Классификатор патент
Подборка наиболее важных документов по запросу Классификатор патент (нормативно–правовые акты, формы, статьи, консультации экспертов и многое другое).
Судебная практика
Подборка судебных решений за 2023 год: Статья 346.45 "Порядок и условия начала и прекращения применения патентной системы налогообложения" главы 26.5 "Патентная система налогообложения" НК РФ
(Юридическая компания "TAXOLOGY")Налоговый орган отказал предпринимателю в выдаче патента в отношении розничной торговли через объекты стационарной торговой сети, поскольку предприниматель при подаче заявления указал неактуальный код вида деятельности. Налоговый орган указал, что на момент подачи заявления у предпринимателя была возможность ознакомиться с соответствующими актуальными кодами, содержащимися в опубликованном региональном нормативном акте. Суд признал отказ неправомерным, отметив, что изменение кодификатора вида деятельности не свидетельствует об изменении самого вида осуществляемой предпринимателем деятельности. Суд учел, что при подаче заявления через личный кабинет сервис предложил предпринимателю коды видов предпринимательской деятельности, действующие до конца I квартала, при этом указанный предпринимателем вид деятельности предусмотрен как прежними, так и новыми видами предпринимательской деятельности, изменился лишь его код, отказ инспекции, обусловленный формальным несоответствием кода классификатора деятельности при условии сохранения вида предпринимательской деятельности, является необоснованным. Также суд принял во внимание, что иные предприниматели, обращавшиеся в налоговый орган с аналогичными заявлениями, получили патенты, поэтому подход налогового органа нарушает принцип равенства налогоплательщиков.
(Юридическая компания "TAXOLOGY")Налоговый орган отказал предпринимателю в выдаче патента в отношении розничной торговли через объекты стационарной торговой сети, поскольку предприниматель при подаче заявления указал неактуальный код вида деятельности. Налоговый орган указал, что на момент подачи заявления у предпринимателя была возможность ознакомиться с соответствующими актуальными кодами, содержащимися в опубликованном региональном нормативном акте. Суд признал отказ неправомерным, отметив, что изменение кодификатора вида деятельности не свидетельствует об изменении самого вида осуществляемой предпринимателем деятельности. Суд учел, что при подаче заявления через личный кабинет сервис предложил предпринимателю коды видов предпринимательской деятельности, действующие до конца I квартала, при этом указанный предпринимателем вид деятельности предусмотрен как прежними, так и новыми видами предпринимательской деятельности, изменился лишь его код, отказ инспекции, обусловленный формальным несоответствием кода классификатора деятельности при условии сохранения вида предпринимательской деятельности, является необоснованным. Также суд принял во внимание, что иные предприниматели, обращавшиеся в налоговый орган с аналогичными заявлениями, получили патенты, поэтому подход налогового органа нарушает принцип равенства налогоплательщиков.
Статьи, комментарии, ответы на вопросы
Статья: Классификация сроков в патентном праве
(Балашова А.И.)
("Актуальные проблемы российского права", 2023, N 10)"Актуальные проблемы российского права", 2023, N 10
(Балашова А.И.)
("Актуальные проблемы российского права", 2023, N 10)"Актуальные проблемы российского права", 2023, N 10
Статья: Обзор методов NLP, используемых для распознавания текста с целью противодействия телефонному мошенничеству
(Коротеев М.В., Плешакова Е.С., Желябин Д.В.)
("Безопасность бизнеса", 2022, N 6)Bidirectional Encoder Representations from Transformers - языковая модель для решения задач НЛП, в частности автоматизации анализа запросов пользователей, разработанная Google. Трансферное изучение языковой модели, ее тонкая настройка находят свое отражение в современных исследованиях. Ансамблевая модель достигает F-меры 91,6%, превосходя классическую модель BERT благодаря наличию значительного текстового корпуса историй болезни пациентов из Китайской Народной Республики <10>. Точная настройка классической модели BERT для классификации патентов на основе набора данных USPTO-3M из 3 050 615 патентов, поданных Управлением по патентам, товарным знакам и интеллектуальной собственности Министерства торговли США, с использованием сигмоидной перекрестной энтропии, дает уровень точности 81,75%, что является превосходным показателем, к разработанному ранее алгоритму патентной классификации DeepPatent <11>. Классическое трансфертное обучение BERT было успешно применено в модели прогнозирования уязвимостей программного обеспечения под названием ExBERT <12>. Благодаря адаптации задачи Next Sentence Prediction, основанной на понимании связи между предложениями, модель TWiLBERT превосходит классическую MultilingualBERT, обеспечивая точность 91,27% против 49,41% в классической модели <13>. Отсутствие эталонных корпусов для научных статей, наличие размеченных корпусов и масштабирование коллекций документов остаются основной проблемой при решении задачи классификации текстов <14>. Используя нейронную сеть LTSM и токенизацию предложений на основе ScispaCy, оптимизированную для научных текстов, SciBERT достигает F-меры 90,01% по сравнению с классическим BERT 86,72% <15>.
(Коротеев М.В., Плешакова Е.С., Желябин Д.В.)
("Безопасность бизнеса", 2022, N 6)Bidirectional Encoder Representations from Transformers - языковая модель для решения задач НЛП, в частности автоматизации анализа запросов пользователей, разработанная Google. Трансферное изучение языковой модели, ее тонкая настройка находят свое отражение в современных исследованиях. Ансамблевая модель достигает F-меры 91,6%, превосходя классическую модель BERT благодаря наличию значительного текстового корпуса историй болезни пациентов из Китайской Народной Республики <10>. Точная настройка классической модели BERT для классификации патентов на основе набора данных USPTO-3M из 3 050 615 патентов, поданных Управлением по патентам, товарным знакам и интеллектуальной собственности Министерства торговли США, с использованием сигмоидной перекрестной энтропии, дает уровень точности 81,75%, что является превосходным показателем, к разработанному ранее алгоритму патентной классификации DeepPatent <11>. Классическое трансфертное обучение BERT было успешно применено в модели прогнозирования уязвимостей программного обеспечения под названием ExBERT <12>. Благодаря адаптации задачи Next Sentence Prediction, основанной на понимании связи между предложениями, модель TWiLBERT превосходит классическую MultilingualBERT, обеспечивая точность 91,27% против 49,41% в классической модели <13>. Отсутствие эталонных корпусов для научных статей, наличие размеченных корпусов и масштабирование коллекций документов остаются основной проблемой при решении задачи классификации текстов <14>. Используя нейронную сеть LTSM и токенизацию предложений на основе ScispaCy, оптимизированную для научных текстов, SciBERT достигает F-меры 90,01% по сравнению с классическим BERT 86,72% <15>.
Нормативные акты
Справочная информация: "Классификаторы, применяемые в Российской Федерации для целей налогообложения"
(Материал подготовлен специалистами КонсультантПлюс)Классификатор видов предпринимательской деятельности, в отношении которых законом субъекта Российской Федерации предусмотрено применение патентной системы налогообложения
(Материал подготовлен специалистами КонсультантПлюс)Классификатор видов предпринимательской деятельности, в отношении которых законом субъекта Российской Федерации предусмотрено применение патентной системы налогообложения