_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
bdf67ee2a13931ca2d5eac458714ed98148d1b34 | વાસ્તવિક સમયના ઘૂસણખોરી-શોધ નિષ્ણાત પ્રણાલીનું એક મોડેલ વર્ણવવામાં આવ્યું છે જે બ્રેક-ઇન્સ, ઘૂસણખોરી અને કમ્પ્યુટર દુરુપયોગના અન્ય સ્વરૂપોને શોધી શકે છે. આ મોડેલ એવી ધારણા પર આધારિત છે કે સિસ્ટમ વપરાશના અસામાન્ય પેટર્ન માટે સિસ્ટમના ઓડિટ રેકોર્ડ્સનું નિરીક્ષણ કરીને સુરક્ષા ઉલ્લંઘન શોધી શકાય છે. આ મોડેલમાં મેટ્રિક્સ અને આંકડાકીય મોડેલોના સંદર્ભમાં વસ્તુઓ સાથે સંબંધિત વિષયોના વર્તનનું પ્રતિનિધિત્વ કરવા માટે પ્રોફાઇલ્સનો સમાવેશ થાય છે, અને ઓડિટ રેકોર્ડ્સમાંથી આ વર્તન વિશે જ્ઞાન મેળવવા અને અસામાન્ય વર્તનને શોધી કાઢવા માટેના નિયમો. આ મોડેલ કોઈ પણ ચોક્કસ સિસ્ટમ, એપ્લિકેશન પર્યાવરણ, સિસ્ટમ નબળાઈ અથવા ઘૂસણખોરીના પ્રકારથી સ્વતંત્ર છે, આમ સામાન્ય હેતુવાળા ઘૂસણખોરી-શોધ નિષ્ણાત સિસ્ટમ માટે માળખું પૂરું પાડે છે. |
eeb1a1e0cab8d809b5789d04418dc247dca956cc | લી, સ્ટોલ્ફો અને મોકે અગાઉ ઘૂસણખોરીની તપાસ માટે જ્ઞાન મેળવવા માટે ખાણકામ ઓડિટ ડેટા માટે એસોસિએશન નિયમો અને આવર્તન એપિસોડ્સના ઉપયોગની જાણ કરી છે. ફઝી લોજિક સાથેના એસોસિએશન નિયમો અને આવર્તન એપિસોડ્સના એકીકરણથી ઘુસણખોરીની શોધ માટે વધુ અમૂર્ત અને લવચીક પેટર્ન ઉત્પન્ન થઈ શકે છે, કારણ કે ઘુસણખોરીની શોધમાં ઘણા જથ્થાત્મક લક્ષણો સામેલ છે અને સુરક્ષા પોતે જ અસ્પષ્ટ છે. અમે અગાઉના અહેવાલ અલ્ગોરિધમનો ફેરફાર રજૂ કરીએ છીએ ખાણકામ અસ્પષ્ટ એસોસિએશન નિયમો, અસ્પષ્ટ આવર્તન એપિસોડ્સની વિભાવનાને વ્યાખ્યાયિત કરે છે, અને ખાણકામ અસ્પષ્ટ આવર્તન એપિસોડ્સ માટે એક મૂળ અલ્ગોરિધમનો રજૂ કરે છે. અમે અસ્પષ્ટ જોડાણ નિયમોની ખાણકામ માટે પ્રક્રિયામાં સામાન્યકરણ પગલું ઉમેરીએ છીએ જેથી એક ડેટા ઉદાહરણને અન્ય કરતા વધુ યોગદાન આપવાનું અટકાવી શકાય. અમે ફઝી ફ્રીક્વન્સી એપિસોડ્સ શીખવા માટે ખાણકામ આવર્તન એપિસોડ્સ માટે પ્રક્રિયા પણ સંશોધિત કરીએ છીએ. પ્રાયોગિક પરિણામો ઘુસણખોરીની શોધમાં અસ્પષ્ટ સંગઠન નિયમો અને અસ્પષ્ટ આવર્તન એપિસોડ્સની ઉપયોગીતા દર્શાવે છે. ડ્રાફ્ટ: ઇન્ટરનેશનલ જર્નલ ઓફ ઇન્ટેલિજન્ટ સિસ્ટમ્સ, વોલ્યુમ 15, નં. I, ઓગસ્ટ 2000 3 |
0b07f84c22ce01309981a02c23d5cd1770cad48b | ટેબલ પાર્ટીશનિંગ ટેબલને નાના ભાગોમાં વિભાજિત કરે છે જે એકબીજાથી સ્વતંત્ર રીતે ઍક્સેસ, સંગ્રહિત અને જાળવી શકાય છે. ક્વેરી પ્રદર્શનમાં સુધારો કરવા માટે તેમના પરંપરાગત ઉપયોગથી, પાર્ટીશનીંગ વ્યૂહરચનાઓ ડેટાબેઝ સિસ્ટમ્સની એકંદર વ્યવસ્થાપનક્ષમતામાં સુધારો કરવા માટે એક શક્તિશાળી પદ્ધતિમાં વિકસિત થઈ છે. ટેબલ પાર્ટીશનિંગ ડેટા લોડિંગ, દૂર કરવા, બેકઅપ, આંકડાકીય જાળવણી અને સ્ટોરેજ પ્રોવિઝનિંગ જેવા વહીવટી કાર્યોને સરળ બનાવે છે. ક્વેરી ભાષાના એક્સ્ટેન્શન્સ હવે એપ્લિકેશન્સ અને વપરાશકર્તા ક્વેરીઓને સ્પષ્ટ કરવા માટે સક્ષમ કરે છે કે કેવી રીતે તેમના પરિણામોને વધુ ઉપયોગ માટે પાર્ટીશન કરવું જોઈએ. જો કે, ક્વેરી ઓપ્ટિમાઇઝેશન તકનીકોએ ટેબલ પાર્ટીશનીંગના ઉપયોગ અને વપરાશકર્તા નિયંત્રણમાં ઝડપી પ્રગતિ સાથે ગતિ રાખી નથી. અમે આ અંતરને દૂર કરવા માટે નવી તકનીકો વિકસિત કરી રહ્યા છીએ જે SQL ક્વેરીઝ માટે કાર્યક્ષમ યોજનાઓ પેદા કરે છે જેમાં પાર્ટીશન કરેલા કોષ્ટકો પર મલ્ટીવે જોડાણોનો સમાવેશ થાય છે. અમારી તકનીકો નીચેથી ઉપર ક્વેરી ઑપ્ટિમાઇઝર્સમાં સરળતાથી સમાવિષ્ટ કરવા માટે રચાયેલ છે જે આજે વ્યાપક ઉપયોગમાં છે. અમે આ તકનીકોનો પ્રોટોટાઇપ પોસ્ટગ્રેએસક્યુએલ ઑપ્ટિમાઇઝરમાં કર્યો છે. એક વ્યાપક મૂલ્યાંકન બતાવે છે કે અમારી પાર્ટીશન-સભાન ઑપ્ટિમાઇઝેશન તકનીકો, નીચા ઓપ્ટિમાઇઝેશન ઓવરહેડ સાથે, યોજનાઓ પેદા કરે છે જે વર્તમાન ઑપ્ટિમાઇઝર્સ દ્વારા ઉત્પાદિત યોજનાઓ કરતાં વધુ સારી હોઇ શકે છે. |
26d673f140807942313545489b38241c1f0401d0 | દુનિયામાં અને આપણા જીવનમાં ડેટાની માત્રા સતત વધી રહી છે અને તેની કોઈ સીમા નથી. વેકા વર્કબેન્ચ એ અદ્યતન મશીન લર્નિંગ અલ્ગોરિધમ્સ અને ડેટા પ્રિ-પ્રોસેસિંગ ટૂલ્સનું સંગઠિત સંગ્રહ છે. આ પદ્ધતિઓ સાથે ક્રિયાપ્રતિક્રિયા કરવાની મૂળભૂત રીત એ છે કે તેમને આદેશ વાક્યમાંથી બોલાવીને. જોકે, ડેટા એક્સપ્લોરેશન માટે, ડિસ્ટ્રીબ્યુટેડ કમ્પ્યુટિંગ પ્લેટફોર્મ પર મોટા પાયે પ્રયોગો કરવા માટે અને સ્ટ્રીમ ડેટા પ્રોસેસિંગ માટે રૂપરેખાંકનો ડિઝાઇન કરવા માટે અનુકૂળ ઇન્ટરેક્ટિવ ગ્રાફિકલ યુઝર ઇન્ટરફેસ આપવામાં આવે છે. આ ઇન્ટરફેસો પ્રાયોગિક ડેટા માઇનિંગ માટે એક અદ્યતન વાતાવરણ છે. વર્ગીકરણ એ વ્યાપક એપ્લિકેશન્સ સાથે મહત્વપૂર્ણ ડેટા માઇનિંગ તકનીક છે. તે વિવિધ પ્રકારના ડેટાને વર્ગીકૃત કરે છે. આ કાગળ REPTree, સરળ કાર્ટ અને રેન્ડમ ટ્રી વર્ગીકરણ અલ્ગોરિધમનો એક પ્રભાવ મૂલ્યાંકન બનાવવા માટે હાથ ધરવામાં આવી છે. આ કાગળમાં ભારતીય સમાચારના ડેટાસેટના સંદર્ભમાં વર્ગીકરણકર્તાઓ REPTree, Simple Cart અને RandomTreeનું તુલનાત્મક મૂલ્યાંકન કરવાનો ઉદ્દેશ્ય છે, જેથી સાચા પોઝિટિવ દરને મહત્તમ કરી શકાય અને ખોટા પોઝિટિવ દરને ઘટાડી શકાય. પ્રક્રિયા માટે વેકા APIનો ઉપયોગ કરવામાં આવ્યો હતો. ભારતીય સમાચારના ડેટાસેટ પરના પેપરમાં જે પરિણામો બહાર આવ્યા છે તે પણ દર્શાવે છે કે રેન્ડમટ્રીની કાર્યક્ષમતા અને ચોકસાઈ રેપટ્રી અને સિમ્પલ કાર્ટ કરતા સારી છે. કીવર્ડ્સ- સરળ કાર્ટ, રેન્ડમ ટ્રી, રેપટ્રી, વેકા, ડબ્લ્યુડબ્લ્યુડબ્લ્યુ |
6e633b41d93051375ef9135102d54fa097dc8cf8 | તાજેતરમાં જ "એસેમ્બલ લર્નિંગ"માં ઘણી રુચિ છે - પદ્ધતિઓ કે જે ઘણા વર્ગીકરણકર્તા પેદા કરે છે અને તેમના પરિણામોને એકત્રિત કરે છે. બે જાણીતા પદ્ધતિઓ વર્ગીકરણ વૃક્ષોના પ્રોત્સાહન (ઉદાહરણ તરીકે, શેપાયર અને અન્ય, 1998) અને બ્રેઇમેન (1996) બેગિંગ છે. બુસ્ટિંગમાં, ક્રમિક વૃક્ષો અગાઉના આગાહીકારો દ્વારા ખોટી રીતે આગાહી કરેલા બિંદુઓને વધારાનું વજન આપે છે. અંતે, આગાહી માટે વજનિત મત લેવામાં આવે છે. બેગિંગમાં, ક્રમિક વૃક્ષો અગાઉના વૃક્ષો પર આધાર રાખતા નથી - દરેક ડેટા સેટના બુટસ્ટ્રેપ નમૂનાનો ઉપયોગ કરીને સ્વતંત્ર રીતે બાંધવામાં આવે છે. અંતે, સરળ બહુમતી મત આગાહી માટે લેવામાં આવે છે. બ્રેઈમન (2001) એ રેન્ડમ ફોરેસ્ટ્સની દરખાસ્ત કરી હતી, જે બેગિંગમાં રેન્ડમનો એક વધારાનો સ્તર ઉમેરે છે. ડેટાના અલગ બૂટસ્ટ્રેપ નમૂનાનો ઉપયોગ કરીને દરેક વૃક્ષનું નિર્માણ કરવા ઉપરાંત, રેન્ડમ ફોરેસ્ટ્સ વર્ગીકરણ અથવા રીગ્રેસન વૃક્ષોનું નિર્માણ કેવી રીતે કરે છે તે બદલતા હોય છે. પ્રમાણભૂત વૃક્ષોમાં, દરેક નોડને તમામ ચલો વચ્ચે શ્રેષ્ઠ વિભાજનનો ઉપયોગ કરીને વિભાજિત કરવામાં આવે છે. રેન્ડમ ફોરેસ્ટમાં, દરેક નોડને તે નોડ પર રેન્ડમલી પસંદ કરેલા આગાહીકારોના સબસેટ વચ્ચે શ્રેષ્ઠનો ઉપયોગ કરીને વિભાજિત કરવામાં આવે છે. આ કંઈક અંશે વિરોધી વ્યૂહરચના અન્ય ઘણા વર્ગીકરણકારોની તુલનામાં ખૂબ જ સારી કામગીરી કરે છે, જેમાં ભેદભાવ વિશ્લેષણ, સપોર્ટ વેક્ટર મશીનો અને ન્યુરલ નેટવર્ક્સનો સમાવેશ થાય છે, અને ઓવરફિટિંગ સામે મજબૂત છે (બ્રીમેન, 2001). વધુમાં, તે ખૂબ જ વપરાશકર્તા મૈત્રીપૂર્ણ છે, કારણ કે તેમાં માત્ર બે પરિમાણો છે (દરેક નોડ પર રેન્ડમ સબસેટમાં ચલોની સંખ્યા અને જંગલમાં વૃક્ષોની સંખ્યા), અને સામાન્ય રીતે તેમના મૂલ્યો પ્રત્યે ખૂબ સંવેદનશીલ નથી. રેન્ડમ ફોરેસ્ટ પેકેજ બ્રેમેન અને કટલર દ્વારા ફોર્ટ્રાન પ્રોગ્રામ્સ માટે એક આર ઇન્ટરફેસ પૂરું પાડે છે (http://www.stat.berkeley.edu/ users/breiman/ પર ઉપલબ્ધ છે). આ લેખ આર ફંક્શન્સના ઉપયોગ અને લક્ષણોની સંક્ષિપ્ત પરિચય આપે છે. |
8cfe24108b7f73aa229be78f9108e752e8210c36 | જોકે, ડેટા માઇનિંગનો ઉપયોગ વ્યવસાયિક દુનિયામાં સફળતાપૂર્વક કરવામાં આવે છે, તેમ છતાં તેનો ઉપયોગ ઉચ્ચ શિક્ષણમાં હજુ પણ પ્રમાણમાં નવો છે, એટલે કે, તેનો ઉપયોગ ડેટામાંથી નવા અને સંભવિત મૂલ્યવાન જ્ઞાનની ઓળખ અને નિષ્કર્ષણ માટે છે. ડેટા માઇનિંગનો ઉપયોગ કરીને એક મોડેલ વિકસાવવાનો હતો જે વિદ્યાર્થીઓની શૈક્ષણિક સફળતા અંગે નિષ્કર્ષ કાઢી શકે. વિદ્યાર્થીઓની સફળતાની આગાહી દરમિયાન ડેટા માઇનિંગની વિવિધ પદ્ધતિઓ અને તકનીકોની તુલના કરવામાં આવી હતી, જે ટુઝલા યુનિવર્સિટી, ફેકલ્ટી ઓફ ઇકોનોમિક્સ, શૈક્ષણિક વર્ષ 2010-2011 દરમિયાન પ્રથમ વર્ષના વિદ્યાર્થીઓ અને નોંધણી દરમિયાન લેવામાં આવેલા ડેટા વચ્ચેના ઉનાળાના સેમેસ્ટર દરમિયાન હાથ ધરવામાં આવેલા સર્વેક્ષણમાંથી એકત્રિત કરવામાં આવેલા ડેટાને લાગુ કરે છે. સફળતાનું મૂલ્યાંકન પરીક્ષામાં પાસિંગ ગ્રેડ સાથે કરવામાં આવ્યું હતું. વિદ્યાર્થીઓના સામાજિક-વસ્તી વિષયક ચલો, હાઈસ્કૂલ અને પ્રવેશ પરીક્ષાના પ્રાપ્ત પરિણામો અને અભ્યાસ પ્રત્યેના વલણ કે જે સફળતા પર અસર કરી શકે છે, તે બધાની તપાસ કરવામાં આવી હતી. ભવિષ્યમાં થનારી તપાસમાં અભ્યાસની પ્રક્રિયા સાથે સંકળાયેલા ચલોને ઓળખવા અને મૂલ્યાંકન કરવા અને નમૂનાને વધારવા સાથે, એક મોડેલ તૈયાર કરવું શક્ય બનશે જે ઉચ્ચ શિક્ષણમાં નિર્ણય સહાયક પ્રણાલીના વિકાસ માટે પાયા તરીકે ઊભું રહેશે. |
cc5c84c1c876092e6506040cde7d2a5b9e9065ff | આ કાગળ બે અત્યંત અલગ શૈક્ષણિક સંસ્થાઓમાં અંડરગ્રેજ્યુએટ અને પોસ્ટગ્રેજ્યુએટ વિદ્યાર્થીઓના શૈક્ષણિક પ્રદર્શનની આગાહી કરવા માટે નિર્ણય વૃક્ષ અને બેઝિયન નેટવર્ક અલ્ગોરિધમ્સની ચોકસાઈની તુલના કરે છેઃ વિયેતનામની મોટી રાષ્ટ્રીય યુનિવર્સિટી કેન થો યુનિવર્સિટી (સીટીયુ) અને એશિયન ઇન્સ્ટિટ્યૂટ ઓફ ટેકનોલોજી (એઆઈટી), થાઇલેન્ડમાં એક નાની આંતરરાષ્ટ્રીય અનુસ્નાતક સંસ્થા જે 86 વિવિધ દેશોના વિદ્યાર્થીઓને આકર્ષે છે. આ બે વિદ્યાર્થીઓની વસ્તીની વિવિધતા ખૂબ જ અલગ હોવા છતાં, ડેટા-માઇનિંગ ટૂલ્સ વિદ્યાર્થીઓની કામગીરીની આગાહી કરવા માટે સમાન સ્તરની ચોકસાઈ પ્રાપ્ત કરી શક્યા હતાઃ અનુક્રમે સીટીયુ/એઆઈટીમાં 73/71% {ફૈલ, ફેર, ગુડ, ખૂબ જ સારો} અને 94/93% {ફૈલ, પાસ} માટે. આ આગાહીઓ સીટીયુમાં નિષ્ફળ રહેલા વિદ્યાર્થીઓની ઓળખ અને સહાય માટે (64% ચોકસાઈ) અને એઆઇટીમાં શિષ્યવૃત્તિ માટે ખૂબ સારા વિદ્યાર્થીઓની પસંદગી માટે (82% ચોકસાઈ) સૌથી વધુ ઉપયોગી છે. આ વિશ્લેષણમાં, નિર્ણય વૃક્ષ સતત 3-12% વધુ ચોક્કસ છે બેયસિયન નેટવર્ક કરતાં. આ કેસ સ્ટડીના પરિણામો વિદ્યાર્થીઓના પ્રદર્શનની સચોટ આગાહી કરવા માટેની તકનીકોમાં સમજ આપે છે, ડેટા માઇનિંગ અલ્ગોરિધમ્સની સચોટતાની તુલના કરે છે અને ઓપન સોર્સ ટૂલ્સની પરિપક્વતા દર્શાવે છે. |
9d0f09e343ebc9d5e896528273b79a1f13aa5c07 | |
2cb6d78e822ca7fd0e29670ec7e26e37ae3d3e8f | આ કાગળમાં એક નવલકથા કોમ્પેક્ટ લો-ટેમ્પરચર કોફાયર્ડ સિરામિક (એલટીસીસી) બેન્ડપાસ ફિલ્ટર (બીપીએફ) રજૂ કરવામાં આવી છે, જેમાં વિશાળ સ્ટોપબેન્ડ અને ઉચ્ચ પસંદગી છે. પ્રસ્તાવિત સર્કિટમાં બે કપ્લડ λ<sub>g</sub>/4 ટ્રાન્સમિશન લાઇન રેઝોનટર્સનો સમાવેશ થાય છે. ત્રીજી હાર્મોનિક ફ્રીક્વન્સી પર ટ્રાન્સમિશન શૂન્ય (ટીઝેડ) પેદા કરવા માટે એક નવીન ભેદભાવયુક્ત કપ્લિંગ યોજનાને પરિપૂર્ણ કરવા માટે એક ખાસ કપ્લિંગ પ્રદેશ પસંદ કરવામાં આવે છે. પદ્ધતિનું વિશ્લેષણ કરવામાં આવે છે અને ડિઝાઇન માર્ગદર્શિકાનું વર્ણન કરવામાં આવે છે. સ્રોત-લોડ કપ્લિંગને પાસબેન્ડની નજીક બે ટીઝેડ અને સ્ટોપબેન્ડમાં એક પેદા કરવા માટે રજૂ કરવામાં આવે છે. આમ, વધારાના સર્કિટ વિના વિશાળ સ્ટોપબેન્ડ મેળવી શકાય છે. LTCC મલ્ટીલેયર સ્ટ્રક્ચર્સને કારણે, ફિલ્ટરનું કદ 0.058 λ<sub>g</sub> × 0.058 λ<sub>g</sub> × 0.011 λ<sub>g</sub>, અથવા 2.63 મીમી × 2.61 મીમી × 0.5 મીમી છે. પ્રસ્તાવિત ડિઝાઇનને માન્ય કરવા માટે દર્શાવવામાં આવેલા LTCC BPFના સિમ્યુલેટેડ અને માપવામાં આવેલા પરિણામો રજૂ કરવામાં આવે છે. |
52c9eb70c55685b349126ed907e037f383673cf3 | અમે અવલોકન પર આધારિત અમૂર્ત વેબ સારાંશ માટે એક નવલકથા અભિગમ પ્રસ્તાવ છે કે સમાન URL માટે સારાંશ સામગ્રી અને માળખું બંનેમાં સમાન હોય છે. અમે હાલના URL ક્લસ્ટરોનો લાભ લઈએ છીએ અને પ્રતિ-ક્લસ્ટર વર્ડ ગ્રાફ્સનું નિર્માણ કરીએ છીએ જે URL- વિશિષ્ટ લક્ષણોને બહાર કાઢતી વખતે જાણીતા સારાંશને જોડે છે. પરિણામી ટોપોલોજી, URL સુવિધાઓ પર શરતી, અમને સંક્ષિપ્ત સમસ્યાને માળખાગત શિક્ષણ કાર્ય તરીકે ડિકોડિંગ પગલું તરીકે સૌથી ઓછી કિંમત પાથ શોધનો ઉપયોગ કરીને કાસ્ટ કરવાની મંજૂરી આપે છે. મોટી સંખ્યામાં URL ક્લસ્ટર્સ પર પ્રારંભિક પ્રાયોગિક પરિણામો દર્શાવે છે કે આ અભિગમ અગાઉ સૂચિત વેબ સારાંશકર્તાઓને આગળ વધારવામાં સક્ષમ છે. |
8947ca4949fc66eb65f863dfb825ebd90ab01772 | ટેક્સ્ટ પ્રોસેસિંગમાં ઘણી એપ્લિકેશન્સને મોટા દસ્તાવેજ સંગ્રહોને લેબલિંગ (જ્યારે આંકડાકીય મોડેલો શીખવા) અથવા તેમની પાસેથી નિયમોને બહાર કાઢવા (જ્યારે જ્ઞાન એન્જિનિયરિંગનો ઉપયોગ કરીને) માટે નોંધપાત્ર માનવ પ્રયત્નોની જરૂર હોય છે. આ કાર્યમાં, અમે આ પ્રયત્નોને ઘટાડવા માટે વર્ણન કરીએ છીએ, જ્યારે પદ્ધતિઓની ચોકસાઈ જાળવી રાખીને, એક વર્ણસંકર વર્ગીકરણ કરનારનું નિર્માણ કરીને જે મશીન શિક્ષણને પૂરક બનાવવા માટે આપમેળે શોધાયેલ ટેક્સ્ટ પેટર્ન પર માનવ તર્કનો ઉપયોગ કરે છે. માનક લાગણી-વર્ગીકરણ ડેટાસેટ અને વાસ્તવિક ગ્રાહક પ્રતિસાદ ડેટાનો ઉપયોગ કરીને, અમે દર્શાવ્યું છે કે પરિણામી તકનીક પરિણામે આપેલ વર્ગીકરણ ચોકસાઈ મેળવવા માટે જરૂરી માનવ પ્રયત્નોમાં નોંધપાત્ર ઘટાડો થાય છે. વધુમાં, હાયબ્રિડ ટેક્સ્ટ વર્ગીકરણ પણ મશીન-લર્નિંગ આધારિત વર્ગીકરણ કરતા ચોકસાઈમાં નોંધપાત્ર વધારો કરે છે જ્યારે લેબલવાળા ડેટાની તુલનાત્મક રકમનો ઉપયોગ કરવામાં આવે છે. |
563384a5aa6111610ac4939f645d1125a5a0ac7f | કાયદાના અમલીકરણ, સુરક્ષા કાર્યક્રમો અથવા વિડિઓ અનુક્રમણિકા જેવા વિવિધ ક્ષેત્રોમાં તેના ઘણા કાર્યક્રમોને કારણે તાજેતરના વર્ષોમાં લોકોની સ્વયંચાલિત ઓળખને ઘણું ધ્યાન મળ્યું છે. ચહેરાની ઓળખ એ લોકોના સ્વયંચાલિત ઓળખ માટે એક મહત્વપૂર્ણ અને ખૂબ જ પડકારરૂપ તકનીક છે. આજ સુધી, એવી કોઈ તકનીક નથી કે જે તમામ પરિસ્થિતિઓ અને વિવિધ એપ્લિકેશન્સ માટે મજબૂત ઉકેલ પૂરો પાડે છે જે ચહેરાની ઓળખનો સામનો કરી શકે છે. સામાન્ય રીતે, આપણે ખાતરી કરી શકીએ કે ચહેરાની ઓળખ પ્રણાલીનું પ્રદર્શન નક્કી થાય છે કે કેવી રીતે લક્ષણ વેક્ટર બરાબર કાઢવું અને તેમને એક જૂથમાં ચોક્કસ રીતે વર્ગીકૃત કરવું. તેથી, આપણે વિશેષતા નિષ્કર્ષક અને વર્ગીકૃતક પર નજીકથી નજર રાખવી જરૂરી છે. આ કાગળમાં, ફિચર એક્સ્ટ્રેક્ટરમાં મુખ્ય ભૂમિકા ભજવવા માટે પ્રિન્સિપલ કમ્પોનન્ટ એનાલિસિસ (પીસીએ) નો ઉપયોગ કરવામાં આવે છે અને ચહેરાની ઓળખની સમસ્યાને ઉકેલવા માટે એસવીએમનો ઉપયોગ કરવામાં આવે છે. પેટર્ન ઓળખ માટે નવા વર્ગીકરણકર્તા તરીકે તાજેતરમાં સપોર્ટ વેક્ટર મશીન (એસવીએમ) ની દરખાસ્ત કરવામાં આવી છે. અમે કેમ્બ્રિજ ઓઆરએલ ફેસ ડેટાબેઝ પર એસવીએમની સંભવિતતાને સમજાવીએ છીએ, જેમાં 40 વ્યક્તિઓના 400 છબીઓ છે, જેમાં અભિવ્યક્તિ, પોઝ અને ચહેરાના વિગતોમાં ખૂબ ઊંચી ડિગ્રીની વિવિધતા છે. ઉપયોગમાં લેવાતા એસવીએમમાં લીનિયર (એલએસવીએમ), પોલિનોમિયલ (પીએસવીએમ) અને રેડિયલ બેઝ ફંક્શન (આરબીએફએસવીએમ) એસવીએમનો સમાવેશ થાય છે. અમે પ્રાયોગિક પુરાવા પૂરા પાડીએ છીએ જે દર્શાવે છે કે ઓઆરએલ ફેસ ડેટાસેટ પર બહુવિધમય અને રેડિયલ બેઝ ફંક્શન (આરબીએફ) એસવીએમ લીનિયર એસવીએમ કરતા વધુ સારી કામગીરી કરે છે જ્યારે બંનેનો ઉપયોગ તમામ વર્ગીકરણ સામે એક સાથે થાય છે. અમે મલ્ટી-લેયર પર્સેપ્ટ્રોન (એમએલપી) વર્ગીકરણ માપદંડનો ઉપયોગ કરીને સ્ટાન્ડર્ડ આઇજેનફેસ અભિગમ સાથે એસવીએમ આધારિત માન્યતાની તુલના પણ કરી. |
47daf9cc8fb15b3a4b7c3db4498d29a5a8b84c22 | 3D ઑબ્જેક્ટ કેટેગરીકરણ એ કમ્પ્યુટર વિઝનમાં એક બિન-વિલક્ષણ કાર્ય છે જેમાં ઘણા વાસ્તવિક-વિશ્વ એપ્લિકેશન્સનો સમાવેશ થાય છે. અમે મલ્ટી-વ્યૂ 2D છબીઓમાંથી દેખાવ ઉત્ક્રાંતિ શીખવા તરીકે 3D બહુકોણ મેશને વર્ગીકૃત કરવાની સમસ્યા ઉભી કરીએ છીએ. 3D બહુકોણ મેશના કોર્પસને જોતાં, અમે પ્રથમ એક સમાન ગોળા પર બહુવિધ દૃષ્ટિકોણથી અનુરૂપ આરજીબી અને ઊંડાઈની છબીઓ રેન્ડર કરીએ છીએ. રેન્ક પૂલિંગનો ઉપયોગ કરીને, અમે 2D દૃશ્યોના દેખાવ ઉત્ક્રાંતિને જાણવા માટે બે પદ્ધતિઓ પ્રસ્તાવિત કરીએ છીએ. પ્રથમ, અમે રેન્ડર કરેલી આરજીબી-ડી છબીઓનો ઉપયોગ કરીને ઊંડા કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) પર આધારિત દૃશ્ય-અનવર્તક મોડેલોને તાલીમ આપીએ છીએ અને પ્રથમ સંપૂર્ણ રીતે જોડાયેલ સ્તર સક્રિયકરણને ક્રમ આપવાનું શીખીએ છીએ અને તેથી, આ કાઢવામાં આવેલી સુવિધાઓના ઉત્ક્રાંતિને પકડીએ છીએ. આ પ્રક્રિયા દરમિયાન શીખેલા પરિમાણોનો ઉપયોગ 3D આકાર પ્રતિનિધિત્વ તરીકે થાય છે. બીજી પદ્ધતિમાં, અમે રેન્ડરિંગ મશીનને રેન્ડર કરેલી આરજીબી-ડી છબીઓ પર સીધા જ ઉપયોગ કરીને દૃશ્યોના એકત્રીકરણને શીખીશું, જે એકત્રિત 2D છબીઓ ઉત્પન્ન કરે છે જેને આપણે ``3D આકારની છબીઓ તરીકે ઓળખીએ છીએ. પછી અમે આરજીબી અને ઊંડાઈ બંને માટે આ નવલકથા આકાર પ્રતિનિધિત્વ પર સી. એન. એન. મોડેલો શીખીએ છીએ જે બહુકોણની અગ્રણી ભૌમિતિક માળખું એન્કોડ કરે છે. મોડલનેટ40 અને મોડલનેટ10 ડેટાસેટ પરના પ્રયોગો દર્શાવે છે કે પ્રસ્તાવિત પદ્ધતિ સતત 3D આકાર ઓળખમાં હાલના રાજ્ય-ઓફ-ધ-આર્ટ અલ્ગોરિધમ્સને વટાવી દે છે. |
58156d27f80ee450ba43651a780ebd829b70c363 | કર્નલ મોનિટરિંગ અને પ્રોટેક્શન પર અગાઉના સંશોધનો વ્યાપકપણે ઉચ્ચ વિશેષાધિકૃત સિસ્ટમ ઘટકો પર આધાર રાખે છે, જેમ કે હાર્ડવેર વર્ચ્યુઅલાઇઝેશન એક્સ્ટેન્શન્સ, સંભવિત કર્નલ હુમલાઓથી સુરક્ષા સાધનોને અલગ કરવા માટે. આ અભિગમો બંને જાળવણીના પ્રયત્નો અને વિશેષાધિકૃત સિસ્ટમ ઘટકોના કોડ બેઝ કદમાં વધારો કરે છે, જે પરિણામે સુરક્ષા નબળાઈઓ ધરાવતા જોખમ વધે છે. એસકેઈઈ, જે સિક્યોર કર્નલ લેવલ એક્ઝેક્યુશન એન્વાયર્નમેન્ટ માટે વપરાય છે, આ મૂળભૂત સમસ્યાને હલ કરે છે. એસકેઈઈ એક નવલકથા સિસ્ટમ છે જે કર્નલના સમાન વિશેષાધિકાર સ્તરે એક અલગ હળવા એક્ઝેક્યુશન પર્યાવરણ પૂરું પાડે છે. એસકેઈઈ કોમોડિટી એઆરએમ પ્લેટફોર્મ માટે રચાયેલ છે. તેનો મુખ્ય ઉદ્દેશ ઉચ્ચ અધિકૃત સોફ્ટવેરની સક્રિય સંડોવણી વિના કર્નલની સુરક્ષિત દેખરેખ અને રક્ષણની મંજૂરી આપવાનો છે. એસકેઈઈ અલગતાની ખાતરી કરવા માટે નવીન તકનીકોનો સમૂહ પૂરો પાડે છે. તે સુરક્ષિત સરનામાંની જગ્યા બનાવે છે જે કર્નલ માટે સુલભ નથી, જે પ્રાપ્ત કરવા માટે પડકારરૂપ છે જ્યારે કર્નલ અને અલગ પર્યાવરણ બંને સમાન વિશેષાધિકાર સ્તર શેર કરે છે. SKEE આ પડકારને નિવારણ આપે છે, જે કર્નલને તેના પોતાના મેમરી અનુવાદ કોષ્ટકોનું સંચાલન કરવાથી અટકાવે છે. તેથી, સિસ્ટમ મેમરી લેઆઉટને સુધારવા માટે કર્નલને એસકેઇઇ પર સ્વિચ કરવાની ફરજ પડે છે. બદલામાં, એસકેઈઈ ચકાસે છે કે વિનંતી કરેલ ફેરફાર સુરક્ષિત સરનામાંની જગ્યાના અલગતાને જોખમમાં મૂકે છે. ઓએસ કર્નલથી SKEE પર સ્વિચ કરવું સંપૂર્ણપણે સારી રીતે નિયંત્રિત સ્વીચ ગેટ દ્વારા પસાર થાય છે. આ સ્વીચ ગેટ કાળજીપૂર્વક ડિઝાઇન કરવામાં આવી છે જેથી તેનું અમલીકરણ ક્રમ અણુ અને નિર્ધારિત હોય. આ ગુણધર્મો સંયુક્ત રીતે બાંયધરી આપે છે કે સંભવિત રીતે સંવેદનશીલ કર્નલ અલગતાને સમાધાન કરવા માટે સ્વિચિંગ સિક્વન્સનો ઉપયોગ કરી શકતો નથી. જો કર્નલ આ ગુણધર્મોનું ઉલ્લંઘન કરવાનો પ્રયાસ કરે છે, તો તે સુરક્ષિત સરનામાંની જગ્યાને ખુલ્લી કર્યા વિના સિસ્ટમ નિષ્ફળ થવાની કારણ બનશે. એસકેઈઈ સંપૂર્ણ ઓએસ મેમરીની ઍક્સેસ પરવાનગીઓને સંપૂર્ણપણે નિયંત્રિત કરે છે. તેથી, તે હુમલાઓને અટકાવે છે જે અણુમાં ચકાસણી કરેલ કોડને ઇન્જેક્ટ કરવાનો પ્રયાસ કરે છે. વધુમાં, વિવિધ ઘૂસણખોરી શોધ અને અખંડિતતા ચકાસણી સાધનોને ટેકો આપવા માટે તેને અન્ય સિસ્ટમ ઇવેન્ટ્સને અટકાવવા માટે સરળતાથી વિસ્તૃત કરી શકાય છે. આ કાગળ એક એસકેઇઇ પ્રોટોટાઇપ રજૂ કરે છે જે 32-બીટ એઆરએમવી 7 અને 64-બીટ એઆરએમવી 8 આર્કિટેક્ચર્સ પર ચાલે છે. કામગીરીના મૂલ્યાંકનનાં પરિણામો દર્શાવે છે કે એસકેઈઈ વાસ્તવિક દુનિયાની પ્રણાલીઓ માટે એક વ્યવહારુ ઉકેલ છે. આ લેખકોએ આ કાર્યમાં સમાન યોગદાન આપ્યું છે |
698902ce1a836d353d4ff955c826095e28506e05 | |
da09bc42bbf5421b119abea92716186a1ca3f02f | અમે એક નવા પ્રકારનું ઓળખ-આધારિત એન્ક્રિપ્શન (IBE) યોજના રજૂ કરીએ છીએ જેને અમે ફઝી ઓળખ-આધારિત એન્ક્રિપ્શન કહીએ છીએ. ફઝી આઈબીઇમાં આપણે ઓળખને વર્ણનાત્મક લક્ષણોના સમૂહ તરીકે જોતા હોઈએ છીએ. એક અસ્પષ્ટ IBE યોજના ઓળખ, ω માટે ખાનગી કી માટે પરવાનગી આપે છે, ઓળખ, ω′ સાથે એન્ક્રિપ્ટ કરેલ સાઇફરટેક્સ્ટને ડિક્રિપ્ટ કરવા માટે, જો અને માત્ર જો ઓળખ ω અને ω′ એકબીજાની નજીક હોય, જેમ કે સેટ ઓવરલેપ અંતર મેટ્રિક દ્વારા માપવામાં આવે છે. એક અસ્પષ્ટ IBE યોજનાને ઓળખ તરીકે બાયોમેટ્રિક ઇનપુટ્સનો ઉપયોગ કરીને એન્ક્રિપ્શનને સક્ષમ કરવા માટે લાગુ કરી શકાય છે; અસ્પષ્ટ IBE યોજનાની ભૂલ-સહનશીલતાની મિલકત ચોક્કસપણે તે છે જે બાયોમેટ્રિક ઓળખના ઉપયોગની મંજૂરી આપે છે, જે સ્વાભાવિક રીતે દરેક વખતે જ્યારે તેઓ નમૂના લેવામાં આવે છે ત્યારે કેટલાક અવાજ કરશે. વધુમાં, અમે બતાવીએ છીએ કે ફઝી-આઇબીઇનો ઉપયોગ એક પ્રકારનાં એપ્લિકેશન માટે થઈ શકે છે જેને આપણે લક્ષણો આધારિત એન્ક્રિપ્શન તરીકે ઓળખીએ છીએ. આ કાગળમાં અમે ફઝી આઈબીઇ યોજનાઓની બે રચનાઓ રજૂ કરીએ છીએ. અમારા નિર્માણને એક સંદેશના ઓળખ-આધારિત એન્ક્રિપ્શન તરીકે જોવામાં આવે છે જે (ફઝી) ઓળખને રચતા કેટલાક લક્ષણો હેઠળ છે. અમારી આઈબીઈ યોજનાઓ ભૂલ-સહનશીલ અને સંકલન હુમલાઓ સામે સુરક્ષિત છે. વધુમાં, અમારી મૂળભૂત રચના રેન્ડમ ઓરેકલ્સનો ઉપયોગ કરતી નથી. અમે પસંદગીયુક્ત-આઇડી સુરક્ષા મોડેલ હેઠળ અમારી યોજનાઓની સુરક્ષાને સાબિત કરીએ છીએ. |
b3baba6c34a2946b999cc0f6be6bb503d303073e | આ કાગળમાં રિસીવર ઓપરેટિંગ કેરેક્ટિસ્ટ્રી (આરઓસી) વણાંકોની સમકક્ષતાની એક સરળ, બિન-પૅરામેટ્રિક અને સામાન્ય પરીક્ષણનું વર્ણન કરવામાં આવ્યું છે, જે સંશોધિત કોલમોગોરોવ-સ્મિર્નોવ (કેએસ) પરીક્ષણ પર આધારિત છે. આ પરીક્ષણને સામાન્ય રીતે ઉપયોગમાં લેવાતી તકનીકો જેમ કે આરઓસી કર્વ (એયુસી) હેઠળનો વિસ્તાર અને નેયમન-પીયર્સન પદ્ધતિ સાથે સંબંધમાં વર્ણવવામાં આવે છે. અમે પ્રથમ સમીક્ષા કરીએ છીએ કે કેવી રીતે કેએસ પરીક્ષણનો ઉપયોગ શૂન્ય પૂર્વધારણાઓ ચકાસવા માટે કરવામાં આવે છે કે વર્ગીકરણકર્તા દ્વારા આગાહી કરાયેલ વર્ગ લેબલ્સ રેન્ડમ કરતાં વધુ સારી નથી. પછી અમે અંતરાલ મેપિંગ તકનીકનો પ્રસ્તાવ કરીએ છીએ જે અમને બે કેએસ પરીક્ષણોનો ઉપયોગ કરવા માટે શૂન્ય પૂર્વધારણાને ચકાસવા માટે પરવાનગી આપે છે કે બે વર્ગીકરણકર્તાઓ પાસે આરઓસી વણાંકો છે જે સમકક્ષ છે. અમે દર્શાવ્યું છે કે આ પરીક્ષણ વિવિધ આરઓસી વણાંકોમાં ભેદભાવ કરે છે જ્યારે એક વળાંક બીજા પર પ્રભુત્વ ધરાવે છે અને જ્યારે વણાંકો ક્રોસ કરે છે અને તેથી એયુસી દ્વારા ભેદભાવ કરવામાં આવતો નથી. અંતરાલ મેપિંગ તકનીકનો ઉપયોગ એ દર્શાવવા માટે કરવામાં આવે છે કે, જોકે AUC પાસે તેની મર્યાદાઓ છે, તે વર્ગીકૃતકર્તા પ્રદર્શનનું મોડેલ-સ્વતંત્ર અને સુસંગત માપ હોઈ શકે છે. |
090f4b588ba58c36a21eddd67ea33d59614480c1 | મારા અભિગમો છીછરા ભાષણ મોડેલ પર આધાર રાખે છે અને લેક્સિકલ જ્ઞાન આધારમાંથી મેળવેલી એનિમેશન માહિતી પર. હું એ પણ બતાવું છું કે કેવી રીતે કલમ અને એપોઝિટિવ સીમાઓ સ્થાનિક સંદર્ભ પર આધારિત નિર્ણય પ્રક્રિયાનો ઉપયોગ કરીને વિશ્વસનીય રીતે નક્કી કરી શકાય છે, જે ભાગ-વક્તા ટૅગ્સ અને સંજ્ઞા ટુકડાઓ દ્વારા રજૂ થાય છે. પછી હું સરળતા પ્રક્રિયા દરમિયાન વાક્યરચના અને ભાષણ વચ્ચે થતી ક્રિયાપ્રતિક્રિયાઓને ઔપચારિક કરું છું. આ મહત્વનું છે કારણ કે જો ફરીથી લખાયેલા ટેક્સ્ટમાં એકરૂપતાનો અભાવ હોય તો વ્યાપક પ્રેક્ષકોને ટેક્સ્ટ સુલભ બનાવવા માટે વાક્યરચનાના સરળકરણની ઉપયોગીતા નબળી પડી શકે છે. હું વર્ણન કરું છું કે કેવી રીતે વિવિધ પેઢીના મુદ્દાઓ જેમ કે સજા ક્રમ, ક્યૂ-શબ્દ પસંદગી, સંદર્ભ-અભિવ્યક્તિ પેઢી, નિર્ધારક પસંદગી અને સર્વનામ ઉપયોગને સંયોજક અને એનાફોરિક સંકલિત સંબંધો જાળવવા માટે સિન્ટેક્ટીક સરળતા દરમિયાન ઉકેલી શકાય છે. વાક્યરચનાનું સરળકરણ કરવા માટે, મારે વિવિધ કુદરતી ભાષા પ્રક્રિયા સમસ્યાઓ, જેમાં કલમ અને એપોઝિટિવ ઓળખ અને જોડાણ, સર્વનામ રીઝોલ્યુશન અને સંદર્ભ-અભિવ્યક્તિ પેદા કરવા સહિતના મુદ્દાઓને સંબોધિત કરવા પડ્યા છે. હું દરેક સમસ્યાને વ્યક્તિગત રીતે ઉકેલવા માટે મારા અભિગમોનું મૂલ્યાંકન કરું છું, અને મારી વાક્યરચના સરળતા સિસ્ટમનું સંપૂર્ણ મૂલ્યાંકન પણ રજૂ કરું છું. વાક્યરચનાનું સરળકરણ એ ટેક્સ્ટની વ્યાકરણની જટિલતાને ઘટાડવાની પ્રક્રિયા છે, જ્યારે તેની માહિતી સામગ્રી અને અર્થ જાળવી રાખે છે. વાક્યરચનાનું સરળકરણ કરવાનો ઉદ્દેશ માનવ વાચકો માટે ટેક્સ્ટને સમજવા માટે સરળ બનાવવાનો છે, અથવા પ્રોગ્રામ્સ દ્વારા પ્રક્રિયા કરે છે. આ થીસમાં, હું વર્ણન કરું છું કે કેવી રીતે સબસ્ટન્ટ વિશ્લેષણ, હાથથી બનાવેલા સરળ નિયમોનો એક નાનો સમૂહ અને વાણી-સ્તરના પાસાઓના વિગતવાર વિશ્લેષણનો ઉપયોગ કરીને વાક્યરચનાનું સરળીકરણ કેવી રીતે પ્રાપ્ત કરી શકાય છે. હું સંબંધિત કલમો, એપોઝિશન, સંકલન અને ગૌણતાની સારવાર આપું છું. હું સંબંધિત કલમ અને એપોઝિટિવ જોડાણ માટે નવીન તકનીકો રજૂ કરું છું. હું દલીલ કરું છું કે આ જોડાણ નિર્ણયો શુદ્ધ વાક્યરચનાત્મક નથી. |
a9a7168b5b45fcf63e7f8904f68f6a90f8062443 | |
6d7c6c8828c7ac91cc74a79fdc06b5783102a784 | આ લેખમાં માઇક્રોવેવ વિઝન કંપની, અગાઉ સતિમો, આરોગ્ય સંબંધિત કાર્યક્રમોને લક્ષી પ્રવૃત્તિઓ પર એક ઝાંખી આપવામાં આવી છે. વિશિષ્ટ શોષણ દર (એસએઆર) માપ અને આરએફ સલામતીના સંદર્ભમાં હાલના ઉત્પાદનોનું વિગતવાર વર્ણન કરવામાં આવ્યું છે. માઇક્રોવેવ્સનો ઉપયોગ કરીને સ્તન રોગવિજ્ઞાનની તપાસ માટે નવી ઇમેજિંગ પદ્ધતિના વિકાસની પ્રગતિ ટૂંક સમયમાં જાણ કરવામાં આવશે. |
0c1a55e0e02c1dbf6cf363ec022ca17925586e16 | ટ્રેક કરેલી વસ્તુઓની ઓળખ એ હવા, સપાટી અને સબસપાટી (દરિયાઇ) અને જમીન વાતાવરણ માટે સ્વચાલિત સર્વેલન્સ અને માહિતી પ્રણાલીઓની મુખ્ય ક્ષમતા છે, પરિસ્થિતિની જાગૃતિમાં સુધારો કરે છે અને ઓપરેશનલ વપરાશકર્તાઓને નિર્ણય સહાય પ્રદાન કરે છે. બેયસિયન આધારિત ઓળખ માહિતી સંયોજન પ્રક્રિયા (આઇડીસીપી) વિવિધ સ્રોતોમાંથી અનિશ્ચિત ઓળખ સંકેતોના સંયોજન માટે એક અસરકારક સાધન પૂરું પાડે છે. પ્રક્રિયાના રૂપરેખાંકન માટે વપરાશકર્તા લક્ષી અભિગમ રજૂ કરવામાં આવે છે, જે ઓપરેટરોને વિવિધ ઓપરેશનલ દૃશ્યોમાં બદલાતી ઓળખ જરૂરિયાતો માટે IDCP ને અનુકૂળ કરવા માટે સક્ષમ કરે છે. જ્ઞાનાત્મક મનોવિજ્ઞાન અને નિર્ણય સિદ્ધાંતના પરિણામોનો ઉપયોગ બેયસિયન ડેટાને પુનઃપ્રાપ્ત કરવા માટે સારી ઍક્સેસ પ્રદાન કરે છે અને ઓપરેશનલ નિષ્ણાતો માટે રૂપરેખાંકનને સરળતાથી શક્ય બનાવે છે. |
2636bff7d3bdccf9b39c5e1e7d86a77690f1c07d | રિઇનફોર્સમેન્ટ લર્નિંગ (આરએલ) માં ક્રેડિટ સોંપણીની નિર્ણાયક પરંતુ પડકારરૂપ સમસ્યાને ઉકેલવા માટે પુરસ્કારની રચના એ સૌથી અસરકારક પદ્ધતિઓ પૈકી એક છે. જો કે, આકાર આપવાની કામગીરીની રચના માટે સામાન્ય રીતે ઘણાં નિષ્ણાત જ્ઞાન અને હેન્ડ એન્જિનિયરિંગની જરૂર પડે છે, અને ઉકેલાતા અનેક સમાન કાર્યોને ધ્યાનમાં રાખીને મુશ્કેલીઓ વધુ વધે છે. આ કાગળમાં, અમે કાર્યોના વિતરણ પર પુરસ્કારને આકાર આપવાનું વિચારીએ છીએ, અને નવા નમૂનાના કાર્યો પર કાર્યક્ષમ પુરસ્કારને સ્વયંચાલિત રીતે શીખવા માટે એક સામાન્ય મેટા-લર્નિંગ ફ્રેમવર્ક પ્રસ્તાવિત કરીએ છીએ, ફક્ત વહેંચાયેલ રાજ્ય જગ્યાને ધારીએ છીએ પરંતુ આવશ્યકપણે ક્રિયા જગ્યા નથી. અમે સૌ પ્રથમ મોડેલ-મુક્ત આરએલમાં ક્રેડિટ સોંપણીના સંદર્ભમાં સૈદ્ધાંતિક શ્રેષ્ઠ પુરસ્કાર આકારને મેળવીએ છીએ. પછી અમે મૂલ્ય-આધારિત મેટા-લર્નિંગ અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ શ્રેષ્ઠ પુરસ્કાર આકારણી પર અસરકારક પૂર્વગ્રહ કાઢવા માટે. પૂર્વવર્તીને નવા કાર્યો પર સીધી રીતે લાગુ કરી શકાય છે, અથવા થોડાક ગ્રેડિએન્ટ અપડેટ્સમાં કાર્યને હલ કરતી વખતે કાર્ય-પાછળની કાર્યવાહીમાં સાબિત થઈ શકે છે. અમે વિવિધ સેટિંગ્સમાં નોંધપાત્ર રીતે સુધારેલી શીખવાની કાર્યક્ષમતા અને અર્થઘટનક્ષમ વિઝ્યુલાઇઝેશન્સ દ્વારા અમારા આકારની અસરકારકતા દર્શાવીએ છીએ, જેમાં ખાસ કરીને ડીક્યુએનથી ડીડીપીજીમાં સફળ ટ્રાન્સફરનો સમાવેશ થાય છે. |
0309ec1f0e139cc10090c4fefa08a83a2644530a | |
42771aede47980ae8eeebac246c7a8b941d11414 | અમે વ્યક્તિગત વેબ શોધને સુધારવા માટે શોધ પરિણામોને વૈવિધ્યીકરણ કરવાની પદ્ધતિઓ રજૂ કરીએ છીએ અને તેનું મૂલ્યાંકન કરીએ છીએ. એક સામાન્ય વ્યક્તિગતકરણ અભિગમમાં ટોચની N શોધ પરિણામોને ફરીથી રેન્કિંગ આપવાનો સમાવેશ થાય છે જેથી વપરાશકર્તા દ્વારા પસંદ કરવામાં આવતા દસ્તાવેજો વધુ ઉચ્ચ પ્રસ્તુત થાય. પુનરાવર્તિત રેન્કિંગની ઉપયોગીતા અંશતઃ સંખ્યા અને વિવિધતા દ્વારા મર્યાદિત છે પરિણામો ગણવામાં આવે છે. અમે ટોચનાં પરિણામોની વિવિધતા વધારવા અને આ પદ્ધતિઓની અસરકારકતાનું મૂલ્યાંકન કરવા માટે ત્રણ પદ્ધતિઓ પ્રસ્તાવિત કરીએ છીએ. |
22a8979b53315fad7f98781328cc0326b5147cca | એક જ ફીડ પરિપત્ર-ધ્રુવીકૃત ચોરસ માઇક્રોસ્ટ્રીપ એન્ટેના (સીપીએસએમએ) ની રચના માટે કાપી નાખેલ ખૂણા સાથે કૃત્રિમ ન્યુરલ નેટવર્ક-આધારિત સંશ્લેષણ મોડેલનો પ્રસ્તાવ મૂકવામાં આવ્યો છે. તાલીમ ડેટા સેટ્સ મેળવવા માટે, ચોરસ માઇક્રોસ્ટ્રીપ એન્ટેનાની રેઝોનન્ટ ફ્રીક્વન્સી અને ક્યુ-ફેક્ટરનો ઉપયોગ પ્રયોગમૂલક સૂત્રો દ્વારા કરવામાં આવે છે. પછી કાપીને ખૂણાના કદ અને શ્રેષ્ઠ અક્ષીય ગુણોત્તર સાથે ઓપરેશન આવર્તન મેળવવામાં આવે છે. લેવેનબર્ગ-માર્કવાર્ટ (એલએમ) અલ્ગોરિધમનો ઉપયોગ કરીને, ત્રણ છુપાયેલા સ્તરવાળી નેટવર્કને ચોક્કસ સંશ્લેષણ મોડેલ પ્રાપ્ત કરવા માટે તાલીમ આપવામાં આવે છે. છેલ્લે, ઇલેક્ટ્રોમેગ્નેટિક સિમ્યુલેશન અને માપ સાથે તેના પરિણામોની સરખામણી કરીને મોડેલને માન્ય કરવામાં આવે છે. આ એન્ટેના એન્જિનિયરો માટે સીધા જ ટંકશાળિત ખૂણાઓ સાથે સિંગલ-ફીડ સીપીએસએમએના પેચ ભૌતિક પરિમાણો મેળવવા માટે અત્યંત ઉપયોગી છે. |
93f962a46b24030bf4486a77b282f567529e7782 | આ કાગળમાં 180 ડિગ્રી રિંગ હાઇબ્રિડ કપ્લરનો ઉપયોગ કરીને એએનએસએસ એચએફએસએસમાં કોમ્પેક્ટ અને પાવર-કાર્યક્ષમ 5 ગીગાહર્ટ્ઝ ઇન-બેન્ડ ફુલ-ડુપ્લેક્સ (એફડી) ડિઝાઇન રજૂ કરવામાં આવી છે. પ્રસ્તાવિત ડિઝાઇન કપ્લર સાથે જોડાયેલા બે રેડિયેશન એન્ટેના વચ્ચેના વિનાશક દખલનો લાભ લઈને 57 ડીબીનું ઉત્તમ અલગતા પ્રાપ્ત કરે છે, જેનાથી સ્વ-દખલગીરીમાં મોટો ઘટાડો થાય છે. આ ડિઝાઇન નિષ્ક્રિય છે અને તેથી અનુકૂલનશીલ ચેનલ અંદાજ માટે વધારાની પાવર જરૂરિયાતને દૂર કરે છે. વધુમાં, ઇચ્છિત ઓપરેશનની આવર્તન માટે તેની પાસે ખૂબ જ કાર્યક્ષમ ભૌતિક કદ છે. આ પ્રસ્તાવિત એફડી ડિઝાઇન કોમ્પેક્ટ અને પાવર-કાર્યક્ષમ છે, જેનો ઉપયોગ મોબાઇલ ઉપકરણોમાં થઈ શકે છે, જેમ કે સેલ ફોન અથવા ટેબ્લેટ/ફેબલેટ ઉપકરણો, જે અલ્પ રેડિયેશન સંસાધનોના વધુ લવચીક અને વધુ સમાધાન માટે છે. |
023cc7f9f3544436553df9548a7d0575bb309c2e | આ કાગળ ટેક્સ્ટ વર્ગીકરણ માટે એક સરળ અને કાર્યક્ષમ બેઝલાઇનનું અન્વેષણ કરે છે. અમારા પ્રયોગો દર્શાવે છે કે અમારું ઝડપી ટેક્સ્ટ વર્ગીકરણકર્તા ઝડપી ટેક્સ્ટ ઘણીવાર ચોકસાઈની દ્રષ્ટિએ ઊંડા શિક્ષણ વર્ગીકરણકર્તાઓની સમાન છે, અને તાલીમ અને મૂલ્યાંકન માટે તીવ્રતાના ઘણા ઓર્ડર. અમે એક લાખથી વધુ શબ્દો પર ફાસ્ટટેક્સ્ટને તાલીમ આપી શકીએ છીએ દસ મિનિટથી ઓછા સમયમાં પ્રમાણભૂત મલ્ટિ-કોર સીપીયુનો ઉપયોગ કરીને, અને એક મિનિટથી ઓછા સમયમાં 312K વર્ગોમાં અડધા મિલિયન વાક્યોને વર્ગીકૃત કરો. |
d80e7da055f9c25e29f732d0a829daf172eb1fa0 | આ લેખમાં એક વ્યાપક સાહિત્ય સમીક્ષાનો સારાંશ આપવામાં આવ્યો છે, જે આ પ્રશ્નનો જવાબ આપે છે, આપણે આરોગ્ય સેવા વિતરણ અને સંગઠનમાં નવીનતા કેવી રીતે ફેલાવી શકીએ અને ટકાવી શકીએ? તે બંને સામગ્રી (સંસ્થાઓમાં નવીનીકરણના પ્રસારને વ્યાખ્યાયિત કરવા અને માપવા) અને પ્રક્રિયા (વ્યવસ્થિત અને પુનરાવર્તિત રીતે સાહિત્યની સમીક્ષા) ને ધ્યાનમાં લે છે. આ લેખમાં (1) આરોગ્ય સેવા સંસ્થાઓમાં નવીનતાઓના પ્રસારને ધ્યાનમાં લેવા માટે એક સંયમી અને પુરાવા આધારિત મોડેલની ચર્ચા કરવામાં આવી છે, (2) સ્પષ્ટ જ્ઞાનની ગાબડાઓ જ્યાં વધુ સંશોધન કેન્દ્રિત થવું જોઈએ, અને (3) આરોગ્ય સેવા નીતિ અને સંચાલનની વ્યવસ્થિત સમીક્ષા માટે એક મજબૂત અને સ્થાનાંતરિત પદ્ધતિ. આ મોડેલ અને પદ્ધતિ બંનેને વિવિધ સંદર્ભોમાં વધુ વ્યાપક રીતે પરીક્ષણ કરવું જોઈએ. |
3343d1d78f2a14045b52b71428efaf43073d616d | ધ્યેય વજનવાળા લોકોમાં વધારો ઊર્જાયુક્ત આહારના વપરાશ સાથે જોડાયેલો છે. અમે તપાસ કરી કે શું આહારમાં ઊર્જાની ઘનતા મેદસ્વીતા અને ઇન્સ્યુલિન પ્રતિકાર અને મેટાબોલિક સિન્ડ્રોમ સહિત સંબંધિત વિકૃતિઓ સાથે સંકળાયેલી છે. રિસર્ચ ડિઝાઇન અને પદ્ધતિઓ અમે 1999-2002 નેશનલ હેલ્થ એન્ડ ન્યુટ્રિશન એક્ઝામિનેશન સર્વે (એન = 9,688) માંથી યુ. એસ. પુખ્ત > અથવા =20 વર્ષની વયના રાષ્ટ્રીય પ્રતિનિધિ ડેટાનો ઉપયોગ કરીને ક્રોસ-સેક્શનલ અભ્યાસ હાથ ધર્યો હતો. આહારની ઊર્જા ઘનતાની ગણતરી માત્ર ખોરાકના આધારે કરવામાં આવી હતી. અમે બહુવિધ રેખીય રીગ્રેસન મોડેલોની શ્રેણીનો ઉપયોગ કર્યો છે જે ખોરાકની ઊર્જા ઘનતા, મેદસ્વીતા માપદંડ (બીએમઆઈ [કિલોગ્રામ દીઠ મીટર ચોરસ] અને કમર પરિમિતિ [સેન્ટીમીટરમાં]), ગ્લાયકેમિયા અથવા ઇન્સ્યુલિનિયમ વચ્ચે સ્વતંત્ર જોડાણ નક્કી કરે છે. અમે નેશનલ કોલેસ્ટરોલ અને એજ્યુકેશન પ્રોગ્રામ (એડલ્ટ ટ્રીટમેન્ટ પેનલ III) દ્વારા વ્યાખ્યાયિત આહાર ઊર્જા ઘનતા અને મેટાબોલિક સિન્ડ્રોમ વચ્ચે સ્વતંત્ર જોડાણ નક્કી કરવા માટે મલ્ટીવેરીએટ પોસન રીગ્રેસન મોડલ્સનો ઉપયોગ કર્યો હતો. પરિણામો આહારની ઊર્જા ઘનતા સ્વતંત્ર રીતે અને નોંધપાત્ર રીતે સ્ત્રીઓમાં ઊંચા BMI સાથે સંકળાયેલી હતી (બીટા = 0. 44 [95% આઇસી 0. 14- 0. 73]) અને પુરુષોમાં નોંધપાત્ર જોડાણ તરફ વલણ ધરાવે છે (બીટા = 0. 37 [- 0. 007 થી 0. 74], પી = 0. 054). સ્ત્રીઓમાં (બીટા = 1. 11 [0. 42- 1. 80]) અને પુરુષોમાં (બીટા = 1. 33 [0. 46- 2. 19]) આહાર ઊર્જા ઘનતા ઊંચી કમર પરિમિતિ સાથે સંકળાયેલી હતી. આહારમાં ઊર્જાની ઘનતા પણ સ્વતંત્ર રીતે ઉપવાસ ઇન્સ્યુલિન (બીટા = 0. 65 [0. 18-1. 12]) અને મેટાબોલિક સિન્ડ્રોમ (પ્રચલિત ગુણોત્તર = 1. 10 [95% CI 1. 03-1. 17]) સાથે સંકળાયેલી હતી. નિષ્કર્ષ આહાર ઊર્જા ઘનતા એ મેદસ્વીતા, ઉપવાસ ઇન્સ્યુલિન સ્તરમાં વધારો, અને યુ. એસ. પુખ્ત વયના લોકોમાં મેટાબોલિક સિન્ડ્રોમનો સ્વતંત્ર આગાહી છે. આહારમાં ઊર્જાની ઘનતા ઘટાડવા માટે હસ્તક્ષેપ અભ્યાસ જરૂરી છે. |
3e597e492c1ed6e7bbd539d5f2e5a6586c6074cd | મોટાભાગના ન્યુરલ મશીન ટ્રાન્સલેશન (એનએમટી) મોડેલો ક્રમિક એન્કોડર-ડેકોડર ફ્રેમવર્ક પર આધારિત છે, જે સિન્ટેક્ટીક માહિતીનો ઉપયોગ કરતું નથી. આ કાગળમાં, અમે સ્રોત-બાજુના સિન્ટેક્ટીક વૃક્ષોને સ્પષ્ટપણે સમાવિષ્ટ કરીને આ મોડેલને સુધારીએ છીએ. વધુ ખાસ રીતે, અમે (1) એક દ્વિદિશ્રી વૃક્ષ એન્કોડર પ્રસ્તાવિત કરીએ છીએ જે અનુક્રમિક અને વૃક્ષ માળખાગત પ્રતિનિધિત્વ બંને શીખે છે; (2) એક વૃક્ષ-કવરેજ મોડેલ જે સ્રોત-બાજુના વાક્યરચના પર ધ્યાન કેન્દ્રિત કરે છે. ચાઇનીઝ-અંગ્રેજી અનુવાદ પરના પ્રયોગો દર્શાવે છે કે અમારા પ્રસ્તાવિત મોડેલો ક્રમિક ધ્યાન મોડેલ તેમજ નીચેથી ઉપર વૃક્ષ એન્કોડર અને શબ્દ કવરેજ સાથે મજબૂત બેઝલાઇન કરતાં વધુ સારી કામગીરી કરે છે. |
4e88de2930a4435f737c3996287a90ff87b95c59 | સમય જતાં સિક્વન્સની માહિતીને જાળવી રાખવાની તેમની શ્રેષ્ઠ ક્ષમતાને કારણે, લાંબા ટૂંકા ગાળાની મેમરી (એલએસટીએમ) નેટવર્ક્સ, વધુ જટિલ કમ્પ્યુટેશનલ એકમ સાથે એક પ્રકારનું રિકરન્ટ ન્યુરલ નેટવર્ક, વિવિધ સિક્વન્સ મોડેલિંગ કાર્યો પર મજબૂત પરિણામો પ્રાપ્ત કર્યા છે. અત્યાર સુધી જે એકમાત્ર એલએસટીએમ માળખું શોધવામાં આવ્યું છે તે એક રેખીય સાંકળ છે. જો કે, કુદરતી ભાષામાં વાક્યરચનાત્મક ગુણધર્મો દર્શાવવામાં આવે છે જે શબ્દોને વાક્યોમાં કુદરતી રીતે જોડે છે. અમે ટ્રી-એલએસટીએમ રજૂ કરીએ છીએ, એલએસટીએમનું ઝાડ-આધારિત નેટવર્ક ટોપોલોજીમાં સામાન્યકરણ. ટ્રીએલએસટીએમ બે કાર્યો પર તમામ વર્તમાન સિસ્ટમો અને મજબૂત એલએસટીએમ બેઝલાઇનને વટાવી દે છેઃ બે વાક્યોની સિમેન્ટીક સંબંધની આગાહી (સેમએવલ 2014, કાર્ય 1) અને લાગણી વર્ગીકરણ (સ્ટેનફોર્ડ સેન્ટીમેન્ટ ટ્રીબેન્ક). |
6411da05a0e6f3e38bcac0ce57c28038ff08081c | અર્થનિર્ધારણ પ્રતિનિધિત્વને લાંબા સમયથી અર્થની જાળવણીને લાગુ કરવા અને મશીન અનુવાદ પદ્ધતિઓના સામાન્યીકરણ પ્રદર્શનમાં સુધારો કરવા માટે સંભવિત રૂપે ઉપયોગી તરીકે દલીલ કરવામાં આવી છે. આ કાર્યમાં, અમે સૌ પ્રથમ ન્યુરલ મશીન અનુવાદમાં સ્રોત વાક્યો (એટલે કે, સિમેન્ટીક-રોલ રજૂઆતો) ના પ્રચાર-દલીલ માળખું વિશેની માહિતીને સમાવિષ્ટ કરીએ છીએ. અમે ગ્રાફ કન્વોલ્યુશનલ નેટવર્ક્સ (જીસીએન) નો ઉપયોગ સજા એન્કોડર્સમાં સિમેન્ટીક પૂર્વગ્રહને ઇન્જેક્ટ કરવા અને અંગ્રેજી-જર્મન ભાષાની જોડી પર ભાષાકીય-અજ્ઞાની અને સિન્ટેક્સવેર વર્ઝન પર બ્લુ સ્કોર્સમાં સુધારાઓ પ્રાપ્ત કરવા માટે કરીએ છીએ. |
9f291ce2d0fc1d76206139a40a859283674d8f65 | એનકોડર-ડેકોડર આર્કિટેક્ચર પર આધારિત ન્યુરલ મશીન ટ્રાન્સલેશન (એનએમટી) એ તાજેતરમાં જ અત્યાધુનિક કામગીરી હાંસલ કરી છે. સંશોધકોએ સાબિત કર્યું છે કે સ્રોત-બાજુના શબ્દમાળા માળખાને સમાવિષ્ટ કરીને શબ્દ સ્તરના ધ્યાનને શબ્દ સ્તરના ધ્યાન સુધી વિસ્તૃત કરવાથી ધ્યાન મોડેલને વધારવામાં અને આશાસ્પદ સુધારણા પ્રાપ્ત કરી શકાય છે. જો કે, શબ્દની પરાધીનતા જે સ્રોત વાક્યને યોગ્ય રીતે સમજવા માટે નિર્ણાયક હોઈ શકે છે તે હંમેશા અનુક્રમિક રીતે (એટલે કે. શબ્દમાળા માળખું), ક્યારેક તેઓ લાંબા અંતર હોઈ શકે છે. શબ્દસમૂહ માળખાં લાંબા અંતરની નિર્ભરતાઓને સ્પષ્ટ રીતે મોડેલ કરવાનો શ્રેષ્ઠ માર્ગ નથી. આ કાગળમાં અમે એનએમટીમાં સ્રોત-બાજુની લાંબા અંતરની નિર્ભરતાઓને સમાવિષ્ટ કરવા માટે એક સરળ પરંતુ અસરકારક પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ. નિર્ભરતા વૃક્ષો પર આધારિત અમારી પદ્ધતિ દરેક સ્રોત રાજ્યને વૈશ્વિક નિર્ભરતા માળખા સાથે સમૃદ્ધ કરે છે, જે સ્રોત વાક્યોના અંતર્ગત વાક્યરચનાને વધુ સારી રીતે પકડી શકે છે. ચાઇનીઝ-અંગ્રેજી અને અંગ્રેજી-જાપાનીઝ અનુવાદ કાર્યો પરના પ્રયોગો દર્શાવે છે કે અમારી પ્રસ્તાવિત પદ્ધતિ રાજ્ય-ઓફ-ધ-આર્ટ એસએમટી અને એનએમટી બેઝલાઇન કરતાં વધુ સારી છે. |
d12c173ea92fc33dc276d1da90dc72a660f7ea12 | લિંક કરેલ ડેટાનો મુખ્ય ઉદ્દેશ લિંકિંગ અને એકીકરણ છે, અને આ લક્ષ્ય પ્રાપ્ત થયું છે કે નહીં તે મૂલ્યાંકન કરવા માટેનું એક મુખ્ય પગલું એ છે કે લિંક કરેલ ઓપન ડેટા (એલઓડી) ક્લાઉડ ડેટાસેટ્સ વચ્ચેના તમામ જોડાણોને શોધવું. બે કે તેથી વધુ ડેટાસેટ્સ વચ્ચે જોડાણ સામાન્ય એન્ટિટીઝ, ટ્રિપલ્સ, લિટરલ્સ અને સ્કીમા એલિમેન્ટ્સ દ્વારા પ્રાપ્ત કરી શકાય છે, જ્યારે યુઆરઆઈ વચ્ચેના સમકક્ષ સંબંધોને કારણે વધુ જોડાણો થઈ શકે છે, જેમ કે owl:sameAs, owl:equivalentProperty અને owl:equivalentClass, કારણ કે ઘણા પ્રકાશકો આવા સમકક્ષ સંબંધોનો ઉપયોગ કરે છે, જાહેર કરવા માટે કે તેમના યુઆરઆઈ અન્ય ડેટાસેટ્સના યુઆરઆઈ સાથે સમકક્ષ છે. જો કે, બેથી વધુ ડેટાસેટ્સને લગતા કનેક્ટિવિટી માપ (અને અનુક્રમણિકાઓ) ઉપલબ્ધ નથી, જે ડેટાસેટ્સની સંપૂર્ણ સામગ્રી (દા. ત. , એકમો, સ્કીમા, ટ્રિપલ્સ) અથવા સ્લાઇસેસ (દા. ત. , ચોક્કસ એન્ટિટી માટે ટ્રિપલ્સ) ને આવરી લે છે, જોકે તે કેટલાક વાસ્તવિક વિશ્વ કાર્યો માટે પ્રાથમિક મહત્વ હોઈ શકે છે, જેમ કે માહિતી સમૃદ્ધિ, ડેટાસેટ ડિસ્કવરી અને અન્ય. સામાન્ય રીતે, ડેટાસેટ્સ વચ્ચેના જોડાણો શોધવાનું સરળ કાર્ય નથી, કારણ કે ત્યાં મોટી સંખ્યામાં LOD ડેટાસેટ્સ છે અને ગુમ થયેલ જોડાણો ન કરવા માટે સમકક્ષતાના સંબંધોના સંક્રમણ અને સમપ્રમાણતા બંધની ગણતરી કરવી જોઈએ. આ કારણોસર, અમે સ્કેલેબલ પદ્ધતિઓ અને અલ્ગોરિધમ્સ રજૂ કરીએ છીએ, (એ) સમકક્ષતા સંબંધો માટે ટ્રાન્ઝિટિવ અને સિમેટ્રિક ક્લોઝરની ગણતરી કરવા માટે (કારણ કે તેઓ ડેટાસેટ્સ વચ્ચે વધુ જોડાણો ઉત્પન્ન કરી શકે છે); (બી) ડેટાસેટ્સની સંપૂર્ણ સામગ્રીને આવરી લેતા સમર્પિત વૈશ્વિક સિમેન્ટીક્સ-સભાન અનુક્રમણિકાઓનું નિર્માણ કરવા માટે; અને (સી) બે અથવા વધુ ડેટાસેટ્સ વચ્ચેની કનેક્ટિવિટીને માપવા માટે. છેલ્લે, અમે પ્રસ્તાવિત અભિગમના વેગનું મૂલ્યાંકન કરીએ છીએ, જ્યારે અમે બે અબજથી વધુ ટ્રિપલ્સ માટે તુલનાત્મક પરિણામોની જાણ કરીએ છીએ. |
d6020bdf3b03f209174cbc8fb4ecbe6208eb9ff1 | અમે પ્રથમ લેખકની સંશોધન કારકિર્દી પર એક પાછલા પ્રતિબિંબ સાથે શરૂ કરીએ છીએ, જે મોટા ભાગે સંસ્થાકીય પરિવર્તન માટે માહિતી ટેકનોલોજી (આઇટી) ના અસરો વિશે સંશોધન માટે સમર્પિત છે. જોકે આઇટી લાંબા સમયથી સંસ્થાકીય પરિવર્તન સાથે સંકળાયેલું છે, સંસ્થાના સિદ્ધાંતમાં ટેકનોલોજીની સારવારની અમારી ઐતિહાસિક સમીક્ષા દર્શાવે છે કે સંસ્થાઓના ભૌતિક પાસાઓ સિદ્ધાંત વિકાસના બેકવોટરમાં કેટલી સરળતાથી અદૃશ્ય થઈ શકે છે. આ એક દુર્ભાગ્યપૂર્ણ પરિણામ છે કારણ કે આઇટી પહેલોની સામગ્રીની લાક્ષણિકતાઓ તેમને અન્ય સંસ્થાકીય પરિવર્તન પહેલોથી અલગ પાડે છે. અમારો ઉદ્દેશ આઇટીની અસરના અભ્યાસમાં તેના અદ્રશ્ય થવાના કારણો શોધી કાઢીને અને એવા વિકલ્પો ઓફર કરીને, જેમાં આઇટીની મહત્વની ભૂમિકા વધુ કેન્દ્રિય સૈદ્ધાંતિક ભૂમિકા ભજવે છે, તેને પુનઃસ્થાપિત કરવાનો છે. અમે એક સામાજિક-તકનીકી પરિપ્રેક્ષ્ય અપનાવીએ છીએ જે એક કડક સામાજિક દ્રષ્ટિકોણથી અલગ છે કારણ કે અમે ભૌતિક વસ્તુઓ અને તેમના ઉપયોગના સામાજિક સંદર્ભ વચ્ચે ઓન્ટોલોજિકલ તફાવત જાળવી રાખવા માંગીએ છીએ. અમારા વિશ્લેષણમાં "આવક"ની વિભાવનાનો ઉપયોગ સામાજિક-તકનીકી પરિપ્રેક્ષ્ય સાથે સુસંગત સંબંધની વિભાવના તરીકે કરવામાં આવ્યો છે. પછી અમે સંગઠનાત્મક રૂટિન સિદ્ધાંતના વિસ્તરણની દરખાસ્ત કરીએ છીએ જે રૂટિન તરીકે ઓળખાતી પેદાત્મક પ્રણાલીમાં સામગ્રીની વસ્તુઓનો સમાવેશ કરે છે. આ યોગદાન આઇટીની સંસ્થાકીય અસરોના અભ્યાસમાં નવા સંશોધન ધ્યાન તરીકે સામગ્રીને અપનાવવાના ઘણા પડકારોમાંથી બે ઉદાહરણો દર્શાવે છે. |
7039b7c97bd0e59693f2dc4ed7b40e8790bf2746 | અમે એક ન્યુરલ નેટવર્ક મોડેલનું વર્ણન કરીએ છીએ જે સંયુક્ત રીતે ટેક્સ્ટ્સ અને જ્ઞાન આધાર (કેબી) એન્ટિટીઝના વિતરણ પ્રતિનિધિત્વને શીખે છે. KB માં ટેક્સ્ટ આપવામાં આવે છે, અમે અમારા પ્રસ્તાવિત મોડેલને ટેક્સ્ટ માટે સંબંધિત એન્ટિટીની આગાહી કરવા માટે તાલીમ આપીએ છીએ. અમારું મોડેલ સરળતાથી વિવિધ એનએલપી કાર્યોને સંબોધવાની ક્ષમતા સાથે સામાન્ય બનવા માટે રચાયેલ છે. અમે વિકિપીડિયામાંથી કાઢવામાં આવેલ ટેક્સ્ટ્સ અને તેમની એન્ટિટી એનોટેશન્સના મોટા કોર્પસનો ઉપયોગ કરીને મોડેલને તાલીમ આપીએ છીએ. અમે ત્રણ મહત્વપૂર્ણ એનએલપી કાર્યો (એટલે કે, વાક્યની ટેક્સ્ટલ સમાનતા, એન્ટિટી લિંકિંગ અને ફેક્ટોઇડ પ્રશ્નનો જવાબ આપવો) પર મોડેલનું મૂલ્યાંકન કર્યું છે જેમાં બંને નિરીક્ષણ અને નિરીક્ષણ સેટિંગ્સનો સમાવેશ થાય છે. પરિણામે, અમે આ ત્રણેય કાર્યોમાં અદ્યતન પરિણામો પ્રાપ્ત કર્યા છે. અમારો કોડ અને પ્રશિક્ષિત મોડેલો વધુ શૈક્ષણિક સંશોધન માટે સાર્વજનિક રીતે ઉપલબ્ધ છે. |
42f75b297aed474599c8e598dd211a1999804138 | અમે ઓટોક્લાસનું વર્ણન કરીએ છીએ, જે ક્લાસિકલ મિશ્રણ મોડેલ પર આધારિત અનસર્વેસ્ડ ક્લાસિફિકેશનનો અભિગમ છે, જે શ્રેષ્ઠ વર્ગો નક્કી કરવા માટે બેઝિયન પદ્ધતિ દ્વારા પૂરક છે. અમે ઓટોક્લાસ સિસ્ટમ પાછળના ગણિતના મધ્યમ વિગતવાર પ્રદર્શનનો સમાવેશ કરીએ છીએ. અમે ભારપૂર્વક જણાવીએ છીએ કે કોઈ પણ વર્તમાન બિન-સમાવિષ્ટ વર્ગીકરણ પ્રણાલી મહત્તમ ઉપયોગી પરિણામો ઉત્પન્ન કરી શકતી નથી જ્યારે તે એકલા સંચાલિત થાય છે. તે ડોમેન નિષ્ણાતો અને મશીન વચ્ચેની ક્રિયાપ્રતિક્રિયા છે જે મોડેલ સ્પેસ પર શોધે છે, જે નવું જ્ઞાન ઉત્પન્ન કરે છે. બંને ડેટાબેઝ વિશ્લેષણ કાર્યમાં અનન્ય માહિતી અને ક્ષમતાઓ લાવે છે, અને દરેક અન્યની ઇએક્ટિવિટીમાં વધારો કરે છે. અમે આ મુદ્દાને ઓટોક્લાસના કેટલાક કાર્યક્રમો સાથે જટિલ વાસ્તવિક વિશ્વ ડેટાબેઝમાં સમજાવીએ છીએ, અને પરિણામી સફળતા અને નિષ્ફળતાઓનું વર્ણન કરીએ છીએ. 6.1 પરિચય આ પ્રકરણ ડેટાબેઝમાંથી ઉપયોગી માહિતી કાઢવા માટે ઓટોમેટિક વર્ગીકરણ પ્રોગ્રામ (ઓટોક્લાસ) નો ઉપયોગ કરવાના અમારા અનુભવનો સારાંશ છે. તે સામાન્ય રીતે સ્વયંસંચાલિત વર્ગીકરણ અને ખાસ કરીને ઓટોક્લાસના સિદ્ધાંતોની રૂપરેખા પણ આપે છે. લેબલવાળા ઉદાહરણો (જેને દેખરેખવાળી શિક્ષણ કહેવાય છે) માંથી વર્ગ વર્ણનોની પેદાશને બદલે, અમે ડેટામાં વર્ગોની સ્વયંચાલિત શોધ (ક્યારેક ક્લસ્ટરીંગ અથવા અનસર્વેસ્ડ લર્નિંગ કહેવાય છે) ની સમસ્યા સાથે સંબંધિત છીએ. અમુક અર્થમાં, સ્વયંચાલિત વર્ગીકરણનો હેતુ ડેટામાં "કુદરતી" વર્ગો શોધવાનો છે. આ વર્ગો મૂળભૂત કારણસરની પદ્ધતિઓનું અનુકરણ કરે છે જે કેટલાક કેસોને બાકીના કેસો કરતાં એકબીજા જેવા દેખાય છે. આ કારણોસર પદ્ધતિઓ ડેટામાં નમૂનાના પૂર્વગ્રહ તરીકે કંટાળાજનક હોઈ શકે છે, અથવા ડોમેનમાં કેટલીક મોટી નવી શોધને પુનઃસ્થાપિત કરી શકે છે. કેટલીકવાર, આ વર્ગો ક્ષેત્રના નિષ્ણાતો માટે જાણીતા હતા, પરંતુ ઓટોક્લાસ માટે અજાણ્યા હતા, અને અન્ય સમયે |
32aea4c9fb9eb7cf2b6869efa83cf73420374628 | |
091778f43d947affb69dbccc2c3251abfa852ad2 | સિમેન્ટીક ફાઇલ સિસ્ટમ એ માહિતી સંગ્રહ સિસ્ટમ છે જે ફાઇલ પ્રકાર વિશિષ્ટ ટ્રાન્સડ્યુસર્સ સાથે ફાઇલોમાંથી સ્વયંચાલિત લક્ષણો કાઢીને સિસ્ટમની સામગ્રીને લવચીક સંલગ્ન ઍક્સેસ પ્રદાન કરે છે. એસોસિએટિવ એક્સેસ એ ટ્રી સ્ટ્રક્ચર્ડ ફાઇલ સિસ્ટમ પ્રોટોકોલ માટે એક સંરક્ષણાત્મક એક્સ્ટેંશન દ્વારા પ્રદાન કરવામાં આવે છે, અને પ્રોટોકોલ દ્વારા જે ખાસ કરીને સામગ્રી આધારિત એક્સેસ માટે રચાયેલ છે. વર્ચ્યુઅલ ડિરેક્ટરીની વિભાવનાને રજૂ કરીને હાલના ફાઇલ સિસ્ટમ પ્રોટોકોલ્સ સાથે સુસંગતતા પૂરી પાડવામાં આવે છે. વર્ચ્યુઅલ ડિરેક્ટરી નામોને ક્વેરી તરીકે અર્થઘટન કરવામાં આવે છે, અને આમ હાલના સોફ્ટવેર સાથે સુસંગત રીતે ફાઇલો અને ડિરેક્ટરીઓ માટે લવચીક સંલગ્ન ઍક્સેસ પ્રદાન કરે છે. ફાઇલ સિસ્ટમ ઑબ્જેક્ટ્સની કી પ્રોપર્ટીઝના સ્વયંચાલિત નિષ્કર્ષણ અને અનુક્રમણિકા દ્વારા ફાઇલ સિસ્ટમ સામગ્રીની ઝડપી લક્ષણ-આધારિત ઍક્સેસ અમલમાં મૂકવામાં આવે છે. ફાઇલો અને ડિરેક્ટરીઓનું સ્વયંચાલિત અનુક્રમણિકાકરણને "સિમેન્ટીક" કહેવામાં આવે છે કારણ કે વપરાશકર્તા પ્રોગ્રામ કરવા યોગ્ય ટ્રાન્સડ્યુસર્સ અનુક્રમણિકા માટે ગુણધર્મોને બહાર કાઢવા માટે અપડેટ કરેલ ફાઇલ સિસ્ટમ ઑબ્જેક્ટ્સના સિમેન્ટીક્સ વિશેની માહિતીનો ઉપયોગ કરે છે. સિમેન્ટીક ફાઇલ સિસ્ટમ અમલીકરણના પ્રાયોગિક પરિણામો એ થિસીસને સમર્થન આપે છે કે સિમેન્ટીક ફાઇલ સિસ્ટમ્સ માહિતી વહેંચણી અને આદેશ સ્તરના પ્રોગ્રામિંગ માટે પરંપરાગત વૃક્ષ માળખાગત ફાઇલ સિસ્ટમ્સ કરતા વધુ અસરકારક સ્ટોરેજ અમૂર્તતા રજૂ કરે છે. |
096db7e8d2b209fb6dca9c7495ac84405c40e507 | આ પેપરમાં અમે નોન-નેગેટિવ મેટ્રિક્સ ફેક્ટરાઇઝેશન (એનએમએફ) માટે નવા વૈકલ્પિક લઘુતમ ચોરસ (એએલએસ) અલ્ગોરિધમ્સ અને 3 ડી નોન-નેગેટિવ ટેન્સર ફેક્ટરાઇઝેશન (એનટીએફ) માટે તેમના એક્સ્ટેન્શન્સ રજૂ કરીએ છીએ જે અવાજની હાજરીમાં મજબૂત છે અને મલ્ટિ-વે બ્લાઇન્ડ સોર્સ સેપરેશન (બીએસએસ), મલ્ટિ-સેન્સરી અથવા મલ્ટિ-ડાયમેન્શનલ ડેટા વિશ્લેષણ અને બિન-નેગેટિવ ન્યુરલ સ્પાસ કોડિંગ સહિતના ઘણા સંભવિત એપ્લિકેશન્સ ધરાવે છે. અમે સ્થાનિક ખર્ચના કાર્યોનો ઉપયોગ કરવાનો પ્રસ્તાવ રાખીએ છીએ, જે એક સાથે અથવા ક્રમિક (એક પછી એક) ઘટાડાને ખૂબ જ સરળ એએલએસ અલ્ગોરિધમનો તરફ દોરી જાય છે જે કેટલાક સ્પેર્સિટી પ્રતિબંધો હેઠળ કામ કરે છે, જે બંને અંડર-નિર્ધારિત (એક સિસ્ટમ જે સ્રોતો કરતાં ઓછા સેન્સર્સ ધરાવે છે) અને ઓવર-નિર્ધારિત મોડેલ માટે છે. વ્યાપક પ્રાયોગિક પરિણામો વિકસિત અલ્ગોરિધમ્સની માન્યતા અને ઉચ્ચ પ્રદર્શનની પુષ્ટિ કરે છે, ખાસ કરીને મલ્ટી-લેયર હાયરાર્કીક એનએમએફના ઉપયોગ સાથે. પ્રસ્તાવિત અલ્ગોરિધમનો બહુપરિમાણીય સ્પેર્સ કમ્પોનન્ટ એનાલિસિસ અને સ્મૂથ કમ્પોનન્ટ એનાલિસિસમાં વિસ્તરણ કરવાની પણ દરખાસ્ત કરવામાં આવી છે. |
339888b357e780c6e80fc135ec48a14c3b524f7d | બ્લૂમ ફિલ્ટર એ સભ્યતાની ક્વેરીને ટેકો આપવા માટે સમૂહનું પ્રતિનિધિત્વ કરવા માટે એક સરળ જગ્યા-કાર્યક્ષમ રેન્ડમાઇઝ્ડ ડેટા સ્ટ્રક્ચર છે. બ્લૂમ ફિલ્ટર્સ ખોટા પોઝિટિવ્સને મંજૂરી આપે છે પરંતુ જ્યારે ભૂલની સંભાવનાને નિયંત્રિત કરવામાં આવે છે ત્યારે જગ્યાની બચત ઘણીવાર આ ખામી કરતાં વધારે હોય છે. બ્લૂમ ફિલ્ટર્સનો ઉપયોગ 1970 ના દાયકાથી ડેટાબેઝ એપ્લિકેશન્સમાં કરવામાં આવે છે, પરંતુ તાજેતરના વર્ષોમાં તેઓ નેટવર્કિંગ સાહિત્યમાં લોકપ્રિય બન્યા છે. આ કાગળનો ઉદ્દેશ એ છે કે બ્લૂમ ફિલ્ટર્સનો ઉપયોગ અને વિવિધ નેટવર્ક સમસ્યાઓમાં ફેરફાર કરવામાં આવે છે, જેનો હેતુ તેમને સમજવા માટે એકીકૃત ગાણિતિક અને વ્યવહારુ માળખું પૂરું પાડવાનો છે અને ભવિષ્યમાં એપ્લિકેશન્સમાં તેમના ઉપયોગને ઉત્તેજન આપવાનો છે. |
dc3e8bea9ef0c9a2df20e4d11860203eaf795b6a | સામાન્ય વૉકિંગ દરમિયાન ઉત્પન્ન થતી જમીન પ્રતિક્રિયા દળોનો ઉપયોગ તાજેતરમાં સમય જતાં અવલોકન કરાયેલા દળોના પેટર્નના આધારે વ્યક્તિઓની ઓળખ અને / અથવા વર્ગીકરણ કરવા માટે કરવામાં આવ્યો છે. એક લક્ષણ જે ઊભી જમીન પ્રતિક્રિયા દળોમાંથી કાઢી શકાય છે તે શરીરના સમૂહ છે. આ એકલ લક્ષણમાં ઓળખની શક્તિ છે જે અન્ય અભ્યાસો સાથે સરખાવી શકાય છે જે બહુવિધ અને વધુ જટિલ લક્ષણોનો ઉપયોગ કરે છે. આ અભ્યાસ ઓળખમાં શરીરના સમૂહની ભૂમિકાને સમજવામાં મદદ કરે છે (1) શરીરના સમૂહની ચોકસાઈ અને ચોકસાઈને માપવા કે જેની સાથે ઊભી જમીન પ્રતિક્રિયા દળોનો ઉપયોગ કરીને મેળવી શકાય છે, (2) વસ્તીમાં શરીરના સમૂહનું વિતરણ માપવા જે અગાઉ ચાલતા વિશ્લેષણના સંબંધમાં અભ્યાસ કરવામાં આવ્યું છે, અને (3) નબળા બાયોમેટ્રિક તરીકે શરીરના સમૂહનો ઉપયોગ કરીને સિસ્ટમોની અપેક્ષિત ઓળખ ક્ષમતાઓની ગણતરી. અમારા પરિણામો દર્શાવે છે કે શરીરના સમૂહને એક સેકન્ડના અપૂર્ણાંકમાં 1 કિલોગ્રામથી ઓછા પ્રમાણભૂત વિચલન સાથે માપવામાં આવે છે. |
1b2f2bb90fb08d0e02eabb152120dbf1d6e5837e | અમે સતત શબ્દ રજૂઆતોની ગણતરી માટે ન્યુરલ-નેટવર્ક-પ્રેરિત મોડેલોના પરિવારને રજૂ કરીએ છીએ, ખાસ કરીને એકલભાષી અને બહુભાષી ટેક્સ્ટ બંનેનો ઉપયોગ કરવા માટે રચાયેલ છે. આ માળખું અમને એમ્બેડિંગ્સની નિરીક્ષણ વિનાની તાલીમ કરવાની મંજૂરી આપે છે જે અગાઉના મોડેલોની તુલનામાં, નિરીક્ષણ વિનાની રીતે તાલીમ આપવામાં આવે છે, તે સિન્ટેક્ટીક અને સિમેન્ટીક રચનાત્મકતા પર ઉચ્ચ ચોકસાઈ દર્શાવે છે, તેમજ બહુભાષી સિમેન્ટીક સમાનતા. અમે એ પણ બતાવીએ છીએ કે આવા બહુભાષીય એમ્બેડિંગ, અર્થશાસ્ત્રની સમાનતા માટે ઑપ્ટિમાઇઝ, તે કેવી રીતે સમાંતર ડેટામાં હાજર ન હોય તેવા શબ્દોને હેન્ડલ કરે છે તેના સંદર્ભમાં આંકડાકીય મશીન અનુવાદની કામગીરીમાં સુધારો કરી શકે છે. |
396945dabf79f4a8bf36ca408a137d6e961306e7 | |
6010c2d8eb5b6c5da3463d0744203060bdcc07a7 | સૅલ્મોન લુઇસ, લેપિઓફ્થેરસ સૅલ્મોનિસ (ક્રેયર, 1837), માછલી ઇક્ટોપૅરાઝિટ્સ છે જે એટલાન્ટિક સૅલ્મોનની મરીકલ્ચરમાં નોંધપાત્ર આર્થિક નુકસાનનું કારણ બને છે, સેલ્મો સૅલર લિનેયસ, 1758. માછલીના ખેતરોમાં એલ. સૅલ્મોનિસનો નિયંત્રણ મોટા ભાગે એન્ટિ-પૅરાઝિટિક દવાઓ સાથેના ઉપચાર પર આધારિત છે. રાસાયણિક નિયંત્રણ સાથે સંબંધિત સમસ્યા એ છે કે પ્રતિકારના વિકાસની સંભાવના છે, જે એલ. સૅલ્મોનિસમાં ઓર્ગેનોફોસ્ફેટ્સ, પાયરેથ્રોઇડ્સ અને એવરમેક્ટીન્સ સહિતના ઘણા દવા વર્ગો માટે દસ્તાવેજીકરણ કરવામાં આવે છે. એટીપી-બાઈન્ડિંગ કેસેટ (એબીસી) જનીન સુપરફેમિલી તમામ બાયોટામાં જોવા મળે છે અને તેમાં ડ્રગ ઇફ્લક્સ ટ્રાન્સપોર્ટર્સની શ્રેણીનો સમાવેશ થાય છે જે કેન્સરો અને પેથોજેન્સને ડ્રગ પ્રતિકાર આપી શકે છે. વધુમાં, કેટલાક એબીસી ટ્રાન્સપોર્ટર્સ જંતુનાશક દવા પ્રતિરોધકના સંપાદનમાં સામેલ હોવાનું માન્યતા છે. જ્યારે ઘણા અભ્યાસોએ એલ. સૅલ્મોનિસમાં એબીસી ટ્રાન્સપોર્ટર્સની તપાસ કરી છે, આ પ્રજાતિ માટે એબીસી જનીન પરિવારનો કોઈ વ્યવસ્થિત વિશ્લેષણ અસ્તિત્વમાં નથી. આ અભ્યાસમાં એલ. સાલ્મોનીસમાં એબીસી જનીનોની જીનોમ-વ્યાપી સર્વેક્ષણ રજૂ કરવામાં આવ્યું છે, જેના માટે એલ. સાલ્મોનીસ જીનોમની હોમોલોજી શોધ દ્વારા એબીસી સુપરફેમિલીના સભ્યોની ઓળખ કરવામાં આવી હતી. વધુમાં, મલ્ટી- સ્ટેજ આરએનએ લાઇબ્રેરીના હાઇ- થ્રુપુટ આરએનએ સિક્વન્સીંગ (આરએનએ- સિક) દ્વારા પેદા થયેલ પરોપજીવીના સંદર્ભ ટ્રાન્સક્રિપ્ટોમમાં એબીસી પ્રોટીનની ઓળખ કરવામાં આવી હતી. જીનોમ અને ટ્રાન્સક્રિપ્ટોમ બંનેની શોધથી એબીસી પ્રોટીન માટે કોડિંગ કુલ 33 જનીનો / ટ્રાન્સક્રિપ્ટ્સની ઓળખ થઈ, જેમાંથી 3 માત્ર જીનોમમાં અને 4 માત્ર ટ્રાન્સક્રિપ્ટોમમાં રજૂ કરવામાં આવ્યા હતા. ડ્રગ ટ્રાન્સપોર્ટર્સ ધરાવતા એબીસી પેટા- પરિવારને 18 ક્રમો સોંપવામાં આવ્યા હતા, એટલે કે પેટા-પરિવાર બી (4 ક્રમ), સી (11) અને જી (2). આ પરિણામો સૂચવે છે કે એલ. સાલ્મોનિસના એબીસી જનીન પરિવારમાં અન્ય આર્થ્રોપોડ્સ માટે નોંધાયેલા સભ્યો કરતાં ઓછા સભ્યો છે. એલ. સાલ્મોનિસ એબીસી જીન સુપરફેમિલીના હાલના સર્વેક્ષણથી સૅલ્મોન ડિલોઝિંગ એજન્ટોના ઝેરીમાં અને ડ્રગ રેઝિસ્ટન્સના સંભવિત પદ્ધતિઓ તરીકે એબીસી ટ્રાન્સપોર્ટર્સની સંભવિત ભૂમિકાઓ પર વધુ સંશોધન માટે આધાર પૂરો પાડશે. |
4a3235a542f92929378a11f2df2e942fe5674c0e | આ કાગળમાં અનસર્વેસ્ડ ન્યુરલ નેટ આધારિત ઇન્ટ્રુઝન ડિટેક્ટર (યુએનએનઆઈડી) સિસ્ટમ રજૂ કરવામાં આવી છે, જે અનસર્વેસ્ડ ન્યુરલ નેટવર્ક્સનો ઉપયોગ કરીને નેટવર્ક આધારિત ઘૂસણખોરી અને હુમલાઓને શોધી કાઢે છે. આ પ્રણાલીમાં અનસર્વેક્ષિત નેટની તાલીમ, પરીક્ષણ અને ટ્યુનિંગ માટેની સુવિધાઓ છે જેનો ઉપયોગ ઘુસણખોરીની તપાસમાં કરવામાં આવશે. આ પ્રણાલીનો ઉપયોગ કરીને અમે બે પ્રકારના અનુકૂલનશીલ પડઘો સિદ્ધાંત (એઆરટી) નેટ (એઆરટી -1 અને એઆરટી -2) ની નિરીક્ષણ કર્યા વિના પરીક્ષણ કર્યું છે. પરિણામોના આધારે, આવા નેટવર્ક્સ નેટવર્ક ટ્રાફિકને સામાન્ય અને ઘુસણખોરીમાં અસરકારક રીતે વર્ગીકૃત કરી શકે છે. આ સિસ્ટમ દુરુપયોગ અને અસાધારણતા શોધના અભિગમોના સંકરનો ઉપયોગ કરે છે, તેથી અસાધારણતા તરીકે જાણીતા હુમલા પ્રકારો તેમજ નવા હુમલા પ્રકારો શોધવામાં સક્ષમ છે. |
10a9abb4c78f0be5cc85847f248d3e8277b3c810 | કોમ્પ્યુટેશનલ નેચરલ લેંગ્વેજ લર્નિંગ પર કોન્ફરન્સમાં એક શેર કરેલ કાર્ય છે, જેમાં સહભાગીઓ સમાન ડેટા સેટ્સ પર તેમની શીખવાની સિસ્ટમોને તાલીમ અને પરીક્ષણ કરે છે. 2007માં 2006ની જેમ જ આ વર્ષે પણ આ સહિયારી કાર્યને પરાધીનતા વિશ્લેષણ માટે સમર્પિત કરવામાં આવ્યું છે, જેમાં બહુભાષી ટ્રેક અને ડોમેન અનુકૂલન ટ્રેક બંને છે. આ કાગળમાં, અમે વિવિધ ટ્રેકનાં કાર્યોને વ્યાખ્યાયિત કરીએ છીએ અને વર્ણવીએ છીએ કે કેવી રીતે ડેટા સેટ્સને દસ ભાષાઓ માટે અસ્તિત્વમાં રહેલા ટ્રીબેન્ક્સમાંથી બનાવવામાં આવ્યા હતા. વધુમાં, અમે ભાગ લેતી સિસ્ટમોના વિવિધ અભિગમોનું વર્ણન કરીએ છીએ, પરીક્ષણ પરિણામોની જાણ કરીએ છીએ અને આ પરિણામોનું પ્રથમ વિશ્લેષણ પ્રદાન કરીએ છીએ. |
14626b05a5ec7ec2addc512f0dfa8db60d817c1b | આ કાગળમાં આપણે ઊંડા ન્યુરલ નેટવર્ક્સ પર વિશેષ ધ્યાન કેન્દ્રિત કરીને મોટા પાયે બિન-સંકુચિત ઑપ્ટિમાઇઝેશન સમસ્યાઓ માટે પ્રવેગક તકનીકોની શોધ કરીએ છીએ. એક્સ્ટ્રાપોલેશન યોજના એ કોન્વેક્સ ઓપ્ટિમાઇઝેશન માટે સ્ટોકાસ્ટિક ગ્રૅડિયન્ટ ઉતરાણને વેગ આપવા માટે એક ક્લાસિકલ અભિગમ છે, પરંતુ તે સામાન્ય રીતે બિન-કોન્વેક્સ ઓપ્ટિમાઇઝેશન માટે સારી રીતે કામ કરતું નથી. વૈકલ્પિક રીતે, અમે બિન-સંકુચિત ઑપ્ટિમાઇઝેશનને વેગ આપવા માટે ઇન્ટરપોલેશન યોજનાનો પ્રસ્તાવ કરીએ છીએ અને પદ્ધતિને ઇન્ટરપોલટ્રોન કહીએ છીએ. અમે ઇન્ટરપોલટ્રોન પાછળની પ્રેરણા સમજાવીએ છીએ અને સંપૂર્ણ પ્રયોગાત્મક વિશ્લેષણ કરીએ છીએ. સીઆઈએફએઆર -10 અને ઇમેજનેટ પર મહાન ઊંડાણોના ડીએનએન (દા. ત. , 98-સ્તર રેઝનેટ અને 200-સ્તર રેઝનેટ) પરના પ્રયોગોના પરિણામો દર્શાવે છે કે ઇન્ટરપોલટ્રોન મોમેન્ટમ અને એડમ સાથે એસજીડી જેવી રાજ્યની કલા પદ્ધતિઓ કરતાં વધુ ઝડપથી સંલગ્ન થઈ શકે છે. વધુમાં, એન્ડરસનની પ્રવેગક, જેમાં મિશ્રણ ગુણાંકને લઘુત્તમ-ચોરસ અંદાજ દ્વારા ગણવામાં આવે છે, તેનો ઉપયોગ પ્રદર્શનને સુધારવા માટે પણ થઈ શકે છે. ઇન્ટરપોલટ્રોન અને એન્ડરસનનું પ્રવેગક બંને અમલીકરણ અને ટ્યુન કરવા માટે સરળ છે. અમે એ પણ બતાવીએ છીએ કે ઇન્ટરપોલટ્રોન પાસે ચોક્કસ નિયમિતતા ધારણાઓ હેઠળ રેખીય સંકલન દર છે. |
55baef0d54403387f5cf28e2ae1ec850355cf60a | કીર્ન્સ, નીલ, રોથ અને વુ [આઇસીએમએલ 2018] એ તાજેતરમાં સમૃદ્ધ પેટાજૂથની ન્યાયીતાની કલ્પનાની દરખાસ્ત કરી હતી, જે આંકડાકીય અને વ્યક્તિગત ન્યાયીતાના ખ્યાલો વચ્ચેના અંતરને દૂર કરવા માટે બનાવાયેલ છે. સમૃદ્ધ પેટાજૂથની ન્યાયીતા આંકડાકીય ન્યાયીતાની મર્યાદા (કહેવું, સુરક્ષિત જૂથોમાં ખોટા હકારાત્મક દરને સમાન બનાવે છે), પરંતુ પછી પૂછે છે કે આ મર્યાદા એ છે કે જે સીમિત વીસી પરિમાણ સાથેના કાર્યોના વર્ગ દ્વારા વ્યાખ્યાયિત પેટાજૂથના પ્રતીકાત્મક અથવા અનંતપણે મોટા સંગ્રહ પર રાખવામાં આવે છે. તેઓ આ પ્રતિબંધને આધિન શીખવાની ખાતરી આપે છે, તે શરત હેઠળ કે તે ન્યાયીતા પ્રતિબંધ ગેરહાજર હોવાને કારણે સંપૂર્ણ રીતે શીખવા માટે ઓરેકલ્સની ઍક્સેસ ધરાવે છે. આ કાગળમાં, અમે કીર્ન્સ અને સહયોગીઓના અલ્ગોરિધમનો વ્યાપક પ્રયોગાત્મક મૂલ્યાંકન કરીએ છીએ. ચાર વાસ્તવિક ડેટાસેટ્સ પર, જેના માટે ન્યાયીતા ચિંતા છે, અમે અલ્ગોરિધમનો મૂળભૂત સંકલનની તપાસ કરીએ છીએ જ્યારે શીખવાની ઓરેકલ્સની જગ્યાએ ઝડપી હેયુરિસ્ટિક્સ સાથે ઇન્સ્ટન્ટિએટેડ હોય છે, ન્યાયીતા અને ચોકસાઈ વચ્ચેના વેપારને માપે છે, અને આ અભિગમની સરખામણી અગરવાલ, બેગેલઝાઇમર, ડુડિક, લેંગફોર્ડ અને વોલેચ [આઇસીએમએલ 2018] ના તાજેતરના અલ્ગોરિધમ સાથે કરો, જે વ્યક્તિગત સુરક્ષિત લક્ષણો દ્વારા વ્યાખ્યાયિત નબળા અને વધુ પરંપરાગત સીમાંત ન્યાયીતા પ્રતિબંધોનો અમલ કરે છે. અમે સામાન્ય રીતે તે શોધીએ છીએ, કીર્ન્સ એટ અલ. અલ્ગોરિધમનો ઝડપથી સંલગ્ન થાય છે, ચોકસાઈ માટે હળવા ખર્ચ સાથે ન્યાયીતામાં મોટા લાભો મેળવી શકાય છે, અને માત્ર સીમાંત ન્યાયીતાને આધિન ચોકસાઈને શ્રેષ્ઠ બનાવવી એ નોંધપાત્ર પેટાજૂથની અન્યાયીતા સાથે વર્ગીકરણ કરનારાઓ તરફ દોરી જાય છે. અમે કીર્ન્સ અને અન્યના ગતિશીલતા અને વર્તનના કેટલાક વિશ્લેષણ અને વિઝ્યુલાઇઝેશન પણ પ્રદાન કરીએ છીએ. અલ્ગોરિધમનો એકંદરે આપણે આ અલ્ગોરિધમનો વાસ્તવિક ડેટા પર અસરકારક હોવાનું શોધી કાઢીએ છીએ, અને સમૃદ્ધ પેટાજૂથની ન્યાયીતા વ્યવહારમાં એક સક્ષમ ખ્યાલ છે. |
6be461dd5869d00fc09975a8f8e31eb5f86be402 | કોમ્પ્યુટર એનિમેટેડ એજન્ટો અને રોબોટ્સ માનવ-કમ્પ્યુટર ક્રિયાપ્રતિક્રિયામાં સામાજિક પરિમાણ લાવે છે અને આપણને રોજિંદા જીવનમાં કોમ્પ્યુટરનો ઉપયોગ કેવી રીતે કરી શકાય તે અંગે નવી રીતે વિચારવા દબાણ કરે છે. સામ-સામે સંચાર એ 40 મિલિસેકન્ડના ક્રમમાં સમયના સ્કેલ પર કાર્યરત રીઅલ-ટાઇમ પ્રક્રિયા છે. આ સમયના સ્કેલ પર અનિશ્ચિતતાનું સ્તર નોંધપાત્ર છે, જેનાથી મનુષ્ય અને મશીનો માટે ધીમી સાંકેતિક અનુમાન પ્રક્રિયાઓ કરતાં સંવેદનાત્મક સમૃદ્ધ દ્રષ્ટિની પ્રાથમિકતાઓ પર આધાર રાખવો જરૂરી છે. આ કાગળમાં આપણે આવા એક પ્રાચીન દ્રષ્ટિની પ્રગતિ રજૂ કરીએ છીએ. સિસ્ટમ વિડીયો સ્ટ્રીમમાં આપમેળે મોરચેના ચહેરાઓને શોધી કાઢે છે અને તેમને 7 પરિમાણોના સંદર્ભમાં વાસ્તવિક સમયમાં કોડ કરે છેઃ તટસ્થ, ગુસ્સો, અપ્રિયતા, ભય, આનંદ, ઉદાસી, આશ્ચર્ય. ચહેરો શોધક એ ઉન્નત તકનીકો સાથે પ્રશિક્ષિત સુવિધા ડિટેક્ટર્સના કાસ્કેડનો ઉપયોગ કરે છે [15, 2]. ચહેરાના ડિટેક્ટર દ્વારા સ્થિત છબી પેચને એક્સપ્રેસન રેકગ્નિઝર મેળવે છે. પેચનું ગેબોર પ્રતિનિધિત્વ રચાય છે અને પછી એસવીએમ વર્ગીકરણકારોની બેંક દ્વારા પ્રક્રિયા કરવામાં આવે છે. એડબૂસ્ટ અને એસવીએમના નવલકથા સંયોજનથી કામગીરીમાં વધારો થાય છે. આ સિસ્ટમ કોહ્ન-કેનેડ ડેટાસેટ પર ચહેરાના અભિવ્યક્તિઓ [6] પર પરીક્ષણ કરવામાં આવી હતી. 7 માર્ગ ફરજિયાત પસંદગી માટે નવા વિષયો માટે સામાન્યીકરણ કામગીરી યોગ્ય. સૌથી વધુ રસપ્રદ રીતે વર્ગીકૃતકર્તાના આઉટપુટ સમયના કાર્ય તરીકે સરળતાથી બદલાય છે, જે ચહેરાના અભિવ્યક્તિ ગતિશીલતાને સંપૂર્ણપણે સ્વયંસંચાલિત અને અસ્પષ્ટ રીતે કોડ કરવા માટે સંભવિત મૂલ્યવાન પ્રતિનિધિત્વ પૂરું પાડે છે. આ સિસ્ટમ સોનીના એઇબો પાલતુ રોબોટ, એટીઆરનો રોબોવી અને સીયુ એનિમેટર સહિતના વિવિધ પ્લેટફોર્મ પર તૈનાત કરવામાં આવી છે, અને હાલમાં સ્વચાલિત વાંચન ટ્યુટર, માનવ-રોબોટ ક્રિયાપ્રતિક્રિયાના મૂલ્યાંકન સહિતના કાર્યક્રમો માટે તેનું મૂલ્યાંકન કરવામાં આવી રહ્યું છે. |
15f932d189b13786ca54b1dc684902301d34ef65 | આ કાગળમાં ઓછી શક્તિવાળા ફોટોવોલ્ટેઇક એપ્લિકેશન માટે ઉચ્ચ કાર્યક્ષમ એલએલસીસી-પ્રકારના રેઝોનન્ટ ડીસી-ડીસી કન્વર્ટર પર ચર્ચા કરવામાં આવી છે. રેઝોનન્ટ ટાંકીની વિવિધ ડિઝાઇન પદ્ધતિઓ પર ભાર મૂકવામાં આવ્યો છે. તે જ સમયે ઇન્વર્ટર તેમજ રેક્ટિફાયર બ્રિજની સોફ્ટ સ્વીચિંગને ધ્યાનમાં લેવામાં આવે છે. ડિઝાઇન નિયમોના સંદર્ભમાં, વોલ્ટેજ-સ્રોત આઉટપુટ સાથે એલએલસીસી-કન્વર્ટરની રચનામાં એક નવો પડકાર ઉકેલાઈ ગયો છે. પડઘો તત્વોની જગ્યાએ, તેમના ગુણોત્તર, દા. ત. ઇન્ડક્ટન્સિસ Ls/Lp ના ગુણોત્તરને પ્રથમ ડિઝાઇન પરિમાણો તરીકે ગણવામાં આવે છે. વધુમાં, ટ્રાન્સફોર્મર-ઇન્ડક્ટર ઉપકરણ માટે ઉતરી ડિઝાઇન નિયમ સીધા જ એકંદર એલએલસીસી-ડિઝાઇનમાં ફિટ છે. ટ્રાન્સફોર્મર્સની પ્રકૃતિને કારણે, એટલે કે ઇન્ડક્ટન્સિસ Ls/Lp નો સંબંધ માત્ર ભૌમિતિક કાર્ય છે, આ ડિઝાઇન પરિમાણ સીધા જ ભૌમિતિક દ્વારા ગણવામાં આવે છે. પ્રાયોગિક પરિણામો ઉચ્ચ કાર્યક્ષમતા દર્શાવે છે. |
f13902eb6429629179419c95234ddbd555eb2bb6 | |
07d138a54c441d6ae9bff073025f8f5eeaac4da4 | મોટા પ્રમાણમાં ડેટા પર પ્રશિક્ષિત મોટા ડીપ ન્યુરલ નેટવર્ક (ડીએનએન) મોડેલોએ તાજેતરમાં છબી અને ભાષણ ઓળખ જેવા મુશ્કેલ કાર્યો પર શ્રેષ્ઠ ચોકસાઈ પ્રાપ્ત કરી છે. કોમોડિટી મશીનોના ક્લસ્ટરનો ઉપયોગ કરીને આ DNNsને તાલીમ આપવી એ એક આશાસ્પદ અભિગમ છે કારણ કે તાલીમ સમય માંગી લે છે અને કમ્પ્યુટિંગ-સઘન છે. અત્યંત મોટા ડીએનએની તાલીમ માટે, મોડેલો મશીનોમાં વિભાજિત થાય છે. ખૂબ મોટા ડેટા સેટ્સ પર તાલીમ ઝડપી બનાવવા માટે, બહુવિધ મોડેલ પ્રતિકૃતિઓને તાલીમ ઉદાહરણોના વિવિધ સબસેટ્સ પર સમાંતર રીતે તાલીમ આપવામાં આવે છે, જેમાં વૈશ્વિક પરિમાણ સર્વર આ પ્રતિકૃતિઓ પર વહેંચાયેલ વજન જાળવી રાખે છે. મોડેલ અને ડેટા પાર્ટીશનિંગ અને એકંદર સિસ્ટમ પ્રોવિઝનિંગ માટે યોગ્ય પસંદગી DNN અને વિતરણ સિસ્ટમ હાર્ડવેર લાક્ષણિકતાઓ પર ખૂબ જ નિર્ભર છે. આ નિર્ણયો માટે હાલમાં નોંધપાત્ર ડોમેન કુશળતા અને સમય માંગી રહેલા પ્રયોગાત્મક રાજ્ય અવકાશ સંશોધન જરૂરી છે. આ કાગળ પ્રદર્શન મોડેલો વિકસાવે છે જે આ પાર્ટીશનિંગ અને પ્રોવિઝનિંગ નિર્ણયોની અસરને એકંદર વિતરણ સિસ્ટમ પ્રદર્શન અને સ્કેલેબિલિટી પર માપવા માટે કરે છે. આ ઉપરાંત, અમે આ પ્રદર્શન મોડેલોનો ઉપયોગ સ્કેલેબિલિટી ઑપ્ટિમાઇઝર બનાવવા માટે કરીએ છીએ જે શ્રેષ્ઠ સિસ્ટમ રૂપરેખાંકનને અસરકારક રીતે નિર્ધારિત કરે છે જે DNN તાલીમ સમયને ઘટાડે છે. અમે બે બેન્ચમાર્ક એપ્લિકેશન્સ પર સ્ટેટ-ઓફ-ધ-આર્ટ ડિસ્ટ્રિબ્યુટેડ ડીએનએન તાલીમ માળખુંનો ઉપયોગ કરીને અમારા પ્રદર્શન મોડેલો અને સ્કેલેબિલીટી ઑપ્ટિમાઇઝરનું મૂલ્યાંકન કરીએ છીએ. પરિણામો દર્શાવે છે કે અમારા પ્રદર્શન મોડેલો ઉચ્ચ અંદાજ ચોકસાઈ સાથે ડીએનએન તાલીમ સમયનો અંદાજ આપે છે અને અમારા સ્કેલેબિલિટી ઑપ્ટિમાઇઝર યોગ્ય રીતે શ્રેષ્ઠ રૂપરેખાંકનો પસંદ કરે છે, વિતરણ ડીએનએન તાલીમ સમયને ઘટાડે છે. |
eee686b822950a55f31d4c9c33d02c1942424785 | સારાંશ- આ કાગળ ક્વાર્ટર વેવ ટ્રાન્સફોર્મર સાથે ટી-જંકશનનો ઉપયોગ કરીને 2 x 2 ત્રિકોણાકાર માઇક્રોસ્ટ્રીપ પેચ એન્ટેનાનું વર્ણન કરે છે. પેચ એન્ટેનામાં અંતરને નિયંત્રિત કરીને અને ફીડ પોઝિશનને વ્યવસ્થિત કરીને, બેન્ડવિડ્થ મેળવી શકાય છે અને એરેનો ઉપયોગ કરીને, દિશાત્મકતામાં વધારો થાય છે. મોટી બેન્ડવિડ્થ, ઉચ્ચ દિશા અને ન્યૂનતમ કદની જરૂરિયાતથી 2 x 2 ત્રિકોણાકાર માઇક્રોસ્ટ્રીપ પેચ એન્ટેના એરેની રચના થાય છે જે ટી-જંકશન નેટવર્ક સાથે 5.5 ગીગાહર્ટ્ઝ પર કાર્ય કરે છે. FR4 સબસ્ટ્રેટ પર રચાયેલ એન્ટેના કે જેની ડાઇલેક્ટ્રિક સતત (r) 4.4 હતી, 0.02 નુકશાન સ્પર્શક અને 1.6 મીમીની જાડાઈ હતી. સિમ્યુલેટેડ પરિણામો દર્શાવે છે કે ડિઝાઇન કરેલ એન્ટેનામાં 12.91 ડીબી અને બેન્ડવિડ્થ 173 મેગાહર્ટઝ છે, જેમાં ટી-જંકશન ફીડિંગ નેટવર્કનો ઉપયોગ કરીને વીએસડબલ્યુઆર 1.07 છે. પ્રસ્તાવિત 2 x 2 ત્રિકોણાકાર એરેમાં હળવા વજન, બનાવટની સરળતા, એક સ્તરની રચના અને ઉચ્ચ દિશાત્મકતાનો લાભ છે. કીવર્ડ બેન્ડવિડ્થ, કોર્પોરેટ ફીડિંગ, રિટર્ન લોસ, ટી-જંકશન, વીએસડબલ્યુઆર. |
c707938422b60bf827ec161872641468ec1ffe00 | અમે અંતીય રાજ્યમાં મૂલ્ય કાર્યોના અવકાશના ભૌમિતિક અને ટોપોલોજિકલ ગુણધર્મો સ્થાપિત કરીએ છીએકાર્ય માર્કોવ નિર્ણય પ્રક્રિયાઓ. અમારું મુખ્ય યોગદાન તેના આકારની પ્રકૃતિનું લક્ષણ છેઃ એક સામાન્ય પોલિટોપ (એઇગ્નેર એટ અલ, 2010). આ પરિણામ દર્શાવવા માટે, અમે નીતિઓ અને મૂલ્ય કાર્યો વચ્ચેના માળખાકીય સંબંધની ઘણી મિલકતો પ્રદર્શિત કરીએ છીએ જેમાં રેખા સિદ્ધાંતનો સમાવેશ થાય છે, જે દર્શાવે છે કે એક રાજ્ય સિવાય તમામ રાજ્યો પર પ્રતિબંધિત નીતિઓના મૂલ્ય કાર્યો રેખા સેગમેન્ટનું વર્ણન કરે છે. છેલ્લે, અમે આ નવલકથા પરિપ્રેક્ષ્યનો ઉપયોગ વિઝ્યુલાઇઝેશન્સને રજૂ કરવા માટે કરીએ છીએ જે મજબૂતીકરણ શીખવાની અલ્ગોરિધમ્સની ગતિશીલતાની સમજને વધારવા માટે છે. |
86854374c13516a8ad0dc28ffd9cd4be2bca9bfc | તાજેતરના વર્ષોમાં સમસ્યાઓમાં રસ વધ્યો છે, જ્યાં ક્યાં તો અવલોકન કરેલ ડેટા અથવા છુપાયેલા રાજ્ય ચલો જાણીતા રીમેનિયન મૅનિફોલ્ડ સુધી મર્યાદિત છે. અનુક્રમિક ડેટા વિશ્લેષણમાં આ રસ પણ વધી રહ્યો છે, પરંતુ તેના બદલે ક્રૂડ અલ્ગોરિધમ્સ લાગુ કરવામાં આવ્યા છેઃ કાં તો મોન્ટે કાર્લો ફિલ્ટર્સ અથવા બ્રુટ-ફોર્સ ડિસ્ક્રેટીઝેશન. આ અભિગમો નબળી રીતે સ્કેલ કરે છે અને સ્પષ્ટપણે ગુમ થયેલ અંતર દર્શાવે છેઃ બિન-યુક્લિડિયન ડોમેન્સમાં હાલમાં કલ્મન ફિલ્ટર્સના કોઈ સામાન્ય એનાલોગ ઉપલબ્ધ નથી. આ કાગળમાં, અમે આ મુદ્દાને પ્રથમ બિન-ગંધિત પરિવર્તનને સામાન્ય કરીને અને પછી રીમેનિયન મૅનફોલ્ડ્સમાં બિન-ગંધિત કાલમેન ફિલ્ટરને સામાન્ય બનાવીને સુધારીએ છીએ. કાલ્મન ફિલ્ટરને ગૌસ-ન્યૂટન પદ્ધતિની જેમ ઑપ્ટિમાઇઝેશન અલ્ગોરિધમનો તરીકે જોવામાં આવે છે, અમારા અલ્ગોરિધમનો પણ મૅનફોલ્ડ્સ પર સામાન્ય હેતુવાળા ઑપ્ટિમાઇઝેશન ફ્રેમવર્ક પૂરું પાડે છે. અમે સૂચિત પદ્ધતિને સમજાવીએ છીએ કે જે મજબૂતતા અને સંકલનનો અભ્યાસ કરવા માટે કૃત્રિમ ડેટા પર છે, એક પ્રદેશ ટ્રેકિંગ સમસ્યા પર કોવેરેન્સ સુવિધાઓનો ઉપયોગ કરીને, એક સંકલિત ટ્રેકિંગ સમસ્યા, સરેરાશ મૂલ્ય ઑપ્ટિમાઇઝેશન અને પોઝ ઑપ્ટિમાઇઝેશન સમસ્યા. |
a075a513b2b1e8dbf9b5d1703a401e8084f9df9c | યુનિપ્લેનર કોમ્પેક્ટ ઇલેક્ટ્રોમેગ્નેટિક બેન્ડગેપ (યુસી-ઇબીજી) સબસ્ટ્રેટ પ્રિન્ટેડ એન્ટેના ભૂમિતિમાં સપાટી તરંગ ઉત્તેજના ઘટાડવા માટે અસરકારક માપદંડ સાબિત થયું છે. આ કાગળ યુસી-ઇબીજી સબસ્ટ્રેટમાં એમ્બેડ કરેલ માઇક્રોસ્ટ્રીપ એન્ટેના તબક્કાવાર એરેના પ્રદર્શનની તપાસ કરે છે. પરિણામો ઘટકો વચ્ચેના પરસ્પર જોડાણમાં ઘટાડો દર્શાવે છે અને પ્રિન્ટેડ ઘટકો સાથે તબક્કાવાર એરે એપ્લિકેશન્સમાં "બ્લાઇન્ડ સ્પોટ્સ" સમસ્યાનું સંભવિત ઉકેલ પૂરું પાડે છે. એક નવલકથા અને કાર્યક્ષમ યુસી-ઇબીજી એરે રૂપરેખાંકન સૂચવવામાં આવે છે. ઉચ્ચ ડાઇલેક્ટ્રિક સતત સબસ્ટ્રેટ પર 7/spl વખત/5 તત્વોની એક સોન્ડ ફીડ પેચ એન્ટેના તબક્કાવાર એરેની રચના, નિર્માણ અને પરીક્ષણ કરવામાં આવ્યું હતું. સિમ્યુલેશન અને માપન પરિણામો એરે સેન્ટર તત્વના સક્રિય વળતર નુકશાન અને સક્રિય પેટર્નમાં સુધારો દર્શાવે છે. શ્રેષ્ઠ પ્રદર્શન મેળવવા માટે ઉપયોગમાં લેવાતા વેપારની ચર્ચા કરવામાં આવે છે. |
16a0fde5a8ab5591a9b2985f60a04fdf50a18dc4 | વપરાશકર્તાની ઓળખ માટે ચાલને એક અસરકારક બાયોમેટ્રિક લક્ષણ માનવામાં આવે છે. જોકે કેટલાક અભ્યાસો એવા છે કે જે ચાલ આધારિત પ્રમાણીકરણ પ્રણાલીઓમાં ચાલના નમૂનાઓ/મોડલ્સને સુરક્ષિત કરવાના કાર્યને સંબોધિત કરે છે, તેઓ ચાલના ડેટાની ઓછી ભેદભાવ અને ઉચ્ચ ભિન્નતાને ધ્યાનમાં લેતા નથી જે સૂચિત સિસ્ટમોની સુરક્ષા અને પ્રાયોગિકતાને નોંધપાત્ર રીતે અસર કરે છે. આ કાગળમાં, અમે ઇનેરશિયલ-સેન્સર આધારિત વોક ક્રિપ્ટોસિસ્ટમમાં ઉપરોક્ત ખામીઓને સંબોધિત કરવા પર ધ્યાન કેન્દ્રિત કરીએ છીએ. ખાસ કરીને, અમે વૉકિંગ નમૂનાઓના ભેદભાવને વધારવા માટે રેખીય ભેદભાવ વિશ્લેષણનો લાભ લઈએ છીએ, અને ઉચ્ચ ભેદભાવ અને સ્થિર દ્વિસંગી નમૂનાને બહાર કાઢવા માટે ગ્રે કોડ ક્વોન્ટિઝેશન. 38 જુદા જુદા વપરાશકર્તાઓ પરના પ્રાયોગિક પરિણામો દર્શાવે છે કે અમારી પ્રસ્તાવિત પદ્ધતિ નોંધપાત્ર રીતે ગેટ ક્રિપ્ટોસિસ્ટમની કામગીરી અને સુરક્ષામાં સુધારો કરે છે. ખાસ કરીને, અમે 6 × 10−5% (એટલે કે, 16983 ટ્રાયલ્સમાં 1 નિષ્ફળ) અને 9.2% ની ખોટી અસ્વીકાર દર સાથે 148-બીટ સુરક્ષા સાથે ખોટા સ્વીકૃતિ દર પ્રાપ્ત કર્યો છે. |
d7fd575c7fae05e055e47d898a5d9d2766f742b9 | |
84ade3cb5b57624baee89d9e617bb5847ee07375 | |
9e5158222c911bec96d4f533cd0d7a1a0cff1731 | મલ્ટીફંક્શન એક્ટિવ ઇલેક્ટ્રોનિકલી સ્ટિઅર્ડ એન્ટેના (AESA) સિસ્ટમ્સ માટે આગામી પેઢીના RF સેન્સર મોડ્યુલોને વિવિધ ઓપરેટિંગ મોડ્સના સંયોજનની જરૂર પડશે, જેમ કે રડાર, ઇલેક્ટ્રોનિક વોરફેર (ઇડબ્લ્યુ) કાર્યક્ષમતા અને સમાન એન્ટેના ફ્રન્ટએન્ડમાં સંચાર / ડેટા લિંક્સ. તેઓ સામાન્ય રીતે સી-બેન્ડ, એક્સ-બેન્ડ અને કુ-બેન્ડમાં કામ કરે છે અને 10 ગીગાહર્ટ્ઝથી વધુની બેન્ડવિડ્થની જરૂરિયાત સૂચવે છે. આધુનિક સક્રિય ઇલેક્ટ્રોનિકલી સંચાલિત એન્ટેનાની અનુભૂતિ માટે, ટ્રાન્સમિટ / રીસીવ (ટી / આર) મોડ્યુલોને કડક ભૂમિતિની જરૂરિયાતોને અનુરૂપ હોવું જોઈએ. આ ભવિષ્યના મલ્ટીફંક્શન આરએફ સેન્સર મોડ્યુલો માટે એક મુખ્ય પડકાર અડધા તરંગલંબાઇ એન્ટેના ગ્રીડ અંતર દ્વારા નક્કી કરવામાં આવે છે, જે ભૌતિક ચેનલ પહોળાઈને <12 મીમી અથવા તેનાથી પણ ઓછા સુધી મર્યાદિત કરે છે, જે ઉચ્ચતમ ઓપરેશન આવર્તન પર આધાર રાખે છે. આ ભૌમિતિક માગને દૂર કરવા માટે એક આશાસ્પદ ઉકેલ એ છે કે કુલ મોનોલિથિક માઇક્રોવેવ ઇન્ટિગ્રેટેડ સર્કિટ (એમએમઆઇસી) ચિપ વિસ્તારને ઘટાડવો, જે વ્યક્તિગત આરએફ કાર્યક્ષમતાઓને સંકલિત કરીને પ્રાપ્ત થાય છે, જે સામાન્ય રીતે વ્યક્તિગત સંકલિત સર્કિટ (આઇસી) દ્વારા પ્રાપ્ત થાય છે, નવા મલ્ટિફંક્શનલ (એમએફસી) એમએમઆઇસીમાં. આ કાર્યમાં આગામી પેઢીના આરએફ સેન્સર મોડ્યુલો તરફ વિવિધ વિભાવનાઓ, જેમાંથી કેટલાક પહેલેથી જ અમલમાં મૂકવામાં આવ્યા છે, તેની ચર્ચા અને સમજૂતી કરવામાં આવશે. |
77a9473256f6841d40cb9198feb5b91dccf9ffd1 | આ કાગળ પાવર ફેક્ટર કરેક્શન (પીએફસી) અને ઝીરો વોલ્ટેજ સ્વિચિંગ (ઝેડવીએસ) સાથે લાઇટ-ઇમિટિંગ ડાયોડ્સ (એલઇડી) ને પાવર આપવા માટે ડિમ્મેબલ ચાર્જ-પંપ ડ્રાઇવર રજૂ કરે છે. પ્રસ્તાવિત એલઈડી ડ્રાઈવરમાં ઇલેક્ટ્રોલાઇટિક કેપેસિટરનો ઉપયોગ થતો નથી, જે ઉચ્ચ ઉપયોગી જીવનકાળ પૂરો પાડે છે, અને તે વર્તમાન સેન્સરની જરૂર વગર ઓપન લૂપ કંટ્રોલમાં આઉટપુટ વર્તમાનને સ્થિર કરી શકે છે, જે ખર્ચ ઘટાડે છે. આઉટપુટ પાવર સ્વિચિંગ ફ્રીક્વન્સી સાથે પ્રમાણસર છે, જે એલઈડીને ડિમ કરવાની મંજૂરી આપે છે. 22 વોટ સાથે એક પ્રોટોટાઇપ અમલમાં મૂકવામાં આવ્યો હતો અને પ્રાયોગિક પરિણામોની ચર્ચા કરવામાં આવી હતી. આ પ્રોટોટાઇપમાં 0.996નો પાવર ફેક્ટર અને 89.5%ની કાર્યક્ષમતા હતી. ડ્રાઇવર આઉટપુટ પાવર 53 કિલોહર્ટઝથી 30 કિલોહર્ટઝ સુધી બદલાતી વખતે સ્વિચિંગ ફ્રીક્વન્સી દ્વારા 40% થી વધુ ઘટાડો થયો હતો અને કન્વર્ટર ZVS માં કામ કરવાનું ચાલુ રાખ્યું હતું. |
b5fe4731ff6a7a7f1ad8232186e84b1f944162e0 | ક્રોસ-મીડિયા હેશિંગ, જે વિવિધ પદ્ધતિઓમાંથી ડેટાને સામાન્ય નીચા પરિમાણીય હેમિંગ સ્પેસમાં એમ્બેડ કરીને ક્રોસ-મીડિયા પુનઃપ્રાપ્તિ કરે છે, તાજેતરના વર્ષોમાં સઘન ધ્યાન આકર્ષિત કર્યું છે. આ હકીકતો દ્વારા પ્રેરિત છે a) મલ્ટીમોડલ ડેટા વ્યાપક છે, ઉદાહરણ તરીકે, ફ્લિકર પરની વેબ છબીઓ ટૅગ્સ સાથે સંકળાયેલી છે, અને બી) હેશિંગ એ મોટા પાયે ઉચ્ચ પરિમાણીય ડેટા પ્રોસેસિંગ તરફ અસરકારક તકનીક છે, જે ક્રોસ-મીડિયા પુનઃપ્રાપ્તિની પરિસ્થિતિ છે. ડીપ લર્નિંગમાં તાજેતરની પ્રગતિથી પ્રેરિત, અમે મલ્ટી-મોડલ ન્યુરલ નેટવર્ક્સ પર આધારિત ક્રોસ-મીડિયા હેશિંગ અભિગમનો પ્રસ્તાવ મૂક્યો છે. શીખવાની ઉદ્દેશ્યમાં પ્રતિબંધિત કરીને a) સંબંધિત ક્રોસ-મીડિયા ડેટા માટે હેશ કોડ્સ સમાન છે, અને b) હેશ કોડ્સ વર્ગના લેબલ્સની આગાહી કરવા માટે ભેદભાવપૂર્ણ છે, શીખી હેમિંગ સ્પેસ સારી રીતે ક્રોસ-મીડિયા સિમેન્ટીક સંબંધો મેળવવા અને સિમેન્ટીક રીતે ભેદભાવપૂર્ણ હોવાનું અપેક્ષિત છે. બે વાસ્તવિક દુનિયાના ડેટા સેટ્સ પરના પ્રયોગો દર્શાવે છે કે અમારી અભિગમ રાજ્ય-ઓફ-ધ-આર્ટ પદ્ધતિઓની તુલનામાં શ્રેષ્ઠ ક્રોસ-મીડિયા પુનઃપ્રાપ્તિ પ્રદર્શન પ્રાપ્ત કરે છે. |
9814dd00440b08caf0df96988edb4c56cfcf7bd1 | એક આકર્ષક ઉચ્ચ સ્તરના કાર્યના ઇરાદા પૂરા પાડે છે અને સ્થાનિક આયોજક માટે પર્યાવરણ વિશેની વૈશ્વિક માહિતીને સમાવિષ્ટ કરે છે, આમ લાંબા સમય સુધીના ક્ષિતિજ સાથે ખર્ચાળ વૈશ્વિક આયોજનની જરૂરિયાતને દૂર કરે છે. તે દર્શાવવામાં આવ્યું છે કે ટ્રેકટરી આયોજન એક આકર્ષક સાથેના પરિણામોમાં સિસ્ટમો પર સુધારેલ પ્રદર્શન છે જે ફક્ત સ્થાનિક આયોજન ધરાવે છે સક્રિય એસએલએએમ એસએલએએમ પ્રક્રિયા સાથે એકસાથે કાર્યક્ષમ પાથની યોજના બનાવવા માટે સ્વાયત્ત રોબોટ માટે પડકારરૂપ છે. રોબોટ, નકશા અને સેન્સર માપનની અનિશ્ચિતતાઓ અને ગતિશીલ અને ગતિશીલતાની મર્યાદાઓને આયોજન પ્રક્રિયામાં ધ્યાનમાં લેવાની જરૂર છે. આ કાગળમાં, સક્રિય એસએલએએમ સમસ્યાને શ્રેષ્ઠ પથ આયોજન સમસ્યા તરીકે ઘડવામાં આવે છે. એક નવીન તકનીક રજૂ કરવામાં આવી છે જે સ્થાનિક આયોજન વ્યૂહરચનાઓ સાથે જોડાયેલા એક આકર્ષકનો ઉપયોગ કરે છે જેમ કે મોડેલ આગાહી નિયંત્રણ (એ. કે. એ. આ સમસ્યાને ઉકેલવા માટે. |
bc32313c5b10212233007ebb38e214d713db99f9 | પુખ્ત વયના ક્લિનિકલ ઇલેક્ટ્રોકાર્ડિયોગ્રાફી (ઇસીજી) સિગ્નલ પ્રોસેસિંગ તકનીકો અને ડિજિટલ પ્રોસેસર્સની શક્તિમાં નોંધપાત્ર પ્રગતિ હોવા છતાં, બિન-આક્રમક ફેટલ ઇસીજી (એનઆઈ-એફઇસીજી) નું વિશ્લેષણ હજી પણ તેની બાળપણમાં છે. ફિઝિયોનેટ/કમ્પ્યુટિંગ ઇન કાર્ડિયોલોજી ચેલેન્જ 2013 એ સિગ્નલ પ્રોસેસિંગ તકનીકોના મૂલ્યાંકન માટે વૈજ્ઞાનિક સમુદાયને એફઈસીજી ડેટાનો એક સમૂહ જાહેર કરીને આ મર્યાદાઓને સંબોધિત કરે છે. ઉચ્ચ આવર્તન અને બેઝલાઇન ભટકતા દૂર કરવા માટે પેટના ઇસીજી સંકેતોને પ્રથમ બેન્ડ-પાસ ફિલ્ટર સાથે પૂર્વ-પ્રોસેસ કરવામાં આવ્યા હતા. જો જરૂરી હોય તો 50 હર્ટ્ઝ અથવા 60 હર્ટ્ઝ પર પાવર દખલને દૂર કરવા માટે એક નોચ ફિલ્ટર લાગુ કરવામાં આવ્યું હતું. ત્યારબાદ માતૃત્વના ઇસીજીને રદ કરવા માટે વિવિધ સ્રોત અલગ કરવાની તકનીકો લાગુ કરતા પહેલા સંકેતોને સામાન્ય બનાવવામાં આવ્યા હતા. આ તકનીકોમાં નીચેનાનો સમાવેશ થાય છેઃ નમૂના બાદબાકી, મુખ્ય / સ્વતંત્ર ઘટક વિશ્લેષણ, વિસ્તૃત કાલ્મન ફિલ્ટર અને આ પદ્ધતિઓના સબસેટનું સંયોજન (FUSE પદ્ધતિ). પેન અને ટોમ્પકિન્સ ક્યુઆરએસ ડિટેક્ટરનો ઉપયોગ કરીને તમામ અવશેષો પર ફેટલ ક્યુઆરએસ તપાસ કરવામાં આવી હતી અને સૌથી સરળ ફેટલ હાર્ટ રેટ સમય શ્રેણી સાથે અવશેષ ચેનલ પસંદ કરવામાં આવી હતી. FUSE અલ્ગોરિધમનો તાલીમ ડેટા સેટ પરની તમામ વ્યક્તિગત પદ્ધતિઓ કરતાં વધુ સારી કામગીરી બજાવી હતી. માન્યતા અને પરીક્ષણ સમૂહો પર, શ્રેષ્ઠ પડકારના સ્કોર્સ મેળવવામાં આવ્યા હતા E1 = 179.44, E2 = 20.79, E3 = 153.07, E4 = 29.62 અને E5 = 4.67 અનુક્રમે ઘટનાઓ 1-5 માટે FUSE પદ્ધતિનો ઉપયોગ કરીને. આ ચેલેન્જમાં ભાગ લેનાર 53 આંતરરાષ્ટ્રીય ટીમોમાંથી E1 અને E2 માટે શ્રેષ્ઠ ચેલેન્જ સ્કોર અને E3, E4 અને E5 માટે ત્રીજા અને બીજા શ્રેષ્ઠ ચેલેન્જ સ્કોર હતા. પરિણામો દર્શાવે છે કે ગર્ભના હૃદય દરના અંદાજ માટે હાલના પ્રમાણભૂત અભિગમોને એકસાથે અંદાજકર્તાઓના સંમિશ્રણ દ્વારા સુધારી શકાય છે. અમે વર્ણવેલ દરેક પ્રમાણભૂત અભિગમો માટે બેંચમાર્કિંગને સક્ષમ કરવા માટે ખુલ્લા સ્રોત કોડ પ્રદાન કરીએ છીએ. |
09f13c590f19dce53dfd8530f8cbe8044cce33ed | તાજેતરના વર્ષોમાં, વિવિધ ભૌતિક ક્રિયાપ્રતિક્રિયાઓનું સંચાલન કરવા માટે ઘણા વપરાશકર્તા-ઇન્ટરફેસ ઉપકરણો દેખાય છે. માઇક્રોસોફ્ટ કિનેક્ટ કેમેરા એ એક ક્રાંતિકારી અને ઉપયોગી ઊંડાણ કેમેરા છે જે હાવભાવ અથવા ગતિ શોધ દ્વારા એક્સબોક્સ પ્લેટફોર્મ પર ઇન્ટરેક્ટિવ ગેમિંગનો નવો વપરાશકર્તા અનુભવ આપે છે. આ કાગળમાં અમે માઇક્રોસોફ્ટ કિનેક્ટ સેન્સરનો ઉપયોગ કરીને ક્વાડ્રોટર એઆર ડ્રોનને નિયંત્રિત કરવા માટેનો અભિગમ રજૂ કરીએ છીએ. |
ca78c8c4dbe4c92ba90c8f6e1399b78ced3cf997 | આ કાગળમાં અમે બતાવીએ છીએ કે ધ્યાન અને આઉટપુટ વચ્ચેના સંયુક્ત વિતરણની સરળ બીમ અંદાજ અનુક્રમથી અનુક્રમ શીખવા માટે સરળ, સચોટ અને કાર્યક્ષમ ધ્યાન પદ્ધતિ છે. આ પદ્ધતિમાં હાર્ડ ધ્યાનમાં તીવ્ર ધ્યાન કેન્દ્રિત કરવાનો ફાયદો અને સોફ્ટ ધ્યાનના અમલીકરણની સરળતાનો સમાવેશ થાય છે. પાંચ અનુવાદ અને બે મોર્ફોલોજિકલ ઇન્ફ્લેક્શન કાર્યો પર અમે હાલના ધ્યાન પદ્ધતિઓની તુલનામાં BLEU માં સહેલાઇથી અને સતત લાભો બતાવીએ છીએ. |
abdb694ab4b1cb4f54f07ed16a657765ce8c47f5 | નવીનીકરણની લાક્ષણિકતાઓ અને નવીનીકરણ અપનાવવા અને અમલીકરણ સાથેના તેમના સંબંધ સાથે સંબંધિત સિત્તેર-પાંચ લેખોની સમીક્ષા અને મેટા-વિશ્લેષણ કરવામાં આવ્યું હતું. વિશ્લેષણના એક ભાગમાં હાલના અભ્યાસોની પદ્ધતિસરની રૂપરેખા બનાવવી અને આને અનુમાનિત શ્રેષ્ઠ અભિગમ સાથે વિપરીત બનાવવી. અભ્યાસના બીજા ભાગમાં હાલના પ્રયોગોના તારણોની સામાન્યતા અને સુસંગતતાનું મૂલ્યાંકન કરવા માટે મેટા-વિશ્લેષણાત્મક આંકડાકીય તકનીકોનો ઉપયોગ કરવામાં આવ્યો હતો. નવીનીકરણના ત્રણ લક્ષણો (સુસંગતતા, સંબંધિત લાભ અને જટિલતા) નવીનીકરણ અપનાવવા માટે સૌથી વધુ સુસંગત નોંધપાત્ર સંબંધ ધરાવે છે. આ વિસ્તારમાં ભવિષ્યમાં સંશોધન માટે સૂચનો કરવામાં આવ્યા હતા. |
518fd110bbf86df5259fb99126173d626a2ff744 | અમે મોબાઇલ મેનિપ્યુલેટર જેવા કે પર્સનલ રોબોટ્સ અને એસેમ્બલી લાઇન રોબોટ્સ માટે ટ્રેકટરીઓ પર પસંદગીઓ શીખવાની સમસ્યાને ધ્યાનમાં લઈએ છીએ. આપણે જે પસંદગીઓ શીખીએ છીએ તે ટ્રેકટોરી પર સરળ ભૌમિતિક પ્રતિબંધો કરતાં વધુ જટિલ છે; તેઓ પર્યાવરણમાં વિવિધ પદાર્થો અને માનવ ક્રિયાપ્રતિક્રિયાઓના આસપાસના સંદર્ભ દ્વારા સંચાલિત છે. અમે સંદર્ભમાં સમૃદ્ધ વાતાવરણમાં પસંદગીઓ શીખવવા માટે સહયોગી ઓનલાઇન શિક્ષણ માળખું પ્રસ્તાવિત કરીએ છીએ. આ અભિગમની મુખ્ય નવીનતા વપરાશકર્તા પાસેથી અપેક્ષિત પ્રતિસાદના પ્રકારમાં રહેલી છે: માનવ વપરાશકર્તાને તાલીમ ડેટા તરીકે શ્રેષ્ઠ ટ્રેકટરી દર્શાવવાની જરૂર નથી, પરંતુ ફક્ત પુનરાવર્તિત રીતે ટ્રેકટરી પ્રદાન કરવાની જરૂર છે જે હાલમાં સિસ્ટમ દ્વારા પ્રસ્તાવિત ટ્રેકટરીમાં થોડો સુધારો કરે છે. અમે દલીલ કરીએ છીએ કે આ સહકાર્યપ્રેરણા પ્રતિસાદ શ્રેષ્ઠ ટ્રેકટોરીના પ્રદર્શન કરતાં વધુ સરળતાથી ઉશ્કેરવામાં આવે છે. તેમ છતાં, અમારા અલ્ગોરિધમનો સૈદ્ધાંતિક દિલગીરીની સીમાઓ શ્રેષ્ઠ ટ્રેકટરી અલ્ગોરિધમ્સના અસાઇમ્પ્ટોટિક દરો સાથે મેળ ખાય છે. અમે અમારા અલ્ગોરિધમનો અમલ કરીએ છીએ બે ઉચ્ચ ડિગ્રી-ફ્રીડમ રોબોટ્સ, PR2 અને બૅક્સટર, અને આવા ઇન્ક્રીમેન્ટલ પ્રતિસાદ પૂરા પાડવા માટે ત્રણ સાહજિક પદ્ધતિઓ રજૂ કરે છે. અમારા પ્રાયોગિક મૂલ્યાંકનમાં અમે બે સંદર્ભ સમૃદ્ધ સેટિંગ્સ, ઘરના કામકાજ અને કરિયાણાની દુકાન ચેકઆઉટને ધ્યાનમાં લઈએ છીએ, અને બતાવીએ છીએ કે વપરાશકર્તાઓ રોબોટને ફક્ત થોડા પ્રતિસાદ (ફક્ત થોડી મિનિટો લેતા) સાથે તાલીમ આપવા માટે સક્ષમ છે. |
9f927249d7b33b91ca23f8820e21b22a6951a644 | મિલીમીટર વેવ (એમએમવેવ) સેલ્યુલર સિસ્ટમ્સના ઉચ્ચ ડેટા રેટને સક્ષમ કરવા માટે બેઝ સ્ટેશન અને મોબાઇલ વપરાશકર્તાઓ બંને પર મોટી એન્ટેના એરેને જમાવવાની જરૂર છે. મિલીમીટર તરંગ સેલ્યુલર નેટવર્કના કવરેજ અને રેટ પર અગાઉના કામ એવા કિસ્સામાં કેન્દ્રિત હતા જ્યારે બેઝ સ્ટેશનો અને મોબાઇલ બીમફોર્મિંગ વેક્ટર્સ મહત્તમ બીમફોર્મિંગ ગેઇન્સ માટે પૂર્વનિર્ધારિત હોય છે. બીમ ફોર્મીંગ/કોમ્બિનેટિંગ વેક્ટર્સની ડિઝાઇન કરવા માટે, તાલીમ જરૂરી છે, જે એસઆઇએનઆર કવરેજ અને એમએમવેવ સિસ્ટમ્સની રેટ બંનેને અસર કરી શકે છે. આ કાગળ બીમ તાલીમ / એસોસિએશન ઓવરહેડ માટે એકાઉન્ટિંગ કરતી વખતે એમએમડબલ્યુ સેલ્યુલર નેટવર્કની કામગીરીનું મૂલ્યાંકન કરે છે. પ્રથમ, પ્રારંભિક બીમ એસોસિએશન માટેનું મોડેલ બીમ સ્વેપિંગ અને ડાઉનલિંક નિયંત્રણ પાયલોટ ફરીથી ઉપયોગ પર આધારિત છે. બીમ તાલીમનો પ્રભાવ સામેલ કરવા માટે, અસરકારક વિશ્વસનીય દર તરીકે ઓળખાતા નવા મેટ્રિકને વ્યાખ્યાયિત અને અપનાવવામાં આવે છે. સ્ટોકાસ્ટિક ભૂમિતિનો ઉપયોગ કરીને, એમએમવેવ સેલ્યુલર નેટવર્ક્સનો અસરકારક દર બે ખાસ કિસ્સાઓ માટે મેળવવામાં આવે છેઃ નજીકના ઓર્થોગોનલ પાઇલોટ્સ અને સંપૂર્ણ પાઇલોટ પુનઃઉપયોગ. વિશ્લેષણ અને સિમ્યુલેશનના પરિણામો બે મહત્વપૂર્ણ પ્રશ્નોના જવાબો આપે છે. પ્રથમ, એમએમવેવ નેટવર્ક પ્રદર્શન પર બીમ એસોસિએશનની અસર શું છે? તો, ઓર્થોગોનલ અથવા ફરીથી ઉપયોગમાં લેવાતા પાઇલટ્સનો ઉપયોગ કરવો જોઈએ? પરિણામો દર્શાવે છે કે જ્યાં સુધી ઉપયોગમાં લેવાતા બીમ ખૂબ વિશાળ ન હોય ત્યાં સુધી, સંપૂર્ણ પાયલોટ ફરીથી ઉપયોગ સાથે પ્રારંભિક બીમ તાલીમ લગભગ સંપૂર્ણ બીમ ગોઠવણી જેટલી જ સારી છે. |
6bd1f2782d6c8c3066d4e7d7e3afb995d79fa3dd | અર્થપૂર્ણ સેગ્મેન્ટેશન અલ્ગોરિધમનો છબીમાં દરેક પિક્સેલને લેબલ સોંપવો જોઈએ. તાજેતરમાં, ડીપ લર્નિંગને કારણે આરજીબી ઇમેજરીનું સિમેન્ટીક સેગ્મેન્ટેશન નોંધપાત્ર રીતે આગળ વધ્યું છે. કારણ કે અર્થપૂર્ણ સેગ્મેન્ટેશન માટે ડેટાસેટ્સ બનાવવી એ મજૂર છે, આ ડેટાસેટ્સ ઑબ્જેક્ટ ઓળખ ડેટાસેટ્સ કરતાં નોંધપાત્ર રીતે નાના હોય છે. આ સીધી રીતે ઊંડા ન્યુરલ નેટવર્કને સિમેન્ટીક સેગ્મેન્ટેશન માટે તાલીમ આપવાનું મુશ્કેલ બનાવે છે, કારણ કે તે ઓવરફિટિંગ માટે સંવેદનશીલ હશે. આનો સામનો કરવા માટે, ડીપ લર્નિંગ મોડેલો સામાન્ય રીતે મોટા પાયે છબી વર્ગીકરણ ડેટાસેટ્સ પર પૂર્વ-પ્રશિક્ષિત કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સનો ઉપયોગ કરે છે, જે પછી સિમેન્ટીક સેગ્મેન્ટેશન માટે ફાઇન-ટ્યુન થાય છે. નોન-આરજીબી છબીઓ માટે, આ હાલમાં શક્ય નથી કારણ કે મોટા પાયે લેબલવાળા નોન-આરજીબી ડેટાસેટ્સ અસ્તિત્વમાં નથી. આ કાગળમાં, અમે મલ્ટિ-સ્પેક્ટ્રલ રિમોટ સેન્સિંગ ઇમેજરીના અર્થપૂર્ણ સેગમેન્ટેશન માટે બે ઊંડા ન્યુરલ નેટવર્ક્સ વિકસાવ્યા છે. લક્ષ્ય ડેટાસેટ પર તાલીમ આપતા પહેલા, અમે મોટા પ્રમાણમાં કૃત્રિમ મલ્ટીસ્પેક્ટ્રલ ઇમેજરી સાથે નેટવર્ક્સને પ્રારંભ કરીએ છીએ. અમે બતાવીએ છીએ કે આ વાસ્તવિક દુનિયામાં રિમોટ સેન્સિંગ ઇમેજરી પરના પરિણામોમાં નોંધપાત્ર સુધારો કરે છે, અને અમે પડકારરૂપ હેમલિન બીચ સ્ટેટ પાર્ક ડેટાસેટ પર એક નવું રાજ્ય-ઓફ-ધ-આર્ટ પરિણામ સ્થાપિત કરીએ છીએ. |
9e9b8832b9e727d5f7a61cedfa4bdf44e8969623 | આ કાગળમાં વૈશ્વિક ઉકેલો શોધવા માટે મોટા પાયે બિન-રેખીય ઑપ્ટિમાઇઝેશન સમસ્યાઓ માટે Teaching-Learning-Based Optimization (TLBO) નામની એક કાર્યક્ષમ ઑપ્ટિમાઇઝેશન પદ્ધતિનો પ્રસ્તાવ મૂકવામાં આવ્યો છે. પ્રસ્તાવિત પદ્ધતિ વર્ગમાં શીખનારાઓના આઉટપુટ પર શિક્ષકના પ્રભાવની અસર પર આધારિત છે. પદ્ધતિની મૂળભૂત ફિલસૂફી વિગતવાર સમજાવી છે. આ પદ્ધતિની અસરકારકતા વિવિધ લાક્ષણિકતાઓ સાથે ઘણી બેંચમાર્ક સમસ્યાઓ પર ચકાસાયેલ છે અને પરિણામોની સરખામણી અન્ય વસતી આધારિત પદ્ધતિઓ સાથે કરવામાં આવે છે. 2011 એલ્સેવીયર ઇન્ક. બધા અધિકારો અનામત છે. |
3ca6ab58ae015860098d800a9942af9df4d1e090 | શોધ આધારિત ગ્રાફ ક્વેરીઝ, જેમ કે ટૂંકા પાથ અને આઇસોમોર્ફિક સબગ્રાફ્સ શોધવી, મેમરી લેટન્સી દ્વારા પ્રભુત્વ ધરાવે છે. જો ઇનપુટ ગ્રાફને યોગ્ય રીતે વિભાજિત કરી શકાય છે, તો મોટા ક્લસ્ટર-આધારિત કમ્પ્યુટિંગ પ્લેટફોર્મ્સ આ ક્વેરીઝ ચલાવી શકે છે. જો કે, ઇનપુટ ગ્રાફના દરેક શિખર પર કમ્પ્યુટ-બાઉન્ડ પ્રોસેસિંગનો અભાવ અને પડોશીઓને પુનઃપ્રાપ્ત કરવાની સતત જરૂરિયાત ઓછી પ્રોસેસર ઉપયોગિતા સૂચવે છે. વધુમાં, ગ્રાફ વર્ગો જેમ કે સ્કેલ-ફ્રી સોશિયલ નેટવર્ક્સમાં પાર્ટીશનિંગને સ્પષ્ટ રીતે અસરકારક બનાવવા માટે સ્થાનિકતાનો અભાવ છે. મોટા પાયે મલ્ટીથ્રીડિંગ એ એક વૈકલ્પિક આર્કિટેક્ચરલ પેરાડિગમ છે, જેમાં મોટી વહેંચાયેલ મેમરી પ્રોસેસરો સાથે જોડવામાં આવે છે જેમાં ઘણા થ્રેડ સંદર્ભોને ટેકો આપવા માટે વધારાના હાર્ડવેર હોય છે. પ્રોસેસરની ઝડપ સામાન્ય કરતાં ધીમી હોય છે, અને કોઈ ડેટા કેશ નથી. મેમરી લેટેન્સીને ઘટાડવાને બદલે, મલ્ટિથ્રેડેડ મશીનો તેને સહન કરે છે. આ પરિચય ગ્રાફ શોધની સમસ્યા સાથે સારી રીતે સંરેખિત છે, કારણ કે મેમરી વિનંતીઓ અને ગણતરીના ઉચ્ચ ગુણોત્તરને મલ્ટિથ્રીડિંગ દ્વારા સહન કરી શકાય છે. આ કાગળમાં, અમે મલ્ટિથ્રેડેડ ગ્રાફ લાઇબ્રેરી (એમટીજીએલ) રજૂ કરીએ છીએ, મલ્ટિથ્રેડેડ કમ્પ્યુટર્સ પર સિમેન્ટીક ગ્રાફ્સની પ્રક્રિયા માટે સામાન્ય ગ્રાફ ક્વેરી સૉફ્ટવેર. આ લાઇબ્રેરી હાલમાં સીરીયલ મશીનો અને ક્રે એમટીએ -2 પર ચાલે છે, પરંતુ સેન્ડિયા રન-ટાઇમ સિસ્ટમ વિકસાવી રહી છે જે સિમેટ્રિક મલ્ટિપ્રોસેસર પર એમટીજીએલ આધારિત કોડ ચલાવવાનું શક્ય બનાવશે. અમે કનેક્ટેડ ઘટકો માટે મલ્ટીથ્રેડેડ અલ્ગોરિધમનો અને અચોક્કસ સબગ્રાફ આઇસોમોર્ફિઝમ માટે એક નવો હ્યુરિસ્ટિક રજૂ કરીએ છીએ. અમે મોટા પાયે મુક્ત ગ્રાફ્સ પર આ અને અન્ય મૂળભૂત ગ્રાફ અલ્ગોરિધમ્સના પ્રદર્શનની શોધ કરીએ છીએ. અમે ક્રે એમટીએ -2 અને બ્લુ જીન / લાઇટ વચ્ચે એસટી કનેક્ટિવિટી માટે પ્રદર્શનની તુલના સાથે તારણ કાઢ્યું છે. |
d4c65ee21bb8d64b8e4380f80ad856a1629b5949 | બ્રોડબેન્ડ ઓર્થો-મોડ ટ્રાન્સડ્યુસર્સમાં ડ્યુઅલ ઓર્થોગોનલ લીનિયર પોલરાઇઝેશનને અલગ કરવા માટે ફોલ્ડ્ડ લેટરલ આર્મ્સ સાથે વેવગાઇડ ડિવાઇડર રજૂ કરવામાં આવે છે. આ માળખું જાણીતા ડબલ સિમેટ્રી જંકશન પર આધારિત છે, જ્યાં મેટાલિક પિનને દૂર કરવામાં આવ્યા છે અને બાજુના આઉટપુટને સંયુક્ત અસર પ્રાપ્ત કરવા માટે ફોલ્ડ કરવામાં આવ્યા છેઃ ઊભી ધ્રુવીકરણ માટે મેળ ખાતી અને ખૂબ નોંધપાત્ર કદ ઘટાડવું. વધુમાં, કારણ કે બાજુની શાખાઓ માટેનો માર્ગ ઘટાડવામાં આવ્યો છે, વિવિધ ધ્રુવીકરણો માટે દાખલ થયેલા નુકસાન સંતુલિત છે. ઓર્થોગોનલ પોલરાઇઝેશન વચ્ચેનું અલગતા જંકશનની ડબલ-સિમિત્રીને કારણે રાખવામાં આવે છે. યાંત્રિક દ્રષ્ટિકોણથી, પ્રસ્તાવિત જંકશન ઓર્થો-મોડ ટ્રાન્સડ્યુસરના ભાગોનું વધુ સરળ ઉત્પાદન અને એસેમ્બલ કરવાની મંજૂરી આપે છે, જે કુ-બેન્ડ ડિઝાઇન સાથે દર્શાવવામાં આવ્યું છે, જે સંપૂર્ણ કુ-બેન્ડને 12.6 થી 18.25 ગીગાહર્ટ્ઝ સુધી આવરી લે છે. પ્રાયોગિક પ્રોટોટાઇપમાં ડિઝાઇન બેન્ડમાં 28 ડીબીથી વધુ સારી રીતે માપવામાં આવેલ વળતરનું નુકસાન અને બંને ધ્રુવીકરણ માટે 0.15 ડીબી કરતા ઓછું દાખલ નુકસાન દર્શાવવામાં આવ્યું છે. |
db3259ae9e7f18a319cc24229662da9bf400221a | |
10dae7fca6b65b61d155a622f0c6ca2bc3922251 | |
5021c5f6d94ffaf735ab941241ab21e0c491ffa1 | મેચિંગ અને પુનઃપ્રાપ્તિ કાર્યોમાં તેમની કામગીરીમાં સુધારો કરવા માટે એમએસઇઆર સુવિધાઓને ફરીથી વ્યાખ્યાયિત કરવામાં આવે છે. પ્રસ્તાવિત સિમસેર સુવિધાઓ (એટલે કે. સ્કેલ-અસંવેદનશીલ એમએસઇઆર) એ અંતરિયાળ પ્રદેશો છે જે માત્ર થ્રેશોલ્ડ ફેરફારો (એમએસઇઆર જેવા) હેઠળ જ મહત્તમ સ્થિર નથી, પરંતુ વધુમાં, છબી પુનઃ માપન (સુંવાળું) હેઠળ. આ પ્રકારના ફેરફારના સૈદ્ધાંતિક ફાયદાઓની ચર્ચા કરવામાં આવી છે. તે પણ પ્રાયોગિક રીતે પ્રારંભિક રીતે ચકાસાયેલ છે કે આવા ફેરફાર એમએસઇઆરએસના મૂળભૂત ગુણધર્મોને જાળવી રાખે છે, એટલે કે લક્ષણોની સરેરાશ સંખ્યા, પુનરાવર્તિતતા અને કમ્પ્યુટેશનલ જટિલતા (જે માત્ર ઉપયોગમાં લેવાતા સ્કેલની સંખ્યા દ્વારા ગુણાકારમાં વધારો થાય છે), જ્યારે પ્રદર્શન (સામાન્ય સીબીવીઆઇઆર મેટ્રિક્સ દ્વારા માપવામાં આવે છે) નોંધપાત્ર રીતે સુધારી શકાય છે. ખાસ કરીને, બેંચમાર્ક ડેટાસેટ્સના પરિણામોમાં વર્ણનકાર-આધારિત મેચિંગ અને શબ્દ-આધારિત મેચિંગ બંને માટે રિકોલ મૂલ્યોમાં નોંધપાત્ર વધારો દર્શાવે છે. સામાન્ય રીતે, સિમસર્સ મોટા દ્રશ્ય શબ્દભંડોળ સાથે ઉપયોગ માટે ખાસ કરીને યોગ્ય લાગે છે, દા. ત. મોટા પાયે ડેટાબેઝમાં બોટવર્ડની પૂર્વ-પુનઃપ્રાપ્તિ કામગીરીની ગુણવત્તા સુધારવા માટે તેનો ભવિષ્યમાં ઉપયોગ કરી શકાય છે. |
e23c9687ba0bf15940af76b7fa0e0c1af9d3156e | કન્ઝ્યુમર ઇલેક્ટ્રોનિક્સ ઉદ્યોગ 240 અબજ ડોલરની વૈશ્વિક ઉદ્યોગ છે જેમાં બહુ ઓછી સંખ્યામાં અત્યંત સ્પર્ધાત્મક વૈશ્વિક ખેલાડીઓ છે. અમે આ ઉદ્યોગમાં કોઈપણ વૈશ્વિક સપ્લાય ચેઇન સાથે સંકળાયેલા ઘણા જોખમોનું વર્ણન કરીએ છીએ. ઉદાહરણ તરીકે, અમે સેમસંગ ઇલેક્ટ્રોનિક્સ અને તેની પેટાકંપની, સેમસંગ ઇલેક્ટ્રોનિક્સ યુકે, દ્વારા આ જોખમોને ઘટાડવા માટે લેવામાં આવેલા પગલાઓની યાદી પણ આપી છે. જોખમોનું વર્ણન અને ઘટાડાના પ્રયાસોનું ઉદાહરણ ભવિષ્યના સંશોધનની ક્ષેત્રોને ઓળખવા માટે પૃષ્ઠભૂમિ પૂરું પાડે છે. |
2f52cbef51a6a8a2a74119ad821526f9e0b57b39 | એસએપી હના ડેટાબેઝને વ્યવહારિક રીતે સુસંગત ઓપરેશનલ વર્કલોડ્સ સાથે સંયોજનમાં જટિલ વ્યવસાય વિશ્લેષણાત્મક પ્રક્રિયાઓને ટેકો આપવા માટે એસએપી હના એપ્લાયન્સના કોર તરીકે સ્થાન આપવામાં આવ્યું છે. આ કાગળમાં, અમે એસએપી હના ડેટાબેઝની મૂળભૂત લાક્ષણિકતાઓની રૂપરેખા આપીએ છીએ, જે વિશિષ્ટ લક્ષણો પર ભાર મૂકે છે જે એસએપી હના ડેટાબેઝને અન્ય ક્લાસિક રિલેશનલ ડેટાબેઝ મેનેજમેન્ટ સિસ્ટમ્સથી અલગ પાડે છે. તકનીકી બાજુ પર, એસએપી હના ડેટાબેઝમાં ડેટા પ્રોસેસિંગના સંપૂર્ણ સ્પેક્ટ્રમ પૂરા પાડવા માટે વિતરણ ક્વેરી પ્રોસેસિંગ પર્યાવરણ સાથે બહુવિધ ડેટા પ્રોસેસિંગ એન્જિનનો સમાવેશ થાય છે - ક્લાસિક રિલેશનલ ડેટાથી હાયબ્રિડ એન્જિનમાં પંક્તિ અને કૉલમ લક્ષી ભૌતિક પ્રતિનિધિત્વ બંનેને ટેકો આપવા માટે, સમાન સિસ્ટમમાં અર્ધ-અને અનસ્ટ્રક્ચર્ડ ડેટા મેનેજમેન્ટ માટે ગ્રાફ અને ટેક્સ્ટ પ્રોસેસિંગ. વધુ એપ્લિકેશન લક્ષી દ્રષ્ટિકોણથી, અમે મૂળ રૂપે અમલમાં મૂકાયેલા વ્યવસાયિક કાર્યોના બિલ્ટ-ઇન સેટ સાથે બહુવિધ ડોમેન-વિશિષ્ટ ભાષાઓના એસએપી હના ડેટાબેઝ દ્વારા પ્રદાન કરેલા વિશિષ્ટ સપોર્ટની રૂપરેખા આપીએ છીએ. એસક્યુએલ - રિલેશનલ ડેટાબેઝ સિસ્ટમ્સ માટે લિંગુઆ ફ્રાન્કા તરીકે - હવે આધુનિક એપ્લિકેશન્સની તમામ જરૂરિયાતોને પૂર્ણ કરવા માટે ગણવામાં આવી શકતું નથી, જે ડેટા મેનેજમેન્ટ સ્તર સાથેની ચુસ્ત ક્રિયાપ્રતિક્રિયાની માંગ કરે છે. તેથી, એસએપી હના ડેટાબેઝ એપ્લિકેશન સિમેન્ટીક્સને અંતર્ગત ડેટા મેનેજમેન્ટ પ્લેટફોર્મ સાથે વિનિમય કરવાની મંજૂરી આપે છે જેનો ઉપયોગ ક્વેરીની અભિવ્યક્તિ વધારવા અને વ્યક્તિગત એપ્લિકેશન-થી-ડેટાબેઝ રાઉન્ડ ટ્રિપ્સની સંખ્યા ઘટાડવા માટે થઈ શકે છે. |
3a011bd31f1de749210b2b188ffb752d9858c6a6 | અમે મોટા સુસંસ્કૃત નેટવર્ક્સ તરફ નિર્ણય સહાયક સુવિધાઓ વિસ્તૃત કરવાનું વિચારી રહ્યા છીએ, જેના પર મલ્ટી-ડાયમેન્શનલ લક્ષણો નેટવર્ક એન્ટિટીઝ સાથે સંકળાયેલા છે, આમ કહેવાતા મલ્ટી-ડાયમેન્શનલ નેટવર્ક્સ રચે છે. ડેટા વેરહાઉસ અને ઓએલએપી (ઓનલાઇન એનાલિટિકલ પ્રોસેસિંગ) ટેકનોલોજી સંબંધ ડેટા પર નિર્ણય સહાય માટે અસરકારક સાધનો સાબિત થયા છે. જો કે, તેઓ નવા છતાં મહત્વપૂર્ણ બહુપરિમાણીય નેટવર્ક્સને સંભાળવા માટે સારી રીતે સજ્જ નથી. આ કાગળમાં, અમે ગ્રાફ ક્યુબ, એક નવું ડેટા વેરહાઉસિંગ મોડેલ રજૂ કરીએ છીએ જે મોટા મલ્ટિડિમેન્શનલ નેટવર્ક્સ પર અસરકારક રીતે ઓએલએપી ક્વેરીઝને સપોર્ટ કરે છે. બંને લક્ષણોના સંકલન અને માળખાના સારાંશને ધ્યાનમાં રાખીને, ગ્રાફ ક્યુબ પરંપરાગત ડેટા ક્યુબ મોડેલથી આગળ વધે છે જે ફક્ત સંખ્યાત્મક મૂલ્ય આધારિત જૂથ દ્વારા છે, આમ દરેક શક્ય બહુ-પરિમાણીય જગ્યામાં વધુ સમજદાર અને માળખું સમૃદ્ધ એકંદર નેટવર્કમાં પરિણમે છે. પરંપરાગત ક્યુબોઇડ ક્વેરીઝ ઉપરાંત, ઓએલએપી ક્વેરીઝનો એક નવો વર્ગ, ક્રોસબોઇડ રજૂ કરવામાં આવ્યો છે, જે બહુપરિમાણીય નેટવર્ક્સમાં અનન્ય રીતે ઉપયોગી છે અને તેનો પહેલાં અભ્યાસ કરવામાં આવ્યો નથી. અમે મલ્ટી-ડાયમેન્શનલ નેટવર્ક્સની વિશેષ લાક્ષણિકતાઓને હાલની સારી રીતે અભ્યાસ કરેલી ડેટા ક્યુબ તકનીકો સાથે જોડીને ગ્રાફ ક્યુબને અમલમાં મૂકીએ છીએ. અમે વાસ્તવિક દુનિયાના ડેટા સેટ્સની શ્રેણી પર વ્યાપક પ્રાયોગિક અભ્યાસ કરીએ છીએ અને ગ્રાફ ક્યુબ મોટા મલ્ટિડિમેન્શનલ નેટવર્ક્સ પર નિર્ણય સહાય માટે એક શક્તિશાળી અને કાર્યક્ષમ સાધન હોવાનું દર્શાવવામાં આવ્યું છે. |
4b573416043cf9cff42cbb7b753993c907a2be4a | ઘણા પરંપરાગત અને નવા બિઝનેસ એપ્લિકેશન્સ સ્વાભાવિક રીતે ગ્રાફસ્ટ્રક્ચર્ડ ડેટા સાથે કામ કરે છે અને તેથી ડેટા મેનેજમેન્ટ લેયરમાં પ્રદાન કરેલા ગ્રાફ અવિભાજ્ય અને ઓપરેશન્સથી લાભ મેળવે છે. પ્રોપર્ટી ગ્રાફ ડેટા મોડેલ માત્ર સ્કીમા લવચીકતા જ નહીં પરંતુ ડેટા અને મેટાડેટાને સંયુક્ત રીતે મેનેજ અને પ્રોસેસ કરવાની મંજૂરી આપે છે. લાક્ષણિક ગ્રાફ ઓપરેશન્સને ડેટાબેઝ એન્જિનમાં સીધા જ અમલમાં મૂકીને અને તેમને સાહજિક પ્રોગ્રામિંગ ઇન્ટરફેસ અને ઘોષણાત્મક ભાષાના સ્વરૂપમાં ખુલ્લા કરીને, જટિલ બિઝનેસ એપ્લિકેશન લોજિકને વધુ સરળતાથી વ્યક્ત કરી શકાય છે અને ખૂબ જ અસરકારક રીતે ચલાવી શકાય છે. આ કાગળમાં અમે ગ્રાફ ડેટા સપોર્ટ સાથે એસએપી હના ડેટાબેઝને વિસ્તૃત કરવા માટે અમારા ચાલુ કાર્યનું વર્ણન કરીએ છીએ. અમે તેને SAP HANA સાથે આધુનિક બિઝનેસ એપ્લિકેશન્સ માટે કાર્યક્ષમ અને સાહજિક ડેટા મેનેજમેન્ટ પ્લેટફોર્મ પૂરું પાડવાના માર્ગ પર આગળનું પગલું માનીએ છીએ. |
16af753e94919ca257957cee7ab6c1b30407bb91 | |
cc75568885ab99851cc0e0ea5679121606121e5d | કામના શ્વાનને તાલીમ અને સંભાળવાની પ્રક્રિયા ખર્ચાળ છે અને વિશિષ્ટ કુશળતા અને તકનીકોની જરૂર છે. ઓછી વ્યક્તિલક્ષી અને ઓછી કિંમતની તાલીમ તકનીકો આ શ્વાનો સાથેની અમારી ભાગીદારીને સુધારશે જ નહીં પરંતુ અમને તેમની કુશળતાથી વધુ અસરકારક રીતે લાભ મેળવવા માટે પણ સક્ષમ બનાવશે. આને સરળ બનાવવા માટે, અમે કૂતરાના શરીર-વિસ્તાર-નેટવર્ક (સીબીએન) વિકસિત કરી રહ્યા છીએ, જે સેન્સિંગ તકનીકો અને કોમ્પ્યુટેશનલ મોડેલિંગને જોડવા માટે કૂતરાના તાલીમ માટે હેન્ડલર્સને વધુ સચોટ અર્થઘટન પૂરું પાડે છે. આના પ્રથમ પગલા તરીકે, અમે કૂતરાઓની વર્તણૂક પ્રવૃત્તિને દૂરસ્થ રીતે શોધવા માટે નિષ્ક્રિય માપન એકમો (આઇએમયુ) નો ઉપયોગ કર્યો. નિર્ણય વૃક્ષ વર્ગીકરણ અને છુપાયેલા માર્કોવ મોડેલ્સનો ઉપયોગ સ્થિર સ્થિતિ (બેસવું, ઉભા રહેવું, નીચે પડવું, બે પગ પર ઉભા રહેવું અને જમીન પરથી ખાવું) અને ગતિશીલ પ્રવૃત્તિઓ (ચાલવું, સીડી ચડવું અને રેમ્પ નીચે જવું) ને શોધવા માટે કરવામાં આવ્યો હતો, જે એક કૂતરો વેસ્ટ પર તૈનાત વાયરલેસ સેન્સિંગ સિસ્ટમ દ્વારા પ્રદાન કરેલા એક્સિલરોમીટર અને જાયરોસ્કોપ ડેટાની હેયુરિસ્ટિક સુવિધાઓ પર આધારિત છે. 6 લેબ્રાડોર રીટ્રીવર્સ અને એક કૈ કેનમાંથી ડેટા એકત્રિત કરવામાં આવ્યો હતો. સ્થિર અને ગતિશીલ પ્રવૃત્તિ ઓળખ માટે ઉચ્ચ વર્ગીકરણ ચોકસાઈ પ્રાપ્ત કરવા માટે IMU સ્થાન અને દિશાનું વિશ્લેષણ કરવામાં મદદ મળી. |
694a40785f480cc0d65bd94a5e44f570aff5ea37 | મોબાઇલ રોબોટ નેવિગેશન પર સંશોધનથી ઇન્ડોર વાતાવરણના મેપિંગ માટે બે મુખ્ય દાખલાઓ ઉત્પન્ન થયા છેઃ ગ્રીડ-આધારિત અને ટોપોલોજિકલ. જ્યારે ગ્રીડ-આધારિત પદ્ધતિઓ ચોક્કસ મેટ્રિક નકશા ઉત્પન્ન કરે છે, ત્યારે તેમની જટિલતા ઘણીવાર મોટા પાયે ઇન્ડોર વાતાવરણમાં કાર્યક્ષમ આયોજન અને સમસ્યાનું નિરાકરણ અટકાવે છે. ટોપોલોજિકલ નકશા, બીજી બાજુ, વધુ કાર્યક્ષમ રીતે ઉપયોગમાં લઈ શકાય છે, હજુ સુધી મોટા પાયે વાતાવરણમાં ચોક્કસ અને સુસંગત ટોપોલોજિકલ નકશા શીખવા માટે ખૂબ જ મુશ્કેલ છે. આ કાગળ એક અભિગમ વર્ણવે છે જે બંને દાખલાઓને એકીકૃત કરે છેઃ ગ્રીડ-આધારિત અને ટોપોલોજિકલ. ગ્રીડ આધારિત નકશા કૃત્રિમ ન્યુરલ નેટવર્ક્સ અને બેયસિયન એકીકરણનો ઉપયોગ કરીને શીખી શકાય છે. ટોપોલોજિકલ નકશા ગ્રીડ આધારિત નકશાની ટોચ પર પેદા થાય છે, જે બાદમાં સુસંગત પ્રદેશોમાં વિભાજિત કરીને. બંને દાખલાઓને જોડીને - ગ્રીડ-આધારિત અને ટોપોલોજિકલ - અહીં પ્રસ્તુત અભિગમ બંને વિશ્વની શ્રેષ્ઠતા મેળવે છેઃ ચોકસાઈ / સુસંગતતા અને કાર્યક્ષમતા. આ કાગળમાં વસ્તીવાળા મલ્ટી-રૂમ વાતાવરણમાં સોનાર સેન્સરથી સજ્જ મોબાઇલ રોબોટને સ્વાયત્ત રીતે સંચાલિત કરવા માટે પરિણામો આપવામાં આવ્યા છે. |
a512385be058b1e2e1d8b418a097065707622ecd | વિશ્વની વસ્તી વૃદ્ધત્વ અને વૃદ્ધિ સાથે આર્થિક રીતે વિકાસશીલ દેશોમાં કેન્સર પેદા કરનારા વર્તન, ખાસ કરીને ધૂમ્રપાનને અપનાવવાના કારણે કેન્સરનું વૈશ્વિક બોજ મોટે ભાગે વધતું જાય છે. ગ્લોબોકન 2008ના અંદાજ મુજબ, 2008માં આશરે 12.7 મિલિયન કેન્સરનાં કેસો અને 7.6 મિલિયન કેન્સરનાં મૃત્યુ થયાં હતાં. આમાંથી 56% કેસો અને 64% મૃત્યુ આર્થિક રીતે વિકાસશીલ વિશ્વમાં થયાં હતાં. સ્તન કેન્સર એ સૌથી વધુ વારંવાર નિદાન થતો કેન્સર છે અને સ્ત્રીઓ વચ્ચે કેન્સરથી થતા મૃત્યુનું મુખ્ય કારણ છે, જે કુલ કેન્સરનાં 23% કેસો અને કેન્સરથી થતાં મૃત્યુના 14% છે. પુરુષોમાં ફેફસાંનું કેન્સર એ મુખ્ય કેન્સરનું સ્થળ છે, જેમાં કુલ નવા કેન્સરનાં 17% અને કુલ કેન્સરનાં મૃત્યુના 23% કેસ છે. આર્થિક રીતે વિકાસશીલ દેશોમાં મહિલાઓમાં કેન્સરથી મૃત્યુનું મુખ્ય કારણ હવે સ્તન કેન્સર છે, જે અગાઉના દાયકાથી પરિવર્તન છે, જેમાં કેન્સરથી મૃત્યુનું સૌથી સામાન્ય કારણ સર્વાઇકલ કેન્સર હતું. વધુમાં, વિકાસશીલ દેશોમાં મહિલાઓમાં ફેફસાના કેન્સરથી મૃત્યુદરનું ભારણ સર્વાઇકલ કેન્સરથી થતા ભારણ જેટલું જ ઊંચું છે, જેમાં દરેક મહિલાઓમાં કુલ કેન્સરથી થતા મૃત્યુદરનો 11% હિસ્સો ધરાવે છે. જોકે વિકાસશીલ વિશ્વમાં કેન્સરનું પ્રમાણ બંને જાતિઓમાં વિકસિત વિશ્વમાં જોવા મળતા અડધા જેટલું છે, તેમ છતાં કેન્સરથી મૃત્યુદરનો દર સામાન્ય રીતે સમાન છે. વિકાસશીલ દેશોમાં કેન્સરથી બચવાની શક્યતા ઓછી હોય છે, જે નિદાનના અંતમાં તબક્કામાં અને સમયસર અને પ્રમાણભૂત સારવારની મર્યાદિત પહોંચના સંયોજનને કારણે છે. કેન્સરનું વૈશ્વિક બોજનો નોંધપાત્ર હિસ્સો કેન્સરની નિયંત્રણ અંગેના હાલના જ્ઞાનના ઉપયોગ દ્વારા અને તમાકુ નિયંત્રણ, રસીકરણ (યકૃત અને ગર્ભાશયના કેન્સરની સારવાર માટે) અને પ્રારંભિક તપાસ અને સારવાર, તેમજ શારીરિક પ્રવૃત્તિ અને તંદુરસ્ત આહારને પ્રોત્સાહન આપતા જાહેર આરોગ્ય અભિયાનોને અમલમાં મૂકીને અટકાવી શકાય છે. ક્લિનિક્સ, જાહેર આરોગ્ય વ્યાવસાયિકો અને નીતિ ઘડનારાઓ વૈશ્વિક સ્તરે આવા હસ્તક્ષેપોના ઉપયોગને વેગ આપવા માટે સક્રિય ભૂમિકા ભજવી શકે છે. |
37fa040ec0c4bc1b85f3ca2929445f3229ed7f72 | અમે સ્કેચ-આરએનએન રજૂ કરીએ છીએ, એક રિકરન્ટ ન્યુરલ નેટવર્ક (આરએનએન) સામાન્ય પદાર્થોના સ્ટ્રોક-આધારિત રેખાંકનોનું નિર્માણ કરવા માટે સક્ષમ છે. આ મોડેલને હજારો ક્રૂડ માનવ-ચિત્રવાળી છબીઓ પર તાલીમ આપવામાં આવે છે જે સેંકડો વર્ગોનું પ્રતિનિધિત્વ કરે છે. અમે શરતી અને બિનશરતી સ્કેચ જનરેશન માટે એક માળખું દર્શાવે છે, અને વેક્ટર ફોર્મેટમાં સુસંગત સ્કેચ રેખાંકનો પેદા કરવા માટે નવી મજબૂત તાલીમ પદ્ધતિઓનું વર્ણન કરીએ છીએ. |
a1a1c4fb58a2bc056a056795609a2be307b6b9bf | ક્લાઉડ સ્ટોરેજ ઝડપથી ઘણા આઇટી ઇન્ફ્રાસ્ટ્રક્ચર્સનો એક ખૂણો બની ગયો છે, જે મોટા પ્રમાણમાં ડેટાના બેકઅપ, સિંક્રનાઇઝેશન અને શેરિંગ માટે એક સીમલેસ સોલ્યુશન બનાવે છે. ક્લાઉડ સર્વિસ પ્રોવાઇડર્સના સીધા નિયંત્રણમાં વપરાશકર્તા ડેટા મૂકવાથી, આઉટસોર્સ્ડ ડેટાની અખંડિતતા, સંવેદનશીલ માહિતીના આકસ્મિક અથવા ઇરાદાપૂર્વકના લીક, વપરાશકર્તા પ્રવૃત્તિઓની રૂપરેખાકરણ અને તેથી સંબંધિત સુરક્ષા અને ગોપનીયતાની ચિંતાઓ ઉભી થાય છે. વધુમાં, જો ક્લાઉડ પ્રદાતા વિશ્વસનીય હોય તો પણ, આઉટસોર્સ કરેલી ફાઇલોની ઍક્સેસ ધરાવતા વપરાશકર્તાઓ દૂષિત અને ખોટા વર્તન કરી શકે છે. આ ચિંતાઓ ખાસ કરીને વ્યક્તિગત આરોગ્ય રેકોર્ડ્સ અને ક્રેડિટ સ્કોર સિસ્ટમ્સ જેવા સંવેદનશીલ એપ્લિકેશન્સમાં ગંભીર છે. આ સમસ્યાનો સામનો કરવા માટે, અમે ગોરામ રજૂ કરીએ છીએ, એક ક્રિપ્ટોગ્રાફિક સિસ્ટમ જે આઉટસોર્સ કરેલા ડેટાની ગુપ્તતા અને અખંડિતતાને અવિશ્વસનીય સર્વર અને દૂષિત ક્લાયન્ટ્સ બંનેના સંદર્ભમાં રક્ષણ આપે છે, આવા ડેટાની ઍક્સેસની અનામીતા અને અનલિંકબિલિટીની બાંયધરી આપે છે, અને ડેટા માલિકને અન્ય ક્લાયન્ટ્સ સાથે આઉટસોર્સ કરેલા ડેટાને શેર કરવાની મંજૂરી આપે છે, તેમને પસંદગીયુક્ત રીતે વાંચવા અને લખવાની પરવાનગી આપે છે. આઉટસોર્સ સ્ટોરેજ માટે આટલી વ્યાપક સુરક્ષા અને ગોપનીયતા ગુણધર્મો પ્રાપ્ત કરવા માટે ગોરામ પ્રથમ સિસ્ટમ છે. કાર્યક્ષમ બાંધકામ ડિઝાઇન કરવાની પ્રક્રિયામાં, અમે બે નવા, સામાન્ય રીતે લાગુ ક્રિપ્ટોગ્રાફિક યોજનાઓ વિકસાવી છે, એટલે કે, શફલનો બેચડ શૂન્ય-જ્ knowledgeાન પુરાવા અને કેમેલીયન સહીઓ પર આધારિત એક જવાબદારી તકનીક, જેને અમે સ્વતંત્ર રસના ધ્યાનમાં લઈએ છીએ. અમે એમેઝોન ઇલાસ્ટીક કમ્પ્યુટ ક્લાઉડ (ઇસી 2) માં ગોરામનો અમલ કર્યો અને અમારા બાંધકામની સ્કેલેબિલિટી અને કાર્યક્ષમતા દર્શાવતા પ્રદર્શન મૂલ્યાંકન ચલાવ્યું. |
32527d9fcbfb0c84daf715d7e9a375f647b33c2c | |
269ed5ba525519502123b58472e069d77c5bda14 | ઇન્ટરેક્ટિવ પ્રશ્ન જવાબ (QA) સિસ્ટમ વારંવાર બિન-સંવેદનશીલ (અપૂર્ણ) પ્રશ્નોનો સામનો કરે છે. આ બિન-સંવેદનશીલ પ્રશ્નો સિસ્ટમ માટે અર્થહીન હોઈ શકે છે જ્યારે વપરાશકર્તા તેમને વાતચીતના સંદર્ભ વિના પૂછે છે. આથી સિસ્ટમ અપૂર્ણ પ્રશ્ન પર પ્રક્રિયા કરવા માટે વાતચીતના સંદર્ભને ધ્યાનમાં લેવી જરૂરી છે. આ કાર્યમાં, અમે રિકરન્ટ ન્યુરલ નેટવર્ક (આરએનએન) આધારિત એન્કોડર ડીકોડર નેટવર્ક રજૂ કરીએ છીએ જે અપૂર્ણ પ્રશ્ન અને વાતચીતના સંદર્ભમાં, સંપૂર્ણ (આયોજિત) પ્રશ્ન પેદા કરી શકે છે. આરએનએન એન્કોડર ડીકોડર નેટવર્ક્સને સારી રીતે કામ કરવા માટે દર્શાવવામાં આવ્યું છે જ્યારે લાખો વાક્યો સાથે સમાંતર કોર્પસ પર તાલીમ આપવામાં આવે છે, જો કે આ તીવ્રતાના વાતચીત ડેટા મેળવવા માટે તે અત્યંત મુશ્કેલ છે. તેથી અમે મૂળ સમસ્યાને બે અલગ સરળ સમસ્યાઓમાં વિભાજીત કરવાની દરખાસ્ત કરીએ છીએ જ્યાં દરેક સમસ્યા એક અમૂર્તતા પર ધ્યાન કેન્દ્રિત કરે છે. ખાસ કરીને, અમે સિમેન્ટીક સિક્વન્સ મોડેલને સિમેન્ટીક પેટર્ન શીખવા માટે તાલીમ આપીએ છીએ, અને ભાષાકીય પેટર્ન શીખવા માટે સિન્ટેક્ટીક સિક્વન્સ મોડેલ. અમે વધુમાં એક એસેમ્બલી મોડેલ પેદા કરવા માટે વાક્યરચના અને અર્થશાસ્ત્ર ક્રમ મોડેલો ભેગા કરીએ છીએ. અમારા મોડેલનો બ્લ્યૂ સ્કોર 30.15 છે જ્યારે સ્ટાન્ડર્ડ આરએનએન એન્કોડર ડીકોડર મોડેલનો ઉપયોગ કરીને 18.54 છે. |
27099ec9ea719f8fd919fb69d66af677a424143b | વિચાર-પરિભાવી (એસીટી-આર; જે. આર. એન્ડરસન અને સી. લેબિઅર, 1998) ના અનુકૂલનશીલ નિયંત્રણમાં એક સિદ્ધાંત વિકસિત થયો છે જેમાં બહુવિધ મોડ્યુલોનો સમાવેશ થાય છે પરંતુ તે પણ સમજાવે છે કે આ મોડ્યુલો સુસંગત જ્ઞાનાત્મકતા ઉત્પન્ન કરવા માટે કેવી રીતે સંકલિત છે. એક્ટ-આરમાં વિશિષ્ટ પ્રણાલીઓના ઉદાહરણ તરીકે દ્રષ્ટિ-મોટર મોડ્યુલો, ધ્યેય મોડ્યુલ અને ઘોષણાત્મક મેમરી મોડ્યુલ રજૂ કરવામાં આવે છે. આ મોડ્યુલો અલગ અલગ કોર્ટિકલ પ્રદેશો સાથે સંકળાયેલા છે. આ મોડ્યુલો બફરોમાં ટુકડાઓ મૂકે છે જ્યાં તેઓ બફરમાં માહિતીના પેટર્નનો પ્રતિસાદ આપતી ઉત્પાદન સિસ્ટમ દ્વારા શોધી શકાય છે. કોઈ પણ સમયે, વર્તમાન પેટર્નને પ્રતિભાવ આપવા માટે એક ઉત્પાદન નિયમ પસંદ કરવામાં આવે છે. સબસિમ્બોલિક પ્રક્રિયાઓ ફાયરિંગના નિયમોની પસંદગી તેમજ કેટલાક મોડ્યુલોના આંતરિક કામગીરીને માર્ગદર્શન આપવા માટે સેવા આપે છે. મોટાભાગની શીખવાની પ્રક્રિયામાં આ સબસિમ્બોલિક પ્રક્રિયાઓના ટ્યુનિંગનો સમાવેશ થાય છે. આ મોડ્યુલો કેવી રીતે એકલ અને એકસાથે કાર્ય કરે છે તે દર્શાવવા માટે કેટલાક સરળ અને જટિલ પ્રયોગમૂલક ઉદાહરણો વર્ણવવામાં આવ્યા છે. |
6fdbf20f50dfd6276d9b89e494f86fbcc7b0b9b7 | અમે એક નવલકથા ઇલેક્ટ્રોનિક ટ્રેકિંગ એન્ટેના એરેની રચના અને પરીક્ષણ કર્યું છે જે 2 × 2 માઇક્રોસ્ટ્રીપ સબ-એરેથી રચાયેલ છે. દરેક પેટા-સેટ પર સમય ક્રમ તબક્કાના વજન દ્વારા, પરિણામી સિંગલ ચેનલ આઉટપુટમાંથી દરેક પેટા-સેટ પર એમ્પ્લીટ્યુડ અને તબક્કાને પુનઃપ્રાપ્ત કરી શકાય છે. દરેક એરે પર એમ્પ્લીટ્યુડ અને તબક્કાનો ઉપયોગ ડિજિટલ સિગ્નલ પ્રોસેસિંગ દ્વારા સરવાળો અને તફાવત રેડિયેશન પેટર્ન પેદા કરવા માટે થઈ શકે છે. મોનોપલ્સ સિસ્ટમની સરખામણીમાં, આરએફ તુલનાત્મકને દૂર કરવામાં આવે છે અને રીસીવર ચેનલોની સંખ્યા 3 થી ઘટાડીને 1 કરવામાં આવે છે. એક પ્રૂફ-ઓફ-કન્સેપ્ટ પ્રોટોટાઇપ બનાવટી અને પરીક્ષણ કરવામાં આવ્યું હતું. માપવામાં આવેલા પરિણામોએ પ્રસ્તાવિત યોજનાની માન્યતા અને ફાયદાની પુષ્ટિ કરી. ચેનલ સુધારણાની પ્રક્રિયા આપવામાં આવી છે. |
3701bdb05b6764b09a5735cdc3cb9c40736d9765 | અમે સ્ટોકાસ્ટિક અસુમેળ પ્રોક્સીમલ વૈકલ્પિક લીનિયરાઇઝ્ડ મિનિમાઇઝેશન (એસએપીએએલએમ) પદ્ધતિ રજૂ કરીએ છીએ, જે બિન-સંકુચિત, બિન-સારી ઑપ્ટિમાઇઝેશન સમસ્યાઓના ઉકેલ માટે બ્લોક કોઓર્ડિનેટ સ્ટોકાસ્ટિક પ્રોક્સીમલ-ગ્રેડિએન્ટ પદ્ધતિ છે. SAPALM એ પ્રથમ અસમકાલીન સમાંતર ઑપ્ટિમાઇઝેશન પદ્ધતિ છે જે બિન-સંકુચિત, બિન-સુંવાળી સમસ્યાઓના મોટા વર્ગ પર સંકલિત છે. અમે સાબિત કરીએ છીએ કે SAPALM આ સમસ્યા વર્ગ પર - સમન્વયિત અથવા અસમન્વયિત પદ્ધતિઓ વચ્ચે - શ્રેષ્ઠ જાણીતા સંપાત દર સાથે મેળ ખાય છે. અમે કામદારોની સંખ્યા પર ઉપલા મર્યાદાઓ પ્રદાન કરીએ છીએ, જેના માટે આપણે એક રેખીય ગતિ જોવા માટે અપેક્ષા રાખી શકીએ છીએ, જે ઓછા જટિલ સમસ્યાઓ માટે જાણીતા શ્રેષ્ઠ મર્યાદાઓ સાથે મેળ ખાય છે, અને બતાવે છે કે વ્યવહારમાં SAPALM આ રેખીય ગતિ હાંસલ કરે છે. અમે અનેક મેટ્રિક્સ ફેક્ટરીકરણ સમસ્યાઓ પર રાજ્ય-ઓફ-ધ-આર્ટ કામગીરીનું નિદર્શન કરીએ છીએ. |
5cd28cdc4c82f788dee27cb73d7d9280cf9c7343 | આ કાગળ હવાઈ છબીઓમાંથી કાઢવામાં આવેલ મેચિંગ ગ્રાફલેટ (એટલે કે, નાના જોડાયેલા સબગ્રાફ્સ) પર આધારિત હવાઈ છબી કેટેગરીઝને ઓળખવા માટેની એક પદ્ધતિ રજૂ કરે છે. દરેક હવાઈ છબીની ભૌમિતિક સંપત્તિ અને રંગ વિતરણને એન્કોડ કરવા માટે એક પ્રદેશ અડીને ગ્રાફ (આરએજી) બનાવવાની દ્વારા, અમે RAG-to-RAG મેચિંગ તરીકે હવાઈ છબી શ્રેણી માન્યતા કાસ્ટ કરીએ છીએ. ગ્રાફ થિયરીના આધારે, આરએજી-થી-આરએજી મેચિંગ તેમના તમામ સંબંધિત ગ્રાફલેટને મેચ કરીને કરવામાં આવે છે. અસરકારક ગ્રાફલેટ મેચિંગ પ્રક્રિયા તરફ, અમે સમાન લંબાઈના લક્ષણ વેક્ટરોમાં વિવિધ કદના ગ્રાફલેટને સ્થાનાંતરિત કરવા અને આ લક્ષણ વેક્ટરને વધુ એકીકૃત કરવા માટે એક મલ્ટિપલ એમ્બેડિંગ અલ્ગોરિધમનો વિકસાવીએ છીએ. આ કર્નલનો ઉપયોગ હવાઈ છબી શ્રેણીઓની ઓળખ માટે એસવીએમ [8] વર્ગીકરણકારને તાલીમ આપવા માટે થાય છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે અમારી પદ્ધતિ અનેક રાજ્ય-ઓફ-ધ-આર્ટ ઑબ્જેક્ટ / દ્રશ્ય ઓળખ મોડેલોને આગળ વધે છે. |
b2dac341df54e5f744d5b6562d725d254aae8e80 | આ અભ્યાસમાં ઓપન હારનો પરિચય આપવામાં આવ્યો છે, જે જાહેર રીતે ખુલ્લા ડેટા સેટ્સને ભેગા કરવા અને એકીકૃત કરવા માટે એક મફત મેટલેબ ટૂલબોક્સ છે. તે દસ જાહેર ખુલ્લા માનવ પ્રવૃત્તિ ડેટા સેટ્સના એક્સિલરોમીટર સંકેતોની સરળ ઍક્સેસ પ્રદાન કરે છે. ડેટા સેટ્સ સરળતાથી ઍક્સેસ કરી શકાય છે કારણ કે ઓપનહાર્ તમામ ડેટા સેટ્સને સમાન ફોર્મેટમાં પૂરા પાડે છે. વધુમાં, એકમો, માપન શ્રેણી અને લેબલ્સ એકીકૃત છે, તેમજ, શરીર સ્થિતિ IDs. વધુમાં, વિવિધ નમૂના દર સાથેના ડેટા સેટ્સને ડાઉનસ્મ્પલિંગનો ઉપયોગ કરીને એકીકૃત કરવામાં આવે છે. વધુમાં, સેન્સર ખોટી દિશામાં હોવા જેવી દૃશ્યમાન ભૂલો શોધવા માટે ડેટા સેટ્સની દ્રષ્ટિએ નિરીક્ષણ કરવામાં આવ્યું છે. ઓપનહાર્ આ ભૂલોને ઠીક કરીને ડેટા સેટ્સની પુનઃઉપયોગિતામાં સુધારો કરે છે. કુલ મળીને ઓપનહારમાં 65 મિલિયનથી વધુ લેબલવાળા ડેટા નમૂનાઓ છે. આ 3D એક્સિલરોમીટરના 280 કલાકથી વધુ ડેટાની સમકક્ષ છે. આમાં 211 અભ્યાસના વિષયોના ડેટાનો સમાવેશ થાય છે જે 17 દૈનિક માનવીય પ્રવૃત્તિઓ કરે છે અને 14 વિવિધ શરીરની સ્થિતિમાં સેન્સર પહેરે છે. |
7347b4601078bd52eec80d5de29f801890f82de3 | એક કપ્લડ-ગાયસેલ બ્રોડબેન્ડ કમ્બાઇનર/ડિવાઇડર પ્રસ્તાવિત અને દર્શાવવામાં આવ્યું છે. આ નવી વિભાવના ડિઝાઇનમાં એક જ જોડાયેલ રેખા સેગમેન્ટનો ઉપયોગ કરવા પર આધાર રાખે છે. નીચા નુકશાન, ડિઝાઇન સરળતા અને લવચીકતા જાળવી રાખતા બેન્ડવિડ્થમાં નોંધપાત્ર સુધારો પ્રાપ્ત થાય છે. કપ્લડ-ગાયસેલ 2.5 - 8 ગીગાહર્ટ્ઝ (105% અપૂર્ણાંક બેન્ડવિડ્થ) ડિવાઇડર સાથે 0.1 ડીબી ડિવાઇડર નુકશાન સાથે અને 3.4 - 10.2 ગીગાહર્ટ્ઝ (100% અપૂર્ણાંક બેન્ડવિડ્થ) 0.2 ડીબી ડિવાઇડર નુકશાન સાથે દર્શાવવામાં આવે છે. |
a05d984443d62575c097ad65b747aae859a5f8b0 | બાળકોના મનોસામાજિક વિકાસ પર વિડીયો ગેમ્સની અસરો ચર્ચાનું કેન્દ્ર બની રહી છે. બે સમયના સમયે, 1 વર્ષનો અંતર, 194 બાળકો (7.27-11.43 વર્ષ; પુરુષ = 98) એ તેમની ગેમિંગ આવર્તન અને હિંસક વિડિઓ ગેમ્સ રમવાની તેમની વૃત્તિ અને (એ) સહકારી અને (બી) સ્પર્ધાત્મક રીતે રમવાની જાણ કરી; તેવી જ રીતે, માતાપિતાએ તેમના બાળકોના મનોસામાજિક સ્વાસ્થ્યની જાણ કરી. સમય એક પર ગેમિંગ લાગણી સમસ્યાઓ માં વધારો સાથે સંકળાયેલ હતી. હિંસક ગેમિંગ માનસિક સામાજિક ફેરફારો સાથે સંકળાયેલું ન હતું. સહકારી રમતો સામાજિક વર્તણૂકમાં ફેરફારો સાથે સંકળાયેલા ન હતા. છેલ્લે, સ્પર્ધાત્મક ગેમિંગ પ્રોસોશિયલ વર્તનમાં ઘટાડો સાથે સંકળાયેલું હતું, પરંતુ માત્ર બાળકોમાં જે ઉચ્ચ આવર્તન સાથે વિડિઓ ગેમ્સ રમતા હતા. આમ, ગેમિંગની આવર્તન આંતરિકકરણમાં વધારો સાથે સંકળાયેલી હતી પરંતુ બાહ્યકરણ, ધ્યાન અથવા પીઅર સમસ્યાઓ નહીં, હિંસક ગેમિંગ બાહ્યકરણની સમસ્યાઓમાં વધારો સાથે સંકળાયેલ ન હતી, અને બાળકો માટે દર અઠવાડિયે આશરે 8 કલાક અથવા વધુ રમતા, વારંવાર સ્પર્ધાત્મક ગેમિંગ પ્રોસોશિયલ વર્તન ઘટાડવા માટે જોખમ પરિબળ હોઈ શકે છે. અમે દલીલ કરીએ છીએ કે નકલની જરૂર છે અને ભવિષ્યના સંશોધનમાં વધુ સમજણ અને સામાન્યીકરણની સમજણ માટે ગેમિંગના વિવિધ સ્વરૂપો વચ્ચે વધુ સારી રીતે તફાવત કરવો જોઈએ. |
5a47e047d4d41b61204255e1b265d704b7f265f4 | મોટા ડેટા શબ્દ સર્વવ્યાપક બની ગયો છે. શૈક્ષણિક સંસ્થાઓ, ઉદ્યોગ અને મીડિયા વચ્ચે વહેંચાયેલ મૂળના કારણે કોઈ એક એકીકૃત વ્યાખ્યા નથી, અને વિવિધ હિસ્સેદારો વિવિધ અને ઘણીવાર વિરોધાભાસી વ્યાખ્યાઓ પ્રદાન કરે છે. એક સુસંગત વ્યાખ્યાનો અભાવ અસ્પષ્ટતા લાવે છે અને મોટા ડેટા સંબંધિત પ્રવચનમાં અવરોધે છે. આ ટૂંકું કાગળ વિવિધ વ્યાખ્યાઓની એકત્રિત કરવાનો પ્રયાસ કરે છે, જે અમુક અંશે ટ્રેક્શન મેળવે છે અને અન્યથા અસ્પષ્ટ શબ્દની સ્પષ્ટ અને સંક્ષિપ્ત વ્યાખ્યા પૂરી પાડે છે. |
7065e6b496af41bba16971246a02986f5e388860 | સંગઠનાત્મક ક્ષમતાઓનું સંચાલન અને સુધારણા એ ઘણી કંપનીઓ માટે એક મહત્વપૂર્ણ અને જટિલ મુદ્દો છે. મેનેજમેન્ટને ટેકો આપવા અને સુધારણાને સક્ષમ કરવા માટે, સામાન્ય રીતે કામગીરીના મૂલ્યાંકનોનો ઉપયોગ કરવામાં આવે છે. સંગઠનની ક્ષમતાઓનું મૂલ્યાંકન કરવાની એક રીત પરિપક્વતા ગ્રીડ દ્વારા છે. જ્યારે પરિપક્વતાની ગ્રીડ સામાન્ય માળખાને શેર કરી શકે છે, તેમની સામગ્રી અલગ છે અને ઘણી વાર તેઓ ફરીથી વિકસિત થાય છે. આ કાગળ પરિપક્વતા ગ્રીડ વિકસાવવા માટે સંદર્ભ બિંદુ અને માર્ગદર્શન બંને રજૂ કરે છે. આ 24 વર્તમાન પરિપક્વતાની જાળીઓની સમીક્ષા કરીને અને તેમના વિકાસ માટે રોડમેપ સૂચવીને પ્રાપ્ત થાય છે. આ સમીક્ષામાં ખાસ કરીને પરિપક્વતા રેટિંગ્સની રચનામાં સંસ્થાકીય પરિવર્તન વિશેની અંતર્ગત ધારણાઓ પર ભાર મૂકવામાં આવ્યો છે. સૂચિત રોડમેપમાં ચાર તબક્કાઓ સામેલ છેઃ આયોજન, વિકાસ, મૂલ્યાંકન અને જાળવણી. દરેક તબક્કામાં વિકાસ માટે નિર્ણયોના મુદ્દાઓ પર ચર્ચા કરવામાં આવે છે, જેમ કે પ્રક્રિયાના ક્ષેત્રોની પસંદગી, પરિપક્વતા સ્તર અને વિતરણ પદ્ધતિ. ઔદ્યોગિક વ્યવહારમાં રોડમેપની ઉપયોગીતા દર્શાવતું એક ઉદાહરણ આપવામાં આવ્યું છે. રોડમેપનો ઉપયોગ હાલના અભિગમોનું મૂલ્યાંકન કરવા માટે પણ થઈ શકે છે. આ કાગળના અંતમાં, મેનેજમેન્ટ પ્રેક્ટિસ અને સંશોધન માટેનાં પરિણામો રજૂ કરવામાં આવ્યા છે. |
5dd79167d714ff3907ffbba102b8e6fba49f053e | આ કાગળ ડિજિટલ વાયરલેસ સંચારમાં ઉચ્ચ બીટ-રેટ્સના બેન્ડવિડ્થ કાર્યક્ષમ ડિલિવરીની અંતિમ મર્યાદાઓની મૂળભૂત સમજણની જરૂરિયાત દ્વારા પ્રેરિત છે અને આ મર્યાદાઓને કેવી રીતે સંપર્ક કરી શકાય તે જોવાનું પણ શરૂ કરવું. અમે મલ્ટી-એલિમેન્ટ એરે (એમઈએ) ટેકનોલોજીના શોષણની તપાસ કરીએ છીએ, જે અમુક એપ્લિકેશન્સમાં વાયરલેસ ક્ષમતાઓને સુધારવા માટે અવકાશી પરિમાણ (માત્ર સમય પરિમાણ નહીં) પ્રક્રિયા કરે છે. ખાસ કરીને, અમે કેટલાક મૂળભૂત માહિતી સિદ્ધાંત પરિણામો રજૂ કરીએ છીએ જે વાયરલેસ લેન્સમાં MEAs નો ઉપયોગ કરવાના મહાન લાભો અને વાયરલેસ સંચાર લિંક્સના નિર્માણ માટે નિર્માણ કરે છે. અમે એ મહત્વના કેસની તપાસ કરીશું જ્યારે ચેનલ લાક્ષણિકતા ટ્રાન્સમીટર પર ઉપલબ્ધ ન હોય પરંતુ રીસીવર લાક્ષણિકતા જાણે છે (ટ્રેક કરે છે) જે રેલી ફેડિંગને આધિન છે. કુલ પ્રસારિત શક્તિને નક્કી કરીને, અમે એમઇએ ટેકનોલોજી દ્વારા આપવામાં આવતી ક્ષમતા વ્યક્ત કરીએ છીએ અને અમે જોઈ શકીએ છીએ કે કેવી રીતે ટ્રાન્સમીટર અને રીસીવર બંને પર મોટી પરંતુ વ્યવહારુ સંખ્યામાં એન્ટેના તત્વો માટે એસએનઆર વધારીને ક્ષમતા વધે છે. અમે એન્ટેના તત્વો વચ્ચે સ્વતંત્ર રેલીહ ફેડ પાથના કેસની તપાસ કરીએ છીએ અને શોધી કાઢીએ છીએ કે ઉચ્ચ સંભાવના સાથે અસાધારણ ક્ષમતા ઉપલબ્ધ છે. બેઝલાઇન n = 1 કેસ સાથે સરખામણી કરીએ તો, જે શેનોનની ક્લાસિક સૂત્ર દ્વારા સિગ્નલ-ટુ-નોઇસ રેશિયો (એસએનઆર) માં દર 3 ડીબી વધારા માટે એક વધુ બીટ / ચક્ર તરીકે સ્કેલ કરે છે, નોંધપાત્ર રીતે એમઇએ સાથે, સ્કેલિંગ લગભગ એસએનઆરમાં દર 3 ડીબી વધારા માટે વધુ બીટ્સ / ચક્ર જેવું છે. આ ક્ષમતા કેટલી મોટી છે તે દર્શાવવા માટે, નાના n માટે પણ, n = 2, 4 અને 16 ની સરેરાશ પ્રાપ્ત SNR 21 ડીબીના કિસ્સાઓ લો. 99% ચેનલો માટે ક્ષમતા અનુક્રમે 7, 19 અને 88 બીટ્સ / ચક્ર છે, જ્યારે n = 1 હોય તો 99% સ્તરે માત્ર 1.2 બીટ્સ / ચક્ર છે. ચેનલ બેન્ડવિડ્થના સમાન સિમ્બોલ રેટ માટે, કારણ કે તે બીટ્સ / સિમ્બોલ / પરિમાણ છે જે સિગ્નલ નક્ષત્ર માટે સંબંધિત છે, આ ઉચ્ચ ક્ષમતા અયોગ્ય નથી. n = 4 માટે 19 બીટ્સ/ચક્ર 4.75 બીટ્સ/પ્રતીક/પરિમાણ જેટલું છે જ્યારે n = 16 માટે 88 બીટ્સ/ચક્ર 5.5 બીટ્સ/પ્રતીક/પરિમાણ જેટલું છે. પસંદગી અને શ્રેષ્ઠ સંયોજન જેવા પ્રમાણભૂત અભિગમોને અંતે શક્ય બનશે તેની સરખામણીમાં ખામીયુક્ત માનવામાં આવે છે. વચન આપેલી મોટી ક્ષમતાનો મોટો ભાગ પ્રાપ્ત કરવા માટે નવા કોડેક્સની શોધ કરવાની જરૂર છે. |
4f911fe6ee5040e6e46e84a9f1e211153943cd9b |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.