_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
fe13e79621be1fea2f6f4f37417155fb7079b05a | માત્ર બે ટ્રાન્ઝિસ્ટરનો ઉપયોગ કરીને સ્વિચ-કેપેસિટર રેઝોનન્ટ સર્કિટ્સનું એક કુટુંબ રજૂ કરવામાં આવ્યું છે. આ સર્કિટ શૂન્ય-પ્રવાહ સ્વિચિંગ હેઠળ કાર્ય કરે છે અને તેથી, સ્વિચિંગ નુકશાન શૂન્ય છે. તે અપૂર્ણાંક તેમજ બહુવિધ અને ઊંધી વોલ્ટેજ રૂપાંતરણ ગુણોત્તર સહિત વોલ્ટેજ રૂપાંતરણની વિશાળ પસંદગી પણ આપે છે. |
90fcb6bd123a88bc6be5ea233351f0e12d517f98 | |
ac7023994da7768224e76d35c6178db36062182c | |
050b64c2343ef3c7f0c60285e4429e9bb8175dff | આ સાધનો હાલની સંબંધ માહિતી વ્યવસ્થાપન પ્રણાલીઓ સાથે કેવી રીતે સંકલિત થાય છે? એન્ટરપ્રાઇઝ સુરક્ષા જરૂરિયાતોને કેવી રીતે સંબોધિત કરી શકાય? વાસ્તવિક દુનિયાના ઓટોમોટિવ એપ્લિકેશન્સ માટે આ સાધનોની કામગીરીની લાક્ષણિકતાઓ શું છે? છેલ્લા પ્રશ્નનો જવાબ આપવા માટે, અમે પ્રમાણભૂત બેંચમાર્ક (ટીપીસીએક્સ-એચએસ) અને બે એપ્લિકેશન બેંચમાર્ક (એસક્યુએલ અને મશીન લર્નિંગ) નો ઉપયોગ કરીએ છીએ જે બહુવિધ ટેરાબાઇટ્સ અને અબજો પંક્તિઓના ડેટાસેટ પર કાર્ય કરે છે. ડેટા વધુને વધુ ઓટોમોટિવ ઉદ્યોગને અસર કરી રહ્યો છે, વાહનોના વિકાસથી લઈને ઉત્પાદન અને સેવા પ્રક્રિયાઓ સુધી, ઓનલાઇન સેવાઓ સુધી જે કનેક્ટેડ વાહનની આસપાસ કેન્દ્રિત છે. કનેક્ટેડ, મોબાઇલ અને ઇન્ટરનેટ ઓફ થિંગ્સ ઉપકરણો અને મશીનો સેન્સર ડેટાની વિશાળ માત્રા ઉત્પન્ન કરે છે. આ ડેટાને પ્રક્રિયા અને વિશ્લેષણ કરવાની ક્ષમતા, જે બુદ્ધિશાળી સેવાઓ, વ્યવસાયિક સમસ્યાઓને સમજવાની નવી રીતો, પ્રક્રિયાઓ અને નિર્ણયોમાં સુધારો કરવા માટે સક્ષમ કરે છે તે સમજ અને જ્ઞાનને બહાર કાઢવા માટે એક મહત્વપૂર્ણ ક્ષમતા છે. હડોપ કમ્પ્યુટિંગ અને સ્ટોરેજ માટે સ્કેલેબલ પ્લેટફોર્મ છે અને ઇન્ટરનેટ કંપનીઓ અને વૈજ્ઞાનિક સમુદાયમાં મોટા ડેટા પ્રોસેસિંગ માટે ડિ-ફેક્ટો સ્ટાન્ડર્ડ તરીકે ઉભરી આવ્યું છે. જો કે, ઓટોમોટિવ એપ્લિકેશન્સ અને સિસ્ટમોને વધારવા માટે આ નવી હડોપ ક્ષમતાઓનો ઉપયોગ કેવી રીતે અને કયા ઉપયોગના કેસો માટે અસરકારક રીતે થઈ શકે છે તે સમજવામાં અભાવ છે. આ કાગળ ઓટોમોટિવ ઉદ્યોગમાં હડોપના ઉપયોગના કેસો અને કાર્યક્રમોનું સર્વેક્ષણ કરે છે. વર્ષોથી, હેડોપની આસપાસ સમૃદ્ધ ઇકોસિસ્ટમ ઉભરી આવ્યું છે જેમાં સમાંતર, ઇન-મેમરી અને સ્ટ્રીમ પ્રોસેસિંગ (સૌથી વધુ નોંધપાત્ર મેપરેડ્યુસ અને સ્પાર્ક), એસક્યુએલ અને નોએસક્યુએલ એન્જિન (હિવ, એચબીએસ), અને મશીન લર્નિંગ (મહૌટ, એમએલલીબ) માટેનાં સાધનોનો સમાવેશ થાય છે. ઓટોમોટિવ એપ્લિકેશન્સ અને ડેટા ડિસ્કવરી, એકીકરણ, સંશોધન અને વિશ્લેષણ માટે તેમની લાક્ષણિકતાઓ અને આવશ્યકતાઓની સમજણ વિકસાવવી મહત્વપૂર્ણ છે. પછી અમે આ જરૂરિયાતોને મર્યાદિત તકનીકી આર્કિટેક્ચરમાં મેપ કરીએ છીએ જેમાં ડેટા ઇન્જેસ્ટ, પ્રોસેસિંગ અને એનાલિટિક્સ માટે કોર હડોપ સેવાઓ અને પુસ્તકાલયોનો સમાવેશ થાય છે. આ કાગળનો ઉદ્દેશ પ્રશ્નોના જવાબ આપવાનો છે, જેમ કેઃ કયા કાર્યક્રમો અને ડેટાસેટ્સ હડોપ માટે યોગ્ય છે? મલ્ટી-ટેનન્ટ હડોપ ક્લસ્ટર પર ફ્રેમવર્ક અને ટૂલ્સના વિવિધ સમૂહનું સંચાલન કેવી રીતે કરી શકાય? |
b8a0cfa55b3393de4cc600d115cf6adb49bfa4ee | સોશિયલ નેટવર્ક અને ઓનલાઈન સાઇટ્સનો વધતો ઉપયોગ જ્યાં લોકો તેમના મંતવ્યો વ્યક્ત કરી શકે છે, તેણે ઓપીનિયન માઇનિંગમાં વધતો રસ પેદા કર્યો છે. અભિપ્રાય માઇનિંગનું એક મુખ્ય કાર્ય એ નક્કી કરવાનું છે કે અભિપ્રાય હકારાત્મક છે કે નકારાત્મક. તેથી, વેબ પર વ્યક્ત લાગણીઓની ભૂમિકા નિર્ણાયક બની છે, મુખ્યત્વે વ્યવસાયો અને સરકારની ચિંતાને કારણે ગ્રાહકો અથવા નાગરિકોના મંતવ્યોના અર્થપૂર્ણ અભિગમને આપમેળે ઓળખવા માટે. આ પણ ચિંતા છે, આરોગ્યના ક્ષેત્રમાં માનસિક વિકૃતિઓ ઓળખવા માટે. આ સંશોધન SWePT (સ્પેનિશ ટેક્સ્ટમાં પોલારિટી ડિટેક્શન માટે વેબ સર્વિસ) નામની વેબ એપ્લિકેશનના વિકાસ પર કેન્દ્રિત છે, જે અનુક્રમિક લઘુત્તમ ઓપ્ટિમાઇઝેશન (એસએમઓ) અલ્ગોરિધમનો અમલ કરે છે, જે મેક્સીકન સ્પેનિશમાં તેના લક્ષણોને પ્રભાવશાળી લેક્સિકોનમાંથી બહાર કાઢે છે. આ હેતુ માટે, મેક્સીકન સ્પેનિશમાં એક કોર્પસ અને લાગણીશીલ લેક્સિકોન બનાવવામાં આવ્યા હતા. ત્રણ (સકારાત્મક, તટસ્થ, નકારાત્મક) અને પાંચ કેટેગરી (ખૂબ જ સકારાત્મક, સકારાત્મક, તટસ્થ, નકારાત્મક અને ખૂબ જ નકારાત્મક) નો ઉપયોગ કરીને કરવામાં આવેલા પ્રયોગો અમને પ્રસ્તુત પદ્ધતિની અસરકારકતા દર્શાવવા માટે પરવાનગી આપે છે. SWePT ને ઇમોશન-બ્રાસેલેટ ઇન્ટરફેસમાં પણ અમલમાં મૂકવામાં આવ્યું છે, જે વપરાશકર્તાના અભિપ્રાયને ગ્રાફિકલી બતાવે છે. |
f176b7177228c1a18793cf922455545d408a65ae | મલ્ટી-કન્વર્ટર પાવર ઇલેક્ટ્રોનિક સિસ્ટમ્સ જમીન, સમુદ્ર, હવા અને અવકાશ વાહનોમાં અસ્તિત્વ ધરાવે છે. આ સિસ્ટમોમાં, લોડ કન્વર્ટર ફીડર કન્વર્ટર માટે સતત પાવર લોડ (સીપીએલ) વર્તન દર્શાવે છે અને સિસ્ટમ અસ્થિર કરે છે. આ કાગળમાં ડીસી/ડીસી કન્વર્ટર પર નવલકથા સક્રિય-ડમ્પિંગ તકનીકોના અમલીકરણને દર્શાવવામાં આવ્યું છે. વધુમાં, સીપીએલ દ્વારા થતી નકારાત્મક પ્રતિરોધક અસ્થિરતાની સમસ્યાને દૂર કરવા માટે સૂચિત સક્રિય-ડમ્પિંગ પદ્ધતિનો ઉપયોગ કરવામાં આવે છે. નવા પ્રસ્તાવિત અભિગમની અસરકારકતા PSpice સિમ્યુલેશન અને પ્રાયોગિક પરિણામો દ્વારા ચકાસવામાં આવી છે. |
5bf4644c104ac6778a0aa07418321b14e0010e81 | ઓટોમોટિવ વાહનોની રજૂઆત સાથે ડ્રાઇવરો અને તેમની કાર વચ્ચેની ક્રિયાપ્રતિક્રિયા નોંધપાત્ર રીતે બદલાશે. ડ્રાઈવરની ભૂમિકા તેમના સ્વાયત્ત વાહનની દેખરેખ નિયંત્રણ તરફ જશે. ડ્રાઇવિંગ કાર્યમાંથી અંતિમ રાહત માનવ-કમ્પ્યુટર ક્રિયાપ્રતિક્રિયા અને ક્રિયાપ્રતિક્રિયા ડિઝાઇનમાં સંશોધન અને પ્રેક્ટિસના સંપૂર્ણ નવા ક્ષેત્રને સક્ષમ કરે છે. આ એક દિવસીય વર્કશોપમાં, સહભાગીઓ એચસીઆઈ સંશોધકો અને ડિઝાઇનરોને સ્વયંચાલિત ડ્રાઇવિંગની ડિઝાઇન જગ્યા લાવશે તેવી તકોનું અન્વેષણ કરશે. વર્કશોપના એક દિવસ પહેલા વર્કશોપના સહભાગીઓને (વર્કશોપ આયોજકો સાથે મળીને) ગૂગલ પાર્ટનરપ્લેક્સ અને સ્ટેનફોર્ડ યુનિવર્સિટીની મુલાકાત લેવા આમંત્રણ આપવામાં આવ્યું છે. ગૂગલ પર સહભાગીઓને ગૂગલના સ્વયંચાલિત કાર સિમ્યુલેટરની શોધ કરવાની તક મળશે અને ગૂગલ કાર્સ (જો ઉપલબ્ધ હોય તો) માંથી એકનો અનુભવ કરવાની તક મળી શકે છે. સ્ટેનફોર્ડમાં સહભાગીઓને ઓઝના જાદુગર-સ્વાયત્ત વાહનમાં સવારી કરવા આમંત્રણ આપવામાં આવ્યું છે. આ પ્રથમ હાથના અનુભવના આધારે અમે આગામી દિવસના વર્કશોપ દરમિયાન ડિઝાઇન અભિગમો અને પ્રોટોટાઇપ ઇન્ટરેક્શન સિસ્ટમ્સની ચર્ચા કરીશું. આ વર્કશોપના પરિણામ સ્વરૂપે એક સમૂહ ખ્યાલો, ક્રિયાપ્રતિક્રિયા સ્કેચ અને ઓછી-વિશ્વસનીયતાવાળા કાગળના પ્રોટોટાઇપ્સ હશે જે સ્વયં સંચાલિત કારમાં ડ્રાઇવિંગની મર્યાદાઓ અને સંભવિતતાને સંબોધિત કરશે. |
8e79e46513e83bad37a029d1c49fca4a1c204738 | અમે એક ન્યુરલ સિમેન્ટીક પાર્સર રજૂ કરીએ છીએ જે અર્થઘટનયોગ્ય અને સ્કેલેબલ છે. અમારું મોડેલ કુદરતી ભાષાના ઉચ્ચારણોને મધ્યવર્તી, ડોમેન-સામાન્ય કુદરતી ભાષાના પ્રતિનિધિત્વમાં અનુમાનિત-દલીલ માળખાના સ્વરૂપમાં રૂપાંતરિત કરે છે, જે સંક્રમણ પ્રણાલી સાથે પ્રેરિત છે અને ત્યારબાદ લક્ષ્ય ડોમેન્સને મેપ કરવામાં આવે છે. અર્થશાસ્ત્રના પાર્સરને એનોટેટેડ લોજિકલ સ્વરૂપો અથવા તેમના સંકેતોનો ઉપયોગ કરીને અંત-થી-અંત સુધી તાલીમ આપવામાં આવે છે. અમે SPADES અને GRAPHQUESTIONS પર કલાની સ્થિતિ પ્રાપ્ત કરીએ છીએ અને GEOQUERY અને WEBQUESTIONS પર સ્પર્ધાત્મક પરિણામો પ્રાપ્ત કરીએ છીએ. પ્રેરિત વક્તવ્ય-દલીલ માળખાઓ અર્થશાસ્ત્રના વિશ્લેષણ માટે ઉપયોગી પ્રતિનિધિત્વના પ્રકારો પર પ્રકાશ પાડે છે અને તે કેવી રીતે ભાષાકીય રીતે પ્રેરિત લોકોથી અલગ છે. |
a1d326e7710cb9a1464ef52ca557a20ea5aa7e91 | આ કાર્યમાં, અમે 8-ચેનલ એપ્લિકેશન્સ માટે રચાયેલ 4-બેન્ડ ડ્યુઅલ-પોલરાઇઝ્ડ એન્ટેના રજૂ કરીએ છીએ. LTCC ટેકનોલોજી પર આધારિત, એન્ટેના એક પીઠબળવાળી પોલાણ સાથે પેચ જોડાયેલ એપરચર છે. નિયુક્ત બેન્ડના દરેક એન્ટેના તત્વમાં બે ઓર્થોગોનલી પોલરાઇઝ્ડ બંદરો દ્વારા બે ચેનલો હોય છે. વિવિધ ફ્રીક્વન્સી હેઠળ ચાર ડ્યુઅલ-પોલરાઇઝ્ડ એન્ટેના તત્વોને જોડીને, 60 ગીગાહર્ટ્ઝ એપ્લિકેશન્સ માટે 8-ચેનલ એન્ટેના પ્રાપ્ત કરી શકાય છે. એરે એન્ટેનામાં 8 ફીડિંગ પોર્ટ હોય છે, જે 8 સ્વતંત્ર ચેનલોને અનુરૂપ હોય છે. દરેક પોર્ટ વચ્ચેનો અલગતા ફ્રીક્વન્સી બેન્ડના મોટા ભાગમાં 20dB સુધી પહોંચી શકે છે. |
cbd92fac853bfb56fc1c3752574dc0831d8bc181 | અમે માહિતી પુનઃપ્રાપ્તિ માટે એક માળખું રજૂ કરીએ છીએ જે બેયસિયન નિર્ણય સિદ્ધાંત પર આધારિત સંભાવનાત્મક રેન્કિંગ ફંક્શનનો ઉપયોગ કરીને દસ્તાવેજ મોડેલો અને ક્વેરી મોડેલોને જોડે છે. આ માળખું એક ઓપરેશનલ રીટ્રીવલ મોડલ સૂચવે છે જે માહિતી પુનઃપ્રાપ્તિ માટે ભાષા મોડેલિંગ અભિગમમાં તાજેતરના વિકાસને વિસ્તૃત કરે છે. દરેક દસ્તાવેજ માટે એક ભાષા મોડલનો અંદાજ છે, સાથે સાથે દરેક ક્વેરી માટે એક ભાષા મોડલ છે, અને જોખમ ઘટાડવાના સંદર્ભમાં પુનઃપ્રાપ્તિ સમસ્યાને કાસ્ટ કરવામાં આવે છે. ક્વેરી ભાષા મોડલનો ઉપયોગ વપરાશકર્તાની પસંદગીઓ, ક્વેરીના સંદર્ભ, સમાનાર્થી અને શબ્દની સમજણના મોડેલ માટે કરી શકાય છે. જ્યારે તાજેતરના કામમાં આ હેતુ માટે શબ્દ અનુવાદ મોડેલોનો સમાવેશ કરવામાં આવ્યો છે, ત્યારે અમે ક્વેરી મોડેલોનો અંદાજ કાઢવા માટે દસ્તાવેજોના સમૂહ પર નિર્ધારિત માર્કોવ સાંકળોનો ઉપયોગ કરીને નવી પદ્ધતિ રજૂ કરીએ છીએ. માર્કોવ ચેઇન પદ્ધતિમાં લિંક વિશ્લેષણ અને સામાજિક નેટવર્ક્સના અલ્ગોરિધમ્સ સાથે જોડાણો છે. આ નવા અભિગમનું મૂલ્યાંકન TREC સંગ્રહો પર કરવામાં આવે છે અને તેની સરખામણી રોકીયોનો ઉપયોગ કરીને ક્વેરી વિસ્તરણ સાથે મૂળભૂત ભાષા મોડેલિંગ અભિગમ અને વેક્ટર સ્પેસ મોડેલ્સ સાથે કરવામાં આવે છે. મજબૂત બેઝલાઇન ટીએફ-આઇડીએફ સિસ્ટમો માટે પ્રમાણભૂત ક્વેરી વિસ્તરણ પદ્ધતિઓ પર નોંધપાત્ર સુધારાઓ પ્રાપ્ત થાય છે, વેબ ડેટા પર ટૂંકા ક્વેરીઝ માટે સૌથી વધુ સુધારાઓ પ્રાપ્ત થાય છે. |
61d234dd4f7b733e5acf2550badcf1e9333b6de1 | શહેરી વાતાવરણમાં, ડ્રાઇવિંગ સહાયક સિસ્ટમ્સ અને સ્વાયત્ત વાહનો માટે ફરતા અવરોધોની શોધ અને ખાલી જગ્યાની નિર્ધારણ મુખ્ય મુદ્દાઓ છે. જ્યારે વાહનની સામે સ્કેનિંગ લેડર સેન્સરનો ઉપયોગ કરવામાં આવે છે, ત્યારે અજ્ઞાનતા અને ભૂલોથી અનિશ્ચિતતા ઊભી થાય છે. અજ્ઞાનતા નવા વિસ્તારોની દ્રષ્ટિને કારણે છે અને ભૂલો અચોક્કસ પોઝ અંદાજ અને ઘોંઘાટીયા માપનથી આવે છે. જ્યારે લિડાર મલ્ટી-ઇકો અને મલ્ટી-લેયર માહિતી પૂરી પાડે છે ત્યારે જટિલતા પણ વધે છે. આ કાગળ એક ઓક્યુપેન્શન ગ્રીડ ફ્રેમવર્ક રજૂ કરે છે જે અનિશ્ચિતતાના આ વિવિધ સ્રોતોને સંચાલિત કરવા માટે રચાયેલ છે. આ સમસ્યાનો ઉકેલ લાવવાનો એક માર્ગ એ છે કે વૈશ્વિક અને સ્થાનિક ફ્રેમ્સમાં માર્ગની સપાટી પર અંદાજિત ગ્રીડનો ઉપયોગ કરવો. વૈશ્વિક એક મેપિંગ પેદા કરે છે અને સ્થાનિક એકનો ઉપયોગ ગતિશીલ પદાર્થો સાથે વ્યવહાર કરવા માટે થાય છે. સેન્સર માહિતીને મોડેલ કરવા અને વિશ્વ-સ્થિર નકશા સાથે વૈશ્વિક સંમિશ્રણ કરવા માટે એક વિશ્વસનીય અભિગમનો ઉપયોગ કરવામાં આવે છે. આઉટડોર પ્રયોગોના પરિણામો જે ચોક્કસ સ્થિતિની વ્યવસ્થા સાથે હાથ ધરવામાં આવે છે તે દર્શાવે છે કે આ પ્રકારની દ્રષ્ટિની વ્યૂહરચના પ્રમાણભૂત અભિગમની સરખામણીમાં નોંધપાત્ર રીતે પ્રભાવમાં વધારો કરે છે. |
3bad518b0f56e72efadc4791a2bd65aaeaf47ec1 | આ સંશોધનનો ઉદ્દેશ ઇઆરપીના અમલીકરણ પછી મલ્ટીનેશનલ, ખાનગી માલિકીની ઇજિપ્તની અને ઇજિપ્તની સરકારી સંસ્થાઓમાં અનુભવાતી મુખ્ય સમસ્યાઓની ઓળખ અને મૂલ્યાંકન કરવાનો છે. ઇપીઆરનો અમલ કરતી 50 કંપનીઓમાં હાથ ધરવામાં આવેલા ઇન્ટરવ્યુ અને ઓનલાઇન પ્રશ્નાવલીના માધ્યમથી ડેટા એકત્ર કરવામાં આવ્યો હતો. આ કાગળ ઇઆરપીના અમલીકરણ પછી ઇજિપ્તમાં સંસ્થાઓ દ્વારા સામનો કરવામાં આવેલી મુશ્કેલીઓ અને સમસ્યાઓનું વર્ણનાત્મક વિશ્લેષણ રજૂ કરે છે અને આ કેવી રીતે એકંદરે અસફળ અમલીકરણમાં ફાળો આપ્યો છે. |
749546a58a1d46335de785c41a3eae977e84a0df | મશીન લર્નિંગનો ઉદ્દેશ એક મોડેલને ઓળખવાનો છે જે સારા સામાન્યીકરણ પ્રદર્શન આપે છે. આમાં વારંવાર પૂર્વધારણા વર્ગ પસંદ કરવો, મોડેલની પરિમાણ અવકાશ પર આપેલ ઉદ્દેશ કાર્યને ઘટાડીને પૂર્વધારણા વર્ગને શોધવું અને પરિણામી મોડેલની સામાન્યીકરણ કામગીરીનું મૂલ્યાંકન કરવું શામેલ છે. આ શોધ કમ્પ્યુટેશનલી સઘન હોઈ શકે છે કારણ કે તાલીમ ડેટા સતત આવે છે, અથવા કારણ કે એકને પૂર્વધારણા વર્ગ અને ઉદ્દેશ્ય કાર્યમાં હાયપરપૅરામીટર્સને ટ્યુન કરવાની જરૂર છે. આ કાગળમાં, અમે સપોર્ટ વેક્ટર મશીન (એસવીએમ) વર્ગીકરણકર્તાઓના ચોક્કસ વૃદ્ધિશીલ શિક્ષણ અને અનુકૂલન માટે એક માળખું રજૂ કરીએ છીએ. આ અભિગમ સામાન્ય છે અને તે વ્યક્તિગત અથવા બહુવિધ ઉદાહરણો શીખવા અને અનલર્ન કરવા માટે પરવાનગી આપે છે, વર્તમાન એસવીએમને નિયમિતકરણ અને કર્નલ પરિમાણોમાં ફેરફારોને અનુકૂળ કરે છે, અને ચોક્કસ છોડો-એક-આઉટ ભૂલ અંદાજ દ્વારા સામાન્યીકરણ પ્રદર્શનનું મૂલ્યાંકન કરે છે. વર્ગીકરણ અને રીગ્રેસન માટે એસવીએમ તકનીકો શીખવાની મોડેલો માટે શક્તિશાળી સાધનો પૂરા પાડે છે જે છીછરા, ઉચ્ચ પરિમાણીય સેટિંગ્સમાં પણ સારી રીતે સામાન્ય બનાવે છે. તેમની સફળતાને આંકડાકીય શિક્ષણ સિદ્ધાંતમાં વાપનિકના ઉત્કૃષ્ટ કાર્યને આભારી હોઈ શકે છે, જેણે સામાન્યીકરણ પ્રભાવને અસર કરતા પરિબળોમાં મુખ્ય આંતરદૃષ્ટિ પ્રદાન કરી હતી. એસવીએમ શિક્ષણને વાપનિકના માળખાકીય જોખમ ઘટાડવાની પ્રેરણા સિદ્ધાંતના વ્યવહારુ અમલીકરણ તરીકે જોવામાં આવે છે જેમાં શ્રેષ્ઠ સામાન્યીકરણ પ્રદર્શન સાથે મોડેલને શોધવા માટે વિવિધ ક્ષમતાના પૂર્વધારણા વર્ગો પર શોધનો સમાવેશ થાય છે. f (x) = w ·Φ (x) + b સ્વરૂપના એસવીએમ વર્ગીકરણકર્તાઓને ડેટા{ (xi, yi) ∈ R I m × {−1, 1} ∀ i ∈ {1, . . . . . . . . . . . . . , N}}ને ઘટાડીને min w,b,ξ 1 2 ‖w‖ + C N |
6df617304e9f1185694f11ca5cae5c27e868809b | વાયરલેસ માઇક્રોસેન્સર નેટવર્કને 21મી સદીની સૌથી મહત્વપૂર્ણ ટેકનોલોજી તરીકે ઓળખવામાં આવી છે. આ કાગળમાં છેલ્લા ત્રણ દાયકામાં સેન્સર નેટવર્કમાં સંશોધનનો ઇતિહાસ છે, જેમાં આ સમયગાળામાં ફેલાયેલી સંરક્ષણ અદ્યતન સંશોધન પ્રોજેક્ટ્સ એજન્સી (ડીએઆરપીએ) ના બે મહત્વપૂર્ણ કાર્યક્રમોનો સમાવેશ થાય છેઃ ડિસ્ટ્રિબ્યુટેડ સેન્સર નેટવર્ક્સ (ડીએસએન) અને સેન્સર ઇન્ફોર્મેશન ટેકનોલોજી (સેન્સિટ) કાર્યક્રમો. સેન્સર નેટવર્કના વિકાસ પર અસર કરતી ટેકનોલોજીકલ વલણોની સમીક્ષા કરવામાં આવી છે અને ઇન્ફ્રાસ્ટ્રક્ચર સુરક્ષા, નિવાસસ્થાન મોનિટરિંગ અને ટ્રાફિક નિયંત્રણ જેવા નવા કાર્યક્રમો રજૂ કરવામાં આવ્યા છે. સેન્સર નેટવર્કના વિકાસમાં તકનીકી પડકારોમાં નેટવર્ક ડિસ્કવરી, નિયંત્રણ અને રૂટીંગ, સહયોગી સિગ્નલ અને માહિતી પ્રોસેસિંગ, ટાસ્કિંગ અને ક્વેરીંગ અને સુરક્ષાનો સમાવેશ થાય છે. આ કાગળ સેન્સર નેટવર્ક અલ્ગોરિધમ્સમાં કેટલાક તાજેતરના સંશોધન પરિણામો રજૂ કરીને તારણ કાઢે છે, જેમાં સ્થાનિક અલ્ગોરિધમ્સ અને નિર્દેશિત પ્રસાર, વાયરલેસ એડ હોક નેટવર્ક્સમાં વિતરણ ટ્રેકિંગ અને સ્થાનિક એજન્ટોનો ઉપયોગ કરીને વિતરણ વર્ગીકરણનો સમાવેશ થાય છે. |
3b655db109beaae48b238045cf9618418e349f36 | સીમિત જટિલતાના રેખીય મોડેલ દ્વારા ફિટિંગ ડેટા ડેટામાંથી બાંધવામાં આવેલા મેટ્રિક્સના નીચા-રેન્કના અંદાજને સમકક્ષ છે. હેન્કેલ સ્ટ્રક્ચર્ડ ડેટા મેટ્રિક્સ એ લીનિયર ટાઇમ-ઇન્વેરિએન્ટ સિસ્ટમની અસ્તિત્વને સમકક્ષ છે જે ડેટાને બંધબેસે છે અને રેન્ક પ્રતિબંધ મોડેલ જટિલતા પર બાઉન્ડ સાથે સંબંધિત છે. સ્થિર મોડેલ દ્વારા ફિટિંગના ખાસ કિસ્સામાં, ડેટા મેટ્રિક્સ અને તેના નીચા ક્રમાંકિત અંદાજને અનસ્ટ્રક્ચર્ડ કરવામાં આવે છે. અમે સિસ્ટમ સિદ્ધાંત (આશરે અનુભૂતિ, મોડેલ ઘટાડો, આઉટપુટ ભૂલ, અને ભૂલો-ઇન-ચલક ઓળખ), સિગ્નલ પ્રોસેસિંગ (હાર્મોનિક પુનઃપ્રાપ્તિ, ડમ્પડ એક્સપોનન્ટલ્સનો સરવાળો, અને સીમિત આવેગ પ્રતિભાવ મોડેલિંગ), અને કમ્પ્યુટર બીજગણિત (આશરે સામાન્ય વિભાજક) માં એપ્લિકેશન્સની રૂપરેખા આપીએ છીએ. હેવરિસ્ટિક્સ અને સ્થાનિક ઓપ્ટિમાઇઝેશન પદ્ધતિઓ પર આધારિત અલ્ગોરિધમ્સ રજૂ કરવામાં આવે છે. નીચા ક્રમની અંદાજ સમસ્યાના સામાન્યીકરણ અલગ અંદાજ માપદંડ (દા. ત. , વજનવાળા ધોરણ) અને ડેટા મેટ્રિક્સ પરના પ્રતિબંધો (દા. ત. , બિન-નકારાત્મકતા) માંથી પરિણમે છે. સંબંધિત સમસ્યાઓ રેન્ક ન્યૂનતમકરણ અને માળખાગત સ્યુડોસ્પેક્ટ્રા છે. 2007 એલ્સેવીયર લિમિટેડ. બધા અધિકારો અનામત છે. |
ee1140f49c2f1ce32d0ed9404078c724429cc487 | આ કાગળમાં કુ-બેન્ડ ફ્રીક્વન્સી પર અત્યંત કોમ્પેક્ટ કમ્પેરેટરની ડિઝાઇન આપવામાં આવી છે અને ફેબ્રિકેશન અચોક્કસતા માટે કમ્પેરેટરના વિશ્લેષણ પરિણામો રજૂ કરવામાં આવ્યા છે. પ્રથમ, બિનપરંપરાગત મેજિક-ટીનો ઉપયોગ કરીને બિન-માનક વેવગાઇડ 15.50 ગીગાહર્ટ્ઝ પર રચાયેલ છે. મેજિક-ટી દ્વારા કબજો કરવામાં આવેલ વોલ્યુમને ઘટાડવા માટે, તેના ઇ-આર્મ (અથવા તફાવત પોર્ટ) ને મેજિક-ટીના બે ઇનપુટ્સના પ્લેનની સમાંતર રાખવામાં આવે છે, જે સંમેલન મેજિક-ટીમાં કરવામાં આવે છે તેના બદલે તેમની પર લંબરૂપ છે. ઉપરોક્ત ફોલ્ડ કરેલા મેજિક-ટીના સરવાળો અને તફાવત પોર્ટ્સ 15.50 ગીગાહર્ટ્ઝ પર ઇન્ડક્ટિવ વિંડોઝનો ઉપયોગ કરીને મેળ ખાતા હોય છે. તુલનાત્મકના આઉટપુટની આવશ્યક સ્થાનને ધ્યાનમાં રાખીને, આ ચાર મેચ કરેલા ફોલ્ડ મેજિક-ટીને અત્યંત કોમ્પેક્ટ તુલનાત્મક ડિઝાઇન કરવા માટે યોગ્ય રીતે એકબીજા સાથે જોડવામાં આવે છે. વેવગાઇડ અને મેચિંગ એલિમેન્ટ્સના પરિમાણોમાં ફેબ્રિકેશન ભૂલોની અસર કેન્દ્ર ફ્રીક્વન્સી, મેગ્નિચ્યુડ અને કોમ્પ્રેટરના તબક્કાના પ્રતિભાવ પર પણ વિશ્લેષણ અને પ્રસ્તુત કરવામાં આવે છે. |
ecbcccd71b3c7e0cca8ecf0997e9775019b51488 | અમે એક વ્યક્તિગત વર્તણૂંક મોડેલ વિકસાવીએ છીએ જે ટોચના મેનેજમેન્ટ અને સંગઠનાત્મક સંસ્કૃતિની ભૂમિકાને આયોજિત વર્તણૂકની સિદ્ધાંતમાં એકીકૃત કરે છે, તે સમજવા માટે કે ટોચના મેનેજમેન્ટ કર્મચારીઓના સુરક્ષા પાલન વર્તણૂકને કેવી રીતે પ્રભાવિત કરી શકે છે. સર્વેક્ષણ ડેટા અને માળખાકીય સમીકરણ મોડેલિંગનો ઉપયોગ કરીને, અમે ટોચના મેનેજમેન્ટ ભાગીદારી, સંગઠનાત્મક સંસ્કૃતિ અને માહિતી સુરક્ષા નીતિઓ સાથે કર્મચારી પાલનના મુખ્ય નિર્ધારકો વચ્ચેના સંબંધો પર પૂર્વધારણાઓ ચકાસીએ છીએ. અમે શોધીએ છીએ કે માહિતી સુરક્ષા પહેલોમાં ટોચના મેનેજમેન્ટની ભાગીદારી કર્મચારીઓના અભિગમ, માહિતી સુરક્ષા નીતિઓના પાલન પરના વ્યક્તિલક્ષી ધોરણ અને વર્તણૂકીય નિયંત્રણ પર નોંધપાત્ર સીધી અને પરોક્ષ પ્રભાવ ધરાવે છે. અમે એ પણ શોધી કાઢ્યું છે કે ટોચના મેનેજમેન્ટની ભાગીદારી સંગઠનાત્મક સંસ્કૃતિને મજબૂત રીતે પ્રભાવિત કરે છે જે બદલામાં માહિતી સુરક્ષા નીતિઓના પાલન પર કર્મચારીઓના વલણ અને વર્તણૂકીય નિયંત્રણને અસર કરે છે. વધુમાં, અમે શોધીએ છીએ કે કર્મચારી વર્તણૂકીય ઇરાદાઓ પર ટોચના મેનેજમેન્ટ ભાગીદારી અને સંગઠનાત્મક સંસ્કૃતિની અસરો માહિતી સુરક્ષા નીતિઓના પાલન વિશે કર્મચારીની જ્ઞાનાત્મક માન્યતાઓ દ્વારા સંપૂર્ણ રીતે મધ્યસ્થી કરવામાં આવે છે. અમારા તારણો માહિતી સુરક્ષા સંશોધન સાહિત્યને વિસ્તૃત કરે છે, તે દર્શાવે છે કે કેવી રીતે ટોચના મેનેજમેન્ટ કર્મચારીના પાલન વર્તણૂકને આકાર આપવા માટે સક્રિય ભૂમિકા ભજવી શકે છે, ઉપરાંત હાલના સાહિત્યમાં હિમાયત કરાયેલા નિવારણ લક્ષી ઉપાયો. અમારા તારણો કર્મચારી પાલન વર્તન આકાર સંસ્થાકીય સંસ્કૃતિ ભૂમિકા વિશે સિદ્ધાંતો સુધારવા. આ પ્રોજેક્ટને આંશિક રીતે સંરક્ષણ વિભાગ (ડીઓડી) ની સંરક્ષણ માહિતી પ્રણાલી એજન્સી (ડીઆઇએસએ) ના લેખકોને અનુદાન દ્વારા ભંડોળ પૂરું પાડવામાં આવ્યું હતું. લેખકોએ સમીક્ષા પ્રક્રિયા દરમિયાન તેમની વિગતવાર અને રચનાત્મક ટિપ્પણીઓ અને સૂચનો માટે સંપાદક, વરિષ્ઠ સંપાદક, સહયોગી સંપાદક અને બે અનામિક સમીક્ષકોનો આભાર વ્યક્ત કર્યો છે. †સંબંધિત લેખક |
1ac7018b0935cdb5bf52b34d738b110e2ef0416a | મોટાભાગની ઓનલાઇન સમીક્ષાઓમાં એક જ આંકડાકીય સ્કોર સાથે સાદા ટેક્સ્ટ પ્રતિસાદનો સમાવેશ થાય છે. જો કે, વપરાશકર્તાઓની રેટિંગ્સમાં ફાળો આપનારા બહુવિધ "પરિપક્વ" ને સમજવું અમને તેમની વ્યક્તિગત પસંદગીઓને વધુ સારી રીતે સમજવામાં મદદ કરી શકે છે. ઉદાહરણ તરીકે, ઑડિઓબુકના વપરાશકર્તાની છાપ કદાચ વાર્તા અને કથાકાર જેવા પાસાઓ પર આધારિત છે, અને આ પાસાઓ પર તેમના મંતવ્યોને જાણવું અમને વધુ સારી પ્રોડક્ટ્સની ભલામણ કરવામાં મદદ કરી શકે છે. આ કાગળમાં, અમે રેટિંગ સિસ્ટમ્સ માટે મોડેલો બનાવીએ છીએ જેમાં આવા પરિમાણો સ્પષ્ટ છે, તે અર્થમાં કે વપરાશકર્તાઓ ઉત્પાદનનાં દરેક પાસા માટે અલગ રેટિંગ્સ છોડી દે છે. ત્રણથી છ પાસાંઓ વચ્ચે રેટ કરેલા પાંચ મિલિયન સમીક્ષાઓથી બનેલા નવા કોર્પોરાની રજૂઆત કરીને, અમે અમારા મોડેલોને ત્રણ આગાહી કાર્યો પર મૂલ્યાંકન કરીએ છીએઃ પ્રથમ, અમે શોધી કાઢીએ છીએ કે સમીક્ષાના કયા ભાગો રેટ કરેલા પાસાંઓમાંથી કઈ ચર્ચા કરે છે. બીજું, અમે સમીક્ષાઓ સારાંશ જે શ્રેષ્ઠ વપરાશકર્તા રેટિંગ સમજાવે વાક્યો શોધવા દ્વારા. છેલ્લે, કારણ કે પાસા રેટિંગ્સ અમે ધ્યાનમાં લેતા ઘણા ડેટાસેટ્સમાં વૈકલ્પિક છે, અમે વપરાશકર્તાના મૂલ્યાંકનમાં ગુમ થયેલ રેટિંગ્સને પુનઃપ્રાપ્ત કરીએ છીએ. અમારું મોડેલ હાલના નાના પાયે ડેટાસેટ્સ પર રાજ્ય-ઓફ-ધ-આર્ટ અભિગમો સાથે મેળ ખાય છે, જ્યારે અમે રજૂ કરેલા વાસ્તવિક વિશ્વ ડેટાસેટ્સને સ્કેલ કરીએ છીએ. વધુમાં, અમારું મોડેલ સામગ્રી અને લાગણી શબ્દોને વિભાજીત કરવા સક્ષમ છેઃ અમે આપમેળે સામગ્રી શબ્દો શીખીએ છીએ જે કોઈ ચોક્કસ પાસાના સંકેત છે તેમજ પાસા-વિશિષ્ટ લાગણી શબ્દો જે કોઈ ચોક્કસ રેટિંગના સંકેત છે. |
be0b922ec9625a5908032bde6ae47fa6c4216a38 | ન્યુરલ નેટવર્કોએ સંપૂર્ણ દેખરેખ હેઠળ પ્રશિક્ષિત અનેક માળખાકીય આઉટપુટ આગાહી કાર્યો પર અત્યાધુનિક કામગીરી હાંસલ કરી છે. જો કે, માળખાગત ડોમેન્સમાં એનોટેટેડ ઉદાહરણો મેળવવા માટે ઘણી વાર ખર્ચાળ હોય છે, જે આમ ન્યુરલ નેટવર્ક્સની એપ્લિકેશન્સને મર્યાદિત કરે છે. આ કાર્યમાં, અમે મહત્તમ માર્જિન પુરસ્કાર નેટવર્ક્સ, ન્યુરલ નેટવર્ક આધારિત માળખું પ્રસ્તાવિત કરીએ છીએ, જેનો ઉદ્દેશ સ્પષ્ટ (સંપૂર્ણ માળખાં) અને ગર્ભિત દેખરેખ સંકેતો (આગાહી માળખાની ચોકસાઈ પર વિલંબિત પ્રતિસાદ) બંનેમાંથી શીખવાનો છે. નામવાળી એન્ટિટી ઓળખ અને સિમેન્ટીક પાર્સિંગ પર, અમારું મોડેલ બેંચમાર્ક ડેટાસેટ્સ, CoNLL-2003 અને WebQuestionsSP પર અગાઉની સિસ્ટમો કરતાં વધુ સારું છે. |
01a29e319e2afa2d29cab62ef1f492a953e8ca70 | આ કાગળ સ્થાન માહિતી શેરિંગ દ્વારા વિવિધ ગોપનીયતા ધમકીઓ સામે સ્થાન ગોપનીયતા રક્ષણ માટે વ્યક્તિગત k-અનામી મોડલ વર્ણવે છે. અમારા મોડેલમાં બે વિશિષ્ટ લક્ષણો છે. પ્રથમ, અમે સંદર્ભ-સંવેદનશીલ વ્યક્તિગત ગોપનીયતા આવશ્યકતાઓ સાથે વપરાશકર્તાઓની વિશાળ શ્રેણી માટે સ્થાન-કે-અનામીને ટેકો આપવા માટે એકીકૃત ગોપનીયતા વ્યક્તિગતકરણ માળખું પ્રદાન કરીએ છીએ. આ માળખું દરેક મોબાઇલ નોડને તે ઇચ્છે છે તે ઓછામાં ઓછા અનામી સ્તરને સ્પષ્ટ કરવા માટે સક્ષમ કરે છે તેમજ તે મહત્તમ સમય અને અવકાશી રીઝોલ્યુશન્સને સહન કરવા તૈયાર છે જ્યારે કે-અનામી જાળવણી સ્થાન-આધારિત સેવાઓ (એલબીએસ) માટે વિનંતી કરે છે. બીજું, અમે એક કાર્યક્ષમ સંદેશ વિક્ષેપ એન્જિનની રચના કરીએ છીએ જે સ્થાન સુરક્ષા બ્રોકર દ્વારા વિશ્વસનીય સર્વર પર ચાલે છે અને મોબાઇલ વપરાશકર્તાઓના એલબીએસ વિનંતી સંદેશાઓ પર સ્થાન અનામીકરણ કરે છે, જેમ કે ઓળખ દૂર કરવી અને સ્થાન માહિતીની અવકાશી-સમયની છદ્માવરણ. અમે સ્કેલેબલ અને હજી સુધી કાર્યક્ષમ અવકાશી-સમયની ક cloાકિંગ અલ્ગોરિધમ્સનો એક સ્યુટ વિકસાવીએ છીએ, જેને ક્લિકક્લોક અલ્ગોરિધમ્સ કહેવામાં આવે છે, ઉચ્ચ ગુણવત્તાની વ્યક્તિગત સ્થાન કે-અનામીતા પ્રદાન કરવા માટે, એલબીએસ પ્રદાતાઓને વિનંતીઓ આગળ મોકલતા પહેલા જાણીતા સ્થાનની ગોપનીયતા જોખમોને ટાળવા અથવા ઘટાડવાનો લક્ષ્ય રાખ્યું છે. અમારા ક્લિકક્લોક એલ્ગોરિધમ્સની અસરકારકતાનો અભ્યાસ વિવિધ પરિસ્થિતિઓમાં વાસ્તવિક માર્ગ નકશા અને ટ્રાફિક વોલ્યુમ ડેટાનો ઉપયોગ કરીને કૃત્રિમ રીતે પેદા થયેલા વાસ્તવિક સ્થાન ડેટાનો ઉપયોગ કરીને કરવામાં આવે છે |
0d8f17d8d1d05d6405be964648e7fc622c776c5d | મોબાઇલ ઉપયોગના સંદર્ભમાં ઘણો બદલાય છે, અને તે ઉપયોગ દરમિયાન સતત બદલાઇ શકે છે. સંદર્ભ એ સ્થાન કરતાં ઘણું વધારે છે, પરંતુ તેના અન્ય તત્વોને ઓળખવા અથવા માપવા માટે હજુ પણ મુશ્કેલ છે. સ્થાનની માહિતી વિવિધ મોબાઇલ ઉપકરણોનો અભિન્ન ભાગ બની રહી છે. વર્તમાન મોબાઇલ સેવાઓને સ્થાન-સભાન સુવિધાઓ સાથે વધારી શકાય છે, આમ વપરાશકર્તાને સંદર્ભ-સભાન સેવાઓમાં સરળ સંક્રમણ પૂરું પાડવામાં આવે છે. સંભવિત એપ્લિકેશન ક્ષેત્રો મુસાફરીની માહિતી, ખરીદી, મનોરંજન, ઇવેન્ટ માહિતી અને વિવિધ મોબાઇલ વ્યવસાયો જેવા ક્ષેત્રોમાં મળી શકે છે. આ કાગળ વપરાશકર્તાના દૃષ્ટિકોણથી સ્થાન-સભાન મોબાઇલ સેવાઓનો અભ્યાસ કરે છે. આ કાગળ વપરાશકર્તા ઇન્ટરવ્યુ, વપરાશકર્તાઓ સાથે પ્રયોગશાળા અને ક્ષેત્ર મૂલ્યાંકનો અને સ્થાન-સભ્ય સેવાઓના નિષ્ણાત મૂલ્યાંકનોના આધારે વપરાશકર્તા જરૂરિયાતો સાથે સંબંધિત મુખ્ય મુદ્દાઓ વિશે નિષ્કર્ષ કાઢે છે. વપરાશકર્તાની જરૂરિયાતો પાંચ મુખ્ય વિષયો હેઠળ રજૂ કરવામાં આવી છેઃ વિષયવાર અને વ્યાપક સામગ્રી, સરળ વપરાશકર્તા ક્રિયાપ્રતિક્રિયા, વ્યક્તિગત અને વપરાશકર્તા દ્વારા બનાવેલી સામગ્રી, સીમલેસ સેવા એકમો અને ગોપનીયતા મુદ્દાઓ. |
e9a9d7f2a1226b463fb18f2215553dfd01aa38e7 | અમે કેટીઆઈ સાઇન લેંગ્વેજ ડેટાસેટ રજૂ કરીએ છીએ જેમાં ઉચ્ચ રીઝોલ્યુશન અને ગુણવત્તાવાળા 10,480 વિડિઓઝ છે. વિવિધ દેશોમાં વિવિધ સાઇન ભાષાઓનો ઉપયોગ કરવામાં આવે છે, તેથી કેટીઆઈ સાઇન લેંગ્વેજ ડેટાસેટ કોરિયન સાઇન લેંગ્વેજ માન્યતા પર વધુ સંશોધન માટે પ્રારંભિક રેખા હોઈ શકે છે. સાઇન લેંગ્વેજ ડેટાસેટનો ઉપયોગ કરીને, અમે ચહેરા, હાથ અને શરીરના ભાગોમાંથી કાઢવામાં આવેલા માનવ કીપોઇન્ટ્સનો ઉપયોગ કરીને સાઇન લેંગ્વેજ રેકગ્નિશન સિસ્ટમ વિકસાવીએ છીએ. કાઢવામાં આવેલ માનવ કીપોઇન્ટ વેક્ટર કીપોઇન્ટ્સના સરેરાશ અને પ્રમાણભૂત વિચલન દ્વારા પ્રમાણિત છે અને રિકરન્ટ ન્યુરલ નેટવર્ક (આરએનએન) માં ઇનપુટ તરીકે ઉપયોગમાં લેવાય છે. અમે બતાવીએ છીએ કે અમારી સાઇન રેકગ્નિશન સિસ્ટમ મજબૂત છે, જ્યારે તાલીમ ડેટાનો કદ પૂરતો નથી. અમારી સિસ્ટમ 89.5% વર્ગીકરણ ચોકસાઈ દર્શાવે છે 100 વાક્યો માટે જે કટોકટીની પરિસ્થિતિઓમાં ઉપયોગમાં લઈ શકાય છે. અમે સાઇન લેંગ્વેજ રેકગ્નિશન સમસ્યાનો અભ્યાસ કરીએ છીએ જે વિડિઓઝ જેવા દ્રશ્ય ઇનપુટમાંથી સંકેતોનો અર્થ અનુવાદિત કરે છે. એ વાત જાણીતી છે કે કોમ્પ્યુટર વિઝન ક્ષેત્રની ઘણી સમસ્યાઓને ઊંડા ન્યુરલ નેટવર્ક મોડેલોને તાલીમ આપવા માટે વિશાળ પ્રમાણમાં ડેટાસેટની જરૂર પડે છે. |
7c1cdcbdd30163f3d7fd9789e42c4a37eb2f7f04 | વેબ સર્ચમાં, વપરાશકર્તાઓની ક્વેરીઝ માત્ર થોડા શબ્દોનો ઉપયોગ કરીને ઘડવામાં આવે છે અને સંબંધિત દસ્તાવેજોને મેળવવા માટે શબ્દ-મેળ ખાતી પુનઃપ્રાપ્તિ કાર્યો નિષ્ફળ થઈ શકે છે. વપરાશકર્તાની ક્વેરી આપવામાં આવે છે, ક્વેરી વિસ્તરણ (ક્યુઇ) ની તકનીક સંબંધિત શબ્દો પસંદ કરવામાં આવે છે જે સંબંધિત દસ્તાવેજોને પુનઃપ્રાપ્ત કરવાની સંભાવનાને વધારી શકે છે. આવા વિસ્તરણ શબ્દોની પસંદગી પડકારરૂપ છે અને જટિલ સિમેન્ટીક સંબંધો એન્કોડ કરવા માટે સક્ષમ કમ્પ્યુટેશનલ ફ્રેમવર્કની જરૂર છે. આ કાગળમાં, અમે શબ્દો અને શબ્દસમૂહો માટે, દેખરેખવાળી રીતે, અર્થશાસ્ત્રના પ્રતિનિધિત્વ માટે એક નવલકથા પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ. વિશેષ મેટ્રિક્સમાં ક્વેરીઝ અને દસ્તાવેજોને એમ્બેડ કરીને, અમારા મોડેલ પાસે વેક્ટર પ્રતિનિધિત્વ અપનાવતા હાલના અભિગમોના સંદર્ભમાં વધેલી પ્રતિનિધિત્વ શક્તિ છે. અમે બતાવીએ છીએ કે અમારું મોડેલ ઉચ્ચ ગુણવત્તાની ક્વેરી વિસ્તરણ શરતો ઉત્પન્ન કરે છે. અમારી વિસ્તરણ IR પગલાં વર્તમાન શબ્દ-એમ્બેડિંગ મોડેલો અને સારી રીતે સ્થાપિત પરંપરાગત QE પદ્ધતિઓથી વિસ્તરણથી આગળ વધે છે. |
8d4d06159413e1bb65ef218b4c78664d84a9b3c3 | મોબાઈલ ફોન્સ માટે એન્ડ્રોઈડ ઓપરેટિંગ સિસ્ટમ, જે હજુ પણ પ્રમાણમાં નવી છે, તે ઝડપથી બજાર હિસ્સો મેળવી રહી છે, જેમાં ડઝનેક સ્માર્ટફોન અને ટેબ્લેટ્સ ક્યાં તો રિલીઝ કરવામાં આવ્યા છે અથવા રિલીઝ કરવામાં આવશે. આ કાગળમાં, અમે એન્ડ્રોઇડ ઉપકરણોમાંથી અસ્થિર ભૌતિક મેમરીના સંપાદન અને ઊંડા વિશ્લેષણ માટે પ્રથમ પદ્ધતિ અને ટૂલસેટ રજૂ કરીએ છીએ. આ કાગળમાં એન્ડ્રોઇડ મેમરી એક્વિઝિશન કરવા માટેના કેટલાક પડકારોની ચર્ચા કરવામાં આવી છે, જે ડમ્પિંગ મેમરી માટે અમારા નવા કર્નલ મોડ્યુલ, નામના ડીએમડીની ચર્ચા કરે છે, અને ખાસ કરીને ઉપકરણ-સ્વતંત્ર સંપાદન સાધનોના વિકાસમાં મુશ્કેલીઓનો ઉલ્લેખ કરે છે. અમારું સંપાદન સાધન ફોન પર અથવા નેટવર્ક દ્વારા એસડીમાં ડમ્પિંગ મેમરીને સપોર્ટ કરે છે. અમે નવા વિકસિત વોલેટીલીટી કાર્યક્ષમતાનો ઉપયોગ કરીને કર્નલ માળખાના વિશ્લેષણ પણ રજૂ કરીએ છીએ. આ કામના પરિણામો ડિજિટલ ફોરેન્સિક તપાસકર્તાઓને ઊંડા મેમરી વિશ્લેષણની તક આપે છે. એ 2011 એલ્સેવીયર લિમિટેડ. બધા અધિકારો અનામત છે. |
8db37013b0b3315badaa7190d4c3af9ec56ab278 | આઇફોન 6ના પ્રકાશન દરમિયાન બજારમાં આઇઓએસનો હિસ્સો વધ્યો હોવા છતાં, સ્માર્ટફોન બજારમાં એન્ડ્રોઇડ મુખ્ય ઓએસ છે. બજારમાં વિવિધ પ્રકારના એન્ડ્રોઇડ સ્માર્ટફોન લોન્ચ કરવામાં આવી રહ્યા છે, ડેટા એક્વિઝિશન અને એનાલિસિસને ટેસ્ટ કરવા ફોરેન્સિક સ્ટડી કરવામાં આવી રહી છે. જો કે, નવી એન્ડ્રોઇડ સુરક્ષા તકનીકોના ઉપયોગથી, હાલની ફોરેન્સિક પદ્ધતિઓનો ઉપયોગ કરીને ડેટા મેળવવાનું વધુ મુશ્કેલ બન્યું છે. આ સમસ્યાને ઉકેલવા માટે, અમે એન્ડ્રોઇડ સ્માર્ટફોન્સના ફર્મવેર અપડેટ પ્રોટોકોલના વિશ્લેષણ પર આધારિત નવી સંપાદન પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ. બૂટલોડરમાં ફર્મવેર અપડેટ પ્રોટોકોલને રિવર્સ એન્જિનિયરિંગ દ્વારા ફ્લેશ મેમરી રીડ કમાન્ડનો ઉપયોગ કરીને એન્ડ્રોઇડ સ્માર્ટફોનની ભૌતિક સંપાદન પ્રાપ્ત કરી શકાય છે. અમારા પ્રાયોગિક પરિણામો દર્શાવે છે કે સૂચિત પદ્ધતિ અખંડિતતાની બાંયધરી, સંપાદનની ઝડપ અને સ્ક્રીન-લૉક સ્માર્ટફોન (યુએસબી ડિબગીંગ અક્ષમ) સાથે ભૌતિક ડમ્પિંગના સંદર્ભમાં હાલની ફોરેન્સિક પદ્ધતિઓથી શ્રેષ્ઠ છે. © 2015 લેખકો. ડીએફઆરડબ્લ્યુએસના વતી એલ્સેવીયર લિમિટેડ દ્વારા પ્રકાશિત. આ CCBY-NC-ND લાઇસન્સ (http://creativecommons.org/licenses/by-nc-nd/4.0/) હેઠળ એક ઓપન એક્સેસ લેખ છે. |
34f3955cb11db849789f7fbc78eb3cb347dd573d | |
4ef973984a8ea481edf74e0d2074e19d0389e76b | એક કોમ્પ્યુટર વિઝન સિસ્ટમ અમલમાં આવી છે જે એક ગ્રે-સ્કેલ છબીઓમાં અજાણ્યા દૃષ્ટિકોણથી ત્રિપરિમાણીય પદાર્થોને ઓળખી શકે છે. મોટાભાગના અન્ય અભિગમોથી વિપરીત, દ્રશ્ય ઇનપુટમાંથી ઊંડાણની માહિતીને નીચેથી ઉપરથી પુનઃનિર્માણ કરવાનો કોઈ પ્રયાસ કર્યા વિના માન્યતા પ્રાપ્ત થાય છે. તેના બદલે, ત્રણ અન્ય પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે જે બે પરિમાણીય છબી અને ત્રિપરિમાણીય પદાર્થોના જ્ઞાન વચ્ચેના અંતરને પુલ કરી શકે છે. પ્રથમ, દ્રષ્ટિની સંસ્થાની પ્રક્રિયાનો ઉપયોગ છબીમાં જૂથો અને માળખાં બનાવવા માટે થાય છે જે દૃષ્ટિકોણની વિશાળ શ્રેણીમાં અસ્થિર થવાની સંભાવના છે. બીજું, મોડલ આધારિત મેચિંગ દરમિયાન શોધ જગ્યાના કદને ઘટાડવા માટે સંભાવનાત્મક રેન્કિંગ પદ્ધતિનો ઉપયોગ કરવામાં આવે છે. અંતે, અવકાશી પત્રવ્યવહારની પ્રક્રિયા અજ્ઞાત દૃષ્ટિકોણ અને મોડેલ પરિમાણો માટે ઉકેલ દ્વારા ત્રિ-પરિમાણીય મોડેલોના પ્રક્ષેપણને છબી સાથે સીધા પત્રવ્યવહારમાં લાવે છે. ઓક્લૂઝન અને ગુમ થયેલ ડેટાની હાજરીમાં દૃશ્યપ્રેરણાની સુસંગતતાની મર્યાદાના સંપૂર્ણ ઉપયોગ દ્વારા ઉચ્ચ સ્તરની મજબૂતાઈ પ્રાપ્ત કરી શકાય છે. એવી દલીલ કરવામાં આવે છે કે સમાન પદ્ધતિઓ અને મર્યાદાઓ માનવ દ્રષ્ટિમાં માન્યતા માટેનો આધાર બનાવે છે. આ કાગળ આર્ટિફિશિયલ ઇન્ટેલિજન્સ, 31, 3 (માર્ચ 1987), પાનામાં પ્રકાશિત કરવામાં આવ્યો છે. 355-395 સુધી |
37de340b2a26a94a0e1db02a155cacb33c10c746 | 150 મેગાહર્ટઝથી 2000 મેગાહર્ટઝ સુધીની -6 ડીબી બેન્ડવિડ્થ સાથે વિવાલ્ડી લવચીક એન્ટેના રજૂ કરવામાં આવે છે. એન્ટેના 6060 સે. મી. 2 સિલિકોન સબસ્ટ્રેટ પર બનાવવામાં આવે છે. આ કાગળમાં, અમે આ બ્રોડબેન્ડ અને નિર્દેશક એન્ટેનાની ડિઝાઇન, અમલીકરણ અને પ્રદર્શન રજૂ કરીએ છીએ. પ્રસ્તાવિત માળખું હળવા, સરળતાથી અમલમાં મૂકવા યોગ્ય છે અને તેને કોઈ પણ મેચિંગ નેટવર્કની જરૂર નથી. લક્ષિત એપ્લિકેશન હેલિયમ ગેસ બલૂનથી સિગ્નલ સ્રોત ઉત્સર્જનના રેડિયો-સ્થાનિકરણ છે. બલૂનની નીચેની બાજુ પર છ એન્ટેના એકીકૃત છે અને માહિતીને કેબલ સાથે પુનઃપ્રાપ્ત કરવામાં આવે છે જે તેના સ્થિરતા માટે સેવા આપે છે. |
407cf7a598d69c7802d16ada79d25e3c59275c9b | મોટા પાયે વાયરલેસ સેન્સર નેટવર્ક (ડબ્લ્યુએસએન) ને ઇન્ટરનેટ ઓફ થિંગ્સ (આઇઓટી) અથવા સાયબર ફિઝિકલ સિસ્ટમ (સીએફએસ) ના મુખ્ય ભાગ તરીકે ઇન્ટરનેટમાં સંપૂર્ણ રીતે એકીકૃત કરવામાં આવશે, તેથી આઇઓટી / સીપીએસ સાથે આવતા વિવિધ સુરક્ષા પડકારો, જેમ કે દૂષિત હુમલાઓનું નિદાન કરવું તે ધ્યાનમાં લેવું જરૂરી છે. સેન્સર અથવા સેન્સર એમ્બેડેડ વસ્તુઓ 6 લોડપીએન પ્રોટોકોલનો ઉપયોગ કરીને એકબીજા વચ્ચે સીધો સંચાર સ્થાપિત કરી શકે છે. આઇઓટી/સીએસએસમાં મોટા વિતરણ સેન્સર નેટવર્કને દૂષિત નોડ હુમલાઓ સામે બચાવવા માટે ટ્રસ્ટ અને પ્રતિષ્ઠા મોડેલને એક મહત્વપૂર્ણ અભિગમ તરીકે ઓળખવામાં આવે છે, કારણ કે ટ્રસ્ટ સ્થાપના પદ્ધતિઓ વિતરણ કમ્પ્યુટિંગ અને સંચાર એકમો વચ્ચે સહયોગને ઉત્તેજીત કરી શકે છે, અવિશ્વસનીય એકમોને શોધવામાં મદદ કરે છે અને વિવિધ પ્રોટોકોલોની નિર્ણય લેવાની પ્રક્રિયામાં સહાય કરે છે. આ કાગળમાં, ટ્રસ્ટ સ્થાપના પ્રક્રિયાની ઊંડી સમજણ અને ટ્રસ્ટ સ્થાપના પદ્ધતિઓ વચ્ચે માત્રાત્મક સરખામણી પર આધારિત, અમે તેમના વર્તન પર આધારિત આઇઓટી / સીપીએસના નેટવર્કમાં વસ્તુઓ વચ્ચે સહકારને લાગુ કરવા માટે ટ્રસ્ટ અને પ્રતિષ્ઠા મોડેલ ટીઆરએમ-આઇઓટી રજૂ કરીએ છીએ. પ્રસ્તાવિત મોડેલની ચોકસાઈ, મજબૂતાઈ અને હળવાશને સિમ્યુલેશનના વિશાળ સમૂહ દ્વારા માન્ય કરવામાં આવે છે. |
e11f9ca6e574c779bdf0a868c368e5b1567a1517 | આર્ટિફિશિયલ ઇન્ટેલિજન્સને પ્રાપ્ત કરવા માટે શીખવાનું શીખવું એક મહત્વપૂર્ણ દિશા તરીકે ઉભરી આવ્યું છે. તેના અપનાવવા માટેના બે મુખ્ય અવરોધો મોટા સમસ્યાઓમાં સ્કેલ કરવાની અક્ષમતા અને નવા કાર્યોમાં સામાન્યકરણ કરવાની મર્યાદિત ક્ષમતા છે. અમે એક શીખી ગ્રેડિએન્ટ ઉતરાણ ઑપ્ટિમાઇઝર રજૂ કરીએ છીએ જે નવા કાર્યો માટે સારી રીતે સામાન્ય કરે છે, અને જે નોંધપાત્ર રીતે મેમરી અને કમ્પ્યુટિંગ ઓવરહેડ ઘટાડે છે. અમે ન્યૂનતમ પરિમાણો સાથે નવલકથા હાયરાર્કીક આરએનએન આર્કિટેક્ચરની રજૂઆત કરીને આ પ્રાપ્ત કરીએ છીએ, વધારાના આર્કિટેક્ચરલ સુવિધાઓ સાથે વધારીને જે ઑપ્ટિમાઇઝેશન કાર્યોના જાણીતા માળખાને પ્રતિબિંબિત કરે છે. અમે નાના, વિવિધ ઑપ્ટિમાઇઝેશન કાર્યોના મેટા-ટ્રેનિંગ એસેમ્બલીને પણ વિકસિત કરીએ છીએ જે નુકશાન લેન્ડસ્કેપ્સની સામાન્ય ગુણધર્મોને પકડે છે. આ કોપસમાં સમસ્યાઓમાં આરએમએસપ્રોપ / એડીએએમ કરતાં વધુ સારી કામગીરી કરવાનું શીખે છે. વધુ મહત્ત્વની વાત એ છે કે, તે નાના કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ પર લાગુ કરવામાં આવે ત્યારે તે તુલનાત્મક અથવા વધુ સારી કામગીરી કરે છે, તેમ છતાં તેના મેટા-ટ્રેનિંગ સેટમાં કોઈ ન્યુરલ નેટવર્ક્સ જોતા નથી. છેલ્લે, તે હજારો પગલાંઓ માટે ઇમેજનેટ ડેટાસેટ પર ઇન્સેપ્શન વી 3 અને રેઝનેટ વી 2 આર્કિટેક્ચર્સને તાલીમ આપવા માટે સામાન્ય બનાવે છે, તે ઑપ્ટિમાઇઝેશન સમસ્યાઓ જે તે તાલીમ આપવામાં આવી હતી તેના કરતા ખૂબ જ અલગ સ્કેલ છે. અમે મેટા-ટ્રેનિંગ અલ્ગોરિધમનો એક ઓપન સોર્સ અમલીકરણ પ્રકાશિત કરીએ છીએ. |
0458cec30079a53a2b7726a14f5dd826b9b39bfd | રોબોટ્સ રોજિંદા કાર્યક્ષેત્રોમાં મનુષ્ય સાથે સહયોગ કરવાનું શરૂ કરે છે, તેમને સાધનો અને તેમના ભાગોના કાર્યોને સમજવાની જરૂર પડશે. સફરજન કાપવા અથવા નખને હટાવી દેવા માટે, રોબોટ્સને માત્ર સાધનનું નામ જાણવાની જરૂર નથી, પરંતુ તેમને સાધનની ભાગોનું સ્થાન અને તેમની કામગીરી ઓળખવી જોઈએ. સાહજિક રીતે, ભાગની ભૂમિતિ તેના સંભવિત કાર્યો અથવા તેના પરવડે તેવા લોકો સાથે ગાઢ રીતે સંબંધિત છે. તેથી, અમે સ્થાનિક આકાર અને ભૂમિતિ પ્રાથમિકતાઓમાંથી શીખવાની ક્ષમતા માટે બે અભિગમો પ્રસ્તાવિત કરીએ છીએઃ 1) સુપરપિક્સેલ આધારિત હાયરાર્કીકલ મેચિંગ પર્સ્યુટ (એસ-એચએમપી); અને 2) માળખાગત રેન્ડમ ફોરેસ્ટ્સ (એસઆરએફ). વધુમાં, કારણ કે એક ભાગનો ઉપયોગ ઘણી રીતે થઈ શકે છે, અમે એક વિશાળ આરજીબી-ડેપ્થ ડેટાસેટ રજૂ કરીએ છીએ જ્યાં ટૂલ ભાગોને બહુવિધ અફોર્ડન્સ અને તેમના સંબંધિત રેન્કિંગ સાથે લેબલ કરવામાં આવે છે. ક્રમાંકિત પોષણક્ષમતા સાથે, અમે 3 ભરાયેલા દ્રશ્યો અને 105 થી વધુ રસોડું, વર્કશોપ અને બગીચાના સાધનો પર સૂચિત પદ્ધતિઓનું મૂલ્યાંકન કરીએ છીએ, ક્રમાંકિત સહસંબંધ અને વજનવાળા એફ-માપ સ્કોરનો ઉપયોગ કરીને [26]. ક્લટર, ઓક્લૂઝન અને દૃષ્ટિકોણ ફેરફારો ધરાવતા સિક્વન્સ પર પ્રાયોગિક પરિણામો દર્શાવે છે કે અભિગમો ચોક્કસ આગાહીઓ આપે છે જેનો ઉપયોગ રોબોટ દ્વારા થઈ શકે છે. એસ-એચએમપી ઉચ્ચ ચોકસાઈ પ્રાપ્ત કરે છે પરંતુ નોંધપાત્ર કમ્પ્યુટેશનલ ખર્ચ પર, જ્યારે એસઆરએફ સહેજ ઓછી સચોટ આગાહીઓ પ્રદાન કરે છે પરંતુ રીઅલ-ટાઇમમાં. છેલ્લે, અમે કોર્નલ ગ્રેપિંગ ડેટાસેટ [25] પર અમારા અભિગમોની અસરકારકતાને માન્યતા આપીએ છીએ, જે પકડાયેલા પ્રદેશો શોધી કાઢવા માટે છે, અને રાજ્ય-ઓફ-ધ-આર્ટ પ્રદર્શન પ્રાપ્ત કરે છે. |
e0398ab99daa5236720cd1d91e5b150985aac4f3 | અમે એક આહાર મૂલ્યાંકન પ્રણાલી વિકસાવી રહ્યા છીએ જે ભોજન દરમિયાન લેવામાં આવેલી ખોરાકની છબીઓનો ઉપયોગ કરીને દૈનિક ખોરાકના વપરાશને રેકોર્ડ કરે છે. પછી ખોરાકની તસવીરોનું વિશ્લેષણ કરવામાં આવે છે જેથી ખોરાકમાં પોષક તત્વોની સામગ્રી કાઢવામાં આવે. આ કાગળમાં, અમે છબી વિશ્લેષણ સાધનોનું વર્ણન કરીએ છીએ જ્યાં કોઈ ચોક્કસ ખોરાક સ્થિત છે (છબી વિભાજન), ખોરાકના પ્રકારને ઓળખવા (સુવિધા વર્ગીકરણ) અને ખોરાકની આઇટમના વજનનો અંદાજ (વજનનો અંદાજ) ખાદ્ય પદાર્થોના વિભાજન અને ઓળખની ચોકસાઈ સુધારવા માટે એક છબી વિભાજન અને વર્ગીકરણ પ્રણાલી પ્રસ્તાવિત કરવામાં આવી છે. પછી અમે ખોરાકનું વજન અંદાજ કરીએ છીએ એક છબીમાંથી પોષક તત્વોની સામગ્રીને બહાર કાઢવા માટે નિયમિત આકારવાળા ખોરાક માટે આકાર નમૂનાનો ઉપયોગ કરીને અને અનિયમિત આકારવાળા ખોરાક માટે વિસ્તાર આધારિત વજનનો અંદાજ. |
ab2a41722ee1f2b26575080238ba25f7173a6ae2 | 2.24 W પાવર એમ્પ્લીફાયર (PA) મોડ્યુલ 35 ગીગાહર્ટ્ઝ પર બ્રોડબેન્ડ સ્પેસિયલ પાવર-કોમ્બિનેટિંગ સિસ્ટમનો ઉપયોગ કરીને પ્રસ્તુત કરે છે. કમ્બાઇનર સારી રીટર્ન લોસ સાથે કા-બેન્ડ વેવગાઇડ સ્ટ્રક્ચરમાં મર્યાદિત માઇક્રોસ્ટ્રીપ સ્પેસ પર સ્ટેગર પ્લેસમેન્ટ સ્ટ્રક્ચર સાથે વધુ મોનોલિથિક માઇક્રોવેવ ઇન્ટિગ્રેટેડ-સર્કિટ (એમએમઆઈસી) પીએને સમાવી શકે છે, અને ગરમી ઝડપથી એલ્યુમિનિયમ કેરરમાં વિખેરી શકાય છે. આ કમ્બાઇનર સ્લોટલાઇનથી માઇક્રોસ્ટ્રીપ સંક્રમણ માળખા પર આધારિત છે, જે ચાર-માર્ગ પાવર કમ્બાઇનર તરીકે પણ કામ કરે છે. વેવગાઇડની અંદર ઊભી સ્ટેકીંગ દ્વારા જોડાયેલી પ્રસ્તાવિત 2*2 સંયોજન માળખુંનું વિશ્લેષણ અને અંતિમ તત્વ પદ્ધતિ (એફઇએમ) સિમ્યુલેશન અને પ્રયોગો દ્વારા ઑપ્ટિમાઇઝ કરવામાં આવ્યું હતું. |
fa9c7e3c6d55175de25bea79ba66ef91607f3920 | ઉચ્ચ શક્તિના સોલિડ સ્ટેટ પાવર એમ્પ્લીફાયર્સને પાવર નુકશાનને શક્ય તેટલું ઓછું રાખવા માટે ઉચ્ચ કાર્યક્ષમતા પાવર વિભાજન / સંયોજન માળખું જરૂરી છે. ડિવિડર/કમ્બિનેટરની હીટ સિનક ક્ષમતા પણ સતત તરંગ (સીડબલ્યુ) રૂપરેખાંકન સાથે તેની મહત્તમ આઉટપુટ પાવરને મર્યાદિત કરે છે. આ કાગળમાં, અમે નવલકથા 8-વે ક્યુ બેન્ડ પાવર ડિવાઇડર / કમ્બાઇનર સિસ્ટમ રજૂ કરીએ છીએ, તે એક સાથે નીચા નુકશાન, બ્રોડબેન્ડ અને સારી હીટ સિંકિંગ ક્ષમતાના ફાયદા દર્શાવે છે. તેના પેટા ઘટકો તરીકે, વેવગાઇડથી માઇક્રોસ્ટ્રીપ સંક્રમણ માટે ઓછી નુકશાનની તપાસ અને ઓછી નુકશાન બ્રોડબેન્ડ 1-થી-2 પાવર કમ્બાઇનર્સ ડિઝાઇન અને નિર્માણ કરવામાં આવે છે. આખા આઠ-માર્ગ પાવર કમ્બાઇનરની માપવામાં આવેલી બેક-ટુ-બેક ઇન્સેશન નુકશાન સમગ્ર Ku બેન્ડમાં 0.5dB કરતા ઓછું છે, અને અનુરૂપ સંયુક્ત કાર્યક્ષમતા 94.5% જેટલી ઊંચી છે. સિસ્ટમની સિમ્યુલેટેડ થર્મલ રેઝિસ્ટન્સ 0.21°C/W જેટલી ઓછી છે, જે સૂચવે છે કે પ્રસ્તાવિત પાવર કમ્બાઇનર વ્યાપારી રીતે ઉપલબ્ધ મોનોલિથિક માઇક્રોવેવ ઇન્ટિગ્રેટેડ સર્કિટ્સ (એમએમઆઈસી) સાથે 50W સીડબલ્યુ આઉટપુટ પાવર ઉત્પન્ન કરવામાં સક્ષમ છે. |
c5695d4104e245ad54d3fe8e4ad33e65970c2d6a | આ કાગળમાં એડી5933 સર્કિટ પર આધારિત ઇમ્પેડન્સને માપવા માટેની એક પદ્ધતિ રજૂ કરવામાં આવી છે. 1 કેહર્ટઝ ÷ 100 કેહર્ટઝની આવર્તન શ્રેણી માટે પ્રતિરોધ માપન શ્રેણી 9 Ω અને 18 MΩ વચ્ચે છે. આ કાગળમાં માપનની આ શ્રેણીને વિસ્તૃત કરવાની શક્યતાઓ પણ રજૂ કરવામાં આવી છે. સિસ્ટમ કેલિબ્રેશન સ્વયંસંચાલિત છે અને ઇમ્પેડન્સ મોડ્યુલસ માપનની સંબંધિત ભૂલ ± 2% ની રેન્જમાં છે. માપવામાં આવેલ ઇમ્પેડન્સ મુખ્ય પરિમાણોને સ્થાનિક રીતે ઓએલઇડી ડિસ્પ્લે પર દર્શાવવામાં આવે છે પરંતુ વધુ પ્રક્રિયા માટે એસડી મેમરી કાર્ડમાં પણ સંગ્રહિત કરી શકાય છે. આ પ્રણાલી પોર્ટેબલ, મોડ્યુલર અને મોટી સંખ્યામાં એપ્લિકેશન્સમાં અનુકૂળ છે. |
1df5051913989b441e7df2ddc00aa8c3ab5960d0 | મોબાઇલ ઉપકરણો તાજેતરના વર્ષોમાં સૌથી વધુ વિક્ષેપકારક તકનીકોમાંની એક છે, જે લોકોના વિશાળ શ્રેણીના રોજિંદા જીવનમાં વધુ પ્રસાર અને સફળતા પ્રાપ્ત કરે છે. દુર્ભાગ્યવશ, જ્યારે ગુનાહિત પ્રવૃત્તિઓમાં સામેલ મોબાઇલ ઉપકરણોની સંખ્યા સંબંધિત અને વધતી જાય છે, ત્યારે આવા ઉપકરણોના ફોરેન્સિક વિશ્લેષણ કરવાની ક્ષમતા તકનીકી અને પદ્ધતિસરની સમસ્યાઓ બંને દ્વારા મર્યાદિત છે. આ કાગળમાં, અમે મોબાઇલ ઉપકરણો પર લાગુ એન્ટી ફોરેન્સિક તકનીકો પર ધ્યાન કેન્દ્રિત કરીએ છીએ, એન્ડ્રોઇડ ઉપકરણો પર આવી તકનીકોના કેટલાક સંપૂર્ણ સ્વચાલિત ઉદાહરણો રજૂ કરીએ છીએ. વધુમાં, અમે ઉપકરણની અસ્પષ્ટ પરીક્ષા અને કેટલાક સંપાદન સાધનો બંનેની સરખામણીમાં આવી તકનીકોની અસરકારકતા ચકાસી. 2010 ડિજિટલ ફોરેન્સિક રિસર્ચ વર્કશોપ. એલ્સેવીયર લિમિટેડ દ્વારા પ્રકાશિત. બધા અધિકારો અનામત. |
93083f4225ea62b3733a76fc64f9991ed5fd6878 | અમે નજીકથી સંબંધિત ભાષાઓને ભેદભાવ આપવા પર VarDial 4 વહેંચાયેલ કાર્યમાં અમારી ભાગીદારીના પરિણામો રજૂ કરીએ છીએ. અમારા પ્રસ્તુતિમાં લીનિયર સપોર્ટ વેક્ટર મશીન (એસવીએમ) અને ન્યુરલ નેટવર્ક (એનએન) નો ઉપયોગ કરીને સરળ પરંપરાગત મોડેલોનો સમાવેશ થાય છે. મુખ્ય વિચાર ભાષા જૂથ માહિતીનો લાભ લેવાનો હતો. અમે પરંપરાગત મોડેલમાં બે-સ્તર અભિગમ અને મલ્ટિ-ટાસ્ક ઉદ્દેશ્ય સાથે ન્યુરલ નેટવર્કમાં કર્યું. અમારા પરિણામો અગાઉના તારણોને પુષ્ટિ આપે છેઃ સરળ પરંપરાગત મોડેલો આ કાર્ય માટે સતત ન્યુરલ નેટવર્ક્સને વટાવી દે છે, ઓછામાં ઓછા ઉપલબ્ધ સમયની સંખ્યાને ધ્યાનમાં રાખીને અમે તપાસ કરી શકીએ છીએ. અમારા બે-સ્તર રેખીય એસવીએમ વહેંચાયેલ કાર્યમાં બીજા ક્રમે છે. |
4fa0d9c4c3d17458085ee255b7a4b7c325d59e32 | ડીબીપીડિયા સમુદાય પ્રોજેક્ટ વિકિપીડિયામાંથી માળખાગત, બહુભાષીય જ્ઞાનને બહાર કાઢે છે અને તેને સેમેન્ટીક વેબ અને લિંક કરેલ ડેટા તકનીકોનો ઉપયોગ કરીને વેબ પર મુક્તપણે ઉપલબ્ધ બનાવે છે. આ પ્રોજેક્ટ વિકિપીડિયાના 111 વિવિધ ભાષાના સંસ્કરણોમાંથી જ્ઞાન મેળવે છે. સૌથી મોટો ડીબીપીડિયા જ્ઞાન આધાર જે વિકિપીડિયાના અંગ્રેજી સંસ્કરણમાંથી કાઢવામાં આવ્યો છે તેમાં 400 મિલિયનથી વધુ તથ્યો છે જે 3.7 મિલિયન વસ્તુઓને વર્ણવે છે. ડીબીપીડિયા જ્ઞાન આધાર જે અન્ય 110 વિકિપીડિયા આવૃત્તિઓમાંથી કાઢવામાં આવે છે તેમાં 1.46 અબજ હકીકતોનો સમાવેશ થાય છે અને 10 મિલિયન વધારાની વસ્તુઓનું વર્ણન કરે છે. ડીબીપીડિયા પ્રોજેક્ટ વિકિપીડિયા ઇન્ફોબોક્સને 27 જુદી જુદી ભાષાની આવૃત્તિઓમાંથી એક જ વહેંચાયેલ ઓન્ટોલોજીમાં 320 વર્ગો અને 1,650 ગુણધર્મોથી બનેલા નકશામાં રજૂ કરે છે. આ મેપિંગ્સ વિશ્વવ્યાપી ભીડ-સોર્સિંગ પ્રયાસ દ્વારા બનાવવામાં આવે છે અને વિવિધ વિકિપીડિયા આવૃત્તિઓના જ્ઞાનને ભેગા કરવાની મંજૂરી આપે છે. આ પ્રોજેક્ટ ડાઉનલોડ કરવા માટે તમામ ડીબીપીડિયા જ્ઞાન આધારની રીલીઝ પ્રકાશિત કરે છે અને સ્થાનિક ડીબીપીડિયા પ્રકરણોના વૈશ્વિક નેટવર્ક દ્વારા 111 ભાષા આવૃત્તિઓમાંથી 14 માંથી સ્પાર્ક ક્વેરી એક્સેસ પ્રદાન કરે છે. નિયમિત પ્રકાશન ઉપરાંત, આ પ્રોજેક્ટ એક જીવંત જ્ઞાન આધાર જાળવે છે જે વિકિપીડિયામાં પૃષ્ઠ બદલાય ત્યારે અપડેટ થાય છે. ડીબીપીડિયા 27 મિલિયન આરડીએફ લિંક્સને 30 થી વધુ બાહ્ય ડેટા સ્ત્રોતોમાં નિર્દેશ કરે છે અને આમ આ સ્ત્રોતોમાંથી ડેટાને ડીબીપીડિયા ડેટા સાથે ઉપયોગમાં લેવાની મંજૂરી આપે છે. વેબ પર કેટલાય સો ડેટા સેટ આરડીએફ લિંક્સ પ્રકાશિત કરે છે જે ડીબીપીડિયા તરફ નિર્દેશ કરે છે અને ડીબીપીડિયાને લિંક કરેલ ઓપન ડેટા (એલઓડી) ક્લાઉડમાં કેન્દ્રીય ઇન્ટરલિંકિંગ હબમાંથી એક બનાવે છે. આ સિસ્ટમ રિપોર્ટમાં, અમે ડીબીપીડિયા સમુદાય પ્રોજેક્ટની ઝાંખી આપી છે, જેમાં તેની આર્કિટેક્ચર, તકનીકી અમલીકરણ, જાળવણી, આંતરરાષ્ટ્રીયકરણ, વપરાશના આંકડા અને એપ્લિકેશનોનો સમાવેશ થાય છે. |
1c2dbbc5268eff6c78f581b8fc7c649d40b60538 | સેમેન્ટીક વેબમાં તાજેતરમાં જ મોટા જ્ઞાન આધાર (જેમ કે ડીબીપીડિયા) નો ઉદય થયો છે જે સ્પાર્ક્યુએલ અંત બિંદુઓ દ્વારા મુક્તપણે સુલભ છે. તેમાં રહેલી માહિતીનું માળખાગત પ્રતિનિધિત્વ તેને ઍક્સેસ કરી શકાય અને પૂછપરછ કરી શકાય તે રીતે નવી શક્યતાઓ ખોલે છે. આ કાગળમાં, અમે એક અભિગમ રજૂ કરીએ છીએ જે બે રસના પદાર્થો વચ્ચેના સંબંધોને આવરી લેતા ગ્રાફને બહાર કાઢે છે. અમે આ ગ્રાફનું એક ઇન્ટરેક્ટિવ વિઝ્યુલાઇઝેશન બતાવીએ છીએ જે હાઇલાઇટિંગ, પૂર્વાવલોકન અને ફિલ્ટરિંગ સુવિધાઓ પ્રદાન કરીને મળી રહેલા સંબંધોના વ્યવસ્થિત વિશ્લેષણને ટેકો આપે છે. |
4b9a9fb54b3451e4212e298053f81f0cd49d70a2 | સ્માર્ટફોનની ઉત્ક્રાંતિ સાથે વધતી કમ્પ્યુટિંગ શક્તિએ વિકાસકર્તાઓને કોઈપણ પરિસ્થિતિમાં અને કોઈપણ સ્થાન પર વપરાશકર્તા સંબંધિત સામાજિક અને જ્ઞાનાત્મક પ્રવૃત્તિઓને ઓળખવા માટે નવીન સંદર્ભ-સભાન એપ્લિકેશનો બનાવવા માટે સશક્ત કર્યા છે. સંદર્ભની હાજરી અને જાગૃતિ મોબાઇલ ઉપકરણ વપરાશકર્તાઓની આસપાસના ભૌતિક વાતાવરણ અથવા પરિસ્થિતિઓ પ્રત્યે સભાન રહેવાની ક્ષમતા પૂરી પાડે છે. આ નેટવર્ક સેવાઓને આવી જાગૃતિના આધારે સક્રિય અને બુદ્ધિપૂર્વક પ્રતિક્રિયા આપવાની મંજૂરી આપે છે. સંદર્ભ-સભાન એપ્લિકેશન્સ પાછળનો મુખ્ય વિચાર એ છે કે સ્માર્ટ નેટવર્ક બનાવીને મોટા પાયે સમુદાયના ઉપયોગ માટે હેતુસર સ્થાનિક સંવેદનાત્મક જ્ઞાનને એકત્રિત કરવા, વિશ્લેષણ કરવા અને શેર કરવા માટે વપરાશકર્તાઓને પ્રોત્સાહિત કરવા. ઇચ્છિત નેટવર્ક પર્યાવરણીય પદાર્થોને સક્રિય કરવા માટે સ્વાયત્ત તાર્કિક નિર્ણયો લેવા માટે સક્ષમ છે અને વ્યક્તિઓને પણ મદદ કરે છે. જો કે, ઘણા ખુલ્લા પડકારો રહે છે, જે મોટે ભાગે મોબાઇલ ઉપકરણોમાં પૂરી પાડવામાં આવતી મિડલવેર સેવાઓમાં પાવર, મેમરી અને બેન્ડવિડ્થના સંદર્ભમાં મર્યાદિત સંસાધનો હોવાને કારણે ઉદ્ભવે છે. આથી, આ ખામીઓને કેવી રીતે વિસ્તૃત અને હલ કરી શકાય છે તે અભ્યાસ કરવો અને તે જ સમયે, સંદર્ભ-જાગૃતિમાં યોગદાન આપવા માટે સંશોધન સમુદાયની તકો વધુ સારી રીતે સમજવું તે નિર્ણાયક રીતે મહત્વપૂર્ણ બની જાય છે. આ અંત માટે, આ કાગળ 1991-2014ના સમયગાળા દરમિયાન સાહિત્યનું સર્વેક્ષણ કરે છે, જે મોબાઇલ પ્લેટફોર્મ્સમાં સંદર્ભ-જાગૃતિના નવા ખ્યાલોથી લઈને એપ્લિકેશન્સ સુધી અપ-ટુ-ડેટ સંશોધન અને ભાવિ સંશોધન દિશાઓ પ્રદાન કરે છે. આ ઉપરાંત, આ સંદર્ભમાં પડકારોનો પણ ઉલ્લેખ કરવામાં આવ્યો છે અને શક્ય ઉકેલો સૂચવીને તેમને પ્રકાશિત કરવામાં આવ્યા છે. |
4c65005c8822c3117bd3c3746e3a9b9e17386328 | |
27208c88f07a1ffe97760c12be08fad3ab68fee2 | ખાસ કરીને, અમે ક્રોસ મોડલ ફીચર લર્નિંગનું પ્રદર્શન કરીએ છીએ, જ્યાં એક મોડલ (દા. ત. , વિડિઓ) માટે વધુ સારી સુવિધાઓ શીખી શકાય છે જો બહુવિધ મોડલ્સ (દા. ત. , ઑડિઓ અને વિડિઓ) ફીચર લર્નિંગ સમય પર હાજર હોય. વધુમાં, અમે બતાવીએ છીએ કે કેવી રીતે મોડલિટીઝ વચ્ચે વહેંચાયેલ પ્રતિનિધિત્વ શીખવું અને તેનું મૂલ્યાંકન કરવું તે એક અનન્ય કાર્ય પર છે, જ્યાં વર્ગીકૃતકર્તાને ફક્ત ઑડિઓ ડેટા સાથે તાલીમ આપવામાં આવે છે પરંતુ ફક્ત વિડિઓ ડેટા સાથે પરીક્ષણ કરવામાં આવે છે અને ઊલટું. અમે એ.વી.એલ. લેટર્સ પર શ્રેષ્ઠ દ્રશ્ય ભાષણ વર્ગીકરણ અને અસરકારક મલ્ટીમોડલ ફ્યુઝન દર્શાવતા, ઑડિઓ-વિઝ્યુઅલ ભાષણ વર્ગીકરણ કાર્ય સાથે CUAVE અને AVLetters ડેટાસેટ્સ પર અમારી પદ્ધતિઓને માન્ય કરીએ છીએ. ડીપ નેટવર્ક્સને સિંગલ મોડલ (દા. ત. , ટેક્સ્ટ, છબીઓ અથવા ઑડિઓ) માટે અનસર્વેસ્ડ ફીચર લર્નિંગમાં સફળતાપૂર્વક લાગુ કરવામાં આવી છે. આ કાર્યમાં, અમે બહુવિધ મોડલિટીઝ પર સુવિધાઓ શીખવા માટે ઊંડા નેટવર્ક્સનો એક નવલકથા એપ્લિકેશન પ્રસ્તાવિત કરીએ છીએ. અમે મલ્ટીમોડલ લર્નિંગ માટે કાર્યોની શ્રેણી રજૂ કરીએ છીએ અને બતાવીએ છીએ કે કેવી રીતે ઊંડા નેટવર્કને તાલીમ આપવી કે જે આ કાર્યોને સંબોધવા માટે સુવિધાઓ શીખે છે. |
21c9dd68b908825e2830b206659ae6dd5c5bfc02 | અમે એમ્બેડ ટુ કંટ્રોલ (ઇ2સી) ની રજૂઆત કરીએ છીએ, જે કાચા પિક્સેલ છબીઓમાંથી મોડેલ શિક્ષણ અને બિન-રેખીય ગતિશીલ સિસ્ટમોનું નિયંત્રણ માટેની પદ્ધતિ છે. E2C એ ઊંડા જનરેટિવ મોડેલનો સમાવેશ કરે છે, જે વિવિધતાવાળા ઓટોકોડર્સના પરિવાર સાથે સંબંધિત છે, જે ગુપ્ત જગ્યામાંથી છબીની ટ્રેજેટરી પેદા કરવાનું શીખે છે જેમાં ગતિશીલતા સ્થાનિક રૂપે રેખીય હોવા માટે પ્રતિબંધિત છે. અમારું મોડેલ સીધા ગુપ્ત અવકાશમાં શ્રેષ્ઠ નિયંત્રણ રચનામાંથી ઉતરી આવ્યું છે, ઇમેજ સિક્વન્સની લાંબા ગાળાની આગાહીને સમર્થન આપે છે અને વિવિધ જટિલ નિયંત્રણ સમસ્યાઓ પર મજબૂત પ્રદર્શન દર્શાવે છે. |
39b7007e6f3dd0744833f292f07ed77973503bfd | હાયરાર્કીક રીઇનફોર્સમેન્ટ લર્નિંગ (એચઆરએલ) એ વધુ જટિલ કાર્યોને ઉકેલવા માટે પરંપરાગત રીઇનફોર્સમેન્ટ લર્નિંગ (આરએલ) પદ્ધતિઓનો વિસ્તાર કરવા માટે એક આશાસ્પદ અભિગમ છે. જો કે, હાલની એચઆરએલ પદ્ધતિઓમાંની મોટાભાગનીને ચોક્કસ કાર્ય-વિશિષ્ટ ડિઝાઇન અને નીતિ પર તાલીમ લેવાની જરૂર છે, જે તેમને વાસ્તવિક દુનિયાના દૃશ્યોમાં લાગુ કરવા મુશ્કેલ બનાવે છે. આ કાગળમાં, અમે અભ્યાસ કરીએ છીએ કે આપણે એચઆરએલ એલ્ગોરિધમ્સ કેવી રીતે વિકસાવી શકીએ છીએ જે સામાન્ય છે, જેમાં તેઓ પ્રમાણભૂત આરએલ એલ્ગોરિધમ્સની બહાર વધારાની ધારણાઓ કરતા નથી, અને કાર્યક્ષમ છે, તે અર્થમાં કે તેઓ મધ્યમ સંખ્યામાં ક્રિયાપ્રતિક્રિયા નમૂનાઓ સાથે ઉપયોગમાં લઈ શકાય છે, તેમને રોબોટિક નિયંત્રણ જેવી વાસ્તવિક દુનિયાની સમસ્યાઓ માટે યોગ્ય બનાવે છે. સામાન્યતા માટે, અમે એક યોજના વિકસાવીએ છીએ જ્યાં નીચલા સ્તરના નિયંત્રકોની દેખરેખ રાખવામાં આવે છે જે ઉચ્ચ સ્તરના નિયંત્રકો દ્વારા આપમેળે શીખી અને પ્રસ્તાવિત કરવામાં આવે છે. કાર્યક્ષમતાની દિશામાં, અમે ઉચ્ચ અને નીચલા સ્તરના તાલીમ બંને માટે નીતિની બહારના અનુભવનો ઉપયોગ કરવાનો પ્રસ્તાવ મૂક્યો છે. આ એક નોંધપાત્ર પડકાર છે, કારણ કે નીચલા સ્તરના વર્તણૂકોમાં ફેરફાર ઉચ્ચ સ્તરની નીતિ માટે ક્રિયા અવકાશને બદલે છે, અને અમે આ પડકારને દૂર કરવા માટે નીતિ-બહારના સુધારાને રજૂ કરીએ છીએ. આ અમને નીતિ-બિન-મોડલ-મુક્ત આરએલ (RL) માં તાજેતરની પ્રગતિનો લાભ લેવા માટે પરવાનગી આપે છે, જે નીતિ-આધારિત અલ્ગોરિધમ્સ કરતાં પર્યાવરણની ક્રિયાપ્રતિક્રિયાઓ કરતાં નોંધપાત્ર રીતે ઓછા ઉપયોગ કરીને ઉચ્ચ અને નીચલા સ્તરની નીતિઓ બંનેને શીખવા માટે પરવાનગી આપે છે. અમે પરિણામી એચઆરએલ એજન્ટને હીરો નામ આપીએ છીએ અને શોધી કાઢીએ છીએ કે તે સામાન્ય રીતે લાગુ પડે છે અને ખૂબ નમૂના-કાર્યક્ષમ છે. અમારા પ્રયોગો દર્શાવે છે કે HIROનો ઉપયોગ સિમ્યુલેટેડ રોબોટ્સ માટે અત્યંત જટિલ વર્તણૂકો શીખવા માટે કરી શકાય છે, જેમ કે પદાર્થોને દબાણ કરવું અને લક્ષ્ય સ્થાનો સુધી પહોંચવા માટે તેનો ઉપયોગ કરવો, 1 માત્ર થોડા મિલિયન નમૂનાઓમાંથી શીખવું, જે વાસ્તવિક સમયના ક્રિયાપ્રતિક્રિયાના થોડા દિવસો જેટલું છે. અગાઉની એચઆરએલ પદ્ધતિઓ સાથેની સરખામણીમાં, અમે શોધીએ છીએ કે અમારી પદ્ધતિ અગાઉની અદ્યતન તકનીકો કરતાં નોંધપાત્ર રીતે વધુ સારી છે. |
5b44f587c4c7611d04e304fd7fa37648338d0cbf | અત્યંત ઉચ્ચ પરિમાણીય અવલોકનોનો ઉપયોગ કરીને સતત રાજ્ય-ક્રિયા જગ્યાઓમાં ડેટા-કાર્યક્ષમ રિઇનફોર્સ્મેન્ટ લર્નિંગ (આરએલ) સંપૂર્ણપણે સ્વાયત્ત સિસ્ટમો વિકસાવવા માટે એક મુખ્ય પડકાર છે. અમે આ પડકારના ખાસ કરીને મહત્વપૂર્ણ ઉદાહરણને ધ્યાનમાં લઈએ છીએ, પિક્સેલ્સ-ટુ-ટૉર્કસ સમસ્યા, જ્યાં આરએલ એજન્ટ ફક્ત પિક્સેલ માહિતીમાંથી બંધ-લૂપ નિયંત્રણ નીતિ (torques) શીખે છે. અમે ડેટા-કાર્યક્ષમ, મોડેલ-આધારિત મજબૂતીકરણ શીખવાની અલ્ગોરિધમનો રજૂ કરીએ છીએ જે પિક્સેલ માહિતીથી સીધા જ આવા બંધ-લૂપ નીતિ શીખે છે. આ નીચા પરિમાણીય સુવિધા જગ્યામાં એક આગાહી મોડેલ સાથે છબીઓના નીચા પરિમાણીય લક્ષણ એમ્બેડિંગને શીખવા માટે એક ઊંડા ગતિશીલ મોડેલ છે. સંયુક્ત શિક્ષણ લાંબા ગાળાની આગાહીઓ માટે નિર્ણાયક છે, જે અનુકૂલનશીલ બિન-રેખીય મોડેલ આગાહી નિયંત્રણ વ્યૂહરચનાના કેન્દ્રમાં છે જેનો ઉપયોગ આપણે બંધ-લૂપ નિયંત્રણ માટે કરીએ છીએ. સતત સ્થિતિઓ અને ક્રિયાઓ માટે રાજ્ય-ઓફ-ધ-આર્ટ આરએલ પદ્ધતિઓની તુલનામાં, અમારી અભિગમ ઝડપથી શીખે છે, ઉચ્ચ-પરિમાણીય રાજ્ય જગ્યાઓ સુધી સ્કેલ કરે છે, હળવા વજન ધરાવે છે અને પિક્સેલ્સથી ટોર્ક સુધીના સંપૂર્ણ સ્વાયત્ત એન્ડ-ટુ-એન્ડ શિક્ષણ તરફ એક મહત્વપૂર્ણ પગલું છે. |
d06ae5effef2922e7ee24a4b0f8274486f0a6523 | સ્વયં સંચાલિત પ્રશ્નાવલિનો ઉપયોગ કરીને, 149 ઉત્તરદાતાઓએ તાજેતરમાં મુલાકાત લીધેલ સ્ટોર અથવા રેસ્ટોરન્ટ સાથે સંકળાયેલા સેવા તત્વોને સ્કેલ પર રેટ કર્યા હતા જે ફક્ત પ્રતિસાદ કેટેગરીની સંખ્યામાં (2 થી 11 સુધી) અને 101 પોઇન્ટ સ્કેલ પર અલગ ફોર્મેટમાં રજૂ કરવામાં આવે છે. વિશ્વસનીયતા, માન્યતા અને ભેદભાવ શક્તિના કેટલાક સૂચકાંકો પર, બે-પોઇન્ટ, ત્રણ-પોઇન્ટ અને ચાર-પોઇન્ટના સ્કેલ પ્રમાણમાં નબળા પ્રદર્શન કરે છે, અને વધુ પ્રતિભાવ કેટેગરીઝ સાથેના સ્કેલ માટે સૂચકાંકો નોંધપાત્ર રીતે વધારે છે, લગભગ 7 સુધી. આંતરિક સુસંગતતામાં ભીંગડાઓ વચ્ચે કોઈ નોંધપાત્ર તફાવત ન હતો, પરંતુ 10 થી વધુ પ્રતિભાવ કેટેગરીવાળા ભીંગડાઓ માટે ટેસ્ટ-રિટેસ્ટની વિશ્વસનીયતામાં ઘટાડો થયો હતો. ઉત્તરદાતાઓની પસંદગીઓ 10 પોઈન્ટ સ્કેલ માટે સૌથી વધુ હતી, ત્યારબાદ સાત પોઈન્ટ અને નવ પોઈન્ટ સ્કેલ દ્વારા નજીકથી અનુસરવામાં આવી હતી. સંશોધન અને વ્યવહાર માટેનાં પરિણામોની ચર્ચા કરવામાં આવી છે. |
bc93ff646e6f863d885e609db430716d7590338f | આજે જીપીએસ આધારિત કાર નેવિગેશન સિસ્ટમ્સ મુખ્યત્વે વાણી અને સરળ માર્ગ નકશાના હવાઈ દૃશ્યોનો ઉપયોગ ડ્રાઇવરોને તેમના લક્ષ્યસ્થાન તરફ માર્ગદર્શન આપવા માટે કરે છે. જો કે, ડ્રાઇવરોને સરળ 2D એરિયલ નકશાને વાસ્તવિક પર્યાવરણમાંથી મળેલી દ્રશ્ય છાપ સાથે જોડવામાં ઘણી વાર મુશ્કેલીઓનો અનુભવ થાય છે, જે સ્વાભાવિક રીતે ગ્રાઉન્ડ-લેવલ આધારિત છે. તેથી, જમીન સ્તર પર વાસ્તવિક રીતે ટેક્સચરવાળા 3D શહેરના મોડેલો પૂરા પાડવાથી આગામી ટ્રાફિક પરિસ્થિતિને પૂર્વ-વિઝ્યુઅલાઈઝ કરવા માટે ખૂબ ઉપયોગી સાબિત થાય છે. કારણ કે આ પૂર્વ-વિઝ્યુલાઇઝેશન ડ્રાઇવરના અપેક્ષિત ભાવિ દૃષ્ટિકોણથી રેન્ડર કરી શકાય છે, બાદમાં જરૂરી મનુવરને વધુ સરળતાથી સમજી શકશે. સર્વેક્ષણ વાહનો દ્વારા રેકોર્ડ કરેલી છબીઓમાંથી 3D શહેરના મોડેલોનું પુનઃનિર્માણ કરી શકાય છે. જો કે, આ વાહનો દ્વારા એકત્રિત કરવામાં આવેલી છબી સામગ્રીની વિશાળતા, દ્રષ્ટિ અલ્ગોરિધમ્સ પર તેમની વ્યવહારિક ઉપયોગિતાને સુનિશ્ચિત કરવા માટે ભારે માંગણીઓ કરે છે. એલ્ગોરિધમ્સ શક્ય તેટલી ઝડપી હોવી જોઈએ અને ભવિષ્યમાં વિતરણ અને વિઝ્યુલાઇઝેશનની સરળતા માટે કોમ્પેક્ટ, મેમરી કાર્યક્ષમ 3D શહેર મોડેલોમાં પરિણમવું જોઈએ. આ અરજી માટે, આ વિરોધાભાસી માગણીઓ નથી. સરળ ભૌમિતિક ધારણાઓ વિઝન અલ્ગોરિધમ્સને ઝડપી બનાવી શકે છે જ્યારે આપમેળે કોમ્પેક્ટ ભૌમિતિક મોડેલોની બાંયધરી આપે છે. અમે એક નવલકથા શહેર મોડેલિંગ માળખું રજૂ કરીએ છીએ જે આ ફિલસૂફી પર નિર્માણ કરે છે ઉચ્ચ ઝડપે 3D સામગ્રી બનાવવા માટે જે કાર નેવિગેશન મોડ્યુલો દ્વારા કોઈપણ કલ્પનાશીલ ટ્રાફિક પરિસ્થિતિની પૂર્વ-વિઝ્યુલાઇઝેશનને મંજૂરી આપી શકે છે. |
6dc245637d1d7335f50dbab0ee9d8463e7b35a49 | કન્ટેન્ટ બેઝ્ડ વિઝ્યુઅલ ઇન્ફોર્મેશન રિટ્રીવલ (સીબીવીઆઈઆર) માટે ઇન્ડેક્સીંગ અને વર્ગીકરણ સાધનો તબીબી છબી વિશ્લેષણના બ્રહ્માંડમાં પ્રવેશ કરી રહ્યા છે. તાજેતરમાં જ અલ્ઝાઇમર રોગ (એડી) ની તપાસ માટે તેમની તપાસ કરવામાં આવી છે. આ એક સામાન્ય "જ્ઞાન પ્રસાર" પ્રક્રિયા છે, જ્યારે મલ્ટીમીડિયા ખાણકામ માટે વિકસિત પદ્ધતિઓ નવા એપ્લિકેશન ક્ષેત્રમાં પ્રવેશ કરે છે. આમાં પોતાની વિશેષતા છે, જેને કારણે ક્ષેત્રના જ્ઞાનના આધારે પદ્ધતિઓને અનુકૂળ કરવાની જરૂર છે. આ કાગળમાં, અમે માળખાકીય મેગ્નેટિક રેઝોનન્સ છબીઓ (એમઆરઆઈ) માં એડી માન્યતા માટે સ્વચાલિત વર્ગીકરણ માળખું વિકસાવીએ છીએ. આ કામમાં મુખ્ય યોગદાન એ છે કે એડી (હિપોકેમ્પલ વિસ્તાર) માં સૌથી વધુ સંડોવાયેલા પ્રદેશમાંથી દ્રશ્ય લક્ષણોને ધ્યાનમાં લેવું અને ચોકસાઈના પરિણામોમાં વધારો કરવા માટે અંતમાં સંમિશ્રણનો ઉપયોગ કરવો. અમારી પદ્ધતિનું પ્રથમ મૂલ્યાંકન એલ્ઝાઇમર રોગ ન્યુરોઇમેજિંગ પહેલ (એડીએનઆઈ) ડેટાબેઝમાંથી 218 વ્યક્તિઓના બેઝલાઇન એમઆરઆઈ છબીઓ પર કરવામાં આવ્યું હતું અને ત્યારબાદ 3 ટી વજનવાળા કોન્ટ્રાસ્ટ એમઆરઆઈ પર પરીક્ષણ કરવામાં આવ્યું હતું જે એક મોટા ફ્રેન્ચ રોગચાળાના અભ્યાસના પેટા નમૂનામાંથી મેળવવામાં આવ્યું હતું: બોર્ડેક્સ ડેટાસેટ. પ્રાયોગિક પરિણામો દર્શાવે છે કે એડીએનઆઇ સબસેટ અને બોર્ડેક્સ ડેટાસેટ માટે અનુક્રમે એનસી (નોર્મલ કન્ટ્રોલ) વિષયોની સરખામણીમાં એડી સાથેના દર્દીઓની અમારી વર્ગીકરણ અનુક્રમે 87 અને 85 ટકાની ચોકસાઈ પ્રાપ્ત કરે છે. હળવા જ્ઞાનાત્મક ક્ષતિ (એમસીઆઇ) ધરાવતા વ્યક્તિઓના સૌથી પડકારરૂપ જૂથ માટે, અમે અનુક્રમે એમસીઆઇ વિરુદ્ધ એનસી અને એમસીઆઇ વિરુદ્ધ એડી માટે 78.22% અને 72.23% ની ચોકસાઈએ પહોંચીએ છીએ. અંતમાં ફ્યુઝન યોજના આ ત્રણ શ્રેણીઓ માટે સરેરાશ 9% દ્વારા વર્ગીકરણ પરિણામોમાં સુધારો કરે છે. પરિણામો એડીના ડાયગ્નોસ્ટિક્સની આધુનિક વોલ્યુમેટ્રિક પદ્ધતિઓની તુલનામાં ખૂબ આશાસ્પદ વર્ગીકરણ પ્રદર્શન અને સરળતા દર્શાવે છે. |
7d4c85662ca70abb26e37b2fc40a045fd0369f70 | સીએમ માઇક્રોગ્રિડ્સ સોલર ફોટોવોલ્ટેઇક્સ અને ફ્યુઅલ સેલ્સ જેવા નવીનીકરણીય ઉર્જા સ્ત્રોતોના સંકલનને કારણે લોકપ્રિય છે. આ સીસી પાવર જનરેટરના નીચા આઉટપુટ વોલ્ટેજને કારણે, સીસી માઇક્રોગ્રીડને કનેક્ટ કરવા માટે ઉચ્ચ કાર્યક્ષમ ઉચ્ચ ગેઇન સીસી-ડીસી કન્વર્ટરની જરૂર છે. આ કાગળમાં, વોલ્ટેજ મલ્ટીપ્લાયર સેલ અને/અથવા હાઇબ્રિડ સ્વિચ-કેપેસિટર તકનીકનો ઉપયોગ કર્યા વિના બિન-અલગ હાઇ ગેઇન ડીસી-ડીસી કન્વર્ટર સૂચવવામાં આવે છે. પ્રસ્તાવિત ટોપોલોજી બે બિન-અલગ ઇન્ડક્ટર્સનો ઉપયોગ કરે છે જે ડિસ્ચાર્જિંગ / ચાર્જિંગ મોડ દરમિયાન શ્રેણી / સમાંતરમાં જોડાયેલા છે. બે અલગ અલગ ડ્યુટી રેશિયો સાથેના સ્વીચનું સંચાલન એ કન્વર્ટરનો મુખ્ય ફાયદો છે, જે ભારે ડ્યુટી રેશિયોનો ઉપયોગ કર્યા વિના ઉચ્ચ વોલ્ટેજ ગેઇન પ્રાપ્ત કરે છે. બે અલગ અલગ ડ્યુટી રેશિયોનો ઉપયોગ કરીને પ્રસ્તાવિત કન્વર્ટરના સ્થિર સ્થિતિ વિશ્લેષણની વિગતવાર ચર્ચા કરવામાં આવી છે. વધુમાં, 100 W, 20/200 V પ્રોટોટાઇપ સર્કિટ હાઇ ગેઇન ડીસી-ડીસી કન્વર્ટર વિકસાવવામાં આવે છે, અને પ્રાયોગિક પરિણામોનો ઉપયોગ કરીને કામગીરીને માન્ય કરવામાં આવે છે. |
43afc11883fb147ac37b4dc40bf6e7fa5fccf341 | અમે કાર્યક્ષમ કર્નલોને સરળ બનાવવા માટે હેશિંગની દરખાસ્ત કરીએ છીએ. આ જનરેશન નમૂનાનો ઉપયોગ કરીને અગાઉના કાર્યને વિસ્તૃત કરે છે અને અમે ડેટા સ્ટ્રીમ્સ અને વિખરાયેલા લક્ષણ જગ્યાઓ માટે કર્નલ મેટ્રિક્સની ગણતરી કરવા માટે એક સિદ્ધાંતિય માર્ગ બતાવીએ છીએ. વધુમાં, અમે ચોક્કસ કેર્નેલ મેટ્રિક્સથી વિચલન સીમાઓ આપીએ છીએ. આ શબ્દમાળાઓ અને આલેખ પર અંદાજ માટે કાર્યક્રમો છે. |
bfcf14ae04a9a326f9263dcdd30e475334a96d39 | અસંતુલિત ડેટાસેટ્સમાંથી વર્ગીકરણના નિર્માણ માટેનો અભિગમ વર્ણવવામાં આવ્યો છે. ડેટાસેટ અસંતુલિત છે જો વર્ગીકરણ કેટેગરીઝ આશરે સમાન રીતે રજૂ કરવામાં ન આવે. ઘણી વખત વાસ્તવિક દુનિયાના ડેટા સેટ્સમાં મુખ્યત્વે "સામાન્ય" ઉદાહરણોનો સમાવેશ થાય છે, જેમાં માત્ર એક નાની ટકાવારી "અસામાન્ય" અથવા "રસપ્રદ" ઉદાહરણો છે. તે પણ કેસ છે કે અસામાન્ય (રસપ્રદ) ઉદાહરણને સામાન્ય ઉદાહરણ તરીકે વર્ગીકૃત કરવાની કિંમત ઘણીવાર રિવર્સ ભૂલથી ખર્ચ કરતા વધારે હોય છે. બહુમતી (સામાન્ય) વર્ગના અંડર-સૅમ્પલિંગને લઘુમતી વર્ગ માટે વર્ગીકૃતકર્તાની સંવેદનશીલતા વધારવા માટે એક સારા સાધન તરીકે પ્રસ્તાવિત કરવામાં આવ્યો છે. આ કાગળ બતાવે છે કે લઘુમતી (અસામાન્ય) વર્ગના ઓવર-સૅમ્પલિંગ અને બહુમતી (સામાન્ય) વર્ગના અંડર-સૅમ્પલિંગની અમારી પદ્ધતિનો સંયોજન માત્ર બહુમતી વર્ગના અંડર-સૅમ્પલિંગ કરતાં વધુ સારી વર્ગીકરણ પ્રદર્શન (આરઓસી જગ્યામાં) પ્રાપ્ત કરી શકે છે. આ કાગળ પણ બતાવે છે કે લઘુમતી વર્ગના ઓવર-નમૂનાકરણ અને બહુમતી વર્ગના અંડર-નમૂનાકરણની અમારી પદ્ધતિના સંયોજનથી રિપર અથવા નાઇવ બેયસમાં વર્ગના પ્રિયર્સમાં નુકશાન ગુણોત્તરને અલગ કરતા (આરઓસી જગ્યામાં) વધુ સારી વર્ગીકરણ કામગીરી પ્રાપ્ત કરી શકાય છે. લઘુમતી વર્ગના ઓવર-નમૂનાની અમારી પદ્ધતિમાં કૃત્રિમ લઘુમતી વર્ગના ઉદાહરણો બનાવવાની સમાવેશ થાય છે. પ્રયોગો C4.5, રિપર અને એક નિષ્પક્ષ બેયસ વર્ગીકરણકારનો ઉપયોગ કરીને કરવામાં આવે છે. આ પદ્ધતિનું મૂલ્યાંકન રીસીવર ઓપરેટિંગ કેરેક્ટિસ્ટિક કર્વ (એયુસી) અને આરઓસી ઉભું હલ વ્યૂહરચના હેઠળના વિસ્તારનો ઉપયોગ કરીને કરવામાં આવે છે. |
d920943892caa0bc9f300cb9e3b7f3ab250f78c9 | છેલ્લા કેટલાક વર્ષોમાં મોટા ડેટાના કાર્યક્રમો ઉભરી રહ્યા છે અને ઘણા શાખાઓના સંશોધકો આ પ્રકારની સમસ્યામાંથી જ્ઞાન કાઢવા સાથે સંકળાયેલા ઉચ્ચ લાભોથી પરિચિત છે. જો કે, સ્કેલેબિલિટી મુદ્દાઓને કારણે પરંપરાગત શિક્ષણ અભિગમોનો સીધો ઉપયોગ કરી શકાતો નથી. આ સમસ્યાને દૂર કરવા માટે, મેપરેડ્યુસ ફ્રેમવર્ક એક ડૅ ફેક્ટો ઉકેલ તરીકે ઊભરી આવ્યું છે. મૂળભૂત રીતે, તે કોમોડિટી હાર્ડવેર માટે અનુકૂળ થવા માટે ખામી-સહિષ્ણુ રીતે "વિભાજીત અને વિજય" વિતરણ પ્રક્રિયા કરે છે. હજી પણ એક નવી શિસ્ત હોવાને કારણે, મોટા ડેટા માટે અસંતુલિત વર્ગીકરણ પર થોડા સંશોધન કરવામાં આવ્યા છે. આ પાછળનાં કારણો મુખ્યત્વે મેપરેડ્યુસ પ્રોગ્રામિંગ શૈલીમાં માનક તકનીકોને અનુકૂળ કરવામાં મુશ્કેલીઓ છે. વધુમાં, અસંતુલિત ડેટાની આંતરિક સમસ્યાઓ, એટલે કે ડેટાની અછત અને નાના ડિઝંક્શન, મેપરેડ્યુસ પ્રોગ્રામિંગ શૈલીને ફિટ કરવા માટે ડેટા પાર્ટીશનિંગ દરમિયાન ઉચ્ચારવામાં આવે છે. આ કાગળ ત્રણ મુખ્ય સ્તંભો હેઠળ રચાયેલ છે. પ્રથમ, મોટા ડેટા સમસ્યાઓમાં અસંતુલિત વર્ગીકરણ માટે પ્રથમ પરિણામો રજૂ કરવા માટે, વર્તમાન બી રજૂ કરવા માટે આલ્બર્ટો ફર્નાન્ડીઝ [email protected] સારા ડેલ રિયો [email protected] નિતેશ વી. ચાવલા [email protected] ફ્રાન્સિસ્કો હેરારા [email protected] 1 કમ્પ્યુટર સાયન્સ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ વિભાગ, ગ્રેનાડા યુનિવર્સિટી, ગ્રેનાડા, સ્પેન 2 કમ્પ્યુટર સાયન્સ અને એન્જિનિયરિંગ વિભાગ, 384 ફિટ્ઝપેટ્રિક હોલ, યુનિવર્સિટી ઓફ નોટ્રે ડેમ, નોટ્રે ડેમ, IN 46556, યુએસએ 3 ઇન્ટરડિસિપ્લિનરી સેન્ટર ફોર નેટવર્ક સાયન્સ એન્ડ એપ્લીકેશન્સ, 384 ન્યુલેન્ડ હોલ ઓફ સાયન્સ, યુનિવર્સિટી ઓફ નોટ્રે ડેમ, નોટ્રે ડેમ, IN 46556, યુએસએ આ ક્ષેત્રમાં સંશોધન રાજ્ય. બીજું, આ ચોક્કસ માળખામાં પ્રમાણભૂત પૂર્વ-પ્રોસેસિંગ તકનીકોના વર્તનનું વિશ્લેષણ કરવું. છેલ્લે, આ કાર્ય દરમિયાન પ્રાપ્ત થયેલા પ્રાયોગિક પરિણામોને ધ્યાનમાં રાખીને, અમે આ વિષય માટે પડકારો અને ભાવિ દિશાઓ પર ચર્ચા કરીશું. |
cd1481e9cc0c86bcf3a44672f887522a95a174e8 | સ્માર્ટ રેલ મોબિલિટી ના નવા યુગમાં, ઇન્ફ્રાસ્ટ્રક્ચર, ટ્રેનો અને મુસાફરોને એકબીજા સાથે જોડવામાં આવશે જેથી શ્રેષ્ઠ ગતિશીલતા, વધુ સલામતી અને ઓછા ખર્ચ પ્રાપ્ત થઈ શકે. સીમલેસ હાઈ-ડેટા રેટ વાયરલેસ કનેક્ટિવિટીને સાકાર કરવા માટે, ડઝનેક ગીગાહર્ટ્ઝની બેન્ડવિડ્થની જરૂર છે, અને આ અંડરયુટિલિઝ્ડ મિલિમીટર વેવ (એમએમડબલ્યુ) તેમજ મોટા પ્રમાણમાં અસ્પષ્ટ ટેરાહર્ટ્ઝ (ટીએચઝેડ) બેન્ડની શોધખોળને પ્રોત્સાહન આપે છે. એમએમડબ્લ્યુ અને થર્ઝ બેન્ડ્સમાં સ્માર્ટ રેલ મોબિલિટીને સાકાર કરવા માટે, વાયરલેસ ચેનલોની સંપૂર્ણ સમજણ મેળવવી મહત્વપૂર્ણ છે. આ કાગળમાં, રેલવે વાયરલેસ ચેનલો પર સંશોધનના કલાના રાજ્ય અનુસાર, અમે મુખ્ય તકનીકી પડકારો અને સંદર્ભ દૃશ્ય મોડ્યુલો, ચોક્કસ અને કાર્યક્ષમ સિમ્યુલેશન પ્લેટફોર્મ, બીમ ફોર્મીંગ વ્યૂહરચનાઓ અને હેન્ડઓવર ડિઝાઇન સંબંધિત સંબંધિત તકને ઓળખીએ છીએ. |
6d1e97df31e9a4b0255243d86608c4b7f725133b | અમે ટાસ્ક અને મોશન પ્લાનિંગ (ટીએમપી) માટે એક નવો અલ્ગોરિધમનો રજૂ કરીએ છીએ અને સામાન્ય રીતે ટીએમપી માટે મજબૂત ઉકેલો મેળવવા માટે જરૂરી જરૂરિયાતો અને અમૂર્તતાઓની ચર્ચા કરીએ છીએ. અમારી પુનરાવર્તિત રીતે ઊંડાણવાળી કાર્ય અને ગતિ આયોજન (આઇડીટીએમપી) પદ્ધતિ સંભાવનાત્મક રીતે સંપૂર્ણ છે અને સમાન, રાજ્ય-ઓફ-ધ-આર્ટ, સંભાવનાત્મક રીતે સંપૂર્ણ આયોજકની તુલનામાં સુધારેલ પ્રદર્શન અને સામાન્યતા પ્રદાન કરે છે. IDTMPનો મુખ્ય વિચાર એ છે કે કાર્ય સ્તર પર ગતિની શક્યતા પર અસરકારક રીતે પ્રતિબંધો ઉમેરવા અને દૂર કરવા માટે વૃદ્ધિશીલ પ્રતિબંધ ઉકેલવાનો લાભ લેવો. અમે ભૌતિક મેનિપ્યુલેટર પર IDTMP ને માન્ય કરીએ છીએ અને ઘણા પદાર્થો અને લાંબા યોજનાઓ સાથેના દૃશ્યો પર સ્કેલેબિલિટીનું મૂલ્યાંકન કરીએ છીએ, બેંચમાર્ક પ્લાનરની તુલનામાં ઓર્ડર-ઓફ-મેગ્નિચ્યુડ લાભો અને અમારા એક્સ્ટેન્શન્સથી ચાર ગણી સ્વ-સમાનતા ઝડપ દર્શાવે છે. છેલ્લે, ટીએમપી માટે નવી પદ્ધતિ અને ભૌતિક રોબોટ પર તેના અમલીકરણનું વર્ણન કરવા ઉપરાંત, અમે ભવિષ્યમાં સમાન આયોજકોના વિકાસ માટે જરૂરિયાતો અને અમૂર્તતા પણ રજૂ કરી છે. |
04975368149e407c2105b76a7523e027661bd4f0 | એન્ક્રિપ્શનનો ઉદ્દેશ સંચાર અને સંગ્રહ પ્રક્રિયાઓમાં ડેટાની ગુપ્તતાની ખાતરી આપવાનો છે. તાજેતરમાં, પ્રતિબંધિત ઉપકરણોમાં તેનો ઉપયોગ વધારાની સુવિધાઓ ધ્યાનમાં લેવા માટે થયો, જેમ કે અવિશ્વસનીય કમ્પ્યુટર્સને ગણતરીઓ સોંપવાની ક્ષમતા. આ હેતુ માટે, અમે અવિશ્વસનીય કમ્પ્યુટરને પ્રક્રિયા કરવા માટે ડેટાના એન્ક્રિપ્ટેડ સંસ્કરણને જ આપવા માંગીએ છીએ. કોમ્પ્યુટર આ એન્ક્રિપ્ટેડ ડેટા પર ગણતરી કરશે, તેથી તેના વાસ્તવિક મૂલ્ય વિશે કંઇ જાણ્યા વિના. છેલ્લે, તે પરિણામ પાછા મોકલશે, અને અમે તેને ડિક્રિપ્ટ કરીશું. સુસંગતતા માટે, ડિક્રિપ્ટેડ પરિણામ ઇચ્છિત ગણતરી મૂલ્ય જેટલું જ હોવું જોઈએ જો મૂળ ડેટા પર કરવામાં આવે. આ કારણોસર, એન્ક્રિપ્શન યોજનાને ચોક્કસ માળખું રજૂ કરવું પડશે. રિવસ્ટ અને અન્ય 1978 માં હોમોમોર્ફિક એન્ક્રિપ્શન દ્વારા આ સમસ્યાને ઉકેલવા માટે દરખાસ્ત કરવામાં આવી હતી. દુર્ભાગ્યવશ, બ્રિકલ અને યાકોબીએ [2] રિવસ્ટ અને અન્યના પ્રથમ દરખાસ્તોમાં કેટલીક સુરક્ષા ભૂલો પર ધ્યાન દોર્યું હતું. આ પ્રથમ પ્રયાસ પછી, ઘણા લેખોએ અસંખ્ય એપ્લિકેશન સંદર્ભો માટે સમર્પિત ઉકેલો પ્રસ્તાવિત કર્યા છેઃ ગુપ્ત વહેંચણી યોજનાઓ, થ્રેશોલ્ડ યોજનાઓ (જુઓ, ઉદાહરણ તરીકે, [3]), શૂન્ય-જ્ knowledgeાન પુરાવા (જુઓ, ઉદાહરણ તરીકે, [4]), અજાણ્યા સ્થાનાંતરણ (જુઓ, ઉદાહરણ તરીકે, [5]), પ્રતિબદ્ધતા યોજનાઓ (જુઓ, ઉદાહરણ તરીકે, [3]), અનામી, ગોપનીયતા, ઇલેક્ટ્રોનિક મતદાન, ઇલેક્ટ્રોનિક હરાજી, લોટરી પ્રોટોકોલ (જુઓ, ઉદાહરણ તરીકે, [6]), મોબાઇલ એજન્ટોનું રક્ષણ (જુઓ, ઉદાહરણ તરીકે, [7]), મલ્ટિપાર્ટી કમ્પ્યુટિંગ (જુઓ, ઉદાહરણ તરીકે, [3]), મિશ્રણ-નેટ (જુઓ, ઉદાહરણ તરીકે, [8, 9]), વોટરમાર્કિંગ અથવા ફિંગર પ્રિન્ટિંગ પ્રોટોકોલ (જુઓ, ઉદાહરણ તરીકે, [10-14]), અને તેથી આગળ. આ લેખનો ઉદ્દેશ બિન-વિશેષજ્ઞોને હોમોમોર્ફિક એન્ક્રિપ્શન તકનીકોનો સર્વેક્ષણ પૂરો પાડવાનો છે. વિભાગ 2 ક્રિપ્ટોગ્રાફીના કેટલાક મૂળભૂત ખ્યાલોને યાદ કરે છે અને હોમોમોર્ફિક એન્ક્રિપ્શન રજૂ કરે છે; તે ખાસ કરીને બિન-ક્રિપ્ટોગ્રાફરોને ધ્યાનમાં રાખીને, એન્ક્રિપ્શન પ્રિમિટિવ્સની મુખ્ય લાક્ષણિકતાઓ વિશે માર્ગદર્શિકા પૂરી પાડે છેઃ અલ્ગોરિધમ્સ, પ્રદર્શન, સુરક્ષા. વિભાગ ૩માં અત્યાર સુધી પ્રકાશિત થયેલી હોમોમોર્ફિક એન્ક્રિપ્શન યોજનાઓનો એક સર્વેક્ષણ આપવામાં આવ્યો છે અને તેમની લાક્ષણિકતાઓનું વિશ્લેષણ કરવામાં આવ્યું છે. અમે જે યોજનાઓ વર્ણવીએ છીએ તેમાંની મોટાભાગની ગાણિતિક ખ્યાલો પર આધારિત છે, જે વાચકને પરિચિત નથી. જ્યાં આ ખ્યાલો સરળતાથી રજૂ કરી શકાય છે, અમે તેમને સંક્ષિપ્તમાં રજૂ કરીએ છીએ. વાચક [15] નો સંદર્ભ લઈ શકે છે, જેમને આપણે યોગ્ય રીતે રજૂ કરી શક્યા નથી, અથવા તેમની ગણતરી સાથે સંબંધિત અલ્ગોરિધમિક સમસ્યાઓ. આ વિષયમાં ઊંડાણપૂર્વક જવા પહેલાં, ચાલો આપણે કેટલાક સંકેતો રજૂ કરીએ. પૂર્ણાંક (x) x ના દ્વિસંગી વિસ્તરણને રચતા બિટ્સની સંખ્યાને દર્શાવે છે. સામાન્ય રીતે, Zn એ પૂર્ણાંકોના સમૂહને મોડ્યુલો n અને Zn તેના ઉલટાવી શકાય તેવા તત્વોના સમૂહને સૂચવશે. |
1c1c40927787c40ffe0db9629ede6828ecf09e65 | અમે મિલિમીટર તરંગલંબાઇ પર ફિનલાઇન ઓર્થોમોડ ટ્રાન્સડ્યુસર (ઓએમટી) નો ઉપયોગ કરવાની શક્યતાનું મૂલ્યાંકન કરીએ છીએ. ફિનલાઇન ઓએમટીમાં ઓછા નુકશાન, ઓછા ક્રોસ-પોલરાઇઝેશન અને સંપૂર્ણ વેવગાઇડ બેન્ડ પર સારા વળતર નુકશાન હોય છે. અમે મિલીમીટર તરંગલંબાઇ માટે એક નવલકથા ફિનેલાઇન ઓએમટી માળખું પ્રસ્તાવિત કરીએ છીએ અને એક્સ-બેન્ડ પર પરિણામો રજૂ કરીએ છીએ. |
88323e38f676a31ed613dad604829808ff96f714 | એક નવલકથા બ્રોડબેન્ડ ઇલેક્ટ્રોમેગ્નેટિક બેન્ડ-ગેપ (ઇબીજી) માળખું વિવિધ પેચ કદના કાસ્કેડ સાથે મલ્ટી-પિરિયડ મશરૂમ જેવી રચનાનો ઉપયોગ કરીને રજૂ કરવામાં આવે છે. સીધા પ્રસારણ પદ્ધતિનો ઉપયોગ EBG માળખાના બેન્ડ-ગેપને નક્કી કરવા માટે થાય છે. મશરૂમ જેવી ઇબીજી માળખા પર એકમ સંખ્યા અને પેચ કદની અસરોની તપાસ કરવામાં આવે છે. બે પ્રકારના એકમ અલગ અલગ પેચ કદ સાથે ઇબીજી માળખાના બેન્ડ-ગેપને વધારવા માટે કાસ્કેડ કરવામાં આવે છે, જે લગભગ 87.1% પ્રાપ્ત કરે છે. સિમ્યુલેશનના પરિણામો દર્શાવે છે કે બેન્ડ-ગેપ લગભગ બે સમાન રૂપરેખાંકનો દ્વારા ઉત્પાદિત સ્ટોપ-બેન્ડને આવરી લે છે, જેમાં અનુક્રમે અલગ અલગ પેચ કદ છે. |
03b18dcde7ba5bb0e87b2bdb68ab7af951daf162 | મશીન અનુવાદ માટે ન્યુરલ મશીન અનુવાદ, જે તાજેતરમાં પ્રસ્તાવિત અભિગમ છે, જે સંપૂર્ણપણે ન્યુરલ નેટવર્ક્સ પર આધારિત છે, જેમ કે શબ્દસમૂહ આધારિત આંકડાકીય મશીન અનુવાદ જેવા હાલના અભિગમોની તુલનામાં આશાસ્પદ પરિણામો દર્શાવ્યા છે. તાજેતરમાં સફળતા છતાં, ન્યુરલ મશીન ટ્રાન્સલેશનની મોટી શબ્દભંડોળને સંભાળવામાં તેની મર્યાદા છે, કારણ કે તાલીમ જટિલતા તેમજ ડીકોડિંગ જટિલતા લક્ષ્ય શબ્દોની સંખ્યાના પ્રમાણમાં વધે છે. આ કાગળમાં, અમે મહત્વના નમૂના પર આધારિત એક પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ જે અમને તાલીમ જટિલતામાં વધારો કર્યા વિના ખૂબ મોટી લક્ષ્ય શબ્દભંડોળનો ઉપયોગ કરવાની મંજૂરી આપે છે. અમે બતાવીએ છીએ કે ડીકોડિંગ કાર્યક્ષમ રીતે કરી શકાય છે, મોડેલ સાથે પણ ખૂબ મોટી લક્ષ્ય શબ્દભંડોળ છે, સમગ્ર લક્ષ્ય શબ્દભંડોળના માત્ર એક નાના સબસેટને પસંદ કરીને. પ્રસ્તાવિત અભિગમ દ્વારા પ્રશિક્ષિત મોડેલોને અનુરૂપ હોવાનું જણાય છે, અને કેટલાક કિસ્સાઓમાં, નાના શબ્દભંડોળ સાથે બેઝલાઇન મોડેલો તેમજ એલએસટીએમ-આધારિત ન્યુરલ મશીન અનુવાદ મોડેલો કરતાં વધુ સારી કામગીરી કરે છે. વધુમાં, જ્યારે આપણે ખૂબ જ મોટા લક્ષ્ય શબ્દભંડોળ સાથે થોડા મોડેલોનો ઉપયોગ કરીએ છીએ, ત્યારે અમે ડબલ્યુએમટી14 ના અંગ્રેજી→જર્મન અને અંગ્રેજી→ફ્રેન્ચ અનુવાદ કાર્યો બંને પર કલાની સ્થિતિ (બ્લ્યુઇયુ દ્વારા માપવામાં આવે છે) સાથે તુલનાત્મક કામગીરી પ્રાપ્ત કરીએ છીએ. |
f7b48b0028a9887f85fe857b62441f391560ef6d | બે પરિમાણીય સિલિન્ડ્રિક લ્યુનેબર્ગ લેન્સની નવી ડિઝાઇન રજૂ કરવામાં આવી છે, જે સમાંતર પ્લેટો વચ્ચે TE10 મોડ પ્રચાર પર આધારિત છે, જેમાં ઉત્પાદન સરળતા પર વિશેષ ધ્યાન કેન્દ્રિત કરવામાં આવ્યું છે. લ્યુનેબર્ગના કાયદાને અનુરૂપ સમાંતર પ્લેટો આંશિક રીતે ઓછી કિંમતની પોલિમર સામગ્રી (રેક્સોલાઇટ ઇપ્સિવર = 2.54) સાથે ભરેલી છે. લ્યુનબર્ગ લેન્સની ધાર પર સમાંતર પ્લેટો વચ્ચેના હવાઈ વિસ્તારમાં એક સપાટ રેખીય કોણીય સ્લોટ એન્ટેના (એલટીએસએ) ફીડ એન્ટેના તરીકે દાખલ કરવામાં આવે છે, એન્ટેના સિસ્ટમના પ્રદર્શનને ઑપ્ટિમાઇઝ કરવા માટે લ્યુનબર્ગ લેન્સના કેન્દ્રીય બિંદુ પર દંડ સ્થિતિ સાથે. સિસ્ટમની રેડિયેશન પેટર્ન મેળવવા માટે સંયુક્ત રે-ઓપ્ટિક્સ/ડિફ્રેક્શન પદ્ધતિનો ઉપયોગ કરવામાં આવે છે અને પરિણામોની સરખામણી સમયના ડોમેન સંખ્યાત્મક સોલ્વર સાથે કરવામાં આવે છે. 30 ગીગાહર્ટ્ઝ પર કામ કરવા માટે રચાયેલ 10 સે. મી. લ્યુનબર્ગ લેન્સ પર કરવામાં આવેલા માપદંડો આગાહીઓ સાથે ખૂબ સારી રીતે સંમત થાય છે. આ પ્રોટોટાઇપ માટે, 3-ડીબી ઇ- અને ઇફ-પ્લેન બીમવિડ્થ અનુક્રમે 6.6 ડિગ્રી અને 54 ડિગ્રી પ્રાપ્ત થઈ હતી, અને ઇ-પ્લેનમાં સાઇડલોબ સ્તર -17.7-ડીબી હતું. જો કે TE10 મોડની વિખેરી નાખવાની લાક્ષણિકતાઓના કારણે સમાંતર પ્લેટ રૂપરેખાંકન એક સાંકડી બેન્ડ ડિઝાઇન તરફ દોરી જાય છે, માપન પરિણામો બ્રોડબેન્ડ લાક્ષણિકતાઓ દર્શાવે છે, જે રેડિયેશન કાર્યક્ષમતા 26.5-37 ગીગાહર્ટ્ઝના પરીક્ષણ કરેલ ફ્રીક્વન્સી બેન્ડ પર 43% અને 72% વચ્ચે બદલાય છે. આ ડિઝાઇન કરવામાં આવેલ સિલિન્ડ્રિક લ્યુનબર્ગ લેન્સનો ઉપયોગ લેન્સની પેરિફેરિયા પર સપાટ LTSA તત્વોની આર્ક એરેને અમલમાં મૂકીને બહુવિધ બીમ લોન્ચ કરવા માટે થઈ શકે છે, અને તેને સરળતાથી ઉચ્ચ એમએમ-વેવ ફ્રીક્વન્સીઝ સુધી વિસ્તૃત કરી શકાય છે. |
2881b79ff142496c27d9558361e48f105208dec4 | એક્શન રિસર્ચ એ એક સ્થાપિત સંશોધન પદ્ધતિ છે જેનો ઉપયોગ વીસમી સદીના મધ્યભાગથી સામાજિક અને તબીબી વિજ્ઞાનમાં કરવામાં આવે છે, અને 1990 ના દાયકાના અંતમાં માહિતી પ્રણાલીઓ માટે મહત્વમાં વધારો થયો છે. તેના ખાસ દાર્શનિક સંદર્ભમાં મજબૂત પોસ્ટ-પોઝિટિવિસ્ટ ધારણાઓ જેવી કે ઇડિઓગ્રાફિક અને અર્થઘટન સંશોધન આદર્શો છે. એક્શન રિસર્ચમાં માહિતી પ્રણાલીઓમાં એક ઇતિહાસ વિકસિત થયો છે જે લેવિન અને ટેવિસ્ટૉક ઇન્સ્ટિટ્યૂટ દ્વારા પ્રારંભિક કાર્ય સાથે સ્પષ્ટ રીતે જોડાયેલો છે. ક્રિયા સંશોધન સ્વરૂપમાં અલગ અલગ હોય છે, અને ચોક્કસ સમસ્યાના ક્ષેત્રોને પ્રતિસાદ આપે છે. સૌથી સામાન્ય સ્વરૂપ પાંચ-પગલાના મોડેલ પર આધારિત સહભાગી પદ્ધતિ છે, જે પ્રકાશિત આઇએસ સંશોધન દ્વારા ઉદાહરણ આપવામાં આવે છે. |
ee42bceb15d28ce0c7fcd3e37d9a564dfbb3ab90 | |
443362dc552b36c33138c415408d307213ddfa36 | |
6fb37cbc83bd6cd1d732f07288939a5061400e91 | આ કાગળમાં, અમે ડિસફ્લુએન્સી શોધના કાર્ય માટે શરતી રેન્ડમ ફીલ્ડ સાથે દ્વિપક્ષીય લાંબા ટૂંકા ગાળાના મેમરીનો ઉપયોગ કરીએ છીએ. લાંબા અંતરની નિર્ભરતા ડિસ્ફ્લુએન્સી શોધ માટે મુખ્ય સમસ્યાઓમાંની એક છે. અમારું મોડેલ લાંબા ગાળાની ટૂંકા ગાળાની મેમરી અને હાથથી બનાવેલ વિશિષ્ટ સુવિધાઓનો ઉપયોગ કરીને લાંબા અંતરની નિર્ભરતાઓને સંભાળે છે. પ્રયોગો દર્શાવે છે કે હાથથી બનાવેલા વિભિન્ન લક્ષણોનો ઉપયોગ કરીને સ્વિચબોર્ડ કોર્પસ પર 87.1% ની સ્ટેટ-ઓફ-ધ-આર્ટ સ્કોર પ્રાપ્ત કરીને મોડેલની કામગીરીમાં નોંધપાત્ર સુધારો થાય છે. |
fb17e9cab49665863f360d5f9e61e6048a7e1b28 | ગ્રાહક ઊંડાઈ કેમેરા દ્વારા કેપ્ચર કરેલા કાચા ઊંડાઈની છબીઓ ઘોંઘાટીયા અને ગુમ મૂલ્યોથી પીડાય છે. રંગીન છબી પુનઃસ્થાપના પર સી.એન.એન. આધારિત છબી પ્રક્રિયાની સફળતા હોવા છતાં, ઊંડાઈ વધારવા માટે સમાન અભિગમોને હજી સુધી કાચા-સ્વચ્છ જોડી ડેટાસેટના અભાવને કારણે ખૂબ સંબોધવામાં આવ્યા નથી. આ કાગળમાં, અમે નીચી ગુણવત્તાની જોડીઓને દૂર કરવા માટે ફિલ્ટરિંગ પદ્ધતિ સાથે ગાઢ 3D સપાટી પુનઃનિર્માણનો ઉપયોગ કરીને જોડીની ઊંડાઈની છબી ડેટાસેટ જનરેશન પદ્ધતિનો પ્રસ્તાવ કરીએ છીએ. અમે મલ્ટીસ્કેલ લેપ્લેશિયન પિરામિડ આધારિત ન્યુરલ નેટવર્ક અને માળખું પણ રજૂ કરીએ છીએ જે નુકશાન કાર્યોને જાળવી રાખે છે જેથી ક્રમિક રીતે ઘોંઘાટ અને છિદ્રોને કાચોથી દંડ પાયે ઘટાડે. પ્રાયોગિક પરિણામો દર્શાવે છે કે અમારા જોડી ડેટા સેટ સાથે પ્રશિક્ષિત અમારું નેટવર્ક ઇનપુટ ઊંડાઈની છબીઓને ઊંડાઈના પ્રવાહોમાંથી મેળવેલ 3D પુનઃનિર્માણ સાથે તુલનાત્મક બનવા માટે સુધારી શકે છે, અને ગાઢ 3D પુનઃનિર્માણ પરિણામોના સંકલનને વેગ આપી શકે છે. |
40de599b11b1553649354991cdf849048cb05f00 | ખર્ચ-સંવેદનશીલ વર્ગીકરણ અને ઓનલાઇન શિક્ષણ બંનેનો વ્યાપકપણે અનુક્રમે ડેટા માઇનિંગ અને મશીન લર્નિંગ સમુદાયોમાં અભ્યાસ કરવામાં આવ્યો છે. જો કે, ખૂબ જ મર્યાદિત અભ્યાસ એક મહત્વપૂર્ણ આંતરછેદ સમસ્યાને સંબોધિત કરે છે, એટલે કે, "કિંમત-સંવેદનશીલ ઓનલાઇન વર્ગીકરણ". આ કાગળમાં, અમે આ સમસ્યાનો ઔપચારિક અભ્યાસ કરીએ છીએ, અને ઓનલાઇન ગ્રેડિએન્ટ ઉતરતા તકનીકોનો ઉપયોગ કરીને ખર્ચ-સંવેદનશીલ માપદંડોને સીધી રીતે ઑપ્ટિમાઇઝ કરીને ખર્ચ-સંવેદનશીલ ઓનલાઇન વર્ગીકરણ માટે એક નવી માળખું પ્રસ્તાવિત કરીએ છીએ. ખાસ કરીને, અમે બે નવલકથા ખર્ચ-સંવેદનશીલ ઓનલાઇન વર્ગીકરણ અલ્ગોરિધમ્સ પ્રસ્તાવિત કરીએ છીએ, જે બે જાણીતા ખર્ચ-સંવેદનશીલ માપદંડોને સીધા જ ઑપ્ટિમાઇઝ કરવા માટે રચાયેલ છેઃ (i) સંવેદનશીલતા અને વિશિષ્ટતાના વજનવાળા સરવાળોને મહત્તમ બનાવવું, અને (ii) વજનવાળા ખોટા વર્ગીકરણ ખર્ચને ઘટાડવું. અમે પ્રસ્તાવિત અલ્ગોરિધમ્સ દ્વારા કરવામાં આવેલા ખર્ચ-સંવેદનશીલ માપદંડોની સૈદ્ધાંતિક મર્યાદાઓનું વિશ્લેષણ કરીએ છીએ, અને વિવિધ ખર્ચ-સંવેદનશીલ ઓનલાઇન વર્ગીકરણ કાર્યો પર તેમના પ્રયોગમૂલક પ્રદર્શનની વ્યાપકપણે તપાસ કરીએ છીએ. છેલ્લે, અમે ઑનલાઇન અસાધારણતા શોધના કેટલાક કાર્યોને ઉકેલવા માટે પ્રસ્તાવિત તકનીકનો ઉપયોગ દર્શાવીએ છીએ, જે દર્શાવે છે કે પ્રસ્તાવિત તકનીક વિવિધ એપ્લિકેશન ડોમેન્સમાં ખર્ચ-સંવેદનશીલ ઑનલાઇન વર્ગીકરણ કાર્યોને સંબોધવા માટે અત્યંત કાર્યક્ષમ અને અસરકારક સાધન બની શકે છે. |
2b7c330e7b3fbe96ea6f5342eae17d90095026cc | |
1bd1b7344044e8cc068a77b439fca011120c4bc3 | સલામતી માટે મહત્વપૂર્ણ એપ્લિકેશન્સ, જેમ કે સ્વાયત્ત ડ્રાઇવિંગ અને ફ્લાઇટ કંટ્રોલ માટે ઊંડા ન્યુરલ નેટવર્ક્સનો વધતો ઉપયોગ, તેમની સલામતી અને વિશ્વસનીયતા વિશે ચિંતા ઉભી કરે છે. ઔપચારિક ચકાસણી આ ચિંતાઓનો ઉકેલ લાવી શકે છે, ખાતરી આપીને કે ઊંડા શિક્ષણ સિસ્ટમ હેતુસર કાર્ય કરે છે, પરંતુ રાજ્યની આર્ટ નાની સિસ્ટમો સુધી મર્યાદિત છે. આ વર્ક-ઇન-પ્રોગ્રેસ રિપોર્ટમાં અમે આ મુશ્કેલીને ઘટાડવા માટે અમારા કાર્યની ઝાંખી આપી છે, બે પૂરક દિશાઓને અનુસરીનેઃ સ્કેલેબલ ચકાસણી તકનીકોની રચના કરવી, અને ડિઝાઇન પસંદગીઓની ઓળખ કરવી જેના પરિણામે ઊંડા શિક્ષણ સિસ્ટમ્સ જે ચકાસણી માટે વધુ સંવેદનશીલ હોય છે. એસીએમ સંદર્ભ ફોર્મેટઃ લિન્ડસી કુપર, ગાય કટ્ઝ, જસ્ટિન ગોટ્સચલિચ, કૈલ જુલિયન, ક્લાર્ક બેરેટ અને માઇકલ જે. કોચેન્ડરફર. ૨૦૧૮માં સલામતી માટે મહત્વપૂર્ણ ઊંડા નેટવર્ક માટે સ્કેલેબલ વેરિફિકેશન તરફ SysML કોન્ફરન્સ (SysML) ની કાર્યવાહીમાં એસીએમ, ન્યૂ યોર્ક, એનવાય, યુએસએ, 3 પાના. |
6abe5eda71c3947013c59bbae700402813a1bc7f | તાજેતરમાં નોએસક્યુએલ ડેટાબેઝ અને તેની સંબંધિત ટેકનોલોજીઓ ઝડપથી વિકાસ પામી રહી છે અને તેના બેઝ (મૂળભૂત ઉપલબ્ધતા, સોફ્ટ સ્ટેટ, અંતિમ સુસંગતતા) સુવિધાઓ સાથે ઘણા દૃશ્યોમાં વ્યાપકપણે લાગુ કરવામાં આવે છે. હાલમાં, 225 થી વધુ પ્રકારના NoSQL ડેટાબેઝ છે. જો કે, ડેટાબેઝની વિશાળ સંખ્યા અને સતત અપડેટ થતી આવૃત્તિઓ લોકો માટે તેમની કામગીરીની તુલના કરવા અને યોગ્ય એક પસંદ કરવાનું પડકારરૂપ બનાવે છે. આ કાગળ માપન સાધન - વાયસીએસબી (યાહૂ! ક્લાઉડ સર્વિંગ બેંચમાર્ક), દરેક ડેટાબેઝના ડેટા મોડેલ અને મિકેનિઝમનું વિશ્લેષણ કરીને પ્રાયોગિક પરિણામો સમજાવે છે, અને NoSQL વિકાસકર્તાઓ અને વપરાશકર્તાઓને સલાહ આપે છે. |
39424070108220c600f67fa2dbd25f779a9fdb7a | કમ્પ્યુટર પ્રોગ્રામ દ્વારા લેખને આપમેળે જનરેટ કરવું એ કૃત્રિમ બુદ્ધિ અને કુદરતી ભાષા પ્રક્રિયામાં એક પડકારરૂપ કાર્ય છે. આ કાગળમાં, અમે નિબંધ પેદા કરવા પર ધ્યાન કેન્દ્રિત કરીએ છીએ, જે વિષયના શબ્દને ધ્યાનમાં રાખીને ઇનપુટ તરીકે લે છે અને વિષયની થીમ હેઠળ સંગઠિત લેખ પેદા કરે છે. અમે ટેક્સ્ટ પ્લાનિંગ (રાઈટર અને ડેલ, 1997) ના વિચારને અનુસરીએ છીએ અને નિબંધ પેદા કરવાની માળખું વિકસાવીએ છીએ. આ માળખામાં ત્રણ ઘટકોનો સમાવેશ થાય છે, જેમાં વિષય સમજણ, વાક્ય નિષ્કર્ષણ અને વાક્ય પુનઃક્રમાંકનનો સમાવેશ થાય છે. દરેક ઘટક માટે, અમે કેટલાક આંકડાકીય અલ્ગોરિધમ્સનો અભ્યાસ કર્યો અને ગુણાત્મક અથવા જથ્થાત્મક વિશ્લેષણના સંદર્ભમાં તેમની વચ્ચે પ્રયોગાત્મક રીતે સરખામણી કરી. અમે ચાઇનીઝ કોરપસ પર પ્રયોગો કરીએ છીએ, પરંતુ આ પદ્ધતિ ભાષા સ્વતંત્ર છે અને તેને અન્ય ભાષાઓમાં સરળતાથી અપનાવી શકાય છે. અમે બાકી પડકારોની રૂપરેખા આપીએ છીએ અને ભવિષ્યના સંશોધન માટે માર્ગો સૂચવીએ છીએ. |
e25221b4c472c4337383341f6b2c9375e86709af | |
e9c9da57bbf9a968489cb90ec7252319bcab42fb | મિનીબેચ સ્ટોકાસ્ટિક ગ્રૅડિયન્ટ વંશ સાથે એક જ GPU પર ફિટ થતા કન્વોલ્યુશનલ નેટવર્ક્સ (સીએનએન) નું તાલીમ વ્યવહારમાં અસરકારક બની ગયું છે. જો કે, હજુ પણ મોટા નેટવર્કને તાલીમ આપવા માટે કોઈ અસરકારક પદ્ધતિ નથી કે જે થોડા જીપીયુ કાર્ડ્સની મેમરીમાં ફિટ ન થાય, અથવા સીએનએન તાલીમ સમાંતર કરવા માટે. આ કાર્યમાં અમે બતાવીએ છીએ કે નિષ્ણાતોના સરળ હાર્ડ મિશ્રણ મોડેલને મોટા પાયે હેશટેગ (મલ્ટીલેબલ) આગાહી કાર્યો પર સારી અસર માટે અસરકારક રીતે તાલીમ આપી શકાય છે. નિષ્ણાતોના મિશ્રણ મોડેલો નવા નથી [7, 3], પરંતુ ભૂતકાળમાં, સંશોધકોએ ડેટા વિભાજન સાથે વ્યવહાર કરવા માટે સુસંસ્કૃત પદ્ધતિઓ વિકસાવવી પડી હતી. અમે પ્રયોગાત્મક રીતે બતાવીએ છીએ કે આધુનિક નબળી દેખરેખવાળા ડેટા સેટ્સ સાદા પાર્ટીશનિંગ યોજનાઓને ટેકો આપવા માટે પૂરતા પ્રમાણમાં છે જ્યાં દરેક ડેટા પોઇન્ટને એક નિષ્ણાતને સોંપવામાં આવે છે. કારણ કે નિષ્ણાતો સ્વતંત્ર છે, તેમને સમાંતર તાલીમ સરળ છે, અને આકારણી મોડેલના કદ માટે સસ્તી છે. વધુમાં, અમે બતાવીએ છીએ કે અમે બધા નિષ્ણાતો માટે એક ડીકોડિંગ સ્તરનો ઉપયોગ કરી શકીએ છીએ, એકીકૃત સુવિધા એમ્બેડિંગ જગ્યાને મંજૂરી આપી શકીએ છીએ. અમે દર્શાવ્યું છે કે તે શક્ય છે (અને હકીકતમાં પ્રમાણમાં પીડારહીત) પ્રમાણભૂત સીએનએન આર્કિટેક્ચર્સ સાથે વ્યવહારિક રીતે તાલીમ આપી શકાય તે કરતાં મોટા મોડેલોને તાલીમ આપવા માટે, અને તે વધારાની ક્ષમતા વર્તમાન ડેટાસેટ્સ પર સારી રીતે ઉપયોગમાં લઈ શકાય છે. |
0ec33f27de8350470935ec5bf9d198eceaf63904 | અમે લોકલ નાઇવ બેયસ નેનસ્ટ નેબર રજૂ કરીએ છીએ, જે એનબીએનએન ઇમેજ વર્ગીકરણ અલ્ગોરિધમનોમાં સુધારો છે જે વર્ગીકરણ ચોકસાઈમાં વધારો કરે છે અને મોટી સંખ્યામાં ઑબ્જેક્ટ વર્ગોમાં સ્કેલ કરવાની ક્ષમતામાં સુધારો કરે છે. મુખ્ય નિરીક્ષણ એ છે કે વર્ણનકર્તાના સ્થાનિક પડોશમાં રજૂ થયેલા વર્ગો માત્ર તેમના અનુગામી સંભાવનાના અંદાજોમાં નોંધપાત્ર અને વિશ્વસનીય રીતે ફાળો આપે છે. દરેક વર્ગના તાલીમ વર્ણનકારો માટે અલગ શોધ માળખું જાળવવાને બદલે, અમે બધા સંદર્ભ ડેટાને એક શોધ માળખામાં ભેગા કરીએ છીએ, જે વર્ણનકર્તાના સ્થાનિક પડોશીની ઝડપી ઓળખની મંજૂરી આપે છે. જ્યારે આપણે વધુ દૂરના વર્ગોમાં ગોઠવણોને અવગણીએ છીએ ત્યારે વર્ગીકરણની ચોકસાઈમાં વધારો બતાવીએ છીએ અને બતાવીએ છીએ કે મૂળની જેમ વર્ગોની સંખ્યામાં રેખીય રીતે નહીં, વર્ગોની સંખ્યાના લોગ સાથે રન ટાઇમ વધે છે. સ્થાનિક એનબીએનએન કેલ્ટેક 256 ડેટાસેટ પર મૂળ એનબીએનએન પર 100 ગણો ઝડપ આપે છે. અમે સામાન્ય ઇનપુટ સુવિધાઓના સમૂહનો ઉપયોગ કરીને અવકાશી પિરામિડ પદ્ધતિઓ સામે એનબીએનએનની પ્રથમ હેડ-ટુ-હેડ સરખામણી પણ પ્રદાન કરીએ છીએ. અમે બતાવીએ છીએ કે સ્થાનિક એનબીએનએન અગાઉની તમામ એનબીએનએન આધારિત પદ્ધતિઓ અને મૂળ અવકાશી પિરામિડ મોડેલને વટાવી દે છે. જો કે, અમે શોધીએ છીએ કે સ્થાનિક એનબીએનએન, જ્યારે સ્પર્ધાત્મક છે, તે રાજ્ય-ઓફ-ધ-આર્ટ અવકાશી પિરામિડ પદ્ધતિઓનો ઉપયોગ કરે છે જે સ્થાનિક સોફ્ટ સોંપણી અને મેક્સ-પૂલિંગનો ઉપયોગ કરે છે. |
68603a9372f4e9194ab09c4e585e3150b4025e97 | સ્ત્રી પેટર્ન વાળ ખરવા અથવા સ્ત્રી એન્ડ્રોજેનેટિક એલોપેસીયા પુખ્ત સ્ત્રીઓમાં વાળ ખરવાનું મુખ્ય કારણ છે અને દર્દીઓના જીવનની ગુણવત્તા પર તેની મોટી અસર પડે છે. તે ફોલિકલ્સના પ્રગતિશીલ લઘુચિત્રકરણથી વિકસિત થાય છે જે વાળની ઘનતામાં અનુગામી ઘટાડો તરફ દોરી જાય છે, જે બિન-સ્કારિંગ ફેલાયેલી એલોપેસીયા તરફ દોરી જાય છે, જેમાં લાક્ષણિક ક્લિનિકલ, ડર્મોસ્કોપિક અને હિસ્ટોલોજિકલ પેટર્ન હોય છે. આ રોગની ઊંચી આવર્તન અને તેની મનોવૈજ્ઞાનિક અસરની સુસંગતતા હોવા છતાં, તેના પેથોજેનેસિસને હજુ સુધી સંપૂર્ણપણે સમજી શકાયું નથી, આનુવંશિક, હોર્મોનલ અને પર્યાવરણીય પરિબળો દ્વારા પ્રભાવિત છે. વધુમાં, સારવારનો પ્રતિભાવ બદલાય છે. આ લેખમાં, લેખકો સ્ત્રી પેટર્ન વાળ નુકશાન મુખ્ય ક્લિનિકલ, રોગચાળાના અને રોગવિજ્ઞાનશાસ્ત્રના પાસાઓ ચર્ચા કરે છે. |
3c398007c04eb12c0b7417f5d135919a300a470d | તાજેતરના વર્ષોમાં આપણે ઇન્ટરનેટ, ડિજિટલ લાઇબ્રેરીઓ, સમાચાર સ્ત્રોતો અને કંપની-વ્યાપી ઇન્ટ્રાનેટ સ્રોતો પર ઉપલબ્ધ ટેક્સ્ટ દસ્તાવેજોના જથ્થામાં જબરદસ્ત વૃદ્ધિ જોઈ છે. સ્વયંચાલિત ટેક્સ્ટ વર્ગીકરણ, જે દસ્તાવેજોના પૂર્વ નિર્ધારિત વર્ગો (વિષયો અથવા વિષયો) ને ટેક્સ્ટ દસ્તાવેજોને સોંપવાનું કાર્ય છે, તે એક મહત્વપૂર્ણ કાર્ય છે જે આ ઉચ્ચ સંસાધનો પર માહિતીને ગોઠવવા તેમજ શોધવા માટે બંનેમાં મદદ કરી શકે છે. ટેક્સ્ટ વર્ગીકરણ ડેટા સેટમાં હાજર મોટી સંખ્યામાં લક્ષણો, મોટી સંખ્યામાં તાલીમ નમૂનાઓ અને લક્ષણની પરાધીનતાને કારણે અનન્ય પડકારો રજૂ કરે છે. આ કાગળમાં આપણે એક સરળ રેખીય-સમયના કેન્દ્રસ્થિત દસ્તાવેજ વર્ગીકરણ અલ્ગોરિધમનો પર ધ્યાન કેન્દ્રિત કરીએ છીએ, જે તેની સરળતા અને મજબૂત પ્રદર્શન હોવા છતાં, વ્યાપકપણે અભ્યાસ અને વિશ્લેષણ કરવામાં આવ્યું નથી. અમારા વ્યાપક પ્રયોગો દર્શાવે છે કે આ સેન્ટ્રોઇડ આધારિત વર્ગીકૃતકર્તા સતત અને નોંધપાત્ર રીતે અન્ય અલ્ગોરિધમ્સ જેમ કે નાઇવ બેઝિયન, કે-નજીકના પડોશીઓ અને સી 4.5, ડેટાસેટ્સની વિશાળ શ્રેણી પર. અમારા વિશ્લેષણ દર્શાવે છે કે સેન્ટ્રોઇડ આધારિત યોજના દ્વારા ઉપયોગમાં લેવાતી સમાનતા માપદંડ તેને દસ્તાવેજો વચ્ચે સરેરાશ સમાનતા દ્વારા માપવામાં આવેલી વિવિધ વર્ગોના દસ્તાવેજોના વર્તન સાથે તેના વર્તનને કેટલી નજીકથી મેળ ખાય છે તેના આધારે નવા દસ્તાવેજને વર્ગીકૃત કરવાની મંજૂરી આપે છે. આ મેચિંગ તેને વિવિધ ઘનતાવાળા વર્ગો માટે ગતિશીલ રીતે એડજસ્ટ કરવાની મંજૂરી આપે છે. વધુમાં, અમારા વિશ્લેષણ દર્શાવે છે કે સેન્ટ્રોઇડ આધારિત યોજનાની સમાનતા માપ વિવિધ વર્ગોમાં શરતો વચ્ચેની પરાધીનતા માટે જવાબદાર છે. અમે માનીએ છીએ કે આ લક્ષણ એ કારણ છે કે તે સતત અન્ય વર્ગીકરણકારોને આગળ વધે છે જે આ પરાધીનતાઓને ધ્યાનમાં લઈ શકતા નથી. |
7f13e66231c96f34f8de2b091e5b5dafb5db5327 | ન્યુરલ મશીન ટ્રાન્સલેશન (એનએમટી) મોડેલો ક્રમિક લેક્સિકલ માહિતીમાંથી આંશિક રીતે વાક્યરચનાની માહિતી શીખવા માટે સક્ષમ છે. તેમ છતાં, કેટલાક જટિલ વાક્યરચનાની ઘટનાઓ જેમ કે પૂર્વવત્ શબ્દસમૂહ જોડાણ નબળી રીતે મોડેલ કરવામાં આવે છે. આ કાર્યનો ઉદ્દેશ બે પ્રશ્નોના જવાબ આપવાનો છે: 1) શું સ્રોત અથવા લક્ષ્ય ભાષાના સિન્ટેક્સને સ્પષ્ટ રીતે મોડેલિંગ કરવું એ એનએમટીને મદદ કરે છે? 2) શું શબ્દો અને વાક્યરચનાનું ગાઢ સંકલન મલ્ટીટાસ્ક તાલીમ કરતાં વધુ સારું છે? અમે સ્રોતમાં એમ્બેડિંગમાં વધારાની સુવિધા તરીકે અથવા લક્ષ્યમાં, શબ્દ ક્રમ સાથે લક્ષ્ય સુપરટેગ્સને ઇન્ટરલેઇંગ કરીને સીસીજી સુપરટેગ્સના સ્વરૂપમાં વાક્યરચનાત્મક માહિતી રજૂ કરીએ છીએ. ડબલ્યુએમટી ડેટા પરના અમારા પરિણામો દર્શાવે છે કે સ્પષ્ટ રીતે સિન્ટેક્સને મોડેલિંગ કરવાથી અંગ્રેજીજર્મન માટે મશીન અનુવાદની ગુણવત્તામાં સુધારો થાય છે, જે ઉચ્ચ-સ્રોત જોડી છે, અને અંગ્રેજીરોમાનિયન માટે, ઓછી સંસાધન જોડી અને પૂર્વવત્ શબ્દસમૂહ જોડાણ સહિતની ઘણી સિન્ટેક્ટીક ઘટનાઓ. વધુમાં, શબ્દો અને વાક્યરચનાના ગાઢ જોડાણથી મલ્ટિટાસ્ક તાલીમ કરતાં અનુવાદની ગુણવત્તામાં વધુ સુધારો થાય છે. |
f218e9988e30b0dea133b8fcda7033b6f1172af9 | કુદરતી છબીઓ (એનઆઈ) અને કોમ્પ્યુટર જનરેટેડ (સીજી) છબીઓ વચ્ચે નગ્ન માનવ આંખો દ્વારા તફાવત કરવો મુશ્કેલ છે. આ કાગળમાં, અમે આ મૂળભૂત છબી ફોરેન્સિક સમસ્યા માટે કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) પર આધારિત એક અસરકારક પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ. શૂન્યથી અથવા પહેલાથી પ્રશિક્ષિત નેટવર્કને ફાઇન-ટ્યુનિંગથી હાલના સીસીએનને તાલીમ આપવાની મર્યાદિત કામગીરીને જોયા પછી, અમે સી.એન.એનના તળિયે બે કાસ્કેડ કન્વોલ્યુશનલ સ્તરો સાથે નવા અને યોગ્ય નેટવર્કની રચના અને અમલ કરીએ છીએ. અમારું નેટવર્ક સરળતાથી એડજસ્ટ કરી શકાય છે ઇનપુટ ઇમેજ પેચના વિવિધ કદને સમાવવા માટે જ્યારે નિશ્ચિત ઊંડાઈ જાળવી રાખવી, સીએનએનની સ્થિર માળખું, અને સારા ફોરેન્સિક પ્રદર્શન. સીએનએનને તાલીમ આપવાની જટિલતા અને છબી ફોરેન્સિક્સની વિશિષ્ટ જરૂરિયાતને ધ્યાનમાં રાખીને, અમે અમારા પ્રસ્તાવિત નેટવર્કમાં કહેવાતા સ્થાનિકથી વૈશ્વિક વ્યૂહરચના રજૂ કરીએ છીએ. અમારા સીએનએન સ્થાનિક પેચ પર ફોરેન્સિક નિર્ણય મેળવે છે, અને સંપૂર્ણ કદની છબી પર વૈશ્વિક નિર્ણય સરળતાથી સરળ બહુમતી મતદાન દ્વારા મેળવી શકાય છે. આ વ્યૂહરચનાનો ઉપયોગ હાલની પદ્ધતિઓની કામગીરીમાં સુધારો કરવા માટે પણ થઈ શકે છે જે હાથથી બનાવેલી સુવિધાઓ પર આધારિત છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે અમારી પદ્ધતિ હાલની પદ્ધતિઓ કરતાં વધુ સારી છે, ખાસ કરીને એનઆઇ અને સીજી છબીઓ સાથેના પડકારરૂપ ફોરેન્સિક દૃશ્યમાં અસમાન મૂળના. અમારી પદ્ધતિમાં સામાન્ય પોસ્ટ પ્રોસેસિંગ ઓપરેશન્સ જેવા કે રિસાઇઝિંગ અને JPEG કમ્પ્રેશન સામે સારી મજબૂતાઈ છે. છબી ફોરેન્સિક માટે સીએનએનનો ઉપયોગ કરવાના અગાઉના પ્રયાસોથી વિપરીત, અમે સમજવાનો પ્રયાસ કરીએ છીએ કે અમારા સીએનએનએ પર્યાપ્ત અને અદ્યતન વિઝ્યુલાઇઝેશન ટૂલ્સની મદદથી એનઆઈ અને સીજી છબીઓ વચ્ચેના તફાવતો વિશે શું શીખ્યા છે. |
7c38c9ff0108e774cdfe2a90ced1c89812e7f498 | લક્ષ્ય ટ્રેકિંગ અને ઉચ્ચ સ્તરની ઓટોમોટિવ એપ્લિકેશન્સ માટે રડાર સિગ્નલ પ્રોસેસિંગ અલ્ગોરિધમ્સનો વિકાસ મુખ્યત્વે વાસ્તવિક રડાર ડેટાના આધારે કરવામાં આવે છે. ખર્ચાળ અને સમય માંગી લેતા પરીક્ષણ રન દરમિયાન ડેટા બેઝ મેળવવો પડે છે. અનુકૂલનશીલ ક્રુઝ કંટ્રોલ (એસીસી) જેવા પ્રમાણમાં સરળ એપ્લિકેશન માટે, વિવિધ મહત્વપૂર્ણ ટ્રાફિક પરિસ્થિતિઓને પરીક્ષણ રન દ્વારા પૂરતી આવરી લેવામાં આવી શકે છે. પરંતુ વધુ અદ્યતન એપ્લિકેશન્સ જેમ કે આંતરછેદ સહાય માટે, રડાર ડેટાના પ્રતિનિધિ સમૂહની પ્રાપ્તિ માટેનો પ્રયાસ અસહ્ય હશે. આ કાગળમાં, અમે રડાર લક્ષ્ય યાદીઓને વાસ્તવિક પરંતુ કમ્પ્યુટેશનલી ઓછી માગણી રીતે સિમ્યુલેટ કરવાની રીત પ્રસ્તાવિત કરીએ છીએ, જે વાસ્તવિક રડાર ડેટાની આવશ્યકતા ઘટાડશે. |
bca4e05a45f310ceb327d67278858343e8df7089 | |
1717dee0e8785d963e0333a0bb945757444bb651 | માન્ય કરેલ કોતરણી તકનીકોનો ઉપયોગ કરીને, અમે બતાવીએ છીએ કે લોકપ્રિય ઓપરેટિંગ સિસ્ટમ્સ (દા. ત. વિન્ડોઝ, લિનક્સ અને ઓએસએક્સ) માં વારંવાર શેષ આઇપી પેકેટો, ઇથરનેટ ફ્રેમ્સ અને લાંબા સમયથી સમાપ્ત નેટવર્ક ટ્રાફિકથી સિસ્ટમ મેમરીમાં સંકળાયેલ ડેટા સ્ટ્રક્ચર્સ હાજર હોય છે. આવી માહિતી ફોરેન્સિક હેતુઓ માટે ઉપયોગી છે જેમાં અગાઉની કનેક્શન પ્રવૃત્તિ અને ઉપયોગમાં લેવાતી સેવાઓની સ્થાપના; સિસ્ટમનાં LAN અથવા WLAN પર હાજર અન્ય સિસ્ટમોની ઓળખ; હોસ્ટ કમ્પ્યુટર સિસ્ટમનું ભૌગોલિક સ્થાન; અને ક્રોસ-ડ્રાઇવ વિશ્લેષણ. અમે બતાવીએ છીએ કે નેટવર્ક માળખાને મેમરીમાંથી પણ પુનઃપ્રાપ્ત કરી શકાય છે જે સિસ્ટમ સ્વેપિંગ અથવા હાયબરનેશન દરમિયાન સામૂહિક સ્ટોરેજ માધ્યમ પર ચાલુ રહે છે. અમે અમારી નેટવર્ક કોતરણી તકનીકો, અલ્ગોરિધમ્સ અને સાધનો પ્રસ્તુત કરીએ છીએ, અને આ બંને હેતુ-બિલ્ટ મેમરી છબીઓ અને સહેલાઈથી ઉપલબ્ધ ફોરેન્સિક કોર્પોરા સામે માન્ય કરીએ છીએ. આ તકનીકો ફોરેન્સિક કાર્યો માટે ખાસ કરીને મોબાઇલ ઉપકરણોનું વિશ્લેષણ કરવા માટે અને માલવેર વિશ્લેષણ જેવા સાયબર-સુરક્ષાના ઉદ્દેશો માટે મૂલ્યવાન છે. એલ્સેવીયર લિમિટેડ દ્વારા પ્રકાશિત |
62a7cfab468ef3bbd763db8f80745bd93d2be7dd | નવેમ્બર 2007માં લોન્ચ થયેલી સૌથી ઝડપથી વિકસતી મોબાઇલ ઓપરેટિંગ સિસ્ટમ એન્ડ્રોઇડના 1.4 અબજ સક્રિય વપરાશકર્તાઓ છે. એન્ડ્રોઇડ વપરાશકર્તાઓ તેમના ઇન-ડિવાઇસ સુરક્ષાની કાળજીપૂર્વક દેખરેખના અભાવને કારણે દૂષિત એપ્લિકેશન્સ માટે સંવેદનશીલ છે જે તેમના વ્યક્તિગત ડેટામાં હેક કરી શકે છે. માલવેર શોધવાની પદ્ધતિઓ વિકસાવવા પર અસંખ્ય કાર્યો થયા છે. જો કે, અગાઉના કોઈ પણ કાર્ય સીધી અરજી માટે પૂરતા નિર્ણાયક નથી અને પ્રાયોગિક માન્યતાનો અભાવ છે. આ કાગળમાં, અમે દૂષિત એપ્લિકેશન્સની પ્રકૃતિ અને ઓળખની તપાસ કરી છે અને શોધ માટે બે નવલકથા શોધ અભિગમોની શોધ કરી છેઃ નેટવર્ક આધારિત શોધ અને સિસ્ટમ કોલ આધારિત શોધ અભિગમો. અમારા પ્રસ્તાવિત અભિગમોનું મૂલ્યાંકન કરવા માટે, અમે 1260 માલવેરનો સબસેટ પર પ્રયોગો કર્યા, જે એન્ડ્રોઇડ માલવેર જીનોમ પ્રોજેક્ટમાંથી હસ્તગત કરવામાં આવ્યા હતા, વાય ઝોઉ અને અન્ય દ્વારા બનાવવામાં આવેલ માલવેર ડેટાબેઝ. [1] અને 227 બિન-મલવેર (સુખદ) એપ્લિકેશન્સ. પરિણામો દર્શાવે છે કે અમારો સિસ્ટમ કોલ આધારિત અભિગમ 87%ની ચોકસાઈ સાથે માલવેર શોધી શકે છે જે સામાન્ય માલવેર શોધ સંદર્ભમાં ખૂબ જ મહત્વપૂર્ણ છે. પ્રાયોગિક પરિણામો સાથે અમારી પ્રસ્તાવિત શોધ અભિગમો સુરક્ષા વ્યાવસાયિકોને એન્ડ્રોઇડ સિસ્ટમો પર મોબાઇલ મૉલવેર પર તેમની તપાસમાં વધુ ચોક્કસ અને જથ્થાત્મક અભિગમો પ્રદાન કરશે. |
e2d76fc1efbbf94a624dde792ca911e6687a4fd4 | ગૂગલના સત્તાવાર બજારમાં 50 અબજથી વધુ ડાઉનલોડ્સ અને 1.3 મિલિયનથી વધુ એપ્લિકેશન્સ સાથે, એન્ડ્રોઇડ વિશ્વભરના સ્માર્ટફોન વપરાશકર્તાઓમાં લોકપ્રિયતા મેળવવાનું ચાલુ રાખ્યું છે. તે જ સમયે પ્લેટફોર્મને લક્ષ્ય બનાવનારા માલવેરનો વધારો થયો છે, જેમાં વધુ તાજેતરના સ્ટ્રેન્સ અત્યંત વ્યવહારદક્ષ શોધ ટાળવાની તકનીકોનો ઉપયોગ કરે છે. જેમ જેમ પરંપરાગત સહી આધારિત પદ્ધતિઓ અજાણ્યા માલવેર શોધવામાં ઓછી શક્તિશાળી બની જાય છે, સમયસર શૂન્ય-દિવસ શોધ માટે વિકલ્પોની જરૂર છે. આ રીતે આ કાગળ એક અભિગમ સૂચવે છે જે એન્ડ્રોઇડ મૉલવેર શોધ માટે એસેમ્બલી લર્નિંગનો ઉપયોગ કરે છે. તે Android મૉલવેર શોધની ચોકસાઈને સુધારવા માટે એસેમ્બલી મશીન લર્નિંગની કાર્યક્ષમતા અને પ્રભાવ સાથે સ્થિર વિશ્લેષણના ફાયદાઓને જોડે છે. મશીન લર્નિંગ મોડેલો અગ્રણી એન્ટીવાયરસ વિક્રેતા પાસેથી માલવેર નમૂનાઓ અને હાનિકારક એપ્લિકેશન્સના મોટા રીપોઝીટરીનો ઉપયોગ કરીને બનાવવામાં આવે છે. પ્રાયોગિક પરિણામો અને વિશ્લેષણ દર્શાવે છે કે પ્રસ્તાવિત પદ્ધતિ જે એસેમ્બલી લર્નિંગની શક્તિનો લાભ લેવા માટે મોટી સુવિધા જગ્યાનો ઉપયોગ કરે છે તે ખૂબ જ નીચા ખોટા હકારાત્મક દર સાથે 97.3 ટકાથી 99 ટકાની શોધ ચોકસાઈ માટે સક્ષમ છે. કીવર્ડ્સમોબાઇલ સુરક્ષા; એન્ડ્રોઇડ; માલવેર શોધ; એસેમ્બલ લર્નિંગ; સ્થિર વિશ્લેષણ; મશીન લર્નિંગ; ડેટા માઇનિંગ; રેન્ડમ ફોરેસ્ટ |
08d32340e0e6aa50952860b90dfba2fe4764a85a | બજારમાં સ્માર્ટફોનની સંખ્યામાં તીવ્ર વધારો, એન્ડ્રોઇડ પ્લેટફોર્મ માર્કેટ લીડર બનવા માટે ઉભો છે, આ પ્લેટફોર્મ પર માલવેર વિશ્લેષણની જરૂરિયાત એક તાત્કાલિક મુદ્દો બનાવે છે. આ કાગળમાં અમે એન્ડ્રોઇડ પ્લેટફોર્મમાં મૉલવેર શોધવાના સાધન તરીકે એપ્લિકેશન વર્તણૂંકના ગતિશીલ વિશ્લેષણ માટે અગાઉના અભિગમો પર મૂડીકરણ કરીએ છીએ. આ ડિટેક્ટર એક વ્યાપક માળખામાં સમાયેલ છે, જે ભીડ સોર્સિંગ પર આધારિત અમર્યાદિત સંખ્યામાં વાસ્તવિક વપરાશકર્તાઓ પાસેથી ટ્રેસ એકત્રિત કરવા માટે છે. અમારા માળખાને બે પ્રકારના ડેટા સેટ્સનો ઉપયોગ કરીને કેન્દ્રીય સર્વર પર એકત્રિત કરેલા ડેટાનું વિશ્લેષણ કરીને દર્શાવવામાં આવ્યું છેઃ પરીક્ષણ હેતુઓ માટે બનાવેલા કૃત્રિમ માલવેરમાંથી અને જંગલીમાં મળેલા વાસ્તવિક માલવેરમાંથી. આ પદ્ધતિ માલવેરને અલગ કરવા અને ડાઉનલોડ કરેલા માલવેરના વપરાશકર્તાઓને ચેતવણી આપવા માટે એક અસરકારક સાધન તરીકે દર્શાવવામાં આવી છે. આ એક મોટા સમુદાયમાં શોધાયેલ મૉલવેરનો ફેલાવો ટાળવાની સંભાવના દર્શાવે છે. |
12ef153d9c7ccc374d56acf34b59fb2eaec6f755 | ખાસ કરીને, એક વર્ષથી વધુ સમયના પ્રયત્નો સાથે, અમે 1,200 થી વધુ માલવેર નમૂનાઓ એકત્રિત કરવામાં સફળ થયા છે જે હાલના એન્ડ્રોઇડ માલવેર પરિવારોના મોટાભાગનાને આવરી લે છે, ઓગસ્ટ 2010 માં તેમની શરૂઆતથી લઈને ઓક્ટોબર 2011 માં તાજેતરના લોકો સુધી. આ ઉપરાંત, અમે તેમને વિવિધ પાસાઓથી વ્યવસ્થિત રીતે વર્ગીકૃત કરીએ છીએ, જેમાં તેમની ઇન્સ્ટોલેશન પદ્ધતિઓ, સક્રિયકરણ પદ્ધતિઓ તેમજ માલવેર પેલોડ્સની પ્રકૃતિનો સમાવેશ થાય છે. પ્રતિનિધિ પરિવારોનું પાત્ર અને ત્યારબાદના ઉત્ક્રાંતિ આધારિત અભ્યાસ દર્શાવે છે કે તેઓ હાલના મોબાઇલ એન્ટી-વાયરસ સૉફ્ટવેરથી શોધને ટાળવા માટે ઝડપથી વિકસિત થઈ રહ્યા છે. ચાર પ્રતિનિધિ મોબાઇલ સુરક્ષા સોફ્ટવેર સાથેના મૂલ્યાંકનના આધારે, અમારા પ્રયોગો દર્શાવે છે કે શ્રેષ્ઠ કેસ 79.6% તેમને શોધી કાઢે છે જ્યારે સૌથી ખરાબ કેસ અમારા ડેટાસેટમાં માત્ર 20.2% શોધે છે. આ પરિણામો સ્પષ્ટપણે આગલી પેઢીના એન્ટી-મોબાઇલ-માલવેર સોલ્યુશન્સને વધુ સારી રીતે વિકસાવવાની જરૂરિયાત માટે બોલાવે છે. સ્માર્ટ ફોનની લોકપ્રિયતા અને અપનાવવાથી મોબાઇલ મૉલવેરનો ફેલાવો, ખાસ કરીને એન્ડ્રોઇડ જેવા લોકપ્રિય પ્લેટફોર્મ પર, ખૂબ જ ઉત્તેજિત થયો છે. તેમની ઝડપી વૃદ્ધિને ધ્યાનમાં રાખીને, અસરકારક ઉકેલો વિકસાવવાની તાત્કાલિક જરૂરિયાત છે. જો કે, આ ઉભરતા મોબાઇલ માલવેર અને સંબંધિત નમૂનાઓની સમયસર પહોંચના અભાવની મર્યાદિત સમજણ દ્વારા અમારી સંરક્ષણ ક્ષમતા મોટે ભાગે મર્યાદિત છે. આ પેપરમાં, અમે એન્ડ્રોઇડ પ્લેટફોર્મ પર ધ્યાન કેન્દ્રિત કરીએ છીએ અને હાલના એન્ડ્રોઇડ મૉલવેરનું પ્રણાલીકરણ અથવા લક્ષણ આપવાનું લક્ષ્ય રાખીએ છીએ. |
8e0b8e87161dd4001d31832d5d9864fd31e8eccd | આ કાગળમાં લંબચોરસ પેચ એન્ટેનાની બેન્ડવિડ્થને 0.88 ગીગાહર્ટ્ઝ (7.76 - 8.64 ગીગાહર્ટ્ઝ) થી 6.75 ગીગાહર્ટ્ઝ (3.49 - 10.24 ગીગાહર્ટ્ઝ) સુધી વધારવાની તકનીક રજૂ કરવામાં આવી છે. આ ટેકનિકમાં સૌથી વધુ બેન્ડવિડ્થ પ્રાપ્ત કરવા માટે સંશોધિત ગ્રાઉન્ડ પ્લેન સાથે ઇનસેટ ફીડ પેચ એન્ટેનાનો ઉપયોગ કરવામાં આવે છે. અમે ત્રણ પ્રકારના લંબચોરસ પેચ એન્ટેના પ્રસ્તાવિત કરીશું: માઇક્રોસ્ટ્રીપ લાઇન દ્વારા ફીડ કરાયેલ સરળ લંબચોરસ પેચ, ઇનસેટ ફીડ લંબચોરસ પેચ અને ઇનસેટ ફીડ લંબચોરસ પેચ ગ્રાઉન્ડ પ્લેન સાથે સુધારે છે. અંતિમ સિમ્યુલેશન પરિણામ દર્શાવે છે કે આવર્તનનો નીચલો કિનારો 7.76 ગીગાહર્ટ્ઝથી 3.49 ગીગાહર્ટ્ઝ સુધી નીચે ખસેડવામાં આવ્યો છે અને આવર્તનનો ઉપલા કિનારો 8.64 ગીગાહર્ટ્ઝથી 10.24 ગીગાહર્ટ્ઝ સુધી ખસેડવામાં આવ્યો છે, જે બ્રોડબેન્ડ માટે લંબચોરસ પેચ એન્ટેનાની બેન્ડવિડ્થ વધારવા માટે એક પસંદગી છે. માઇક્રોસ્ટ્રીપ પેચ એન્ટેનાની વધતી બેન્ડવિડ્થની વિગતો વર્ણવવામાં આવી છે, અને આઇઇ 3 ડી ઝેલેન્ડ સોફ્ટવેરનો ઉપયોગ કરીને પ્રાપ્ત બ્રોડબેન્ડ પ્રદર્શન માટે સિમ્યુલેશન પરિણામો રજૂ કરવામાં આવ્યા છે. |
3cd0b6a48b14f86ed261240f30113a41bacd2255 | માનવ અને કોમ્પ્યુટર વચ્ચેની ક્રિયાપ્રતિક્રિયામાં સંદર્ભ એક મુખ્ય મુદ્દો છે, જે આસપાસના તથ્યોનું વર્ણન કરે છે જે અર્થ ઉમેરે છે. મોબાઇલ કમ્પ્યુટિંગ સંશોધનમાં પ્રકાશિત પરિમાણ સ્થાનનો ઉપયોગ મોટાભાગે સંદર્ભને અંદાજવા અને સંદર્ભ-સભાન એપ્લિકેશન્સને અમલમાં મૂકવા માટે થાય છે. અમે સૂચવીએ છીએ કે અલ્ટ્રા-મોબાઇલ કમ્પ્યુટિંગ, ઉપકરણો દ્વારા વર્ગીકૃત થયેલ છે જે ઓપરેશનલ છે અને ચાલ પર સંચાલિત છે (દા. ત. પીડીએ, મોબાઇલ ફોન, વેરેબલ કોમ્પ્યુટર) ને સંદર્ભની વ્યાપક ખ્યાલથી નોંધપાત્ર રીતે લાભ થઈ શકે છે. આ ક્ષેત્રને માળખાગત બનાવવા માટે અમે સંદર્ભ માટે કાર્યકારી મોડેલ રજૂ કરીએ છીએ, સ્થાનથી આગળ સંદર્ભ મેળવવા માટેની પદ્ધતિઓ અને અલ્ટ્રા-મોબાઇલ કમ્પ્યુટિંગમાં સંદર્ભ-જાગૃતિના ઉપયોગની ચર્ચા કરીએ છીએ. અમે સંદર્ભ-જાગૃતિ માટે સેન્સર્સની ઉપયોગિતાની તપાસ કરીએ છીએ અને બે પ્રોટોટાઇપલ અમલીકરણો રજૂ કરીએ છીએ - પ્રકાશ સંવેદનશીલ ડિસ્પ્લે અને ઓરિએન્ટેશન-સભાન પીડીએ ઇન્ટરફેસ. આ ખ્યાલ પછી વધુ સુસંસ્કૃત સંદર્ભ ઓળખને સક્ષમ કરવા માટે સેન્સર ફ્યુઝન માટે એક મોડેલ સુધી વિસ્તૃત કરવામાં આવે છે. આ મોડેલના અમલીકરણના આધારે એક પ્રયોગનું વર્ણન કરવામાં આવ્યું છે અને અભિગમની શક્યતા દર્શાવવામાં આવી છે. વધુ સુસંસ્કૃત સંદર્ભો પર માહિતી મેળવવા માટે અમે સેન્સર્સના સંમિશ્રણની શોધ કરી રહ્યા છીએ. પરિચય સંદર્ભ એ છે કે જે આસપાસ છે અને બીજાને અર્થ આપે છે. છેલ્લા 40 વર્ષથી કોમ્પ્યુટર સાયન્સના વિવિધ ક્ષેત્રો આ ખ્યાલની તપાસ કરી રહ્યા છે, જેથી માહિતી પ્રક્રિયા અને સંચારને પરિસ્થિતિઓના પાસાઓ સાથે સંબંધિત કરી શકાય જેમાં આવી પ્રક્રિયા થાય છે. સૌથી વધુ નોંધપાત્ર રીતે, સંદર્ભ એ કુદરતી ભાષા પ્રોસેસિંગમાં અને વધુ સામાન્ય રીતે માનવ-કમ્પ્યુટર ક્રિયાપ્રતિક્રિયામાં એક મુખ્ય ખ્યાલ છે. ઉદાહરણ તરીકે, કલા ગ્રાફિકલ વપરાશકર્તા ઇન્ટરફેસોની સ્થિતિ વપરાશકર્તા પસંદગી અને સંવાદ સ્થિતિ જેવા સંદર્ભો માટે મેનુને અનુકૂળ કરવા માટે સંદર્ભનો ઉપયોગ કરે છે. એક નવું ક્ષેત્ર, જેમાં હાલમાં વધતું ધ્યાન આપવામાં આવે છે, તે મોબાઇલ કમ્પ્યુટિંગ છે. જ્યારે મોબાઇલ કમ્પ્યુટિંગની પ્રથમ તરંગ પોર્ટેબલ જનરલ-પર્પઝ કમ્પ્યુટર્સ પર આધારિત હતી અને મુખ્યત્વે સ્થાન પારદર્શિતા પર ધ્યાન કેન્દ્રિત કર્યું હતું, બીજી તરંગ હવે અલ્ટ્રા-મોબાઇલ ઉપકરણો પર આધારિત છે અને આને તેમની આસપાસની ઉપયોગની પરિસ્થિતિ સાથે સંબંધિત છે. અલ્ટ્રા-મોબાઇલ ડિવાઇસ નાના મોબાઇલ કમ્પ્યુટરનો એક નવો વર્ગ છે, જેને કમ્પ્યુટિંગ ડિવાઇસ તરીકે વ્યાખ્યાયિત કરવામાં આવે છે જે ચાલતી વખતે કાર્યરત અને સંચાલિત હોય છે, અને સામાન્ય હેતુવાળા કમ્પ્યુટિંગથી કાર્ય-વિશિષ્ટ સપોર્ટમાં પરિવર્તન દ્વારા વર્ગીકૃત કરવામાં આવે છે. અતિ-મોબાઇલ ઉપકરણોમાં ઉદાહરણ તરીકે પર્સનલ ડિજિટલ સહાયકો (પીડીએ), મોબાઇલ ફોન અને વેરેબલ કમ્પ્યુટર્સનો સમાવેશ થાય છે. મોબાઇલ કમ્પ્યુટિંગમાં સંદર્ભ-જાગૃતિની પ્રાથમિક ચિંતા એ વપરાશકર્તા અને તેમના અલ્ટ્રા-મોબાઇલ ડિવાઇસને ઘેરી લેતા ભૌતિક પર્યાવરણની જાગૃતિ છે. તાજેતરના કામમાં, આ ચિંતાને સ્થાન-જાગૃતિના અમલીકરણ દ્વારા સંબોધવામાં આવી છે, ઉદાહરણ તરીકે વૈશ્વિક સ્થિતિ પર આધારિત છે, અથવા બીકન્સનો ઉપયોગ. સ્થાન |
62edb6639dc857ad0f33e5d8ef97af89be7a3bc7 | ઓફિસના વાતાવરણમાં લોકોના સ્થાન માટે એક નવલકથા પ્રણાલીનું વર્ણન કરવામાં આવ્યું છે. સ્ટાફના સભ્યો બેજેસ પહેરે છે જે સેન્સરના નેટવર્ક દ્વારા, કેન્દ્રિય સ્થાન સેવાને તેમના સ્થાન વિશેની માહિતી પૂરી પાડતા સંકેતો પ્રસારિત કરે છે. આ કાગળમાં વૈકલ્પિક સ્થાન તકનીકો, સિસ્ટમ ડિઝાઇન મુદ્દાઓ અને એપ્લિકેશન્સની પણ તપાસ કરવામાં આવી છે, ખાસ કરીને ટેલિફોન કોલ રૂટીંગ સાથે સંબંધિત છે. સ્થાન પ્રણાલીઓ વ્યક્તિની ગોપનીયતા અંગે ચિંતા ઉભી કરે છે અને આ મુદ્દાઓને પણ સંબોધવામાં આવે છે. |
a332fa84fb865fac25e9c7cf0c18933303a858d0 | તબીબી કાર્યક્રમો માટે માઇક્રોવેવ ટોમોગ્રાફિક ઇમેજિંગ સિસ્ટમ્સના વિકાસમાં તાજેતરના વર્ષોમાં નોંધપાત્ર પ્રગતિ કરવામાં આવી છે. ઔદ્યોગિક એપ્લિકેશન્સ માટે યોગ્ય માઇક્રોવેવ ઇમેજિંગ સિસ્ટમ ડિઝાઇન કરવા અને ઉત્પન્ન થતી છબીઓની અર્થઘટન કરવા માટે, ઇમેજિંગ હેઠળની સામગ્રીનું પાત્ર હોવું જરૂરી છે. આ કાગળમાં, અમે 400MHz અને 20GHz વચ્ચેની આવર્તન પર પ્રવાહીના ડાઇલેક્ટ્રિક ગુણધર્મોના માપ માટે ખુલ્લા અંતવાળા સહઅક્ષીય ચકાસણીનો ઉપયોગ વર્ણવીએ છીએ. મિશ્રા-બ્લેકહામ મોડેલનો ઉપયોગ કરીને વિવિધ પ્રકારના મીઠાશના પાણી સહિતના પ્રવાહી માટે મેળવેલા પરિણામોની સાહિત્યમાં પ્રકાશિત થયેલા પરિણામો સાથે સરખામણી કરવામાં આવી છે, જે સારા સમજૂતી દર્શાવે છે. ખારા પાણી માટે, ખાસ કરીને, લઘુત્તમ નુકશાનની આવર્તન ખારાશ પર આધાર રાખે છે. તે 0.2% NaCl ના સમાવેશ માટે 1.5GHz થી 3.5% NaCl ના સમાવેશ માટે 7GHz માં બદલી શકે છે. પરમિટિવિટીનો વાસ્તવિક ભાગ પણ આશરે 50% 400MHz થી 20GHz સુધી બદલાઈ શકે છે. |
c02fd0b0ad018556de5f9cddcccdf813c8fbb0f8 | ઉચ્ચ રીઝોલ્યુશનની ઉપગ્રહ છબીઓનો ઉપયોગ દૂરસ્થ સંવેદના વર્ગીકરણ સમસ્યાઓ પર વધુને વધુ કરવામાં આવે છે. આ પ્રકારનાં ડેટાની ઉપલબ્ધતા એ મુખ્ય પરિબળોમાંનું એક છે. ઉચ્ચ ઉપલબ્ધતા હોવા છતાં, ઝેબ્રા ક્રોસિંગ વર્ગીકરણ સમસ્યા પર ખૂબ જ ઓછા પ્રયત્નો કરવામાં આવ્યા છે. આ પત્રમાં, ક્રોસિંગ સંબંધિત કાર્યો માટે મોટા પાયે સેટેલાઈટ ઇમેજ ડેટાબેઝની સ્વયંચાલિત સંપાદન અને એનોટેશનને સક્ષમ કરવા માટે ભીડ સોર્સિંગ સિસ્ટમ્સનો ઉપયોગ કરવામાં આવે છે. પછી, આ ડેટા સેટનો ઉપયોગ ડીપ-લર્નિંગ-આધારિત મોડેલોને તાલીમ આપવા માટે કરવામાં આવે છે જેથી સેટેલાઈટ છબીઓને ચોક્કસ રીતે વર્ગીકૃત કરી શકાય જેમાં ઝેબ્રા ક્રોસિંગ્સ શામેલ છે કે નહીં. આ પ્રયોગોમાં ત્રણ ખંડો, નવ દેશો અને 20થી વધુ શહેરોના 240000થી વધુ ચિત્રોનો ઉપયોગ કરવામાં આવ્યો હતો. પ્રાયોગિક પરિણામો દર્શાવે છે કે વૈશ્વિક સ્તરે ક્રોસવૉક વર્ગીકરણ કરવા માટે વિશ્વસનીય મોડેલોને તાલીમ આપવા માટે મુક્તપણે ઉપલબ્ધ ભીડ સોર્સિંગ ડેટાનો ઉપયોગ કરી શકાય છે (97.11%). |
c14dff27746b49bea3c5f68621261f266a766461 | |
f32d9a72d51f6db6ec26f0209be73dd3c400b42e | કેટલાકને પ્રતિબંધિત કરવા માટે એક 10-પોઇન્ટ યોજના ઘડવાની દરખાસ્ત - જો બધા નહીં - ઘાતક સ્વાયત્ત શસ્ત્રો. |
bbbd015155bbe5098aad6b49a548e9f3570e49ec | આ કાગળ ચહેરાની ઓળખ માટે નવલકથા ગેબોર-ફિશર (1936) વર્ગીકરણ (જીએફસી) રજૂ કરે છે. જીએફસી પદ્ધતિ, જે પ્રકાશ અને ચહેરાના અભિવ્યક્તિમાં ફેરફારો માટે મજબૂત છે, ચહેરાના છબીઓના ગેબોર વેવલેટ પ્રતિનિધિત્વમાંથી મેળવેલ વિસ્તૃત ગેબોર ફીચર વેક્ટર પર ઉન્નત ફિશર રેખીય ભેદભાવ મોડેલ (ઇએફએમ) લાગુ કરે છે. આ કાગળની નવીનતા 1) વિસ્તૃત ગેબોર ફીચર વેક્ટરનું વ્યુત્પન્ન છે, જેની પરિમાણીયતા ઇએફએમનો ઉપયોગ કરીને ડેટા કમ્પ્રેશન અને માન્યતા (સામાન્યકરણ) પ્રદર્શન બંનેને ધ્યાનમાં રાખીને વધુ ઘટાડવામાં આવે છે; 2) મલ્ટી-ક્લાસ સમસ્યાઓ માટે ગેબોર-ફિશર વર્ગીકરણકર્તાનો વિકાસ; અને 3) વ્યાપક પ્રદર્શન મૂલ્યાંકન અભ્યાસો. ખાસ કરીને, અમે વિવિધ વર્ગીકરણકારો પર લાગુ થયેલા વિવિધ સમાનતા માપદંડોના તુલનાત્મક અભ્યાસ હાથ ધર્યા છે. અમે વિવિધ ચહેરાની ઓળખ યોજનાઓના તુલનાત્મક પ્રાયોગિક અભ્યાસ પણ કર્યા, જેમાં અમારી નવલકથા જીએફસી પદ્ધતિ, ગેબોર વેવલેટ પદ્ધતિ, એજેનફેસિસ પદ્ધતિ, ફિશરફેસિસ પદ્ધતિ, ઇએફએમ પદ્ધતિ, ગેબોર અને એજેનફેસિસ પદ્ધતિનું સંયોજન, અને ગેબોર અને ફિશરફેસિસ પદ્ધતિનું સંયોજન. નવી જીએફસી પદ્ધતિની શક્યતાનું સફળતાપૂર્વક ચહેરાની ઓળખ પર પરીક્ષણ કરવામાં આવ્યું છે, જેમાં 600 ફેરેટ ફ્રન્ટલ ચહેરાની છબીઓ 200 વિષયોને અનુરૂપ છે, જે ચલ પ્રકાશ અને ચહેરાના અભિવ્યક્તિઓ હેઠળ હસ્તગત કરવામાં આવી હતી. નવલકથા જીએફસી પદ્ધતિ ફક્ત 62 સુવિધાઓનો ઉપયોગ કરીને ચહેરાની ઓળખ પર 100% ચોકસાઈ પ્રાપ્ત કરે છે. |
0160ec003ae238a98676b6412b49d4b760f63544 | અમે દ્રશ્ય શિક્ષણ માટે એક અનસર્વેક્ષિત તકનીક રજૂ કરીએ છીએ, જે સ્વયંસ્ફુરિત વિઘટનનો ઉપયોગ કરીને ઉચ્ચ પરિમાણીય જગ્યાઓમાં ઘનતા અંદાજ પર આધારિત છે. તાલીમ ડેટાને મોડેલિંગ કરવા માટે બે પ્રકારના ઘનતા અંદાજો મેળવવામાં આવે છેઃ મલ્ટીવેરીએટ ગૌસિયન (યુનિમોડલ વિતરણો માટે) અને મિશ્રણ-ઓફ-ગૌસિયન મોડેલ (મલ્ટીમોડલ વિતરણો માટે). આ સંભાવના ઘનતાનો ઉપયોગ પછીથી દ્રશ્ય શોધ અને ઓટોમેટિક ઑબ્જેક્ટ ઓળખ અને કોડિંગ માટે લક્ષ્ય શોધ માટે મહત્તમ સંભાવના અંદાજ માળખું ઘડવા માટે થાય છે. આપણી શીખવાની તકનીક સંભવિત દ્રશ્ય મોડેલિંગ, શોધ, માન્યતા અને માનવ ચહેરાઓ અને હાથ જેવા નક્કર પદાર્થોના કોડિંગ પર લાગુ થાય છે. |
ac2c955a61002b674bd104b91f89087271fc3b8e | આ કાગળમાં મલ્ટીલેવલ બૂસ્ટ પાવર ફેક્ટર કરેક્શન (પીએફસી) રેક્ટિફાયર રજૂ કરવામાં આવ્યું છે, જે કેસ્કેડેડ નિયંત્રક અને મલ્ટીકેરિયર પલ્સ પહોળાઈ મોડ્યુલેશન ટેકનિક દ્વારા નિયંત્રિત છે. પ્રસ્તુત ટોપોલોજીમાં સમાન લોકોની તુલનામાં ઓછા સક્રિય સેમિકન્ડક્ટર સ્વીચો છે, જે જરૂરી ગેટ ડ્રાઇવ્સની સંખ્યા ઘટાડે છે જે ઉત્પાદિત બૉક્સને નોંધપાત્ર રીતે સંકોચાશે. અભ્યાસ કરાયેલા કન્વર્ટર પર એક સરળ નિયંત્રક અમલમાં મૂકવામાં આવ્યો છે જે આઉટપુટ પર સતત વોલ્ટેજ પેદા કરે છે જ્યારે સીસી બસ કેપેસિટર્સના તટસ્થ બિંદુ પર ભારને કનેક્ટ કર્યા વિના ઇનપુટ પર પાંચ-સ્તરનું વોલ્ટેજ વેવફોર્મ પેદા કરે છે. નિયંત્રક સંકેતમાંથી નિયત સ્વિચિંગ ફ્રીક્વન્સી પર સ્વિચિંગ પલ્સ ઉત્પન્ન કરવા માટે મલ્ટીકેરિયર પલ્સ-વિડ્થ મોડ્યુલેશન ટેકનીકનો ઉપયોગ કરવામાં આવ્યો છે. મલ્ટીલેવલ વોલ્ટેજ વેવફોર્મ હાર્મોનિકનું વ્યાપક વિશ્લેષણ કરવામાં આવ્યું છે જે ઇનપુટ વર્તમાનની હાર્મોનિક સામગ્રી અને જરૂરી ફિલ્ટર્સના કદને સીધી અસર કરે છે. સંપૂર્ણ પ્રાયોગિક પરિણામો એસી બાજુ પર પાવર ફેક્ટર સુધારવા તેમજ વર્તમાન હાર્મોનિકને નોંધપાત્ર રીતે ઘટાડતા એસી ગ્રીડથી ડીસી લોડ્સમાં પાવર પહોંચાડવા માટે સૂચિત પાંચ-સ્તરના પીએફસી બુસ્ટ રેક્ટિફાયરના સારા ગતિશીલ પ્રદર્શનની પુષ્ટિ કરે છે. |
c2fafa93bd9b91ede867d4979bc747334d989040 | ફિંગરપ્રિન્ટની આવશ્યક લાક્ષણિકતાઓ તરીકે, ફિંગરપ્રિન્ટ ઓળખ સિસ્ટમ્સમાં મિન્યુટીઅસ નોંધપાત્ર ભૂમિકા ભજવે છે. મોટાભાગની હાલની મિનીટિએ એક્સ્ટ્રેક્શન પદ્ધતિઓ બાયનરીકરણ, પાતળા અને ઉન્નતીકરણ જેવી હાથથી વ્યાખ્યાયિત પૂર્વ પ્રક્રિયાઓની શ્રેણી પર આધારિત છે. જો કે, આ પૂર્વ પ્રક્રિયાઓ માટે મજબૂત પૂર્વ જ્ઞાનની જરૂર છે અને હંમેશા નુકસાનકારક કામગીરી છે. અને તે ઘટી અથવા ખોટા લણણીઓ તરફ દોરી જશે. આ કાગળમાં, ઊંડા કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ પર આધારિત એક નવલકથા મિનીટી એક્સ્ટ્રેક્શન અભિગમ સૂચવવામાં આવે છે, જે કોઈ પણ પૂર્વ પ્રક્રિયા વિના કાચા ફિંગરપ્રિન્ટ છબીઓ પર સીધા જ મિનીટીને કાઢે છે કારણ કે અમે ઊંડા કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સની મજબૂત પ્રતિનિધિત્વ ક્ષમતાનો લાભ લઈએ છીએ. સારી રીતે રચાયેલ આર્કિટેક્ચર્સને કારણે મિનીટીને અસરકારક રીતે કાઢી શકાય છે. વધુમાં, ચોકસાઈની ખાતરી આપવામાં આવે છે કે જૂઠાણુંની વિગતો દૂર કરવા માટે વ્યાપક અંદાજ બનાવવામાં આવે છે. વધુમાં, ઓવરફિટ ટાળવા અને મજબૂતાઈમાં સુધારો કરવા માટે ઘણી બધી કુશળતાનો ઉપયોગ કરવામાં આવે છે. આ અભિગમ સારી કામગીરી કરે છે કારણ કે તે ફિંગરપ્રિન્ટ છબીઓમાંની બધી માહિતીનો ઉપયોગ કરે છે, પણ મોટા પ્રમાણમાં ડેટામાંથી મિનીટ પેટર્ન પણ શીખે છે. અગાઉના કામો અને વ્યાપકપણે ઉપયોગમાં લેવાતી વ્યાપારી ફિંગરપ્રિન્ટ ઓળખ સિસ્ટમ સાથે સરખામણી કરવામાં આવે છે. પરિણામો દર્શાવે છે કે અમારી પદ્ધતિ ચોકસાઈ અને મજબૂતાઈ બંનેમાં વધુ સારી કામગીરી કરે છે. |
36b0ba31eb7489772616ea9d5bd789483d494e93 | નવા નિયમોમાં પાવર કન્વર્ટર દ્વારા ઇન્જેક્ટ કરાયેલા વર્તમાન હાર્મોનિક પર વધુ કડક મર્યાદાઓ લાદવામાં આવી છે જે પલ્સ-વિડ્થ-મોડ્યુલેટેડ (પીડબ્લ્યુએમ) રેક્ટિફાયર્સ સાથે પ્રાપ્ત થાય છે. વધુમાં, કેટલાક કાર્યક્રમો પાવર સપ્લાયમાં પાવર પુનર્જીવનની ક્ષમતાની માંગ કરે છે. આ કાર્યમાં રીજનરેટિવ રેક્ટિફાયર્સના ક્ષેત્રમાં ટેકનીકની સ્થિતિ રજૂ કરવામાં આવી છે જેમાં ઇનપુટ હાર્મોનિક ઘટાડવામાં આવે છે અને પાવર ફેક્ટર સુધારેલ છે. પુનઃપ્રાપ્ત કરનાર રેક્ટિફાયર્સ ડીસી બાજુથી એસી પાવર સપ્લાયમાં ઊર્જા પાછા પહોંચાડવા માટે સક્ષમ છે. સિંગલ- અને થ્રી-ફેઝ પાવર સપ્લાય માટે ટોપોલોજીઝ તેમની અનુરૂપ નિયંત્રણ વ્યૂહરચનાઓ સાથે ગણવામાં આવે છે. ખાસ ધ્યાન વિવિધ પ્રક્રિયાઓમાં વોલ્ટેજ અને વર્તમાન સ્રોત પીડબલ્યુએમ રેક્ટિફાયર્સના ઉપયોગ પર આપવામાં આવે છે, જે થોડા કિલોવોટથી લઈને અનેક મેગાવોટ સુધીની શક્તિ ધરાવે છે. આ કાગળ બતાવે છે કે પીડબલ્યુએમ પુનઃપ્રાપ્ય રેક્ટિફાયર એક અત્યંત વિકસિત અને પરિપક્વ તકનીક છે, જેની વ્યાપક ઔદ્યોગિક સ્વીકૃતિ છે. |
7b8031213276b23060fbd17d1d7182835fc2e0c3 | આ કાગળ એક સંકલિત આવર્તન ગુણાંકકનું વર્ણન કરે છે, જે 130 એનએમ સિગે બાયસીએમઓએસ ટેક્નોલોજીમાં ગિલ્બર્ટ સેલ આધારિત આવર્તન ડબલર તરીકે અમલમાં મૂકવામાં આવે છે. આ સર્કિટ 97-134 ગીગાહર્ટ્ઝની 3 ડીબી બેન્ડવિડ્થ દર્શાવે છે, જેમાં 1 ડીબીએમ ઇનપુટ પાવર માટે 1 ડીબીએમની પીક આઉટપુટ પાવર છે. સિંગલ-એન્ડ આઉટપુટ પર માપવામાં આવેલ મૂળભૂત દમન 21 ડીબીસી કરતા વધુ છે જ્યારે ફ્રીક્વન્સી ડબલર 3.3 વી પુરવઠામાંથી 69 એમડબ્લ્યુનો વપરાશ કરે છે. ડબલર પહેલાં એક વિભેદક એમ્પ્લીફાયર છે જે ગિલ્બર્ટ સેલ માટે વિભેદક સંકેત પેદા કરવા માટે સક્રિય બલૂન તરીકે કાર્ય કરે છે. |
2495ebdcb6da8d8c2e82cf57fcaab0ec003d571d | છબીઓના મોટા ડેટાસેટને ધ્યાનમાં રાખીને, અમે તેમની છબી સેગમેન્ટેશન સાથે દૃષ્ટિની સમાન ઑબ્જેક્ટ અને દ્રશ્ય વર્ગોને આપમેળે નક્કી કરવા માંગીએ છીએ. આને હાંસલ કરવા માટે અમે બે વિચારોને જોડીએ છીએ: (i) કે વિભાજિત પદાર્થોનો સમૂહ આંકડાકીય ટેક્સ્ટ વિશ્લેષણમાંથી વિષય શોધ મોડેલોનો ઉપયોગ કરીને વિઝ્યુઅલ ઑબ્જેક્ટ વર્ગોમાં વિભાજિત કરી શકાય છે; અને (ii) કે વિઝ્યુઅલ ઑબ્જેક્ટ વર્ગોનો ઉપયોગ સેગમેન્ટેશનની ચોકસાઈનું મૂલ્યાંકન કરવા માટે થઈ શકે છે. આ વિચારોને એકસાથે જોડવા માટે આપણે દરેક છબીના બહુવિધ સેગ્મેન્ટેશનની ગણતરી કરીએ છીએ અને પછી: (i) ઑબ્જેક્ટ વર્ગો શીખીએ; અને (ii) યોગ્ય સેગ્મેન્ટેશન પસંદ કરો. અમે દર્શાવ્યું છે કે આવા અલ્ગોરિધમનો કેલ્ટેક, એમએસઆરસી અને લેબલમીના સહિત વિવિધ છબી ડેટાસેટ્સમાં આપમેળે ઘણી પરિચિત વસ્તુઓ શોધવામાં સફળ થાય છે. |
6d4e3616d0b27957c4107ae877dc0dd4504b69ab | આ કાગળમાં, અમે વિડિઓઝમાં કાચા અવકાશી સંકેતોમાંથી દ્રશ્ય પ્રતિનિધિત્વ શીખવા માટે એક અભિગમ રજૂ કરીએ છીએ. આપણી રજૂઆતને સિમેન્ટીક લેબલ્સથી દેખરેખ વગર શીખી છે. અમે અમારી પદ્ધતિને એક અનસર્વેસ્ડ ક્રમિક ચકાસણી કાર્ય તરીકે ઘડીએ છીએ, એટલે કે, અમે નક્કી કરીએ છીએ કે વિડિઓમાંથી ફ્રેમ્સનો ક્રમ યોગ્ય સમય ક્રમમાં છે કે નહીં. આ સરળ કાર્ય અને કોઈ અર્થશાસ્ત્રના લેબલ્સ સાથે, અમે એક કન્વૉલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) નો ઉપયોગ કરીને શક્તિશાળી દ્રશ્ય પ્રતિનિધિત્વ શીખીએ છીએ. આ પ્રતિનિધિત્વમાં ઇમેજનેટ જેવા દેખરેખવાળા ઇમેજ ડેટાસેટ્સમાંથી શીખીને પૂરક માહિતી શામેલ છે. ગુણાત્મક પરિણામો દર્શાવે છે કે અમારી પદ્ધતિ માહિતી કેપ્ચર કરે છે જે સમયાંતરે બદલાય છે, જેમ કે માનવ પોઝ. જ્યારે ક્રિયા માન્યતા માટે પૂર્વ-તાલીમ તરીકે ઉપયોગમાં લેવામાં આવે છે, ત્યારે અમારી પદ્ધતિ યુસીએફ 101 અને એચએમડીબી 51 જેવા બેંચમાર્ક ડેટાસેટ્સ પર બાહ્ય ડેટા વિના શીખવા પર નોંધપાત્ર લાભ આપે છે. માનવ પોઝ માટે તેની સંવેદનશીલતા દર્શાવવા માટે, અમે એફએલઆઇસી અને એમપીઆઇઆઇ ડેટાસેટ્સ પર પોઝ અંદાજ માટે પરિણામો બતાવીએ છીએ જે સ્પર્ધાત્મક છે, અથવા નોંધપાત્ર રીતે વધુ દેખરેખનો ઉપયોગ કરતા અભિગમો કરતાં વધુ સારી છે. અમારી પદ્ધતિને સુપરવાઇઝ્ડ પ્રતિનિધિત્વ સાથે ભેગા કરી શકાય છે, જેથી ચોકસાઈમાં વધારાની વૃદ્ધિ થાય. |
f226ec13e016943102eb7ebedab7cf3e9bef69b2 | |
f7ec4269303b4f5a4b4964a278a149a69f2a5910 | અલ્ઝાઇમર રોગ (એડી) ની સચોટ અને પ્રારંભિક નિદાન દર્દીની સંભાળ અને ભવિષ્યની સારવારના વિકાસ માટે મહત્વપૂર્ણ ભૂમિકા ભજવે છે. માળખાકીય અને કાર્યાત્મક ન્યુરોઇમેજ, જેમ કે મેગ્નેટિક રેઝોનન્સ છબીઓ (એમઆરઆઈ) અને પોઝિટ્રોન ઇમિશન ટોમોગ્રાફી (પીઈટી), એડી સાથે સંકળાયેલા એનાટોમિક અને કાર્યાત્મક ન્યુરલ ફેરફારોને સમજવામાં મદદ કરવા માટે શક્તિશાળી ઇમેજિંગ મોડ્યુલેશન્સ પ્રદાન કરી રહી છે. તાજેતરના વર્ષોમાં મશીન લર્નિંગ પદ્ધતિઓનો વ્યાપકપણે અભ્યાસ કરવામાં આવ્યો છે, જેમાં એડીના જથ્થાત્મક મૂલ્યાંકન અને કમ્પ્યુટર સહાયિત નિદાન (સીએડી) માટે મલ્ટી-મોડિલિટી ન્યુરોઇમેજનું વિશ્લેષણ કરવામાં આવ્યું છે. મોટાભાગની હાલની પદ્ધતિઓ ઇમેજ પ્રિપ્રોસેસિંગ પછી હાથથી બનાવટની ઇમેજિંગ સુવિધાઓ બહાર કાઢે છે જેમ કે નોંધણી અને સેગમેન્ટેશન, અને પછી એડી વિષયોને અન્ય જૂથોથી અલગ પાડવા માટે વર્ગીકૃત કરનારને તાલીમ આપે છે. આ કાગળ એડી વર્ગીકરણ માટે એમઆરઆઈ અને પીઈટી મગજની છબીઓની મલ્ટી લેવલ અને મલ્ટીમોડલ સુવિધાઓ શીખવા માટે કાસ્કેડેડ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ (સીએનએન) બનાવવાનો પ્રસ્તાવ આપે છે. પ્રથમ, સ્થાનિક મગજની છબીને વધુ કોમ્પેક્ટ ઉચ્ચ-સ્તરની સુવિધાઓમાં પરિવર્તિત કરવા માટે વિવિધ સ્થાનિક છબી પેચો પર બહુવિધ ઊંડા 3D-CNNs બનાવવામાં આવે છે. પછી, મલ્ટી-મોડિલિટીમાંથી શીખી ઉચ્ચ-સ્તરની સુવિધાઓને એસેમ્બલ કરવા માટે સોફ્ટમેક્સ લેયર દ્વારા અનુસરવામાં આવેલા ઉચ્ચ-ઉચ્ચ-સ્તરના 2D-CNN ને કાસ્કેડ કરવામાં આવે છે અને વર્ગીકરણ કાર્ય માટે અનુરૂપ ઇમેજ પેચની ગુપ્ત મલ્ટીમોડલ સહસંબંધ સુવિધાઓ પેદા કરે છે. છેલ્લે, આ શીખી સુવિધાઓ એડી વર્ગીકરણ માટે સોફ્ટમેક્સ સ્તર દ્વારા અનુસરવામાં આવેલ સંપૂર્ણ જોડાયેલ સ્તર દ્વારા જોડવામાં આવે છે. પ્રસ્તાવિત પદ્ધતિ સ્વયંચાલિત રીતે વર્ગીકરણ માટે બહુવિધ ઇમેજિંગ પદ્ધતિઓમાંથી સામાન્ય મલ્ટી લેવલ અને મલ્ટીમોડલ સુવિધાઓ શીખી શકે છે, જે અમુક હદ સુધી સ્કેલ અને રોટેશન ભિન્નતા માટે મજબૂત છે. મગજની છબીઓને પૂર્વ-પ્રોસેસિંગમાં કોઈ છબી સેગ્મેન્ટેશન અને કઠોર નોંધણીની આવશ્યકતા નથી. અમારી પદ્ધતિનું મૂલ્યાંકન 397 વ્યક્તિઓના બેઝલાઇન એમઆરઆઈ અને પીઈટી છબીઓ પર કરવામાં આવ્યું છે, જેમાં 93 એડી દર્દીઓ, 204 હળવા જ્ઞાનાત્મક ક્ષતિ (એમસીઆઇ, 76 પીએમસીઆઇ + 128 એસએમસીઆઇ) અને 100 સામાન્ય નિયંત્રણો (એનસી) નો સમાવેશ થાય છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે સૂચિત પદ્ધતિ એડી વિરુદ્ધ એનસીના વર્ગીકરણ માટે 93.26% અને વર્ગીકરણ પીએમસીઆઇ વિરુદ્ધ એનસી માટે 82.95% ની ચોકસાઈ પ્રાપ્ત કરે છે, જે આશાસ્પદ વર્ગીકરણ પ્રદર્શન દર્શાવે છે. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.