_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
dcd72f0a9cdc37450379f401fc2f4f87e30f5021 | |
c1b66422b1dab3eeee6d6c760f4bd227a8bb16c5 | |
e75c5d1b7ecd71cd9f1fdc3d07f56290517ef1e5 | ઓનલાઇન ટ્રાન્ઝેક્શન પ્રોસેસિંગ (ઓએલટીપી) અને ઓનલાઇન એનાલિટિકલ પ્રોસેસિંગ (ઓએલએપી) બે ક્ષેત્રો ડેટાબેઝ આર્કિટેક્ચર્સ માટે અલગ પડકારો રજૂ કરે છે. હાલમાં, મિશન-ક્રિટિકલ વ્યવહારોના ઉચ્ચ દર ધરાવતા ગ્રાહકોએ તેમના ડેટાને બે અલગ સિસ્ટમોમાં વહેંચી દીધા છે, ઓએલટીપી માટે એક ડેટાબેઝ અને ઓએલએપી માટે એક કહેવાતા ડેટા વેરહાઉસ. યોગ્ય ટ્રાન્ઝેક્શન રેટ માટે પરવાનગી આપતી વખતે, આ અલગતામાં વિલંબને કારણે ડેટા તાજગીના મુદ્દાઓ સહિત ઘણા ગેરફાયદા છે, જે ફક્ત સમયાંતરે એક્સ્ટ્રેક્ટ ટ્રાન્સફોર્મ લોડ-ડેટા સ્ટેજીંગ અને બે અલગ માહિતી સિસ્ટમ્સ જાળવવાને કારણે અતિશય સ્રોત વપરાશને કારણે થાય છે. અમે હાઈપર નામની એક કાર્યક્ષમ હાઇબ્રિડ સિસ્ટમ રજૂ કરીએ છીએ, જે ટ્રાન્ઝેક્શનલ ડેટાના સુસંગત સ્નેપશોટ જાળવવા માટે હાર્ડવેર-સહાયિત પ્રતિકૃતિ પદ્ધતિઓનો ઉપયોગ કરીને એક સાથે OLTP અને OLAP બંનેને હેન્ડલ કરી શકે છે. હાઈપર એક મુખ્ય-મેમરી ડેટાબેઝ સિસ્ટમ છે જે ઓએલટીપી વ્યવહારોની એસઆઇડી ગુણધર્મોની બાંયધરી આપે છે અને ઓએલએપી ક્વેરી સત્રો (બહુવિધ ક્વેરીઝ) ને સમાન, મનસ્વી રીતે વર્તમાન અને સુસંગત સ્નેપશોટ પર ચલાવે છે. વર્ચ્યુઅલ મેમરી મેનેજમેન્ટ (એડ્રેસ ટ્રાન્સલેશન, કેશીંગ, અપડેટ પર કૉપિ) માટે પ્રોસેસર-અસ્વીકાર્ય સમર્થનનો ઉપયોગ એક જ સમયે બંને ઉપજ આપે છેઃ અભૂતપૂર્વ ઉચ્ચ ટ્રાન્ઝેક્શન રેટ્સ પ્રતિ સેકન્ડ 100000 જેટલા ઊંચા અને ખૂબ જ ઝડપી ઓએલએપી ક્વેરી પ્રતિભાવ સમય એક જ સિસ્ટમ પર બંને વર્કલોડ્સને સમાંતર રીતે ચલાવે છે. પ્રદર્શન વિશ્લેષણ સંયુક્ત ટીપીસી-સી અને ટીપીસી-એચ બેંચમાર્ક પર આધારિત છે. |
732212be0e6c5216158a7470c79fa2ff98a2da06 | અમે સ્ટેક્ડ-એફઇટી મોનોલિથિક મિલિમીટર-વેવ (એમએમડબ્લ્યુ) સંકલિત સર્કિટ ડોહર્ટી પાવર એમ્પ્લીફાયર (ડીપીએ) રજૂ કરીએ છીએ. ડીપીએ 6 ડીબી પાવર બેક-ઓફ (પીબીઓ) પર ઉચ્ચ શક્તિ અને ઉચ્ચ કાર્યક્ષમતા હાંસલ કરવા માટે એક નવલકથા અસમપ્રમાણતાવાળા સ્ટેક ગેટ પૂર્વગ્રહનો ઉપયોગ કરે છે. આ સર્કિટ 0.15-μm ઉન્નતીકરણ મોડ (ઇ-મોડ) ગેલિયમ આર્સેનાઇડ (GaAs) પ્રક્રિયામાં બનાવવામાં આવે છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે 28 ડીબીએમ પર 1 ડીબી ગેઇન કમ્પ્રેશન (પી 1 ડીબી) પર 28.2 ડીબીએમ, 37% ની પીક પાવર એડડ ઇફેકસીટી (પીએઇ) અને 28 ગીગાહર્ટ્ઝ પર 27% ની 6-ડીબી પીબીઓ પર પીએઇ. માપવામાં આવેલ નાના સિગ્નલ ગેઇન 15 ડીબી છે જ્યારે 3-ડીબી બેન્ડવિડ્થ 25.5 થી 29.5 ગીગાહર્ટ્ઝ સુધી આવરી લે છે. 20 મેગાહર્ટઝ 64 ક્યુએએમ મોડ્યુલેટેડ સિગ્નલ સાથે ડિજિટલ પ્રિડોર્શન (ડીપીડી) નો ઉપયોગ કરીને, -46 ડીબીસીના અડીને ચેનલ પાવર રેશિયો (એસીપીઆર) નો અવલોકન કરવામાં આવ્યું છે. |
03837b659b4a8878c2a2dbef411cd986fecfef8e | અમે સમાંતર પાત્ર સ્તર ક્રમ મોડેલિંગ માટે એક ઓટોરેગ્રેસીવ ધ્યાન પદ્ધતિ રજૂ કરીએ છીએ. અમે આ પદ્ધતિનો ઉપયોગ ન્યુરલ મોડેલને વધારવા માટે કરીએ છીએ જેમાં હાઇવે નેટવર્ક સ્કીપ કનેક્શન્સ દ્વારા જોડાયેલા કોઝલ કન્વોલ્યુશનલ સ્તરોના બ્લોક્સનો સમાવેશ થાય છે. અમે સૂચિત ધ્યાન પદ્ધતિ સાથે અને વગર મોડલ્સને અનુક્રમે હાઇવે કોઝલ કન્વોલ્યુશન (કોઝલ કન્વોલ્યુશન) અને ઓટોરેગ્રેસીવ-અટ્રેક્શન કોઝલ કન્વોલ્યુશન (એઆરએ-કન્વોલ્યુશન) તરીકે સૂચવીએ છીએ. ઓટોરેગ્રેસીવ ધ્યાન પદ્ધતિ નિર્ણાયક રીતે ડીકોડરમાં કારણભૂતતા જાળવે છે, જે સમાંતર અમલીકરણની મંજૂરી આપે છે. અમે દર્શાવ્યું છે કે આ મોડેલો, તેમના રિકરન્ટ સમકક્ષો સાથે સરખામણીમાં, અક્ષર-સ્તરના એનએલપી કાર્યોમાં ઝડપી અને સચોટ શિક્ષણને સક્ષમ કરે છે. ખાસ કરીને, આ મોડેલો કુદરતી ભાષા સુધારણા અને ભાષા મોડેલિંગ કાર્યોમાં રિકરન્ટ ન્યુરલ નેટવર્ક મોડેલો કરતાં વધુ સારી કામગીરી કરે છે, અને સમયના અપૂર્ણાંકમાં ચાલે છે. |
fe419be5c53e2931e1d6370c914ce166be29ff6e | |
0c3078bf214cea52669ec13962a0a242243d0e09 | આ કાગળમાં એક નવલકથા કોમ્પેક્ટ ફીડિંગ સર્કિટનો ઉપયોગ કરીને બ્રોડબેન્ડ પ્રિન્ટેડ ચતુર્ભુજ હેલિકલ એન્ટેનાનો પ્રસ્તાવ છે. આ એન્ટેના 29% બેન્ડવિડ્થ સાથે વિશાળ બીમવિડ્થ પર ઉત્તમ અક્ષીય ગુણોત્તર રજૂ કરે છે. એક વિશિષ્ટ ફીડિંગ સર્કિટ જે એપરચર-કપ્લડ ટ્રાન્ઝિશન પર આધારિત છે અને જેમાં બે 90 ડિગ્રી સપાટી માઉન્ટ હાઇબ્રિડનો સમાવેશ થાય છે તે ચાર-ફાઇલર એન્ટેના સાથે સંકલિત કરવા માટે રચાયેલ છે. બેન્ડવિડ્થ પર, બ્રોડબેન્ડ કોમ્પેક્ટ સર્કિટ દ્વારા ફીડ થયેલા એન્ટેનાના માપવામાં આવેલા પ્રતિબિંબ ગુણાંક -12 ડીબી અથવા તેનાથી ઓછી હોવાનું જાણવા મળ્યું છે અને મહત્તમ લાભ 1.5 થી 2.7 ડીબીઆઇસી 1.18 થી 1.58 ગીગાહર્ટ્ઝ વચ્ચે બદલાય છે. અર્ધ-શક્તિ બીમ પહોળાઈ 150 ° છે, આ શ્રેણીમાં 3 ડીબીથી નીચેના અક્ષીય ગુણોત્તર સાથે. ફીડિંગ સર્કિટની કોમ્પેક્ટતા એરે ગોઠવણોમાં નાના તત્વ અંતરને મંજૂરી આપે છે. |
0c3751db5a24c636c1aa8abfd9d63321b38cfce5 | સ્ટોકાસ્ટિક ગ્રેડિએન્ટ ડેશન્ટ (એસજીડી) એ એસવીએમ જેવી મોટા પાયે દેખરેખવાળી મશીન લર્નિંગ ઑપ્ટિમાઇઝેશન સમસ્યાઓનું નિરાકરણ કરવા માટે લોકપ્રિય બની છે, કારણ કે તેમની મજબૂત સૈદ્ધાંતિક બાંયધરીઓ છે. જ્યારે નજીકથી સંબંધિત ડ્યુઅલ કોઓર્ડિનેટ એસેન્ટ (ડીસીએ) પદ્ધતિ વિવિધ સોફ્ટવેર પેકેજોમાં અમલમાં આવી છે, તે અત્યાર સુધી સારા સંકલન વિશ્લેષણનો અભાવ છે. આ કાગળ સ્ટોકાસ્ટિક ડ્યુઅલ કોઓર્ડિનેટ એસેન્ટ (એસડીસીએ) નું નવું વિશ્લેષણ રજૂ કરે છે જે દર્શાવે છે કે આ પદ્ધતિઓનો વર્ગ મજબૂત સૈદ્ધાંતિક બાંયધરીઓ ધરાવે છે જે એસજીડી કરતા તુલનાત્મક અથવા વધુ સારી છે. આ વિશ્લેષણ SDCAની અસરકારકતાને વ્યવહારિક એપ્લિકેશન્સ માટે યોગ્ય ઠેરવે છે. |
24424918dc93c016deeaeb86a01c8bfc01253c9b | ઘણા ક્લાસિકલ અલ્ગોરિધમ્સ ઘણા વર્ષો પછી સુધી તે મર્યાદાઓથી બહાર રહે છે જેમાં તેઓ કલ્પના કરવામાં આવ્યા હતા, અને અણધારી સેટિંગ્સમાં સંબંધિત રહેવાનું ચાલુ રાખે છે. આ કાગળમાં, અમે બતાવીએ છીએ કે એસવીઆરજી આવી એક પદ્ધતિ છેઃ મૂળરૂપે મજબૂત ઉમદા ઉદ્દેશો માટે રચાયેલ છે, તે બિન-મજબૂત ઉમદા અથવા બિન-ઉમદા સેટિંગ્સના સરવાળો હેઠળ પણ ખૂબ જ મજબૂત છે. જો f (x) સરળ, ઉમદા કાર્યોનું સરવાળું હોય પરંતુ f મજબૂત ઉમદા ન હોય (જેમ કે લાસો અથવા લોજિસ્ટિક રીગ્રેસન), તો અમે એક પ્રકારનું એસવીઆરજી પ્રસ્તાવિત કરીએ છીએ જે એસવીઆરજીની ટોચ પર વધતી જતી યુગની લંબાઈની નવલકથા પસંદગી કરે છે. એસવીઆરજી આ સેટિંગમાં એસવીઆરજીનો સીધો, ઝડપી પ્રકાર છે. જો f (x) નો નોન-કોન્વેક્સ ફંક્શન્સનો સરવાળો હોય પરંતુ f ખૂબ જ કોન્વેક્સ હોય, તો આપણે બતાવીએ છીએ કે એસવીઆરજીનું સંપાત રેખીય રીતે સરવાળોના નોન-કોન્વેક્સિટી પરિમાણ પર નિર્ભર કરે છે. આ સેટિંગમાં શ્રેષ્ઠ જાણીતા પરિણામ સુધારે છે, અને સ્ટોકાસ્ટિક પીસીએ માટે વધુ સારો સમય આપે છે. |
680cbbc88d537bd6f5a68701b1bb0080a77faa00 | સ્ટોકાસ્ટિક ગ્રેડિએન્ટ ઉતરાણ મોટા પાયે ઓપ્ટિમાઇઝેશન માટે લોકપ્રિય છે પરંતુ અંતર્ગત વિવિધતાને કારણે ધીમી સંકલન છે. આ સમસ્યાને દૂર કરવા માટે, અમે સ્ટોકાસ્ટિક ગ્રૅડિયન્ટ ઉતરાણ માટે સ્પષ્ટ વિભેદક ઘટાડવાની પદ્ધતિ રજૂ કરીએ છીએ જેને અમે સ્ટોકાસ્ટિક વિભેદક ઘટાડેલા ગ્રૅડિયન્ટ (એસવીઆરજી) કહીએ છીએ. સરળ અને મજબૂત ઉમદા કાર્યો માટે, અમે સાબિત કરીએ છીએ કે આ પદ્ધતિ સ્ટોકાસ્ટિક ડ્યુઅલ કોઓર્ડિનેટ એસેન્ટ (એસડીસીએ) અને સ્ટોકાસ્ટિક એવરેજ ગ્રેડીએન્ટ (એસએજી) જેવા જ ઝડપી સંકલન દર ધરાવે છે. જો કે, અમારું વિશ્લેષણ નોંધપાત્ર રીતે સરળ અને વધુ સાહજિક છે. વધુમાં, એસડીસીએ અથવા એસએજીથી વિપરીત, અમારી પદ્ધતિને ઢાળના સંગ્રહની જરૂર નથી, અને તેથી કેટલીક માળખાગત આગાહી સમસ્યાઓ અને ન્યુરલ નેટવર્ક શિક્ષણ જેવી જટિલ સમસ્યાઓમાં વધુ સરળતાથી લાગુ પડે છે. |
9fe5a7a24ff81ba2b6769e811b6ab47188a45242 | સિગ્નલ/ઇમેજ પ્રોસેસિંગ, આંકડા અને મશીન લર્નિંગમાં તાજેતરમાં બિન-સંકુચિત અને બિન-સુંવાળી સમસ્યાઓને નોંધપાત્ર ધ્યાન આપવામાં આવ્યું છે. જો કે, બિન-સંકુચિત અને બિન-સુંવાળી ઑપ્ટિમાઇઝેશન સમસ્યાઓનું નિરાકરણ એક મોટો પડકાર છે. એક્સિલરેટેડ પ્રોક્સીમલ ગ્રૅડિયન્ટ (એપીજી) એ કોન્વેક્સ પ્રોગ્રામિંગ માટે એક ઉત્તમ પદ્ધતિ છે. જો કે, હજુ પણ અજ્ઞાત છે કે શું સામાન્ય એપીજી બિન-સંકુચિત પ્રોગ્રામિંગમાં નિર્ણાયક બિંદુ સુધી સંકલન સુનિશ્ચિત કરી શકે છે. આ કાગળમાં, અમે એક મોનિટર રજૂ કરીને સામાન્ય બિન-સંકુચિત અને બિન-સુંવાળી કાર્યક્રમો માટે એપીજીને વિસ્તૃત કરીએ છીએ જે પર્યાપ્ત વંશ મિલકતને સંતોષે છે. આથી અમે એકાધિકાર APG અને એકાધિકાર APGનો પ્રસ્તાવ મુકીએ છીએ. બાદમાં ઉદ્દેશ કાર્યના એકવિધ ઘટાડો પરની જરૂરિયાતને છોડી દે છે અને દરેક પુનરાવર્તનમાં ઓછી ગણતરીની જરૂર છે. અમારા જ્ઞાન મુજબ, અમે સામાન્ય બિન-સંકુચિત અને બિન-સુંવાળી સમસ્યાઓ માટે એપીજી-પ્રકારના અલ્ગોરિધમ્સ પૂરા પાડવા માટે સૌ પ્રથમ છીએ, જે ખાતરી કરે છે કે દરેક સંચય બિંદુ એક નિર્ણાયક બિંદુ છે, અને સંપાત દર ઓ (૧ કે૨) રહે છે જ્યારે સમસ્યાઓ ઉભું હોય છે, જેમાં કે પુનરાવર્તનોની સંખ્યા છે. સંખ્યાત્મક પરિણામો ઝડપમાં અમારા અલ્ગોરિધમ્સના લાભની સાક્ષી આપે છે. |
3e36eb936002a59b81d8abb4548dc2c42a29b743 | ઘણી વખત સુરક્ષાને ઓટોમેશન સિસ્ટમ્સ માટે એક ઍડ-ઑન સેવા તરીકે જોવામાં આવે છે જે ઘણીવાર કાર્યક્ષમ ટ્રાન્સમિશન અથવા સંસાધન મર્યાદાઓ જેવા અન્ય ધ્યેયો સાથે સંઘર્ષ કરે છે. આ લેખ ઓટોમેશન સિસ્ટમ્સમાં સુરક્ષા માટે વ્યવહાર-લક્ષી અભિગમ માટે જાય છે. તેમાં ઓટોમેશન સિસ્ટમ્સ અને ખાસ કરીને ઓટોમેશન નેટવર્કને સામાન્ય ધમકીઓનું વિશ્લેષણ કરવામાં આવ્યું છે, સુરક્ષાને ધ્યાનમાં રાખીને સિસ્ટમોને વર્ગીકૃત કરવા માટે એક મોડેલ તૈયાર કરવામાં આવ્યું છે અને વિવિધ સિસ્ટમ સ્તરો પર ઉપલબ્ધ સામાન્ય પગલાંની ચર્ચા કરવામાં આવી છે. પગલાંનું વર્ણન સમગ્ર સિસ્ટમ સુરક્ષા પરની અસરોને રેટ કરવા માટે પરવાનગી આપવું જોઈએ. |
8b74a32cebb5faf131595496f6470ff9c2c33468 | ફેસબુક ઝડપથી સામાજિક સંચાર માટે સૌથી લોકપ્રિય સાધનોમાંનું એક બની રહ્યું છે. જો કે, ફેસબુક અન્ય સોશિયલ નેટવર્કિંગ સાઇટ્સથી કંઈક અલગ છે કારણ કે તે ઑફલાઇનથી ઑનલાઇન વલણ દર્શાવે છે; એટલે કે, મોટાભાગના ફેસબુક મિત્રો ઑફલાઇન મળ્યા છે અને પછીથી ઉમેરાય છે. આ સંશોધનમાં તપાસ કરવામાં આવી છે કે કેવી રીતે વ્યક્તિત્વનું પાંચ-પરિબળ મોડલ ફેસબુકના ઉપયોગ સાથે સંબંધિત છે. બહારના લોકો અને અનુભવ માટે ખુલ્લા હોવા અંગે કેટલાક અપેક્ષિત વલણો હોવા છતાં, પરિણામો દર્શાવે છે કે વ્યક્તિત્વ પરિબળો અગાઉના સાહિત્ય સૂચવે છે તેટલા પ્રભાવશાળી ન હતા. પરિણામોએ એ પણ સૂચવ્યું કે વાતચીત કરવાની પ્રેરણા ફેસબુકના ઉપયોગની દ્રષ્ટિએ પ્રભાવશાળી હતી. એવું સૂચવવામાં આવ્યું છે કે ફેસબુક જેવા સાધનોનો ઉપયોગ કરવાના નિર્ણયમાં વિવિધ પ્રેરણાઓ પ્રભાવિત થઈ શકે છે, ખાસ કરીને જ્યારે ફેસબુકના વ્યક્તિગત કાર્યોને ધ્યાનમાં લેવામાં આવે છે. 2008 એલ્સેવીયર લિમિટેડ. બધા અધિકારો સુરક્ષિત છે. ૧. વ્યક્તિત્વના સહસંબંધ અને સંબંધિત ક્ષમતા પરિબળો |
423fff94db2be3ddef5e3204338d2111776eafea | અમે 362 મિલિયન સંદેશાઓના સંપૂર્ણ અનામી હેડર્સનું વિશ્લેષણ કર્યું છે 4.2 મિલિયન વપરાશકર્તાઓ દ્વારા વિનિમય ફેસબુક, કોલેજના વિદ્યાર્થીઓનું ઓનલાઇન સોશિયલ નેટવર્ક, 26 મહિનાના અંતરાલ દરમિયાન. આ ડેટામાં દૈનિક અને સાપ્તાહિક નિયમિતતાની સંખ્યા જોવા મળે છે, જે કોલેજના વિદ્યાર્થીઓના સમયના ઉપયોગ અને તેમના સામાજિક જીવનની માહિતી આપે છે, જેમાં મોસમી ફેરફારોનો પણ સમાવેશ થાય છે. અમે એ પણ તપાસ કરી કે શાળાની સંલગ્નતા અને અનૌપચારિક ઓનલાઇન "મિત્ર" યાદીઓ જેવા પરિબળો અવલોકન વર્તન અને સમયાંતરે પેટર્ન પર કેવી અસર કરે છે. છેલ્લે, અમે બતાવીએ છીએ કે ફેસબુક વપરાશકર્તાઓ તેમના ક્ષણિક સંદેશા પેટર્નના સંદર્ભમાં શાળા દ્વારા ક્લસ્ટર કરેલા હોય છે. |
1bed30d161683d279780aee34619f94a860fa973 | અમારા વિશ્લેષણ દર્શાવે છે કે ઘણા "મોટી-મેમરી" સર્વર વર્કલોડ્સ, જેમ કે ડેટાબેસેસ, ઇન-મેમરી કેશ અને ગ્રાફ એનાલિટિક્સ, પૃષ્ઠ-આધારિત વર્ચ્યુઅલ મેમરી માટે ઊંચી કિંમત ચૂકવે છે. તેઓ મોટા પાનાઓનો ઉપયોગ કરીને પણ ટીએલબીની ભૂલો પર 10% જેટલા એક્ઝેક્યુશન ચક્રનો ઉપયોગ કરે છે. બીજી તરફ, આપણે શોધીએ છીએ કે આ વર્કલોડ્સ મોટાભાગના પૃષ્ઠો પર વાંચવા-લખવાની પરવાનગીનો ઉપયોગ કરે છે, સ્વેપ ન કરવા માટે પૂરા પાડવામાં આવે છે, અને ભાગ્યે જ પૃષ્ઠ-આધારિત વર્ચ્યુઅલ મેમરીની સંપૂર્ણ સુગમતાનો લાભ લે છે. મોટા-મેમરી વર્કલોડ્સ માટે ટીએલબી મિસ ઓવરહેડને દૂર કરવા માટે, અમે પ્રક્રિયાના સીધી સેગમેન્ટ સાથેના રેખીય વર્ચ્યુઅલ સરનામાંની જગ્યાના ભાગને મેપ કરવાનો પ્રસ્તાવ મૂક્યો છે, જ્યારે બાકીના વર્ચ્યુઅલ સરનામાંની જગ્યાને મેપિંગ કરી રહ્યા છે. સીધા સેગમેન્ટ્સ સીધા ભૌતિક મેમરીમાં સીધા જ અડીને વર્ચ્યુઅલ મેમરી પ્રદેશોને મેપ કરવા માટે ન્યૂનતમ હાર્ડવેરનો ઉપયોગ કરે છે. તેઓ ડેટાબેઝ બફર પુલ અને ઇન-મેમરી કી-વેલ્યુ સ્ટોર્સ જેવા કી ડેટા સ્ટ્રક્ચર્સ માટે ટીએલબીની ભૂલોની સંભાવનાને દૂર કરે છે. સીધા સેગમેન્ટ દ્વારા મેપ કરેલી મેમરીને જરૂર પડે ત્યારે પેજિંગમાં ફેરવી શકાય છે. અમે લિનક્સમાં x86-64 માટે ડાયરેક્ટ-સેગમેન્ટ સૉફ્ટવેર સપોર્ટનું પ્રોટોટાઇપ કરીએ છીએ અને ડાયરેક્ટ-સેગમેન્ટ હાર્ડવેરને અનુકરણ કરીએ છીએ. અમારા વર્કલોડ્સ માટે, સીધા સેગમેન્ટ્સ લગભગ તમામ ટીએલબી નિષ્ફળતાઓ દૂર કરે છે અને ટીએલબી નિષ્ફળતાઓ પરના અમલ સમયને 0.5% કરતા ઓછા સમયમાં ઘટાડે છે. |
86dc975f9cbd9a205f8e82fb1db3b61c6b738fa5 | મલ્ટીમીડિયા કન્ટેન્ટને મશીન ટેગિંગ માટે વધુને વધુ શક્તિશાળી તકનીકો ઉભરી આવે છે, તે અંતર્ગત શબ્દભંડોળને પ્રમાણિત કરવા માટે વધુને વધુ મહત્વપૂર્ણ બની જાય છે. આમ કરવાથી આંતરક્રિયાત્મકતા પૂરી પાડવામાં આવે છે અને મલ્ટીમીડિયા સમુદાયને સારી રીતે વ્યાખ્યાયિત સિમેન્ટીક્સના સમૂહ પર ચાલુ સંશોધન પર ધ્યાન કેન્દ્રિત કરવા દે છે. આ કાગળ બ્રોડકાસ્ટ ન્યૂઝ વિડીયોનું વર્ણન કરવા માટે એક મોટી પ્રમાણિત વર્ગીકરણ વિકસાવવા માટે મલ્ટીમીડિયા સંશોધકો, પુસ્તકાલય વૈજ્ઞાનિકો અને અંતિમ વપરાશકર્તાઓના સહયોગી પ્રયત્નોનું વર્ણન કરે છે. મલ્ટીમીડિયા (એલએસકોમ) માટે મોટા પાયે ખ્યાલ ઓન્ટોલોજી એ તેની પ્રકારની પ્રથમ છે જે અંતિમ વપરાશકર્તાની ઍક્સેસને સરળ બનાવવા માટે એક સાથે ઉપયોગિતાને ઑપ્ટિમાઇઝ કરવા માટે રચાયેલ છે, એક મોટી સિમેન્ટીક જગ્યાને આવરી લે છે, સ્વયંસંચાલિત નિષ્કર્ષણને શક્ય બનાવે છે અને વિવિધ બ્રોડકાસ્ટ ન્યૂઝ વિડિઓ ડેટા સેટમાં અવલોકનક્ષમતામાં વધારો કરે છે. |
2b2ba9b0022ff45939527836a150959fe388ee23 | |
c39d04c6f3b84c77ad379d0358bfbe7148ad4fd2 | |
8db7f5a54321e1a4cd51d0666607279556a57404 | તબીબી અને માનસિક સમસ્યાઓથી પીડાતા દર્દીઓ દ્વારા વારંવાર ધ્યાન પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે. તેમની વધતી જતી અપીલ અને ઉપયોગને કારણે, અને તબીબી ઉપચાર તરીકે ઉપયોગની સંભાવનાને કારણે, તબીબી હસ્તક્ષેપો તરીકે આ પ્રથાઓની વર્તમાન વૈજ્ઞાનિક જ્ઞાનની સંક્ષિપ્ત અને સંપૂર્ણ સમીક્ષા હાથ ધરવામાં આવી હતી. હેતુ રોગની સારવારમાં ધ્યાનની પદ્ધતિઓની અસરકારકતા અને સલામતીને સમર્થન આપતા પુરાવાઓની વ્યવસ્થિત સમીક્ષા કરવી અને વધુ અભ્યાસની જરૂર હોય તેવા ક્ષેત્રોની તપાસ કરવી. સામાન્ય તંદુરસ્ત વસ્તી પરના અભ્યાસોનો સમાવેશ કરવામાં આવ્યો નથી. પધ્ધતિઓ શોધો પબમેડ, સાયકિનફો અને કોક્રેન ડેટાબેઝનો ઉપયોગ કરીને કરવામાં આવી હતી. મુખ્ય શબ્દો હતા - ધ્યાન, ધ્યાનયુક્ત પ્રાર્થના, યોગ, રિલેક્સેશન રિસ્પોન્સ. ક્વોલિફાઇંગ સ્ટડીઝની સમીક્ષા કરવામાં આવી હતી અને બે સમીક્ષકો દ્વારા ગુણવત્તાના આધારે સ્વતંત્ર રીતે રેટ કરવામાં આવ્યા હતા. મધ્યમથી ઉચ્ચ ગુણવત્તાવાળા અભ્યાસો (માન્ય સંશોધન ગુણવત્તાના સ્કેલ પર 0.65 અથવા 65% થી વધુ સ્કોર) નો સમાવેશ કરવામાં આવ્યો હતો. કુલ 82 ઓળખાયેલા અભ્યાસોમાંથી, 20 રેન્ડમાઇઝ્ડ નિયંત્રિત ટ્રાયલ્સ અમારા માપદંડને મળ્યા. આ અભ્યાસોમાં કુલ 958 વ્યક્તિઓ (પ્રાયોગિક રીતે સારવાર કરાયેલા 397, 561 નિયંત્રણો) નો સમાવેશ કરવામાં આવ્યો હતો. કોઈપણ ક્લિનિકલ ટ્રાયલમાં કોઈ ગંભીર પ્રતિકૂળ ઘટનાઓ નોંધવામાં આવી નથી. ગંભીર પ્રતિકૂળ ઘટનાઓ તબીબી સાહિત્યમાં નોંધવામાં આવી છે, જોકે દુર્લભ. રોગચાળાના લક્ષણો, પ્રિમેન્સ્ટ્ર્યુઅલ સિન્ડ્રોમ અને મેનોપોઝલ લક્ષણો માટે અસરકારકતા માટે સૌથી મજબૂત પુરાવા મળ્યા હતા. મૂડ અને અસ્વસ્થતા વિકાર, સ્વયંપ્રતિરક્ષા રોગ અને ન્યુપોલાસ્ટિક રોગમાં ભાવનાત્મક વિકાર માટે પણ લાભ દર્શાવવામાં આવ્યો હતો. નિષ્કર્ષ પરિણામો ચોક્કસ રોગોની સારવાર માટે, ખાસ કરીને બિન-માનસિક મૂડ અને અસ્વસ્થતા વિકારમાં ધ્યાન પદ્ધતિઓની સલામતી અને સંભવિત અસરકારકતાને સમર્થન આપે છે. મોટા, પદ્ધતિસરના સારા અભ્યાસોમાંથી અસરકારકતાનું સમર્થન કરનારા સ્પષ્ટ અને પુનરાવર્તિત પુરાવાઓનો અભાવ છે. |
46b2cd0ef7638dcb4a6220a52232712beb2fa850 | 3ડી માનવ ગતિના જનરેટિવ મોડલ્સ ઘણી વખત નાની સંખ્યામાં પ્રવૃત્તિઓ સુધી મર્યાદિત હોય છે અને તેથી નવીન ગતિવિધિઓ અથવા એપ્લિકેશન્સ માટે સારી રીતે સામાન્યીકરણ કરી શકતા નથી. આ કાર્યમાં અમે માનવ ગતિ કેપ્ચર ડેટા માટે ઊંડા શિક્ષણ માળખું પ્રસ્તાવિત કરીએ છીએ જે ગતિ કેપ્ચર ડેટાના મોટા કોર્પસમાંથી સામાન્ય પ્રતિનિધિત્વ શીખે છે અને નવા, અદ્રશ્ય, ગતિ માટે સારી રીતે સામાન્ય બનાવે છે. એક એન્કોડિંગ-ડિકોડિંગ નેટવર્કનો ઉપયોગ કરીને જે ભવિષ્યના 3D પોઝની આગાહી કરવાનું શીખે છે તાજેતરના ભૂતકાળમાંથી, અમે માનવ ગતિના લક્ષણનું પ્રતિનિધિત્વ કાઢીએ છીએ. ક્રમ આગાહી માટે ઊંડા શિક્ષણ પરના મોટાભાગના કામ વિડિઓ અને ભાષણ પર ધ્યાન કેન્દ્રિત કરે છે. હાડપિંજર ડેટામાં અલગ માળખું હોવાથી, અમે વિવિધ નેટવર્ક આર્કિટેક્ચર્સને રજૂ કરીએ છીએ અને તેનું મૂલ્યાંકન કરીએ છીએ જે સમયની નિર્ભરતા અને અંગના સંબંધ વિશે વિવિધ ધારણાઓ બનાવે છે. શીખી લીધેલા લક્ષણોની ગણતરી કરવા માટે, અમે ક્રિયા વર્ગીકરણ માટે વિવિધ સ્તરોના આઉટપુટનો ઉપયોગ કરીએ છીએ અને નેટવર્ક એકમોના રીસેપ્ટિવ ક્ષેત્રોને વિઝ્યુઅલાઈઝ કરીએ છીએ. અમારી પદ્ધતિ હાડપિંજર ગતિ આગાહીમાં કલાની તાજેતરની સ્થિતિને આગળ વધે છે, તેમ છતાં આ ક્રિયા વિશિષ્ટ તાલીમ ડેટાનો ઉપયોગ કરે છે. અમારા પરિણામો દર્શાવે છે કે ઊંડા ફીડફોર્ડ નેટવર્ક્સ, જે સામાન્ય મોકઅપ ડેટાબેઝથી તાલીમ પામેલા છે, તેનો ઉપયોગ માનવ ગતિ ડેટામાંથી સુવિધા નિષ્કર્ષણ માટે સફળતાપૂર્વક થઈ શકે છે અને આ પ્રતિનિધિત્વનો ઉપયોગ વર્ગીકરણ અને આગાહી માટે પાયો તરીકે થઈ શકે છે. |
3c094494f6a911de3087ed963d3d893f6f2b1d71 | ઉદ્દેશ્ય આ અભ્યાસનો ઉદ્દેશ હાઈબ્રિડ સહાયક અંગ પ્રણાલીના ક્લિનિકલ એપ્લિકેશન્સ પર સાહિત્યની સમીક્ષા કરવાનો હતો. પદ્ધતિઓ Web of Science, PubMed, CINAHL અને clinicaltrials.gov નો ઉપયોગ કરીને વ્યવસ્થિત સાહિત્ય શોધ હાથ ધરવામાં આવી હતી અને ઓળખી કાઢવામાં આવેલા અહેવાલોમાં સંદર્ભ યાદીઓનો ઉપયોગ કરીને વધારાની શોધ કરવામાં આવી હતી. સારાંશની તપાસ કરવામાં આવી હતી, સંબંધિત લેખોની સમીક્ષા કરવામાં આવી હતી અને ગુણવત્તા મૂલ્યાંકનને આધિન હતા. પરિણામો 37 અભ્યાસોમાંથી, 7 અભ્યાસો સમાવેશ માપદંડને પૂર્ણ કરે છે. છ અભ્યાસ એકલ જૂથના અભ્યાસ હતા અને 1 એક સંશોધનકર્તા રેન્ડમાઇઝ્ડ નિયંત્રિત ટ્રાયલ હતો. કુલ મળીને, આ અભ્યાસોમાં 140 સહભાગીઓ સામેલ હતા, જેમાંથી 118એ હસ્તક્ષેપો પૂર્ણ કર્યા હતા અને 107એ ચાલવાની તાલીમ માટે HALનો ઉપયોગ કર્યો હતો. સ્ટ્રોક પછી ચાલવાની તાલીમ, સ્પાઇનલ મર્ડર ઈજા (એસસીઆઇ) પછી 1 અને સ્ટ્રોક, એસસીઆઇ અથવા ચાલવાની ક્ષમતાને અસર કરતા અન્ય રોગો પછી 1 અભ્યાસ. આ અભ્યાસોમાં હળવા અને ક્ષણિક આડઅસરો જોવા મળી હતી પરંતુ કોઈ ગંભીર પ્રતિકૂળ ઘટનાઓની જાણ કરવામાં આવી નથી. ચાલવાની કાર્ય ચલો અને ચાલવાની સ્વતંત્રતા પર ફાયદાકારક અસરો જોવા મળી હતી. નિષ્કર્ષો સંચિત તારણો દર્શાવે છે કે એચએએલ સિસ્ટમ વ્યાવસાયિક સેટિંગમાં નીચલા અંગોના પેરેસિસ ધરાવતા દર્દીઓની ચાલવાની તાલીમ માટે ઉપયોગમાં લેવાતી વખતે શક્ય છે. ચાલવાની કાર્યક્ષમતા અને સ્વતંત્રતા પર લાભદાયક અસરો જોવા મળી હતી પરંતુ ડેટા નિષ્કર્ષને મંજૂરી આપતા નથી. વધુ નિયંત્રિત અભ્યાસોની ભલામણ કરવામાં આવે છે. |
515e34476452bbfeb111ce5480035ae1f7aa4bee | સારી ઇન્ડોર હવાની ગુણવત્તા માનવ સ્વાસ્થ્યનો એક મહત્વપૂર્ણ ભાગ છે. ગરીબ ઇન્ડોર હવાની ગુણવત્તા એ અસ્થમા, હૃદયરોગ અને ફેફસાના કેન્સર જેવા ક્રોનિક શ્વસન રોગોના વિકાસમાં ફાળો આપી શકે છે. આ બાબતને વધુ જટિલ બનાવીને, ખરાબ હવાની ગુણવત્તાને ફક્ત દૃષ્ટિ અને ગંધ દ્વારા જ ઓળખવી મનુષ્ય માટે અત્યંત મુશ્કેલ છે અને હાલના સેન્સર સાધનોનો ઉપયોગ સામાન્ય નાગરિકો કરતાં વૈજ્ઞાનિકો દ્વારા કરવામાં આવે છે અને ડેટા પૂરો પાડવામાં આવે છે. અમે ઇનએરનો પ્રસ્તાવ મુકીએ છીએ, જે ઇન્ડોર હવાની ગુણવત્તાને માપવા, વિઝ્યુઅલાઈઝ કરવા અને શીખવા માટેનું એક સાધન છે. inAir એ ૦.૫ માઇક્રોન જેટલા નાના હવામાં ફેલાયેલા નાના જોખમી કણોને માપવા દ્વારા આંતરિક હવાની ગુણવત્તાના ઐતિહાસિક અને રીઅલ-ટાઇમ વિઝ્યુલાઇઝેશન્સ પ્રદાન કરે છે. વપરાશકર્તા અભ્યાસો દ્વારા અમે દર્શાવ્યું છે કે કેવી રીતે inAir વધુ જાગૃતિને પ્રોત્સાહન આપે છે અને ઇન્ડોર હવાની ગુણવત્તા સુધારવા માટે વ્યક્તિગત ક્રિયાઓને પ્રેરિત કરે છે. |
44db0c2f729661e7b30af484a1ad5df4e70cb22a | બ્લૂટૂથ વોર્મ્સ હાલમાં ઇન્ટરનેટ સ્કેનિંગ વોર્મ્સની તુલનામાં પ્રમાણમાં ઓછા જોખમી છે. બ્લુબેગ પ્રોજેક્ટ બ્લૂટૂથ માલવેર દ્વારા પ્રૂફ-ઓફ-કન્સેપ્ટ કોડ્સ અને મોબાઇલ ઉપકરણોનો ઉપયોગ કરીને લક્ષિત હુમલાઓ દર્શાવે છે |
0a87428c6b2205240485ee6bb9cfb00fd9ed359c | ઓપ્ટિકલ ફ્લો અંદાજ અલ્ગોરિધમ્સની ચોકસાઈ સતત સુધરી રહી છે, જે મિડલબરી ઓપ્ટિકલ ફ્લો બેંચમાર્કના પરિણામો દ્વારા પુરાવા છે. જો કે, હોર્ન અને શંકના કાર્યથી લાક્ષણિક રચનામાં થોડો ફેરફાર થયો છે. અમે ઉદ્દેશ કાર્ય, ઑપ્ટિમાઇઝેશન પદ્ધતિ અને આધુનિક અમલીકરણ પદ્ધતિઓ ચોકસાઈને કેવી રીતે પ્રભાવિત કરે છે તેના સંપૂર્ણ વિશ્લેષણ દ્વારા તાજેતરની પ્રગતિને શક્ય બનાવ્યું છે તે શોધવાનો પ્રયાસ કરીએ છીએ. આપણે શોધીએ છીએ કે ક્લાસિકલ ફ્લો ફોર્મ્યુલેશન્સ આધુનિક ઓપ્ટિમાઇઝેશન અને અમલીકરણ તકનીકો સાથે જોડાયેલા હોય ત્યારે આશ્ચર્યજનક રીતે સારી કામગીરી કરે છે. વધુમાં, અમે શોધીએ છીએ કે જ્યારે ઑપ્ટિમાઇઝેશન દરમિયાન મધ્યવર્તી પ્રવાહ ક્ષેત્રોનું મધ્યવર્તી ફિલ્ટરિંગ તાજેતરના પ્રભાવ લાભ માટે ચાવીરૂપ છે, તે ઉચ્ચ ઊર્જા ઉકેલો તરફ દોરી જાય છે. આ ઘટના પાછળના સિદ્ધાંતોને સમજવા માટે, અમે એક નવું ઉદ્દેશ્ય મેળવીએ છીએ જે મધ્યમ ફિલ્ટરિંગ હ્યુરિસ્ટિકને ઔપચારિક બનાવે છે. આ ઉદ્દેશ્યમાં બિન-સ્થાનિક શબ્દનો સમાવેશ થાય છે જે મોટા અવકાશી પડોશીઓ પર પ્રવાહના અંદાજોને મજબૂત રીતે એકીકૃત કરે છે. આ નવા શબ્દને સંશોધિત કરીને પ્રવાહ અને છબીની સીમાઓ વિશેની માહિતી શામેલ કરવા માટે અમે એક પદ્ધતિ વિકસાવી છે જે મિડલબરી બેંચમાર્કની ટોચ પર છે. |
90930683f4ef3da8c51ed7d2553774c196172cb3 | |
919bd86eb5fbccd3862e3e2927d4a0d468c7c591 | |
73e51b9820e90eb6525fc953c35c9288527cecfd | વર્તમાન ન્યુરલ ડિપેન્ડન્સી પાર્સર્સ સામાન્ય રીતે દ્વિ-દિશાત્મક એલએસટીએમ સાથે સજામાં દરેક શબ્દને એન્કોડ કરે છે, અને માથા અને સંશોધકના એલએસટીએમ રજૂઆતોમાંથી આર્કના સ્કોરનો અંદાજ કાઢે છે, કદાચ આર્ક માટે સંબંધિત સંદર્ભ માહિતી ખૂટે છે. આ અભ્યાસમાં, અમે એક ન્યુરલ લક્ષણ નિષ્કર્ષણ પદ્ધતિ પ્રસ્તાવ છે કે જે આર્કવિશિષ્ટ લક્ષણો કાઢવા માટે શીખે છે. અમે એક ન્યુરલ નેટવર્ક આધારિત ધ્યાન પદ્ધતિ લાગુ કરીએ છીએ દરેક શક્ય હેડ-મોડિફાયર જોડી માટે અને વિરુદ્ધ પુરાવા એકત્રિત કરવા માટે, જેની સાથે અમારું મોડેલ માન્યતા અને અવિશ્વાસની નિશ્ચિતતા સ્કોર્સની ગણતરી કરે છે, અને માન્યતામાંથી અવિશ્વાસના સ્કોરને બાદ કરીને અંતિમ આર્ક સ્કોર નક્કી કરે છે. સ્પષ્ટ રીતે બે પ્રકારના પુરાવા રજૂ કરીને, આર્ક ઉમેદવારો વધુ સંબંધિત માહિતીના આધારે એકબીજા સામે સ્પર્ધા કરી શકે છે, ખાસ કરીને એવા કિસ્સાઓ માટે કે જ્યાં તેઓ સમાન હેડ અથવા મોડિફાયર શેર કરે છે. તે તેમના હરીફો (અવિશ્વાસ પુરાવા) રજૂ કરીને બે અથવા વધુ સ્પર્ધાત્મક ચાપને વધુ સારી રીતે ભેદભાવ કરવાનું શક્ય બનાવે છે. વિવિધ ડેટાસેટ્સ પરના પ્રયોગો દર્શાવે છે કે અમારી આર્ક-વિશિષ્ટ લક્ષણ નિષ્કર્ષણ પદ્ધતિ સ્પષ્ટપણે લાંબા અંતરની નિર્ભરતાઓને મોડેલિંગ કરીને દ્વિ-દિશાત્મક એલએસટીએમ આધારિત મોડેલોના પ્રભાવમાં નોંધપાત્ર સુધારો કરે છે. અંગ્રેજી અને ચાઇનીઝ બંને માટે, પ્રસ્તાવિત મોડેલ મોટાભાગના વર્તમાન ન્યુરલ ધ્યાન-આધારિત મોડેલો કરતાં પરાધીનતા પાર્સિંગ કાર્ય પર ઉચ્ચ ચોકસાઈ પ્રાપ્ત કરે છે. |
7bdb08efd640311ad18466a80498c78267f886ca | |
26d92017242e51238323983eba0fad22bac67505 | આ કાગળ લોકો ભલામણો અભ્યાસ કરે છે જે વપરાશકર્તાઓને જાણીતા, ઑફલાઇન સંપર્કો શોધવા અને સામાજિક નેટવર્કિંગ સાઇટ્સ પર નવા મિત્રો શોધવામાં મદદ કરવા માટે રચાયેલ છે. અમે 500 વપરાશકર્તાઓના વ્યક્તિગત સર્વેક્ષણ અને 3,000 વપરાશકર્તાઓના ક્ષેત્ર અભ્યાસનો ઉપયોગ કરીને એન્ટરપ્રાઇઝ સોશિયલ નેટવર્કિંગ સાઇટમાં ચાર ભલામણ કરનાર અલ્ગોરિધમ્સનું મૂલ્યાંકન કર્યું. અમે વપરાશકર્તાઓની મિત્ર યાદીઓને વિસ્તૃત કરવામાં તમામ અલ્ગોરિધમ્સને અસરકારક શોધી કાઢ્યા છે. સોશિયલ નેટવર્કની માહિતી પર આધારિત અલ્ગોરિધમ્સ વધુ સારી રીતે પ્રાપ્ત ભલામણો ઉત્પન્ન કરવામાં અને વપરાશકર્તાઓ માટે વધુ જાણીતા સંપર્કો શોધવા માટે સક્ષમ હતા, જ્યારે વપરાશકર્તા દ્વારા બનાવેલી સામગ્રીની સમાનતાનો ઉપયોગ કરીને અલ્ગોરિધમ્સ નવા મિત્રોની શોધમાં વધુ મજબૂત હતા. અમે અમારા સર્વેક્ષણ વપરાશકર્તાઓ પાસેથી ગુણાત્મક પ્રતિસાદ પણ એકત્રિત કર્યો છે અને કેટલાક અર્થપૂર્ણ ડિઝાઇન સૂચિતાર્થો દોર્યાં છે. |
3621bc359003e36707733650cccadf4333683293 | |
54c32d432fb624152da7736543f2685840860a57 | અમે ડીપ બોલ્ત્ઝમન મશીન (ડીબીએમ) નો એક પ્રકાર રજૂ કરીએ છીએ જે દસ્તાવેજોના મોટા અનસ્ટ્રક્ચર્ડ સંગ્રહમાંથી વિતરણ સિમેન્ટીક રજૂઆતો બહાર કાઢવા માટે યોગ્ય છે. અમે ડીએમબીને સમજદાર પરિમાણ બાંધીને તાલીમ આપવાની દેખીતી મુશ્કેલીને દૂર કરીએ છીએ. આ એક કાર્યક્ષમ પ્રીટ્રેનિંગ અલ્ગોરિધમનો અને ઝડપી નિષ્કર્ષ માટે રાજ્ય પ્રારંભિક યોજનાને સક્ષમ કરે છે. આ મોડેલને પ્રમાણભૂત પ્રતિબંધિત બોલ્ત્ઝમેન મશીન તરીકે અસરકારક રીતે તાલીમ આપી શકાય છે. અમારા પ્રયોગો દર્શાવે છે કે આ મોડેલ નકલ સોફ્ટમેક્સ મોડેલ કરતાં અદ્રશ્ય ડેટાને વધુ સારી લોગ સંભાવનાને સોંપે છે. અમારા મોડેલમાંથી કાઢવામાં આવેલી સુવિધાઓ દસ્તાવેજ પુનઃપ્રાપ્તિ અને દસ્તાવેજ વર્ગીકરણ કાર્યો પર એલડીએ, રિપ્લિકેટેડ સોફ્ટમેક્સ અને ડોકનાડે મોડેલ્સને આગળ વધે છે. |
3d8650c28ae2b0f8d8707265eafe53804f83f416 | અગાઉના પેપરમાં [ 9 ] અમે એક નવું બુસ્ટિંગ અલ્ગોરિધમનો રજૂ કર્યો છે જેને એડાબૂસ્ટ કહેવાય છે, જે સૈદ્ધાંતિક રીતે, કોઈપણ શીખવાની અલ્ગોરિધમની ભૂલને નોંધપાત્ર રીતે ઘટાડવા માટે વાપરી શકાય છે જે સતત વર્ગીકૃતકર્તા પેદા કરે છે જેની કામગીરી રેન્ડમ અનુમાન કરતાં થોડી વધુ સારી છે. અમે સ્યુડો-લોસ ની સંબંધિત ખ્યાલ પણ રજૂ કરી છે જે મલ્ટી-લેબલ ખ્યાલોના શીખવાની અલ્ગોરિધમનો પર ધ્યાન કેન્દ્રિત કરવા માટે એક પદ્ધતિ છે જે ભેદભાવ કરવા માટે સૌથી મુશ્કેલ છે. આ કાગળમાં, અમે પ્રયોગોનું વર્ણન કરીએ છીએ જે અમે મૂલ્યાંકન કરવા માટે હાથ ધર્યું છે કે કેવી રીતે સાયડો-લોસ સાથે અને વગર, વાસ્તવિક શીખવાની સમસ્યાઓ પર એડબૂસ્ટ કરે છે. અમે પ્રયોગોના બે સેટ કર્યા. પ્રથમ સમૂહ બ્રેઇમેનs [1] બેગિંગ પદ્ધતિ સાથે સરખાવાય છે જ્યારે વિવિધ વર્ગીકરણકારો (નિર્ણય વૃક્ષો અને એકલ લક્ષણ-મૂલ્ય પરીક્ષણો સહિત) ને એકત્રિત કરવા માટે વપરાય છે. અમે મશીન-લર્નિંગ બેંચમાર્કના સંગ્રહ પર બે પદ્ધતિઓના પ્રદર્શનની તુલના કરી. પ્રયોગોના બીજા સેટમાં, અમે ઓસીઆર સમસ્યા પર નજીકના પાડોશી વર્ગીકરણકર્તાનો ઉપયોગ કરીને બુસ્ટિંગના પ્રદર્શનનો વધુ વિગતવાર અભ્યાસ કર્યો. |
85379baf4972e15cd7b9f5e06ce177e693b35f53 | આ કાગળમાં, અમે ડોમેન અનુકૂલન સમસ્યાઓને સંબોધવા માટે અર્ધ-સર્વેક્ષિત કર્નલ મેચિંગ પદ્ધતિનો પ્રસ્તાવ મૂક્યો છે જ્યાં સ્રોત વિતરણ લક્ષ્ય વિતરણથી નોંધપાત્ર રીતે અલગ છે. ખાસ કરીને, અમે હિલ્બર્ટ શ્મિટ સ્વતંત્રતા માપદંડ પર આધારિત સ્રોત કર્નલ મેટ્રિક્સના સબમેટ્રિક્સ સાથે લક્ષ્ય કર્નલ મેટ્રિક્સને મેપ કરીને લક્ષ્ય ડેટા પોઇન્ટ્સને સમાન સ્રોત ડેટા પોઇન્ટ્સ પર મેપ કરતી વખતે લેબલવાળા સ્રોત ડેટા પર આગાહી કાર્ય શીખીશું. અમે આ એક સાથે શીખવાની અને મેપિંગ પ્રક્રિયાને બિન-સંકુચિત પૂર્ણાંક ઑપ્ટિમાઇઝેશન સમસ્યા તરીકે તૈયાર કરીએ છીએ અને તેના રિલેક્સ્ડ સતત ફોર્મ માટે સ્થાનિક લઘુત્તમ પ્રક્રિયા રજૂ કરીએ છીએ. અમારા પ્રયોગમૂલક પરિણામો દર્શાવે છે કે પ્રસ્તાવિત કર્નલ મેચિંગ પદ્ધતિ ક્રોસ ડોમેન સેન્ટીમેન્ટ વર્ગીકરણના કાર્ય પર વૈકલ્પિક પદ્ધતિઓ કરતાં નોંધપાત્ર રીતે વધુ સારી છે. |
7eeb362f11bfc1c89996e68e3a7c5678e271f95b | |
893167546c870eac602d81874c6473fd3cd8bd21 | બહુ-પરિમાણીય બિંદુઓ (ટુપલ્સ) ના સમૂહની સ્કાયલાઇન તે બિંદુઓથી બનેલી છે, જેના માટે આપેલ સમૂહમાં કોઈ સ્પષ્ટ રીતે વધુ સારી બિંદુ અસ્તિત્વમાં નથી, જેમાં રસના ડોમેન્સ પર ઘટક-સમજશકિત સરખામણીનો ઉપયોગ થાય છે. સ્કાયલાઇન ક્વેરીઝ, એટલે કે, ક્વેરીઝ કે જેમાં સ્કાયલાઇનની ગણતરીનો સમાવેશ થાય છે, તે કમ્પ્યુટેશનલી ખર્ચાળ હોઈ શકે છે, તેથી સમાંતર અભિગમોને ધ્યાનમાં લેવું સ્વાભાવિક છે જે બહુવિધ પ્રોસેસર્સનો સારો ઉપયોગ કરે છે. અમે આ સમસ્યાને હાયપરપ્લેન પ્રક્ષેપણનો ઉપયોગ કરીને સમાંતર પ્રક્રિયા માટે ડેટા સેટના ઉપયોગી પાર્ટીશનો મેળવવા માટે સંપર્ક કરીએ છીએ. આ પાર્ટીશનો માત્ર નાના સ્થાનિક સ્કાયલાઇન સેટ્સને જ સુનિશ્ચિત કરતા નથી, પરંતુ પરિણામોના કાર્યક્ષમ સંયોજનને પણ સક્ષમ કરે છે. અમારા પ્રયોગો દર્શાવે છે કે અમારી પદ્ધતિ સતત સમાંતર સ્કાયલાઇન ગણતરી માટે સમાન અભિગમોને આગળ ધપાવે છે, ડેટા વિતરણને ધ્યાનમાં લીધા વગર, અને વિવિધ ઑપ્ટિમાઇઝેશન વ્યૂહરચનાઓની અસરો પર આંતરદૃષ્ટિ પૂરી પાડે છે. |
b87d5f9b8013386f4ff5ad1a130efe6e924dca5c | લેખ ઇતિહાસઃ 27 ઓગસ્ટ 2012 ના રોજ પ્રાપ્ત થયો 1 ઓગસ્ટ 2013 ના રોજ સુધારેલા સ્વરૂપમાં પ્રાપ્ત થયો 5 ઓગસ્ટ 2013 ના રોજ સ્વીકારવામાં આવ્યો 15 ઓગસ્ટ 2013 ના રોજ ઓનલાઇન ઉપલબ્ધ |
bc18ee4a0f26320a86852b057077e8eca78b0c13 | આ અભ્યાસ ઘાનામાં પ્રી-સર્વિસ શિક્ષકોમાં ટેકનોલોજી સ્વીકૃતિને પ્રભાવિત કરનારા પરિબળોને ઓળખવા માટે ટેકનોલોજી સ્વીકૃતિ મોડેલને વિસ્તૃત કરે છે. 380 ઉપયોગી પ્રશ્નાવલિઓના ડેટાને સંશોધન મોડેલ સામે પરીક્ષણ કરવામાં આવ્યા હતા. વિસ્તૃત ટેકનોલોજી સ્વીકૃતિ મોડેલ (ટીએએમ) નો ઉપયોગ કરીને સંશોધન માળખા તરીકે, અભ્યાસમાં જાણવા મળ્યું છે કેઃ પૂર્વ-સેવા શિક્ષકોની શૈક્ષણિક માન્યતાઓ, ઉપયોગમાં સરળતા, કમ્પ્યુટર તકનીકની ઉપયોગીતા અને કમ્પ્યુટરના ઉપયોગ પ્રત્યેના વલણને કમ્પ્યુટર તકનીકના વાસ્તવિક ઉપયોગના મહત્વપૂર્ણ નિર્ધારકો તરીકે ગણવામાં આવે છે. બહુવિધ તબક્કાવાર રીગ્રેસન વિશ્લેષણનો ઉપયોગ કરીને મેળવેલા પરિણામો દર્શાવે છે કેઃ (1) પૂર્વ-સેવા શિક્ષકો શૈક્ષણિક માન્યતાઓએ ઉપયોગમાં સરળતા અને ઉપયોગીતાની અનુભૂતિ બંને પર નોંધપાત્ર પ્રભાવ પાડ્યો હતો, (2) ઉપયોગમાં સરળતા અને ઉપયોગીતા બંને કમ્પ્યુટરના ઉપયોગ પ્રત્યેના વલણને પ્રભાવિત કરે છે અને કમ્પ્યુટરના ઉપયોગ પ્રત્યેના વલણ નોંધપાત્ર રીતે પૂર્વ-સેવા શિક્ષકો કમ્પ્યુટરના વાસ્તવિક ઉપયોગને પ્રભાવિત કરે છે. જો કે, આંકડાકીય રીતે, ઉપયોગમાં સરળતાની અનુભૂતિથી ઉપયોગીતા પર નોંધપાત્ર પ્રભાવ પડ્યો નથી. આ તારણો ઘાનાના સંદર્ભમાં ટીએમને માન્યતા આપીને સાહિત્યમાં ફાળો આપે છે અને ટેકનોલોજી એકીકરણ વિકાસના સંશોધન અને વ્યવહાર માટે કેટલાક અગ્રણી અસરો પ્રદાન કરે છે. |
04e5b276da90c8181d6ad8397f763a181baae949 | ક્રોસ-વેલિડેશન મશીન લર્નિંગમાં પ્રદર્શન અને પ્રગતિને માપવા માટે મુખ્ય આધાર છે. ક્રોસ-વેલિડેશન અભ્યાસોમાં ચોકસાઈ, એફ-માપ અને આરઓસી કર્વ (એયુસી) હેઠળ વિસ્તારની ગણતરી કેવી રીતે કરવી તે અંગે સૂક્ષ્મ તફાવતો છે. જો કે, આ વિગતો સાહિત્યમાં ચર્ચા કરવામાં આવતી નથી, અને અસંગત પદ્ધતિઓ વિવિધ કાગળો અને સોફ્ટવેર પેકેજો દ્વારા ઉપયોગમાં લેવાય છે. આ સંશોધન સાહિત્યમાં અસંગતતા તરફ દોરી જાય છે. ખાસ ગણો અને પરિસ્થિતિઓ માટે કામગીરીની ગણતરીમાં અસાધારણતા અજાણ્યા રહે છે જ્યારે તેઓ ઘણા ગણો અને ડેટાસેટ્સ પર એકત્રિત પરિણામોમાં દફનાવવામાં આવે છે, ક્યારેય કોઈ વ્યક્તિ મધ્યવર્તી કામગીરીના માપને જોયા વિના. આ સંશોધન નોંધ સ્પષ્ટ કરે છે અને તફાવતોને સમજાવે છે, અને તે ક્રોસ-વેલિડેશન હેઠળ વર્ગીકરણ પ્રદર્શનને માપવા માટે શ્રેષ્ઠ માર્ગદર્શન પૂરું પાડે છે. ખાસ કરીને, એફ-માપ ગણતરી માટે ઉપયોગમાં લેવાતી ઘણી અલગ અલગ પદ્ધતિઓ છે, જે ઘણીવાર વર્ગીકરણ અસંતુલન હેઠળ પ્રદર્શન માપ તરીકે ભલામણ કરવામાં આવે છે, ઉદાહરણ તરીકે, ટેક્સ્ટ વર્ગીકરણ ડોમેન્સ માટે અને ઘણા વર્ગો ધરાવતા ડેટાસેટ્સના એક-વિ-બધા ઘટાડામાં. અમે પ્રયોગ દ્વારા બતાવીએ છીએ કે આ તમામ ગણતરી પદ્ધતિઓમાંથી એક સિવાયની તમામ પૂર્વગ્રહયુક્ત માપ તરફ દોરી જાય છે, ખાસ કરીને ઉચ્ચ વર્ગના અસંતુલન હેઠળ. આ કાગળ ખાસ કરીને મશીન લર્નિંગ સોફ્ટવેર લાઇબ્રેરીઓ અને ઉચ્ચ વર્ગના અસંતુલન પર ધ્યાન કેન્દ્રિત કરતા સંશોધકોની રચના માટે રસ ધરાવે છે. |
8efac913ff430ef698dd3fa5df4cbb7ded3cab50 | અમે એક અનસર્વેસ્ડ ક્લસ્ટરીંગ ટૂલ, મુખ્ય દિશા વિભાજક પાર્ટીશનિંગ રજૂ કરીએ છીએ, જે સ્કેલેબલ અને સર્વતોમુખી ટોપ-ડાઉન પદ્ધતિ છે જે આંકડાકીય વેક્ટર્સ તરીકે રજૂ કરી શકાય તેવા ડેટાના કોઈપણ સમૂહ પર લાગુ થાય છે. મૂળભૂત પદ્ધતિનું વર્ણન, મુખ્ય એપ્લિકેશન ક્ષેત્રોનું સારાંશ જ્યાં તેનો ઉપયોગ કરવામાં આવ્યો છે, અને કેટલાક તાજેતરના પરિણામો મહત્વપૂર્ણ શબ્દોની પસંદગી તેમજ નવા ડેટાના આગમન સાથે ક્લસ્ટર્સને અપડેટ કરવાની પ્રક્રિયાની ચર્ચા કરવામાં આવી છે. |
1e20f9de45d26950ecd11965989d2b15a5d0d86b | મોડેલ આધારિત પદ્ધતિઓ અને ઊંડા ન્યુરલ નેટવર્ક્સ બંને મશીન શિક્ષણમાં અત્યંત સફળ દાખલાઓ છે. મોડેલ આધારિત પદ્ધતિઓમાં, અમે સરળતાથી અમારા સમસ્યા ડોમેન જ્ઞાનને અનુમાન દરમિયાન મુશ્કેલીઓના ખર્ચે મોડેલની મર્યાદાઓમાં વ્યક્ત કરી શકીએ છીએ. નિર્ધારિત ઊંડા ન્યુરલ નેટવર્ક્સ એવી રીતે બનાવવામાં આવે છે કે નિષ્કર્ષ સીધો છે, પરંતુ અમે સમસ્યા ડોમેન જ્ઞાનને સરળતાથી સમાવિષ્ટ કરવાની ક્ષમતા બલિદાન આપીએ છીએ. આ કાગળનો ઉદ્દેશ બંને અભિગમોના ફાયદા મેળવવા માટે એક સામાન્ય વ્યૂહરચના પૂરી પાડવાનો છે જ્યારે તેમના ઘણા ગેરફાયદાને ટાળીને. સામાન્ય વિચારને નીચે પ્રમાણે સારાંશ આપી શકાય છેઃ એક મોડેલ-આધારિત અભિગમ આપવામાં આવે છે જેને પુનરાવર્તિત અનુમાન પદ્ધતિની જરૂર હોય છે, અમે પુનરાવર્તનોને એક સ્તર-સમજશકિત માળખામાં પ્રગટ કરીએ છીએ જે ન્યુરલ નેટવર્કની સમાન છે. પછી અમે નવા ન્યુરલ-નેટવર્ક-જેવી આર્કિટેક્ચર્સ મેળવવા માટે સ્તરો પર મોડેલ પરિમાણોને ડિ-કપલ કરીએ છીએ જે સરળતાથી ગ્રેડિએન્ટ-આધારિત પદ્ધતિઓનો ઉપયોગ કરીને ભેદભાવપૂર્વક તાલીમ આપી શકાય છે. પરિણામી સૂત્ર પરંપરાગત ઊંડા નેટવર્કની અભિવ્યક્તિ શક્તિને મોડેલ-આધારિત અભિગમની આંતરિક રચના સાથે જોડે છે, જ્યારે નિષ્કર્ષને નિશ્ચિત સંખ્યામાં સ્તરોમાં કરવામાં આવે છે જે શ્રેષ્ઠ પ્રદર્શન માટે ઑપ્ટિમાઇઝ કરી શકાય છે. અમે બતાવીએ છીએ કે કેવી રીતે આ માળખું બિન-નકારાત્મક મેટ્રિક્સ ફેક્ટરીઝેશન પર લાગુ કરી શકાય છે, એક નવલકથા બિન-નકારાત્મક ઊંડા ન્યુરલ નેટવર્ક આર્કિટેક્ચર મેળવવા માટે, જે ગુણાકારની પાછળની પ્રસારણ-શૈલી અપડેટ અલ્ગોરિધમ સાથે તાલીમ આપી શકાય છે. અમે વાણી ઉન્નતિના ક્ષેત્રમાં પ્રયોગો રજૂ કરીએ છીએ, જ્યાં અમે બતાવીએ છીએ કે પરિણામી મોડેલ પરંપરાગત ન્યુરલ નેટવર્કને વટાવી શકે છે જ્યારે માત્ર પરિમાણોની સંખ્યાના અપૂર્ણાંકની જરૂર હોય છે. અમે માનીએ છીએ કે આ ઊંડા નેટવર્કની આર્કિટેક્ચરમાં સમસ્યા સ્તરની ધારણાઓને સમાવિષ્ટ કરવા માટે અમારા માળખા દ્વારા આપવામાં આવેલી ક્ષમતાને કારણે છે. arXiv.org આ કાર્યની નકલ અથવા પ્રજનન કોઈ પણ વ્યવસાયિક હેતુ માટે સંપૂર્ણ અથવા ભાગમાં કરી શકાતું નથી. નકલની સંપૂર્ણ અથવા આંશિક ચુકવણી વિના ફીની ચુકવણી નફાકારક શિક્ષણ અને સંશોધન હેતુઓ માટે આપવામાં આવે છે, જો કે આવી બધી સંપૂર્ણ અથવા આંશિક નકલોમાં નીચેનાનો સમાવેશ થાય છેઃ એક સૂચના છે કે આવી નકલ મિત્સુબિશી ઇલેક્ટ્રિક રિસર્ચ લેબોરેટરીઝ, ઇન્ક. ની પરવાનગી દ્વારા કરવામાં આવે છે; લેખકો અને કાર્યમાં વ્યક્તિગત યોગદાનની સ્વીકૃતિ; અને કૉપિરાઇટ સૂચનાના તમામ લાગુ ભાગો. અન્ય કોઈ હેતુ માટે નકલ, પ્રજનન અથવા ફરીથી પ્રકાશિત કરવા માટે મિત્સુબિશી ઇલેક્ટ્રિક રિસર્ચ લેબોરેટરીઝ, ઇન્ક. કૉપિરાઇટ સી © મિત્સુબિશી ઇલેક્ટ્રિક રિસર્ચ લેબોરેટરીઝ, ઇન્ક, 2014 201 બ્રોડવે, કેમ્બ્રિજ, મેસેચ્યુસેટ્સ 02139 |
26f4f07696a3828f5eeb0d8bb8944da80228b77d | નિર્ણય વૃક્ષ અલ્ગોરિધમ્સને પ્રોત્સાહન આપવાની પ્રક્રિયાઓ ખૂબ ચોક્કસ વર્ગીકરણ પેદા કરવા માટે દર્શાવવામાં આવી છે. આ વર્ગીકરણકારોને સંખ્યાબંધ નિર્ણય વૃક્ષો પર બહુમતી મતદાનના સ્વરૂપમાં છે. કમનસીબે, આ વર્ગીકરણો ઘણીવાર મોટા, જટિલ અને અર્થઘટન કરવા મુશ્કેલ હોય છે. આ કાગળ એક નવા પ્રકારનાં વર્ગીકરણ નિયમનું વર્ણન કરે છે, જે વૈકલ્પિક નિર્ણય વૃક્ષ છે, જે નિર્ણય વૃક્ષો, મતદાન નિર્ણય વૃક્ષો અને મતદાન નિર્ણયના સ્ટમ્પ્સનું સામાન્યીકરણ છે. તે જ સમયે આ પ્રકારના વર્ગીકરણની અર્થઘટન પ્રમાણમાં સરળ છે. અમે વૈકલ્પિક નિર્ણય વૃક્ષો માટે શીખવાની અલ્ગોરિધમનો રજૂ કરીએ છીએ જે બુસ્ટિંગ પર આધારિત છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે તે C5.0 જેવા બુસ્ટેડ નિર્ણય વૃક્ષ અલ્ગોરિધમ્સ સાથે સ્પર્ધાત્મક છે, અને નિયમો પેદા કરે છે જે સામાન્ય રીતે કદમાં નાના હોય છે અને તેથી અર્થઘટન કરવું સરળ છે. વધુમાં આ નિયમો વર્ગીકરણની સંભાવનાના કુદરતી માપને ઉત્પન્ન કરે છે જેનો ઉપયોગ વર્ગીકરણ માટે મુશ્કેલ ઉદાહરણોની આગાહી કરવાથી દૂર રહેવાના ખર્ચે ચોકસાઈમાં સુધારો કરવા માટે થઈ શકે છે. |
5e28e81e757009d2f76b8674e0da431f5845884a | આ કાગળ મલ્ટી-ડાયમેન્શનલ રેખીય ભેદભાવ વિશ્લેષણ અને સંકળાયેલ શ્રેષ્ઠ રેખીય પ્રક્ષેપણની સિદ્ધાંતોનો ઉપયોગ કરીને ઇમેજ તાલીમ સમૂહમાંથી સુવિધાઓની સ્વયંચાલિત પસંદગીનું વર્ણન કરે છે. અમે "સારી રીતે ફ્રેમ કરેલ" દૃશ્યો તરીકે પ્રસ્તુત વિશાળ વિવિધતાવાળા વાસ્તવિક દુનિયાના પદાર્થોના મોટા ડેટાબેઝમાંથી દૃશ્ય-આધારિત વર્ગ પુનઃપ્રાપ્તિ માટે આ સૌથી વધુ ભેદભાવપૂર્ણ સુવિધાઓની ઇએક્ટિવિટીનું નિદર્શન કરીએ છીએ, અને તેની સરખામણી મુખ્ય ઘટક વિશ્લેષણ સાથે કરીએ છીએ. |
dbe8c61628896081998d1cd7d10343a45b7061bd | કેટલીક વ્યૂહરચનાઓ વર્ણવવામાં આવી છે જે મૂળભૂત નેટવર્ક મોડેલોની મર્યાદાઓને દૂર કરે છે, જે મોટા જોડાણવાદી વાણી ઓળખ સિસ્ટમ્સની રચના તરફના પગલાં તરીકે છે. બે મુખ્ય ચિંતાના ક્ષેત્રો સમયની સમસ્યા અને સ્કેલિંગની સમસ્યા છે. સમય જતાં ભાષણ સંકેતો સતત બદલાય છે અને માનવ જ્ઞાનની વિશાળ માત્રાને એન્કોડ કરે છે અને પ્રસારિત કરે છે. આ સિગ્નલોને ડિકોડ કરવા માટે, ન્યુરલ નેટવર્ક્સ સમયના યોગ્ય પ્રતિનિધિત્વનો ઉપયોગ કરવા માટે સક્ષમ હોવા જોઈએ અને તે શક્ય હોવું જોઈએ કે આ નેટવર્ક્સને લગભગ મનસ્વી કદ અને જટિલતામાં મર્યાદિત સ્રોતોમાં વિસ્તૃત કરી શકાય. સમયની સમસ્યાને સમય વિલંબ ન્યુરલ નેટવર્કના વિકાસ દ્વારા સંબોધવામાં આવે છે; નાના પેટા ઘટક નેટના આધારે મોડ્યુલરિટી અને ઇન્ક્રિમેન્ટલ ડિઝાઇન દ્વારા મોટા નેટની સ્કેલિંગની સમસ્યા. તે બતાવવામાં આવ્યું છે કે મર્યાદિત કાર્યો કરવા માટે તાલીમ પામેલા નાના નેટવર્ક્સ સમય-અનિયમિત, છુપાયેલા અમૂર્ત વિકાસ કરે છે જે પાછળથી મોટા, વધુ જટિલ નેટવર્ક્સને અસરકારક રીતે તાલીમ આપવા માટે શોષણ કરી શકાય છે. આ તકનીકોનો ઉપયોગ કરીને, વધતી જતી જટિલતાના ધ્વનિ ઓળખ નેટવર્ક્સનું નિર્માણ કરી શકાય છે જે બધા શ્રેષ્ઠ ઓળખ પ્રદર્શન પ્રાપ્ત કરે છે. |
eeb8c7a22f731839755a4e820b608215e9885276 | |
01905a9c0351aad54ee7dbba1544cd9db06ca935 | ઇન્ફોર્મેશન સિસ્ટમ (આઇએસ) સુરક્ષા સાથે વ્યવહાર કરવા ઇચ્છતી કોઈપણ સંસ્થા માટે જોખમ વ્યવસ્થાપન આજે એક મુખ્ય માર્ગદર્શક સાધન છે. જો કે, આઇએસ સુરક્ષા જોખમ વ્યવસ્થાપન (આઇએસએસઆરએમ) મુખ્યત્વે જટિલ અને એકબીજા સાથે જોડાયેલા આઇએસ સાથે બહુવિધ નિયમનોના સંદર્ભમાં સ્થાપિત કરવા અને જાળવવા માટે મુશ્કેલ પ્રક્રિયા છે. અમે દાવો કરીએ છીએ કે એન્ટરપ્રાઇઝ આર્કિટેક્ચર મેનેજમેન્ટ (ઇએએમ) સાથે જોડાણ આ મુદ્દાઓને ઉકેલવા માટે ફાળો આપે છે. બંને ક્ષેત્રોના વધુ સારા સંકલનની દિશામાં પ્રથમ પગલું એ છે કે એક સંકલિત EAM-ISSRM વૈચારિક મોડેલને વ્યાખ્યાયિત કરવું. આ કાગળ આ મોડેલની વિસ્તરણ અને માન્યતા વિશે છે. આ માટે અમે હાલના ISSRM ડોમેન મોડલને સુધારી રહ્યા છીએ, એટલે કે ઇએએમના ખ્યાલો સાથે, આઇએસએસઆરએમના ડોમેનને દર્શાવતું એક વિભાવનાત્મક મોડેલ. ત્યારબાદ EAM-ISSRM સંકલિત મોડેલની માન્યતા માન્યતા જૂથની મદદથી કરવામાં આવે છે જે મોડેલની ઉપયોગિતા અને ઉપયોગિતાનું મૂલ્યાંકન કરે છે. |
1976c9eeccc7115d18a04f1e7fb5145db6b96002 | ફ્રીબેઝ એ એક વ્યવહારુ, સ્કેલેબલ ટુપલ ડેટાબેઝ છે જેનો ઉપયોગ સામાન્ય માનવ જ્ઞાનને માળખું કરવા માટે થાય છે. ફ્રીબેઝમાં ડેટા સહયોગથી બનાવવામાં આવે છે, માળખું અને જાળવવામાં આવે છે. ફ્રીબેઝમાં હાલમાં 125,000,000 થી વધુ ટુપલ્સ, 4000 થી વધુ પ્રકારો અને 7000 થી વધુ ગુણધર્મો છે. ફ્રીબેઝમાં જાહેર વાંચન/લેખન વપરાશને મેટાવેબ ક્વેરી લેંગ્વેજ (એમક્યુએલ) નો ઉપયોગ કરીને ડેટા ક્વેરી અને મેનિપ્યુલેશન ભાષા તરીકે એચટીટીપી-આધારિત ગ્રાફ-ક્વેરી API દ્વારા મંજૂરી આપવામાં આવે છે. એમક્યુએલ ફ્રીબેઝમાં ટુપલ ડેટા માટે ઉપયોગમાં સરળ ઓબ્જેક્ટ-ઓરિએન્ટેડ ઇન્ટરફેસ પૂરું પાડે છે અને સહયોગી, વેબ-આધારિત ડેટા-ઓરિએન્ટેડ એપ્લિકેશન્સની રચનાને સરળ બનાવવા માટે રચાયેલ છે. |
77b99e0a3a6f99537a4b497c5cd67be95c1b7088 | એક દાયકાથી વધુ સમયથી સ્વચાલિત વાહન સંશોધન પ્રચલિત છે, પરંતુ તાજેતરમાં જ સ્વચાલિત વાહનોમાં થતી માનવ ક્રિયાપ્રતિક્રિયા પર થોડું સંશોધન કરવામાં આવ્યું છે. જોકે કાર્યાત્મક સોફ્ટવેર અને સેન્સર ટેકનોલોજી સલામત કામગીરી માટે આવશ્યક છે, જે સ્વાયત્ત વાહન સંશોધનનું મુખ્ય ધ્યાન રહ્યું છે, માનવ ક્રિયાપ્રતિક્રિયાના તમામ તત્વોને હેન્ડલ કરવું પણ તેમની સફળતાનો ખૂબ જ મહત્વપૂર્ણ પાસું છે. આ કાગળ સ્વયં સંચાલિત વાહનોમાં માનવ વાહન ક્રિયાપ્રતિક્રિયાના મહત્વની ઝાંખી આપશે, જ્યારે સંબંધિત સંબંધિત પરિબળોને ધ્યાનમાં લેશે જે દત્તક લેવા પર અસર કરી શકે છે. ઓટોમોબાઇલમાં નિયંત્રણ સંબંધિત મહત્વના ક્ષેત્રો પર અગાઉથી કરવામાં આવેલા સંશોધનો પર વિશેષ ધ્યાન આપવામાં આવશે, ઉપરાંત વિવિધ તત્વો કે જે આ વાહનોની સફળતાની સંભાવનાને અસર કરે તેવી અપેક્ષા છે, જે શરૂઆતમાં માનવ સંચાલન માટે વિકસાવવામાં આવ્યા હતા. આ કાગળમાં મનુષ્ય સાથેની ક્રિયાપ્રતિક્રિયાઓ અને પ્રકાશિત કાર્યરત સૉફ્ટવેર અને સેન્સર ટેકનોલોજીની વર્તમાન સ્થિતિને ધ્યાનમાં લેવા માટે કરવામાં આવેલા મર્યાદિત સંશોધનની ચર્ચા પણ શામેલ હશે. |
31f3a12fb25ddb0a27ebdda7dd8d014996debd74 | અમે લગભગ 2 વર્ષ દરમિયાન 12,500 Android ઉપકરણોના ઉપયોગની માહિતી એકત્રિત કરી. અમારા ડેટાસેટમાં એન્ડ્રોઇડના 687 વર્ઝન ચલાવતા 894 મોડેલોના ઉપકરણોના 53 અબજ ડેટા પોઇન્ટ છે. એકત્રિત ડેટાની પ્રક્રિયામાં સ્કેલેબિલિટીથી લઈને સુસંગતતા અને ગોપનીયતા વિચારણાઓ સુધીના અનેક પડકારો છે. અમે આ અત્યંત વિતરણ ડેટાસેટના સંગ્રહ અને વિશ્લેષણ માટે અમારી સિસ્ટમ આર્કિટેક્ચર રજૂ કરીએ છીએ, ચર્ચા કરીએ છીએ કે કેવી રીતે અમારી સિસ્ટમ અવિશ્વસનીય સમયની માહિતીની હાજરીમાં વિશ્વસનીય સમય-શ્રેણી ડેટા એકત્રિત કરી શકે છે, અને મુદ્દાઓ અને પાઠ શીખ્યા છે જે અમે માનીએ છીએ કે અન્ય ઘણા મોટા ડેટા સંગ્રહ પ્રોજેક્ટ્સ પર લાગુ થાય છે. |
408a8e250316863da94ffb3eab077175d08c01bf | |
5656fa5aa6e1beeb98703fc53ec112ad227c49ca | અમે મલ્ટી-પૂર્વસૂચન ઊંડા બોલ્ત્ઝમન મશીન (એમપી-ડીબીએમ) રજૂ કરીએ છીએ. એમપીડીબીએમને એક સંભાવનાત્મક મોડેલ તરીકે જોવામાં આવે છે જે સામાન્ય સ્યુડોલિલિક્વિડિટીના વિવિધતાયુક્ત અંદાજને મહત્તમ કરવા માટે તાલીમ આપવામાં આવે છે, અથવા પુનરાવર્તિત નેટના પરિવાર તરીકે જે પરિમાણોને વહેંચે છે અને આશરે વિવિધ નિષ્કર્ષ સમસ્યાઓ હલ કરે છે. ડીબીએમ (DBM) ને તાલીમ આપવાની અગાઉની પદ્ધતિઓ ક્યાં તો વર્ગીકરણના કાર્યો પર સારી કામગીરી બજાવે છે અથવા પ્રારંભિક શિક્ષણ પાસની જરૂર છે જે ડીબીએમને એક સમયે એક સ્તર પર ઉદારતાથી તાલીમ આપે છે. એમપી-ડીબીએમને લોભી સ્તરવાળી પૂર્વ-તાલીમની જરૂર નથી, અને વર્ગીકરણ, ગુમ ઇનપુટ્સ સાથે વર્ગીકરણ અને સરેરાશ ક્ષેત્ર આગાહી કાર્યોમાં પ્રમાણભૂત ડીબીએમને વટાવી દે છે. |
4c99b87df6385bd945a00633f829e4a9ec5ce314 | સોશિયલ નેટવર્કથી અતિશય પ્રમાણમાં ડેટા ઉત્પન્ન થાય છે. ફેસબુકમાં 400 મિલિયનથી વધુ સક્રિય વપરાશકર્તાઓ છે જે દર મહિને 5 અબજથી વધુ માહિતી શેર કરે છે. આ વિશાળ પ્રમાણમાં બિનસંરચિત ડેટાનું વિશ્લેષણ સોફ્ટવેર અને હાર્ડવેર માટે પડકારો રજૂ કરે છે. અમે ગ્રાફસીટી રજૂ કરીએ છીએ, ગ્રાફ પાત્રાલેખન ટૂલકિટ માટે વિશાળ ગ્રાફ સામાજિક નેટવર્ક ડેટાનું પ્રતિનિધિત્વ કરે છે. 128 પ્રોસેસર ક્રે એક્સએમટી પર, ગ્રાફસીટી કૃત્રિમ રીતે પેદા (આર-મેટ) 537 મિલિયન શિખરો, 55 મિનિટમાં 8.6 અબજ ધાર ગ્રાફ અને વાસ્તવિક વિશ્વના ગ્રાફ (કવાક, એટ અલ.) વચ્ચેની કેન્દ્રીયતાનો અંદાજ આપે છે. 61.6 મિલિયન શિખરો અને 1.47 અબજ ધાર સાથે 105 મિનિટમાં. અમે માઇક્રોબ્લોગિંગ નેટવર્ક ટ્વિટરના જાહેર ડેટાનું વિશ્લેષણ કરવા માટે ગ્રાફસીટીનો ઉપયોગ કરીએ છીએ. ટ્વિટરના સંદેશ જોડાણો મુખ્યત્વે સમાચાર પ્રસારણ પ્રણાલી તરીકે વૃક્ષ-રચનાવાળા દેખાય છે. જાહેર ડેટામાં, જોકે, વાતચીતના ક્લસ્ટર્સ છે. GraphCT નો ઉપયોગ કરીને, અમે આ વાતચીતમાં અભિનેતાઓને ક્રમ આપી શકીએ છીએ અને વિશ્લેષકોને ખૂબ નાના ડેટા સબસેટ પર ધ્યાન કેન્દ્રિત કરવામાં મદદ કરી શકીએ છીએ. |
7b1e18688dae102b8702a074f71bbea8ba540998 | ઓટોમોટિવ વાહનોની સિસ્ટમોની વધતી જતી જટિલતા, બાહ્ય નેટવર્ક્સ સાથેના તેમના જોડાણ, વસ્તુઓના ઇન્ટરનેટ સાથે સાથે તેમના વધુ આંતરિક નેટવર્કિંગ હેકિંગ અને દૂષિત હુમલાઓ માટે દરવાજા ખોલે છે. આધુનિક ઓટોમોટિવ વાહનોમાં સુરક્ષા અને ગોપનીયતા જોખમો હવે સારી રીતે જાહેર કરવામાં આવે છે. સુરક્ષાનું ઉલ્લંઘન સુરક્ષાના ઉલ્લંઘન તરફ દોરી શકે છે - તે સારી રીતે દલીલ કરેલ અને સ્વીકાર્ય દલીલ છે. સલામતી શિસ્ત દાયકાઓથી પરિપક્વ થઈ છે , પરંતુ સુરક્ષા શિસ્ત ખૂબ યુવાન છે . એવી દલીલો છે અને યોગ્ય રીતે, કે સુરક્ષા એન્જિનિયરિંગ પ્રક્રિયા કાર્યલક્ષી સલામતી એન્જિનિયરિંગ પ્રક્રિયા (ધોરણ ISO 26262 દ્વારા ઔપચારિક) જેવી જ છે અને તે બાજુ-બાજુમાં મૂકી શકાય છે અને એકસાથે કરી શકાય છે પરંતુ, નિષ્ણાતોના અલગ સેટ દ્વારા. ઓટોમોટિવ વાહન સિસ્ટમ્સ માટે કાર્યકારી સલામતી એન્જિનિયરિંગ પ્રક્રિયાની રેખાઓ સાથે સુરક્ષા એન્જિનિયરિંગ પ્રક્રિયાને વ્યાખ્યાયિત કરવા માટે ચાલ છે . પરંતુ શું સલામતી-સુરક્ષાને ઔપચારિક બનાવવાના આ પ્રયાસો સલામત અને સુરક્ષિત પ્રણાલીઓ પેદા કરવા માટે પૂરતા છે? જ્યારે કોઈ વ્યક્તિ સલામત અને સુરક્ષિત પ્રણાલીઓના નિર્માણના વિચાર સાથે આ માર્ગ પર આગળ વધે છે, ત્યારે તે સમજે છે કે ત્યાં ઘણા પડકારો, વિરોધાભાસો, અસમાનતાઓ, ચિંતા છે જેનો ધ્યાન રાખવું જોઈએ તે પહેલાં સલામત અને સુરક્ષિત પ્રણાલીઓ ઉત્પાદન રેખાઓમાંથી બહાર આવવા લાગ્યા. આ કાગળનો પ્રયાસ સમુદાયની ધ્યાન પર આવા કેટલાક પડકારરૂપ ક્ષેત્રો લાવવાનો અને આગળ વધવાનો માર્ગ સૂચવવાનો છે. |
a608bd857a131fe0d9e10c2219747b9fa03c5afc | આધુનિક ઓટોમોબાઇલ્સ સર્વવ્યાપક રીતે કોમ્પ્યુટરાઈઝડ છે, અને તેથી સંભવિત હુમલા માટે સંવેદનશીલ છે. જો કે, અગાઉના સંશોધનોએ દર્શાવ્યું છે કે કેટલીક આધુનિક કારમાં આંતરિક નેટવર્ક્સ અસુરક્ષિત છે, સંકળાયેલ ધમકી મોડેલ - અગાઉના ભૌતિક ઍક્સેસની જરૂર છે - ન્યાયી રીતે અવાસ્તવિક તરીકે જોવામાં આવે છે. આમ, તે ખુલ્લો પ્રશ્ન રહે છે કે શું ઓટોમોબાઇલ્સ પણ દૂરસ્થ સમાધાન માટે સંવેદનશીલ હોઈ શકે છે. અમારા કાર્યમાં આધુનિક ઓટોમોબાઈલની બાહ્ય હુમલા સપાટીનું વ્યવસ્થિત વિશ્લેષણ કરીને આ પ્રશ્નનો વિશ્રામ કરવાનો પ્રયાસ કરવામાં આવે છે. અમે શોધી કાઢીએ છીએ કે દૂરસ્થ શોષણ હુમલા વેક્ટર્સની વિશાળ શ્રેણી (મેકેનિકલ સાધનો, સીડી પ્લેયર્સ, બ્લૂટૂથ અને સેલ્યુલર રેડિયો સહિત) દ્વારા શક્ય છે, અને વધુમાં, વાયરલેસ સંચાર ચેનલો લાંબા અંતર વાહન નિયંત્રણ, સ્થાન ટ્રેકિંગ, ઇન-કેબિન ઑડિઓ એક્સ્ફિલ્ટ્રેશન અને ચોરીને મંજૂરી આપે છે. છેલ્લે, અમે ઓટોમોટિવ ઇકોસિસ્ટમની માળખાકીય લાક્ષણિકતાઓની ચર્ચા કરીએ છીએ જે આવી સમસ્યાઓને ઉત્પન્ન કરે છે અને તેમને ઘટાડવા માટે વ્યવહારિક પડકારોને પ્રકાશિત કરે છે. |
cdbb46785f9b9acf8d03f3f8aba58b201f06639f | ઓટોમોટિવ સિસ્ટમોની આઇટી સુરક્ષા સંશોધનનું એક વિકસતું ક્ષેત્ર છે. વર્તમાન પરિસ્થિતિ અને સંભવિત વધતા જતા ધમકીઓના વલણને વિશ્લેષણ કરવા માટે અમે તાજેતરની ઓટોમોટિવ ટેકનોલોજી પર કેટલાક વ્યવહારુ પરીક્ષણો કર્યા. આ લેખમાં કેન બસ ટેકનોલોજી પર આધારિત ઓટોમોટિવ સિસ્ટમ્સ પર ધ્યાન કેન્દ્રિત કરીને વિન્ડો લિફ્ટ, ચેતવણી પ્રકાશ અને એરબેગ કંટ્રોલ સિસ્ટમ તેમજ સેન્ટ્રલ ગેટવે માટે કંટ્રોલ સિસ્ટમ્સ પર કરવામાં આવેલા ચાર પસંદ કરેલા પરીક્ષણોના પરિણામોનો સારાંશ આપવામાં આવ્યો છે. આ પરિણામોને આ લેખમાં સ્થાપિત સર્ટ વર્ગીકરણ અને અંતર્ગત સુરક્ષા નબળાઈઓ અને ખાસ કરીને સંભવિત સલામતીની અસરોના વિશ્લેષણનો ઉપયોગ કરીને આ ચાર હુમલાના દૃશ્યોનું વર્ગીકરણ દ્વારા પૂરક કરવામાં આવે છે. આ પરીક્ષણોના પરિણામોના સંદર્ભમાં, આ લેખમાં અમે અમારા પરીક્ષણોમાં ઉપયોગમાં લેવાતી મૂળભૂત નબળાઈઓને સંબોધવા માટે બે પસંદ કરેલા પ્રતિસાદની ચર્ચા કરીશું. આ ઘૂસણખોરીની શોધ (ત્રણ ઉદાહરણરૂપ શોધ પદ્ધતિઓ પર ચર્ચા) અને આઇટી-ફોરેન્સિક પગલાં (ફોરેન્સિક મોડેલ પર આધારિત સક્રિય પગલાં સૂચવે છે) ના અનુકૂલન છે. આ લેખમાં અગાઉ રજૂ કરાયેલા ચાર હુમલાના દૃશ્યોને જોતા બંનેની ચર્ચા કરવામાં આવી છે, તેમની ક્ષમતાઓ અને પ્રતિબંધોને આવરી લે છે. જ્યારે આ પ્રતિક્રિયાશીલ અભિગમો ટૂંકા ગાળાના પગલાં છે, જે હાલના ઓટોમોટિવ આઇટી આર્કિટેક્ચરમાં ઉમેરી શકાય છે, લાંબા ગાળાના ખ્યાલો પણ ટૂંક સમયમાં રજૂ કરવામાં આવે છે, જે મુખ્યત્વે નિવારક છે પરંતુ તેને મોટા પાયે ફરીથી ડિઝાઇન કરવાની જરૂર પડશે. અનુરૂપ સંશોધન અભિગમો પર સંક્ષિપ્ત ઝાંખી નીચે, અમે તેમની વ્યક્તિગત જરૂરિયાતો, સંભવિત અને પ્રતિબંધો ચર્ચા કરીએ છીએ. & 2010 એલ્સેવીયર લિમિટેડ. બધા હકો અનામત છે. |
13b44d1040bf8fc1edb9de23f50af1f324e63697 | અમે એટ્રિબ્યુટ-ગાઇડેડ ફેસ જનરેશનમાં રસ ધરાવીએ છીએઃ નીચા-રીઝોલ્યુશન ફેસ ઇનપુટ ઇમેજ, એક એટ્રિબ્યુટ વેક્ટર આપવામાં આવે છે જે ઉચ્ચ-રીઝોલ્યુશન ઇમેજ (એટ્રિબ્યુટ ઇમેજ) માંથી કાઢી શકાય છે, અમારી નવી પદ્ધતિ ઓછી-રીઝોલ્યુશન ઇનપુટ માટે ઉચ્ચ-રીઝોલ્યુશન ફેસ ઇમેજ બનાવે છે જે આપેલ લક્ષણોને સંતોષે છે. આ સમસ્યાને ઉકેલવા માટે, અમે સાયકલગૅનને શરતી બનાવીએ છીએ અને શરતી સાયકલગૅન પ્રસ્તાવિત કરીએ છીએ, જે 1) અપેર કરેલ તાલીમ ડેટાને હેન્ડલ કરવા માટે રચાયેલ છે કારણ કે તાલીમ નીચા / ઉચ્ચ રીઝોલ્યુશન અને ઉચ્ચ રીઝોલ્યુશન એટ્રિબ્યુટ છબીઓ એકબીજા સાથે ગોઠવી શકાતી નથી, અને 2) ઇનપુટ લક્ષણો દ્વારા પેદા થયેલા ચહેરાના દેખાવને સરળ નિયંત્રણની મંજૂરી આપે છે. અમે એટ્રીબ્યુટ-ગાઇડેડ શરતી સાયકલગૅન પર ઉચ્ચ ગુણવત્તાની પરિણામો દર્શાવીએ છીએ, જે વપરાશકર્તા દ્વારા પૂરા પાડવામાં આવેલ લક્ષણો (દા. ત. , લિંગ, મેકઅપ, વાળનો રંગ, ચશ્મા) દ્વારા સરળતાથી નિયંત્રિત દેખાવ સાથે વાસ્તવિક ચહેરાની છબીઓને સંશ્લેષણ કરી શકે છે. અનુરૂપ શરતી વેક્ટર ઉત્પન્ન કરવા માટે ઓળખ તરીકે એટ્રિબ્યુટ ઇમેજનો ઉપયોગ કરીને અને ચહેરા ચકાસણી નેટવર્કનો સમાવેશ કરીને, લક્ષણ-માર્ગદર્શિત નેટવર્ક ઓળખ-માર્ગદર્શિત શરતી સાયકલગૅન બની જાય છે જે ઓળખ ટ્રાન્સફર પર ઉચ્ચ ગુણવત્તા અને રસપ્રદ પરિણામો ઉત્પન્ન કરે છે. અમે ઓળખ સંચાલિત શરતી સાયકલગૅન પર ત્રણ એપ્લિકેશન્સનું પ્રદર્શન કરીએ છીએઃ ઓળખ જાળવનાર ચહેરો સુપર રીઝોલ્યુશન, ચહેરો સ્વેપિંગ અને ફ્રન્ટલ ચહેરો જનરેશન, જે સતત અમારી નવી પદ્ધતિનો ફાયદો દર્શાવે છે. |
8a7b0520de8d9af82617bb13d7aef000aae26119 | ડ્યુઅલ-બેન્ડ ઓર્થોમોડ ટ્રાન્સડ્યુસર (OMT) ઘટકોની રચના માટે સામાન્ય પ્રવેશ મેટ્રિક્સ અને સામાન્ય પ્રસરણ મેટ્રિક્સ દ્વારા મેળવવામાં આવેલ મિશ્રિત લાક્ષણિકતા સૂચવવામાં આવે છે. આ પ્રક્રિયા પર આધારિત સચોટ અને કાર્યક્ષમ પૂર્ણ તરંગ વિશ્લેષણ સોફ્ટવેર વિકસાવવામાં આવ્યું છે. વિકસિત સોફ્ટવેર સાથે Ku બેન્ડમાં ઉચ્ચ પ્રદર્શન સાથે ડ્યુઅલ ફ્રીક્વન્સી ઓએમટીની સંપૂર્ણ રચના કરવામાં આવી છે. સંખ્યાત્મક અને પ્રયોગાત્મક પરિણામો વચ્ચે સારી સંવાદિતા ડિઝાઇન પ્રક્રિયાને માન્ય કરે છે. |
17168ca2262960c57ee141b5d7095022e038ddb4 | સ્માર્ટ ડિવાઇસીસ અને વેરેબલ સેન્સર્સ દ્વારા પ્રવૃત્તિને ઓળખવી એ સંશોધનનું એક સક્રિય ક્ષેત્ર છે, કારણ કે સ્માર્ટ ડિવાઇસીસનો વ્યાપકપણે ઉપયોગ કરવામાં આવે છે અને તે લોકોના રોજિંદા જીવનમાં સહાયતા માટે પૂરા પાડે છે. ફાઇન-ગ્રાનલ્ડ પ્રાચીન પ્રવૃત્તિ માન્યતા માટે ઉપલબ્ધ ડેટાસેટ્સમાંથી ઘણા લોકો વાસ્તવિક દુનિયામાં રોજિંદા વર્તન પર ઓછું ભાર મૂકતા ગતિશીલતા અથવા રમતગમત પ્રવૃત્તિઓ પર ધ્યાન કેન્દ્રિત કરે છે. આ કાગળ વાસ્તવિક અસંસ્કારી રસોડામાં પ્રવૃત્તિ માન્યતા માટે એક નવો ડેટાસેટ રજૂ કરે છે. માહિતી 10 સહભાગીઓ પાસેથી માત્ર સ્માર્ટ-વોચનો ઉપયોગ કરીને એકત્રિત કરવામાં આવી હતી જ્યારે તેઓ એક બિન-સુધારેલા ભાડેથી રસોડામાં ખોરાક તૈયાર કરતા હતા. આ દસ્તાવેજ આ ડેટાસેટ પર વિવિધ વર્ગીકરણકારો માટે બેઝલાઇન પ્રદર્શન માપદંડ પણ પૂરા પાડે છે. વધુમાં, ઊંડા લક્ષણ શીખવાની સિસ્ટમ અને વધુ પરંપરાગત આંકડાકીય લક્ષણો આધારિત અભિગમોની તુલના કરવામાં આવે છે. આ વિશ્લેષણ બતાવે છે કે - બધા મૂલ્યાંકન માપદંડ માટે - ડેટા આધારિત લક્ષણ શીખવાની વર્ગીકરણકારને હાથથી બનાવેલા લક્ષણોની તુલનામાં શ્રેષ્ઠ પ્રદર્શન પ્રાપ્ત કરવાની મંજૂરી આપે છે. |
62a6cf246c9bec56babab9424fa36bfc9d4a47e8 | આપણે કેવી રીતે કમ્પ્યુટર્સને આપમેળે જવાબ આપવા સક્ષમ કરી શકીએ છીએ જેમ કે "હૅરી પોટરના પાત્રને કોણે બનાવ્યું છે? કાળજીપૂર્વક બાંધવામાં આવેલ જ્ઞાન આધાર તથ્યોના સમૃદ્ધ સ્ત્રોતો પૂરા પાડે છે. જો કે, એક જ પ્રશ્નનાં અનેક અભિવ્યક્તિઓને કારણે કુદરતી ભાષામાં ઊભા થયેલા વાસ્તવિક પ્રશ્નોના જવાબ આપવાનું એક પડકાર છે. ખાસ કરીને, અમે સૌથી સામાન્ય પ્રશ્નો પર ધ્યાન કેન્દ્રિત કરીએ છીએ - જે જ્ઞાન આધારમાં એક હકીકત સાથે જવાબ આપી શકાય છે. અમે સીએફઓ (CFO) નો પ્રસ્તાવ મુક્યો છે, જે જ્ઞાનના આધાર સાથે હકીકતલક્ષી પ્રશ્નોના જવાબ આપવા માટે શરતી કેન્દ્રિત ન્યુરલ નેટવર્ક આધારિત અભિગમ છે. અમારો અભિગમ પ્રથમ પ્રશ્નનો ઝૂમ કરે છે વધુ સંભવિત ઉમેદવાર વિષયના ઉલ્લેખ શોધવા માટે, અને એકીકૃત શરતી સંભાવનાત્મક માળખા સાથે અંતિમ જવાબોનો અનુમાન કરે છે. ઊંડા પુનરાવર્તિત ન્યુરલ નેટવર્ક્સ અને ન્યુરલ એમ્બેડિંગ દ્વારા સંચાલિત, અમારા પ્રસ્તાવિત સીએફઓ 108,000 પ્રશ્નોના ડેટાસેટ પર 75.7% ની ચોકસાઈ પ્રાપ્ત કરે છે - અત્યાર સુધીનો સૌથી મોટો જાહેર. આ 11.8%ના નિરપેક્ષ માર્જિનથી વર્તમાન તકનીકી સ્થિતિને વટાવી જાય છે. |
7bbacae9177e5349090336c23718a51bc94f6bfc | અમે ભૂ-સ્થાન માહિતી સાથે નોંધાયેલા "સ્ટ્રીટ સાઇડ" છબીઓના ડેટાબેઝનો ઉપયોગ કરીને ક્વેરી ઇમેજમાં દર્શાવવામાં આવેલ સ્થળને ઓળખવાનો પ્રયાસ કરીએ છીએ. ડેટાબેઝમાં ક્વેરી અને છબીઓ વચ્ચેના સ્કેલ, દૃષ્ટિકોણ અને લાઇટિંગમાં થયેલા ફેરફારોને કારણે આ એક પડકારરૂપ કાર્ય છે. સ્થાન ઓળખની મુખ્ય સમસ્યાઓમાંની એક એવી વસ્તુઓની હાજરી છે જેમ કે વૃક્ષો અથવા રસ્તાના ચિહ્નો, જે ડેટાબેઝમાં વારંવાર થાય છે અને તેથી વિવિધ સ્થળો વચ્ચે નોંધપાત્ર મૂંઝવણ પેદા કરે છે. મુખ્ય યોગદાન તરીકે, અમે બતાવીએ છીએ કે કેવી રીતે ચોક્કસ સ્થાનોની મૂંઝવણ તરફ દોરી જતી સુવિધાઓને ટાળવા માટે, ડેટાબેઝ છબીઓ સાથે જોડાયેલા જીઓટેગ્સનો ઉપયોગ કરીને દેખરેખના સ્વરૂપ તરીકે. અમે મૂંઝવણભર્યા સુવિધાઓના ઇમેજ-વિશિષ્ટ અને અવકાશી-સ્થાનિક જૂથોના સ્વયંસંચાલિત શોધ માટે એક પદ્ધતિ વિકસાવીએ છીએ, અને દર્શાવ્યું છે કે ડેટાબેઝનું કદ ઘટાડતા તેમને દબાવીને સ્થાન ઓળખ કામગીરીમાં નોંધપાત્ર સુધારો થાય છે. અમે બતાવીએ છીએ કે પદ્ધતિ કળાના બેગ-ઓફ-ફીચર્સ મોડેલની સ્થિતિ સાથે સારી રીતે જોડાય છે જેમાં ક્વેરી વિસ્તરણનો સમાવેશ થાય છે, અને સ્થાનની ઓળખ દર્શાવવી કે જે દૃષ્ટિકોણ અને પ્રકાશની સ્થિતિની વિશાળ શ્રેણીમાં સામાન્ય છે. પરિણામો ગૂગલ સ્ટ્રીટ વ્યૂ પરથી ડાઉનલોડ કરેલી પેરિસની 17 હજારથી વધુ છબીઓના ભૌગોલિક ટેગ ડેટાબેઝ પર બતાવવામાં આવ્યા છે. |
d72b366e1d45cbcddfe5c856b77a2801d8d0c11f | વર્તમાન ન્યુરલ સિમેન્ટીક પાર્સર્સ મુખ્યત્વે અનુક્રમ એન્કોડરનો ઉપયોગ કરે છે, એટલે કે, અનુક્રમિક એલએસટીએમ, શબ્દ ક્રમની સુવિધાઓ કાractવા માટે જ્યારે અન્ય મૂલ્યવાન વાક્યરચનાની માહિતી જેમ કે પરાધીનતા ગ્રાફ અથવા ઘટક વૃક્ષોની અવગણના કરે છે. આ કાગળમાં, અમે પ્રથમ ત્રણ પ્રકારના સિન્ટેક્ટીક માહિતી, એટલે કે, શબ્દ ક્રમ, પરાધીનતા અને મતદાર લક્ષણોનું પ્રતિનિધિત્વ કરવા માટે સિન્ટેક્ટીક ગ્રાફનો ઉપયોગ કરવાનો પ્રસ્તાવ મૂક્યો છે. અમે આગળ એક ગ્રાફ-થી-ક્રમ મોડેલનો ઉપયોગ કરીએ છીએ સિન્ટેક્ટીક ગ્રાફને એન્કોડ કરવા અને લોજિકલ ફોર્મને ડિકોડ કરવા માટે. બેન્ચમાર્ક ડેટાસેટ્સ પરના પ્રાયોગિક પરિણામો દર્શાવે છે કે અમારું મોડેલ જોબ્સ 640, એટીઆઈએસ અને જીઓ 880 પરની અત્યાધુનિક તકનીક સાથે સરખાવી શકાય છે. વિરોધી ઉદાહરણો પરના પ્રાયોગિક પરિણામો દર્શાવે છે કે વધુ વાક્યરચનાત્મક માહિતીને એન્કોડ કરીને મોડેલની મજબૂતાઈમાં પણ સુધારો કરવામાં આવે છે. |
32cde90437ab5a70cf003ea36f66f2de0e24b3ab | જટિલ શહેરી શેરી દ્રશ્યોની દ્રશ્ય સમજણ એ એપ્લિકેશન્સની વિશાળ શ્રેણી માટે સક્ષમ પરિબળ છે. ઓબ્જેક્ટ ડિટેક્શનને મોટા પાયે ડેટાસેટ્સથી, ખાસ કરીને ડીપ લર્નિંગના સંદર્ભમાં ખૂબ ફાયદો થયો છે. સિમેન્ટીક શહેરી દ્રશ્ય સમજણ માટે, જોકે, કોઈ વર્તમાન ડેટાસેટ પર્યાપ્ત વાસ્તવિક વિશ્વના શહેરી દ્રશ્યોની જટિલતાને મેળવે છે. આને સંબોધવા માટે, અમે સિટીસ્કેપ્સ રજૂ કરીએ છીએ, જે પિક્સેલ-સ્તર અને ઉદાહરણ-સ્તર પર સિમેન્ટીક લેબલિંગ માટે અભિગમોને તાલીમ અને પરીક્ષણ કરવા માટે એક બેંચમાર્ક સ્યુટ અને મોટા પાયે ડેટાસેટ છે. સિટીસ્કેપ્સમાં 50 જુદા જુદા શહેરોની શેરીઓમાં રેકોર્ડ કરાયેલા સ્ટીરિયો વિડિઓ સિક્વન્સનો વિશાળ, વૈવિધ્યસભર સમૂહ છે. આમાંથી 5000 છબીઓમાં ઉચ્ચ ગુણવત્તાની પિક્સેલ-સ્તરની એનોટેશન્સ છે, 20000 વધારાની છબીઓમાં મોટા પ્રમાણમાં નબળી-લેબલવાળા ડેટાનો લાભ લેવા માટે પદ્ધતિઓ સક્ષમ કરવા માટે રફ એનોટેશન્સ છે. નિર્ણાયક રીતે, અમારું પ્રયાસ ડેટાસેટના કદ, એનોટેશનની સમૃદ્ધિ, દ્રશ્યની વિવિધતા અને જટિલતાની દ્રષ્ટિએ અગાઉના પ્રયત્નોને વટાવી જાય છે. અમારા સાથેના પ્રયોગાત્મક અભ્યાસમાં ડેટાસેટની લાક્ષણિકતાઓનું ઊંડાણપૂર્વક વિશ્લેષણ આપવામાં આવ્યું છે, સાથે સાથે અમારા બેંચમાર્કના આધારે કેટલાક રાજ્ય-ઓફ-ધ-આર્ટ અભિગમોનું પ્રદર્શન મૂલ્યાંકન પણ કરવામાં આવ્યું છે. |
7c5f143adf1bf182bf506bd31f9ddb0f302f3ce9 | |
ceb7784d1bebbc8e97e97cbe2b3b76bce1e708a5 | આજે દરેક વ્યક્તિના હોઠ પર બિઝનેસ ઇન્ટેલિજન્સ (બીઆઇ) છે, કારણ કે તે વ્યવસાયોને તેમની વ્યવસાયિક પદ્ધતિઓનું વિશ્લેષણ કરવાની અને તેમને સુધારવાની સંભાવના પૂરી પાડે છે. જો કે, નાના અને મધ્યમ ઉદ્યોગો (એસએમઇ) ઘણીવાર કર્મચારી, જ્ઞાન અથવા નાણાં જેવા અભાવ સંસાધનોને કારણે બાય-ઇન્ફોર્મેશનના હકારાત્મક પ્રભાવનો લાભ લઈ શકતા નથી. એસએમઈ વ્યવસાયિક સંગઠનનું મુખ્ય સ્વરૂપ હોવાથી આ હકીકતને દૂર કરવી પડશે. રિટેલ ઉદ્યોગ એસએમઈ શાખાનો એક મોટો ભાગ છે, તેથી અમે રિટેલ એસએમઈ માટે બીઆઇ સિસ્ટમ માટે આંતર-સંગઠન અભિગમ પ્રસ્તાવિત કરીએ છીએ, જે તેમને સહયોગી રીતે ડેટા એકત્રિત કરવા અને વિશ્લેષણ કાર્ય કરવા દે છે. અમારા ચાલુ સંશોધન પ્રયાસનો ઉદ્દેશ ડિઝાઇન સાયન્સ રિસર્ચ પદ્ધતિને અનુસરીને આવી વ્યવસ્થાનો વિકાસ કરવાનો છે. આ લેખમાં, દસ SME મેનેજરો સાથે ગુણાત્મક ઇન્ટરવ્યુ દ્વારા છૂટક ઉદ્યોગમાં એસએમઇમાં વર્તમાન બીઆઇ પ્રથાઓની સ્થિતિનું વિશ્લેષણ કરવામાં આવ્યું છે. ત્યારબાદ, બાય-ઇન-ઇન્ફોર્મેશન સિસ્ટમ્સ અને ઇન્ટર-ઓર્ગેનાઇઝેશનલ ઇન્ફોર્મેશન સિસ્ટમ્સના અપનાવવાની અને સફળતાના પરિબળોને વ્યાપક માળખાગત સાહિત્ય સમીક્ષામાં કામ કરવામાં આવે છે. વર્તમાન સ્થિતિ અને અપનાવવાની અને સફળતાના પરિબળોના આધારે આંતર-સંસ્થાકીય BI સિસ્ટમની સ્વીકૃતિ માટેની પ્રથમ જરૂરિયાતો ઓળખવામાં આવે છે અને ગુણાત્મક ઇન્ટરવ્યુના બીજા રાઉન્ડમાં માન્યતા આપવામાં આવે છે. આ નવ કાર્યાત્મક જરૂરિયાતો અને ત્રણ બિન-કાર્યાત્મક જરૂરિયાતો તરફ દોરી જાય છે, જેનો ઉપયોગ એસએમઇ માટે આંતર-સંગઠનાત્મક બીઆઇ સિસ્ટમની રચના અને અમલીકરણ માટે નીચેના સંશોધન પ્રયત્નોમાં થઈ શકે છે. |
43e33e80d74205e860dd4b8e26b7c458c60e201a | અમે બતાવીએ છીએ કે (અવશેષ) કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) નું વજન અને પૂર્વગ્રહો પર યોગ્ય પૂર્વગ્રહ સાથેનું આઉટપુટ અનંત ઘણા કન્વોલ્યુશનલ ફિલ્ટર્સની મર્યાદામાં ગૌસિયન પ્રક્રિયા (જીપી) છે, જે ગાઢ નેટવર્ક્સ માટે સમાન પરિણામોને વિસ્તૃત કરે છે. સીએનએન માટે, સમકક્ષ કર્નલ બરાબર ગણતરી કરી શકાય છે અને, deep deep deep kernels થી વિપરીત, તેમાં ખૂબ ઓછા પરિમાણો છેઃ ફક્ત મૂળ સીએનએનના હાયપરપેરમેટર્સ. વધુમાં, અમે બતાવીએ છીએ કે આ કર્નલમાં બે ગુણધર્મો છે જે તેને કાર્યક્ષમ રીતે ગણતરી કરવાની મંજૂરી આપે છે; છબીઓની જોડી માટે કર્નલનું મૂલ્યાંકન કરવાની કિંમત મૂળ સીએનએન દ્વારા માત્ર એક જ ફિલ્ટર દીઠ સ્તર સાથે સમાન છે. 32-લેયર રેઝનેટના સમકક્ષ કર્નલ એમએનઆઈએસટી પર 0.84% વર્ગીકરણ ભૂલ મેળવે છે, જે સમાન સંખ્યામાં પરિમાણો ધરાવતા જી.પી. માટે એક નવો રેકોર્ડ છે. 1 નો |
1e38c680492a958a2bd616a9a7121f905746a37e | બિટકોઇન સિસ્ટમ (https://bitcoin.org) એક સ્યુડો-અનામી ચલણ છે જે વપરાશકર્તાને કોઈપણ વાસ્તવિક વિશ્વની ઓળખથી અલગ કરી શકે છે. તે સંદર્ભમાં, વર્ચ્યુઅલ અને ભૌતિક વિભાજનનું સફળ ભંગ બિટકોઇન સિસ્ટમમાં એક નોંધપાત્ર એવનું પ્રતિનિધિત્વ કરે છે [1]. આ પ્રોજેક્ટમાં અમે બતાવીએ છીએ કે કેવી રીતે બિટકોઇન વ્યવહારો પાછળ વાસ્તવિક દુનિયાના વપરાશકર્તાઓ વિશે માહિતી ભેગી કરવી. અમે ક્રિપ્ટોકરન્સી વિશે સાર્વજનિક રીતે ઉપલબ્ધ ડેટાનું વિશ્લેષણ કરીએ છીએ. ખાસ કરીને, અમે તે વપરાશકર્તાની ખર્ચની ટેવની તપાસ કરીને બિટકોઇન વપરાશકર્તાના ભૌતિક સ્થાન વિશેની માહિતી નક્કી કરવા પર ધ્યાન કેન્દ્રિત કરીએ છીએ. |
2c0a239caa3c2c590e4d6f23ad01c1f77adfc7a0 | |
5f6d9b8461a9d774da12f1b363eede4b7088cf5d | અગાઉના સંશોધનનાં પરિણામો દર્શાવે છે કે UHF નિષ્ક્રિય CMOS RFID ટેગ્સને -20 ડીબીએમથી ઓછી સંવેદનશીલતા પ્રાપ્ત કરવામાં મુશ્કેલી હતી. આ કાગળ ડ્યુઅલ-ચેનલ 15-બીટ યુએચએફ નિષ્ક્રિય સીએમઓએસ આરએફઆઇડી ટેગ પ્રોટોટાઇપ રજૂ કરે છે જે -20 ડીબીએમ કરતા ઓછી સંવેદનશીલતા પર કામ કરી શકે છે. પ્રસ્તાવિત ટેગ ચિપ ઊર્જાને ભેગી કરે છે અને 866.4-MHz (ETSI માટે) અથવા 925-MHz (એફસીસી માટે) ચેનલ પર અપલિંક ડેટાને બેકસ્કેટર કરે છે અને 433-MHz ચેનલ પર ડાઉનલિંક ડેટા મેળવે છે. પરિણામે, ડાઉનલિંક ડેટા ટ્રાન્સમિશન આરએફ ઊર્જાને કાપવા માટે અમારા ટેગને વિક્ષેપિત કરતું નથી. ઉગાડવામાં આવેલી ઊર્જાનો કાર્યક્ષમ રીતે ઉપયોગ કરવા માટે, અમે એક ટેગ ચિપ ડિઝાઇન કરીએ છીએ જેમાં ન તો નિયમનકાર અથવા વીસીઓનો સમાવેશ થાય છે જેથી ઉગાડવામાં આવેલી ઊર્જાનો સંપૂર્ણ ઉપયોગ ડેટા પ્રાપ્ત કરવા, પ્રક્રિયા કરવા અને બેકસ્કેટરિંગમાં થાય છે. નિયમનકાર વિના, અમારા ટેગ રીસીવર ફ્રન્ટ-એન્ડમાં શક્ય તેટલા ઓછા સક્રિય એનાલોગ સર્કિટનો ઉપયોગ કરે છે. તેના બદલે, અમારા ટેગ પ્રાપ્ત ડેટાને ડિકોડ કરવા માટે એક નવલકથા ડિજિટલ સર્કિટનો ઉપયોગ કરે છે. વીસીઓ વિના, અમારા ટેગની ડિઝાઇન ડાઉનલિંક ડેટામાંથી જરૂરી ઘડિયાળ સંકેત કાઢી શકે છે. માપનનું પરિણામ બતાવે છે કે પ્રસ્તાવિત નિષ્ક્રિય ટેગ ચિપની સંવેદનશીલતા -21.2 ડીબીએમ સુધી પહોંચી શકે છે. આ પરિણામ એ 36-ડીબીએમ ઇઆઇઆરપી અને 0.4-ડીબીઆઇ ટેગ એન્ટેના ગેઇન હેઠળ 19.6 મીટર રીડર-ટુ-ટેગ અંતર સાથે મેળ ખાય છે. આ ચિપનું નિર્માણ ટીએસએમસી 0.18-μm સીએમઓએસ પ્રક્રિયામાં કરવામાં આવ્યું હતું. મરી વિસ્તાર 0.958 મીમી × 0.931mm છે. |
4991785cb0e6ee3d0b7823b59e144fb80ca3a83e | |
2f3a6728b87283ccf0f8822f7a60bca8280f0957 | એકત્રિત શોધ એ સંભવિત બહુવિધ વિશિષ્ટ શોધ સેવાઓ અથવા વર્ટિકલથી વેબ શોધ પરિણામોમાં પરિણામોને એકીકૃત કરવાનું કાર્ય છે. આ કાર્ય માટે માત્ર તે જ આગાહી કરવાની જરૂર નથી કે જે વર્ટિકલ પ્રસ્તુત કરવા (મોટાભાગના અગાઉના સંશોધનમાં ધ્યાન કેન્દ્રિત કરે છે), પણ વેબ પરિણામોમાં તેમને પ્રસ્તુત કરવા માટે (એટલે કે, વેબ પરિણામોની ઉપર અથવા નીચે, અથવા ક્યાંક વચ્ચે) આગાહી કરે છે. બહુવિધ વર્ટિકલમાંથી પરિણામોને એકત્રિત કરવા માટે મોડેલો શીખવા બે મુખ્ય પડકારો સાથે સંકળાયેલા છે. પ્રથમ, કારણ કે વર્ટિકલ વિવિધ પ્રકારના પરિણામો મેળવે છે અને વિવિધ શોધ કાર્યોને સંબોધિત કરે છે, વિવિધ વર્ટિકલમાંથી પરિણામો વિવિધ પ્રકારના આગાહી પુરાવા (અથવા સુવિધાઓ) સાથે સંકળાયેલા છે. બીજું, જ્યારે કોઈ લક્ષણ ઊભીમાં સામાન્ય હોય છે, ત્યારે તેની આગાહીત્મકતા ઊભી-વિશિષ્ટ હોઈ શકે છે. તેથી, વર્ટિકલ પરિણામોને એકત્રિત કરવાના અભિગમોને વર્ટિકલ્સમાં અસંગત લક્ષણ પ્રતિનિધિત્વને હેન્ડલ કરવાની જરૂર છે, અને, સંભવિત રૂપે, લક્ષણો અને સુસંગતતા વચ્ચે વર્ટિકલ-વિશિષ્ટ સંબંધ. અમે 3 સામાન્ય અભિગમો રજૂ કરીએ છીએ જે આ પડકારોને અલગ અલગ રીતે સંબોધિત કરે છે અને 13 વર્ટિકલ અને 1070 ક્વેરીઝના સમૂહમાં તેમના પરિણામોની તુલના કરે છે. અમે બતાવીએ છીએ કે શ્રેષ્ઠ અભિગમ એ છે કે જે શીખવાની અલ્ગોરિધમનો લક્ષણો અને સુસંગતતા વચ્ચેના વર્ટિકલ-વિશિષ્ટ સંબંધને શીખવા માટે પરવાનગી આપે છે. |
b8945cfb7ed72c0fd70263379c328b8570bd763f | |
a2770a51760a134dbb77889d5517550943ea7b81 | 2જી/3જી/એલટીઇ સંચાર માટે ઉચ્ચ લાભ સાથે કોમ્પેક્ટ ડ્યુઅલ-પોલરાઇઝ્ડ ડ્યુઅલ-બેન્ડ ઓમ્નિડાયરેક્શનલ એન્ટેના રજૂ કરવામાં આવે છે, જેમાં બે આડી પોલરાઇઝેશન (એચપી) અને એક ઊભી પોલરાઇઝેશન (વીપી) તત્વોનો સમાવેશ થાય છે. ઉપલા એચપી તત્વમાં ચાર જોડીઓ મોડિફાઇડ પ્રિન્ટેડ મેગ્નેટો-ઇલેક્ટ્રિક (એમઇ) ડાઇપોલ્સ હોય છે જે ચાર-વે પાવર ડિવાઇડર ફીડિંગ નેટવર્ક દ્વારા આપવામાં આવે છે, અને આઠ આર્ક-આકારના પરોપજીવી પેચના ટુકડાઓ છે જે વર્તુળ પ્રિન્ટેડ સર્કિટ બોર્ડની બંને બાજુઓ પર વૈકલ્પિક રીતે છાપવામાં આવે છે. ચાર-માર્ગ પાવર ડિવાઇડર ફીડિંગ નેટવર્ક સાથે મળીને ME ડાયપોલ્સની ચાર જોડીઓ મુખ્યત્વે સ્થિર 360 ° રેડિયેશન પેટર્ન અને ઉચ્ચ લાભ પ્રદાન કરે છે, જ્યારે આઠ ટુકડાઓ પેચનો ઉપયોગ બેન્ડવિડ્થને વધારવા માટે થાય છે. નીચલા એચપી તત્વ ઉપલા એક સમાન છે સિવાય કે તે પરોપજીવી પેચ નથી. વીપી તત્વમાં ચાર જોડી કોન આકારના પેચનો સમાવેશ થાય છે. એચપી તત્વથી અલગ, ઉપલા વીપી તત્વ નીચલા આવર્તન બેન્ડ પ્રદાન કરે છે જ્યારે નીચલા વીપી એક ઉપલા આવર્તન બેન્ડને ઉત્પન્ન કરે છે. વીપી તત્વ અને એચપી તત્વ કોમ્પેક્ટ અને દ્વિ-ધ્રુવીકૃત લક્ષણો મેળવવા માટે લંબરૂપ ગોઠવાય છે. માપવામાં આવેલા પરિણામો દર્શાવે છે કે એચપી દિશા માટે આશરે 2.6 ડીબીઆઇના ગેઇન સાથે 39.6% (0.77-1.15 ગીગાહર્ટ્ઝ) ની બેન્ડવિડ્થ અને આશરે 4.5 ડીબીઆઇના ગેઇન સાથે 55.3% (1.66-2.93 ગીગાહર્ટ્ઝ) ની બેન્ડવિડ્થ પ્રાપ્ત કરી શકાય છે, જ્યારે વીપી દિશા માટે આશરે 4.4 ડીબીઆઇના ગેઇન સાથે 128% (0.7-3.2 ગીગાહર્ટ્ઝ) ની બેન્ડવિડ્થ મેળવી શકાય છે. 20 ડીબી કરતા વધારે પોર્ટ આઇસોલેશન અને 2 ડીબીઆઇની અંદર ઓછી ગેઇન વેરિએશન સ્તર પણ મેળવવામાં આવે છે. આથી પ્રસ્તાવિત એન્ટેના 2જી/3જી/એલટીઈ ઇન્ડોર કમ્યુનિકેશન્સ માટે યોગ્ય છે. |
33a1ee51cc5d51609943896a95c1371538f2d017 | |
1eb0bf4b9bf04e870962b742c4fc6cb330d1235a | બિઝનેસ પ્રોસેસ મેનેજમેન્ટ પરના મોટા ભાગના સાહિત્યમાં આપવામાં આવેલી બિઝનેસ પ્રોસેસની વ્યાખ્યાઓ ઊંડાણપૂર્વક મર્યાદિત છે અને બિઝનેસ પ્રોસેસના તેમના સંબંધિત મોડેલો અનુરૂપ રીતે મર્યાદિત છે. ઉત્પાદન પ્રણાલીઓથી લઈને ઓફિસના વાતાવરણ સુધીની બિઝનેસ પ્રોસેસ મોડેલિંગની તકનીકોની પ્રગતિનો સંક્ષિપ્ત ઇતિહાસ આપ્યા પછી, આ કાગળ સૂચવે છે કે મોટાભાગની વ્યાખ્યાઓ પ્રક્રિયાના મશીન રૂપક પ્રકારનાં સંશોધન પર આધારિત છે. જ્યારે આ તકનીકો ઘણી વાર સમૃદ્ધ અને પ્રકાશીત હોય છે, ત્યારે એવું સૂચવવામાં આવે છે કે તેઓ વ્યવસાય પ્રક્રિયાઓની સાચી પ્રકૃતિને વ્યક્ત કરવા માટે ખૂબ મર્યાદિત છે, જેને વિકાસ કરવાની અને આજના પડકારરૂપ વાતાવરણમાં અનુકૂલન કરવાની જરૂર છે. |
bc018fc951c124aa4519697f1884fd5afaf43439 | આ લેખમાં બ્રોડબેન્ડ પ્લાનર એન્ટેનાના સૈદ્ધાંતિક અને પ્રાયોગિક પરિણામો રજૂ કરવામાં આવ્યા છે. આ એન્ટેના વિશાળ બેન્ડવિડ્થ, નીચા ક્રોસ-પોલરાઇઝેશન સ્તર અને નીચા બેકવર્ડ રેડિયેશન સ્તર પ્રાપ્ત કરી શકે છે. વિશાળ બેન્ડવિડ્થ અને સક્રિય સર્કિટ સાથે સરળ એકીકરણ માટે, તે એપરચર-કપ્પ્પ્લ સ્ટેક્ડ સ્ક્વેર પેચનો ઉપયોગ કરે છે. કપ્લિંગ એપરચર એક એચ આકારની એપરચર છે. સીમિત-ભેદ સમય-ડોમેઇન પદ્ધતિના આધારે, એન્ટેનાના ઇનપુટ અવબાધનો પરિમાણીય અભ્યાસ રજૂ કરવામાં આવ્યો છે, અને એન્ટેના અવબાધ પર દરેક પરિમાણની અસરો દર્શાવવામાં આવી છે. એક એન્ટેનાની રચના, નિર્માણ અને માપ પણ કરવામાં આવે છે. માપવામાં આવેલ વળતર નુકશાન 21.7% ની અવબાધ બેન્ડવિડ્થ દર્શાવે છે. બંને અને પ્લેનમાં ક્રોસ-પોલરાઇઝેશન સ્તર 23 ડીબી કરતાં વધુ સારી છે. એન્ટેના રેડિયેશન પેટર્નની આગળની પાછળની ગુણોત્તર 22 ડીબી કરતાં વધુ સારી છે. પરિમાણો અને રેડિયેશન પેટર્નના સૈદ્ધાંતિક અને પ્રાયોગિક પરિણામો બંને રજૂ કરવામાં આવ્યા છે અને ચર્ચા કરવામાં આવી છે. |
5adcac7d15ec8999fa2beb62f0ddc6893884e080 | ફિંગરપ્રિન્ટ ઓરિએન્ટેશન ફિંગરપ્રિન્ટ એમ્પ્લીફિકેશન, ફિંગરપ્રિન્ટ ક્લાસિફિકેશન અને ફિંગરપ્રિન્ટ રેકગ્નિશનમાં મહત્વપૂર્ણ ભૂમિકા ભજવે છે. આ કાગળ ફિંગરપ્રિન્ટ ઓરિએન્ટેશન અંદાજમાં પ્રાથમિક પ્રગતિની ટીકાત્મક સમીક્ષા કરે છે. હાલની પદ્ધતિઓના ફાયદા અને મર્યાદાઓને ધ્યાનમાં લેવામાં આવી છે. ભવિષ્યના વિકાસના મુદ્દાઓ પર ચર્ચા કરવામાં આવી છે. કૉપિરાઇટ © 2010 જ્હોન વિલી એન્ડ સન્સ, લિમિટેડ |
568cff415e7e1bebd4769c4a628b90db293c1717 | વિડીયોની વિશાળ માત્રા હવે આશ્ચર્યજનક દરે લેવામાં આવી રહી છે, પરંતુ તેમાંના મોટાભાગનાને લેબલ આપવામાં આવ્યું નથી. આવા ડેટાનો સામનો કરવા માટે, અમે કોઈપણ જાતે લેબલ કરેલા ઉદાહરણો વિના વિડિઓઝમાં સામગ્રી-આધારિત પ્રવૃત્તિ માન્યતાના કાર્યને ધ્યાનમાં લઈએ છીએ, જેને શૂન્ય-શોટ વિડિઓ ઓળખ તરીકે પણ ઓળખવામાં આવે છે. આ સિદ્ધ કરવા માટે, વિડિઓઝ શોધાયેલ દ્રશ્ય ખ્યાલોના સંદર્ભમાં રજૂ કરવામાં આવે છે, જે પછી આપેલ ટેક્સ્ટ ક્વેરી સાથે તેમની સમાનતા અનુસાર સંબંધિત અથવા અપ્રસ્તુત તરીકે સ્કોર કરવામાં આવે છે. આ કાગળમાં, અમે અગાઉના કાર્યની નબળાઈ અને ઓછી ચોકસાઈની સમસ્યાઓને દૂર કરવા માટે પોઈન્ટિંગ ખ્યાલો માટે વધુ મજબૂત અભિગમ પ્રસ્તાવિત કરીએ છીએ. અમે માત્ર સંયુક્ત રીતે અર્થપૂર્ણ સંબંધ, દ્રશ્ય વિશ્વસનીયતા, અને ભેદભાવ શક્તિને ધ્યાનમાં રાખતા નથી. પસંદ કરેલા ખ્યાલોના રેન્કિંગ સ્કોર્સમાં ઘોંઘાટ અને બિન-રેખીયતાને નિયંત્રિત કરવા માટે, અમે સ્કોર એકત્રીકરણ માટે નવલકથા જોડીમાં ઓર્ડર મેટ્રિક્સ અભિગમનો પ્રસ્તાવ મૂક્યો છે. મોટા પાયે TRECVID મલ્ટીમીડિયા ઇવેન્ટ ડિટેક્શન ડેટા પર વ્યાપક પ્રયોગો અમારા અભિગમની શ્રેષ્ઠતા દર્શાવે છે. |
a62ac71cd51124973ac57c87d09a3461ecbd8e61 | લઘુત્તમ સરેરાશ ચોથા (એલએમએફ) અલ્ગોરિધમનો વર્તન ખાસ રસ ધરાવે છે. આ અલ્ગોરિધમનો એલએમએસ અલ્ગોરિધમનો સાથે સરખામણી કરવામાં આવે છે, જ્યારે બંને વજન રાહત પ્રક્રિયા માટે બરાબર સમાન સમયના સ્થિર હોય છે, ત્યારે એલએમએફ અલ્ગોરિધમનો, કેટલાક સંજોગોમાં, એલએમએસ અલ્ગોરિધમનો કરતાં નોંધપાત્ર રીતે નીચું વજનનો અવાજ હશે. તેથી શક્ય છે કે મીન ઇમમ મીન ચોથા ભૂલ અલ્ગોરિધમનો એ મીન સ્ક્વેર ભૂલ અલ્ગોરિધમનો કરતાં લઘુત્તમ ચોરસનો અંદાજ વધુ સારી રીતે કરી શકે છે. આ રસપ્રદ ખ્યાલ અનુકૂલનશીલ એલ્ગોરિધમ્સના તમામ સ્વરૂપો માટે અસરો ધરાવે છે, પછી ભલે તે સૌથી વધુ ઉતરાણ પર આધારિત હોય અથવા અન્યથા. અનુકૂલનશીલ ફિલ્ટરિંગ માટે નવા સૌથી વધુ ઉતરતા અલ્ગોરિધમ્સની રચના કરવામાં આવી છે અને તે સરેરાશ ચોથા અને સરેરાશ છઠ્ઠા, વગેરેમાં ભૂલ ઘટાડવાની મંજૂરી આપે છે. અનુકૂલન દરમિયાન, વજન તેમના શ્રેષ્ઠ ઉકેલો તરફ ગુણાત્મક છૂટછાટ પસાર કરે છે. ટાઈમ સ્થિરતા પ્રાપ્ત થઈ છે, અને આશ્ચર્યજનક રીતે તે સમય સ્થિરતા સાથે પ્રમાણસર છે જે જો વિડ્રો અને હોફના સૌથી વધુ ઉતરાણ લઘુત્તમ સરેરાશ ચોરસ (એલએમએસ) અલ્ગોરિધમનો ઉપયોગ કરવામાં આવ્યો હોત તો પ્રાપ્ત થઈ હોત. નવા ગ્રેડિએન્ટ અલ્ગોરિધમ્સ LMS અલ્ગોરિધમનો કરતાં પ્રોગ્રામ કરવા અને ગણતરી કરવા માટે વધુ જટિલ છે. તેમનું સામાન્ય સ્વરૂપ W J+l = w, t 2plqK-lx છે, જ્યાં W, વર્તમાન વજન વેક્ટર છે, W, + 1 આગામી વજન વેક્ટર છે, r, વર્તમાન ભૂલ છે, X, વર્તમાન ઇનપુટ વેક્ટર છે, u સતત નિયંત્રણ સ્થિરતા અને સંપાત દર છે, અને 2 K એ ભૂલનું ગુણાંક છે જે ઘટાડવામાં આવે છે. નવા ગ્રેડિએન્ટ અલ્ગોરિધમનો માટે સરેરાશ અને વિભેદકના વજન-વેક્ટર સંપાત માટે શરતો ઉતરી આવી છે. |
5896b9299d100bdd10fee983fe365dc3bcf35a67 | આ કાગળ સતત આરોગ્ય મોનીટરીંગ માટે બિનઆક્રમક વાયરલેસ સેન્સર પ્લેટફોર્મ રજૂ કરે છે. સેન્સર સિસ્ટમમાં લૂપ એન્ટેના, વાયરલેસ સેન્સર ઇન્ટરફેસ ચિપ અને પોલિમર સબસ્ટ્રેટ પર ગ્લુકોઝ સેન્સરનો સમાવેશ થાય છે. આઇસીમાં પાવર મેનેજમેન્ટ, રીડઆઉટ સર્કિટરી, વાયરલેસ કમ્યુનિકેશન ઇન્ટરફેસ, એલઇડી ડ્રાઇવર અને 0.36-mm2 સીએમઓએસ ચિપમાં કોઈ બાહ્ય ઘટકો વિના ઊર્જા સંગ્રહ કેપેસિટરનો સમાવેશ થાય છે. અમારા ગ્લુકોઝ સેન્સરની સંવેદનશીલતા 0.18 μA·mm-2·mM-1 છે. આ સિસ્ટમ વાયરલેસ રીતે સંચાલિત છે અને નિયમનકારી 1.2-વી પુરવઠામાંથી 3 μWનો વપરાશ કરતી વખતે 400 હર્ટ્ઝ/એમએમ સંવેદનશીલતા સાથે 0.05-1 એમએમ ની માપવામાં આવેલી ગ્લુકોઝ રેન્જ પ્રાપ્ત કરે છે. |
622c5da12c87ecc3ea8be91f79192b6e0ee559d2 | આ સૈદ્ધાંતિક સંશ્લેષણમાં, અમે વપરાશકર્તા ભાગીદારી અને સંડોવણી પર અગાઉના સંશોધનની ત્રણ પરંપરાઓ એકસાથે મૂકીએ છીએઃ વપરાશકર્તા ભાગીદારી અને આઇએસ સફળતા વચ્ચેના સંબંધ પર સર્વેક્ષણ અને પ્રાયોગિક સાહિત્ય, વૈકલ્પિક વિકાસ અભિગમો પરના નૉર્મેટિવ સાહિત્ય અને વિવિધ સૈદ્ધાંતિક દ્રષ્ટિકોણથી વપરાશકર્તા ભાગીદારીની તપાસ કરતા ગુણાત્મક અભ્યાસો. અમે સાહિત્યના ત્રણ ભાગોમાં થયેલી પ્રગતિનું પણ મૂલ્યાંકન કરીએ છીએ અને વપરાશકર્તાની ભાગીદારીમાં સુધારો કરવા માટે ભવિષ્યના સંશોધનની ગાબડા અને દિશાઓને ઓળખીએ છીએ. |
24beb987b722d4a25d3157a43000e685aa8f8874 | આ કાગળ એક આંકડાકીય મોડેલ રજૂ કરે છે જે ભાગોના ભાષણ ટૅગ્સ સાથે કોરપસને ટ્રેન કરે છે અને તેમને અગાઉ ન જોઈતા ટેક્સ્ટને કલાની ચોકસાઈ સાથે સોંપે છે આ મોડેલને મહત્તમ એન્ટ્રોપી મોડેલ તરીકે વર્ગીકૃત કરી શકાય છે અને એક સાથે POS ટૅગની આગાહી કરવા માટે ઘણા સંદર્ભિત સુવિધાઓનો ઉપયોગ કરે છે વધુમાં આ કાગળ મોડેલ મુશ્કેલ ટેગિંગ નિર્ણયો માટે વિશિષ્ટ સુવિધાઓનો ઉપયોગ દર્શાવે છે આ સુવિધાઓના અમલીકરણ દરમિયાન મળી આવેલી કોરપસ સુસંગતતા સમસ્યાઓ પર ચર્ચા કરે છે અને આ સમસ્યાઓને ઘટાડવા માટે તાલીમ વ્યૂહરચના સૂચવે છે |
6a2fe560574b76994ab1148b4dae0bfb89e3a3e3 | માનવ દ્રષ્ટિનો એક મહત્વપૂર્ણ પાસું એ છે કે અપેક્ષા રાખવી અને અપેક્ષા રાખવી કે માનવ કઈ પ્રવૃત્તિઓ આગળ કરશે (અને તેમને કેવી રીતે કરવું) ઘણા કાર્યક્રમો માટે ઉપયોગી છે, ઉદાહરણ તરીકે, અપેક્ષા એ સહાયક રોબોટને માનવ વાતાવરણમાં પ્રતિક્રિયાશીલ પ્રતિસાદો માટે આગળની યોજના બનાવવા માટે સક્ષમ બનાવે છે. આ કાર્યમાં, અમે ઑબ્જેક્ટની સગવડતા દ્વારા સમૃદ્ધ અવકાશી-સમય સંબંધ વિશે તર્ક દ્વારા વિવિધ સંભવિત ભાવિ માનવ પ્રવૃત્તિઓ પેદા કરવા માટે એક રચનાત્મક અભિગમ રજૂ કરીએ છીએ. અમે દરેક સંભવિત ભવિષ્યને અનુમાનિત સમયના શરતી રેન્ડમ ફીલ્ડ (એટીસીઆરએફ) નો ઉપયોગ કરીને રજૂ કરીએ છીએ જ્યાં અમે ભવિષ્યના પદાર્થની રસ્તાઓ અને માનવ પોઝથી અનુરૂપ ગાંઠો અને ધારને જનરેટિવ મોડેલમાંથી નમૂના આપીએ છીએ. પછી અમે સંભવિત ભવિષ્યમાં વિતરણનું પ્રતિનિધિત્વ કરીએ છીએ, જે એટીસીઆરએફ કણોના સેટનો ઉપયોગ કરે છે. CAD-120 માનવ પ્રવૃત્તિ આરજીબી-ડી ડેટાસેટ પર વ્યાપક મૂલ્યાંકનમાં, નવા વિષયો (ટ્રેનિંગ સેટમાં જોવા મળ્યા નથી) માટે, અમે 75.4%, 69.2% અને 58.1% ની પ્રવૃત્તિની અપેક્ષા ચોકસાઈ (પ્રથમ ત્રણ આગાહીઓમાંથી એક ખરેખર થયું છે કે નહીં તે વ્યાખ્યાયિત કરે છે) અનુક્રમે 1, 3 અને 10 સેકન્ડના અપેક્ષા સમય માટે. 1 નો |
ea38789c6687e7ccb483693046fff5293e903c51 | અમે બેચ રિઇનફોર્સ્મેન્ટ લર્નિંગ (આરએલ) અલ્ગોરિધમનો પ્રસ્તુત કરીએ છીએ જે તે દરખાસ્ત કરે છે તે દરેક નીતિની ગુણવત્તા વિશે સંભાવનાત્મક બાંયધરી આપે છે, અને જેમાં કોઈ હાયપર-પૅરામીટર્સ નથી કે જેને નિષ્ણાત ટ્યુનિંગની જરૂર હોય. વપરાશકર્તા કોઈપણ પ્રદર્શન નીચલા-મર્યાદા, ρ−, અને વિશ્વાસ સ્તર, δ પસંદ કરી શકે છે, અને અમારું અલ્ગોરિધમનો એ સુનિશ્ચિત કરશે કે તે પ્રદર્શનની નીચેની નીતિ આપે તેવી સંભાવના છે ρ− મહત્તમ છે δ. પછી અમે એક વૃદ્ધિશીલ અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ જે બહુવિધ નીતિ સુધારણા પેદા કરવા માટે વારંવાર અમારી નીતિ સુધારણા અલ્ગોરિધમનો ચલાવે છે. અમે અમારા અભિગમની ટકાઉપણું બતાવીએ છીએ એક સરળ ગ્રીડવર્લ્ડ અને સ્ટાન્ડર્ડ પર્વત કાર સમસ્યા, તેમજ ડિજિટલ માર્કેટિંગ એપ્લિકેશન સાથે જે વાસ્તવિક વિશ્વ ડેટાનો ઉપયોગ કરે છે. |
780b05a35f2c7dd4b4d6e2a844ef5e145f1972ae | મલ્ટી-ટર્ન સંવાદોમાં, કુદરતી ભાષા સમજણના મોડેલો સંદર્ભિત માહિતી માટે અંધ હોવાને કારણે સ્પષ્ટ ભૂલો રજૂ કરી શકે છે. સંવાદ ઇતિહાસને સમાવિષ્ટ કરવા માટે, અમે સ્પીકર-સેન્સિટિવ ડ્યુઅલ મેમરી નેટવર્ક્સ સાથે ન્યુરલ આર્કિટેક્ચર રજૂ કરીએ છીએ જે સ્પીકરના આધારે અલગ અલગ રીતે ઉચ્ચારણ કરે છે. આ સિસ્ટમ માટે ઉપલબ્ધ માહિતીના વિવિધ સ્તરોને સંબોધિત કરે છે - સિસ્ટમ ફક્ત વપરાશકર્તાના ઉચ્ચારણોના સપાટી સ્વરૂપને જાણે છે જ્યારે તે સિસ્ટમ આઉટપુટના ચોક્કસ અર્થશાસ્ત્ર ધરાવે છે. અમે માઈક્રોસોફ્ટ કોર્ટાનાના વાસ્તવિક વપરાશકર્તા ડેટા પર પ્રયોગો કર્યા, એક વ્યાવસાયિક વ્યક્તિગત સહાયક. પરિણામ સંદર્ભ માહિતીનો ઉપયોગ કરીને સ્ટેટ-ઓફ-ધ-આર્ટ સ્લોટ ટેગિંગ મોડેલો પર નોંધપાત્ર પ્રભાવ સુધારો દર્શાવે છે. |
259bbc822121df705bf3d5898ae031cd712505ea | 1મોબાઇલ કોમ્યુનિકેશન્સ વિભાગ, ઇલેક્ટ્રિકલ એન્જિનિયરિંગ અને કોમ્પ્યુટર સાયન્સ સ્કૂલ, ટેકનિકલ યુનિવર્સિટી ઓફ બર્લિન, બર્લિન, જર્મની 2વાયરલેસ નેટવર્કિંગ, સિગ્નલ પ્રોસેસિંગ અને સિક્યોરિટી લેબ, ઇલેક્ટ્રિકલ અને કોમ્પ્યુટર એન્જિનિયરિંગ વિભાગ, હ્યુસ્ટન યુનિવર્સિટી, હ્યુસ્ટન, TX 77004, યુએસએ 3કોમ્યુનિકેશન સિસ્ટમ્સ ડિવિઝન, ઇલેક્ટ્રિકલ એન્જિનિયરિંગ (ISY) વિભાગ, લિન્કોપિંગ યુનિવર્સિટી, SE-581 83 લિન્કોપિંગ, સ્વીડન 4કોમ્યુનિકેશન્સ લેબોરેટરી, ઇલેક્ટ્રિકલ એન્જિનિયરિંગ અને ઇન્ફોર્મેશન ટેકનોલોજી ફેકલ્ટી, ડ્રેસ્ડેન યુનિવર્સિટી ઓફ ટેકનોલોજી, 01062 ડ્રેસ્ડેન, જર્મની |
4eca7aa4a96300caf8622d666ecf5635d8b72132 | સ્વયંચાલિત પુનર્વસન અને રમતગમત તાલીમ પ્રણાલીઓ વિકસાવવા માટે માનવ પ્રવૃત્તિઓને ચોક્કસ રીતે ઓળખવાની ક્ષમતા આવશ્યક છે. આ કાગળમાં, અગ્રભાગ-વસ્ત્રો પહેરવા યોગ્ય સેન્સરમાંથી મેળવેલ મોટા પાયે કસરત ગતિ ડેટાને કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) સાથે વર્ગીકૃત કરવામાં આવે છે. એક્સિલરોમીટર અને ઓરિએન્ટેશન માપનથી બનેલા સમય-શ્રેણી ડેટાને છબીઓ તરીકે ફોર્મેટ કરવામાં આવે છે, જે સીએનએનને આપમેળે ભેદભાવપૂર્ણ સુવિધાઓ કાઢવાની મંજૂરી આપે છે. છબી ફોર્મેટિંગ અને વિવિધ સીએનએન આર્કિટેક્ચર્સની અસરો પર તુલનાત્મક અભ્યાસ પણ રજૂ કરવામાં આવ્યો છે. શ્રેષ્ઠ પ્રદર્શન રૂપરેખાંકન 92.1% ચોકસાઈ સાથે 50 જિમ કસરતો વર્ગીકૃત કરે છે. |
1b1a829c43f1a4f3a3d70f033a1b8e7bee1f7112 | |
6abac64862f7d207cac58c6a93f75dc80d74e575 | |
5fb874a1c8106a5b2b2779ee8e1433149109ba00 | ડેટામાંથી બેયસિયન નેટવર્ક્સ શીખવા માટે અલ્ગોરિધમ્સમાં બે ઘટકો છેઃ સ્કોરિંગ મેટ્રિક અને શોધ પ્રક્રિયા. સ્કોરિંગ મેટ્રિક ડેટાની રચનાની સારી-ઓફ-ટીને પ્રતિબિંબિત કરતા સ્કોરની ગણતરી કરે છે. શોધ પ્રક્રિયા ઉચ્ચ સ્કોર્સ સાથે નેટવર્ક માળખાને ઓળખવાનો પ્રયાસ કરે છે. હેકરમેન અને અન્ય (1995) બેયસિયન મેટ્રિક રજૂ કરે છે, જેને બીડી મેટ્રિક કહેવામાં આવે છે, જે આપેલ ડેટાના નેટવર્ક માળખાની સંબંધિત પાછળની સંભાવનાની ગણતરી કરે છે. આ કાગળમાં, અમે બતાવીએ છીએ કે બેયસિયન નેટવર્કની ઓળખની શોધ સમસ્યા છે, જ્યાં દરેક નોડમાં સૌથી વધુ K માતાપિતા છે, જેમાં આપેલ સ્થિર કરતાં વધારે સંબંધિત પશ્ચાદવર્તી સંભાવના છે, જ્યારે બીડી મેટ્રિકનો ઉપયોગ કરવામાં આવે છે ત્યારે તે એનપી-સંપૂર્ણ છે. તાજેતરમાં, ઘણા સંશોધકોએ બેયસિયન નેટવર્ક્સ શીખવાની પદ્ધતિઓની તપાસ કરવાનું શરૂ કર્યું છે. આમાંના ઘણા અભિગમોમાં સમાન મૂળભૂત ઘટકો છેઃ સ્કોરિંગ મેટ્રિક અને શોધ પ્રક્રિયા. સ્કોરિંગ મેટ્રિક અવલોકન કરેલા કેસો D અને નેટવર્ક માળખું B S નો ડેટાબેઝ લે છે, અને માળખામાં ડેટાની સારી-ઓફ-ટીને પ્રતિબિંબિત કરતા સ્કોર આપે છે. શોધ પ્રક્રિયા સ્કોરિંગ મેટ્રિક દ્વારા મૂલ્યાંકન માટે નેટવર્ક્સ પેદા કરે છે. આ અભિગમો નેટવર્ક માળખું અથવા માળખાના સમૂહને ઓળખવા માટે બે ઘટકોનો ઉપયોગ કરે છે જેનો ઉપયોગ ભાવિ ઘટનાઓની આગાહી કરવા અથવા કારણસરના સંબંધોનો અનુમાન કરવા માટે થઈ શકે છે. કૂપર અને હર્સ્કોવિટ્સ (1992) ને અહીં CH કહેવાય છે, જે બેયસિયન મેટ્રિકને મેળવે છે, જેને આપણે બીડી મેટ્રિક કહીએ છીએ, જે બેયસિયન નેટવર્ક્સને શીખવા વિશે વાજબી ધારણાઓના સમૂહમાંથી મેળવે છે જેમાં માત્ર અલગ અલગ ચલો છે. હેકરમેન અને અન્ય (1995) જે અહીં એચજીસી તરીકે ઓળખાય છે અને CH ના કામ પર એક નવું મેટ્રિક મેળવે છે, જેને આપણે બીડી મેટ્રિક કહીએ છીએ, જેમાં સંભાવના સમકક્ષતાની ઇચ્છનીય મિલકત છે. સંભાવના સમકક્ષતા કહે છે કે ડેટા સમકક્ષ માળખાને ભેદભાવ કરવામાં મદદ કરી શકતો નથી. હવે અમે CH દ્વારા મેળવેલ બીડી મેટ્રિક રજૂ કરીએ છીએ. અમે બી એચ એસનો ઉપયોગ પૂર્વધારણાને દર્શાવવા માટે કરીએ છીએ કે બી એસ એ વિતરણનો આઇ-મેપ છે જે ડેટાબેઝ પેદા કરે છે. 2 માન્યતા-નેટવર્ક માળખું B S આપવામાં આવે છે , અમે x i ના માતાપિતાને દર્શાવવા માટે i નો ઉપયોગ કરીએ છીએ. અમે r i નો ઉપયોગ વેરિયેબલ x i ની સંખ્યાને દર્શાવવા માટે કરીએ છીએ, અને q i = Q x l 2 i r l નો ઉપયોગ i ના ઉદાહરણોની સંખ્યાને દર્શાવવા માટે કરીએ છીએ. અમે આ ઉદાહરણો અનુક્રમણિકા માટે પૂર્ણાંક j નો ઉપયોગ કરીએ છીએ. એટલે કે, આપણે x i ના માતાપિતાના jth ઉદાહરણની અવલોકન દર્શાવવા માટે i = j લખીએ છીએ. 1996 સ્પ્રિંગર-વર્લાગ. ૨ એક છે . . . |
7783fd2984ac139194d21c10bd83b4c9764826a3 | સંભાવનાત્મક પદ્ધતિઓ, કમ્પ્યુટેશનલ સાધનોના ક્ષેત્રો બનાવવા માટે. પરંતુ મને કેનમાં લેવાની જરૂર હતી, બેયસિયન નેટવર્ક્સ તાજેતરમાં મજબૂત રીતે કામ કર્યું હતું. તાજેતરમાં જ મેં આ પુસ્તક પ્રકાશિત કર્યું હતું. આ પુરસ્કાર ગ્રેજ્યુએટ માટે આપવામાં આવે છે. હું કેવી રીતે રહી છું તે વિશે ખૂબ ચિંતિત. દેખીતી રીતે ડેફ્ની કોલર અને શીખવાની માળખાં પુરાવા તર્ક. પર્લ એ "હું" માટે ભાષા છે. આ પુસ્તકનું પ્રકાશન ખૂબ જ વહેલું થયું હોવા છતાં, તે શ્રેષ્ઠ સંદર્ભો આપતું નથી. |
5c386d601ffcc75f7635a4a5c6066824b37b9425 | આજકાલ, રજિસ્ટ્રેશન ફોર્મ સાથેની લોકપ્રિય વેબ સાઇટ શોધવી મુશ્કેલ છે જે સ્વચાલિત માનવ સાબિતી પરીક્ષણ દ્વારા સુરક્ષિત નથી જે છબીમાં અક્ષરોની શ્રેણી પ્રદર્શિત કરે છે, અને વપરાશકર્તાને ઇનપુટ ફીલ્ડમાં ક્રમ દાખલ કરવા માટે પૂછે છે. આ સુરક્ષા પદ્ધતિ ટ્યુરિંગ ટેસ્ટ પર આધારિત છે - આર્ટિફિશિયલ ઇન્ટેલિજન્સમાં સૌથી જૂની વિભાવનાઓમાંથી એક - અને તેને ઘણીવાર કોમ્પ્યુટર્સ અને હ્યુમન્સને અલગ કરવા માટે સંપૂર્ણપણે સ્વચાલિત જાહેર ટ્યુરિંગ ટેસ્ટ (કેપ્ચા) કહેવામાં આવે છે. આ પ્રકારની પરીક્ષાને મહત્વના વેબ સંસાધનોની સ્વયંચાલિત ઍક્સેસને રોકવા માટે કલ્પના કરવામાં આવી છે, ઉદાહરણ તરીકે, વેબ મેઇલ સેવા અથવા સોશિયલ નેટવર્ક. હાલમાં આવા સેંકડો પરીક્ષણો છે, જે દરરોજ લાખો વખત આપવામાં આવે છે, આમ તેમાં માનવ કાર્યનો વિશાળ જથ્થો સામેલ છે. બીજી બાજુ, આ પરીક્ષણોની સંખ્યા તૂટી ગઈ છે, એટલે કે, સંશોધકો, હેકરો અને સ્પામર્સ દ્વારા રચાયેલ સ્વચાલિત પ્રોગ્રામ્સ આપમેળે સાચો જવાબ આપવા સક્ષમ છે. આ પ્રકરણમાં, અમે કેપ્ચાના ઇતિહાસ અને ખ્યાલ, તેમની એપ્લિકેશન્સ અને તેમના ઉદાહરણોની વ્યાપક સમીક્ષા સાથે રજૂ કરીએ છીએ. અમે તેમના મૂલ્યાંકનની પણ ચર્ચા કરીએ છીએ, વપરાશકર્તા અને સુરક્ષા પરિપ્રેક્ષ્યો બંનેમાંથી, જેમાં ઉપયોગિતા, હુમલાઓ અને પ્રતિ-માપનો સમાવેશ થાય છે. અમે આશા રાખીએ છીએ કે આ પ્રકરણ વાચકને આ રસપ્રદ ક્ષેત્રની સારી ઝાંખી આપે છે. CES IN COMPUTERS, VOL. આ પ્રકરણમાં, કોમ્પ્યુટરમાં CES 83 109 કૉપિરાઇટ © 2011 એલ્સેવીયર ઇન્ક. 65-2458/DOI: 10.1016/B978-0-12-385510-7.00003-5 બધા હકો અનામત છે. 110 જે. એમ. ગોમેઝ હિડાલ્ગો અને જી. અલવારેઝ મરાન 1. પ્રસ્તાવના . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 11 . 1 ટ્યુરિંગ ટેસ્ટ અને કેપ્ચાની ઉત્પત્તિ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ૧૧૨. પ્રેરણા અને અરજીઓ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 3 . 1 ઓ સીઆર . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 3 . 2 હું વૃદ્ધ છું . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 3 . 3 . એક ઓડિયો . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 3 . 4 જ્ઞાની . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 આર સંદર્ભો . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ૧૭૩ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ૧૫૪ ૫ એસ સુરક્ષા અને કેપ્ચા પર હુમલાઓ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 5 . 1 કેપ્ચા પર એક અટેક . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 5 . 2 CAPTCHAs પર સુરક્ષા આવશ્યકતાઓ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ૧૬૯૬ કેપ્ચા માટે વૈકલ્પિક . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ૧૭૧૭ C નિષ્કર્ષ અને ભવિષ્યના વલણો . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ૧૪૪ ૪ કેપ્ચાનું ઇ મૂલ્યાંકન . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 4.1. એકમ ઇ કાર્યક્ષમતા . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 4.2. બે એક અનુપલબ્ધતા સમસ્યાઓ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 4.3. આ રાસાયણિક વિચારણાઓ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 2.1 નો સમાવેશ થાય છે. કેપ્ચાનું સામાન્ય વર્ણન . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 2.2 નો સમાવેશ થાય છે. કેપ્ચાની ઇચ્છનીય ગુણધર્મો . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 બે ત્રણ હું પરિપૂર્ણતા અને જમાવટ છું. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 બે ચાર એપીપીલીકેશન અને રોબોટ્સનો ઉદય . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ૧૨૧૩ કેપ્ચાના પ્રકારો . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . |
941a668cb77010e032a809861427fa8b1bee8ea0 | સિગ્નલ પ્રોસેસિંગ આજે ઇસીજી વિશ્લેષણ અને અર્થઘટન માટે મોટાભાગની સિસ્ટમોમાં કરવામાં આવે છે. ઇસીજી સિગ્નલ પ્રોસેસિંગનો ઉદ્દેશ બહુવિધ છે અને તેમાં માપનની ચોકસાઈ અને પુનરાવર્તિતતામાં સુધારો (હસ્તકલા માપનની સરખામણીમાં) અને દ્રશ્ય મૂલ્યાંકન દ્વારા સિગ્નલમાંથી સહેલાઈથી ઉપલબ્ધ માહિતીના નિષ્કર્ષણનો સમાવેશ થાય છે. ઘણી પરિસ્થિતિઓમાં, ઇસીજી એમ્બ્યુલટરી અથવા સખત પરિસ્થિતિઓ દરમિયાન રેકોર્ડ કરવામાં આવે છે, જેમ કે સિગ્નલ વિવિધ પ્રકારના અવાજ દ્વારા દૂષિત થાય છે, કેટલીકવાર શરીરની અન્ય શારીરિક પ્રક્રિયામાંથી ઉદ્દભવે છે. આમ, અવાજ ઘટાડવો ઇસીજી સિગ્નલ પ્રોસેસિંગનો બીજો મહત્વપૂર્ણ ઉદ્દેશ છે; હકીકતમાં, રસના તરંગ સ્વરૂપો ક્યારેક ઘોંઘાટ દ્વારા ભારે ઢાંકી દેવામાં આવે છે કે યોગ્ય સંકેત પ્રોસેસિંગ પ્રથમ લાગુ થયા પછી જ તેમની હાજરી જાહેર કરી શકાય છે. હૃદયના ધબકારામાં વિક્ષેપકારક રીતે થતા વિક્ષેપોને ઓળખવા માટે ઇલેક્ટ્રોકાર્ડિયોગ્રાફિક સંકેતો લાંબા સમય (એટલે કે, કેટલાક દિવસો) પર રેકોર્ડ કરી શકાય છે. પરિણામે, ઉત્પન્ન થયેલ ઇસીજી રેકોર્ડિંગ વિશાળ ડેટા કદમાં છે જે ઝડપથી ઉપલબ્ધ સ્ટોરેજ સ્પેસ ભરે છે. જાહેર ટેલિફોન નેટવર્કમાં સિગ્નલોનું પ્રસારણ એ અન્ય એપ્લિકેશન છે જેમાં મોટા પ્રમાણમાં ડેટા સામેલ છે. બંને પરિસ્થિતિઓ માટે, ડેટા સંકોચન એ આવશ્યક કામગીરી છે અને, પરિણામે, ઇસીજી સિગ્નલ પ્રોસેસિંગનો બીજો ઉદ્દેશ રજૂ કરે છે. સિગ્નલ પ્રોસેસિંગ એ ઇસીજી અને તેની ગતિશીલ ગુણધર્મોની નવી સમજણ માટે નોંધપાત્ર યોગદાન આપ્યું છે, જેમ કે લય અને બીટ મોર્ફોલોજીમાં ફેરફારો દ્વારા વ્યક્ત કરવામાં આવે છે. ઉદાહરણ તરીકે, એવી તકનીકો વિકસાવવામાં આવી છે જે કાર્ડિયોવાસ્ક્યુલર સિસ્ટમથી સંબંધિત ઓસિલેશનને દર્શાવે છે અને હૃદયના ધબકારામાં સૂક્ષ્મ ફેરફારો દ્વારા પ્રતિબિંબિત થાય છે. ટી વેવ એમ્પ્લીટ્યુડમાં નીચા સ્તરના, વૈકલ્પિક ફેરફારોનું નિદાન એ ઓસિલેટરી વર્તનનું બીજું ઉદાહરણ છે જે અચાનક, જીવલેણ અસ્થિરતા માટે વધેલા જોખમના સૂચક તરીકે સ્થાપિત કરવામાં આવ્યું છે. આ બેમાંથી કોઈ પણ ઓસિલેટરી સિગ્નલ ગુણધર્મોને પ્રમાણભૂત ઇસીજી પ્રિન્ટઆઉટમાંથી નરી આંખે જોઈ શકાતા નથી. તમામ પ્રકારના ઇસીજી વિશ્લેષણ માટે સામાન્ય - તે આરામથી ઇસીજી અર્થઘટન, તણાવ પરીક્ષણ, આમ્બ્યુલટરી મોનિટરિંગ અથવા ઇન્ટેન્સિવ કેર મોનિટરિંગનો સમાવેશ કરે છે - એ અલ્ગોરિધમ્સનો મૂળભૂત સમૂહ છે જે વિવિધ પ્રકારના અવાજ અને આર્ટિફેક્ટ્સના સંદર્ભમાં સિગ્નલને શરત આપે છે, હૃદયની ધબકારાને શોધી કાઢે છે, તરંગની વિસ્તૃતતા અને અવધિના મૂળભૂત ઇસીજી માપને બહાર કાઢે છે અને કાર્યક્ષમ સંગ્રહ અથવા પ્રસારણ માટે ડેટાને સંકુચિત કરે છે; આકૃતિમાં બ્લોક ડાયાગ્રામ. 1 આ સંકેત પ્રોસેસિંગ અલ્ગોરિધમ્સનો સમૂહ રજૂ કરે છે. જોકે આ અલ્ગોરિધમ્સને વારંવાર ક્રમિક ક્રમમાં ચલાવવા માટે અમલમાં મૂકવામાં આવે છે, ક્યુઆરએસ ડિટેક્ટર દ્વારા ઉત્પન્ન કરાયેલ હૃદયના ધબકારાના સમયની માહિતી, કેટલીકવાર પ્રભાવને સુધારવા માટે અન્ય અલ્ગોરિધમ્સમાં સમાવિષ્ટ કરવામાં આવે છે. દરેક અલ્ગોરિધમનો જટિલતા એપ્લિકેશનથી એપ્લિકેશન સુધી બદલાય છે, તેથી, ઉદાહરણ તરીકે, આમ્બ્યુલટરી મોનિટરિંગમાં કરવામાં આવતી અવાજ ફિલ્ટરિંગ આરામથી ઇસીજી વિશ્લેષણમાં જરૂરી કરતાં વધુ વ્યવહારદક્ષ છે. એકવાર મૂળભૂત એલ્ગોરિધમ્સના સેટ દ્વારા ઉત્પન્ન થયેલી માહિતી ઉપલબ્ધ થઈ જાય પછી, ઇસીજી એપ્લિકેશનની વિશાળ શ્રેણી અસ્તિત્વમાં છે જ્યાં હૃદયની લય અને ધબકારાની રચનાની ગુણધર્મોને માપવા માટે સિગ્નલ પ્રોસેસિંગનો ઉપયોગ કરવો રસપ્રદ છે. આ લેખના અંતમાં બે આવા કાર્યક્રમો-ઉચ્ચ રીઝોલ્યુશન ઇસીજી અને ટી વેવ અલ્ટરનેટ્સ સાથે સંકળાયેલ સિગ્નલ પ્રોસેસિંગનો સંક્ષિપ્તમાં વર્ણન કરવામાં આવ્યો છે. રસ ધરાવતા વાચકને, ઉદાહરણ તરીકે, રેફ. 1, જ્યાં અન્ય ઇસીજી એપ્લિકેશન્સનું વિગતવાર વર્ણન મળી શકે છે. |
b681da8d4be586f6ed6658038c81cdcde1d54406 | આ પત્રમાં, એક નવલકથા ડ્યુઅલ-બેન્ડ અને ધ્રુવીકરણ-ગુણવત્તાવાળું સબસ્ટ્રેટ સંકલિત વેવગાઇડ (એસઆઇડબ્લ્યુ) પોલાણ એન્ટેનાનો પ્રસ્તાવ છે. એન્ટેના માટે ઉપયોગમાં લેવાતી એસઆઇડબલ્યુ પોલાણ તેના પ્રથમ પડઘો માટે પરંપરાગત ટીઇ 120 મોડ દ્વારા ઉત્તેજિત થાય છે. સ્લોટની દખલ સાથે, સુધારેલા-ટીઇ 120 મોડ દ્વારા ઉત્તેજિત બીજા પડઘો પણ પેદા થાય છે, આમ બે પડઘો ફ્રીક્વન્સીઝ પર બ્રોડસાઇડ રેડિયેશન પેટર્ન પૂરું પાડે છે. આ ઉપરાંત, પ્રસ્તાવિત એન્ટેનામાં બે ઓર્થોગોનલ ફીડિંગ લાઇનો છે. તેથી, છ મુખ્ય ધ્રુવીકરણ રાજ્યો પૂરા પાડવા શક્ય છે. આ પત્રમાં, ત્રણ મુખ્ય ધ્રુવીકરણના કિસ્સાઓનું અનુકરણ કરવામાં આવે છે અને માપવામાં આવેલા પરિણામો સાથે સરખાવાય છે. આધુનિક સંચાર પ્રણાલીઓને મલ્ટીફંક્શનલ એન્ટેનાની જરૂર હોવાથી, પ્રસ્તાવિત એન્ટેના ખ્યાલ એક આશાસ્પદ ઉમેદવાર છે. |
cf18287e79b1fd73cd333fc914bb24c00a537f4c | જટિલ કૌશલ્યના વ્યાપક રેપર્ટોરીને સ્વાયત્ત રીતે શીખવા માટે, રોબોટ્સને માનવ દેખરેખ વિના, તેમના પોતાના સ્વાયત્ત રીતે એકત્રિત ડેટામાંથી શીખવા માટે સક્ષમ હોવા જોઈએ. એક શીખવાની સંકેત જે હંમેશા સ્વાયત્ત રીતે એકત્રિત ડેટા માટે ઉપલબ્ધ છે તે આગાહી છે. જો રોબોટ ભવિષ્યની આગાહી કરવાનું શીખી શકે છે, તો તે આ આગાહી મોડેલનો ઉપયોગ ઇચ્છિત પરિણામો ઉત્પન્ન કરવા માટે ક્રિયાઓ કરવા માટે કરી શકે છે, જેમ કે કોઈ વસ્તુને કોઈ ચોક્કસ સ્થાન પર ખસેડવી. જો કે, જટિલ ઓપન-વર્લ્ડ દૃશ્યોમાં, આગાહી માટે પ્રતિનિધિત્વની રચના કરવી મુશ્કેલ છે. આ કામમાં, અમે તેના બદલે સીધી વિડિઓ આગાહી દ્વારા સ્વ-સર્વેક્ષિત રોબોટ શીખવાને સક્ષમ કરવાનો લક્ષ્ય રાખીએ છીએઃ એક સારા પ્રતિનિધિત્વની રચના કરવાનો પ્રયાસ કરવાને બદલે, અમે સીધી આગાહી કરીએ છીએ કે રોબોટ આગળ શું જોશે, અને પછી આ મોડેલનો ઉપયોગ ઇચ્છિત લક્ષ્યોને પ્રાપ્ત કરવા માટે કરો. રોબોટિક મેનિપ્યુલેશન માટે વિડીયો આગાહીમાં એક મુખ્ય પડકાર એ છે કે ઓક્લૂઝન જેવી જટિલ અવકાશી વ્યવસ્થાઓનું સંચાલન કરવું. તે અંત માટે, અમે એક વિડિઓ આગાહી મોડેલ રજૂ કરીએ છીએ જે ક્ષણિક સ્કીપ કનેક્શન્સનો સમાવેશ કરીને ઓક્લૂઝન દ્વારા પદાર્થોનો ટ્રેક રાખી શકે છે. એક નવલકથા આયોજન માપદંડ અને ક્રિયા જગ્યા રચના સાથે, અમે દર્શાવ્યું છે કે આ મોડેલ નોંધપાત્ર વિડિઓ આગાહી આધારિત નિયંત્રણ પર અગાઉના કામ પર outperforms. અમારા પરિણામો તાલીમ દરમિયાન ન જોઈ શકાય તેવી વસ્તુઓની ચાલાકી દર્શાવે છે, બહુવિધ વસ્તુઓને હેન્ડલ કરે છે, અને અવરોધોની આસપાસ વસ્તુઓને દબાણ કરે છે. આ પરિણામો કુશળતાની શ્રેણી અને જટિલતામાં નોંધપાત્ર પ્રગતિ દર્શાવે છે જે સ્વ-સર્વેક્ષિત રોબોટ શિક્ષણ સાથે સંપૂર્ણપણે કરી શકાય છે. |
89701a3b04c3f102ebec83db3249b20791eacb38 | સંદર્ભ સભાનતા સંદર્ભ સભાન સેવાઓ સક્ષમ કરવા માટે એક મુખ્ય મિલકત છે. મોબાઇલ ઉપકરણ માટે, વપરાશકર્તાનું સ્થાન અથવા ટ્રેકટરી નિર્ણાયક સંદર્ભોમાંનું એક છે. મોબાઇલ ઉપકરણો દ્વારા સ્થાન અથવા ટ્રેકટરીને શોધવામાં એક સામાન્ય પડકાર ચોકસાઈ અને વીજ વપરાશ વચ્ચેના વેપારને સંચાલિત કરવાનો છે. સામાન્ય રીતે, (1) સેન્સરનો ઉપયોગ કરવાની આવર્તનને નિયંત્રિત કરવી અને (2) સેન્સર ફ્યુઝન ટેકનિક. આ કાગળમાં પ્રસ્તાવિત અલ્ગોરિધમનો સેલ ટાવરમાંથી વારંવાર માપવામાં આવેલા રફ અને અચોક્કસ સ્થાન ડેટાને મર્જ કરીને ચોકસાઈમાં સુધારો કરવા માટે એક અલગ અભિગમ લે છે. પ્રયોગના પરિણામ દર્શાવે છે કે 41 દિવસના માપનના ડેટાને ભેગા કરીને શોધાયેલ રસ્તા અને જમીન સત્ય વચ્ચેના સરેરાશ ભૂલ અંતરને 44 મીટરથી 10.9 મીટર સુધી સુધારી દેવામાં આવે છે. |
a85ad1a2ee829c315be6ded0eee8a1dadc21a666 | કોમ્પ્યુટર વિઝનમાં સ્વયં સંચાલિત અને સહાયિત ડ્રાઇવિંગ નિઃશંકપણે ગરમ વિષયો છે. જો કે, ડ્રાઇવિંગનું કાર્ય અત્યંત જટિલ છે અને ડ્રાઇવરોના વર્તન અંગેની ઊંડી સમજણ હજુ પણ ખૂટે છે. ઘણા સંશોધકો હવે દ્રશ્યમાં અગ્રણી અને રસપ્રદ વસ્તુઓ શોધવા માટે કોમ્પ્યુટેશનલ મોડેલ્સને વ્યાખ્યાયિત કરવા માટે ધ્યાન પદ્ધતિની તપાસ કરી રહ્યા છે. તેમ છતાં, આમાંના મોટાભાગના મોડેલો ફક્ત નીચેથી ઉપર વિઝ્યુઅલ હાઇલાઇનેસનો સંદર્ભ આપે છે અને હજી પણ છબીઓ પર ધ્યાન કેન્દ્રિત કરે છે. તેના બદલે, ડ્રાઇવિંગ અનુભવ દરમિયાન કાર્યની સમયસર પ્રકૃતિ અને વિશિષ્ટતા ધ્યાન પદ્ધતિઓ પર પ્રભાવ પાડે છે, જેનાથી નિષ્કર્ષ આવે છે કે વાસ્તવિક જીવન ડ્રાઇવિંગ ડેટા ફરજિયાત છે. આ કાગળમાં અમે એક નવલકથા અને જાહેર રીતે ઉપલબ્ધ ડેટાસેટ પ્રસ્તાવિત કરીએ છીએ જે વાસ્તવિક ડ્રાઇવિંગ દરમિયાન હસ્તગત કરવામાં આવે છે. અમારા ડેટાસેટમાં, 500,000 થી વધુ ફ્રેમ્સનો સમાવેશ થાય છે, જેમાં ડ્રાઇવરોના દૃષ્ટિની નિશ્ચિતતા અને તેમની સમયસર એકીકરણ કાર્ય-વિશિષ્ટ હાઇલાઇટી નકશા પ્રદાન કરે છે. ભૌગોલિક સંદર્ભિત સ્થળો, ડ્રાઇવિંગ સ્પીડ અને કોર્સ પ્રકાશિત ડેટાના સમૂહને પૂર્ણ કરે છે. અમારા શ્રેષ્ઠ જ્ઞાન મુજબ, આ પ્રકારની પ્રથમ સાર્વજનિક રીતે ઉપલબ્ધ ડેટાસેટ છે અને તે ભવિષ્યની પેઢીના સ્વયંસંચાલિત અને સહાયિત કારમાં ડ્રાઇવરનું ધ્યાન પ્રક્રિયાને વધુ સારી રીતે સમજવા, શોષણ અને પુનઃઉત્પાદન કરવા પર નવી ચર્ચાઓને પ્રોત્સાહન આપી શકે છે. |
a0ff514a8a64ba5a7cd7430ca04245fd037d040c | આ કાગળ અનુક્રમે 2012 અને 2013ના પૂર્વ-આઇસીઆઈએસ ઇવેન્ટ્સના શૈક્ષણિક અને ઉદ્યોગ ચર્ચાઓ પર નિર્માણ કરે છેઃ બીઆઈ કોંગ્રેસ III અને નિર્ણય સહાયક સિસ્ટમ્સ (એસઆઇજીડીએસએસ) પર વિશેષ હિત જૂથ વર્કશોપ. નિર્ણય લેવા અને નવીનીકરણ માટે નવી સમજ પ્રદાન કરવા માટે "મોટા ડેટા"ની સંભાવનાને માન્યતા આપતા, બે ઇવેન્ટ્સમાં પેનલના સભ્યોએ ચર્ચા કરી કે કેવી રીતે સંસ્થાઓ સ્પર્ધાત્મક લાભ માટે મોટા ડેટાનો ઉપયોગ અને સંચાલન કરી શકે છે. આ ઉપરાંત, નિષ્ણાત પેનલના સભ્યોએ સંશોધનના અંતરને ઓળખવામાં મદદ કરી. જ્યારે શૈક્ષણિક સમુદાયમાં ઉભરતા સંશોધનો મોટા ડેટાને હસ્તગત કરવા, વિશ્લેષણ કરવા અને તેનો ઉપયોગ કરવાના કેટલાક મુદ્દાઓને ઓળખે છે, ત્યારે ઘણા નવા વિકાસ વ્યવસાયિક સમુદાયમાં થઈ રહ્યા છે. અમે સંસ્થાઓમાં મોટા ડેટા વિશ્લેષણ માટે જરૂરી ઘટકોની પ્રક્રિયા દૃશ્યને દર્શાવતી મોટી ડેટા વિશ્લેષણ માળખું રજૂ કરીને શૈક્ષણિક અને પ્રેક્ટિશનર સંશોધન વચ્ચેના અંતરને પુલ કરીએ છીએ. આ માળખા દ્વારા માર્ગદર્શન મેળવતા, અમે અભ્યાસ અને અભ્યાસ બંનેમાંથી પ્રેક્ટિશનર ઇન્ટરવ્યુ અને સાહિત્યનો ઉપયોગ કરીને, મોટા ડેટા સંશોધનની વર્તમાન સ્થિતિને ઓળખીએ છીએ અને ભવિષ્યના સંશોધન માટે સંભવિત ક્ષેત્રો સૂચવીએ છીએ જેથી અભ્યાસમાં શૈક્ષણિક સંશોધનનો વ્યાવહારિકતામાં વધારો થાય. |
34d03cfb02806e668f9748ee60ced1b269d1db6c | |
0607acbb450d2afef7f2aa5b53bb05966bd065ed | જ્યારે ડીપ ન્યુરલ નેટવર્ક્સ (ડીએનએન) એ મોટા શબ્દભંડોળ સતત ભાષણ ઓળખ (એલવીસીએસઆર) કાર્યો માટે જબરદસ્ત સફળતા પ્રાપ્ત કરી છે, આ નેટવર્ક્સની તાલીમ ધીમી છે. એક કારણ એ છે કે ડી.એન.એ.ને મોટી સંખ્યામાં તાલીમ પરિમાણો (એટલે કે, 10-50 મિલિયન) સાથે તાલીમ આપવામાં આવે છે. કારણ કે સારા પ્રદર્શનને હાંસલ કરવા માટે નેટવર્ક્સને મોટી સંખ્યામાં આઉટપુટ લક્ષ્યો સાથે તાલીમ આપવામાં આવે છે, આમાંના મોટાભાગના પરિમાણો અંતિમ વજન સ્તરમાં છે. આ કાગળમાં, અમે અંતિમ વજન સ્તરના નીચા ક્રમ મેટ્રિક્સ પરિબળને પ્રસ્તાવિત કરીએ છીએ. અમે આ નીચા-રેન્ક તકનીકને DNNs માટે બંને ધ્વનિ મોડેલિંગ અને ભાષા મોડેલિંગ માટે લાગુ કરીએ છીએ. અમે ત્રણ અલગ અલગ LVCSR કાર્યો પર 50-400 કલાકની વચ્ચેના રેન્ક પર બતાવીએ છીએ કે નીચા ક્રમાંકિત પરિબળકરણ નેટવર્કના પરિમાણોની સંખ્યાને 30-50% ઘટાડે છે. આનું પરિણામ લગભગ સમાન છે તાલીમ સમયમાં ઘટાડો, અંતિમ માન્યતા ચોકસાઈમાં નોંધપાત્ર નુકશાન વિના, સંપૂર્ણ રેન્ક પ્રતિનિધિત્વની તુલનામાં. |
56c16d9e2a5270ba6b1d83271e2c10916591968d | |
56c2fb2438f32529aec604e6fc3b06a595ddbfcc | તાજેતરમાં, આગળના ચહેરાના ચિત્રોમાંથી જાતિ વર્ગીકરણ માટે ઘણી મશીન શિક્ષણ પદ્ધતિઓ પ્રસ્તાવિત કરવામાં આવી છે. તેમની વિવિધતા સૂચવે છે કે આ સમસ્યાનો કોઈ એક અથવા સામાન્ય ઉકેલ નથી. પદ્ધતિઓની વિવિધતા ઉપરાંત, તેમને મૂલ્યાંકન કરવા માટે ઉપયોગમાં લેવાતા બેંચમાર્ક્સની પણ વિવિધતા છે. આ જ અમને અમારા કામ માટે પ્રેરણા આપી: સ્વયંચાલિત જાતિ ઓળખમાં ઉપયોગમાં લેવાતી મુખ્ય અદ્યતન પદ્ધતિઓની સંક્ષિપ્ત પરંતુ વિશ્વસનીય રીતે પસંદગી અને સરખામણી કરવી. અપેક્ષા મુજબ, કોઈ એકંદર વિજેતા નથી. વર્ગીકરણની ચોકસાઈના આધારે વિજેતા, ઉપયોગમાં લેવાતા બેંચમાર્કના પ્રકાર પર આધારિત છે. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.