_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
bdf67ee2a13931ca2d5eac458714ed98148d1b34 | একটি রিয়েল টাইম ইনট্রুশন-ডিটেকশন এক্সপার্ট সিস্টেমের মডেল বর্ণনা করা হয়েছে যা ভঙ্গ, অনুপ্রবেশ এবং কম্পিউটারের অপব্যবহারের অন্যান্য রূপ সনাক্ত করতে সক্ষম। এই মডেলটি এই অনুমানের উপর ভিত্তি করে তৈরি করা হয়েছে যে সিস্টেমের অস্বাভাবিক ব্যবহারের জন্য সিস্টেমের নিরীক্ষণের রেকর্ডগুলি পর্যবেক্ষণ করে সুরক্ষা লঙ্ঘনগুলি সনাক্ত করা যেতে পারে। মডেলটিতে মেট্রিক্স এবং পরিসংখ্যানগত মডেলগুলির ক্ষেত্রে বস্তুর সাথে সম্পর্কিত বিষয়গুলির আচরণের প্রতিনিধিত্ব করার জন্য প্রোফাইলগুলি অন্তর্ভুক্ত রয়েছে এবং অডিট রেকর্ডগুলি থেকে এই আচরণ সম্পর্কে জ্ঞান অর্জনের জন্য এবং অস্বাভাবিক আচরণ সনাক্ত করার জন্য নিয়ম রয়েছে। এই মডেলটি কোনো নির্দিষ্ট সিস্টেম, অ্যাপ্লিকেশন পরিবেশ, সিস্টেমের দুর্বলতা বা অনুপ্রবেশের ধরন থেকে স্বাধীন, যার ফলে এটি একটি সাধারণ উদ্দেশ্যযুক্ত অনুপ্রবেশ-পরিচয়ের বিশেষজ্ঞ সিস্টেমের জন্য একটি কাঠামো সরবরাহ করে। |
eeb1a1e0cab8d809b5789d04418dc247dca956cc | লি, স্টলফো এবং মক এর আগে অনুপ্রবেশ সনাক্তকরণের জন্য জ্ঞান অর্জনের জন্য খনির নিরীক্ষণের ডেটাগুলির জন্য সমিতি নিয়ম এবং ফ্রিকোয়েন্সি পর্বের ব্যবহারের কথা জানিয়েছেন। অস্পষ্ট যুক্তির সাথে সমিতি নিয়ম এবং ফ্রিকোয়েন্সি পর্বের একীকরণ অনুপ্রবেশ সনাক্তকরণের জন্য আরও বিমূর্ত এবং নমনীয় নিদর্শন তৈরি করতে পারে, যেহেতু অনুপ্রবেশ সনাক্তকরণে অনেক পরিমাণগত বৈশিষ্ট্য জড়িত এবং সুরক্ষা নিজেই অস্পষ্ট। আমরা অস্পষ্ট সমিতি নিয়মের খনির জন্য পূর্বে রিপোর্ট করা অ্যালগরিদমের একটি সংশোধন উপস্থাপন করি, অস্পষ্ট ফ্রিকোয়েন্সি পর্বের ধারণাটি সংজ্ঞায়িত করি এবং অস্পষ্ট ফ্রিকোয়েন্সি পর্বের খনির জন্য একটি মূল অ্যালগরিদম উপস্থাপন করি। আমরা একটি সাধারণীকরণ ধাপ যোগ করি মাইনিংয়ের জন্য fuzzy association rules যাতে একটি ডাটা ইনস্ট্যান্স অন্যের চেয়ে বেশি অবদান রাখতে পারে। আমরা ফজ ফ্রিকোয়েন্সি এপিসোড শিখতে মাইনিং ফ্রিকোয়েন্সি এপিসোডের পদ্ধতিও পরিবর্তন করি। পরীক্ষামূলক ফলাফলগুলি অনুপ্রবেশ সনাক্তকরণে অস্পষ্ট সমিতি নিয়ম এবং অস্পষ্ট ফ্রিকোয়েন্সি পর্বগুলির উপযোগিতা দেখায়। খসড়া: ইন্টারন্যাশনাল জার্নাল অফ ইন্টেলিজেন্ট সিস্টেমস, ভলিউম ১৫, নং-এ প্রকাশিত আপডেট সংস্করণ। ১ আগস্ট ২০০০ |
0b07f84c22ce01309981a02c23d5cd1770cad48b | টেবিল পার্টিশনিং একটি টেবিলকে ছোট ছোট অংশে বিভক্ত করে যা একে অপরের থেকে স্বাধীনভাবে অ্যাক্সেস, সংরক্ষণ এবং রক্ষণাবেক্ষণ করা যায়। ক্যোয়ারী পারফরম্যান্সের উন্নতিতে তাদের ঐতিহ্যগত ব্যবহার থেকে, পার্টিশনিং কৌশলগুলি ডাটাবেস সিস্টেমের সামগ্রিক পরিচালনাযোগ্যতা উন্নত করার জন্য একটি শক্তিশালী প্রক্রিয়াতে পরিণত হয়েছে। টেবিল পার্টিশনিং ডেটা লোডিং, অপসারণ, ব্যাকআপ, পরিসংখ্যান রক্ষণাবেক্ষণ এবং স্টোরেজ প্রোভিশনিং এর মতো প্রশাসনিক কাজগুলিকে সহজ করে তোলে। ক্যোয়ারী ভাষা এক্সটেনশনগুলি এখন অ্যাপ্লিকেশন এবং ব্যবহারকারীর ক্যোয়ারীগুলিকে নির্দিষ্ট করতে দেয় যে তাদের ফলাফলগুলি পরবর্তী ব্যবহারের জন্য কীভাবে বিভাজিত করা উচিত। তবে, ক্যোয়ারী অপ্টিমাইজেশান কৌশলগুলি টেবিল পার্টিশনিংয়ের ব্যবহার এবং ব্যবহারকারীর নিয়ন্ত্রণের দ্রুত অগ্রগতির সাথে তাল মিলিয়ে যায়নি। আমরা এই ফাঁকটি পূরণ করতে নতুন কৌশলগুলি বিকাশ করছি যা SQL কোয়েরিগুলির জন্য দক্ষ পরিকল্পনা তৈরি করে যার মধ্যে পার্টিশনেটেড টেবিলগুলিতে মাল্টিওয়ে জয়েন অন্তর্ভুক্ত রয়েছে। আমাদের কৌশলগুলি নীচে থেকে উপরে অনুসন্ধান অপ্টিমাইজারে সহজেই অন্তর্ভুক্ত করার জন্য ডিজাইন করা হয়েছে যা আজ ব্যাপকভাবে ব্যবহৃত হয়। আমরা এই কৌশলগুলোকে PostgreSQL অপ্টিমাইজারে প্রোটোটাইপ করেছি। একটি বিস্তৃত মূল্যায়ন দেখায় যে আমাদের পার্টিশন-সচেতন অপ্টিমাইজেশন কৌশলগুলি, কম অপ্টিমাইজেশন ওভারহেড সহ, এমন পরিকল্পনা তৈরি করে যা বর্তমান অপ্টিমাইজার দ্বারা উত্পাদিত পরিকল্পনাগুলির চেয়ে ভাল পরিমাণের অর্ডার হতে পারে। |
26d673f140807942313545489b38241c1f0401d0 | আমাদের জীবনে এবং পৃথিবীতে তথ্যের পরিমাণ ক্রমাগত বৃদ্ধি পাচ্ছে এবং এর কোন শেষ নেই। ওয়েকা ওয়ার্কবেঞ্চ হল অত্যাধুনিক মেশিন লার্নিং অ্যালগরিদম এবং ডেটা প্রি-প্রসেসিং সরঞ্জামগুলির একটি সংগঠিত সংগ্রহ। এই পদ্ধতিগুলির সাথে ইন্টারঅ্যাক্ট করার মূল উপায় হল কমান্ড লাইন থেকে তাদের আহবান করা। তবে, তথ্য অনুসন্ধানের জন্য, বিতরণকৃত কম্পিউটিং প্ল্যাটফর্মগুলিতে বৃহত আকারের পরীক্ষা-নিরীক্ষা স্থাপনের জন্য এবং স্ট্রিমড ডেটা প্রসেসিংয়ের জন্য কনফিগারেশন ডিজাইন করার জন্য সুবিধাজনক ইন্টারেক্টিভ গ্রাফিকাল ইউজার ইন্টারফেস সরবরাহ করা হয়। এই ইন্টারফেসগুলি পরীক্ষামূলক ডেটা মাইনিংয়ের জন্য একটি উন্নত পরিবেশ গঠন করে। শ্রেণীবিভাগ একটি গুরুত্বপূর্ণ ডেটা মাইনিং কৌশল যার ব্যাপক প্রয়োগ রয়েছে। এটি বিভিন্ন ধরণের তথ্যকে শ্রেণীবদ্ধ করে। এই গবেষণাপত্রটি REPTree, Simple Cart এবং RandomTree শ্রেণীবিভাগের অ্যালগরিদমের কার্যকারিতা মূল্যায়ন করার জন্য পরিচালিত হয়েছে। এই গবেষণাপত্রটি ভারতীয় সংবাদগুলির ডেটাসেটের প্রেক্ষাপটে REPTree, Simple Cart এবং RandomTree শ্রেণিবদ্ধকরণের তুলনামূলক মূল্যায়ন করার লক্ষ্যে সত্যিকারের ইতিবাচক হার সর্বাধিকতর করতে এবং মিথ্যা ইতিবাচক হারকে হ্রাস করতে। প্রক্রিয়াজাতকরণের জন্য ওয়েকা এপিআই ব্যবহার করা হয়েছে। ভারতীয় সংবাদমাধ্যমের ডেটাসেটের গবেষণাপত্রে প্রকাশিত ফলাফল থেকে দেখা যাচ্ছে যে র্যান্ডমট্রি এবং সিম্পল কার্টের তুলনায় র্যান্ডমট্রি-র দক্ষতা ও নির্ভুলতা অনেক বেশি। কীওয়ার্ড- সহজ কার্ট, র্যান্ডমট্রি, রেপট্রি, ওয়েকা, ডাব্লুডাব্লুডাব্লু |
6e633b41d93051375ef9135102d54fa097dc8cf8 | সম্প্রতি "সমষ্টিগত শিক্ষা" - এমন পদ্ধতিতে অনেক আগ্রহ দেখা দিয়েছে যা অনেক শ্রেণীবিভাগকারী তৈরি করে এবং তাদের ফলাফলকে একত্রিত করে। শ্রেণীবিভাগের গাছের দুটি সুপরিচিত পদ্ধতি হল বুস্টিং (উদাহরণস্বরূপ, দেখুন, শাপায়ার এবং অন্যান্য, ১৯৯৮) এবং ব্রেম্যান (১৯৯৬) এর ব্যাগিং। বুস্টিংয়ে, পরপর গাছগুলি পূর্ববর্তী ভবিষ্যদ্বাণীকারীদের দ্বারা ভুলভাবে পূর্বাভাস দেওয়া পয়েন্টগুলিতে অতিরিক্ত ওজন দেয়। শেষ পর্যন্ত, একটি ওজনযুক্ত ভোট ভবিষ্যদ্বাণী জন্য নেওয়া হয়। ব্যাগিংয়ের ক্ষেত্রে, পরপর গাছগুলি পূর্ববর্তী গাছের উপর নির্ভর করে না - প্রতিটিটি ডেটা সেটের বুটস্ট্র্যাপ নমুনা ব্যবহার করে স্বাধীনভাবে নির্মিত হয়। শেষ পর্যন্ত, সাধারণ সংখ্যাগরিষ্ঠ ভোটকে ভবিষ্যদ্বাণী হিসেবে গ্রহণ করা হয়। ব্রেম্যান (২০০১) এলোমেলো বন প্রস্তাব করেছেন, যা ব্যাগিংয়ের জন্য এলোমেলোতার একটি অতিরিক্ত স্তর যুক্ত করে। প্রতিটি গাছের জন্য তথ্যের একটি ভিন্ন বুটস্ট্র্যাপ নমুনা ব্যবহার করে নির্মান করা ছাড়াও, এলোমেলো বনগুলি কীভাবে শ্রেণিবদ্ধকরণ বা রিগ্রেশন গাছগুলি নির্মিত হয় তা পরিবর্তন করে। স্ট্যান্ডার্ড গাছের মধ্যে, প্রতিটি নোডকে সমস্ত ভেরিয়েবলের মধ্যে সেরা বিভাজন ব্যবহার করে বিভক্ত করা হয়। একটি এলোমেলো বনে, প্রতিটি নোডকে সেই নোডে এলোমেলোভাবে নির্বাচিত পূর্বাভাসকারীদের একটি উপসেটের মধ্যে সেরা ব্যবহার করে বিভক্ত করা হয়। এই কিছুটা বিপরীতমুখী কৌশলটি অনেক অন্যান্য শ্রেণিবদ্ধকরণের তুলনায় খুব ভালভাবে কাজ করে, যার মধ্যে রয়েছে বৈষম্যমূলক বিশ্লেষণ, সমর্থন ভেক্টর মেশিন এবং নিউরাল নেটওয়ার্ক এবং ওভারফিটিংয়ের বিরুদ্ধে শক্তিশালী (ব্রিম্যান, ২০০১) । উপরন্তু, এটি ব্যবহারকারী-বান্ধব এই অর্থে যে এটি শুধুমাত্র দুটি প্যারামিটার (প্রতিটি নোড এ র্যান্ডম উপসেট পরিবর্তনশীল সংখ্যা এবং বনের গাছ সংখ্যা) আছে, এবং সাধারণত তাদের মান খুব সংবেদনশীল নয়। র্যান্ডমফরেস্ট প্যাকেজ ব্রেম্যান এবং কাটলারের ফরটান প্রোগ্রামগুলির জন্য একটি আর ইন্টারফেস সরবরাহ করে (http://www.stat.berkeley.edu/ users/breiman/ এ উপলব্ধ) । এই নিবন্ধটি R ফাংশনগুলির ব্যবহার এবং বৈশিষ্ট্যগুলির একটি সংক্ষিপ্ত ভূমিকা প্রদান করে। |
8cfe24108b7f73aa229be78f9108e752e8210c36 | যদিও ডেটা মাইনিং ব্যবসায়িক জগতে বেশ কিছু সময়ের জন্য সফলভাবে প্রয়োগ করা হয়েছে, উচ্চশিক্ষায় এর ব্যবহার এখনও অপেক্ষাকৃত নতুন, অর্থাৎ, এর ব্যবহারের উদ্দেশ্য হচ্ছে তথ্য থেকে নতুন এবং সম্ভাব্য মূল্যবান জ্ঞান সনাক্তকরণ এবং আহরণ করা। তথ্য খনন ব্যবহার করে একটি মডেল তৈরি করা হয়েছিল যা শিক্ষার্থীদের একাডেমিক সাফল্যের বিষয়ে সিদ্ধান্ত নিতে পারে। ২০১০-২০১১ শিক্ষাবর্ষের তুজলা বিশ্ববিদ্যালয়ের অর্থনীতি অনুষদের গ্রীষ্মকালীন সেমিস্টারে প্রথম বর্ষের শিক্ষার্থীদের মধ্যে পরিচালিত জরিপ থেকে সংগৃহীত তথ্য এবং ভর্তির সময় নেওয়া তথ্য প্রয়োগ করে শিক্ষার্থীদের সাফল্যের পূর্বাভাসের সময় ডেটা মাইনিংয়ের বিভিন্ন পদ্ধতি এবং কৌশলগুলির তুলনা করা হয়েছিল। পরীক্ষায় উত্তীর্ণ হওয়ার মাধ্যমে সাফল্যের মূল্যায়ন করা হয়। শিক্ষার্থীদের সামাজিক-জনসংখ্যাগত পরিবর্তনশীল, উচ্চ বিদ্যালয় এবং প্রবেশিকা পরীক্ষায় অর্জিত ফলাফল এবং অধ্যয়নের প্রতি মনোভাব যা সাফল্যের উপর প্রভাব ফেলতে পারে, সবই তদন্ত করা হয়েছিল। ভবিষ্যতে গবেষণায়, অধ্যয়নের প্রক্রিয়া এবং নমুনা বৃদ্ধির সাথে যুক্ত পরিবর্তনশীলদের সনাক্তকরণ এবং মূল্যায়ন করে, এমন একটি মডেল তৈরি করা সম্ভব হবে যা উচ্চশিক্ষায় সিদ্ধান্ত সহায়তা ব্যবস্থার বিকাশের ভিত্তি হিসাবে দাঁড়াবে। |
cc5c84c1c876092e6506040cde7d2a5b9e9065ff | এই গবেষণাপত্রটি সিদ্ধান্ত গাছ এবং বেয়েসিয়ান নেটওয়ার্ক অ্যালগরিদমের সঠিকতার সাথে তুলনা করে যা স্নাতক এবং স্নাতকোত্তর শিক্ষার্থীদের একাডেমিক পারফরম্যান্সের পূর্বাভাস দেয় দুটি খুব ভিন্ন একাডেমিক ইনস্টিটিউটঃ ক্যান থো বিশ্ববিদ্যালয় (সিটিইউ), ভিয়েতনামের একটি বড় জাতীয় বিশ্ববিদ্যালয়; এবং এশিয়ান ইনস্টিটিউট অফ টেকনোলজি (এআইটি), থাইল্যান্ডের একটি ছোট আন্তর্জাতিক স্নাতকোত্তর ইনস্টিটিউট যা ৮৬ টি ভিন্ন দেশ থেকে শিক্ষার্থীদের আকর্ষণ করে। যদিও এই দুই ছাত্র জনগোষ্ঠীর বৈচিত্র্য খুব ভিন্ন, তথ্য-খনির সরঞ্জামগুলি ছাত্রদের পারফরম্যান্সের পূর্বাভাসের জন্য একই স্তরের নির্ভুলতা অর্জন করতে সক্ষম হয়েছিলঃ যথাক্রমে সিটিইউ/এআইটি-তে {ফেইল, ফ্যাবর, গুড, খুব গুড} এবং ৯৪/৯৩% {ফেইল, পাস} এর জন্য ৭৩/৭১%। এই ভবিষ্যৎবাণীগুলি সিটিইউতে ব্যর্থ শিক্ষার্থীদের চিহ্নিতকরণ এবং সহায়তা করার জন্য (৬৪% সঠিক) এবং এআইটি-তে বৃত্তির জন্য খুব ভাল শিক্ষার্থীদের নির্বাচন করার জন্য (৮২% সঠিক) সবচেয়ে কার্যকর। এই বিশ্লেষণে, সিদ্ধান্তের গাছটি বেইসিয়ান নেটওয়ার্কের চেয়ে ধারাবাহিকভাবে 3-12% বেশি সঠিক ছিল। এই কেস স্টাডিগুলির ফলাফলগুলি শিক্ষার্থীদের পারফরম্যান্সের সঠিক পূর্বাভাস দেওয়ার কৌশলগুলির অন্তর্দৃষ্টি দেয়, ডেটা মাইনিং অ্যালগরিদমের নির্ভুলতার তুলনা করে এবং ওপেন সোর্স সরঞ্জামগুলির পরিপক্কতা প্রদর্শন করে। |
9d0f09e343ebc9d5e896528273b79a1f13aa5c07 | |
2cb6d78e822ca7fd0e29670ec7e26e37ae3d3e8f | এই গবেষণাপত্রটি একটি নতুন কমপ্যাক্ট নিম্ন তাপমাত্রা cofired সিরামিক (LTCC) ব্যান্ডপাস ফিল্টার (BPF) প্রসারিত স্টপব্যান্ড এবং উচ্চ নির্বাচনীতা সঙ্গে উপস্থাপন করে। প্রস্তাবিত সার্কিটটিতে দুটি সংযুক্ত λ<sub>g</sub>/4 ট্রান্সমিশন-লাইন রেজোনেটর রয়েছে। তৃতীয় হারমোনিক ফ্রিকোয়েন্সিতে একটি ট্রান্সমিশন জিরো (টিজেড) তৈরির জন্য একটি নতুন বৈষম্যমূলক কপলিং স্কিম বাস্তবায়নের জন্য একটি বিশেষ কপলিং অঞ্চল নির্বাচন করা হয়। প্রক্রিয়া বিশ্লেষণ করা হয় এবং নকশা নির্দেশিকা বর্ণনা করা হয়। সোর্স-লোড কপলিং চালু করা হয় যাতে পাসব্যান্ডের কাছে দুটি টিজেড এবং স্টপব্যান্ডে একটি তৈরি হয়। এইভাবে, অতিরিক্ত সার্কিট ছাড়াই প্রশস্ত স্টপব্যান্ড পাওয়া যায়। LTCC এর বহুস্তরীয় কাঠামোর কারণে, ফিল্টারের আকার 0.058 λ<sub>g</sub>×0.058 λ<sub>g</sub>×0.011 λ<sub>g</sub>, বা 2.63 মিমি × 2.61 মিমি × 0.5 মিমি। প্রস্তাবিত নকশা বৈধতা প্রমাণ করার জন্য প্রদর্শিত LTCC BPF এর সিমুলেশন এবং পরিমাপ ফলাফল উপস্থাপন করা হয়। |
52c9eb70c55685b349126ed907e037f383673cf3 | আমরা এই পর্যবেক্ষণের উপর ভিত্তি করে বিমূর্ত ওয়েব সংক্ষিপ্তসারগুলির একটি নতুন পদ্ধতির প্রস্তাব দিচ্ছি যে অনুরূপ ইউআরএলগুলির সংক্ষিপ্তসারগুলি সামগ্রী এবং কাঠামো উভয় ক্ষেত্রেই অনুরূপ। আমরা বিদ্যমান ইউআরএল ক্লাস্টার ব্যবহার করি এবং প্রতি ক্লাস্টার ওয়ার্ড গ্রাফ তৈরি করি যা ইউআরএল-নির্দিষ্ট বৈশিষ্ট্যগুলিকে বিমূর্ত করে পরিচিত সংক্ষিপ্তসারগুলিকে একত্রিত করে। ফলাফলের টপোলজি, ইউআরএল বৈশিষ্ট্যগুলির উপর নির্ভর করে, আমাদেরকে সংক্ষিপ্তসার সমস্যাটিকে একটি কাঠামোগত শিক্ষণ কাজ হিসাবে ডিকোডিং ধাপ হিসাবে সর্বনিম্ন ব্যয় পথ অনুসন্ধান ব্যবহার করে cast করতে দেয়। অনেকগুলি ইউআরএল ক্লাস্টারে প্রাথমিক পরীক্ষামূলক ফলাফলগুলি দেখায় যে এই পদ্ধতিটি পূর্বে প্রস্তাবিত ওয়েব সংক্ষিপ্তসারগুলিকে ছাড়িয়ে যেতে সক্ষম। |
8947ca4949fc66eb65f863dfb825ebd90ab01772 | টেক্সট প্রসেসিংয়ের অনেক অ্যাপ্লিকেশনের জন্য বড় ডকুমেন্ট সংগ্রহের লেবেলিং (যখন পরিসংখ্যানগত মডেলগুলি শেখার সময়) বা তাদের থেকে নিয়মগুলি এক্সট্রাপোল করার জন্য (জ্ঞান প্রকৌশল ব্যবহার করার সময়) উল্লেখযোগ্য মানব প্রচেষ্টার প্রয়োজন হয়। এই কাজের মধ্যে, আমরা এই প্রচেষ্টা কমাতে, পদ্ধতির নির্ভুলতা বজায় রাখার জন্য, একটি হাইব্রিড শ্রেণীবিভাগকারী নির্মাণের মাধ্যমে বর্ণনা করি যা মেশিন লার্নিংকে পরিপূরক করার জন্য স্বয়ংক্রিয়ভাবে আবিষ্কৃত পাঠ্য নিদর্শনগুলির উপর মানুষের যুক্তি ব্যবহার করে। একটি স্ট্যান্ডার্ড সেন্টিমেন্ট-শ্রেণীবিভাগের ডেটাসেট এবং বাস্তব গ্রাহক প্রতিক্রিয়া ডেটা ব্যবহার করে, আমরা দেখি যে ফলস্বরূপ কৌশলটি একটি নির্দিষ্ট শ্রেণিবদ্ধকরণ নির্ভুলতা অর্জনের জন্য প্রয়োজনীয় মানব প্রচেষ্টার উল্লেখযোগ্য হ্রাসের ফলে ঘটে। এছাড়াও, হাইব্রিড টেক্সট ক্লাসিফায়ার মেশিন লার্নিং ভিত্তিক ক্লাসিফায়ারগুলির তুলনায় যথার্থতার ক্ষেত্রে উল্লেখযোগ্যভাবে বৃদ্ধি পায় যখন লেবেলযুক্ত ডেটার তুলনামূলক পরিমাণ ব্যবহৃত হয়। |
563384a5aa6111610ac4939f645d1125a5a0ac7f | আইন প্রয়োগকারী সংস্থা, নিরাপত্তা অ্যাপ্লিকেশন বা ভিডিও সূচকীকরণের মতো বিভিন্ন ক্ষেত্রে এর অনেকগুলি অ্যাপ্লিকেশনের কারণে সাম্প্রতিক বছরগুলিতে মানুষের স্বয়ংক্রিয় স্বীকৃতি অনেক মনোযোগ পেয়েছে। মুখের চেহারা শনাক্তকরণ মানুষের স্বয়ংক্রিয় শনাক্তকরণের জন্য একটি গুরুত্বপূর্ণ এবং অত্যন্ত চ্যালেঞ্জিং কৌশল। আজ পর্যন্ত এমন কোন প্রযুক্তি নেই যা মুখের স্বীকৃতির মাধ্যমে সকল পরিস্থিতি এবং বিভিন্ন অ্যাপ্লিকেশনের জন্য একটি শক্তিশালী সমাধান প্রদান করে। সাধারণভাবে, আমরা নিশ্চিত করতে পারি যে মুখের স্বীকৃতি সিস্টেমের পারফরম্যান্স ঠিক কীভাবে বৈশিষ্ট্য ভেক্টর বের করতে হয় এবং তাদের সঠিকভাবে একটি গ্রুপে শ্রেণীবদ্ধ করতে হয় তার দ্বারা নির্ধারিত হয়। তাই আমাদেরকে ফিচার এক্সট্রাক্টর এবং ক্লাসিফায়ারকে ঘনিষ্ঠভাবে দেখতে হবে। এই গবেষণাপত্রে, বৈশিষ্ট্য নিষ্কাশনে মূল ভূমিকা পালন করতে প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস (পিসিএ) ব্যবহার করা হয়েছে এবং মুখের স্বীকৃতি সমস্যার সমাধান করতে এসভিএম ব্যবহার করা হয়েছে। সম্প্রতি Support Vector Machines (SVMs) কে নতুন শ্রেণীবিভাগকারী হিসেবে প্রস্তাব করা হয়েছে। আমরা ক্যামব্রিজ ওআরএল ফেস ডাটাবেসে এসভিএম এর সম্ভাবনার চিত্র তুলে ধরছি, যা ৪০ জন ব্যক্তির ৪০০ টি ছবি নিয়ে গঠিত, যার মধ্যে উচ্চ মাত্রার পরিবর্তনশীলতা রয়েছে অভিব্যক্তি, পোজ এবং মুখের বিবরণে। ব্যবহৃত এসভিএমগুলির মধ্যে রয়েছে লিনিয়ার (এলএসভিএম), পলিনোমিয়াল (পিএসভিএম) এবং রেডিয়াল বেস ফাংশন (আরবিএফএসভিএম) এসভিএম। আমরা পরীক্ষামূলক প্রমাণ প্রদান করি যা দেখায় যে পলিনোমিয়াল এবং রেডিয়াল বেস ফাংশন (আরবিএফ) এসভিএমগুলি ওআরএল ফেস ডেটাসেটে লিনিয়ার এসভিএমের চেয়ে ভাল পারফর্ম করে যখন উভয়ই সমস্ত শ্রেণিবদ্ধকরণের বিরুদ্ধে একের সাথে ব্যবহৃত হয়। আমরা মাল্টি-লেয়ার পারসেপ্ট্রন (এমএলপি) শ্রেণিবদ্ধকরণ মানদণ্ড ব্যবহার করে স্ট্যান্ডার্ড আইজেনফেস পদ্ধতির সাথে এসভিএম-ভিত্তিক স্বীকৃতির তুলনা করেছি। |
47daf9cc8fb15b3a4b7c3db4498d29a5a8b84c22 | 3D অবজেক্ট শ্রেণীবিভাগ কম্পিউটার দৃষ্টিতে একটি অ-বিষয়বস্তু কাজ যা অনেক বাস্তব-বিশ্ব অ্যাপ্লিকেশনকে অন্তর্ভুক্ত করে। আমরা 3D বহুভুজ মেশকে শ্রেণীবদ্ধ করার সমস্যাটি 2D ইমেজ থেকে মাল্টি-ভিউ থেকে চেহারা বিবর্তন শেখার জন্য উত্থাপন করি। 3D বহুভুজ মেশের একটি কর্পাস দেওয়া হলে, আমরা প্রথমে একটি অভিন্ন গোলকের একাধিক ভিউপয়েন্ট থেকে সংশ্লিষ্ট RGB এবং গভীরতার চিত্রগুলি রেন্ডার করি। র্যাঙ্ক পুলিং ব্যবহার করে, আমরা 2D ভিউগুলির চেহারা বিবর্তন শিখতে দুটি পদ্ধতি প্রস্তাব করি। প্রথমত, আমরা একটি গভীর কনভলুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) এর উপর ভিত্তি করে ভিউ-ইনভ্যারিয়েন্ট মডেলগুলিকে প্রশিক্ষণ দিই এবং রেন্ডার করা আরজিবি-ডি চিত্রগুলি ব্যবহার করে প্রথম সম্পূর্ণ সংযুক্ত স্তর অ্যাক্টিভেশনগুলিকে র্যাঙ্ক করতে শিখি এবং তাই এই নিষ্কাশিত বৈশিষ্ট্যগুলির বিবর্তনকে ক্যাপচার করি। এই প্রক্রিয়া চলাকালীন শিখে নেওয়া পরামিতিগুলি 3D আকৃতির উপস্থাপনা হিসাবে ব্যবহৃত হয়। দ্বিতীয় পদ্ধতিতে, আমরা র্যাঙ্কিং মেশিন ব্যবহার করে সরাসরি রেন্ডার করা RGB-D ইমেজগুলিতে দৃশ্যের সমষ্টি শিখতে পারি, যা সমষ্টিগত 2D চিত্র তৈরি করে যা আমরা ``3D আকৃতি চিত্র হিসাবে উল্লেখ করি। " এরপর আমরা এই নতুন আকৃতির প্রতিনিধিত্বের উপর RGB এবং গভীরতা উভয়ের জন্য CNN মডেল শিখব যা বহুভুজের সুস্পষ্ট জ্যামিতিক কাঠামোকে এনকোড করে। মডেলনেট৪০ এবং মডেলনেট১০ ডাটাসেটের উপর করা পরীক্ষাগুলো দেখায় যে, প্রস্তাবিত পদ্ধতিটি ৩ ডি আকৃতির স্বীকৃতির ক্ষেত্রে বর্তমান অত্যাধুনিক অ্যালগরিদমের চেয়ে ভালো। |
58156d27f80ee450ba43651a780ebd829b70c363 | কার্নেল মনিটরিং এবং সুরক্ষার উপর পূর্ববর্তী গবেষণা ব্যাপকভাবে উচ্চতর সুবিধাজনক সিস্টেম উপাদানগুলির উপর নির্ভর করে, যেমন হার্ডওয়্যার ভার্চুয়ালাইজেশন এক্সটেনশানগুলি, সম্ভাব্য কার্নেল আক্রমণ থেকে সুরক্ষা সরঞ্জামগুলিকে বিচ্ছিন্ন করতে। এই পদ্ধতির ফলে রক্ষণাবেক্ষণের প্রচেষ্টা এবং বিশেষাধিকারপ্রাপ্ত সিস্টেম উপাদানগুলির কোড বেসের আকার উভয়ই বৃদ্ধি পায়, যার ফলে নিরাপত্তা দুর্বলতার ঝুঁকি বৃদ্ধি পায়। এসকেই, যার অর্থ নিরাপদ কার্নেল স্তরের কার্যকর পরিবেশ, এই মৌলিক সমস্যাটি সমাধান করে। SKEE একটি নতুন সিস্টেম যা কার্নেল এর একই অধিকার স্তরে একটি বিচ্ছিন্ন হালকা ওজন এক্সিকিউশন পরিবেশ প্রদান করে। এসকিইই পণ্যের এআরএম প্ল্যাটফর্মের জন্য ডিজাইন করা হয়েছে। এর প্রধান লক্ষ্য হল উচ্চতর সুবিধাযুক্ত সফটওয়্যারের সক্রিয় অংশগ্রহণ ছাড়াই কার্নেলটির সুরক্ষিত পর্যবেক্ষণ এবং সুরক্ষার অনুমতি দেওয়া। এসকেইই একত্রীকরণের জন্য নতুন প্রযুক্তির একটি সেট প্রদান করে। এটি একটি সুরক্ষিত ঠিকানা স্থান তৈরি করে যা কার্নেল দ্বারা অ্যাক্সেসযোগ্য নয়, যা কার্নেল এবং বিচ্ছিন্ন পরিবেশ উভয়ই একই সুবিধা স্তর ভাগ করে নেওয়ার সময় অর্জন করা চ্যালেঞ্জিং। SKEE এই চ্যালেঞ্জটি সমাধান করে কার্নেলকে তার নিজস্ব মেমরি ট্রান্সলেশন টেবিল পরিচালনা করতে বাধা দেয়। তাই, সিস্টেমের মেমরি লেআউট পরিবর্তন করতে কার্নেলকে SKEE-তে স্যুইচ করতে বাধ্য করা হয়। এছাড়া, SKEE যাচাই করে যে অনুরোধ করা পরিবর্তনটি সুরক্ষিত ঠিকানা স্পেসের বিচ্ছিন্নতার সাথে আপস করে না। OS kernel থেকে SKEE-তে স্যুইচ করা হয় শুধুমাত্র একটি ভাল নিয়ন্ত্রিত সুইচ গেটের মাধ্যমে। এই সুইচ গেটটি সাবধানে ডিজাইন করা হয়েছে যাতে এর কার্যকরকরণ ক্রমটি পরমাণু এবং নির্ধারক হয়। এই বৈশিষ্ট্যগুলি একত্রিত গ্যারান্টি দেয় যে কোনও সম্ভাব্যভাবে আপত্তিজনক কার্নেল বিচ্ছিন্নতাকে আপত্তি জানাতে সুইচিং ক্রমটি কাজে লাগাতে পারে না। যদি কার্নেল এই বৈশিষ্ট্যগুলি লঙ্ঘন করার চেষ্টা করে, তবে এটি সুরক্ষিত ঠিকানা স্থান প্রকাশ না করেই সিস্টেমটি ব্যর্থ হবে। SKEE একচেটিয়াভাবে সমগ্র OS মেমরির অ্যাক্সেস অনুমতি নিয়ন্ত্রণ করে। সুতরাং, এটি এমন আক্রমণগুলিকে প্রতিরোধ করে যা কার্নেলে যাচাইকৃত কোড ইনজেকশন করার চেষ্টা করে। এছাড়াও, এটি সহজেই অন্যান্য সিস্টেম ইভেন্টগুলিকে বাধা দেওয়ার জন্য প্রসারিত করা যেতে পারে যাতে বিভিন্ন অনুপ্রবেশ সনাক্তকরণ এবং অখণ্ডতা যাচাইকরণ সরঞ্জামগুলিকে সমর্থন করা যায়। এই কাগজটি একটি এসকিইই প্রোটোটাইপ উপস্থাপন করে যা 32-বিট এআরএমভি 7 এবং 64-বিট এআরএমভি 8 আর্কিটেকচার উভয়ই চালায়। পারফরম্যান্স মূল্যায়নের ফলাফলগুলি দেখায় যে এসকেইই বাস্তব বিশ্বের সিস্টেমের জন্য একটি বাস্তব সমাধান। এই লেখকদের এই কাজ সমানভাবে অবদান |
698902ce1a836d353d4ff955c826095e28506e05 | |
da09bc42bbf5421b119abea92716186a1ca3f02f | আমরা পরিচয়-ভিত্তিক এনক্রিপশন (আইবিই) এর একটি নতুন ধরনের স্কিম চালু করছি যাকে আমরা ফজ আইডি-ভিত্তিক এনক্রিপশন বলে থাকি। ফজি আইবিইতে আমরা একটি পরিচয়কে বর্ণনামূলক বৈশিষ্ট্যগুলির সেট হিসাবে দেখি। একটি ফজি আইবিই স্কিম একটি পরিচয়, ω এর জন্য একটি ব্যক্তিগত কীকে একটি পরিচয়, ω′ দিয়ে এনক্রিপ্ট করা একটি সিফারটেক্সটকে ডিক্রিপ্ট করার অনুমতি দেয়, যদি এবং কেবলমাত্র যদি পরিচয় ω এবং ω′ একে অপরের কাছাকাছি থাকে যেমন সেট ওভারল্যাপ দূরত্ব মেট্রিক দ্বারা পরিমাপ করা হয়। একটি ফজ আইবিই স্কিমটি পরিচয় হিসাবে বায়োমেট্রিক ইনপুট ব্যবহার করে এনক্রিপশন সক্ষম করতে প্রয়োগ করা যেতে পারে; একটি ফজ আইবিই স্কিমের ত্রুটি-সহনশীলতা সম্পত্তিটি ঠিক এমনটি যা বায়োমেট্রিক পরিচয় ব্যবহারের অনুমতি দেয়, যা স্বভাবতই প্রতিটিবার নমুনা নেওয়া হয় তখন কিছুটা গোলমাল হবে। উপরন্তু, আমরা দেখাই যে ফাজি-আইবিই একটি প্রকারের অ্যাপ্লিকেশনের জন্য ব্যবহার করা যেতে পারে যা আমরা অ্যাট্রিবিউট-ভিত্তিক এনক্রিপশন বলে থাকি। এই গবেষণাপত্রে আমরা দুটি ফাজি আইবিই স্কিম উপস্থাপন করছি। আমাদের নির্মাণগুলিকে একটি বার্তার একটি পরিচয়-ভিত্তিক এনক্রিপশন হিসাবে দেখা যেতে পারে যা বিভিন্ন বৈশিষ্ট্যের অধীনে একটি (ভ্রান্ত) পরিচয় গঠন করে। আমাদের আইবিই স্কিমগুলো ত্রুটি-সহনশীল এবং গোপন আক্রমণের বিরুদ্ধে সুরক্ষিত। উপরন্তু, আমাদের মৌলিক গঠন এলোমেলোভাবে ভবিষ্যদ্বাণী ব্যবহার করে না। আমরা আমাদের প্রকল্পের নিরাপত্তা প্রমাণ করি নির্বাচনী-আইডি নিরাপত্তা মডেলের অধীনে। |
b3baba6c34a2946b999cc0f6be6bb503d303073e | এই গবেষণাপত্রে একটি পরিবর্তিত কলমোগোরভ-স্মিরনোভ (কেএস) পরীক্ষার উপর ভিত্তি করে রিসিভার অপারেটিং চরিত্রগত (আরওসি) বক্ররেখার সমতুল্যতার একটি সহজ, অ-প্যারামেট্রিক এবং জেনেরিক পরীক্ষা বর্ণনা করা হয়েছে। এই পরীক্ষার বর্ণনা সাধারণত ব্যবহৃত কৌশল যেমন ROC বক্ররেখার নিচে এলাকা (AUC) এবং Neyman-Pearson পদ্ধতির সাথে সম্পর্কিত। আমরা প্রথমে পর্যালোচনা করব কিভাবে কেএস পরীক্ষাটি শূন্য অনুমান পরীক্ষা করতে ব্যবহৃত হয় যে শ্রেণিবদ্ধক দ্বারা পূর্বাভাসিত শ্রেণীর লেবেলগুলি এলোমেলো থেকে ভাল নয়। আমরা তখন একটি অন্তরাল ম্যাপিং কৌশল প্রস্তাব করি যা আমাদেরকে দুইটি কেএস পরীক্ষা ব্যবহার করতে দেয় যাতে দুইটি শ্রেণীবিভাগের সমতুল্য ROC কার্ভ থাকে। আমরা দেখাব যে এই পরীক্ষাটি বিভিন্ন ROC কার্ভকে বৈষম্য করে যখন একটি কার্ভ অন্যটির উপর আধিপত্য বিস্তার করে এবং যখন কার্ভগুলি ক্রস হয় এবং তাই AUC দ্বারা বৈষম্য করা হয় না। এই পদ্ধতির মাধ্যমে প্রমাণ করা হয় যে, যদিও AUC এর কিছু সীমাবদ্ধতা রয়েছে, কিন্তু এটি মডেল-নির্ভর এবং শ্রেণীবিভাগের কার্যকারিতার একটি সুসংগত পরিমাপ হতে পারে। |
090f4b588ba58c36a21eddd67ea33d59614480c1 | আমার পদ্ধতির উপর নির্ভর করে একটি তল বক্তৃতা মডেল এবং একটি শব্দকোষিক জ্ঞান বেস থেকে প্রাপ্ত অ্যানিমেসি তথ্য। আমি দেখাবো কিভাবে ক্লজ এবং অ্যাপোসিটিভ সীমানা নির্ভরযোগ্যভাবে নির্ধারণ করা যায় স্থানীয় প্রসঙ্গে ভিত্তিক সিদ্ধান্ত পদ্ধতি ব্যবহার করে, যা অংশ-ভাষার ট্যাগ এবং নামের টুকরো দ্বারা প্রতিনিধিত্ব করা হয়। এরপর আমি বাক্য গঠন এবং বক্তৃতা মধ্যে যে সম্পর্ক ঘটে তাকে সরলীকরণ প্রক্রিয়ার সময় আনুষ্ঠানিকভাবে রূপান্তর করি। এটি গুরুত্বপূর্ণ কারণ একটি পাঠ্যকে আরও বিস্তৃত শ্রোতাদের কাছে অ্যাক্সেসযোগ্য করার ক্ষেত্রে সিনট্যাক্টিক সরলীকরণের উপযোগিতা হ্রাস করা যেতে পারে যদি পুনর্লিখিত পাঠ্যটিতে সংহতি না থাকে। আমি বর্ণনা করছি কিভাবে বিভিন্ন প্রজন্মের সমস্যা যেমন বাক্য অর্ডারিং, কিউ-ওয়ার্ড নির্বাচন, রেফারেন্স-এক্সপ্রেশন প্রজন্ম, নির্ধারক পছন্দ এবং প্রনোমিনাল ব্যবহারের সমাধান করা যেতে পারে যাতে সিনট্যাক্টিক সরলীকরণের সময় সংযোজক এবং অ্যানাফোরিক সংহতি-সম্পর্কগুলি সংরক্ষণ করা যায়। সিনট্যাক্সিক সরলীকরণের জন্য, আমাকে বিভিন্ন প্রাকৃতিক ভাষা প্রক্রিয়াকরণ সমস্যা মোকাবেলা করতে হয়েছে, যার মধ্যে রয়েছে ধারা এবং আপোজিটিভ সনাক্তকরণ এবং সংযুক্তি, সর্বনাম রেজোলিউশন এবং রেফারেন্স-এক্সপ্রেশন জেনারেশন। আমি প্রতিটি সমস্যার সমাধানের জন্য আমার পদ্ধতির মূল্যায়ন করি এবং আমার সিনট্যাক্সিক সরলীকরণ ব্যবস্থার একটি সামগ্রিক মূল্যায়নও উপস্থাপন করি। সিনট্যাক্সিক সরলীকরণ হচ্ছে একটি পাঠ্যের ব্যাকরণগত জটিলতা হ্রাস করার প্রক্রিয়া, যখন এর তথ্য বিষয়বস্তু এবং অর্থ বজায় রাখা হয়। সিনট্যাক্স সরলীকরণের উদ্দেশ্য হল পাঠককে পাঠ্যটি সহজভাবে বুঝতে বা প্রোগ্রাম দ্বারা প্রক্রিয়া করা। এই থিসিসে, আমি বর্ণনা করছি কিভাবে সিনট্যাক্সিকাল সরলীকরণ অর্জন করা যায়, ক্ষুদ্র শক্তিশালী বিশ্লেষণ, হস্তনির্মিত সরলীকরণ নিয়মের একটি ছোট সেট এবং সিনট্যাক্সিকালভাবে পুনর্লিখন পাঠ্যের বক্তৃতা-স্তরের দিকগুলির বিস্তারিত বিশ্লেষণ ব্যবহার করে। আমি আপেক্ষিক ধারা, অ্যাপোজিশন, সমন্বয় এবং আজ্ঞাবহতার একটি চিকিত্সা প্রস্তাব। আমি আপেক্ষিক ধারা এবং আপোজিটিভ সংযুক্তির জন্য নতুন কৌশল উপস্থাপন করছি। আমি যুক্তি দিচ্ছি যে এই সংযুক্তি সিদ্ধান্তগুলি বিশুদ্ধভাবে সিনট্যাক্টিক নয়। |
a9a7168b5b45fcf63e7f8904f68f6a90f8062443 | |
6d7c6c8828c7ac91cc74a79fdc06b5783102a784 | এই নিবন্ধটি স্বাস্থ্য সম্পর্কিত অ্যাপ্লিকেশনগুলির দিকে দৃষ্টি নিবদ্ধ করে মাইক্রোওয়েভ ভিশন, পূর্বে সাটিমো কোম্পানির কার্যক্রমের একটি ওভারভিউ দেয়। স্পেসিফিক অ্যাবসর্পশন রেট (এসএআর) পরিমাপ এবং আরএফ সুরক্ষার দিক থেকে বিদ্যমান পণ্যগুলি বিস্তারিতভাবে বর্ণনা করা হয়েছে। মাইক্রোওয়েভ ব্যবহার করে স্তন রোগ নির্ণয়ের জন্য একটি নতুন ইমেজিং পদ্ধতির উন্নয়নের অগ্রগতি সম্পর্কে শীঘ্রই রিপোর্ট করা হবে। |
0c1a55e0e02c1dbf6cf363ec022ca17925586e16 | বায়ু, পৃষ্ঠ এবং ভূগর্ভস্থ (সামুদ্রিক) এবং স্থল পরিবেশের জন্য স্বয়ংক্রিয় নজরদারি এবং তথ্য সিস্টেমের মূল ক্ষমতা হল ট্র্যাক করা বস্তুগুলির সনাক্তকরণ, পরিস্থিতিগত সচেতনতা উন্নত করা এবং অপারেশনাল ব্যবহারকারীদের সিদ্ধান্ত সহায়তা প্রদান করা। বেয়েসিয়ান ভিত্তিক সনাক্তকরণ তথ্য সংমিশ্রণ প্রক্রিয়া (আইডিসিপি) বিভিন্ন উৎস থেকে অনিশ্চিত পরিচয় সূচকগুলির সংমিশ্রণের জন্য একটি কার্যকর যন্ত্র সরবরাহ করে। এই প্রক্রিয়াটি কনফিগার করার জন্য একটি ব্যবহারকারী-ভিত্তিক পদ্ধতির প্রবর্তন করা হয়েছে, যা অপারেটরদের বিভিন্ন অপারেশনাল পরিস্থিতিতে আইডিসিপিকে পরিবর্তিত সনাক্তকরণের প্রয়োজনের সাথে খাপ খাইয়ে নিতে সক্ষম করে। জ্ঞানীয় মনোবিজ্ঞান এবং সিদ্ধান্ত তত্ত্ব থেকে ফলাফল প্রয়োগ বেসিয়ান তথ্য পুনরুদ্ধারের জন্য ভাল অ্যাক্সেস প্রদান করে এবং কনফিগারেশন সহজেই কার্যকরী বিশেষজ্ঞদের জন্য সম্ভব করে তোলে। |
2636bff7d3bdccf9b39c5e1e7d86a77690f1c07d | রিওয়ার্ড শেপিং হচ্ছে রিইনফোর্সমেন্ট লার্নিং (আরএল) এর ক্ষেত্রে ক্রেডিট নির্ধারণের গুরুত্বপূর্ণ কিন্তু চ্যালেঞ্জিং সমস্যা মোকাবেলার অন্যতম কার্যকর পদ্ধতি। তবে, আকৃতির ফাংশন ডিজাইন করার জন্য সাধারণত অনেক বিশেষজ্ঞ জ্ঞান এবং হ্যান্ড ইঞ্জিনিয়ারিংয়ের প্রয়োজন হয় এবং সমাধানের জন্য একাধিক অনুরূপ কাজ দেওয়া হলে অসুবিধা আরও বাড়িয়ে তোলে। এই গবেষণাপত্রে আমরা কাজের বন্টনের উপর পুরস্কারের আকৃতি বিবেচনা করি এবং একটি সাধারণ মেটা-লার্নিং ফ্রেমওয়ার্ক প্রস্তাব করি যাতে স্বয়ংক্রিয়ভাবে নতুন নমুনাযুক্ত কাজের উপর দক্ষ পুরষ্কারের আকৃতি শিখতে পারে, কেবলমাত্র ভাগ করা রাষ্ট্রের স্থান ধরে নিলেও অগত্যা অ্যাকশন স্পেস নয়। আমরা প্রথমে মডেল-মুক্ত RL-এ ক্রেডিট অ্যাসাইনমেন্টের ক্ষেত্রে তাত্ত্বিকভাবে সর্বোত্তম পুরষ্কারের আকারের প্রাপ্তি করি। তারপর আমরা একটি মান-ভিত্তিক মেটা-লার্নিং অ্যালগরিদমের প্রস্তাব দিই যা সর্বোত্তম পুরস্কারের আকৃতির উপর একটি কার্যকর অগ্রাধিকার বের করে। পূর্ববর্তীটি সরাসরি নতুন কাজগুলিতে প্রয়োগ করা যেতে পারে, বা কয়েকটি গ্রেডিয়েন্ট আপডেটের মধ্যে কাজটি সমাধান করার সময় টাস্ক-পরবর্তীটির সাথে প্রমাণযোগ্যভাবে অভিযোজিত হতে পারে। আমরা আমাদের শেপিংয়ের কার্যকারিতা বিভিন্ন সেটিংসে উল্লেখযোগ্যভাবে উন্নত শেখার দক্ষতা এবং ব্যাখ্যাযোগ্য ভিজ্যুয়ালাইজেশনের মাধ্যমে প্রদর্শন করি, বিশেষত ডিকিউএন থেকে ডিডিপিজিতে সফল স্থানান্তর সহ। |
0309ec1f0e139cc10090c4fefa08a83a2644530a | |
42771aede47980ae8eeebac246c7a8b941d11414 | আমরা ব্যক্তিগতকৃত ওয়েব অনুসন্ধান উন্নত করতে অনুসন্ধান ফলাফল বৈচিত্র্য করার পদ্ধতি উপস্থাপন এবং মূল্যায়ন করি। একটি সাধারণ ব্যক্তিগতকরণ পদ্ধতিতে শীর্ষ N অনুসন্ধান ফলাফলের পুনরায় র্যাঙ্কিং অন্তর্ভুক্ত রয়েছে যাতে ব্যবহারকারী দ্বারা পছন্দ করা ডকুমেন্টগুলি উচ্চতর উপস্থাপিত হয়। পুনরায় র্যাঙ্কিংয়ের উপযোগিতা বিবেচনা করা ফলাফলের সংখ্যা এবং বৈচিত্র্যের দ্বারা সীমাবদ্ধ। আমরা তিনটি পদ্ধতির প্রস্তাব দিচ্ছি যাতে শীর্ষ ফলাফলের বৈচিত্র্য বাড়ানো যায় এবং এই পদ্ধতিগুলির কার্যকারিতা মূল্যায়ন করা যায়। |
22a8979b53315fad7f98781328cc0326b5147cca | একটি কৃত্রিম নিউরাল নেটওয়ার্ক ভিত্তিক সংশ্লেষণ মডেল প্রস্তাবিত হয় একক ফিড বৃত্তাকার-ধ্রুবযুক্ত বর্গক্ষেত্র মাইক্রোস্ট্রিপ অ্যান্টেনা (সিপিএসএমএ) এর জন্য। প্রশিক্ষণ ডেটা সেট পেতে, বর্গক্ষেত্র মাইক্রোস্ট্রিপ অ্যান্টেনার অনুরণন ফ্রিকোয়েন্সি এবং কিউ-ফ্যাক্টরকে অভিজ্ঞ সূত্র দ্বারা গণনা করা হয়। তারপর, কাটা কোণের আকার এবং সর্বোত্তম অক্ষীয় অনুপাতের সাথে অপারেশন ফ্রিকোয়েন্সি পাওয়া যায়। লেভেনবার্গ-মার্কার্ড্ট (এলএম) অ্যালগরিদম ব্যবহার করে, একটি তিনটি লুকানো স্তরযুক্ত নেটওয়ার্ককে একটি সঠিক সংশ্লেষণ মডেল অর্জনের জন্য প্রশিক্ষণ দেওয়া হয়। শেষ পর্যন্ত, ইলেক্ট্রোম্যাগনেটিক সিমুলেশন এবং পরিমাপের সাথে তার ফলাফলের তুলনা করে মডেলটি বৈধতা দেওয়া হয়। এটি এন্টেন ইঞ্জিনিয়ারদের জন্য অত্যন্ত উপযোগী, যাতে তারা সিপিএসএমএ-র একক ফিডের প্যাচ ফিজিক্যাল মাত্রা সরাসরি পেতে পারে। |
93f962a46b24030bf4486a77b282f567529e7782 | এই গবেষণাপত্রে একটি কমপ্যাক্ট এবং শক্তি-দক্ষ 5 গিগাহার্টজ ইন-ব্যান্ড ফুল-ডুপ্লেক্স (এফডি) ডিজাইন উপস্থাপন করা হয়েছে ANSYS HFSS 180 ডিগ্রি রিং হাইব্রিড কপলার ব্যবহার করে। প্রস্তাবিত নকশাটি 57dB এর একটি চমৎকার বিচ্ছিন্নতা অর্জন করে, যা সংযোজকটিতে সংযুক্ত দুটি বিকিরণ অ্যান্টেনার মধ্যে ধ্বংসাত্মক হস্তক্ষেপের সুবিধা গ্রহণ করে, যার ফলে স্ব-হস্তক্ষেপের একটি বড় হ্রাস ঘটে। এই নকশাটি প্যাসিভ এবং তাই এটি চ্যানেলের মান নির্ধারণের জন্য অতিরিক্ত পাওয়ারের প্রয়োজন পূরণ করে। এছাড়াও, এটির একটি খুব কার্যকর দৈহিক আকার রয়েছে যা পছন্দসই অপারেশন ফ্রিকোয়েন্সির জন্য। প্রস্তাবিত এফডি ডিজাইনটি কমপ্যাক্ট এবং শক্তি-দক্ষ, যা মোবাইল ডিভাইসে যেমন সেল ফোন বা ট্যাবলেট / ফ্যাবলেট ডিভাইসে ব্যবহার করা যেতে পারে যাতে কম পরিমাণে আরএফ রিসোর্সগুলি আরও নমনীয় এবং আরও বেশি পরিমাণে থাকে। |
023cc7f9f3544436553df9548a7d0575bb309c2e | এই নিবন্ধে পাঠ্য শ্রেণীবিভাগের জন্য একটি সহজ এবং কার্যকর বেসলাইন অন্বেষণ করা হয়েছে। আমাদের পরীক্ষাগুলো দেখায় যে আমাদের দ্রুত পাঠ্য শ্রেণীবিভাগকারী ফাস্টটেক্সট প্রায়ই গভীর শিক্ষণ শ্রেণীবিভাগকারীদের সমান সঠিকতা এবং প্রশিক্ষণ ও মূল্যায়নের জন্য অনেক পরিমাণে দ্রুততর। আমরা একটি স্ট্যান্ডার্ড মাল্টি কোর সিপিইউ ব্যবহার করে দশ মিনিটেরও কম সময়ে এক বিলিয়ন শব্দ থেকে দ্রুত পাঠ্য প্রশিক্ষণ দিতে পারি, এবং এক মিনিটেরও কম সময়ে ৩১২,০০০ শ্রেণীর মধ্যে অর্ধ মিলিয়ন বাক্য শ্রেণীবদ্ধ করতে পারি। |
d80e7da055f9c25e29f732d0a829daf172eb1fa0 | এই নিবন্ধে একটি বিস্তৃত সাহিত্যের পর্যালোচনা করা হয়েছে, যেখানে এই প্রশ্নের উত্তর দেওয়া হয়েছে, স্বাস্থ্যসেবা প্রদান এবং সংগঠনে উদ্ভাবনকে আমরা কীভাবে ছড়িয়ে দিতে পারি এবং বজায় রাখতে পারি? এটি উভয় বিষয়বস্তু (সংস্থাগুলিতে উদ্ভাবনের বিস্তার সংজ্ঞায়িত এবং পরিমাপ করা) এবং প্রক্রিয়া (ব্যবস্থামূলক এবং পুনরুত্পাদনযোগ্য উপায়ে সাহিত্যের পর্যালোচনা) বিবেচনা করে। এই নিবন্ধে আলোচনা করা হয়েছে (1) স্বাস্থ্যসেবা সংস্থায় উদ্ভাবনের বিস্তার বিবেচনা করার জন্য একটি সংক্ষিপ্ত এবং প্রমাণ-ভিত্তিক মডেল, (2) স্পষ্ট জ্ঞান ফাঁক যেখানে আরও গবেষণা ফোকাস করা উচিত, এবং (3) স্বাস্থ্যসেবা নীতি এবং পরিচালনার পদ্ধতিগতভাবে পর্যালোচনা করার জন্য একটি শক্তিশালী এবং স্থানান্তরযোগ্য পদ্ধতি। মডেল এবং পদ্ধতি উভয়ই বিভিন্ন প্রসঙ্গে আরও ব্যাপকভাবে পরীক্ষা করা উচিত। |
3343d1d78f2a14045b52b71428efaf43073d616d | লক্ষ্যমাত্রা বাড়ছে স্থূলতার হার আমরা পরীক্ষা করেছি যে খাদ্যের শক্তির ঘনত্ব স্থূলতা এবং সম্পর্কিত রোগের সাথে যুক্ত কিনা, যার মধ্যে রয়েছে ইনসুলিন প্রতিরোধ ক্ষমতা এবং মেটাবোলিক সিন্ড্রোম। গবেষণা নকশা এবং পদ্ধতি আমরা 1999-2002 জাতীয় স্বাস্থ্য এবং পুষ্টি পরীক্ষা জরিপ থেকে জাতীয় প্রতিনিধি তথ্য ব্যবহার করে একটি ক্রস-সেকশন গবেষণা পরিচালনা করেছি। খাদ্যের শক্তি ঘনত্ব শুধুমাত্র খাদ্যের উপর ভিত্তি করে গণনা করা হয়। আমরা মাল্টিভ্যারিয়েট লিনিয়ার রিগ্রেশন মডেল ব্যবহার করে খাদ্যের শক্তি ঘনত্ব, স্থূলতার পরিমাপ (বিএমআই [কিলোগ্রাম প্রতি বর্গ মিটার] এবং কোমরের পরিধি [সেন্টিমিটারে]), গ্লাইসেমিয়া, বা ইনসুলিনেমিয়ার মধ্যে স্বতন্ত্র সম্পর্ক নির্ধারণ করেছি। আমরা জাতীয় কোলেস্টেরল এবং শিক্ষা কর্মসূচির (প্রাপ্তবয়স্কদের চিকিৎসার প্যানেল ৩) সংজ্ঞায়িত খাদ্য শক্তি ঘনত্ব এবং বিপাকীয় সিন্ড্রোমের মধ্যে স্বতন্ত্র সমিতি নির্ধারণের জন্য বহু-পরিবর্তনশীল পয়সন রিগ্রেশন মডেল ব্যবহার করেছি। ফলাফল খাদ্য শক্তি ঘনত্ব স্বাধীনভাবে এবং উল্লেখযোগ্যভাবে মহিলাদের উচ্চতর BMI (বিটা = 0. 44 [95% আইসি 0. 14- 0. 73]) এবং পুরুষদের মধ্যে একটি উল্লেখযোগ্য সমিতির দিকে প্রবণতা ছিল (বিটা = 0. 37 [- 0. 007 থেকে 0. 74], পি = 0. 054) । খাদ্যের শক্তির ঘনত্ব মহিলাদের (বিটা = 1. 11 [0. 42- 1. 80]) এবং পুরুষদের (বিটা = 1. 33 [0. 46- 2. 19]) উচ্চতর কোমর পরিধির সাথে যুক্ত ছিল। খাদ্যের শক্তির ঘনত্বও স্বতন্ত্রভাবে উচ্চতর উপবাস ইনসুলিন (বিটা = 0. 65 [0. 18-1. 12]) এবং মেটাবোলিক সিন্ড্রোম (প্রচলন অনুপাত = 1. 10 [95% আইসি 1. 03- 1. 17]) এর সাথে যুক্ত ছিল। উপসংহার খাদ্যশক্তির ঘনত্ব হচ্ছে স্থূলতা, উচ্চ মাত্রার উপবাসের ইনসুলিন এবং মার্কিন যুক্তরাষ্ট্রে প্রাপ্তবয়স্কদের মধ্যে মেটাবোলিক সিন্ড্রোমের একটি স্বতন্ত্র পূর্বাভাস। খাদ্যের শক্তি ঘনত্ব কমাতে হস্তক্ষেপের গবেষণা প্রয়োজন। |
3e597e492c1ed6e7bbd539d5f2e5a6586c6074cd | বেশিরভাগ নিউরাল মেশিন ট্রান্সলেশন (এনএমটি) মডেলগুলি ক্রমিক এনকোডার-ডিকোডার কাঠামোর উপর ভিত্তি করে তৈরি, যা সিনট্যাক্সিক তথ্য ব্যবহার করে না। এই কাগজে, আমরা এই মডেলটি উন্নত করি, স্পষ্টভাবে সোর্স-সাইড সিনট্যাক্টিক গাছগুলি অন্তর্ভুক্ত করে। আরো নির্দিষ্টভাবে, আমরা প্রস্তাব করি (1) একটি দ্বি-নির্দেশক বৃক্ষ এনকোডার যা উভয় ক্রমিক এবং বৃক্ষ কাঠামোগত উপস্থাপনাগুলি শিখতে পারে; (2) একটি বৃক্ষ-কভারেজ মডেল যা মনোযোগ উৎস-পার্শ্ব সিনট্যাক্সের উপর নির্ভর করে। চীনা-ইংরেজি অনুবাদে পরীক্ষাগুলি দেখায় যে আমাদের প্রস্তাবিত মডেলগুলি ধারাবাহিক মনোযোগের মডেলের পাশাপাশি নীচে থেকে উপরে গাছের এনকোডার এবং শব্দ কভারেজের সাথে একটি শক্তিশালী বেসলাইনকে ছাড়িয়ে যায়। |
4e88de2930a4435f737c3996287a90ff87b95c59 | সময়ের সাথে সাথে ক্রমের তথ্য সংরক্ষণের জন্য তাদের উচ্চতর ক্ষমতার কারণে, লং শর্ট-টার্ম মেমরি (এলএসটিএম) নেটওয়ার্কগুলি, একটি জটিল কম্পিউটেশনাল ইউনিট সহ পুনরাবৃত্ত নিউরাল নেটওয়ার্কের একটি প্রকার, বিভিন্ন ক্রম মডেলিংয়ের কাজগুলিতে শক্তিশালী ফলাফল পেয়েছে। এখন পর্যন্ত যে এলএসটিএম কাঠামোর সন্ধান করা হয়েছে, সেটি হচ্ছে একটি রৈখিক চেইন। তবে, প্রাকৃতিক ভাষায় এমন কিছু সিনট্যাক্স বৈশিষ্ট্য রয়েছে যা শব্দকে বাক্যে পরিণত করে। আমরা ট্রি-এলএসটিএম, গাছ-গঠনযুক্ত নেটওয়ার্ক টপোলজিগুলিতে এলএসটিএমগুলির একটি সাধারণীকরণ প্রবর্তন করি। ট্রিএলএসটিএমগুলি দুটি কাজের ক্ষেত্রে সমস্ত বিদ্যমান সিস্টেম এবং শক্তিশালী এলএসটিএম বেসলাইনগুলিকে ছাড়িয়ে যায়ঃ দুটি বাক্যের অর্থগত সম্পর্ক পূর্বাভাস দেওয়া (সেমভ্যাল ২০১৪, টাস্ক ১) এবং অনুভূতি শ্রেণিবদ্ধকরণ (স্ট্যানফোর্ড সেন্টিমেন্ট ট্রিব্যাঙ্ক) । |
6411da05a0e6f3e38bcac0ce57c28038ff08081c | অর্থপূর্ণ উপস্থাপনাগুলি দীর্ঘদিন ধরে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে যুক্তিযুক্তভাবে এই কাজের মাধ্যমে, আমরা প্রথমবারের মতো নিউরাল মেশিন অনুবাদে উৎস বাক্যের (অর্থাৎ, শব্দার্থিক-ভূমিকা উপস্থাপনা) উপসংহার-তর্ক গঠন সম্পর্কে তথ্য অন্তর্ভুক্ত করেছি। আমরা গ্রাফ কনভোলুশনাল নেটওয়ার্ক (জিসিএন) ব্যবহার করে বাক্য এনকোডারগুলিতে একটি শব্দার্থিক পক্ষপাত ইনজেকশন করি এবং ইংরেজি-জার্মান ভাষা জোড়ার ভাষাগত-অজ্ঞাত এবং সিনট্যাক্সওয়্যার সংস্করণগুলির তুলনায় BLEU স্কোরগুলিতে উন্নতি অর্জন করি। |
9f291ce2d0fc1d76206139a40a859283674d8f65 | এনকোডার-ডিকোডার আর্কিটেকচারের উপর ভিত্তি করে নিউরাল মেশিন ট্রান্সলেশন (এনএমটি) সম্প্রতি অত্যাধুনিক পারফরম্যান্স অর্জন করেছে। গবেষকরা প্রমাণ করেছেন যে, শব্দ স্তরের মনোযোগকে বাক্যাংশ স্তরের মনোযোগে প্রসারিত করে উৎস-পার্শ্বের বাক্যাংশ কাঠামোর সংযোজন মনোযোগের মডেলকে উন্নত করতে পারে এবং আশাব্যঞ্জক উন্নতি অর্জন করতে পারে। যাইহোক, শব্দ নির্ভরতা যা একটি উৎস বাক্য সঠিকভাবে বুঝতে গুরুত্বপূর্ণ হতে পারে সবসময় একটি পরপর ফ্যাশন (অর্থাৎ কখনও কখনও তারা দীর্ঘ দূরত্ব হতে পারে। দীর্ঘ দূরত্বের নির্ভরতা মডেলিং করার জন্য বাক্যাংশের গঠনটি সর্বোত্তম উপায় নয়। এই গবেষণাপত্রে আমরা একটি সহজ কিন্তু কার্যকর পদ্ধতির প্রস্তাব দিচ্ছি যাতে উৎস-পার্শ্বের দীর্ঘ দূরত্বের নির্ভরতা এনএমটি-তে অন্তর্ভুক্ত করা যায়। আমাদের নির্ভরতা গাছের উপর ভিত্তি করে পদ্ধতিটি প্রতিটি উৎস রাষ্ট্রকে বিশ্বব্যাপী নির্ভরতা কাঠামোর সাথে সমৃদ্ধ করে, যা উৎস বাক্যের অন্তর্নিহিত সিনট্যাক্স কাঠামোকে আরও ভালভাবে ক্যাপচার করতে পারে। চীনা-ইংরেজি এবং ইংরেজি-জাপানি ভাষায় অনুবাদ করার পরীক্ষায় দেখা গেছে যে আমাদের প্রস্তাবিত পদ্ধতিটি আধুনিকতম এসএমটি এবং এনএমটি বেসলাইনগুলির চেয়ে বেশি কার্যকর। |
d12c173ea92fc33dc276d1da90dc72a660f7ea12 | লিঙ্কড ডেটার মূল উদ্দেশ্য হচ্ছে লিঙ্কিং এবং ইন্টিগ্রেশন, এবং এই লক্ষ্যে পৌঁছানো হয়েছে কিনা তা মূল্যায়নের জন্য একটি প্রধান পদক্ষেপ হল লিঙ্কড ওপেন ডেটা (এলওডি) ক্লাউড ডেটাসেটের মধ্যে সমস্ত সংযোগ খুঁজে পাওয়া। দুটি বা ততোধিক ডেটাসেটের মধ্যে সংযোগ সাধন করা যায় সাধারণ Entities, Triples, Literals, এবং Schema Elements এর মাধ্যমে, যখন আরও সংযোগগুলি ইউআরআইগুলির মধ্যে সমতুল্য সম্পর্কের কারণে ঘটতে পারে, যেমন owl:sameAs, owl:equivalentProperty এবং owl:equivalentClass, যেহেতু অনেক প্রকাশক এই ধরনের সমতুল্য সম্পর্ক ব্যবহার করে, তাদের ইউআরআইগুলি অন্যান্য ডেটাসেটের ইউআরআইগুলির সাথে সমতুল্য বলে ঘোষণা করার জন্য। তবে, দুটি ডেটাসেটের বেশি জড়িত সংযোগের পরিমাপ (এবং সূচক) উপলব্ধ নেই, যা ডেটাসেটের পুরো বিষয়বস্তু (যেমন, সত্তা, স্কিমা, ট্রিপলস) বা স্লাইস (যেমন, একটি নির্দিষ্ট সত্তার জন্য ট্রিপলস) কভার করে, যদিও তারা বেশ কয়েকটি বাস্তব বিশ্বের কাজের জন্য প্রাথমিক গুরুত্বের হতে পারে, যেমন তথ্য সমৃদ্ধি, ডেটাসেট আবিষ্কার এবং অন্যান্য। সাধারণত, ডেটাসেটগুলির মধ্যে সংযোগগুলি খুঁজে পাওয়া সহজ কাজ নয়, যেহেতু প্রচুর সংখ্যক এলওডি ডেটাসেট রয়েছে এবং সংযোগগুলি অনুপস্থিত না হওয়ার জন্য সমতুল্যতার সম্পর্কের ট্রানজিটিভ এবং সিম্যাট্রিক ক্লোজার গণনা করা উচিত। এই কারণে, আমরা স্কেলযোগ্য পদ্ধতি এবং অ্যালগরিদমগুলি প্রবর্তন করি, (ক) সমতুল্যতার সম্পর্কের জন্য ট্রানজিটিভ এবং সিম্যাট্রিক ক্লোজারের গণনা সম্পাদন করার জন্য (কারণ তারা ডেটাসেটের মধ্যে আরও সংযোগ তৈরি করতে পারে); (খ) ডেটাসেটের পুরো বিষয়বস্তু জুড়ে ডেডিকেটেড গ্লোবাল সেম্যান্টিক-সচেতন সূচকগুলি তৈরি করার জন্য; এবং (গ) দুই বা ততোধিক ডেটাসেটের মধ্যে সংযোগের পরিমাপ করার জন্য। অবশেষে, আমরা প্রস্তাবিত পদ্ধতির গতির মূল্যায়ন করি, যখন আমরা দুই বিলিয়ন ট্রিপলসের তুলনামূলক ফলাফলের প্রতিবেদন করি। |
d6020bdf3b03f209174cbc8fb4ecbe6208eb9ff1 | প্রথম লেখকের গবেষণা জীবন নিয়ে আমরা একটি পর্যালোচনা দিয়ে শুরু করব, যার বেশিরভাগ অংশই সংগঠনের পরিবর্তনের জন্য তথ্য প্রযুক্তির (আইটি) প্রভাব নিয়ে গবেষণা করার জন্য নিবেদিত। যদিও আইটি দীর্ঘকাল ধরে সাংগঠনিক পরিবর্তনের সাথে যুক্ত হয়েছে, আমাদের ঐতিহাসিক পর্যালোচনাটি সাংগঠনিক তত্ত্বের প্রযুক্তির চিকিত্সার উপর প্রদর্শন করে যে সংগঠনগুলির উপাদানগত দিকগুলি তত্ত্বের বিকাশের পিছনে পিছনে কত সহজেই অদৃশ্য হয়ে যেতে পারে। এটি একটি দুর্ভাগ্যজনক ফলাফল যেহেতু আইটি উদ্যোগের উপাদানগত বৈশিষ্ট্যগুলি তাদের অন্যান্য সাংগঠনিক পরিবর্তনের উদ্যোগ থেকে আলাদা করে। আমাদের লক্ষ্য হল আইটি প্রভাবের গবেষণায় তাৎপর্য ফিরিয়ে আনা, এর বিলুপ্তির কারণগুলি খুঁজে বের করা এবং এমন বিকল্পগুলি সরবরাহ করা যেখানে আইটি এর তাৎপর্য একটি কেন্দ্রীয় তাত্ত্বিক ভূমিকা পালন করে। আমরা একটি সামাজিক-প্রযুক্তিগত দৃষ্টিভঙ্গি গ্রহণ করি যা কঠোর সামাজিক-সামগ্রিক দৃষ্টিভঙ্গি থেকে পৃথক যেহেতু আমরা উপাদান শিল্পকর্ম এবং তাদের ব্যবহারের সামাজিক প্রসঙ্গে মধ্যে অনটোলজিকাল পার্থক্য সংরক্ষণ করতে চাই। আমাদের বিশ্লেষণটি সামাজিক-প্রযুক্তিগত দৃষ্টিকোণ থেকে সম্পর্কযুক্ত ধারণা হিসাবে "অফোর্ড্যান্স" ধারণাটি ব্যবহার করে এগিয়ে যায়। এরপর আমরা সাংগঠনিক রুটিন তত্ত্বের সম্প্রসারণের প্রস্তাব দিই যা রুটিন নামে পরিচিত প্রজন্মগত ব্যবস্থায় উপাদানগত নিদর্শন অন্তর্ভুক্ত করে। এই অবদানগুলি আইটি র সাংগঠনিক প্রভাবের অধ্যয়নে নতুন গবেষণা ফোকাস হিসাবে উপাদানগত গ্রহণের সাথে সম্পর্কিত অনেকগুলি চ্যালেঞ্জের দুটি উদাহরণ দেয়। |
7039b7c97bd0e59693f2dc4ed7b40e8790bf2746 | আমরা একটি নিউরাল নেটওয়ার্ক মডেল বর্ণনা করছি যা যৌথভাবে পাঠ্য এবং জ্ঞান বেস (কেবি) সত্তার বিতরণকৃত উপস্থাপনাগুলি শিখবে। কেবিতে একটি টেক্সট দেওয়া হলে, আমরা আমাদের প্রস্তাবিত মডেলকে টেক্সটের সাথে সম্পর্কিত সত্তাগুলির পূর্বাভাস দেওয়ার জন্য প্রশিক্ষণ দিই। আমাদের মডেলটি সাধারণভাবে তৈরি করা হয়েছে যাতে বিভিন্ন এনএলপি কাজ সহজেই করা যায়। আমরা মডেলটিকে প্রশিক্ষণ দিই, উইকিপিডিয়া থেকে নেওয়া পাঠ্য এবং তাদের সত্তা টীকা ব্যবহার করে। আমরা তিনটি গুরুত্বপূর্ণ এনএলপি কাজ (যেমন, বাক্য পাঠ্যগত সাদৃশ্য, সত্তা লিঙ্কিং, এবং ফ্যাক্টোয়েড প্রশ্ন উত্তর) উভয় অনিয়ন্ত্রিত এবং তত্ত্বাবধানে সেটিংস জড়িত উপর মডেল মূল্যায়ন। এর ফলে আমরা এই তিনটি বিষয়ে অত্যাধুনিক ফলাফল অর্জন করেছি। আমাদের কোড এবং প্রশিক্ষিত মডেলগুলো জনসাধারণের জন্য আরও একাডেমিক গবেষণার জন্য উপলব্ধ। |
42f75b297aed474599c8e598dd211a1999804138 | আমরা অটো ক্লাসের বর্ণনা দিচ্ছি, যা ক্লাসিকাল মিক্সচার মডেলের উপর ভিত্তি করে অনিয়ন্ত্রিত শ্রেণিবদ্ধকরণের একটি পদ্ধতি, যা সর্বোত্তম শ্রেণীর নির্ধারণের জন্য একটি বেসিয়ান পদ্ধতি দ্বারা পরিপূরক। আমরা অটো ক্লাস সিস্টেমের পিছনে গণিতের একটি মাঝারি বিস্তারিত বিবরণ অন্তর্ভুক্ত করি। আমরা জোর দিয়ে বলছি যে, বর্তমানে যে কোন একক শ্রেণীবিভাগ ব্যবস্থা এককভাবে কাজ করলে সর্বোচ্চ উপযোগী ফলাফল দিতে পারে না। ডোমেইন বিশেষজ্ঞ এবং মডেল স্পেসে অনুসন্ধানকারী মেশিনের মধ্যে এটির মধ্যে মিথস্ক্রিয়া, যা নতুন জ্ঞান তৈরি করে। উভয়ই ডাটাবেস বিশ্লেষণের কাজে অনন্য তথ্য এবং দক্ষতা নিয়ে আসে এবং প্রত্যেকটি অন্যটির কার্যকারিতা বাড়ায়। আমরা এই পয়েন্টটি অটো ক্লাসের বিভিন্ন অ্যাপ্লিকেশন দিয়ে জটিল বাস্তব বিশ্বের ডাটাবেসগুলিতে চিত্রিত করি এবং এর ফলে সাফল্য এবং ব্যর্থতার বর্ণনা করি। এই অধ্যায়টি একটি স্বয়ংক্রিয় শ্রেণীবিভাগ প্রোগ্রাম (অটো ক্লাস) ব্যবহার করে ডাটাবেস থেকে দরকারী তথ্য আহরণের আমাদের অভিজ্ঞতার একটি সংক্ষিপ্তসার। এটি সাধারণভাবে স্বয়ংক্রিয় শ্রেণীবিভাগের ভিত্তি এবং বিশেষ করে অটো ক্লাসের মূলনীতির একটি রূপরেখা প্রদান করে। আমরা লেবেলযুক্ত উদাহরণ থেকে শ্রেণীর বর্ণনা তৈরির পরিবর্তে ডেটাতে শ্রেণীর স্বয়ংক্রিয় আবিষ্কারের সমস্যা নিয়ে উদ্বিগ্ন (কখনও কখনও ক্লাস্টারিং বা অনিয়ন্ত্রিত শিক্ষা বলা হয়) । কিছু অর্থে, স্বয়ংক্রিয় শ্রেণীবিভাগের লক্ষ্য তথ্যের মধ্যে "প্রাকৃতিক" শ্রেণীগুলি আবিষ্কার করা। এই শ্রেণীগুলো মৌলিক কারণগত প্রক্রিয়াকে প্রতিফলিত করে যা কিছু ক্ষেত্রে অন্যদের তুলনায় একে অপরের সাথে বেশি মিল করে। কারণীয় প্রক্রিয়াগুলি তথ্যের নমুনা পক্ষপাতের মতো বিরক্তিকর হতে পারে, অথবা ডোমেইনে কিছু বড় নতুন আবিষ্কারের পুনরাবৃত্তি করতে পারে। কখনও কখনও, এই শ্রেণীর ক্ষেত্রের বিশেষজ্ঞদের কাছে সুপরিচিত ছিল, কিন্তু অটো ক্লাসের কাছে অজানা ছিল, এবং অন্যান্য সময় |
32aea4c9fb9eb7cf2b6869efa83cf73420374628 | |
091778f43d947affb69dbccc2c3251abfa852ad2 | একটি সেমান্টিক ফাইল সিস্টেম একটি তথ্য স্টোরেজ সিস্টেম যা ফাইল টাইপ নির্দিষ্ট ট্রান্সডুসারগুলির সাথে ফাইলগুলি থেকে স্বয়ংক্রিয়ভাবে বৈশিষ্ট্যগুলি বের করে সিস্টেমের বিষয়বস্তুতে নমনীয় সমিতিগত অ্যাক্সেস সরবরাহ করে। সমিতিগত অ্যাক্সেস বিদ্যমান গাছ-গঠনযুক্ত ফাইল সিস্টেম প্রোটোকলগুলির একটি রক্ষণশীল এক্সটেনশন দ্বারা এবং এমন প্রোটোকল দ্বারা সরবরাহ করা হয় যা সামগ্রী ভিত্তিক অ্যাক্সেসের জন্য বিশেষভাবে ডিজাইন করা হয়েছে। বিদ্যমান ফাইল সিস্টেম প্রোটোকলের সাথে সামঞ্জস্যতা একটি ভার্চুয়াল ডিরেক্টরির ধারণার প্রবর্তনের মাধ্যমে প্রদান করা হয়। ভার্চুয়াল ডিরেক্টরি নামগুলি অনুসন্ধান হিসাবে ব্যাখ্যা করা হয়, এবং এইভাবে বিদ্যমান সফ্টওয়্যারের সাথে সামঞ্জস্যপূর্ণ পদ্ধতিতে ফাইল এবং ডিরেক্টরিগুলিতে নমনীয় সমিতিগত অ্যাক্সেস সরবরাহ করে। ফাইল সিস্টেম অবজেক্টের মূল বৈশিষ্ট্যগুলির স্বয়ংক্রিয় নিষ্কাশন এবং সূচীকরণের মাধ্যমে ফাইল সিস্টেমের বিষয়বস্তুতে দ্রুত বৈশিষ্ট্য-ভিত্তিক অ্যাক্সেস বাস্তবায়িত হয়। ফাইল এবং ডিরেক্টরিগুলির স্বয়ংক্রিয় সূচীকরণকে "সমার্থক" বলা হয় কারণ ব্যবহারকারী প্রোগ্রামযোগ্য ট্রান্সডুসারগুলি সূচীকরণের জন্য বৈশিষ্ট্যগুলি বের করার জন্য আপডেট হওয়া ফাইল সিস্টেম অবজেক্টগুলির অর্থনীতি সম্পর্কে তথ্য ব্যবহার করে। একটি শব্দার্থিক ফাইল সিস্টেম বাস্তবায়নের পরীক্ষামূলক ফলাফল এই থিসিসকে সমর্থন করে যে শব্দার্থিক ফাইল সিস্টেমগুলি তথ্য ভাগ করে নেওয়ার এবং কমান্ড স্তরের প্রোগ্রামিংয়ের জন্য traditionalতিহ্যবাহী গাছের কাঠামোগত ফাইল সিস্টেমের চেয়ে আরও কার্যকর স্টোরেজ বিমূর্ততা উপস্থাপন করে। |
096db7e8d2b209fb6dca9c7495ac84405c40e507 | এই গবেষণাপত্রে আমরা নন-নেগেটিভ ম্যাট্রিক্স ফ্যাক্টরাইজেশন (এনএমএফ) এর জন্য নতুন অল্টারনেটিং লিস্ট স্কোয়ার (এএলএস) অ্যালগরিদম এবং 3 ডি নন-নেগেটিভ টেনসর ফ্যাক্টরাইজেশন (এনটিএফ) এর জন্য তাদের এক্সটেনশনগুলি উপস্থাপন করি যা গোলমালের উপস্থিতিতে শক্তিশালী এবং বহু সম্ভাব্য অ্যাপ্লিকেশন রয়েছে, যার মধ্যে রয়েছে মাল্টি-ওয়ে ব্লাইন্ড সোর্স বিভাজন (বিএসএস), মাল্টি-সেন্সর বা বহু-মাত্রিক ডেটা বিশ্লেষণ এবং অ-নেগেটিভ নিউরাল স্পারস কোডিং। আমরা স্থানীয় খরচ ফাংশন ব্যবহার করার প্রস্তাব দিচ্ছি যার সমকালীন বা ক্রমিক (একের পর এক) সংক্ষিপ্তীকরণ একটি খুব সহজ ALS অ্যালগরিদমের দিকে পরিচালিত করে যা কিছু সংক্ষিপ্ততার সীমাবদ্ধতার অধীনে কাজ করে যা একটি নিম্ন-নির্ধারিত (একটি সিস্টেম যা সূত্রের চেয়ে কম সেন্সর রয়েছে) এবং ওভার-নির্ধারিত মডেলের জন্য। ব্যাপক পরীক্ষামূলক ফলাফলগুলি বিশেষ করে মাল্টি-লেয়ার হিরারকিক্যাল এনএমএফ ব্যবহারের মাধ্যমে উন্নত অ্যালগরিদমগুলির বৈধতা এবং উচ্চ কার্যকারিতা নিশ্চিত করে। প্রস্তাবিত অ্যালগরিদমের বহুমাত্রিক বিরল উপাদান বিশ্লেষণ এবং মসৃণ উপাদান বিশ্লেষণে প্রসারিত করার প্রস্তাবও দেওয়া হয়েছে। |
339888b357e780c6e80fc135ec48a14c3b524f7d | ব্লুম ফিল্টার হল একটি সাধারণ স্থান-দক্ষ র্যান্ডমাইজড ডেটা স্ট্রাকচার যা সদস্যতা অনুসন্ধানগুলিকে সমর্থন করার জন্য একটি সেট উপস্থাপন করে। ব্লুম ফিল্টার মিথ্যা ধনাত্মককে অনুমতি দেয় কিন্তু যখন কোনও ত্রুটির সম্ভাবনা নিয়ন্ত্রণ করা হয় তখন স্থান সঞ্চয় প্রায়শই এই অসুবিধার চেয়ে বেশি হয়। ব্লুম ফিল্টারগুলি ১৯৭০ এর দশক থেকে ডাটাবেস অ্যাপ্লিকেশনগুলিতে ব্যবহৃত হয়ে আসছে, তবে সাম্প্রতিক বছরগুলিতে তারা নেটওয়ার্কিং সাহিত্যে জনপ্রিয় হয়ে উঠেছে। এই গবেষণাপত্রের উদ্দেশ্য হল ব্লুম ফিল্টারগুলি বিভিন্ন নেটওয়ার্ক সমস্যার ক্ষেত্রে যেভাবে ব্যবহৃত এবং পরিবর্তিত হয়েছে তা পর্যালোচনা করা, যাতে তাদের বোঝার জন্য একটি একক গাণিতিক এবং ব্যবহারিক কাঠামো সরবরাহ করা যায় এবং ভবিষ্যতে অ্যাপ্লিকেশনগুলিতে তাদের ব্যবহারকে উদ্দীপিত করা যায়। |
dc3e8bea9ef0c9a2df20e4d11860203eaf795b6a | সাধারণ হাঁটার সময় জমি প্রতিক্রিয়া শক্তি উত্পন্ন হয় সম্প্রতি সময়ের সাথে সাথে পর্যবেক্ষণ করা শক্তিগুলির নিদর্শনগুলির উপর ভিত্তি করে ব্যক্তিদের সনাক্ত এবং / অথবা শ্রেণিবদ্ধ করতে ব্যবহৃত হয়েছে। একটি বৈশিষ্ট্য যা উল্লম্ব স্থল প্রতিক্রিয়া শক্তি থেকে বের করা যায় তা হল দেহের ভর। এই একক বৈশিষ্ট্যটি অন্যান্য গবেষণার সাথে তুলনীয় যা একাধিক এবং আরও জটিল বৈশিষ্ট্য ব্যবহার করে। এই গবেষণায় শারীরিক ভর সনাক্তকরণের ভূমিকা বুঝতে সাহায্য করে, (1) ভর এবং নির্ভুলতা যা ভর এবং নির্ভুলতা যা ভর এবং ভর ব্যবহার করে প্রাপ্ত করা যেতে পারে তা পরিমাপ করে, (2) একটি জনসংখ্যার উপর শরীরের ভর বিতরণকে পরিমাপ করে যা আগে হাঁটার বিশ্লেষণের সাথে সম্পর্কিত ছিল এবং (3) শরীরের ভরকে দুর্বল বায়োমেট্রিক হিসাবে ব্যবহার করে সিস্টেমের প্রত্যাশিত সনাক্তকরণ ক্ষমতা পরিমাপ করে। আমাদের ফলাফল দেখায় যে, শরীরের ভর ১ কিলোগ্রামেরও কম মান বিচ্যুতির সাথে এক সেকেন্ডের ভগ্নাংশে পরিমাপ করা যায়। |
1b2f2bb90fb08d0e02eabb152120dbf1d6e5837e | আমরা নিউরাল নেটওয়ার্ক-অনুপ্রাণিত মডেলের একটি পরিবার উপস্থাপন করছি যা ক্রমাগত শব্দ উপস্থাপনাগুলি গণনা করার জন্য বিশেষভাবে ডিজাইন করা হয়েছে যা একভাষিক এবং বহুভাষিক উভয় পাঠ্যকে কাজে লাগাতে পারে। এই কাঠামো আমাদেরকে এমন এম্বেডিংগুলির অনিয়ন্ত্রিত প্রশিক্ষণ সম্পাদন করতে দেয় যা পূর্ববর্তী মডেলগুলির তুলনায় সিনট্যাক্টিক এবং শব্দার্থিক রচনাতত্ত্বের উপর উচ্চতর নির্ভুলতা প্রদর্শন করে, পাশাপাশি বহুভাষিক শব্দার্থিক সাদৃশ্য, যা অনিয়ন্ত্রিতভাবে প্রশিক্ষিত হয়। আমরা দেখিয়েছি যে, এই ধরনের বহুভাষিক এম্বেডিং, যা শব্দার্থিক মিলের জন্য অনুকূলিত, সমান্তরাল ডেটাতে উপস্থিত না থাকা শব্দগুলিকে কীভাবে পরিচালনা করে তার সাথে সম্পর্কিত পরিসংখ্যানগত মেশিন অনুবাদের কার্যকারিতা উন্নত করতে পারে। |
396945dabf79f4a8bf36ca408a137d6e961306e7 | |
6010c2d8eb5b6c5da3463d0744203060bdcc07a7 | সালমনের পোকা, লেপিওফথেরাস সালমনস (ক্রোয়ার, ১৮৩৭), মাছের বহিঃ পরজীবী যা আটলান্টিক সালমনের মারিকলচারে উল্লেখযোগ্য অর্থনৈতিক ক্ষতির কারণ হয়, সালমো সালার লিনিয়াস, ১৭৫৮। মাছ চাষের ক্ষেত্রে এল. সালমনস নিয়ন্ত্রণের জন্য অনেকটা নির্ভর করে প্যারাসাইট প্রতিরোধক ওষুধের উপর। রাসায়নিক নিয়ন্ত্রণের সাথে সম্পর্কিত একটি সমস্যা হ ল প্রতিরোধের বিকাশের সম্ভাবনা, যা এল। সালমনস এ অর্গানফোসফেটস, পাইরেথ্রয়েডস এবং অ্যাভারমেক্টিন সহ বেশ কয়েকটি ওষুধের শ্রেণীর জন্য নথিভুক্ত করা হয়েছে। এটিপি-বিন্যাসকারী ক্যাসেট (এবিসি) জিন সুপারফ্যামিলি সমস্ত বায়োটাতে পাওয়া যায় এবং এর মধ্যে রয়েছে বিভিন্ন ড্রাগ এফ্লাক্স ট্রান্সপোর্টার যা ক্যান্সার এবং রোগজীবাণুর বিরুদ্ধে ওষুধ প্রতিরোধ ক্ষমতা প্রদান করতে পারে। এছাড়া কিছু এ বি সি ট্রান্সপোর্টারকে কীটনাশক প্রতিরোধের ক্ষেত্রে জড়িত বলে মনে করা হয়। যদিও বেশ কিছু গবেষণায় এল. সালমনসিতে এবিসি ট্রান্সপোর্টারগুলি পরীক্ষা করা হয়েছে, তবে এই প্রজাতির জন্য এবিসি জিন পরিবারের কোনও পদ্ধতিগত বিশ্লেষণ নেই। এই গবেষণায় এল. সালমনসিসের এবিসি জিনের একটি জিনোম-ব্যাপী জরিপ উপস্থাপন করা হয়েছে, যার জন্য এল. সালমনসিসের জিনোমের হোমোলজি অনুসন্ধানের মাধ্যমে এবিসি সুপারফ্যামিলি সদস্যদের চিহ্নিত করা হয়েছিল। উপরন্তু, ABC প্রোটিনগুলি একটি মাল্টি- স্টেজ RNA লাইব্রেরির উচ্চ- থ্রুপুট RNA সিকোয়েন্সিং (RNA- seq) দ্বারা উত্পন্ন পরজীবের একটি রেফারেন্স ট্রান্সক্রিপ্টমে সনাক্ত করা হয়েছিল। জিনোম এবং ট্রান্সক্রিপটোম উভয় অনুসন্ধানে এ বি সি প্রোটিনের জন্য কোডিং মোট ৩৩ টি জিন / ট্রান্সক্রিপ্ট সনাক্ত করা সম্ভব হয়েছিল, যার মধ্যে ৩ টি কেবল জিনোম এবং ৪ টি কেবল ট্রান্সক্রিপটোমে প্রতিনিধিত্ব করা হয়েছিল। ওষুধ পরিবহনকারীকে ধারণ করে এমন এ বি সি উপ- পরিবারগুলিতে আঠারোটি ক্রম বরাদ্দ করা হয়েছিল, অর্থাৎ উপ-পরিবার B (৪টি ধারা), C (11) এবং G (2) । এই ফলাফল থেকে জানা যায় যে, এল. সালমনের এবিসি জিনের পরিবারের সদস্য সংখ্যা অন্যান্য মেরুদণ্ডধারীদের তুলনায় কম। এল. সালমনস এবিসি জিন সুপার ফ্যামিলির বর্তমান সমীক্ষাটি সালমন ডিউজিং এজেন্টের বিষাক্ততায় এবং ড্রাগ প্রতিরোধের সম্ভাব্য প্রক্রিয়া হিসাবে এবিসি ট্রান্সপোর্টারগুলির সম্ভাব্য ভূমিকার বিষয়ে আরও গবেষণার ভিত্তি সরবরাহ করবে। |
4a3235a542f92929378a11f2df2e942fe5674c0e | এই গবেষণাপত্রটি আনসুরভাইজড নিউরাল নেট ভিত্তিক ইনট্রুশন ডিটেক্টর (ইউএনএনআইডি) সিস্টেমের সাথে পরিচয় করিয়ে দেয়, যা অনিয়ন্ত্রিত নিউরাল নেটওয়ার্ক ব্যবহার করে নেটওয়ার্ক ভিত্তিক অনুপ্রবেশ এবং আক্রমণ সনাক্ত করে। এই সিস্টেমে প্রশিক্ষণ, পরীক্ষা এবং অনিয়ন্ত্রিত নেটওয়ার্কগুলিকে টুন করার জন্য সুবিধা রয়েছে যা অনুপ্রবেশ সনাক্তকরণে ব্যবহৃত হবে। এই সিস্টেম ব্যবহার করে আমরা দুটি ধরনের অনিয়ন্ত্রিত অ্যাডাপ্টিভ রেজোন্যান্স থিওরি (এআরটি) নেটওয়ার্ক (এআরটি-১ এবং এআরটি-২) পরীক্ষা করেছি। ফলাফলের ভিত্তিতে, এই ধরনের নেটওয়ার্কগুলি কার্যকরভাবে নেটওয়ার্ক ট্র্যাফিককে স্বাভাবিক এবং হস্তক্ষেপকারী হিসাবে শ্রেণীবদ্ধ করতে পারে। এই সিস্টেমটি অপব্যবহার এবং অস্বাভাবিকতা সনাক্তকরণের পদ্ধতির একটি সংকর ব্যবহার করে, তাই অস্বাভাবিকতা হিসাবে পরিচিত আক্রমণ প্রকারের পাশাপাশি নতুন আক্রমণ প্রকার সনাক্ত করতে সক্ষম। |
10a9abb4c78f0be5cc85847f248d3e8277b3c810 | কম্পিউটেশনাল নেচারাল ল্যাঙ্গুয়েজ লার্নিং কনফারেন্সের একটি ভাগ করা কাজ রয়েছে, যেখানে অংশগ্রহণকারীরা একই ডেটা সেটগুলিতে তাদের শেখার সিস্টেমগুলি প্রশিক্ষণ ও পরীক্ষা করে। ২০০৬ সালে যেমন ছিল, ২০০৭ সালেও এই ভাগ করা কাজটি নির্ভরতা বিশ্লেষণের জন্য নিবেদিত হয়েছে, এই বছর একটি বহুভাষিক ট্র্যাক এবং একটি ডোমেন অভিযোজন ট্র্যাক উভয়ই রয়েছে। এই গবেষণাপত্রে আমরা বিভিন্ন ট্র্যাকের কাজগুলো বর্ণনা করেছি এবং বর্ণনা করেছি যে, কিভাবে দশটি ভাষার জন্য বিদ্যমান ট্রিব্যাঙ্ক থেকে ডেটা সেট তৈরি করা হয়েছে। এছাড়াও, আমরা অংশগ্রহণকারী সিস্টেমগুলির বিভিন্ন পদ্ধতির বৈশিষ্ট্য বর্ণনা করি, পরীক্ষার ফলাফলগুলি রিপোর্ট করি এবং এই ফলাফলগুলির প্রথম বিশ্লেষণ সরবরাহ করি। |
14626b05a5ec7ec2addc512f0dfa8db60d817c1b | এই গবেষণাপত্রে আমরা গভীর নিউরাল নেটওয়ার্কগুলিতে বিশেষ ফোকাস সহ বড় আকারের অ-উল্লেখযোগ্য অপ্টিমাইজেশন সমস্যার জন্য ত্বরণ কৌশলগুলি অন্বেষণ করি। এক্সট্রাপোলেশন স্কিমটি কনভেক্স অপ্টিমাইজেশনের জন্য স্টোক্যাস্টিক গ্রেডিয়েন্ট অবতরণের ত্বরণ করার জন্য একটি ক্লাসিক্যাল পদ্ধতি, তবে এটি সাধারণত অ-উল্লম্ব অপ্টিমাইজেশনের জন্য ভাল কাজ করে না। বিকল্পভাবে, আমরা একটি অন্তর্বর্তীকরণ স্কিম প্রস্তাব করি যাতে অ-উল্লম্ব অপ্টিমাইজেশনকে ত্বরান্বিত করা যায় এবং পদ্ধতিটিকে ইন্টারপোল্ট্রন বলা হয়। আমরা ইন্টারপোল্ট্রনের পেছনের উদ্দেশ্য ব্যাখ্যা করছি এবং একটি পুঙ্খানুপুঙ্খ অভিজ্ঞতার বিশ্লেষণ করছি। সিআইএফএআর-১০ এবং ইমেজনেট-এ অনেক গভীরতার ডিএনএন (যেমন, ৯৮-স্তরীয় রেসনেট এবং ২০০-স্তরীয় রেসনেট) এর উপর পরীক্ষামূলক ফলাফলগুলি দেখায় যে ইন্টারপোলট্রন গতি এবং অ্যাডাম সহ এসজিডি-র মতো অত্যাধুনিক পদ্ধতির চেয়ে অনেক দ্রুত সংযুক্ত হতে পারে। এছাড়াও, অ্যান্ডারসন ত্বরণ, যেখানে মিশ্রণ সহগগুলি সর্বনিম্ন-স্কোয়ারের অনুমানের মাধ্যমে গণনা করা হয়, এটি পারফরম্যান্স উন্নত করতেও ব্যবহার করা যেতে পারে। ইন্টারপোলট্রন এবং অ্যান্ডারসন এর ত্বরণ উভয়ই বাস্তবায়ন এবং টিউন করা সহজ। আমরা দেখিয়েছি যে ইন্টারপোলট্রনের নির্দিষ্ট নিয়মীয়ার অনুমান অনুযায়ী লিনিয়ার কনভার্জেন্স রেট রয়েছে। |
55baef0d54403387f5cf28e2ae1ec850355cf60a | কেরন্স, নীল, রথ এবং উ [আইসিএমএল ২০১৮] সম্প্রতি সমৃদ্ধ উপ-গ্রুপের ন্যায্যতার ধারণাটি প্রস্তাব করেছেন যা পরিসংখ্যানগত এবং স্বতন্ত্র ন্যায্যতার ধারণার মধ্যে ব্যবধানকে কমিয়ে আনার উদ্দেশ্যে। সমৃদ্ধ উপগোষ্ঠী ন্যায়বিচার একটি পরিসংখ্যানগত ন্যায়বিচার সীমাবদ্ধতা বাছাই করে (বলুন, সুরক্ষিত গোষ্ঠী জুড়ে মিথ্যা ইতিবাচক হারকে সমান করে), তবে তারপরে জিজ্ঞাসা করে যে এই সীমাবদ্ধতাটি বর্ধিত বা অসীমভাবে বড় উপগোষ্ঠীর সংকলনকে ধরে রাখে যা সীমিত ভিসি মাত্রা সহ ফাংশনগুলির একটি শ্রেণীর দ্বারা সংজ্ঞায়িত। তারা একটি অ্যালগরিদমকে এই সীমাবদ্ধতার সাপেক্ষে শেখার গ্যারান্টি দেয়, এই শর্তে যে এটির ন্যায্যতা সীমাবদ্ধতা অনুপস্থিত থাকলে নিখুঁতভাবে শেখার জন্য ওরাকলগুলিতে অ্যাক্সেস রয়েছে। এই গবেষণাপত্রে আমরা কেরন্স এবং অন্যান্যদের অ্যালগরিদমের একটি বিস্তৃত অভিজ্ঞতার মূল্যায়ন করি। চারটি বাস্তব ডেটাসেট যেখানে ন্যায্যতা একটি উদ্বেগ, আমরা যখন দ্রুত হ্যুরিস্টিকের সাথে ইনস্ট্যান্সিয়েশন করি তখন অ্যালগরিদমের মৌলিক ঘনিষ্ঠতা তদন্ত করি, ন্যায্যতা এবং নির্ভুলতার মধ্যে বাণিজ্যকে পরিমাপ করি এবং এই পদ্ধতির সাথে তুলনা করি আগরওয়াল, বেগেলজিমার, ডুডিক, ল্যাংফোর্ড এবং ওয়ালাচের সাম্প্রতিক অ্যালগরিদম [আইসিএমএল 2018], যা স্বতন্ত্র সুরক্ষিত বৈশিষ্ট্য দ্বারা সংজ্ঞায়িত দুর্বল এবং আরও traditionalতিহ্যবাহী প্রান্তিক ন্যায্যতা সীমাবদ্ধতা প্রয়োগ করে। আমরা এটা সাধারণভাবে পাই, কের্নস এবং অন্যান্যরা। অ্যালগরিদম দ্রুত সংযুক্ত হয়, ন্যায্যতার ক্ষেত্রে বড় লাভের সাথে সামান্য ব্যয় অর্জন করা যায়, এবং সঠিকতাকে কেবলমাত্র প্রান্তিক ন্যায্যতার সাপেক্ষে অনুকূলিতকরণ করা হয়, যা উল্লেখযোগ্য উপ-গ্রুপের অন্যায়তার সাথে শ্রেণিবদ্ধকরণে পরিচালিত হয়। আমরা কের্নস এবং অন্যান্যদের গতিশীলতা এবং আচরণের বিভিন্ন বিশ্লেষণ এবং ভিজ্যুয়ালাইজেশনও সরবরাহ করি। অ্যালগরিদম। সামগ্রিকভাবে আমরা এই অ্যালগরিদমকে বাস্তব তথ্যের উপর কার্যকর বলে মনে করি, এবং সমৃদ্ধ উপ-গ্রুপের ন্যায়বিচার বাস্তবে একটি কার্যকর ধারণা। |
6be461dd5869d00fc09975a8f8e31eb5f86be402 | কম্পিউটার এনিমেটেড এজেন্ট এবং রোবটগুলি মানুষের কম্পিউটার ইন্টারঅ্যাকশনে একটি সামাজিক মাত্রা এনেছে এবং আমাদের দৈনন্দিন জীবনে কম্পিউটারগুলি কীভাবে ব্যবহার করা যায় সে সম্পর্কে নতুন উপায়ে চিন্তা করতে বাধ্য করেছে। মুখোমুখি যোগাযোগ একটি রিয়েল টাইম প্রক্রিয়া যা 40 মিলিসেকেন্ডের সময় স্কেলে কাজ করে। এই সময় স্কেলে অনিশ্চয়তার মাত্রা যথেষ্ট, যা মানুষ এবং মেশিনের জন্য ধীর প্রতীকী অনুমান প্রক্রিয়াগুলির পরিবর্তে সংবেদনশীল সমৃদ্ধ উপলব্ধি প্রাথমিকের উপর নির্ভর করা প্রয়োজন। এই গবেষণাপত্রে আমরা এমন একটি প্রাথমিক উপলব্ধিতে অগ্রগতি উপস্থাপন করছি। সিস্টেমটি স্বয়ংক্রিয়ভাবে ভিডিও স্ট্রিমে সামনের মুখগুলি সনাক্ত করে এবং তাদের 7 টি মাত্রার সাথে বাস্তব সময়ে কোড করেঃ নিরপেক্ষ, রাগ, ঘৃণা, ভয়, আনন্দ, দুঃখ, বিস্ময়। মুখের সন্ধানকারীটি বর্ধিতকরণ কৌশলগুলির সাথে প্রশিক্ষিত বৈশিষ্ট্য সনাক্তকারীগুলির একটি ক্যাসকেড ব্যবহার করে [15, 2]। মুখের চেহারা সনাক্তকারী দ্বারা অবস্থিত চিত্র প্যাচগুলি গ্রহণ করে। একটি গ্যাবর প্রতিনিধিত্ব প্যাচ গঠিত হয় এবং তারপর SVM শ্রেণীবিভাগকারী একটি ব্যাংক দ্বারা প্রক্রিয়াজাত করা হয়। অ্যাডাবুস্ট এবং এসভিএমের এক নতুন সমন্বয় কর্মক্ষমতা বাড়ায়। এই সিস্টেমটি কোহন-কানাডের মুখের অভিব্যক্তির ডেটাসেটে পরীক্ষা করা হয়েছিল। ৭-পদক্ষেপের বাধ্যতামূলক নির্বাচনের জন্য নতুন বিষয়গুলির সাধারণীকরণের পারফরম্যান্স সঠিক। সবচেয়ে মজার বিষয় হল শ্রেণীবিভাগকারীটির আউটপুটগুলি সময়ের সাথে সাথে মসৃণভাবে পরিবর্তিত হয়, যা মুখের ভাবের গতিশীলতা সম্পূর্ণ স্বয়ংক্রিয় এবং অনবদ্য পদ্ধতিতে কোড করার জন্য সম্ভাব্য মূল্যবান উপস্থাপনা সরবরাহ করে। এই সিস্টেমটি সনির আইবো পোষা রোবট, এটিআর এর রোবভি এবং সিইউ অ্যানিমেটর সহ বিভিন্ন ধরণের প্ল্যাটফর্মে স্থাপন করা হয়েছে এবং বর্তমানে স্বয়ংক্রিয় পাঠক প্রশিক্ষক, মানব-রোবট মিথস্ক্রিয়া মূল্যায়ন সহ অ্যাপ্লিকেশনগুলির জন্য মূল্যায়ন করা হচ্ছে। |
15f932d189b13786ca54b1dc684902301d34ef65 | এই গবেষণাপত্রে একটি উচ্চ দক্ষ LLCC-type resonant dc-dc converter নিয়ে আলোচনা করা হয়েছে যা কম শক্তির ফোটোভোলটাইক অ্যাপ্লিকেশনের জন্য। এই বইয়ে রেজোন্যান্ট ট্যাঙ্কের বিভিন্ন ডিজাইন পদ্ধতির উপর জোর দেওয়া হয়েছে। একই সময়ে ইনভার্টার এবং রিক্টিফায়ার ব্রিজের নরম স্যুইচিং বিবেচনা করা হয়। ডিজাইন নিয়মের ক্ষেত্রে, ভোল্টেজ-উত্স আউটপুট সহ একটি এলএলসিসি-রূপান্তরকারী ডিজাইন করার ক্ষেত্রে একটি নতুন চ্যালেঞ্জ সমাধান করা হয়েছে। অনুরণনকারী উপাদানগুলির পরিবর্তে, তাদের অনুপাত, যেমন ইন্ডাক্ট্যান্সের অনুপাত Ls/Lp প্রথম নকশা পরামিতি হিসাবে বিবেচনা করা হয়। উপরন্তু, ট্রান্সফরমার-ইন্ডাক্টর ডিভাইসের জন্য প্রাপ্ত নকশা নিয়ম সরাসরি সামগ্রিক LLCC- নকশা মধ্যে ফিট। ট্রান্সফরমারগুলির প্রকৃতির কারণে, যেমন ইন্ডাক্ট্যান্সের সম্পর্ক Ls/Lp শুধুমাত্র জ্যামিতির একটি ফাংশন, এই নকশা পরামিতি সরাসরি জ্যামিতি দ্বারা বিবেচনা করা হয়। পরীক্ষামূলক ফলাফল উচ্চ দক্ষতা প্রদর্শন করে। |
f13902eb6429629179419c95234ddbd555eb2bb6 | |
07d138a54c441d6ae9bff073025f8f5eeaac4da4 | বড় পরিমাণে ডেটাতে প্রশিক্ষিত বড় গভীর নিউরাল নেটওয়ার্ক (ডিএনএন) মডেলগুলি সম্প্রতি চিত্র এবং বক্তৃতা স্বীকৃতির মতো কঠিন কাজগুলিতে সর্বোত্তম নির্ভুলতা অর্জন করেছে। এই ডিএনএনগুলিকে পণ্য মেশিনের একটি ক্লাস্টার ব্যবহার করে প্রশিক্ষণ দেওয়া একটি প্রতিশ্রুতিবদ্ধ পদ্ধতি, যেহেতু প্রশিক্ষণ সময় সাপেক্ষ এবং কম্পিউটিং-নিবিড়। অত্যন্ত বড় ডিএনএন এর প্রশিক্ষণ সক্ষম করার জন্য মডেলগুলি মেশিনের মধ্যে বিভক্ত করা হয়। খুব বড় ডেটা সেটগুলিতে প্রশিক্ষণ ত্বরান্বিত করার জন্য, একাধিক মডেলের প্রতিলিপিগুলি প্রশিক্ষণের উদাহরণগুলির বিভিন্ন উপসেটগুলিতে সমান্তরালভাবে প্রশিক্ষিত হয় একটি গ্লোবাল প্যারামিটার সার্ভারের সাথে এই প্রতিলিপিগুলির মধ্যে ভাগ করা ওজন বজায় রাখা। মডেল এবং ডেটা পার্টিশনিং এবং সামগ্রিক সিস্টেম প্রোভিশনিং এর সঠিক পছন্দ ডিএনএন এবং বিতরণ সিস্টেমের হার্ডওয়্যার বৈশিষ্ট্যগুলির উপর অত্যন্ত নির্ভরশীল। এই সিদ্ধান্তের জন্য বর্তমানে গুরুত্বপূর্ণ ডোমেন দক্ষতা এবং সময় সাপেক্ষ অভিজ্ঞতার ভিত্তিতে মহাকাশ অনুসন্ধানের প্রয়োজন। এই কাগজটি পারফরম্যান্স মডেলগুলি বিকাশ করে যা এই পার্টিশন এবং প্রোভিশনিং সিদ্ধান্তগুলির সামগ্রিক বিতরণ সিস্টেমের পারফরম্যান্স এবং স্কেলিবিলিটির উপর প্রভাবকে পরিমাণগত করে। এছাড়াও, আমরা এই পারফরম্যান্স মডেলগুলি ব্যবহার করে একটি স্কেলাবিলিটি অপ্টিমাইজার তৈরি করি যা দক্ষতার সাথে সর্বোত্তম সিস্টেম কনফিগারেশন নির্ধারণ করে যা ডিএনএন প্রশিক্ষণের সময়কে হ্রাস করে। আমরা আমাদের পারফরম্যান্স মডেল এবং স্কেলাবিলিটি অপ্টিমাইজারকে দুটি বেঞ্চমার্ক অ্যাপ্লিকেশনের উপর একটি অত্যাধুনিক বিতরণ ডিএনএন প্রশিক্ষণ কাঠামো ব্যবহার করে মূল্যায়ন করি। ফলাফলগুলি দেখায় যে আমাদের পারফরম্যান্স মডেলগুলি উচ্চ অনুমান নির্ভুলতার সাথে ডিএনএন প্রশিক্ষণের সময় অনুমান করে এবং আমাদের স্কেলিবিলিটি অপ্টিমাইজার সঠিকভাবে সেরা কনফিগারেশনগুলি বেছে নেয়, বিতরণ করা ডিএনএনগুলির প্রশিক্ষণের সময়কে কমিয়ে দেয়। |
eee686b822950a55f31d4c9c33d02c1942424785 | সারাংশ- এই গবেষণাপত্রে কোয়ার্টার ওয়েভ ট্রান্সফরমারের সাথে টি-জংশন ব্যবহার করে ২ x ২ ত্রিভুজাকার মাইক্রোস্ট্রিপ প্যাচ অ্যান্টেনা বর্ণনা করা হয়েছে। প্যাচ অ্যান্টেনার দূরত্ব নিয়ন্ত্রণ করে এবং ফিড পজিশন সামঞ্জস্য করে ব্যান্ডউইথ পাওয়া যায় এবং একটি অ্যারে ব্যবহার করে, নির্দেশকতা উন্নত করা হয়। বড় ব্যান্ডউইথ, উচ্চ নির্দেশকতা এবং ন্যূনতম আকারের প্রয়োজনীয়তা টি-জংশন নেটওয়ার্কের সাথে খাওয়ানো 2 x 2 ত্রিভুজাকার মাইক্রোস্ট্রিপ প্যাচ অ্যান্টেনা অ্যারে ডিজাইনের দিকে পরিচালিত করে 5.5 গিগাহার্জ। একটি FR4 সাবস্ট্রেটে ডিজাইন করা একটি অ্যান্টেনা যার ডাইলেট্রিক ধ্রুবক (r) ৪.৪, ক্ষতির ট্যাঙ্গেন্ট ০.০২ এবং বেধ ১.৬ মিমি। সিমুলেশন ফলাফল দেখায় যে ডিজাইন করা অ্যান্টেনার ডিরেক্টিভিটি ১২.৯১ ডিবি এবং ব্যান্ডউইথ ১৭৩ মেগাহার্টজ এবং ভিএসডব্লিউআর ১.০৭ টি-জংশন ফিডিং নেটওয়ার্ক ব্যবহার করে। প্রস্তাবিত ২ x ২ ত্রিভুজাকার অ্যারে হালকা ওজন, উত্পাদন সরলতা, একক স্তর কাঠামো এবং উচ্চ নির্দেশকতার সুবিধা রয়েছে। কীওয়ার্ড ব্যান্ডউইথ, কর্পোরেট ফিডিং, রিটার্ন লস, টি-জংশন, ভিএসডব্লিউআর। |
c707938422b60bf827ec161872641468ec1ffe00 | আমরা পরিমিত রাষ্ট্রের অ্যাকশন মার্কভ সিদ্ধান্ত প্রক্রিয়ায় মান ফাংশনগুলির স্থানটির জ্যামিতিক এবং টপোলজিকাল বৈশিষ্ট্যগুলি প্রতিষ্ঠা করি। আমাদের মূল অবদান হল এর আকৃতির প্রকৃতির বৈশিষ্ট্যঃ একটি সাধারণ পলিটোপ (এগনার এট আল, ২০১০) । এই ফলাফলটি প্রদর্শন করার জন্য, আমরা নীতি এবং মান ফাংশনগুলির মধ্যে কাঠামোগত সম্পর্কের বিভিন্ন বৈশিষ্ট্য প্রদর্শন করি যার মধ্যে লাইন থিওরেম রয়েছে, যা দেখায় যে নীতিগুলির মান ফাংশনগুলি সমস্ত একক রাজ্যের উপর সীমাবদ্ধ একটি লাইন বিভাগ বর্ণনা করে। অবশেষে, আমরা এই নতুন দৃষ্টিকোণ ব্যবহার করে দৃষ্টান্তের মাধ্যমে শক্তিবৃদ্ধি শেখার অ্যালগরিদমের গতিশীলতা সম্পর্কে আমাদের বোঝার ক্ষমতা বাড়িয়ে তুলতে পারি। |
86854374c13516a8ad0dc28ffd9cd4be2bca9bfc | সাম্প্রতিক বছরগুলোতে সমস্যাগুলির প্রতি আগ্রহ বাড়ছে, যেখানে পর্যবেক্ষণ করা তথ্য বা লুকানো রাষ্ট্রের ভেরিয়েবলগুলি একটি পরিচিত রিম্যানিয়ান মাল্টিফোডের মধ্যে সীমাবদ্ধ। ক্রমাগত তথ্য বিশ্লেষণে এই আগ্রহও বাড়ছে, কিন্তু বরং কাঁচা অ্যালগরিদম প্রয়োগ করা হয়েছেঃ মন্টে কার্লো ফিল্টার বা ব্রুট-ফোর্স ডিসক্রেটিজেশন। এই পদ্ধতিগুলি দুর্বলভাবে স্কেল করে এবং স্পষ্টভাবে একটি অনুপস্থিত ফাঁক দেখায়ঃ ক্যালম্যান ফিল্টারগুলির কোনও জেনেরিক এনালগ বর্তমানে নন-ইউক্লিডিয়ান ডোমেনগুলিতে উপলব্ধ নয়। এই গবেষণায়, আমরা প্রথমে গন্ধহীন রূপান্তর এবং তারপর গন্ধহীন কালম্যান ফিল্টারকে রিম্যানিয়ান ম্যানিফোডগুলিতে সাধারণীকরণ করে এই সমস্যাটি সমাধান করি। যেহেতু কালম্যান ফিল্টারকে গাউস-নিউটন পদ্ধতির মতো একটি অপ্টিমাইজেশন অ্যালগরিদম হিসাবে দেখা যেতে পারে, আমাদের অ্যালগরিদমটি ম্যানিফোডগুলিতে একটি সাধারণ-উদ্দেশ্য অপ্টিমাইজেশন কাঠামোও সরবরাহ করে। আমরা দৃঢ়তা এবং ঘনিষ্ঠতা অধ্যয়ন করার জন্য সিন্থেটিক ডেটা, একটি অঞ্চল ট্র্যাকিং সমস্যা সহ-বৈকল্পিক বৈশিষ্ট্য ব্যবহার করে, একটি সুস্পষ্ট ট্র্যাকিং সমস্যা, একটি গড় মান অপ্টিমাইজেশন এবং একটি পজ অপ্টিমাইজেশন সমস্যা সম্পর্কে প্রস্তাবিত পদ্ধতিটি চিত্রিত করি। |
a075a513b2b1e8dbf9b5d1703a401e8084f9df9c | ইউনিপ্ল্যানার কম্প্যাক্ট ইলেক্ট্রোম্যাগনেটিক ব্যান্ডগ্যাপ (ইউসি-ইবিজি) সাবস্ট্রেট প্রিন্ট করা অ্যান্টেনা জ্যামিতিতে পৃষ্ঠের তরঙ্গ উত্তেজনা হ্রাস করার জন্য একটি কার্যকর ব্যবস্থা হিসাবে প্রমাণিত হয়েছে। এই গবেষণাপত্রে ইউসি-ইবিজি সাবস্ট্রেটে এমবেডেড মাইক্রোস্ট্রিপ অ্যান্টেনা ফেজড অ্যারের পারফরম্যান্স নিয়ে গবেষণা করা হয়েছে। ফলাফলগুলি উপাদানগুলির মধ্যে পারস্পরিক সংযুক্তির হ্রাস দেখায় এবং মুদ্রিত উপাদানগুলির সাথে পর্যায়ক্রমিক অ্যারে অ্যাপ্লিকেশনগুলিতে "ব্লাইড স্পট" সমস্যার একটি সম্ভাব্য সমাধান সরবরাহ করে। একটি নতুন এবং দক্ষ ইউসি-ইবিজি অ্যারে কনফিগারেশন প্রস্তাব করা হয়। একটি উচ্চ ডাইলেট্রিক ধ্রুবক স্তরিত 7/spl times/5 উপাদানগুলির একটি প্রোব ফিড প্যাচ অ্যান্টেনা পর্যায়ক্রমিক অ্যারে ডিজাইন, নির্মিত এবং পরীক্ষিত হয়েছিল। সিমুলেশন এবং পরিমাপের ফলাফল সক্রিয় রিটার্ন ক্ষতি এবং অ্যারে কেন্দ্রীয় উপাদান সক্রিয় প্যাটার্ন উন্নতি দেখায়। সর্বোত্তম পারফরম্যান্স অর্জনের জন্য যেসব সমঝোতা-বাজি ব্যবহার করা হয় সেগুলি আলোচনা করা হয়েছে। |
16a0fde5a8ab5591a9b2985f60a04fdf50a18dc4 | ব্যবহারকারীর প্রমাণীকরণের জন্য হাঁটার ধরনকে একটি কার্যকর বায়োমেট্রিক বৈশিষ্ট্য হিসেবে বিবেচনা করা হয়েছে। যদিও কিছু গবেষণায় পদচারণা ভিত্তিক প্রমাণীকরণ পদ্ধতিতে পদচারণা টেমপ্লেট/মডেল সুরক্ষিত করার কাজটি নিয়ে আলোচনা করা হয়েছে, তবে তারা পদচারণা তথ্যের নিম্ন বৈষম্য এবং উচ্চ বৈচিত্র্যকে বিবেচনা করে না যা প্রস্তাবিত সিস্টেমগুলির সুরক্ষা এবং ব্যবহারিকতার উপর উল্লেখযোগ্য প্রভাব ফেলে। এই গবেষণাপত্রে আমরা ইনার্সিয়াল-সেন্সর ভিত্তিক গ্যাচ ক্রিপ্টোসিস্টেমের উপরোক্ত ত্রুটিগুলি সমাধানের দিকে মনোনিবেশ করছি। বিশেষ করে, আমরা লিনিয়ার ডিসক্রিমিনেশন অ্যানালিসিস ব্যবহার করি হেঁটে চলা টেমপ্লেটগুলির বৈষম্য বাড়ানোর জন্য, এবং গ্রে কোড কোয়ান্টাইজেশন উচ্চ বৈষম্যমূলক এবং স্থিতিশীল বাইনারি টেমপ্লেট বের করার জন্য। ৩৮ জন ব্যবহারকারীর উপর পরীক্ষামূলক ফলাফল দেখায় যে আমাদের প্রস্তাবিত পদ্ধতিতে পদচারণা ক্রিপ্টোসিস্টেমের কার্যকারিতা এবং নিরাপত্তা উল্লেখযোগ্যভাবে উন্নত হয়েছে। বিশেষ করে, আমরা 6×10−5% এর মিথ্যা গ্রহণের হার অর্জন করেছি (অর্থাৎ, 16983 পরীক্ষায় 1 ব্যর্থ) এবং 148-বিট সুরক্ষার সাথে 9.2% এর মিথ্যা প্রত্যাখ্যানের হার। |
d7fd575c7fae05e055e47d898a5d9d2766f742b9 | |
84ade3cb5b57624baee89d9e617bb5847ee07375 | |
9e5158222c911bec96d4f533cd0d7a1a0cff1731 | পরবর্তী প্রজন্মের RF সেন্সর মডিউলগুলির জন্য মাল্টিফাংশন অ্যাক্টিভ ইলেকট্রনিকলি স্টিয়ার্ড অ্যান্টেনা (AESA) সিস্টেমগুলির জন্য বিভিন্ন অপারেটিং মোডের সমন্বয় প্রয়োজন, যেমন রাডার, ইলেকট্রনিক ওয়ারফেয়ার (ইডব্লিউ) কার্যকারিতা এবং একই অ্যান্টেনা ফ্রন্টএন্ডের মধ্যে যোগাযোগ / ডেটা লিংক। সাধারণত তারা সি-ব্যান্ড, এক্স-ব্যান্ড এবং কু-ব্যান্ডে কাজ করে এবং এর মানে ১০ গিগাহার্জ বা তার বেশি ব্যান্ডউইথের প্রয়োজন হয়। আধুনিক সক্রিয় ইলেকট্রনিকভাবে পরিচালিত অ্যান্টেনা তৈরির জন্য, ট্রান্সমিট/রিসিভ (টি/আর) মডিউলগুলিকে কঠোর জ্যামিতির চাহিদা পূরণ করতে হবে। এই ভবিষ্যত মাল্টিফাংশন আরএফ সেন্সর মডিউলগুলির জন্য একটি প্রধান চ্যালেঞ্জ অর্ধ-তরঙ্গ দৈর্ঘ্যের অ্যান্টেনা গ্রিড ব্যবধান দ্বারা নির্ধারিত হয়, যা শারীরিক চ্যানেল প্রস্থকে < 12 মিমি বা তারও কম সীমাবদ্ধ করে, এটি সর্বোচ্চ ফ্রিকোয়েন্সির অপারেশনের উপর নির্ভর করে। এই জ্যামিতি চাহিদা অতিক্রম করার জন্য একটি আশাব্যঞ্জক সমাধান হল মোট একক মাইক্রোওয়েভ ইন্টিগ্রেটেড সার্কিট (এমএমআইসি) চিপ এলাকা হ্রাস করা, যা পৃথক আরএফ কার্যকারিতা একত্রিত করে অর্জন করা হয়, যা সাধারণত পৃথক ইন্টিগ্রেটেড সার্কিট (আইসি) এর মাধ্যমে অর্জন করা হয়, নতুন মাল্টিফাংশনাল (এমএফসি) এমএমআইসিগুলিতে। পরবর্তী প্রজন্মের আরএফ সেন্সর মডিউলগুলির জন্য বিভিন্ন ধারণাগুলি, তাদের মধ্যে কিছু ইতিমধ্যে বাস্তবায়িত হয়েছে, এই কাজের মধ্যে আলোচনা করা হবে এবং ব্যাখ্যা করা হবে। |
77a9473256f6841d40cb9198feb5b91dccf9ffd1 | এই কাগজটি পাওয়ার ফ্যাক্টর সংশোধন (পিএফসি) এবং জিরো ভোল্টেজ স্যুইচিং (জেডভিএস) সহ হালকা নির্গমনকারী ডায়োডগুলি (এলইডি) পাওয়ার করার জন্য একটি ডিমযোগ্য চার্জ-পাম্প ড্রাইভার উপস্থাপন করে। প্রস্তাবিত এলইডি ড্রাইভার ইলেক্ট্রোলাইটিক ক্যাপাসিটার ব্যবহার করে না, যা একটি উচ্চ কার্যকর জীবনকাল সরবরাহ করে এবং এটি বর্তমান সেন্সরগুলির প্রয়োজন ছাড়াই ওপেন লুপ নিয়ন্ত্রণে আউটপুট বর্তমানকে স্থিতিশীল করতে পারে, যা ব্যয় হ্রাস করে। আউটপুট শক্তি সুইচিং ফ্রিকোয়েন্সির সমানুপাতিক, যা LEDs dimming অনুমতি দেয়। ২২ ওয়াটের একটি প্রোটোটাইপ প্রয়োগ করা হয় এবং পরীক্ষামূলক ফলাফল নিয়ে আলোচনা করা হয়। এই প্রোটোটাইপের পাওয়ার ফ্যাক্টর ছিল ০.৯৯৬ এবং দক্ষতা ছিল ৮৯.৫%। ড্রাইভার আউটপুট শক্তিটি সুইচিং ফ্রিকোয়েন্সির মাধ্যমে 40% এরও বেশি হ্রাস পেয়েছে এবং 53 কেএইচজেড থেকে 30 কেএইচজেড পর্যন্ত পরিবর্তিত হয়েছে এবং রূপান্তরকারীটি জেডভিএস-এ কাজ চালিয়ে যাচ্ছে। |
b5fe4731ff6a7a7f1ad8232186e84b1f944162e0 | ক্রস-মিডিয়া হ্যাশিং, যা বিভিন্ন মোডালিটি থেকে ডেটা একটি সাধারণ নিম্ন-মাত্রিক হ্যামিং স্পেসে এম্বেড করে ক্রস-মিডিয়া পুনরুদ্ধার পরিচালনা করে, সাম্প্রতিক বছরগুলিতে তীব্র মনোযোগ আকর্ষণ করেছে। এই তথ্যের দ্বারা অনুপ্রাণিত হয় a) মাল্টি-মোডাল ডেটা ব্যাপকভাবে ছড়িয়ে পড়ে, যেমন, ফ্লিকারের ওয়েব চিত্রগুলি ট্যাগের সাথে যুক্ত হয়, এবং b) হ্যাশিং বড় আকারের উচ্চ মাত্রিক ডেটা প্রক্রিয়াকরণের দিকে একটি কার্যকর কৌশল, যা ক্রস-মিডিয়া পুনরুদ্ধারের পরিস্থিতি। গভীর শিক্ষার সাম্প্রতিক অগ্রগতির দ্বারা অনুপ্রাণিত হয়ে আমরা মাল্টি-মোডাল নিউরাল নেটওয়ার্কের উপর ভিত্তি করে একটি ক্রস-মিডিয়া হ্যাশিং পদ্ধতির প্রস্তাব দিচ্ছি। শেখার লক্ষ্যে সীমাবদ্ধ করে a) প্রাসঙ্গিক ক্রস-মিডিয়া ডেটার জন্য হ্যাশ কোডগুলি অনুরূপ, এবং b) শ্রেণীর লেবেলগুলির পূর্বাভাসের জন্য হ্যাশ কোডগুলি বৈষম্যমূলক, শিখেছি হ্যামিং স্পেসটি ক্রস-মিডিয়া শব্দার্থিক সম্পর্কগুলি ভালভাবে ক্যাপচার করবে এবং শব্দার্থিকভাবে বৈষম্যমূলক হবে বলে আশা করা হচ্ছে। দুটি বাস্তব জগতে ডেটা সেট নিয়ে করা পরীক্ষাগুলো দেখায় যে আমাদের পদ্ধতির মাধ্যমে ক্রস-মিডিয়া পুনরুদ্ধারের পারফরম্যান্স উন্নততর হয়েছে। |
9814dd00440b08caf0df96988edb4c56cfcf7bd1 | একটি আকর্ষণকারী উচ্চ স্তরের কাজের উদ্দেশ্য সরবরাহ করে এবং স্থানীয় পরিকল্পনাকারীদের জন্য পরিবেশ সম্পর্কে বিশ্বব্যাপী তথ্য অন্তর্ভুক্ত করে, যার ফলে দীর্ঘতর দিগন্তের সাথে ব্যয়বহুল বিশ্বব্যাপী পরিকল্পনার প্রয়োজন হয় না। এটি প্রমাণিত হয়েছে যে একটি আকর্ষণকারী সঙ্গে ট্র্যাজেক্টর পরিকল্পনা শুধুমাত্র স্থানীয় পরিকল্পনা আছে যে সিস্টেমের তুলনায় উন্নত কর্মক্ষমতা ফলাফল অ্যাক্টিভ এসএলএএম একটি স্বয়ংক্রিয় রোবটের জন্য এসএলএএম প্রক্রিয়াটির সাথে একযোগে দক্ষ পথ পরিকল্পনা করার চ্যালেঞ্জ তৈরি করে। রোবট, মানচিত্র এবং সেন্সর পরিমাপের অনিশ্চয়তা এবং গতিশীল এবং গতির সীমাবদ্ধতা পরিকল্পনা প্রক্রিয়ায় বিবেচনা করা প্রয়োজন। এই গবেষণাপত্রে, সক্রিয় এসএলএএম সমস্যাটিকে একটি সর্বোত্তম ট্র্যাজেক্টরি পরিকল্পনা সমস্যা হিসাবে সূত্রপাত করা হয়েছে। একটি নতুন কৌশল চালু করা হয়েছে যা স্থানীয় পরিকল্পনা কৌশল যেমন মডেল পূর্বাভাস নিয়ন্ত্রণ (একা. এই সমস্যা সমাধানের জন্য। |
bc32313c5b10212233007ebb38e214d713db99f9 | প্রাপ্তবয়স্কদের ক্লিনিকাল ইলেক্ট্রোকার্ডিওগ্রাফি (ইসিজি) সংকেত প্রক্রিয়াকরণ কৌশল এবং ডিজিটাল প্রসেসরগুলির শক্তির মধ্যে উল্লেখযোগ্য অগ্রগতি সত্ত্বেও, অ-আক্রমণাত্মক ভ্রূণের ইসিজি (এনআই-এফইসিজি) বিশ্লেষণ এখনও তার শৈশবকালে রয়েছে। ফিজিওনেট/কম্পিউটিং ইন কার্ডিওলজি চ্যালেঞ্জ ২০১৩ এই সীমাবদ্ধতার কিছু সমাধান করে, বিজ্ঞানী সম্প্রদায়ের কাছে সিগন্যাল প্রসেসিং কৌশলগুলির মূল্যায়নের জন্য এফইসিজি ডেটার একটি সেট প্রকাশ্যে উপলব্ধ করে। উচ্চতর ফ্রিকোয়েন্সি এবং বেসলাইন ভ্রমন অপসারণের জন্য পেটের ইসিজি সংকেতগুলি প্রথমে ব্যান্ড-পাস ফিল্টার দিয়ে প্রাক-প্রক্রিয়াকরণ করা হয়েছিল। প্রয়োজন হলে 50 Hz বা 60 Hz এ পাওয়ার হস্তক্ষেপ অপসারণের জন্য একটি খাঁজ ফিল্টার প্রয়োগ করা হয়েছিল। তারপর বিভিন্ন উৎস বিচ্ছেদ কৌশল প্রয়োগ করার আগে সংকেতগুলিকে স্বাভাবিক করা হয় যাতে মায়ের ইসিজি বাতিল করা যায়। এই কৌশলগুলির মধ্যে রয়েছেঃ টেমপ্লেট বিয়োগ, প্রধান / স্বাধীন উপাদান বিশ্লেষণ, বর্ধিত কালমান ফিল্টার এবং এই পদ্ধতিগুলির একটি উপসেটের সংমিশ্রণ (FUSE পদ্ধতি) । ভ্রূণের কিউআরএস সনাক্তকরণ একটি প্যান এবং টম্পকিনস কিউআরএস সনাক্তকারী ব্যবহার করে সমস্ত অবশিষ্টাংশে করা হয়েছিল এবং সবচেয়ে মসৃণ ভ্রূণের হার্ট রেট টাইম সিরিজের সাথে অবশিষ্টাংশ চ্যানেলটি নির্বাচিত হয়েছিল। FUSE অ্যালগরিদম প্রশিক্ষণ ডেটা সেটের সমস্ত পৃথক পদ্ধতির চেয়ে ভাল কাজ করেছে। বৈধতা এবং পরীক্ষার সেটগুলিতে, সেরা চ্যালেঞ্জ স্কোরগুলি ছিল E1 = 179.44, E2 = 20.79, E3 = 153.07, E4 = 29.62 এবং E5 = 4.67 যথাক্রমে 1-5 ইভেন্টগুলির জন্য FUSE পদ্ধতি ব্যবহার করে। এই চ্যালেঞ্জের জন্য সেরা চ্যালেঞ্জ স্কোর ছিল E1 এবং E2 এবং চ্যালেঞ্জের জন্য তৃতীয় এবং দ্বিতীয় সেরা চ্যালেঞ্জ স্কোর ছিল E3, E4 এবং E5 চ্যালেঞ্জের জন্য প্রবেশকারী 53 টি আন্তর্জাতিক দলের মধ্যে। ফলাফলগুলি দেখিয়েছে যে ভ্রূণের হার্ট রেট অনুমানের জন্য বিদ্যমান স্ট্যান্ডার্ড পদ্ধতিগুলি একসাথে অনুমানকারীদের একত্রিত করে উন্নত করা যেতে পারে। আমরা ওপেন সোর্স কোড প্রদান করি যাতে বর্ণিত প্রতিটি স্ট্যান্ডার্ড পদ্ধতির জন্য বেঞ্চমার্কিং করা যায়। |
09f13c590f19dce53dfd8530f8cbe8044cce33ed | সাম্প্রতিক বছরগুলোতে, বিভিন্ন ধরনের শারীরিক ইন্টারঅ্যাকশন পরিচালনার জন্য অনেক ইউজার ইন্টারফেস ডিভাইস আবির্ভূত হয়েছে। মাইক্রোসফ্ট কাইনেক্ট ক্যামেরা একটি বিপ্লবী এবং দরকারী গভীরতা ক্যামেরা যা ইশারা বা গতি সনাক্তকরণের মাধ্যমে এক্সবক্স প্ল্যাটফর্মে ইন্টারেক্টিভ গেমিংয়ের নতুন ব্যবহারকারীর অভিজ্ঞতা দেয়। এই গবেষণাপত্রে আমরা মাইক্রোসফ্ট কাইনেক্ট সেন্সর ব্যবহার করে কোয়াড্রোটর এআর ড্রোন নিয়ন্ত্রণের একটি পদ্ধতি উপস্থাপন করছি। |
ca78c8c4dbe4c92ba90c8f6e1399b78ced3cf997 | এই গবেষণায় আমরা দেখাব যে মনোযোগ এবং আউটপুটের মধ্যে যৌথ বন্টনের একটি সহজ মরীচি আনুমানিক একটি সহজ, সঠিক এবং দক্ষ মনোযোগ প্রক্রিয়া যা ক্রম থেকে ক্রম শেখার জন্য। এই পদ্ধতিতে হার্ড মনোযোগের মধ্যে ধারালো ফোকাসের সুবিধা এবং নরম মনোযোগের বাস্তবায়নের সহজতা একত্রিত হয়। পাঁচটি অনুবাদ এবং দুটি রূপক অনুবাদের কাজগুলোতে আমরা বিদ্যমান মনোযোগের প্রক্রিয়াগুলোর তুলনায় BLEU-তে সহজ এবং ধারাবাহিকভাবে উন্নতি দেখি। |
abdb694ab4b1cb4f54f07ed16a657765ce8c47f5 | উদ্ভাবনের বৈশিষ্ট্য এবং উদ্ভাবন গ্রহণ ও বাস্তবায়নের সাথে তাদের সম্পর্ক সম্পর্কিত পঁচাত্তরটি নিবন্ধের একটি পর্যালোচনা এবং মেটা-বিশ্লেষণ করা হয়েছিল। বিশ্লেষণের একটি অংশে বিদ্যমান গবেষণার একটি পদ্ধতিগত প্রোফাইল তৈরি করা এবং এটি একটি অনুমিত সর্বোত্তম পদ্ধতির সাথে তুলনা করা হয়েছিল। গবেষণার দ্বিতীয় অংশে মেটা-বিশ্লেষণাত্মক পরিসংখ্যানগত কৌশল ব্যবহার করা হয়েছে বিদ্যমান অভিজ্ঞতার ফলাফলের সাধারণতা এবং সামঞ্জস্যের মূল্যায়ন করার জন্য। তিনটি উদ্ভাবনী বৈশিষ্ট্য (সামঞ্জস্য, আপেক্ষিক সুবিধা এবং জটিলতা) উদ্ভাবনের গ্রহণের সাথে সবচেয়ে ধারাবাহিকভাবে উল্লেখযোগ্য সম্পর্ক ছিল। এই এলাকায় ভবিষ্যতে গবেষণা করার জন্য পরামর্শ দেওয়া হয়। |
518fd110bbf86df5259fb99126173d626a2ff744 | আমরা মোবাইল ম্যানিপুলেটর যেমন ব্যক্তিগত রোবট এবং সমাবেশ লাইন রোবটগুলির জন্য ট্র্যাজেক্টরির উপর পছন্দগুলি শেখার সমস্যা বিবেচনা করি। আমরা যে পছন্দগুলো শিখি তা ট্র্যাজেক্টরির উপর সহজ জ্যামিতিক সীমাবদ্ধতার চেয়েও জটিল; তারা বরং বিভিন্ন বস্তুর চারপাশের প্রসঙ্গ এবং পরিবেশে মানুষের মিথস্ক্রিয়া দ্বারা পরিচালিত হয়। আমরা একটি সহযোগী অনলাইন শিক্ষার কাঠামো প্রস্তাব করছি যা প্রসঙ্গগতভাবে সমৃদ্ধ পরিবেশে পছন্দগুলি শেখার জন্য। আমাদের পদ্ধতির মূল নতুনত্বটি ব্যবহারকারীর কাছ থেকে প্রত্যাশিত প্রতিক্রিয়া প্রকারে রয়েছেঃ মানব ব্যবহারকারীকে প্রশিক্ষণ ডেটা হিসাবে সর্বোত্তম ট্র্যাজেক্টরিগুলি প্রদর্শন করার প্রয়োজন নেই, তবে কেবলমাত্র পুনরাবৃত্তিমূলকভাবে ট্র্যাজেক্টরি সরবরাহ করতে হবে যা সিস্টেমের দ্বারা বর্তমানে প্রস্তাবিত ট্র্যাজেক্টরির তুলনায় সামান্য উন্নতি করে। আমরা যুক্তি দিচ্ছি যে এই সহযোগী পছন্দ প্রতিক্রিয়া সর্বোত্তম ট্র্যাজেক্টরিগুলির প্রদর্শনগুলির চেয়ে সহজেই প্রাপ্ত হতে পারে। যাইহোক, আমাদের অ্যালগরিদমের তাত্ত্বিক অনুশোচনা সীমা সর্বোত্তম ট্র্যাজেক্টরি অ্যালগরিদমের অ্যাসাইম্টোটিক হারগুলির সাথে মেলে। আমরা আমাদের অ্যালগরিদম দুটি উচ্চ-স্বাধীনতার রোবট, পিআর২ এবং বাক্সটারে প্রয়োগ করেছি, এবং এই ধরনের বর্ধিত প্রতিক্রিয়া প্রদানের জন্য তিনটি স্বজ্ঞাত প্রক্রিয়া উপস্থাপন করেছি। আমাদের পরীক্ষামূলক মূল্যায়নে আমরা দুটি প্রসঙ্গ সমৃদ্ধ সেটিং, গৃহস্থালী কাজ এবং মুদি দোকান চেকআউট বিবেচনা করি এবং দেখাই যে ব্যবহারকারীরা মাত্র কয়েকটি প্রতিক্রিয়া দিয়ে রোবটকে প্রশিক্ষণ দিতে সক্ষম (শুধুমাত্র কয়েক মিনিট সময় নেয়) । |
9f927249d7b33b91ca23f8820e21b22a6951a644 | মিলিমিটার ওয়েভ (এমএম ওয়েভ) সেলুলার সিস্টেমের উচ্চ ডেটা রেট সক্ষম করার জন্য বেস স্টেশন এবং মোবাইল ব্যবহারকারীদের উভয়ই বড় অ্যান্টেনা অ্যারে স্থাপন করা প্রয়োজন। মিমি ওয়েভ সেলুলার নেটওয়ার্কের কভারেজ এবং রেট নিয়ে পূর্ববর্তী কাজগুলি এমন ক্ষেত্রে ফোকাস করেছিল যখন বেস স্টেশন এবং মোবাইল বিম ফর্মিং ভেক্টরগুলি সর্বাধিক বিম ফর্মিং লাভের জন্য পূর্বনির্ধারিত হয়। বিম ফর্মিং/কম্বিনেশন ভেক্টর ডিজাইন করার জন্য প্রশিক্ষণের প্রয়োজন হয়, যা এসআইএনআর কভারেজ এবং মিমিওয়েভ সিস্টেমের হার উভয়কেই প্রভাবিত করতে পারে। এই গবেষণাপত্রে মিমি ওয়েভ সেলুলার নেটওয়ার্কের পারফরম্যান্সের মূল্যায়ন করা হয়েছে, যার মধ্যে বিম প্রশিক্ষণ/অ্যাসোসিয়েশন ওভারহেডের হিসাব রাখা হয়েছে। প্রথমত, প্রাথমিক বিম সমিতির জন্য একটি মডেল তৈরি করা হয় যা বিম স্কেপিং এবং ডাউনলিংক কন্ট্রোল পাইলট পুনরায় ব্যবহারের উপর ভিত্তি করে। বিম প্রশিক্ষণের প্রভাবকে অন্তর্ভুক্ত করার জন্য, কার্যকর নির্ভরযোগ্য হার নামে একটি নতুন মেট্রিক সংজ্ঞায়িত এবং গৃহীত হয়। স্টোক্যাস্টিক জ্যামিতি ব্যবহার করে, এমএমওয়েভ সেলুলার নেটওয়ার্কগুলির কার্যকর হার দুটি বিশেষ ক্ষেত্রে প্রাপ্ত হয়ঃ প্রায়-অর্টোগোনাল পাইলট এবং সম্পূর্ণ পাইলট পুনরায় ব্যবহার। বিশ্লেষণ এবং সিমুলেশন ফলাফল দুটি গুরুত্বপূর্ণ প্রশ্নের উত্তর প্রদান করে। প্রথমত, মিমি ওয়েভ নেটওয়ার্কের পারফরম্যান্সের উপর বিম অ্যাসোসিয়েশনের প্রভাব কী? তাহলে, অরিজিনাল বা পুনরায় ব্যবহার করা পাইলটদের নিয়োগ করা উচিত? ফলাফল দেখায় যে, যদি ব্যবহৃত বিমগুলি খুব প্রশস্ত না হয়, তবে সম্পূর্ণ পাইলট পুনরায় ব্যবহারের সাথে প্রাথমিক বিম প্রশিক্ষণ প্রায় নিখুঁত বিম সারিবদ্ধতার মতোই ভাল। |
6bd1f2782d6c8c3066d4e7d7e3afb995d79fa3dd | একটি অর্থবিভাজন অ্যালগরিদমকে অবশ্যই একটি চিত্রের প্রতিটি পিক্সেলকে একটি লেবেল বরাদ্দ করতে হবে। সম্প্রতি, গভীর শিক্ষার কারণে আরজিবি চিত্রের অর্থগত বিভাজন উল্লেখযোগ্যভাবে অগ্রসর হয়েছে। যেহেতু অর্থগত বিভাজনের জন্য ডেটাসেট তৈরি করা শ্রমসাধ্য, এই ডেটাসেটগুলি অবজেক্ট স্বীকৃতি ডেটাসেটের চেয়ে উল্লেখযোগ্যভাবে ছোট। এর ফলে অর্থবিভাজনের জন্য সরাসরি গভীর নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দেওয়া কঠিন হয়ে পড়ে, কারণ এটি ওভারফিটিংয়ের জন্য প্রবণ হবে। এই সমস্যা মোকাবেলায়, গভীর শিক্ষার মডেলগুলি সাধারণত বড় আকারের চিত্র শ্রেণিবদ্ধকরণ ডেটাসেটে প্রাক-প্রশিক্ষিত কনভোলুশনাল নিউরাল নেটওয়ার্ক ব্যবহার করে, যা পরে শব্দার্থিক বিভাজনের জন্য সূক্ষ্ম-টুন করা হয়। নন-আরজিবি চিত্রের জন্য, এটি বর্তমানে সম্ভব নয় কারণ বড় আকারের লেবেলযুক্ত নন-আরজিবি ডেটাসেট বিদ্যমান নেই। এই গবেষণাপত্রে আমরা মাল্টি-স্পেকট্রাল রিমোট সেন্সিং ইমেজিং এর অর্থগত বিভাজনের জন্য দুটি গভীর নিউরাল নেটওয়ার্ক তৈরি করেছি। লক্ষ্য ডেটাসেট প্রশিক্ষণের আগে, আমরা নেটওয়ার্কগুলিকে প্রচুর পরিমাণে সিন্থেটিক মাল্টি-স্পেকট্রাল চিত্রের সাথে শুরু করি। আমরা দেখিয়েছি যে, এটি বাস্তব জগতে রিমোট সেন্সিং ইমেজিং এর ফলাফলকে উল্লেখযোগ্যভাবে উন্নত করে, এবং আমরা চ্যালেঞ্জিং হ্যামলিন বিচ স্টেট পার্ক ডেটাসেটে একটি নতুন অত্যাধুনিক ফলাফল প্রতিষ্ঠা করি। |
9e9b8832b9e727d5f7a61cedfa4bdf44e8969623 | এই গবেষণাপত্রটিতে Teaching-Learning-Based Optimization (TLBO) নামে একটি কার্যকর অপ্টিমাইজেশন পদ্ধতির প্রস্তাব দেওয়া হয়েছে, যা বিশ্বব্যাপী সমাধানের জন্য বড় আকারের অ-রৈখিক অপ্টিমাইজেশন সমস্যার সমাধান করতে পারে। প্রস্তাবিত পদ্ধতিটি একটি শ্রেণীর শিক্ষার্থীদের আউটপুটের উপর একজন শিক্ষকের প্রভাবের প্রভাবের উপর ভিত্তি করে। পদ্ধতির মৌলিক দর্শন বিস্তারিতভাবে ব্যাখ্যা করা হয়েছে। এই পদ্ধতির কার্যকারিতা বিভিন্ন বৈশিষ্ট্যযুক্ত অনেকগুলি মানদণ্ডের সমস্যার উপর পরীক্ষা করা হয় এবং ফলাফলগুলি অন্যান্য জনসংখ্যা ভিত্তিক পদ্ধতির সাথে তুলনা করা হয়। ২০১১ এ্যালসেভিয়ার ইনক. সমস্ত অধিকার সংরক্ষিত। |
3ca6ab58ae015860098d800a9942af9df4d1e090 | অনুসন্ধান-ভিত্তিক গ্রাফ ক্যোয়ারী, যেমন সংক্ষিপ্ত পথ এবং আইসোমর্ফিক সাবগ্রাফগুলি খুঁজে পাওয়া, মেমরি ল্যাটেন্সি দ্বারা প্রভাবিত হয়। যদি ইনপুট গ্রাফগুলি যথাযথভাবে বিভাজিত করা যায়, তবে বড় ক্লাস্টার-ভিত্তিক কম্পিউটিং প্ল্যাটফর্মগুলি এই প্রশ্নগুলি চালাতে পারে। যাইহোক, ইনপুট গ্রাফের প্রতিটি শীর্ষে কম্পিউট-বাঁধা প্রসেসিংয়ের অভাব এবং প্রতিবেশীদের পুনরুদ্ধারের ধ্রুবক প্রয়োজনের অর্থ কম প্রসেসর ব্যবহার। উপরন্তু, স্কেল-মুক্ত সামাজিক নেটওয়ার্কগুলির মতো গ্রাফ ক্লাসগুলি স্পষ্টভাবে কার্যকরভাবে পার্টিশন করার জন্য স্থানীয়তার অভাব রয়েছে। ব্যাপক মাল্টিথ্রেডিং একটি বিকল্প স্থাপত্য প্যারাডিগম, যেখানে একটি বড় ভাগ করা মেমরি প্রসেসরের সাথে মিলিত হয় যা অনেক থ্রেড প্রসঙ্গ সমর্থন করার জন্য অতিরিক্ত হার্ডওয়্যার আছে। প্রসেসর গতি সাধারণত স্বাভাবিকের চেয়ে ধীর হয়, এবং কোন ডেটা ক্যাশ নেই। মেমরির লেটেন্সি কমাতে না গিয়ে, মাল্টিথ্রেড মেশিনগুলি এটি সহ্য করে। এই প্যারাডাইমটি গ্রাফ অনুসন্ধানের সমস্যার সাথে ভালভাবে সামঞ্জস্যপূর্ণ, কারণ গণনা করার জন্য মেমরির উচ্চ অনুপাতের অনুরোধগুলি মাল্টিথ্রেডিংয়ের মাধ্যমে সহ্য করা যায়। এই গবেষণাপত্রে, আমরা মাল্টিথ্রেড গ্রাফ লাইব্রেরি (এমটিজিএল) এর সাথে পরিচয় করিয়ে দিচ্ছি, মাল্টিথ্রেড কম্পিউটারে শব্দার্থিক গ্রাফ প্রক্রিয়াকরণের জন্য সাধারণ গ্রাফ ক্যোয়ারী সফটওয়্যার। এই লাইব্রেরিটি বর্তমানে সিরিয়াল মেশিন এবং ক্রে এমটিএ -২ এ চলছে, তবে স্যান্ডিয়া একটি রান-টাইম সিস্টেম তৈরি করছে যা সিম্যাট্রিক মাল্টিপ্রসেসরগুলিতে এমটিজিএল-ভিত্তিক কোড চালানো সম্ভব করবে। আমরা সংযুক্ত উপাদানগুলির জন্য একটি মাল্টিথ্রেডেড অ্যালগরিদম এবং একটি নতুন হিউরিস্টিকের সাথেও পরিচয় করিয়ে দিই যা সঠিক নয় সাবগ্রাফ আইসোমর্ফিজম আমরা এই এবং অন্যান্য মৌলিক গ্রাফ অ্যালগরিদমগুলির কার্যকারিতাটি বড় স্কেল-মুক্ত গ্রাফগুলিতে অন্বেষণ করি। আমরা ক্রে এমটিএ-২ এবং ব্লু জিন/লাইটের মধ্যে এস-টি সংযোগের জন্য পারফরম্যান্সের তুলনা দিয়ে শেষ করছি। |
d4c65ee21bb8d64b8e4380f80ad856a1629b5949 | ব্রডব্যান্ড অরথো-মোড ট্রান্সডুসারগুলিতে দ্বৈত অক্ষরেখার রৈখিক পোলারাইজেশনগুলি পৃথক করার জন্য ভাঁজ করা পার্শ্বীয় বাহুগুলির সাথে একটি ওয়েভগাইড ডিভাইডার উপস্থাপিত হয়। কাঠামোটি একটি সুপরিচিত ডাবল সিম্যাট্রি জংশনের উপর ভিত্তি করে তৈরি করা হয়েছে, যেখানে ধাতব পিনগুলি বাদ দেওয়া হয়েছে এবং পার্শ্বীয় আউটপুটগুলি একটি সংযুক্ত প্রভাব অর্জনের জন্য ভাঁজ করা হয়েছেঃ উল্লম্ব পোলারাইজেশনের জন্য মিল এবং একটি খুব উল্লেখযোগ্য আকার হ্রাস। এছাড়াও, যেহেতু পাশের শাখাগুলির পথটি হ্রাস করা হয়েছে, তাই বিভিন্ন পোলারাইজেশনের জন্য সন্নিবেশ ক্ষতিগুলি ভারসাম্যপূর্ণ। জংশনের দ্বৈত-সমতুল্যতার কারণে অক্ষরেখা পোলারাইজেশনের মধ্যে বিচ্ছিন্নতা বজায় রাখা হয়। যান্ত্রিক দিক থেকে, প্রস্তাবিত জংশনটি অরথো-মোড ট্রান্সডুসার অংশগুলির একটি সহজ উত্পাদন এবং সমাবেশের অনুমতি দেয়, যা একটি কু-ব্যান্ড ডিজাইনের সাথে দেখানো হয়েছে, যা পুরো কু-ব্যান্ডকে 12.6 থেকে 18.25 গিগাহার্জ পর্যন্ত আচ্ছাদন করে। পরীক্ষামূলক প্রোটোটাইপটি ডিজাইন ব্যান্ডে ২৮ ডিসিএল এর চেয়ে ভাল একটি পরিমাপ করা রিটার্ন ক্ষতি এবং উভয় পোলারাইজেশনের জন্য 0.15 ডিসিএল এর চেয়ে কম সন্নিবেশ ক্ষতি প্রদর্শন করেছে। |
db3259ae9e7f18a319cc24229662da9bf400221a | |
10dae7fca6b65b61d155a622f0c6ca2bc3922251 | |
5021c5f6d94ffaf735ab941241ab21e0c491ffa1 | এমএসইআর বৈশিষ্ট্যগুলিকে পুনরায় সংজ্ঞায়িত করা হয়েছে যাতে তাদের পারফরম্যান্সকে ম্যাচিং এবং পুনরুদ্ধারের কাজে উন্নত করা যায়। প্রস্তাবিত সিমসার বৈশিষ্ট্য (যেমন স্কেল-ইনসেনসিটিভ এমএসইআর) হল চরম অঞ্চল যা কেবলমাত্র থ্রেশহোল্ড পরিবর্তনের (এমএসইআর এর মতো) অধীনে নয় বরং অতিরিক্তভাবে চিত্রের পুনরায় স্কেলিং (সমতলকরণ) এর অধীনে সর্বাধিক স্থিতিশীল। এই ধরনের পরিবর্তনের তাত্ত্বিক সুবিধা আলোচনা করা হয়েছে। এটাও প্রাথমিকভাবে পরীক্ষামূলকভাবে যাচাই করা হয় যে এই ধরনের পরিবর্তন MSERs এর মৌলিক বৈশিষ্ট্য সংরক্ষণ করে, অর্থাৎ বৈশিষ্ট্যগুলির গড় সংখ্যা, পুনরাবৃত্তিযোগ্যতা এবং গণনা জটিলতা (যা কেবলমাত্র ব্যবহৃত স্কেলের সংখ্যার দ্বারা গুণিতভাবে বৃদ্ধি পায়), যখন পারফরম্যান্স (সাধারণ CBVIR মেট্রিক্স দ্বারা পরিমাপ করা হয়) উল্লেখযোগ্যভাবে উন্নত করা যেতে পারে। বিশেষ করে, বেঞ্চমার্ক ডেটাসেটের ফলাফলগুলি বর্ণনামূলক-ভিত্তিক মিল এবং শব্দ-ভিত্তিক মিলের জন্য উভয়ই প্রত্যাহারের মানগুলিতে উল্লেখযোগ্য বৃদ্ধি দেখায়। সাধারণভাবে, সিমসারগুলি বিশেষত বড় ভিজ্যুয়াল শব্দভাণ্ডারের সাথে ব্যবহারের জন্য উপযুক্ত বলে মনে হয়, যেমন বড় আকারের ডাটাবেসে ব্যাগ ওয়ালটের প্রাক-পুনরুদ্ধার অপারেশনের গুণমান উন্নত করতে তাদের ভবিষ্যতে প্রয়োগ করা যেতে পারে। |
e23c9687ba0bf15940af76b7fa0e0c1af9d3156e | গ্রাহক ইলেকট্রনিক্স শিল্প একটি $240 বিলিয়ন ডলারের বৈশ্বিক শিল্প যা অল্প সংখ্যক অত্যন্ত প্রতিযোগিতামূলক বৈশ্বিক খেলোয়াড়ের সাথে রয়েছে। আমরা এই শিল্পে যে কোন বৈশ্বিক সরবরাহ শৃঙ্খলের সাথে যুক্ত অনেক ঝুঁকি বর্ণনা করি। উদাহরণস্বরূপ, আমরা এই ঝুঁকিগুলি হ্রাস করার জন্য স্যামসাং ইলেকট্রনিক্স এবং এর সহায়ক সংস্থা স্যামসাং ইলেকট্রনিক্স ইউকে যে পদক্ষেপ নিয়েছে তাও তালিকাভুক্ত করেছি। ঝুঁকি বর্ণনা এবং প্রশমন প্রচেষ্টার চিত্র ভবিষ্যতে গবেষণার ক্ষেত্রগুলি চিহ্নিত করার জন্য পটভূমি সরবরাহ করে। |
2f52cbef51a6a8a2a74119ad821526f9e0b57b39 | SAP HANA ডাটাবেসটি SAP HANA অ্যাপ্লায়েন্সের মূল হিসাবে অবস্থিত, যাতে লেনদেনের ধারাবাহিক অপারেশনাল ওয়ার্কলোডের সাথে জটিল ব্যবসায়িক বিশ্লেষণ প্রক্রিয়াগুলিকে সমর্থন করা যায়। এই গবেষণাপত্রের মধ্যে, আমরা SAP HANA ডাটাবেসের মৌলিক বৈশিষ্ট্যগুলি বর্ণনা করি, যা অন্যান্য ক্লাসিক রিলেশনাল ডাটাবেস ম্যানেজমেন্ট সিস্টেম থেকে SAP HANA ডাটাবেসকে আলাদা করে তোলে। প্রযুক্তিগত দিক থেকে, SAP HANA ডাটাবেস একাধিক ডেটা প্রসেসিং ইঞ্জিনের সমন্বয়ে গঠিত, যার মধ্যে রয়েছে একটি বিতরণকৃত ক্যোয়ারী প্রসেসিং পরিবেশ যা ডেটা প্রসেসিংয়ের সম্পূর্ণ বর্ণালী সরবরাহ করে - ক্লাসিক রিলেশনাল ডেটা থেকে হাইব্রিড ইঞ্জিনে সারি- এবং কলাম-ভিত্তিক উভয় শারীরিক উপস্থাপনা সমর্থন করে, একই সিস্টেমের মধ্যে আধা এবং অ-নির্ধারিত ডেটা পরিচালনার জন্য গ্রাফ এবং পাঠ্য প্রসেসিং। অ্যাপ্লিকেশন-ভিত্তিক দৃষ্টিকোণ থেকে, আমরা একাধিক ডোমেন-নির্দিষ্ট ভাষার SAP HANA ডাটাবেস দ্বারা প্রদত্ত নির্দিষ্ট সমর্থনটি মূলত বাস্তবায়িত ব্যবসায়িক ফাংশনগুলির একটি অন্তর্নির্মিত সেট সহ রূপরেখা দিই। এসকিউএল - রিলেশনাল ডাটাবেস সিস্টেমের জন্য লিংগুয়া ফ্রাঙ্কা হিসাবে - আর আধুনিক অ্যাপ্লিকেশনগুলির সমস্ত প্রয়োজনীয়তা পূরণ করতে পারে না, যা ডেটা ম্যানেজমেন্ট স্তরের সাথে কঠোর মিথস্ক্রিয়া দাবি করে। এই কারণে, SAP HANA ডাটাবেসটি অ্যাপ্লিকেশন শব্দার্থের আদান-প্রদানের অনুমতি দেয় যা ক্যোয়ারী এক্সপ্রেসিভিটি বাড়ানোর জন্য এবং পৃথক অ্যাপ্লিকেশন-টু-ডাটাবেস রানআউটগুলির সংখ্যা হ্রাস করার জন্য ব্যবহার করা যেতে পারে। |
3a011bd31f1de749210b2b188ffb752d9858c6a6 | আমরা সিদ্ধান্ত সমর্থন সুবিধা বড় পরিশীলিত নেটওয়ার্ক, যার উপর বহুমাত্রিক বৈশিষ্ট্য নেটওয়ার্ক সত্তা সঙ্গে যুক্ত করা হয় প্রসারিত বিবেচনা, এইভাবে তথাকথিত বহুমাত্রিক নেটওয়ার্ক গঠন। ডেটা গুদাম এবং ওএলএপি (অনলাইন অ্যানালিটিক্যাল প্রসেসিং) প্রযুক্তি সম্পর্কিত ডেটা সম্পর্কিত সিদ্ধান্তের সহায়তার জন্য কার্যকর সরঞ্জাম হিসাবে প্রমাণিত হয়েছে। কিন্তু নতুন এবং গুরুত্বপূর্ণ বহু মাত্রিক নেটওয়ার্ক পরিচালনা করার জন্য তারা যথেষ্ট প্রস্তুত নয়। এই গবেষণাপত্রে, আমরা গ্রাফ কিউব, একটি নতুন ডেটা গুদাম মডেলের সাথে পরিচয় করিয়ে দিচ্ছি যা বড় বহুমাত্রিক নেটওয়ার্কগুলিতে ওএলএপি প্রশ্নগুলিকে কার্যকরভাবে সমর্থন করে। নেটওয়ার্কগুলির বৈশিষ্ট্য সমষ্টি এবং কাঠামো সংক্ষিপ্তকরণ উভয়ই বিবেচনা করে, গ্রাফ কিউব কেবলমাত্র সংখ্যার মান ভিত্তিক গ্রুপ-এর সাথে জড়িত traditionalতিহ্যবাহী ডেটা কিউব মডেলের বাইরে চলে যায়, যার ফলে প্রতিটি সম্ভাব্য বহু-মাত্রিক স্থানের মধ্যে আরও অন্তর্দৃষ্টিপূর্ণ এবং কাঠামো সমৃদ্ধ সমষ্টিগত নেটওয়ার্ক তৈরি হয়। ঐতিহ্যগত কিউবয়েড ক্যোয়ারী ছাড়াও, OLAP ক্যোয়ারীগুলির একটি নতুন শ্রেণী, ক্রসবয়েড, চালু করা হয়েছে যা বহুমাত্রিক নেটওয়ার্কগুলিতে অনন্যভাবে কার্যকর এবং এর আগে অধ্যয়ন করা হয়নি। আমরা গ্রাফ কিউব বাস্তবায়ন করি বহু মাত্রিক নেটওয়ার্কের বিশেষ বৈশিষ্ট্যগুলিকে বিদ্যমান ভালভাবে অধ্যয়ন করা ডেটা কিউব কৌশলগুলির সাথে একত্রিত করে। আমরা বাস্তব বিশ্বের ডেটা সেটগুলির একটি সিরিজের উপর ব্যাপক পরীক্ষামূলক গবেষণা পরিচালনা করি এবং গ্রাফ কিউবকে বড় বহুমাত্রিক নেটওয়ার্কগুলিতে সিদ্ধান্ত সমর্থন করার জন্য একটি শক্তিশালী এবং দক্ষ সরঞ্জাম হিসাবে দেখানো হয়েছে। |
4b573416043cf9cff42cbb7b753993c907a2be4a | অনেক ঐতিহ্যগত এবং নতুন ব্যবসায়িক অ্যাপ্লিকেশনগুলি অভ্যন্তরীণভাবে গ্রাফস্ট্রাকচারড ডেটা নিয়ে কাজ করে এবং তাই গ্রাফ বিমূর্তকরণ এবং ডেটা ম্যানেজমেন্ট স্তরে সরবরাহিত ক্রিয়াকলাপ থেকে উপকৃত হয়। প্রোপার্টি গ্রাফ ডেটা মডেল শুধুমাত্র স্কিম নমনীয়তা প্রদান করে না বরং ডেটা এবং মেটাডেটা যৌথভাবে পরিচালনা এবং প্রক্রিয়াকরণের অনুমতি দেয়। সাধারণ গ্রাফ অপারেশনগুলি সরাসরি ডাটাবেস ইঞ্জিনে বাস্তবায়িত করে এবং এগুলিকে একটি স্বজ্ঞাত প্রোগ্রামিং ইন্টারফেস এবং একটি ঘোষণামূলক ভাষার আকারে প্রকাশ করে, জটিল ব্যবসায়িক অ্যাপ্লিকেশন লজিককে আরও সহজেই প্রকাশ করা যায় এবং খুব দক্ষতার সাথে কার্যকর করা যায়। এই কাগজে আমরা গ্রাফ ডেটা সাপোর্ট সহ SAP HANA ডাটাবেস সম্প্রসারণের জন্য আমাদের চলমান কাজ বর্ণনা করি। আমরা এটিকে SAP HANA এর সাথে আধুনিক ব্যবসায়িক অ্যাপ্লিকেশনের জন্য একটি দক্ষ এবং স্বজ্ঞাত ডেটা ম্যানেজমেন্ট প্ল্যাটফর্ম প্রদানের পথে পরবর্তী পদক্ষেপ হিসাবে দেখি। |
16af753e94919ca257957cee7ab6c1b30407bb91 | |
cc75568885ab99851cc0e0ea5679121606121e5d | কাজ করা কুকুরকে প্রশিক্ষণ ও পরিচালনা করা একটি ব্যয়বহুল প্রক্রিয়া এবং এর জন্য বিশেষ দক্ষতা ও কৌশল প্রয়োজন। কম স্বার্থপর এবং কম খরচে প্রশিক্ষণের কৌশলগুলি কেবল এই কুকুরগুলির সাথে আমাদের অংশীদারিত্বের উন্নতি করবে না বরং তাদের দক্ষতা থেকে আরও দক্ষতার সাথে আমাদের উপকৃত হতে সক্ষম করবে। এটি সহজ করার জন্য, আমরা একটি কাইনিন বডি-এরিয়া-নেটওয়ার্ক (সিবিএএন) তৈরি করছি যাতে সেন্সর প্রযুক্তি এবং কম্পিউটেশনাল মডেলিং একত্রিত করা যায় যাতে কুকুর প্রশিক্ষণের জন্য হ্যান্ডলারদের আরও সঠিক ব্যাখ্যা দেওয়া যায়। প্রথম ধাপ হিসেবে আমরা ইনার্সিয়াল মেজার ইউনিট (আইএমইউ) ব্যবহার করেছি কুকুরের আচরণগত কার্যকলাপ দূর থেকে সনাক্ত করতে। সিদ্ধান্ত গাছের শ্রেণীবিভাগ এবং লুকানো মার্কভ মডেলগুলি স্থির অবস্থানগুলি (বসা, দাঁড়িয়ে, শুয়ে থাকা, দুই পায়ে দাঁড়িয়ে থাকা এবং মাটি থেকে খাওয়া) এবং গতিশীল ক্রিয়াকলাপগুলি (ভ্রমণ, সিঁড়ি আরোহণ এবং র্যাম্পে নামা) সনাক্ত করতে ব্যবহৃত হয়েছিল। ৬টি ল্যাবরেডর রিট্রিভার এবং একটি কাই কেনের তথ্য সংগ্রহ করা হয়েছে। আইএমইউ অবস্থান এবং দিকনির্দেশের বিশ্লেষণ স্থির এবং গতিশীল ক্রিয়াকলাপ স্বীকৃতির জন্য উচ্চ শ্রেণিবদ্ধকরণ নির্ভুলতা অর্জনে সহায়তা করেছিল। |
694a40785f480cc0d65bd94a5e44f570aff5ea37 | মোবাইল রোবট নেভিগেশনের উপর গবেষণা অভ্যন্তরীণ পরিবেশের মানচিত্রের জন্য দুটি প্রধান প্যারাডাইম তৈরি করেছেঃ গ্রিড ভিত্তিক এবং টপোলজিকাল। যদিও গ্রিড-ভিত্তিক পদ্ধতিগুলি সঠিক মেট্রিক মানচিত্র তৈরি করে, তাদের জটিলতা প্রায়শই বড় আকারের অভ্যন্তরীণ পরিবেশে দক্ষ পরিকল্পনা এবং সমস্যা সমাধানকে নিষিদ্ধ করে। অন্যদিকে, টপোলজিক্যাল ম্যাপগুলি আরও দক্ষতার সাথে ব্যবহার করা যেতে পারে, তবে বড় আকারের পরিবেশে সঠিক এবং ধারাবাহিক টপোলজিক্যাল ম্যাপগুলি শিখতে যথেষ্ট কঠিন। এই কাগজটি এমন একটি পদ্ধতির বর্ণনা করে যা উভয় প্যারাডাইমকে একত্রিত করেঃ গ্রিড-ভিত্তিক এবং টপোলজিকাল। গ্রিড ভিত্তিক মানচিত্রগুলি কৃত্রিম নিউরাল নেটওয়ার্ক এবং বেজিয়ান ইন্টিগ্রেশন ব্যবহার করে শেখানো হয়। টপোলজিক্যাল মানচিত্রগুলি গ্রিড-ভিত্তিক মানচিত্রের উপরে তৈরি করা হয়, যা পরবর্তীতে সুসংগত অঞ্চলে বিভক্ত করা হয়। গ্রিড ভিত্তিক এবং টপোলজিক্যাল- উভয় প্যারাডাইমকে একত্রিত করে, এখানে উপস্থাপিত পদ্ধতিটি উভয় বিশ্বের সেরা অর্জন করেঃ নির্ভুলতা / ধারাবাহিকতা এবং দক্ষতা। এই গবেষণাপত্রটি জনবহুল বহু কক্ষের পরিবেশে স্বয়ংক্রিয়ভাবে সোনার সেন্সর দিয়ে সজ্জিত একটি মোবাইল রোবট পরিচালনার ফলাফল প্রদান করে। |
a512385be058b1e2e1d8b418a097065707622ecd | বিশ্বব্যাপী ক্যান্সারের সমস্যা ক্রমশ বাড়ছে। এর মূল কারণ হচ্ছে, বিশ্বের জনসংখ্যা বৃদ্ধির সাথে সাথে ক্যান্সারজনিত আচরণ, বিশেষ করে ধূমপান, অর্থনৈতিকভাবে উন্নয়নশীল দেশগুলোতে ক্রমশই গ্রহণ করা হচ্ছে। গ্লোবোকান ২০০৮ এর অনুমান অনুযায়ী ২০০৮ সালে প্রায় ১২.৭ মিলিয়ন ক্যান্সার আক্রান্ত এবং ৭.৬ মিলিয়ন ক্যান্সারে মৃত্যু হয়েছে বলে অনুমান করা হয়। এর মধ্যে ৫৬% ক্ষেত্রে এবং ৬৪% মৃত্যুর ঘটনা ঘটেছে অর্থনৈতিকভাবে উন্নয়নশীল বিশ্বে। স্তন ক্যান্সার হল সবচেয়ে বেশি আক্রান্ত ক্যান্সার এবং মহিলাদের মধ্যে ক্যান্সারে মৃত্যুর প্রধান কারণ, যা মোট ক্যান্সারের ২৩% এবং ক্যান্সারে মৃত্যুর ১৪%। পুরুষদের মধ্যে ফুসফুসের ক্যান্সার হল প্রধান ক্যান্সার, যা মোট নতুন ক্যান্সার আক্রান্তের ১৭% এবং মোট ক্যান্সারজনিত মৃত্যুর ২৩%। অর্থনৈতিকভাবে উন্নয়নশীল দেশগুলোতে স্তন ক্যান্সার এখন নারীদের মধ্যে ক্যান্সারের মৃত্যুর প্রধান কারণ, যা আগের দশকের তুলনায় একটি পরিবর্তন, যখন ক্যান্সারের মৃত্যুর সবচেয়ে সাধারণ কারণ ছিল জরায়ুর স্তন ক্যান্সার। এছাড়াও, উন্নয়নশীল দেশগুলোতে মহিলাদের মধ্যে ফুসফুসের ক্যান্সারের মৃত্যুর হার জরায়ু ক্যান্সারের মতোই বেশি, যেখানে উভয় ক্ষেত্রেই মোট মহিলাদের ক্যান্সারে মৃত্যুর ১১%। যদিও উন্নয়নশীল দেশগুলোতে ক্যান্সারের সাধারণ ঘটনাপ্রক্রিয়া উভয় লিঙ্গের মধ্যে উন্নত দেশগুলোতে দেখা যায় তার অর্ধেক হলেও, ক্যান্সারের সাধারণ মৃত্যুর হার সাধারণত একই রকম। ক্যান্সারের ক্ষেত্রে বেঁচে থাকার সম্ভাবনা উন্নয়নশীল দেশগুলোতে কম, সম্ভবত রোগ নির্ণয়ের দেরী পর্যায়ে এবং সময়মত ও মানসম্মত চিকিৎসার অ্যাক্সেসের সীমাবদ্ধতার কারণে। ক্যান্সারের বিশ্বব্যাপী বোঝার একটি উল্লেখযোগ্য অংশ ক্যান্সার নিয়ন্ত্রণের বিদ্যমান জ্ঞানের প্রয়োগ এবং তামাক নিয়ন্ত্রণ, টিকা (যকৃত এবং জরায়ু ক্যান্সারের জন্য), এবং প্রাথমিক সনাক্তকরণ এবং চিকিত্সা, পাশাপাশি শারীরিক ক্রিয়াকলাপ এবং স্বাস্থ্যকর ডায়েট গ্রহণের প্রচারণা প্রচার করে জনস্বাস্থ্য প্রচারের মাধ্যমে প্রতিরোধ করা যেতে পারে। ক্লিনিকাল চিকিৎসক, জনস্বাস্থ্য পেশাদার এবং নীতি নির্ধারকরা বিশ্বব্যাপী এই ধরনের হস্তক্ষেপের প্রয়োগ ত্বরান্বিত করতে সক্রিয় ভূমিকা পালন করতে পারেন। |
37fa040ec0c4bc1b85f3ca2929445f3229ed7f72 | আমরা স্কেচ-আরএনএন উপস্থাপন করছি, একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) যা সাধারণ বস্তুর স্ট্রোক-ভিত্তিক অঙ্কন তৈরি করতে সক্ষম। মডেলটি হাজার হাজার মানুষের আঁকা ছবির উপর প্রশিক্ষিত হয় যা শত শত শ্রেণীর প্রতিনিধিত্ব করে। আমরা শর্তসাপেক্ষ এবং শর্তহীন স্কেচ জেনারেশনের জন্য একটি কাঠামো বর্ণনা করি এবং ভেক্টর ফর্ম্যাটে সুসংগত স্কেচ অঙ্কন তৈরির জন্য নতুন শক্তিশালী প্রশিক্ষণ পদ্ধতি বর্ণনা করি। |
a1a1c4fb58a2bc056a056795609a2be307b6b9bf | ক্লাউড স্টোরেজ দ্রুত অনেক আইটি অবকাঠামোর ভিত্তি হয়ে উঠেছে, যা বিপুল পরিমাণে ডেটা ব্যাকআপ, সিঙ্ক্রোনাইজেশন এবং শেয়ারিংয়ের জন্য একটি বিরামবিহীন সমাধান গঠন করে। তবে ক্লাউড সার্ভিস প্রদানকারীদের সরাসরি নিয়ন্ত্রণে ব্যবহারকারীর তথ্য রাখা আউটসোর্সড ডেটার অখণ্ডতা, দুর্ঘটনাক্রমে বা ইচ্ছাকৃতভাবে সংবেদনশীল তথ্য ফাঁস হওয়া, ব্যবহারকারীর ক্রিয়াকলাপের প্রোফাইলিং ইত্যাদি সম্পর্কিত সুরক্ষা এবং গোপনীয়তা উদ্বেগ উত্থাপন করে। এছাড়াও, ক্লাউড সরবরাহকারীকে বিশ্বাস করা হলেও, আউটসোর্সড ফাইলগুলিতে অ্যাক্সেস থাকা ব্যবহারকারীরা ক্ষতিকারক এবং ভুল আচরণ করতে পারে। ব্যক্তিগত স্বাস্থ্য রেকর্ড এবং ক্রেডিট স্কোর সিস্টেমের মতো সংবেদনশীল অ্যাপ্লিকেশনগুলিতে এই উদ্বেগগুলি বিশেষত গুরুতর। এই সমস্যা মোকাবেলায়, আমরা GORAM, একটি ক্রিপ্টোগ্রাফিক সিস্টেম উপস্থাপন করি যা আউটসোর্সড ডেটার গোপনীয়তা এবং অখণ্ডতাকে একটি অবিশ্বস্ত সার্ভার এবং দূষিত ক্লায়েন্ট উভয়ের প্রতি শ্রদ্ধাশীল করে, এই জাতীয় ডেটাতে অ্যাক্সেসের নামহীনতা এবং আনলিঙ্কযোগ্যতার গ্যারান্টি দেয় এবং ডেটা মালিককে অন্যান্য ক্লায়েন্টদের সাথে আউটসোর্সড ডেটা ভাগ করে নেওয়ার অনুমতি দেয়, তাদের নির্বাচনীভাবে পড়া এবং লেখার অনুমতি দেয়। গরম হচ্ছে প্রথম সিস্টেম যা আউটসোর্সড স্টোরেজের জন্য এত বিস্তৃত নিরাপত্তা এবং গোপনীয়তা বৈশিষ্ট্য অর্জন করে। একটি কার্যকর নির্মাণের নকশা প্রক্রিয়ায়, আমরা দুটি নতুন, সাধারণভাবে প্রযোজ্য ক্রিপ্টোগ্রাফিক স্কিম তৈরি করেছি, যথা, শ্যাফলের ব্যাচড শূন্য-জ্ঞান প্রমাণ এবং একটি জবাবদিহিতা কৌশল যা চ্যামেলিয়ন স্বাক্ষরের উপর ভিত্তি করে, যা আমরা স্বতন্ত্র আগ্রহের বলে বিবেচনা করি। আমরা অ্যামাজন ইলাস্টিক কম্পিউট ক্লাউডে (ইসি২) গোরাম প্রয়োগ করেছি এবং আমাদের নির্মাণের স্কেলযোগ্যতা এবং দক্ষতা প্রদর্শন করে একটি কর্মক্ষমতা মূল্যায়ন চালিয়েছি। |
32527d9fcbfb0c84daf715d7e9a375f647b33c2c | |
269ed5ba525519502123b58472e069d77c5bda14 | ইন্টারেক্টিভ প্রশ্ন উত্তর (QA) সিস্টেম প্রায়ই অ-বাস্তবিক (অসম্পূর্ণ) প্রশ্নের সম্মুখীন হয়। এই অ-অর্থপূর্ণ প্রশ্নগুলি সিস্টেমের কাছে অর্থহীন হতে পারে যখন কোনও ব্যবহারকারী কথোপকথনের প্রসঙ্গ ছাড়াই তাদের জিজ্ঞাসা করে। এই সিস্টেমকে অসম্পূর্ণ প্রশ্নটি প্রক্রিয়া করার জন্য কথোপকথনের প্রসঙ্গটি বিবেচনা করতে হবে। এই কাজের মধ্যে, আমরা একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) ভিত্তিক এনকোডার ডিকোডার নেটওয়ার্ক উপস্থাপন করি যা একটি অসম্পূর্ণ প্রশ্ন এবং কথোপকথন প্রসঙ্গে একটি সম্পূর্ণ (আসন্ন) প্রশ্ন তৈরি করতে পারে। আরএনএন এনকোডার ডিকোডার নেটওয়ার্কগুলি লক্ষ লক্ষ বাক্য সহ সমান্তরাল কর্পাসের প্রশিক্ষণের সময় ভাল কাজ করে বলে প্রমাণিত হয়েছে, তবে এই পরিমাণের কথোপকথনের ডেটা পাওয়া অত্যন্ত কঠিন। আমরা মূল সমস্যাটিকে দুটি পৃথক সরলীকৃত সমস্যায় বিভক্ত করার প্রস্তাব দিচ্ছি যেখানে প্রতিটি সমস্যা একটি বিমূর্ততার উপর দৃষ্টি নিবদ্ধ করে। বিশেষ করে, আমরা একটি অর্থপূর্ণ ক্রম মডেলকে অর্থপূর্ণ নিদর্শন শিখতে প্রশিক্ষণ দিই, এবং একটি বাক্যগত ক্রম মডেলকে ভাষাগত নিদর্শন শিখতে। আমরা আরও একটি সংমিশ্রণ মডেল তৈরি করতে সিনট্যাক্সিক এবং সেমান্টিক ক্রম মডেলগুলিকে একত্রিত করি। আমাদের মডেলটি একটি স্ট্যান্ডার্ড আরএনএন এনকোডার ডিকোডার মডেল ব্যবহার করে 18.54 এর তুলনায় 30.15 এর একটি ব্লু স্কোর অর্জন করে। |
27099ec9ea719f8fd919fb69d66af677a424143b | চিন্তা-যুক্তিগত অভিযোজিত নিয়ন্ত্রণ (এসিটি-আর; জেআর অ্যান্ডারসন এবং সি লেবিয়ার, ১৯৯৮) এমন একটি তত্ত্বের মধ্যে বিকশিত হয়েছে যা একাধিক মডিউল নিয়ে গঠিত তবে এই মডিউলগুলি কীভাবে সুসংগত জ্ঞান তৈরি করতে সংহত হয় তাও ব্যাখ্যা করে। এসিটি-আর-এ বিশেষায়িত সিস্টেমের উদাহরণ হিসেবে উপলব্ধি-মোটর মডিউল, লক্ষ্য মডিউল এবং ঘোষণামূলক মেমরি মডিউল উপস্থাপন করা হয়েছে। এই মডিউলগুলি পৃথক কর্টিকাল অঞ্চলের সাথে যুক্ত। এই মডিউলগুলি বাফারগুলিতে টুকরো টুকরো করে যেখানে তারা একটি উত্পাদন সিস্টেম দ্বারা সনাক্ত করা যায় যা বাফারগুলিতে তথ্যের নিদর্শনগুলিতে সাড়া দেয়। যে কোন সময়ে, বর্তমান প্যাটার্নের প্রতিক্রিয়া জানাতে একটি একক উৎপাদন নিয়ম নির্বাচন করা হয়। সাবসিম্বলিক প্রক্রিয়াগুলি আগুনের নিয়মগুলি নির্বাচন করার পাশাপাশি কিছু মডিউলের অভ্যন্তরীণ ক্রিয়াকলাপগুলিকে গাইড করার জন্য কাজ করে। অনেকটা শেখার ক্ষেত্রে এই উপ-প্রতীকী প্রক্রিয়াগুলিকে টুন করা জড়িত। এই মডিউলগুলি কীভাবে এককভাবে এবং সম্মিলিতভাবে কাজ করে তা চিত্রিত করার জন্য বেশ কয়েকটি সহজ এবং জটিল অভিজ্ঞতার উদাহরণ বর্ণনা করা হয়েছে। |
6fdbf20f50dfd6276d9b89e494f86fbcc7b0b9b7 | আমরা একটি নতুন ইলেকট্রনিক ট্র্যাকিং অ্যান্টেনা অ্যারে ডিজাইন এবং পরীক্ষা করেছি যা 2 × 2 মাইক্রোস্ট্রিপ সাব-অ্যারে দ্বারা গঠিত। প্রতিটি উপ-অ্যারেতে সময় ক্রমের ফেজ ওজন দ্বারা, প্রতিটি উপ-অ্যারেতে প্রশস্ততা এবং ফেজটি ফলাফলের একক চ্যানেলের আউটপুট থেকে পুনরুদ্ধার করা যেতে পারে। প্রতিটি অ্যারেতে প্রসার এবং পর্যায় ডিজিটাল সংকেত প্রক্রিয়াকরণের মাধ্যমে যোগফল এবং পার্থক্য বিকিরণ প্যাটার্ন উত্পাদন করতে ব্যবহার করা যেতে পারে। একক-প্রভাবিত সিস্টেমের তুলনায়, RF তুলনামূলক সরানো হয় এবং রিসিভার চ্যানেলের সংখ্যা 3 থেকে 1 এ হ্রাস করা হয়। একটি প্রুফ-অফ-কনসেপ্ট প্রোটোটাইপ তৈরি এবং পরীক্ষা করা হয়েছিল। পরিমাপ করা ফলাফল প্রস্তাবিত স্কিমের বৈধতা এবং সুবিধাগুলি নিশ্চিত করেছে। চ্যানেল সংশোধন পদ্ধতি দেওয়া হয়েছে। |
3701bdb05b6764b09a5735cdc3cb9c40736d9765 | আমরা স্টোক্যাস্টিক অ্যাসিনক্রোনাস প্রক্সিমাল অল্টারনেটিং লিনিয়ারাইজড মিনিমাইজেশন (এসএপিএএলএম) পদ্ধতিটি প্রবর্তন করি, এটি নন-কনভেক্স, নন-স্মথ অপ্টিমাইজেশন সমস্যা সমাধানের জন্য একটি ব্লক সমন্বয় স্টোক্যাস্টিক প্রক্সিমাল-গ্র্যাডিয়েন্ট পদ্ধতি। SAPALM হল প্রথম অ্যাসিনক্রোনাস সমান্তরাল অপ্টিমাইজেশন পদ্ধতি যা প্রমাণিতভাবে অ-উল্লম্ব, অ-সমতল সমস্যার একটি বড় শ্রেণীতে একত্রিত হয়। আমরা প্রমাণ করি যে SAPALM এই সমস্যা শ্রেণীর উপর - সিঙ্ক্রোনস বা অ্যাসিনক্রোনস পদ্ধতির মধ্যে - ঘনিষ্ঠতার সেরা পরিচিত হারগুলির সাথে মিলছে। আমরা কর্মীদের সংখ্যা উপর উপরের সীমা প্রদান করি যার জন্য আমরা একটি রৈখিক গতি বাড়ানোর আশা করতে পারি, যা কম জটিল সমস্যার জন্য পরিচিত সর্বোত্তম সীমাগুলির সাথে মিলিত হয় এবং দেখায় যে বাস্তবে SAPALM এই রৈখিক গতি বাড়ায়। আমরা ম্যাট্রিক্স ফ্যাক্টরাইজেশন সমস্যার উপর অত্যাধুনিক পারফরম্যান্স প্রদর্শন করছি। |
5cd28cdc4c82f788dee27cb73d7d9280cf9c7343 | এই গবেষণাপত্রটি বায়ু চিত্র থেকে প্রাপ্ত মিলে যাওয়া গ্রাফলেট (অর্থাৎ ছোট সংযুক্ত উপগ্রাফ) এর উপর ভিত্তি করে বায়ু চিত্রের বিভাগগুলিকে স্বীকৃতি দেওয়ার একটি পদ্ধতি উপস্থাপন করে। একটি অঞ্চল সংলগ্নতা গ্রাফ (আরএজি) নির্মাণ করে প্রতিটি বায়ু চিত্রের জ্যামিতিক সম্পত্তি এবং রঙ বিতরণকে এনকোড করার জন্য, আমরা RAG-to-RAG মিল হিসাবে বায়ু চিত্র বিভাগের স্বীকৃতি প্রদান করি। গ্রাফ তত্ত্বের উপর ভিত্তি করে, RAG-to-RAG মিলন তাদের সমস্ত সংশ্লিষ্ট গ্রাফলেট মিলিয়ে পরিচালিত হয়। একটি কার্যকর গ্রাফলেট মিলানোর প্রক্রিয়াটির দিকে, আমরা বিভিন্ন আকারের গ্রাফলেটগুলিকে সমান দৈর্ঘ্যের বৈশিষ্ট্য ভেক্টরগুলিতে স্থানান্তর করতে এবং এই বৈশিষ্ট্য ভেক্টরগুলিকে একটি কার্নেলে সংহত করতে একটি বহুমুখী এম্বেডিং অ্যালগরিদম বিকাশ করি। এই কার্নেলটি একটি SVM [8] শ্রেণীবিভাগকারীকে বিমানের চিত্রের শ্রেণীবিভাগের স্বীকৃতির জন্য প্রশিক্ষণ দেওয়ার জন্য ব্যবহৃত হয়। পরীক্ষামূলক ফলাফল আমাদের পদ্ধতির প্রমাণ দেয় যে, এটি বেশ কিছু অত্যাধুনিক বস্তু/দৃশ্য সনাক্তকরণ মডেলকে ছাড়িয়ে গেছে। |
b2dac341df54e5f744d5b6562d725d254aae8e80 | এই গবেষণায় উন্মুক্ত ডেটা সেটগুলিকে একত্রিত ও একীভূত করার জন্য একটি মুক্ত ম্যাটল্যাব টুলবক্স, ওপেনহারকে উপস্থাপন করা হয়েছে। এটি দশটি পাবলিক ওপেন হিউম্যান অ্যাক্টিভিটি ডেটা সেটগুলির অ্যাকসেলরোমিটার সংকেতগুলিতে সহজেই অ্যাক্সেস সরবরাহ করে। ডেটা সেটগুলি সহজেই অ্যাক্সেসযোগ্য কারণ ওপেনহার সমস্ত ডেটা সেটকে একই ফর্ম্যাটে সরবরাহ করে। এছাড়াও, ইউনিট, পরিমাপ পরিসীমা এবং লেবেল ইউনিফাইড, পাশাপাশি, শরীরের অবস্থান আইডি হয়। এছাড়াও, বিভিন্ন নমুনা গ্রহণের হারের সাথে ডেটা সেটগুলি ডাউনস্যাম্পলিং ব্যবহার করে একত্রিত করা হয়। এর বাইরে, দৃশ্যমান ত্রুটিগুলি খুঁজে বের করার জন্য ডেটা সেটগুলিকে দৃশ্যত পরিদর্শন করা হয়েছে, যেমন সেন্সরটি ভুল দিকনির্দেশে। ওপেনহার এই ত্রুটিগুলি সংশোধন করে ডেটা সেটগুলির পুনরায় ব্যবহারযোগ্যতা উন্নত করে। মোটামুটিভাবে ওপেনহার্-এ ৬৫ মিলিয়নেরও বেশি লেবেলযুক্ত তথ্যের নমুনা রয়েছে। এটি ২৮০ ঘণ্টার বেশি সময় ধরে থ্রিডি অ্যাক্সেলরোমিটার থেকে পাওয়া তথ্যের সমতুল্য। এর মধ্যে রয়েছে ২১১ জন স্টাডি সাবজেক্টের তথ্য, যারা প্রতিদিনের ১৭টি মানবিক কাজকর্ম করে এবং ১৪টি ভিন্ন শরীরের অবস্থানে সেন্সর ব্যবহার করে। |
7347b4601078bd52eec80d5de29f801890f82de3 | একটি কপলড-Gysel ব্রডব্যান্ড সংমিশ্রণকারী/বিভাজক প্রস্তাবিত এবং প্রদর্শিত হয়। নতুন ধারণাটি নকশায় একটি একক সংযুক্ত লাইন সেগমেন্ট ব্যবহারের উপর নির্ভর করে। ব্যান্ডউইথের ক্ষেত্রে উল্লেখযোগ্য উন্নতি সাধিত হয় যখন কম ক্ষতি, নকশা সহজতা এবং নমনীয়তা বজায় রাখা হয়। কপলড-গাইসেলকে ২.৫-৮ গিগাহার্টজ (১০৫% ভগ্নাংশ ব্যান্ডউইথ) ডিভাইডার দিয়ে ০.১ ডিবি ডিভাইডার ক্ষতি এবং ৩.৪-১০.২ গিগাহার্টজ (১০০% ভগ্নাংশ ব্যান্ডউইথ) দিয়ে ০.২ ডিবি ডিভাইডার ক্ষতির সাথে প্রদর্শিত হয়। |
a05d984443d62575c097ad65b747aae859a5f8b0 | শিশুদের মানসিক-সামাজিক বিকাশের উপর ভিডিও গেমগুলির প্রভাব এখনও বিতর্কের কেন্দ্রবিন্দুতে রয়েছে। দুই সময়ে, এক বছরের ব্যবধানে, ১৯৪ জন শিশু (৭.২৭-১১.৪৩ বছর বয়সী; পুরুষ = ৯৮) তাদের গেমিং ফ্রিকোয়েন্সি এবং তাদের হিংসাত্মক ভিডিও গেম খেলার প্রবণতা এবং (ক) সহযোগিতামূলকভাবে এবং (খ) প্রতিযোগিতামূলকভাবে খেলার বিষয়ে রিপোর্ট করেছে; একইভাবে, বাবা-মা তাদের বাচ্চাদের মনস্তাত্ত্বিক স্বাস্থ্যের কথা জানিয়েছেন। এক নম্বর সময়ে গেমিং করা মানসিক সমস্যার বৃদ্ধি ঘটায়। হিংস্র গেমিং মানসিক সামাজিক পরিবর্তনের সাথে যুক্ত ছিল না। সহযোগিতামূলক গেমিং সামাজিক আচরণের পরিবর্তনের সাথে যুক্ত ছিল না। শেষ পর্যন্ত, প্রতিযোগিতামূলক গেমিং প্রসোসিয়াল আচরণের হ্রাসের সাথে যুক্ত ছিল, কিন্তু শুধুমাত্র শিশুদের মধ্যে যারা উচ্চ ফ্রিকোয়েন্সি সহ ভিডিও গেম খেলেছিল। এইভাবে, গেমিং ফ্রিকোয়েন্সি অভ্যন্তরীণকরণের সাথে সম্পর্কিত ছিল কিন্তু বহিরাগতকরণ, মনোযোগ, বা পিয়ার সমস্যাগুলির সাথে সম্পর্কিত ছিল না, হিংসাত্মক গেমিং বহিরাগতকরণের সমস্যাগুলির সাথে সম্পর্কিত ছিল না, এবং শিশুদের জন্য প্রতি সপ্তাহে প্রায় 8 ঘন্টা বা তার বেশি সময় ধরে খেলা, ঘন ঘন প্রতিযোগিতামূলক গেমিং প্রসোসিয়াল আচরণ হ্রাসের জন্য ঝুঁকির কারণ হতে পারে। আমরা যুক্তি দিচ্ছি যে প্রতিলিপি প্রয়োজন এবং ভবিষ্যতে গবেষণায় আরও ভালভাবে গেমিংয়ের বিভিন্ন ফর্মের মধ্যে পার্থক্য করা উচিত যাতে আরও সূক্ষ্ম এবং সাধারণীকরণযোগ্য অন্তর্দৃষ্টি পাওয়া যায়। |
5a47e047d4d41b61204255e1b265d704b7f265f4 | বিগ ডেটা শব্দটি সর্বত্রই প্রচলিত হয়ে উঠেছে। একাডেমিক, শিল্প ও মিডিয়ার মধ্যে একটি সাধারণ উৎপত্তি হওয়ায় একক একীভূত সংজ্ঞা নেই এবং বিভিন্ন স্টেকহোল্ডার বিভিন্ন এবং প্রায়শই পরস্পরবিরোধী সংজ্ঞা সরবরাহ করে। একটি সুসংগত সংজ্ঞা না থাকায় দ্ব্যর্থতা সৃষ্টি হয় এবং বিগ ডেটার সাথে সম্পর্কিত আলোচনা বাধাগ্রস্ত হয়। এই সংক্ষিপ্ত নিবন্ধে বিভিন্ন সংজ্ঞা যা কিছু পরিমাণে ট্র্যাকশন অর্জন করেছে এবং অন্যথায় দ্ব্যর্থহীন শব্দটির একটি পরিষ্কার এবং সংক্ষিপ্ত সংজ্ঞা দেওয়ার চেষ্টা করেছে। |
7065e6b496af41bba16971246a02986f5e388860 | অনেক কোম্পানির জন্য সংগঠনের সক্ষমতা পরিচালনা এবং উন্নত করা একটি গুরুত্বপূর্ণ এবং জটিল বিষয়। ব্যবস্থাপনাকে সমর্থন এবং উন্নতি সম্ভব করার জন্য, পারফরম্যান্স মূল্যায়নগুলি সাধারণত ব্যবহৃত হয়। সাংগঠনিক সক্ষমতা মূল্যায়নের একটি উপায় হচ্ছে পরিপক্কতা গ্রিডের মাধ্যমে। যদিও মেয়াদপূর্তির গ্রিডগুলি একটি সাধারণ কাঠামো ভাগ করতে পারে, তাদের বিষয়বস্তু ভিন্ন এবং প্রায়শই তারা নতুনভাবে বিকাশ করা হয়। এই কাগজটি মেয়াদ গ্রিড বিকাশের জন্য একটি রেফারেন্স পয়েন্ট এবং নির্দেশিকা উভয়ই উপস্থাপন করে। এটি ২৪টি বিদ্যমান মেয়াদ গ্রিড পর্যালোচনা করে এবং তাদের উন্নয়নের জন্য একটি রোডম্যাপের প্রস্তাব দিয়ে সম্পন্ন করা হয়। এই পর্যালোচনাটি বিশেষভাবে মেয়াদপূর্তির রেটিংগুলির সূত্রের মধ্যে সংগঠনের পরিবর্তনের বিষয়ে অন্তর্নিহিত অনুমানগুলিতে জোর দেয়। প্রস্তাবিত রোডম্যাপে চারটি পর্যায় রয়েছে: পরিকল্পনা, উন্নয়ন, মূল্যায়ন এবং রক্ষণাবেক্ষণ। প্রতিটি পর্যায়ে উন্নয়নের জন্য সিদ্ধান্তের বিভিন্ন পয়েন্ট নিয়ে আলোচনা করা হয়, যেমন প্রক্রিয়া এলাকার নির্বাচন, পরিপক্কতার স্তর এবং বিতরণ প্রক্রিয়া। শিল্প অনুশীলনে রোডম্যাপের উপযোগিতা প্রদর্শন করার একটি উদাহরণ দেওয়া হয়েছে। এই রোডম্যাপটি বিদ্যমান পদ্ধতির মূল্যায়নের জন্যও ব্যবহার করা যেতে পারে। এই গবেষণাপত্রের শেষে ব্যবস্থাপনা অনুশীলন এবং গবেষণার জন্য এর প্রভাব তুলে ধরা হয়েছে। |
5dd79167d714ff3907ffbba102b8e6fba49f053e | এই গবেষণাপত্রটি ডিজিটাল ওয়্যারলেস যোগাযোগের ক্ষেত্রে উচ্চ বিট-রেট প্রদানের জন্য ব্যান্ডউইথ দক্ষতার চূড়ান্ত সীমাবদ্ধতার মৌলিক বোঝার প্রয়োজনের দ্বারা অনুপ্রাণিত এবং এই সীমাবদ্ধতাগুলি কীভাবে যোগাযোগ করা যায় তাও দেখতে শুরু করা। আমরা মাল্টি-এলিমেন্ট অ্যারে (এমইএ) প্রযুক্তির ব্যবহারের বিষয়টি পরীক্ষা করি, যা নির্দিষ্ট অ্যাপ্লিকেশনগুলিতে ওয়্যারলেস ক্ষমতা উন্নত করতে স্থানিক মাত্রা (কেবল সময়ের মাত্রা নয়) প্রক্রিয়াজাত করে। বিশেষ করে, আমরা কিছু মৌলিক তথ্য তত্ত্বের ফলাফল উপস্থাপন করছি যা ওয়্যারলেস ল্যানগুলিতে এমইএ ব্যবহারের এবং ওয়্যারলেস যোগাযোগ লিঙ্কগুলি তৈরির জন্য বড় সুবিধা প্রদান করে। আমরা গুরুত্বপূর্ণ ক্ষেত্রে যখন চ্যানেল বৈশিষ্ট্য ট্রান্সমিটারে পাওয়া যায় না কিন্তু রিসিভার জানে (ট্র্যাক) বৈশিষ্ট্য যা Rayleigh বিবর্ণ সাপেক্ষে হয়। মোট প্রেরিত শক্তি স্থির করে, আমরা এমইএ প্রযুক্তির দ্বারা প্রদত্ত ক্ষমতা প্রকাশ করি এবং আমরা দেখতে পাই যে কীভাবে ক্ষমতাটি এসএনআর বাড়ানোর সাথে সাথে ট্রান্সমিটার এবং রিসিভার উভয়ই এন্টেনের উপাদানগুলির একটি বৃহত কিন্তু ব্যবহারিক সংখ্যার জন্য স্কেল করে। আমরা অ্যান্টেনা উপাদানগুলির মধ্যে স্বাধীন রেইলিহ বিবর্ণ পথের ক্ষেত্রে তদন্ত করি এবং এটি খুঁজে পাই যে উচ্চ সম্ভাবনার সাথে অসাধারণ ক্ষমতা উপলব্ধ। শ্যানন এর ক্লাসিকাল সূত্র অনুসারে, সিগন্যাল-টু-রুইজ রেসিও (এসএনআর) বৃদ্ধি প্রতি 3 ডিবির জন্য আরও একটি বিট/চক্র হিসাবে স্কেল করা হয়, এমইএসের সাথে তুলনা করে, স্কেলিং প্রায় এসএনআর প্রতি 3 ডিবি বৃদ্ধি প্রতি আরও n বিট/চক্রের মতো। এমনকি ছোট n এর জন্যও এই ক্ষমতা কত বড় তা চিত্রিত করার জন্য, n = 2, 4 এবং 16 কেসগুলি 21 ডিসিএলের গড় প্রাপ্ত এসএনআর নিয়ে নিন। 99% এরও বেশি চ্যানেলের জন্য ধারণক্ষমতা যথাক্রমে 7, 19 এবং 88 বিট / চক্র, যখন n = 1 হয় তখন 99% স্তরে কেবলমাত্র 1.2 বিট / চক্র থাকে। উদাহরণস্বরূপ, একটি সিম্বল রেট চ্যানেল ব্যান্ডউইথের সমান, যেহেতু এটি বিট / সিম্বল / মাত্রা যা সিগন্যাল নক্ষত্রের জন্য প্রাসঙ্গিক, এই উচ্চতর ক্ষমতা অযৌক্তিক নয়। n = 4 এর জন্য 19 বিট/চক্রের পরিমাণ 4.75 বিট/প্রতীক/মাত্রা যখন n = 16 এর জন্য 88 বিট/চক্রের পরিমাণ 5.5 বিট/প্রতীক/মাত্রা। নির্বাচনের মতো আদর্শ পদ্ধতি এবং সর্বোত্তম সংমিশ্রণকে শেষ পর্যন্ত যা সম্ভব হবে তার তুলনায় ত্রুটিপূর্ণ বলে মনে করা হয়। নতুন কোডেক আবিষ্কার করতে হবে যাতে প্রতিশ্রুত বিশাল ক্ষমতার একটি বড় অংশ উপলব্ধি করা যায়। |
4f911fe6ee5040e6e46e84a9f1e211153943cd9b |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.