35997 research outputs found
Sort by
Use of convolutional neural networks for pattern recognition in a selected domain
No full textКурсова робота присвячена застосуванню згорткових нейронних мереж у завданні розпізнавання образів у класифікація хвороб пшениці та соняшнику. Було досліджено ефективність претренованої мережі EfficientNet B3 на поставленій предметній області, порівняно з роботою ЗНМ, побудованої з нуля (from scratch англ.)
Цифрові платформи як інструмент постконфліктної економічної відбудови
Get PDFМатеріали доповіді учасника Всеукраїнської науково-практичної конференції "Інноваційні ідеї в економічній науці: пошуки вирішення сучасних проблем" (2025)
Зарубіжні покази стрічки "Будинок “Слово""
Get PDFДокументальний фільм Тараса Томенка "Будинок “Слово”" покажуть у Великій Британії, Австрії, Німеччині, Естонії, Канаді, Франції, США
Аналіз транспортних мереж України на основі показників ентропії орієнтації
Get PDFМета роботи - адаптувати та застосувати підходи до аналізу орієнтаційної ентропії вуличних мереж до населених пунктів України
Роль соціальних мереж у поширенні девіантної поведінки молоді
Get PDFМета дослідження: визначити роль соціальних мереж у поширенні девіантної поведінки серед молоді та розробити відповідні рекомендації з протидії
Унікальна хроніка шкільного життя
Get PDFДокументальна "Стрічка часу" – фільм про вчителів та учнів, які під час воєнних дій продовжують навчати та навчатися, зокрема на деокупованих і прифронтових територіях
Розробка PR-кампанії модернізованої моделі Volkswagen Golf x Marchuk в Україні
No full textМетою роботи є розробка PR-кампанії задля покращення репутації Volkswagen серед українських споживачів та впровадження діяльності в стратегію сталого розвитку організації
Spectral reconstruction numbers of graphs C3 + e and K4 − e
Get PDFThis paper investigates an inverse spectral problem for weighted graphs. The problem under consideration concerns the reconstruction of edge weights from the spectra of induced subgraphs. We focus on determining the spectral reconstruction number Srn(G), defined as the minimal number of spectra of induced subgraphs required to uniquely recover all edge weights of a weighted graph G. The main contribution of this work is the exact determination of the spectral reconstruction number for the paw graph C3 + e and the diamond graph K4 − e. The obtained results complete the determination of spectral reconstructive numbers for all connected graphs of order at most four. They can be used for further research on inverse spectral problems and for developing algorithms to reconstruct edge weights in graphs.У статтi дослiджено обернену спектральну задачу для зважених графiв. Розглянуто проблему вiдновлення додатних ваг ребер графа за спектрами його iндукованих пiдграфiв. Основну увагу придiлено знаходженню точного значення спектрального вiдновлювального числа Srn(G) для графiв Srn(C3 + e) та Srn(K4 − e) — мiнiмальної кiлькостi спектрiв iндукованих пiдграфiв, необхiдних для однозначного вiдновлення всiх ваг ребер графа. Отриманi результати завершують визначення спектральних вiдновлювальних чисел для всiх зв’язних графiв порядку не бiльш як чотири. Вони можуть бути використанi для подальших дослiджень обернених спектральних задач та розробки алгоритмiв вiдновлення ваг на ребрах графiв
Соціальна інтеграція внутрішньо переміщених осіб в українському суспільстві
Get PDFМета роботи – проаналізувати існуючі виклики соціальної інтеграції внутрішньо переміщених осіб в Україні та запропонувати варіанти політики, що забезпечать ефективне залучення ВПО до суспільного життя, з урахуванням соціально-економічних, правових і гуманітарних аспектів
Influence of knowledge extraction methods on the effectiveness of graph-based RAG systems
Get PDFThis paper investigates the impact of knowledge extraction methods on the effectiveness of RAG (Retrieval-Augmented Generation) systems that utilize knowledge graphs. It highlights that the quality of the knowledge graph, which is formed using various knowledge extraction methods, is crucial for overcoming limitations of large language models (LLMs), such as "hallucinations". The paper analyzes the architectures of LightRAG and GraphRAG, emphasizing that the selection of an optimal knowledge extraction strategy depends on specific tasks and the subject area. LLMs have advanced significantly, but they have limitations, including generating factually incorrect information (“hallucinations”) and possessing "outdated knowledge". RAG systems were proposed to address these issues by combining LLMs with external knowledge bases. This approach reduces hallucinations, ensures factual accuracy, solves the problem of outdated knowledge, and increases transparency. Knowledge graphs are powerful tools for structuring information, consisting of entities (nodes) and relations (edges). They enhance RAG systems by enabling more precise and contextually grounded retrieval compared to keyword-based searches. The quality of a knowledge graph depends on the knowledge extraction methods used, which include named entity recognition (NER), relation extraction (RE), entity linking (EL), and event extraction. Different methods, such as rule-based, classical machine learning, and deep learning approaches, have varying trade-offs in terms of accuracy, completeness, and scalability. Entity linking and knowledge graph completion are also crucial for accuracy and richness. LightRAG and GraphRAG are two main graph-based RAG systems. LightRAG uses the knowledge graph as a quick reference, requiring high precision in knowledge extraction to avoid noise degradation. GraphRAG uses the knowledge graph as a domain model, where completeness of extracted knowledge is more critical, though systematic errors are still harmful. Both systems rely on LLMs for knowledge extraction, which makes them dependent on the LLM’s quality and the size of document fragments processed. The theoretical analysis confirms that the effectiveness of RAG systems is critically dependent on knowledge extraction methods. The quality, completeness, and accuracy of the knowledge graph directly influence the RAG system’s ability to provide relevant, accurate, and truthful answers. Different RAG system architectures like LightRAG and GraphRAG have distinct requirements for knowledge graph characteristics, prioritizing either accuracy or completeness in knowledge extraction.Стаття досліджує, як методи добування знань впливають на ефективність RAG-систем, що використовують графи знань. Вона показує, що якість графа знань, сформованого різними методами добування знань, є ключовою для подолання обмежень великих мовних моделей (LLM), таких як "галюцинації". Робота аналізує архітектури LightRAG і GraphRAG та підкреслює, що вибір оптимальної KE-стратегії залежить від конкретних завдань і предметної області