В условиях всевозрастающих информатизации, автоматизации и цифровизации бизнеса возникают новые схемы недобросовестных действий со стороны как юридических, так и физических лиц. В связи с этим остро встает проблема быстрого, эффективного и качественного выявления информации о потенциальном либо действующим контрагенте, решение которой позволит оперативно принять правильные управленческие решения.

В статье предложен один из способов решения данной проблемы – разработка системы информационного мониторинга контрагентов, которая позволит оперативно выявлять и анализировать информацию об их деятельности.

Робастность модели к незначительным отклонениям в распределении исходных данных является важным критерием во многих задачах. Нейронные сети могут показывать высокую точность (accuracy) на обучающей выборке, но при этом качество на тестовой выборке может сильно падать из-за разного распределения данных, причем ситуация только усугубляется на уровне подгрупп внутри каждой категории.

В данной статье мы показываем, как робастность модели на уровне подгрупп может быть значительно улучшена с помощью подхода, основанного на доменной адаптации векторных представлений. Мы обнаружили, что применение состязательного подхода к ограничению векторных представлений дает существенный прирост метрики точности (accuracy) в сложной подгруппе по сравнению с предыдущими моделями. Метод протестирован на двух независимых наборах данных, точность в сложной подгруппе на наборе данных Waterbirds составляет 90.3 {y : waterbirds;a : landbackground}, а на наборе данных CelebA – 92.22 {y : blondhair;a : male}.