_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
d1ee87290fa827f1217b8fa2bccb3485da1a300e | બેગિંગ પ્રિકટીકટર એ એક પ્રિકટીકટરના બહુવિધ વર્ઝન બનાવવા અને એક સંકલિત પ્રિકટીકટર મેળવવા માટે તેનો ઉપયોગ કરવાની એક પદ્ધતિ છે. સંકલન સંસ્કરણો પર સરેરાશ કરે છે જ્યારે સંખ્યાત્મક પરિણામની આગાહી કરે છે અને વર્ગની આગાહી કરતી વખતે બહુમતી મત આપે છે. બહુવિધ સંસ્કરણો શીખવાની સમૂહની બુટસ્ટ્રેપ પ્રતિકૃતિઓ બનાવીને અને આને નવા શીખવાની સમૂહો તરીકે ઉપયોગ કરીને રચવામાં આવે છે. વર્ગીકરણ અને રીગ્રેસન વૃક્ષો અને રેખીય રીગ્રેસનમાં સબસેટ પસંદગીનો ઉપયોગ કરીને વાસ્તવિક અને સિમ્યુલેટેડ ડેટા સેટ્સ પરના પરીક્ષણો દર્શાવે છે કે બેગિંગ ચોકસાઈમાં નોંધપાત્ર લાભ આપી શકે છે. મહત્વપૂર્ણ તત્વ એ આગાહી પદ્ધતિની અસ્થિરતા છે. જો શીખવાની સમૂહને ખલેલ પહોંચાડવાથી નિર્માણ થયેલ આગાહીમાં નોંધપાત્ર ફેરફારો થઈ શકે છે, તો પછી બેગિંગ ચોકસાઈમાં સુધારો કરી શકે છે. |
649197627a94fc003384fb743cfd78cdf12b3306 | |
0b440695c822a8e35184fb2f60dcdaa8a6de84ae | તાજેતરમાં કિનટેક સેન્સર જેવા આરજીબી-ડી કેમેરાની સફળતાથી 3ડી ડેટા આધારિત કોમ્પ્યુટર એપ્લિકેશન્સની વ્યાપક સંભાવનાઓ દર્શાવાઇ છે. જો કે, પ્રમાણભૂત પરીક્ષણ ડેટાબેઝના અભાવને કારણે, આ અપ-ટુ-ડેટ ઇમેજિંગ સેન્સરથી ચહેરાની ઓળખ તકનીકને કેવી રીતે લાભ થઈ શકે છે તેનું મૂલ્યાંકન કરવું મુશ્કેલ છે. કિનેક્ટ અને ચહેરાની ઓળખ સંશોધન વચ્ચેનો સંબંધ સ્થાપિત કરવા માટે, આ કાગળમાં, અમે કિનેક્ટ સેન્સર પર આધારિત પ્રથમ સાર્વજનિક રૂપે ઉપલબ્ધ ચહેરા ડેટાબેઝ (એટલે કે, કિનેક્ટફેસડીબી 1) રજૂ કરીએ છીએ. ડેટાબેઝમાં વિવિધ ડેટા મોડલિટીઝ (સારી રીતે ગોઠવાયેલા અને પ્રોસેસ્ડ 2-ડી, 2.5-ડી, 3-ડી અને વિડિઓ આધારિત ચહેરાના ડેટા) અને બહુવિધ ચહેરાના વિવિધતાઓનો સમાવેશ થાય છે. અમે પ્રમાણભૂત ચહેરાની ઓળખ પદ્ધતિઓનો ઉપયોગ કરીને પ્રસ્તાવિત ડેટાબેઝ પર બેંચમાર્ક મૂલ્યાંકન કર્યું હતું અને સ્કોર-લેવલ ફ્યુઝન દ્વારા આરજીબી ડેટા સાથે ઊંડાણ ડેટાને એકીકૃત કરતી વખતે પ્રભાવમાં વધારો દર્શાવ્યો હતો. અમે ચહેરાના બાયોમેટ્રિકના સંદર્ભમાં Kinectની 3-D છબીઓ (KinectFaceDB માંથી) ની પરંપરાગત ઉચ્ચ ગુણવત્તાની 3-D સ્કેન (FRGC ડેટાબેઝમાંથી) સાથે સરખામણી કરી છે, જે ચહેરાની ઓળખ સંશોધન માટે સૂચિત ડેટાબેઝની અનિવાર્ય જરૂરિયાતોને દર્શાવે છે. |
a85275f12472ecfbf4f4f00a61514b0773923b86 | વાયરલેસ ટેકનોલોજી અને સહાયક માળખામાં થયેલી પ્રગતિઓ વપરાશકર્તાની પ્રવૃત્તિઓને મર્યાદિત કર્યા વિના સર્વવ્યાપક રીઅલ-ટાઇમ હેલ્થકેર અને ફિટનેસ મોનિટરિંગ માટે અભૂતપૂર્વ તક પૂરી પાડે છે. વાયરલેસ રીતે જોડાયેલા લઘુચિત્ર સેન્સર અને એક્ટ્યુએટર્સ શરીરમાં, તેના પર અને તેની આસપાસ મૂકવામાં આવે છે, તબીબી, જીવનશૈલી અને મનોરંજન એપ્લિકેશન્સને ટેકો આપવા માટે સતત, સ્વચાલિત અને અસ્પષ્ટ શારીરિક સંકેતોની દેખરેખ માટે શરીર વિસ્તાર નેટવર્ક બનાવે છે. બીએન ટેકનોલોજી વિકાસના પ્રારંભિક તબક્કામાં છે અને તેને વ્યાપકપણે સ્વીકારવા માટે કેટલાક સંશોધન પડકારોને દૂર કરવા પડશે. આ લેખમાં આપણે BAN ની એપ્લિકેશન, કાર્યાત્મક અને તકનીકી આવશ્યકતાઓના મુખ્ય સમૂહનો અભ્યાસ કરીએ છીએ. અમે મૂળભૂત સંશોધન પડકારો જેમ કે સ્કેલેબિલીટી (ડેટા રેટ, પાવર વપરાશ અને ડ્યુટી ચક્રના સંદર્ભમાં), એન્ટેના ડિઝાઇન, દખલ ઘટાડવી, સહઅસ્તિત્વ, ક્યુઓએસ, વિશ્વસનીયતા, સુરક્ષા, ગોપનીયતા અને ઊર્જા કાર્યક્ષમતા પર પણ ચર્ચા કરીએ છીએ. નવીન બનતી બીએન માર્કેટને સંબોધવા માટે તૈયાર અનેક ઉમેદવાર ટેકનોલોજીઓનું મૂલ્યાંકન કરવામાં આવ્યું છે અને તેમના ગુણદોષો પર પ્રકાશ પાડવામાં આવ્યો છે. આ ઉપરાંત, બીએન સાથે સંબંધિત ધોરણોના નિર્માણની પ્રવૃત્તિઓની સંક્ષિપ્ત ઝાંખી પણ આપવામાં આવી છે. |
f4abebef4e39791f358618294cd8d040d7024399 | આ અહેવાલમાં ફિટબિટ ફ્લેક્સ ઇકોસિસ્ટમનું વિશ્લેષણ વર્ણવવામાં આવ્યું છે. અમારા ઉદ્દેશો (1) ડેટા કે જે Fitbit તેના વપરાશકર્તાઓ પાસેથી એકત્રિત કરે છે, (2) ડેટા કે જે Fitbit તેના વપરાશકર્તાઓને પ્રદાન કરે છે, અને (3) ઉપકરણ માલિકોને ઉપલબ્ધ ન કરાયેલા ડેટાને પુનઃપ્રાપ્ત કરવાની પદ્ધતિઓ વર્ણવવાનું છે. અમારો વિશ્લેષણ ચાર અલગ અલગ હુમલા વેક્ટર્સને આવરી લે છે. પ્રથમ, અમે સુરક્ષા અને ગોપનીયતા ગુણધર્મોનું વિશ્લેષણ કરીએ છીએ ફિટબિટ ઉપકરણ પોતે. આગળ, અમે સમન્વય દરમિયાન ફિટબિટ ઉપકરણ અને સ્માર્ટફોન અથવા પર્સનલ કમ્પ્યુટર વચ્ચે મોકલવામાં આવેલ બ્લૂટૂથ ટ્રાફિકનું નિરીક્ષણ કરીએ છીએ. ત્રીજું, અમે ફિટબિટ એન્ડ્રોઇડ એપ્લિકેશનની સુરક્ષાનું વિશ્લેષણ કરીએ છીએ. છેલ્લે, અમે ફિટબિટ સ્માર્ટફોન અથવા કમ્પ્યુટર એપ્લિકેશન અને ફિટબિટ વેબ સેવા વચ્ચેના નેટવર્ક ટ્રાફિકની સુરક્ષા ગુણધર્મોનો અભ્યાસ કરીએ છીએ. અમે પુરાવા પૂરા પાડીએ છીએ કે ફિટબિટ ચોક્કસ સંજોગોમાં નજીકના ફ્લેક્સ ઉપકરણો વિશે બિનજરૂરી માહિતી મેળવે છે. અમે વધુમાં બતાવીએ છીએ કે ફિટબિટ ઉપકરણ માલિકોને તમામ ડેટા એકત્રિત કરે છે. હકીકતમાં, અમને પ્રતિ મિનિટ પ્રવૃત્તિ ડેટાના પુરાવા મળે છે જે ફિટબિટ વેબ સેવાને મોકલવામાં આવે છે પરંતુ માલિકને આપવામાં આવતો નથી. અમે એ પણ શોધી કાઢ્યું કે ફિટબિટ ઉપકરણો પરના મેક એડ્રેસ ક્યારેય બદલાતા નથી, વપરાશકર્તા-સંબંધિત હુમલાને સક્ષમ કરે છે. ટીએલએસ પર ડિવાઇસ જોડી બનાવતી વખતે બીટીએલઇ ઓળખપત્રો પણ નેટવર્ક પર ખુલ્લા હોય છે, જે એમઆઇટીએમ હુમલાઓ દ્વારા અટકાવી શકાય છે. છેલ્લે, અમે દર્શાવ્યું છે કે વાસ્તવિક વપરાશકર્તા પ્રવૃત્તિ ડેટા પ્રમાણિત છે અને ઉપકરણથી ફિટબિટ વેબ સેવાને એન્ડ-ટુ-એન્ડ આધારે સાદા ટેક્સ્ટમાં પ્રદાન કરવામાં આવતો નથી. |
3007a8f5416404432166ff3f0158356624d282a1 | ગ્રાફ અદૃશ્યકરણ એ ઘણા કાર્યક્રમો માટે આવશ્યક છે, જેમ કે સહયોગી ફિલ્ટરિંગ જેવા જટિલ મશીન લર્નિંગ (એમએલ) અલ્ગોરિધમ્સને ચલાવવા માટે ટૂંકું પાથ શોધવું. વિવિધ એપ્લિકેશન્સ માટે કાચા ડેટામાંથી ગ્રાફનું નિર્માણ પડકારરૂપ બની રહ્યું છે, કારણ કે ડેટામાં ઘાતાંકીય વૃદ્ધિ, તેમજ મોટા પાયે ગ્રાફ પ્રોસેસિંગની જરૂરિયાત છે. ગ્રાફનું નિર્માણ ડેટા-સમાન સમસ્યા હોવાથી, આ કાર્ય માટે મેપરેડ્યુસ સારી રીતે અનુકૂળ છે. અમે ગ્રાફ બિલ્ડર વિકસાવ્યું, ગ્રાફ એક્સ્ટ્રેક્ટ-ટ્રાન્સફોર્મ-લોડ (ઇટીએલ) માટે સ્કેલેબલ ફ્રેમવર્ક, ગ્રાફ રચના, ટેબ્યુલેશન, રૂપાંતર, પાર્ટીશનિંગ, આઉટપુટ ફોર્મેટિંગ અને સિરિયલાઇઝેશન સહિતના ગ્રાફ બાંધકામની ઘણી જટિલતાઓને બંધ કરવા માટે. ગ્રાફબિલ્ડર જાવામાં લખાયેલું છે, પ્રોગ્રામિંગની સરળતા માટે, અને તે મેપરેડ્યુસ મોડેલનો ઉપયોગ કરીને સ્કેલ કરે છે. આ કાગળમાં, અમે ગ્રાફબિલ્ડર, તેની આર્કિટેક્ચર, મેપરેડ્યુસ એલ્ગોરિધમ્સ અને ફ્રેમવર્કના પ્રભાવ મૂલ્યાંકન માટેની પ્રેરણાનું વર્ણન કરીએ છીએ. મોટા ગ્રાફને સંગ્રહ અને પ્રક્રિયા માટે ક્લસ્ટર પર પાર્ટીશન કરવું જોઈએ અને પાર્ટીશનિંગ પદ્ધતિઓ નોંધપાત્ર પ્રભાવ પ્રભાવ ધરાવે છે, અમે કેટલાક ગ્રાફ પાર્ટીશનિંગ પદ્ધતિઓ વિકસાવીએ છીએ અને તેમની કામગીરીનું મૂલ્યાંકન કરીએ છીએ. અમે https://01.org/graphbuilder/ પર પણ ફ્રેમવર્કને ઓપન સોર્સ કરીએ છીએ. |
2e526c2fac79c080b818b304485ddf84d09cf08b | સમયાંતરે ડેટા માઇનિંગનો ઉદ્દેશ ઐતિહાસિક ડેટામાં પેટર્ન શોધવાનો છે. અમારા કાર્યમાં ડેટામાંથી સમયસરની પદ્ધતિઓ કાઢવા માટેનો અભિગમ સૂચવવામાં આવ્યો છે, જેથી લક્ષ્ય ઘટનાઓની ઘટનાની આગાહી કરી શકાય, જેમ કે હોસ્ટ નેટવર્ક્સ પર કમ્પ્યુટર હુમલાઓ અથવા નાણાકીય સંસ્થાઓમાં કપટપૂર્ણ વ્યવહારો. આપણી સમસ્યાનું નિર્માણ બે મુખ્ય પડકારો દર્શાવે છેઃ 1) આપણે ધારીએ છીએ કે ઘટનાઓને કેટેગરીકલ લક્ષણો દ્વારા વર્ગીકૃત કરવામાં આવે છે અને અસમાન અંતર-પહેલવાનો સમય દર્શાવે છે; આવી ધારણા ક્લાસિકલ સમય-શ્રેણી વિશ્લેષણના અવકાશની બહાર આવે છે, 2) આપણે ધારીએ છીએ કે લક્ષ્ય ઘટનાઓ અત્યંત દુર્લભ છે; આગાહી તકનીકોએ વર્ગ-અસંતુલન સમસ્યા સાથે વ્યવહાર કરવો જોઈએ. અમે એક કાર્યક્ષમ અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ જે ઉપરોક્ત પડકારોને સંબોધિત કરે છે, ઇવેન્ટ આગાહી સમસ્યાને લક્ષ્ય ઇવેન્ટ્સ પહેલાંના તમામ વારંવાર ઇવેન્ટ્સની શોધમાં પરિવર્તિત કરે છે. વર્ગ અસંતુલન સમસ્યાને લઘુમતી વર્ગ પરના દાખલાઓની શોધ દ્વારા દૂર કરવામાં આવે છે; દાખલાઓની ભેદભાવ શક્તિ પછી અન્ય વર્ગો સામે માન્ય છે. પછી પેટર્નને અનુમાન માટે નિયમ આધારિત મોડેલમાં જોડવામાં આવે છે. અમારું પ્રાયોગિક વિશ્લેષણ ઘટના ક્રમના પ્રકારો સૂચવે છે જ્યાં લક્ષ્ય ઘટનાઓની ચોક્કસ આગાહી કરી શકાય છે. |
0a54d2f49bda694071bbf43d8e653f5adf85be19 | ડેટા માઇનિંગ સિસ્ટમોનો હેતુ ડેટાબેઝમાં નોંધાયેલા તથ્યોમાંથી પેટર્ન શોધવાનો અને ઉપયોગી માહિતી કાઢવાનો છે. આ ઉદ્દેશ્ય માટે વ્યાપકપણે અપનાવવામાં આવેલ અભિગમ એ છે કે ઉપલબ્ધ ડેટાના વર્ણનાત્મક મોડેલોની ગણતરી કરવા માટે વિવિધ મશીન લર્નિંગ અલ્ગોરિધમ્સ લાગુ કરવી. અહીં, અમે આ સંશોધન ક્ષેત્રમાં મુખ્ય પડકારોમાંથી એકની શોધ કરીશું, તકનીકોનો વિકાસ જે મોટા અને સંભવતઃ ભૌતિક રીતે વિતરણ ડેટાબેઝ સુધી પહોંચે છે. મેટા-લર્નિંગ એ એક તકનીક છે જે ઉચ્ચ-સ્તરના વર્ગીકરણ (અથવા વર્ગીકરણ મોડેલો) ની ગણતરી કરવા માગે છે, જેને મેટા-વર્ગીકરણ કહેવામાં આવે છે, જે કેટલાક પિનસિપ્લ્ડ ફેશનમાં બહુવિધ વર્ગીકરણને અલગથી અલગ ડેટાબેઝ પર ગણતરી કરે છે. આ અભ્યાસમાં મેટા-લર્નિંગનું વર્ણન કરવામાં આવ્યું છે અને JAM સિસ્ટમ (જેવા એજન્ટ્સ ફોર મેટા-લર્નિંગ) રજૂ કરવામાં આવી છે, જે મોટા પાયે ડેટા માઇનિંગ એપ્લિકેશન્સ માટે એજન્ટ આધારિત મેટા-લર્નિંગ સિસ્ટમ છે. ખાસ કરીને, તે વિતરણ ડેટા માઇનિંગ સિસ્ટમો માટે કેટલીક મહત્વપૂર્ણ જરૂરિયાતોને ઓળખે છે અને સંબોધિત કરે છે જે કેન્દ્રિય અથવા હોસ્ટ-આધારિત સિસ્ટમોની તુલનામાં તેમની વધારાની જટિલતાથી ઉદ્ભવે છે. વિતરણ પ્રણાલીઓને વિવિધ પ્લેટફોર્મ સાથે વ્યવહાર કરવાની જરૂર પડી શકે છે, બહુવિધ ડેટાબેઝ અને (કદાચ) વિવિધ યોજનાઓ સાથે, ડેટા સાઇટ્સ વચ્ચે વાતચીત કરવા માટે સ્કેલેબલ અને અસરકારક પ્રોટોકોલની ડિઝાઇન અને અમલીકરણ સાથે, અને અન્ય પીઅર ડેટા સાઇટ્સમાંથી ગેટ થયેલ માહિતીનો પસંદગીયુક્ત અને કાર્યક્ષમ ઉપયોગ. અન્ય મહત્વપૂર્ણ સમસ્યાઓ, આંતરિક વિજ્ઞાન આધારભૂત ભાગમાં આઇબીએમ ફેલોશિપ દ્વારા ડેટા માઇનિંગ સિસ્ટમોને અવગણવી ન જોઈએ, તેમાં પ્રથમ, નવી હસ્તગત કરેલી માહિતીનો લાભ લેવાની ક્ષમતા છે જે અગાઉ મોડેલોની ગણતરી કરવામાં આવી હતી અને તેને હાલના મોડેલો સાથે જોડી દેવામાં આવી હતી, અને બીજું, નવી મશીન લર્નિંગ પદ્ધતિઓ અને ડેટા માઇનિંગ તકનીકોને સમાવિષ્ટ કરવાની રાહત. અમે આ મુદ્દાઓને JAMના સંદર્ભમાં શોધખોળ કરીએ છીએ અને વ્યાપક પ્રયોગાત્મક અભ્યાસ દ્વારા વિવિધ સૂચિત ઉકેલોનું મૂલ્યાંકન કરીએ છીએ. |
b00672fc5ff99434bf5347418a2d2762a3bb2639 | એમ્બેડેડ ડિવાઇસ સર્વવ્યાપક બની ગયા છે, અને તેનો ઉપયોગ ગોપનીયતા-સંવેદનશીલ અને સુરક્ષા-નિર્ણાયક એપ્લિકેશન્સની શ્રેણીમાં થાય છે. આમાંના મોટાભાગના ઉપકરણો માલિકીનું સૉફ્ટવેર ચલાવે છે, અને સૉફ્ટવેરની આંતરિક કામગીરી વિશે થોડું દસ્તાવેજીકરણ ઉપલબ્ધ છે. કેટલાક કિસ્સાઓમાં, હાર્ડવેર અને સુરક્ષા પદ્ધતિઓની કિંમત ઉપકરણો સુધી પહોંચને અશક્ય બનાવી શકે છે. આવા વાતાવરણમાં હાજર સોફ્ટવેરનું વિશ્લેષણ કરવું પડકારજનક છે, પરંતુ જો સોફ્ટવેર બગ્સ અને નબળાઈઓ સાથે સંકળાયેલા જોખમોને ટાળવા જોઈએ તો તે જરૂરી છે. હકીકતમાં, તાજેતરના અભ્યાસોએ બજારમાં ઉપલબ્ધ ઘણા એમ્બેડેડ ડિવાઇસીસમાં બેકડોર્સની હાજરી જાહેર કરી છે. આ કાગળમાં, અમે એમ્બેડેડ ડિવાઇસીસ પર ચાલી રહેલ ફર્મવેરનું વિશ્લેષણ કરવા માટે દ્વિસંગી વિશ્લેષણ માળખું, ફર્મલાઇસ રજૂ કરીએ છીએ. ફર્મલાઇસ તેના સ્કેલેબિલિટીને વધારવા માટે પ્રતીકાત્મક એક્ઝેક્યુશન એન્જિન અને પ્રોગ્રામ સ્લાઇસીંગ જેવી તકનીકો પર નિર્માણ કરે છે. વધુમાં, ફર્માલીસે અધિકૃત કામગીરી કરવા માટે જરૂરી ઇનપુટ્સ નક્કી કરવાની હુમલાખોરની ક્ષમતા પર આધારિત, પ્રમાણીકરણ બાયપાસ ખામીઓના નવલકથા મોડેલનો ઉપયોગ કરે છે. અમે ત્રણ વ્યવસાયિક રીતે ઉપલબ્ધ ઉપકરણોના ફર્મવેર પર Firmalice નું મૂલ્યાંકન કર્યું છે, અને તેમાંથી બેમાં ઓથેન્ટિકેશન બાયપાસ બેકડોર્સને શોધી શક્યા છે. આ ઉપરાંત, ફર્મવેર કંપનીએ નક્કી કર્યું કે ત્રીજા ફર્મવેર નમૂનામાં બેકડોરનો ઉપયોગ અનપ્રાધાન્યિત ઓળખપત્રોના સેટની જાણકારી વિના હુમલાખોર દ્વારા કરવામાં આવી શકતો નથી. |
6949a33423051ce6fa5b08fb7d5f06ac9dcc721b | પ્રાપ્તિ પ્રક્રિયામાં કપટપૂર્ણ વર્તણૂંકની શોધ માટે પ્રક્રિયા ખાણકામનો ઉપયોગ કરવાના સૈદ્ધાંતિક અને વ્યવહારિક મૂલ્ય પર એક કેસ અભ્યાસ સારાંશ આ થિસીસ પ્રક્રિયા ખાણકામ અને છેતરપિંડીની શોધ પર છ મહિનાના સંશોધન સમયગાળાના પરિણામો રજૂ કરે છે. આ થીસનો ઉદ્દેશ એ સંશોધન પ્રશ્નનો જવાબ આપવાનો હતો કે કેવી રીતે પ્રક્રિયા ખાણકામનો ઉપયોગ છેતરપિંડીની શોધમાં થઈ શકે છે અને છેતરપિંડીની શોધ માટે પ્રક્રિયા ખાણકામનો ઉપયોગ કરવાના ફાયદા શું છે. સાહિત્યના અભ્યાસના આધારે તે પ્રક્રિયા ખાણકામ અને તેના વિવિધ પાસાઓ અને તકનીકોની સિદ્ધાંત અને એપ્લિકેશનની ચર્ચા કરે છે. સાહિત્ય અભ્યાસ અને ડોમેન નિષ્ણાત સાથેની મુલાકાત બંનેનો ઉપયોગ કરીને, છેતરપિંડી અને છેતરપિંડીની શોધના ખ્યાલોની ચર્ચા કરવામાં આવે છે. આ પરિણામોને પ્રક્રિયાના ખાણકામ અને છેતરપિંડીની શોધના ઉપયોગ પરના હાલના કેસ સ્ટડીઝના વિશ્લેષણ સાથે જોડી દેવામાં આવે છે, જેમાં બે કેસ સ્ટડીઝની પ્રારંભિક સેટઅપ બનાવવામાં આવે છે, જેમાં પ્રક્રિયાની ખાણકામ ખરીદી પ્રક્રિયામાં સંભવિત કપટપૂર્ણ વર્તણૂકને શોધવા માટે લાગુ કરવામાં આવે છે. આ કેસ સ્ટડીના અનુભવો અને પરિણામોના આધારે, 1+5+1 પદ્ધતિને સિદ્ધાંતોને કાર્યરત કરવા તરફ પ્રથમ પગલું તરીકે રજૂ કરવામાં આવે છે, જ્યારે કૌભાંડને શોધવાનો પ્રયાસ કરતી વખતે પ્રક્રિયા ખાણકામ તકનીકોનો વ્યવહારમાં કેવી રીતે ઉપયોગ કરી શકાય તે અંગેની સલાહ આપવામાં આવે છે. આ થીઝ ત્રણ નિષ્કર્ષ રજૂ કરે છેઃ (1) પ્રક્રિયા ખાણકામ છેતરપિંડીની શોધમાં મૂલ્યવાન ઉમેરો છે, (2) 1 + 5 + 1 ખ્યાલનો ઉપયોગ કરીને સંભવિત છેતરપિંડીના વર્તણૂંકના સૂચકાંકો શોધી કાઢવા શક્ય છે (3) છેતરપિંડીની શોધ માટે પ્રક્રિયા ખાણકામનો વ્યવહારુ ઉપયોગ વર્તમાન સાધનોના નબળા પ્રદર્શન દ્વારા ઘટાડવામાં આવે છે. તકનીકો અને સાધનો કે જે પ્રભાવ મુદ્દાઓથી પીડાય નથી તે નિયમિત ડેટા વિશ્લેષણ તકનીકોના સ્થાને એક વધારા છે, પ્રક્રિયા અને સંભવિત કપટપૂર્ણ વર્તણૂકમાં નવી, ઝડપી અથવા વધુ સરળતાથી પ્રાપ્ત થતી સમજ પ્રદાન કરીને. iii ઓકૅમનો રેઝર: "કોઈપણ વસ્તુને સમજાવવા માટે જરૂરી સંખ્યામાં વધારો ન કરવો જોઇએ" iv સમાવિષ્ટો |
8aef832372c6e3e83f10532f94f18bd26324d4fd | વર્તમાન જ્ઞાન આધારિત પ્રશ્ન-જવાબ પ્રણાલીઓ ઘણીવાર નાના એનોટેડ તાલીમ ડેટા પર આધાર રાખે છે. જ્યારે સંબંધ નિષ્કર્ષણ જેવી છીછરા પદ્ધતિઓ ડેટાની અછત માટે મજબૂત છે, ત્યારે તે અર્થપૂર્ણ વિશ્લેષણ જેવી ઊંડા અર્થ પ્રતિનિધિત્વ પદ્ધતિઓ કરતાં ઓછા અર્થપૂર્ણ છે, આમ બહુવિધ પ્રતિબંધો સાથે સંકળાયેલા પ્રશ્નોના જવાબ આપવામાં નિષ્ફળ જાય છે. અહીં આપણે વિકિપીડિયાના વધારાના પુરાવા સાથે સંબંધ નિષ્કર્ષણ પદ્ધતિને સશક્તિકરણ કરીને આ સમસ્યાને હળવી કરીએ છીએ. અમે સૌ પ્રથમ ન્યુરલ નેટવર્ક આધારિત સંબંધ નિષ્કર્ષક રજૂ કરીએ છીએ, જે ફ્રીબેઝમાંથી ઉમેદવારના જવાબો મેળવવા માટે, અને પછી આ જવાબોને માન્ય કરવા માટે વિકિપીડિયા પર અનુમાન લગાવે છે. વેબક્વેસ્ટ્સના પ્રશ્ન-જવાબ ડેટાસેટ પરના પ્રયોગો દર્શાવે છે કે અમારી પદ્ધતિ 53.3% ની એફ 1 પ્રાપ્ત કરે છે, જે રાજ્યની કલામાં નોંધપાત્ર સુધારો છે. |
16edc3faf625fd437aaca1527e8821d979354fba | સુખાકારી એ એક જટિલ રચના છે જે શ્રેષ્ઠ અનુભવ અને કાર્યને લગતી છે. સુખાકારી પર વર્તમાન સંશોધન બે સામાન્ય પરિપ્રેક્ષ્યોમાંથી ઉતરી આવ્યું છેઃ હેડોનિક અભિગમ, જે સુખ પર ધ્યાન કેન્દ્રિત કરે છે અને સુખની પ્રાપ્તિ અને પીડા ટાળવાના સંદર્ભમાં સુખાકારીને વ્યાખ્યાયિત કરે છે; અને યુડેમોનિક અભિગમ, જે અર્થ અને સ્વ-અનુભવ પર ધ્યાન કેન્દ્રિત કરે છે અને વ્યક્તિની ડિગ્રીના સંદર્ભમાં સુખાકારીને વ્યાખ્યાયિત કરે છે જે વ્યક્તિ સંપૂર્ણપણે કાર્યરત છે. આ બે દૃષ્ટિકોણથી અલગ અલગ સંશોધન કેન્દ્રો અને જ્ઞાનનો એક સમૂહ થયો છે જે કેટલાક ક્ષેત્રોમાં વિભિન્ન છે અને અન્યમાં પૂરક છે. મલ્ટીલેવલ મોડેલિંગ અને કન્સ્ટ્રક્ટ સરખામણીઓ સંબંધિત નવા પધ્ધતિગત વિકાસ પણ સંશોધકોને આ ક્ષેત્ર માટે નવા પ્રશ્નો ઘડવા માટે પરવાનગી આપે છે. આ સમીક્ષામાં સુખાકારીની પ્રકૃતિ, તેના પૂર્વવર્તીઓ અને સમય અને સંસ્કૃતિમાં તેની સ્થિરતા અંગેના બંને દ્રષ્ટિકોણથી સંશોધનનો વિચાર કરવામાં આવ્યો છે. |
ac8c2e1fa35e797824958ced835257cd49e1be9c | આ કાગળ માહિતી ટેકનોલોજી અને સંસ્થાકીય શિક્ષણ પર ઉભરતા સંશોધન સાહિત્યની સમીક્ષા અને મૂલ્યાંકન કરે છે. અર્થ અને માપના મુદ્દાઓની ચર્ચા કર્યા પછી, અમે સંશોધનના બે મુખ્ય પ્રવાહોને ઓળખીએ છીએ અને તેનું મૂલ્યાંકન કરીએ છીએઃ સંસ્થાકીય શિક્ષણની વિભાવનાઓને સંસ્થાઓમાં માહિતી ટેકનોલોજીનો અમલ અને ઉપયોગ કરવાની પ્રક્રિયામાં લાગુ પડે છે; અને સંસ્થાકીય શિક્ષણને ટેકો આપવા માટે માહિતી ટેકનોલોજી એપ્લિકેશન્સની રચના સાથે સંબંધિત અભ્યાસો. સંશોધનના અગાઉના પ્રવાહમાંથી, અમે તારણ કાઢ્યું છે કે અમલીકરણની સફળતામાં અનુભવ એક મહત્વપૂર્ણ, હજુ સુધી અનિશ્ચિત ભૂમિકા ભજવે છે; શિક્ષણ ઔપચારિક તાલીમ અને વ્યવહારમાં ભાગીદારી દ્વારા બંને દ્વારા પ્રાપ્ત થાય છે; સંસ્થાકીય જ્ઞાન અવરોધો અન્ય સંસ્થાઓ પાસેથી શીખવાથી દૂર કરી શકાય છે; અને નવી તકનીકીઓ શીખવી એ એક ગતિશીલ પ્રક્રિયા છે જે તકોની પ્રમાણમાં સાંકડી બારીઓ દ્વારા વર્ગીકૃત થયેલ છે. બાદમાં પ્રવાહમાંથી, અમે તારણ કાઢ્યું છે કે સંસ્થાકીય મેમરી માહિતી સિસ્ટમો માટે વિભાવનાત્મક ડિઝાઇન આર્ટિફેક્ટ વિકાસ માટે મૂલ્યવાન યોગદાન છે; શિક્ષણને સંચાર અને પ્રવચનને ટેકો આપતી સિસ્ટમો દ્વારા વધારવામાં આવે છે; અને માહિતી તકનીકોમાં સંસ્થાકીય શિક્ષણને સક્ષમ અને અક્ષમ કરવાની ક્ષમતા છે. હાલમાં, આ બે પ્રવાહો એકબીજાથી સ્વતંત્ર રીતે વહે છે, તેમ છતાં તેમના નજીકના વૈચારિક અને વ્યવહારિક જોડાણો છે. અમે સલાહ આપીએ છીએ કે માહિતી ટેકનોલોજી અને સંગઠનાત્મક શિક્ષણ પર ભવિષ્યમાં સંશોધન વધુ સંકલિત રીતે આગળ વધે છે, સંગઠનાત્મક શિક્ષણની સ્થિત પ્રકૃતિને ઓળખે છે, વિતરણ સંગઠનાત્મક મેમરી પર ધ્યાન કેન્દ્રિત કરે છે, વ્યવહારમાં આર્ટિફેક્ટ્સની અસરકારકતા દર્શાવે છે, અને સંબંધિત ક્ષેત્રોમાં સંબંધિત સંશોધન તારણોની શોધ કરે છે. |
654d129eafc136bf5fccbc54e6c8078e87989ea8 | આ કાર્યમાં મલ્ટીમોડ બીમફોર્મિંગ 77-જીએચઝેડ ફ્રીક્વન્સી-મોડ્યુલેટેડ સતત તરંગ રડાર સિસ્ટમ રજૂ કરવામાં આવી છે. ટ્રાન્સમિટ પાથમાં સંકલિત ઇનફેઝ/ક્વાડ્રેટ્યુર મોડ્યુલેટર સાથે ચાર ટ્રાન્સસીવર ચિપ્સનો ઉપયોગ ટૂંકા અંતરની ફ્રીક્વન્સી-ડિવીઝન મલ્ટીપલ-એક્સેસ (એફડીએમએ) મલ્ટીપલ-ઇનપુટ મલ્ટીપલ-આઉટપુટ (એમઆઇએમઓ) અને સમાન એન્ટેના સાથે લાંબા અંતરની ટ્રાન્સમિટ ફેઝડ-એરે (પીએ) રડાર સિસ્ટમનો એક સાથે ખ્યાલ આવે તે માટે કરવામાં આવે છે. તે એફડીએમએ એમઆઇએમઓ રડારના ઉચ્ચ કોણીય રીઝોલ્યુશન અને પીએ ટ્રાન્સમિટ એન્ટેનાના ઉચ્ચ-ગઇન અને સંચાલિત બીમને જોડે છે. આ ખ્યાલનો ઉપયોગ કરીને ચાર એન્ટેના અને રીસીવ પાથમાં ડિજિટલ બીમફોર્મિંગની પદ્ધતિઓ સાથે લીનિયર એન્ટેના એરે માટે સંભવિત લાભો દર્શાવવા માટે કેટલાક માપન કરવામાં આવ્યા હતા. |
60611349d1b6d64488a5a88a9193e62d9db27b71 | આ અહેવાલમાં વર્તમાન થાક શોધ અને આગાહી તકનીકોની સમીક્ષા કરવામાં આવી છે. વિવિધ ઉપલબ્ધ ટેકનોલોજીઓ અંગેના ડેટા વિશ્વભરના વિવિધ સ્રોતોમાંથી એકત્રિત કરવામાં આવ્યા હતા. આ અહેવાલના પહેલા ભાગમાં ટેકનોલોજીના સંશોધન અને વિકાસની વર્તમાન સ્થિતિનો સારાંશ આપવામાં આવ્યો છે અને સંવેદનશીલતા, વિશ્વસનીયતા, માન્યતા અને સ્વીકાર્યતાના મુખ્ય મુદ્દાઓ સાથે ટેકનોલોજીની સ્થિતિનો સારાંશ આપવામાં આવ્યો છે. બીજા ભાગમાં પરિવહનમાં ટેકનોલોજીની ભૂમિકાનું મૂલ્યાંકન કરવામાં આવ્યું છે અને અન્ય અમલીકરણ અને નિયમનકારી માળખાની સરખામણીમાં ટેકનોલોજીના સ્થાન પર ટિપ્પણી કરવામાં આવી છે, ખાસ કરીને ઓસ્ટ્રેલિયા અને ન્યુઝીલેન્ડમાં. રિપોર્ટના લેખકોએ નિષ્કર્ષ કાઢ્યો છે કે હાર્ડવેર ટેકનોલોજીનો ઉપયોગ ક્યારેય કંપનીની થાક વ્યવસ્થાપન સિસ્ટમ તરીકે થવો જોઈએ નહીં. હાર્ડવેર ટેકનોલોજીમાં માત્ર છેલ્લી ખાઈ સલામતી ઉપકરણ બનવાની ક્ષમતા છે. તેમ છતાં હાર્ડવેર ટેકનોલોજીના આઉટપુટ કંપનીના થાક વ્યવસ્થાપન પ્રણાલીઓમાં ઉપયોગી રીતે ખવડાવી શકે છે જેથી વાસ્તવિક સમયના જોખમનું મૂલ્યાંકન કરી શકાય. જો કે, હાર્ડવેર ટેકનોલોજી આઉટપુટ મેનેજમેન્ટ સિસ્ટમમાં એકમાત્ર ઇનપુટ હોવું જોઈએ નહીં. અન્ય ઇનપુટ્સ ઓછામાં ઓછા માન્ય સોફ્ટવેર ટેકનોલોજી, ફરજ માટે યોગ્યતાનું પરસ્પર મૂલ્યાંકન અને કામના ભાર, શેડ્યૂલ અને રોડર્સના અન્ય જોખમ મૂલ્યાંકનોમાંથી આવવા જોઈએ. હેતુઃ માહિતી માટેઃ ભારે વાહનોના ડ્રાઇવરોમાં થાકના સંચાલનમાં થાક શોધ અને આગાહી તકનીકોના સ્થાનની સમજણ પૂરી પાડવી. |
d26c517baa9d6acbb826611400019297df2476a9 | |
0ee1916a0cb2dc7d3add086b5f1092c3d4beb38a | પાસ્કલ વિઝ્યુઅલ ઓબ્જેક્ટ ક્લાસ (વીઓસી) પડકાર દ્રશ્ય પદાર્થ કેટેગરી ઓળખ અને શોધમાં એક બેંચમાર્ક છે, જે દ્રષ્ટિ અને મશીન લર્નિંગ સમુદાયોને છબીઓ અને એનોટેશનના પ્રમાણભૂત ડેટાસેટ અને પ્રમાણભૂત મૂલ્યાંકન પ્રક્રિયાઓ પ્રદાન કરે છે. 2005થી અત્યાર સુધી દર વર્ષે આયોજિત થતા આ ચેલેન્જ અને તેની સાથે જોડાયેલા ડેટાસેટને ઓબ્જેક્ટ ડિટેક્શન માટે બેંચમાર્ક તરીકે સ્વીકારવામાં આવે છે. આ કાગળ ડેટાસેટ અને મૂલ્યાંકન પ્રક્રિયાનું વર્ણન કરે છે. અમે વર્ગીકરણ અને શોધ બંને માટે મૂલ્યાંકિત પદ્ધતિઓમાં કલાની સ્થિતિની સમીક્ષા કરીએ છીએ, વિશ્લેષણ કરીએ છીએ કે શું પદ્ધતિઓ આંકડાકીય રીતે અલગ છે, તેઓ છબીઓમાંથી શું શીખે છે (દા. ત. ઑબ્જેક્ટ અથવા તેના સંદર્ભ) અને પદ્ધતિઓ શું સરળ અથવા ગૂંચવણભરી છે. આ કાગળ પડકારના ત્રણ વર્ષના ઇતિહાસમાં શીખેલા પાઠ સાથે સમાપ્ત થાય છે, અને ભવિષ્યમાં સુધારણા અને વિસ્તરણ માટે દિશા સૂચવે છે. |
981fef7155742608b8b6673f4a9566158b76cd67 | |
a6eb10b1d30b4547b04870a82ec0c65baf2198f8 | |
40e06608324781f6de425617a870a103d4233d5c | ત્યારબાદ, KM પદ્ધતિઓને કાર્યરત કરવા માટે, સતત નવીનીકરણની પ્રક્રિયામાં જ્ઞાન સંપત્તિના ત્રણ સ્ત્રોતો, મેટા-મોડેલ અને મેક્રો પ્રક્રિયાને એકીકૃત કરીને હાયરાર્કિક મોડેલ બનાવવામાં આવે છે. આ મોડેલ જ્ઞાન અને નવીનીકરણ વચ્ચેના જટિલ સંબંધોને ચાર સ્તરોમાં વિભાજિત કરે છે. વ્યવહારિક અસર - અગાઉના સંશોધનમાં કેએમ પ્રથાઓ વિશે શીખેલા પાઠ મુજબ, નવીનતા માટે કેએમ પ્રોજેક્ટ્સના સફળ અમલીકરણ માટે કેએમના ત્રણ દ્રષ્ટિકોણો એકબીજા સાથે સહયોગ કરવો જોઈએ; અને હાયરાર્કીક મોડેલ નવીનતા માટે કેએમ સિસ્ટમ્સને અમલમાં મૂકવા માટે યોગ્ય આર્કિટેક્ચર પૂરું પાડે છે. મૌલિક્તા/મૂલ્ય - મેટા-મોડેલ અને મેક્રો પ્રક્રિયા સમજાવશે કે કેવી રીતે આગામી પેઢીના કેએમ મૂલ્ય નિર્માણમાં મદદ કરી શકે છે અને સિસ્ટમ્સના વિચારસરણીના પરિપ્રેક્ષ્યમાંથી સતત નવીનીકરણને ટેકો આપી શકે છે. હાયરાર્કીક મોડલ સતત નવીનીકરણની પ્રક્રિયામાં જટિલ જ્ઞાન ગતિશીલતાને દર્શાવે છે. આ સંશોધનનો ઉદ્દેશ નવીનીકરણ માટે જ્ઞાન વ્યવસ્થાપન (કેએમ) ની પદ્ધતિઓને સમજવાનો અને સતત નવીનીકરણમાં કેએમ પ્રવૃત્તિઓનો લાભ લેવા માટે ઉદ્યોગોને એક અભિગમ પૂરો પાડવાનો છે. ડિઝાઇન/પદ્ધતિ/પદ્ધતિ - બહુવિષયક ક્ષેત્રોમાંથી સાહિત્યની સમીક્ષા કરીને જ્ઞાન, કેએમ અને નવીનીકરણની વિભાવનાઓની તપાસ કરવામાં આવે છે. જ્ઞાન વ્યવસ્થાપનના ભૌતિક, માનવ અને ટેકનોલોજીકલ દ્રષ્ટિકોણને નવીનીકરણ માટે બે મુખ્ય પ્રવૃત્તિઓની ઓળખ સાથે અલગ પાડવામાં આવે છેઃ જ્ઞાન સર્જન અને જ્ઞાનનો ઉપયોગ. ત્યારબાદ સતત નવીનીકરણ માટે એક આવશ્યક જરૂરિયાત - આંતરિકકરણનો તબક્કો વ્યાખ્યાયિત કરવામાં આવે છે. નવીનીકરણ માટે કેએમનાં તંત્ર વિશે વ્યાપક સમજણ પ્રદાન કરવા માટે સિસ્ટમોનું વિચાર અને માનવ કેન્દ્રિત દ્રષ્ટિકોણ અપનાવવામાં આવ્યા છે. તારણો - આંતરિકકરણના તબક્કાને સમાવીને, સતત નવીનીકરણની નેટવર્કિંગ પ્રક્રિયાની દરખાસ્ત કરવામાં આવી છે. KMના ત્રણ દ્રષ્ટિકોણ મુજબ, નવીનીકરણમાં સંસ્થાકીય જ્ઞાન સંપત્તિના ત્રણ સ્ત્રોતોની ઓળખ કરવામાં આવે છે. ત્યારબાદ નવીનીકરણની બે મુખ્ય પ્રવૃત્તિઓના આધારે, સતત નવીનીકરણ માટે કેએમનાં મિકેનિઝમ્સને મોડેલ કરવા માટે કેએમનું મેટા-મોડેલ અને મેક્રો પ્રક્રિયા પ્રસ્તાવિત કરવામાં આવી છે. |
1dba1fa6dd287fde87823218d4f03559dde4e15b | આ કાગળમાં સ્ટાર્ટ માહિતી ઍક્સેસ સિસ્ટમમાં પ્રશ્ન જવાબ આપવા માટે કુદરતી ભાષા એનોટેશન્સના ઉપયોગથી શીખેલા વ્યૂહરચનાઓ અને પાઠ રજૂ કરવામાં આવ્યા છે. |
77fbbb9ff612c48dad8313087b0e6ed03c31812a | લિક્વિડ ક્રિસ્ટલ પોલિમર (એલસીપી) એવી સામગ્રી છે કે જેણે સંભવિત ઉચ્ચ પ્રદર્શન માઇક્રોવેવ સબસ્ટ્રેટ અને પેકેજિંગ સામગ્રી તરીકે ધ્યાન મેળવ્યું છે. આ તપાસમાં મિલિમીટર-વેવ ફ્રીક્વન્સીઝ માટે એલસીપીના વિદ્યુત ગુણધર્મોને નક્કી કરવા માટે ઘણી પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે. માઇક્રોસ્ટ્રીપ રિંગ રેઝોનર્સ અને પોલાણ રેઝોનર્સને 30 ગીગાહર્ટ્ઝથી ઉપરના એલસીપીના ડિયેલેક્ટ્રિક સતત (/ સ્પિલ ઇપ્સી / સબ આર /) અને નુકશાન સ્પર્શક (ટેન / સ્પિલ ડેલ્ટા /) નું વર્ણન કરવા માટે માપવામાં આવે છે. માપવામાં આવેલ ડિયેલેક્ટ્રિક સતત 3.16 ની નજીક સ્થિર હોવાનું દર્શાવવામાં આવ્યું છે, અને નુકશાન સ્પર્શક 0.0049 ની નીચે રહે છે. વધુમાં, વિવિધ ટ્રાન્સમિશન લાઇન વિવિધ એલસીપી સબસ્ટ્રેટ જાડાઈ પર બનાવવામાં આવે છે અને નુકશાન લાક્ષણિકતાઓ 2 થી 110 ગીગાહર્ટ્ઝ પ્રતિ સેન્ટીમીટર ડેસિબલ્સમાં આપવામાં આવે છે. 110 ગીગાહર્ટ્ઝ પર ટ્રાન્સમિશન લાઇનના પીક લોસ 0.88-2.55 ડીબી / સેમી વચ્ચે બદલાય છે, જે લાઇન પ્રકાર અને ભૂમિતિ પર આધારિત છે. આ પરિણામો પ્રથમ વખત દર્શાવે છે કે એલસીપી મિલીમીટર-વેવ ફ્રીક્વન્સીઝમાં વિસ્તરેલી એપ્લિકેશન્સ માટે ઉત્તમ ડાઇલેક્ટ્રિક ગુણધર્મો ધરાવે છે. |
cb84ef73db0a259b07289590f0dfcb9b8b9bbe79 | આ કાગળ વસ્ત્રોવાળા ઉપકરણો માટે હાઇબ્રિડ રેડિયો ફ્રીક્વન્સી (આરએફ) અને પીઝોઇલેક્ટ્રિક પાતળા ફિલ્મ પોલિવિનીલીડેન ફ્લોરાઇડ (પીવીડીએફ) સ્પંદન ઊર્જા હાર્વેસ્ટરનું વર્ણન કરે છે. પરોપજીવી ક્ષમતા અને વિભિન્ન ઇન્ડક્ટર્સની પ્રતિરોધકતાની લાક્ષણિકતાઓનો ઉપયોગ કરીને, પ્રસ્તાવિત હાર્વેસ્ટર માત્ર 15 હર્ટ્ઝની સ્પંદન ઊર્જાને જ સાફ કરતું નથી પરંતુ 915 મેગાહર્ટઝના લવચીક ચાંદીના શાહીવાળા આરએફ ડાઇપોલ એન્ટેના તરીકે પણ કામ કરે છે. વધુમાં, 6 તબક્કાના ડિકસન આરએફ-થી-ડીસી કન્વર્ટર અને હાઇબ્રિડ હાર્વેસ્ટરના આરએફ અને સ્પંદન આઉટપુટને રેઝિસ્ટિવ લોડ્સને પાવર કરવા માટે ડીસી સિગ્નલોમાં રૂપાંતરિત કરવા માટે ડાયોડ બ્રિજ રેક્ટિફાયર સહિતના ઇન્ટરફેસ સર્કિટનું મૂલ્યાંકન કરવામાં આવે છે. રેફ્રિજરેશનથી સીસી કન્વર્ટર અને -8 ડીબીએમ ઇનપુટ આરએફ પાવરનો ઉપયોગ કરતી વખતે 20.9 μ ની મહત્તમ સીસી આઉટપુટ પાવર, ઓપન-સર્કિટ આઉટપુટ વોલ્ટેજના 36 ટકા પર પ્રાપ્ત થાય છે જ્યારે 3 જી સ્પંદન ઉત્તેજનાથી મેળવેલી સીસી પાવર મહત્તમ 2.8 μW સુધી પહોંચે છે, જે ઓપન-સર્કિટ વોલ્ટેજના 51% છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે પરીક્ષણ કરાયેલ હાઇબ્રિડ હાર્વેસ્ટિંગ સિસ્ટમ એક સાથે 7.3 μW સીસી પાવર ઉત્પન્ન કરે છે, જ્યારે હાર્વેસ્ટરથી 3 ડબલ્યુ ઇઆઇઆરપી 915 મેગાહર્ટઝ ટ્રાન્સમીટર સુધીનું અંતર 5.5 મીટર છે, અને 1.8 જી સ્પંદન પ્રવેગક ટોચથી 1.8 μW સીસી પાવર. |
d8e8bdd687dd588b71d92ff8f6018a1084f85437 | લોકો ઈન્ટરનેટનો ઉપયોગ કરે છે તેવી જ રીતે, ઉપકરણો ઈન્ટરનેટ ઓફ થિંગ્સ (આઇઓટી) ઇકોસિસ્ટમમાં મુખ્ય વપરાશકર્તાઓ હશે. તેથી, ડિવાઇસ-ટુ-ડિવાઇસ (ડી2ડી) સંચાર આઇઓટીનો એક આંતરિક ભાગ હોવાની અપેક્ષા છે. ઉપકરણો કોઈ પણ કેન્દ્રીય નિયંત્રણ વિના સ્વાયત્ત રીતે એકબીજા સાથે વાતચીત કરશે અને મલ્ટિહોપ રીતે માહિતી એકત્રિત કરવા, શેર કરવા અને આગળ મોકલવા માટે સહયોગ કરશે. વાસ્તવિક સમયમાં સંબંધિત માહિતી એકત્રિત કરવાની ક્ષમતા આઈઓટીના મૂલ્યનો લાભ લેવા માટે ચાવીરૂપ છે કારણ કે આવી માહિતીને બુદ્ધિમાં પરિવર્તિત કરવામાં આવશે, જે બુદ્ધિશાળી વાતાવરણની રચનાને સરળ બનાવશે. આખરે, એકત્રિત કરેલી માહિતીની ગુણવત્તા ઉપકરણો કેટલા સ્માર્ટ છે તેના પર નિર્ભર છે. વધુમાં, આ સંચાર ઉપકરણો અલગ અલગ નેટવર્કિંગ ધોરણો સાથે કામ કરશે, એકબીજા સાથે વિક્ષેપકારક કનેક્ટિવિટીનો અનુભવ કરી શકે છે, અને તેમાંના ઘણા સંસાધન મર્યાદિત હશે. આ લાક્ષણિકતાઓ કેટલાક નેટવર્કિંગ પડકારો ખોલે છે જે પરંપરાગત રૂટીંગ પ્રોટોકોલ હલ કરી શકતા નથી. પરિણામે, ઉપકરણોને બુદ્ધિશાળી ડી2ડી સંચાર પ્રાપ્ત કરવા માટે બુદ્ધિશાળી રૂટીંગ પ્રોટોકોલની જરૂર પડશે. અમે આઈઓટી ઇકોસિસ્ટમમાં બુદ્ધિશાળી ડી2ડી સંચાર કેવી રીતે પ્રાપ્ત કરી શકાય છે તેનું વિહંગાવલોકન રજૂ કરીએ છીએ. ખાસ કરીને, અમે કેવી રીતે અદ્યતન રૂટીંગ અલ્ગોરિધમ્સ આઇઓટીમાં બુદ્ધિશાળી ડી 2 ડી સંચાર પ્રાપ્ત કરી શકે છે તેના પર ધ્યાન કેન્દ્રિત કરીએ છીએ. |
5e6035535d6d258a29598faf409b57a71ec28f21 | |
766c251bd7686dd707acd500e80d7184929035c6 | ટ્રાફિક લાઇટ ડિટેક્શન (ટીએલડી) એ સ્માર્ટ વાહનો અને ડ્રાઇવિંગ સહાયક સિસ્ટમ્સ (ડીએએસ) બંનેનો એક મહત્વપૂર્ણ ભાગ છે. મોટાભાગના TLD માટે સામાન્ય એ છે કે તેઓ નાના અને ખાનગી ડેટાસેટ્સ પર મૂલ્યાંકન કરવામાં આવે છે જે આપેલ પદ્ધતિના ચોક્કસ પ્રદર્શનને નિર્ધારિત કરવાનું મુશ્કેલ બનાવે છે. આ કાગળમાં અમે જાહેર LISA ટ્રાફિક લાઇટ ડેટાસેટ પર અત્યાધુનિક, રીઅલ-ટાઇમ ઑબ્જેક્ટ ડિટેક્શન સિસ્ટમ You Only Look Once, (YOLO) નો ઉપયોગ કરીએ છીએ, જે VIVA-ચેલેન્જ દ્વારા ઉપલબ્ધ છે, જેમાં વિવિધ પ્રકાશ અને હવામાનની સ્થિતિમાં કેપ્ચર કરેલા ઉચ્ચ સંખ્યામાં એનોટેડ ટ્રાફિક લાઇટ્સ છે. , , , , , , YOLO ઑબ્જેક્ટ ડિટેક્ટર દિવસના અનુક્રમ માટે પ્રભાવશાળી 90.49% ની AUC પ્રાપ્ત કરે છે, જે VIVAchallenge માં નવીનતમ ACF એન્ટ્રીની તુલનામાં 50.32% નો સુધારો છે. એસીએફ ડિટેક્ટર તરીકે બરાબર એ જ તાલીમ રૂપરેખાંકનનો ઉપયોગ કરીને, YOLO ડિટેક્ટર 58.3% ની AUC સુધી પહોંચે છે, જે 18.13% ની વૃદ્ધિમાં છે. |
136b9952f29632ab3fa2bbf43fed277204e13cb5 | દ્રશ્ય વર્ગીકરણ કમ્પ્યુટર દ્રષ્ટિમાં મૂળભૂત સમસ્યા છે. જો કે, દ્રશ્ય સમજણ સંશોધન હાલમાં ઉપયોગમાં લેવાતા ડેટાબેઝની મર્યાદિત અવકાશ દ્વારા મર્યાદિત કરવામાં આવ્યું છે જે દ્રશ્ય કેટેગરીની સંપૂર્ણ વિવિધતાને પકડી શકતા નથી. જ્યારે ઓબ્જેક્ટ કેટેગરીઝેશન માટે પ્રમાણભૂત ડેટાબેઝમાં ઓબ્જેક્ટ્સના સેંકડો વિવિધ વર્ગો હોય છે, ત્યારે દ્રશ્ય કેટેગરીઝના સૌથી મોટા ઉપલબ્ધ ડેટાસેટમાં માત્ર 15 વર્ગો છે. આ પેપરમાં અમે વિસ્તૃત દ્રશ્ય UNderstanding (સન) ડેટાબેઝ પ્રસ્તાવ છે જેમાં 899 વર્ગો અને 130,519 છબીઓ સમાવે છે. અમે 397 સારી રીતે નમૂનાવાળી કેટેગરીઝનો ઉપયોગ દ્રશ્ય ઓળખ માટે અસંખ્ય રાજ્ય-ઓફ-ધ-આર્ટ અલ્ગોરિધમ્સનું મૂલ્યાંકન કરવા અને પ્રદર્શનની નવી મર્યાદા સ્થાપિત કરવા માટે કરીએ છીએ. અમે માનવ દ્રશ્ય વર્ગીકરણ કામગીરીને સન ડેટાબેઝ પર માપીએ છીએ અને આની તુલના કમ્પ્યુટેશનલ પદ્ધતિઓ સાથે કરીએ છીએ. વધુમાં, અમે એક વધુ દંડ-કણ દ્રશ્ય પ્રતિનિધિત્વ અભ્યાસ મોટા દ્રશ્યો અંદર એમ્બેડ દ્રશ્યો શોધવા માટે. |
eb06182a2817d06e82612a0c32a6c843f01c6a03 | આ કાગળ એક કોષ્ટક પર આધારિત કુદરતી ભાષા વાક્ય પેદા કરવા માટે એક ન્યુરલ જનરેટિવ મોડેલ, એટલે કે ટેબલ 2 સેકનો પ્રસ્તાવ આપે છે. ખાસ કરીને, આ મોડેલ સતત વેક્ટર્સ માટે કોષ્ટકનો નકશો બનાવે છે અને પછી કોષ્ટકના સિમેન્ટીક્સનો લાભ લઈને કુદરતી ભાષા વાક્ય બનાવે છે. કારણ કે દુર્લભ શબ્દો, ઉદાહરણ તરીકે, એકમો અને મૂલ્યો, સામાન્ય રીતે કોષ્ટકમાં દેખાય છે, અમે એક લવચીક નકલ પદ્ધતિ વિકસાવી છે જે પસંદગીપૂર્વક કોષ્ટકમાંથી સામગ્રીને આઉટપુટ ક્રમમાં પ્રતિકૃતિ કરે છે. અમે અમારા ટેબલ2સેક મોડેલની અસરકારકતા અને ડિઝાઇન કરેલી નકલ પદ્ધતિની ઉપયોગિતા દર્શાવવા માટે વ્યાપક પ્રયોગો કરીએ છીએ. WIKIBIO અને SIMPLEQUESTIONS ડેટાસેટ્સ પર, Table2Seq મોડેલ અનુક્રમે BLEU-4 સ્કોર્સના સંદર્ભમાં 34.70 થી 40.26 અને 33.32 થી 39.12 સુધીના સ્ટેટ-ઓફ-ધ-આર્ટ પરિણામોમાં સુધારો કરે છે. વધુમાં, અમે એક ઓપન ડોમેન ડેટાસેટ વિકિટેબલટેક્સ્ટનું નિર્માણ કરીએ છીએ જેમાં 4962 કોષ્ટકો માટે 13 318 વર્ણનાત્મક વાક્યોનો સમાવેશ થાય છે. અમારા ટેબલ2સેક મોડેલ ટેમ્પલેટ આધારિત અને ભાષા મોડેલ આધારિત અભિગમો કરતાં વધુ સારી કામગીરી કરતા વિકિટેબલટેક્સ્ટ પર 38.23 ના બ્લ્યૂ -4 સ્કોર પ્રાપ્ત કરે છે. વધુમાં, શોધ એન્જિનમાંથી 1 એમ ટેબલ-ક્વેરી જોડીઓ પર પ્રયોગો દ્વારા, અમારા ટેબલ 2 સેક મોડેલ કોષ્ટકના માળખાગત ભાગને ધ્યાનમાં લેતા, એટલે કે, કોષ્ટક લક્ષણો અને કોષ્ટક કોષો, વધારાની માહિતી તરીકે, માત્ર કોષ્ટકના અનુક્રમિક ભાગને ધ્યાનમાં લેતા સિક્વન્સ-ટુ-સિક્વન્સ મોડેલ કરતાં વધુ સારી કામગીરી કરે છે, એટલે કે, કોષ્ટકનું શીર્ષક. |
ea951c82efe26424e3ce0d167e01f59e5135a2da | ટાઈમ અપ એન્ડ ગો એ વૃદ્ધો અને પાર્કિન્સન રોગમાં ગતિશીલતાનું મૂલ્યાંકન કરવા માટે એક ક્લિનિકલ પરીક્ષણ છે. તાજેતરમાં પરીક્ષણના સાધનોની આવૃત્તિઓ ધ્યાનમાં લેવામાં આવી રહી છે, જ્યાં નિષ્ક્રિય સેન્સર ગતિનું મૂલ્યાંકન કરે છે. સર્વવ્યાપકતા, ઉપયોગની સરળતા અને ખર્ચમાં સુધારો કરવા માટે, અમે માપન સિસ્ટમ તરીકે સ્માર્ટફોનના એક્સિલરોમીટરને ધ્યાનમાં લઈએ છીએ. પરીક્ષણ દરમિયાન નોંધાયેલા સંકેતોમાંથી કેટલાક પરિમાણો (સામાન્ય રીતે અત્યંત સહસંબંધિત) ની ગણતરી કરી શકાય છે. રિડન્ડન્સીને ટાળવા અને લોકોમોટર પ્રદર્શન માટે સૌથી વધુ સંવેદનશીલ લક્ષણો મેળવવા માટે, મુખ્ય ઘટક વિશ્લેષણ (પીસીએ) દ્વારા પરિમાણીયતા ઘટાડવાનું કરવામાં આવ્યું હતું. વિવિધ ઉંમરના ૪૯ સ્વસ્થ વિષયોની તપાસ કરવામાં આવી હતી. પીસીએ નવા લક્ષણો (મુખ્ય ઘટકો) કાઢવા માટે કરવામાં આવ્યા હતા જે મૂળ પરિમાણોના બિનજરૂરી સંયોજનો નથી અને મોટાભાગના ડેટા વેરિએબિલિટી માટે જવાબદાર છે. તેઓ સંશોધન વિશ્લેષણ અને આઉટલિયર શોધ માટે ઉપયોગી હોઈ શકે છે. ત્યારબાદ મુખ્ય ઘટકો સાથેના સંબંધ વિશ્લેષણ દ્વારા મૂળ પરિમાણોનો એક સંક્ષિપ્ત સમૂહ પસંદ કરવામાં આવ્યો હતો. આ સમૂહને તંદુરસ્ત પુખ્ત વયના લોકો પર આધારિત અભ્યાસો માટે ભલામણ કરી શકાય છે. પ્રસ્તાવિત પ્રક્રિયાનો ઉપયોગ વર્ગીકરણ અભ્યાસોમાં પ્રથમ સ્તરની સુવિધા પસંદગી તરીકે થઈ શકે છે (એટલે કે. સ્વસ્થ-પાર્કિન્સન રોગ, ફોલર્સ-નોન ફોલર્સ) અને ભવિષ્યમાં, સ્માર્ટફોનમાં ગતિ વિશ્લેષણ માટે સંપૂર્ણ સિસ્ટમને સમાવિષ્ટ કરવાની મંજૂરી આપી શકે છે. |
e467278d981ba30ab3b24235d09205e2aaba3d6f | આ અભ્યાસનો ઉદ્દેશ એક અનુક્રમિક મધ્યસ્થી મોડેલ વિકસાવવાનો અને પરીક્ષણ કરવાનો હતો જે કર્મચારી સુખાકારી માટે નિષ્ક્રિય નેતૃત્વના નકારાત્મક સંબંધને સમજાવે છે. ભૂમિકા તણાવ સિદ્ધાંતના આધારે, અમે ધારીએ છીએ કે નિષ્ક્રિય નેતૃત્વ ભૂમિકા અસ્પષ્ટતા, ભૂમિકા સંઘર્ષ અને ભૂમિકા ઓવરલોડના ઉચ્ચ સ્તરની આગાહી કરશે. સંસાધનોના સંરક્ષણની સિદ્ધાંતને ધ્યાનમાં રાખીને, અમે આગળ ધારીએ છીએ કે આ ભૂમિકા તણાવના પરિબળો કર્મચારી સુખાકારીના બે પાસાઓ પર પરોક્ષ અને નકારાત્મક અસર કરશે, એટલે કે એકંદર માનસિક સ્વાસ્થ્ય અને એકંદર કામની વર્તણૂક, મનોવૈજ્ઞાનિક કામની થાક દ્વારા. 2467 અમેરિકી કામદારોના સંભાવના નમૂનાનો ઉપયોગ કરીને, માળખાકીય સમીકરણ મોડેલિંગ એ મોડેલને ટેકો આપ્યો હતો કે ભૂમિકા તણાવ અને મનોવૈજ્ઞાનિક કામની થાક આંશિક રીતે નિષ્ક્રિય નેતૃત્વ અને કર્મચારી સુખાકારીના બંને પાસાઓ વચ્ચે નકારાત્મક સંબંધને મધ્યસ્થી કરે છે. અનુમાનિત, ક્રમિક પરોક્ષ સંબંધોએ નિષ્ક્રિય નેતૃત્વ અને માનસિક સ્વાસ્થ્ય વચ્ચેના એકંદર સંબંધના 47.9% અને નિષ્ક્રિય નેતૃત્વ અને એકંદર કાર્ય વલણ વચ્ચેના એકંદર સંબંધના 26.6% સમજાવી. કૉપિરાઇટ © 2016 જ્હોન વિલી એન્ડ સન્સ, લિમિટેડ |
9a86ae8e9b946dc6d957357e0670f262fa1ead9d | લેખ ઇતિહાસઃ 22 ઓગસ્ટ 2007 પ્રાપ્ત 29 ફેબ્રુઆરી 2008 સ્વીકારવામાં ઓનલાઇન ઉપલબ્ધ xxxx |
f8acaabc99801a89baa5a9eff445fc5922498dd0 | ડીપ ડોમેન અનુકૂલન પદ્ધતિઓ ડોમેન-અનવિકાસી એમ્બેડિંગ્સને શીખીને વિતરણ વિસંગતતાને ઘટાડી શકે છે. જો કે, આ પદ્ધતિઓ માત્ર સમગ્ર ડેટા વિતરણને સંરેખિત કરવા પર ધ્યાન કેન્દ્રિત કરે છે, સ્ત્રોત અને લક્ષ્ય છબીઓ વચ્ચે વર્ગ-સ્તર સંબંધો ધ્યાનમાં લીધા વગર. આમ, પક્ષીના લક્ષ્યના એમ્બેડિંગને વિમાનના સ્રોત એમ્બેડિંગ સાથે ગોઠવી શકાય છે. આ અર્થપૂર્ણ ખોટી ગોઠવણી સીધી લક્ષ્ય ડેટાસેટ પર વર્ગીકૃતકર્તા પ્રદર્શનને ઘટાડી શકે છે. આ સમસ્યાને દૂર કરવા માટે, અમે અનસર્વેસ્ડ ડોમેન અનુકૂલન માટે સમાનતા પ્રતિબંધિત ગોઠવણી (એસસીએ) પદ્ધતિ રજૂ કરીએ છીએ. જ્યારે એમ્બેડિંગ સ્પેસમાં વિતરણને ગોઠવીને, એસસીએ સ્રોત અને લક્ષ્ય છબીઓ વચ્ચે વર્ગ-સ્તરના સંબંધો જાળવવા માટે સમાનતા-રક્ષણની મર્યાદાને લાગુ કરે છે, એટલે કે, જો સ્રોત છબી અને લક્ષ્ય છબી સમાન વર્ગના લેબલની હોય, તો તેમની અનુરૂપ એમ્બેડિંગ નજીકમાં ગોઠવવામાં આવે છે, અને વિપરીત. લક્ષ્ય લેબલ્સની ગેરહાજરીમાં, અમે લક્ષ્ય છબીઓ માટે સ્યુડો લેબલ્સ સોંપીએ છીએ. લેબલવાળા સ્રોત છબીઓ અને સ્યુડો-લેબલવાળા લક્ષ્ય છબીઓને ધ્યાનમાં રાખીને, સમાનતા-રક્ષણની મર્યાદાને ટ્રિપલટેસ નુકશાનને ઘટાડીને અમલમાં મૂકી શકાય છે. ડોમેન સંરેખણ નુકશાન અને સમાનતા જાળવી રાખવાની મર્યાદાની સંયુક્ત દેખરેખ સાથે, અમે બે નિર્ણાયક લાક્ષણિકતાઓ, ઇન્ટ્રા-ક્લાસ કોમ્પેક્ટનેસ અને ઇન્ટર-ક્લાસ અલગતા સાથે ડોમેન-અનવર્તક એમ્બેડિંગ મેળવવા માટે નેટવર્કને તાલીમ આપીએ છીએ. બે ડેટા સેટ્સ પર હાથ ધરવામાં આવેલા વ્યાપક પ્રયોગો એસસીએની અસરકારકતા દર્શાવે છે. |
a3c3c084d4c30cf40e134314a5dcaf66b4019171 | |
21aebb53a45ccac7f6763d9c47477092599f6be1 | |
12e1923fb86ed06c702878bbed51b4ded2b16be1 | આ લેખમાં, અમે પોર્ટેબલ સ્માર્ટ રડાર સેન્સરથી હસ્તાક્ષરોની પેટર્ન ઓળખ પર આધારિત માનવ હાવભાવ ઓળખ સિસ્ટમની રચનાને ધ્યાનમાં લઈએ છીએ. એએએ બેટરીથી સંચાલિત સ્માર્ટ રડાર સેન્સર 2.4 ગીગાહર્ટ્ઝ ઔદ્યોગિક, વૈજ્ઞાનિક અને તબીબી (આઇએસએમ) બેન્ડમાં કામ કરે છે. અમે બે અલગ અલગ હાવભાવો માટે રડાર સંકેતોમાંથી કાઢવામાં આવેલા મુખ્ય ઘટકો અને એપ્લિકેશન-વિશિષ્ટ સમય અને આવર્તન ડોમેન સુવિધાઓનો ઉપયોગ કરીને સુવિધા જગ્યાનું વિશ્લેષણ કર્યું. અમે દર્શાવ્યું છે કે નજીકના પાડોશી આધારિત વર્ગીકરણ કરનાર મલ્ટી ક્લાસ વર્ગીકરણ માટે 95% થી વધુ ચોકસાઈ મેળવી શકે છે જ્યારે 10 ગણો ક્રોસ માન્યતાનો ઉપયોગ કરીને જ્યારે લક્ષણોને મેગ્નિચ્યુડ તફાવતો અને ડોપ્લર શિફ્ટના આધારે કાઢવામાં આવે છે, જ્યારે ઓર્થોગોનલ રૂપાંતરણ દ્વારા કાઢવામાં આવેલી સુવિધાઓની તુલનામાં. આ અહેવાલમાં જણાવવામાં આવેલા પરિણામો સ્માર્ટ હોમ અને આરોગ્ય દેખરેખના હેતુઓ માટે ઉચ્ચ ચોકસાઈવાળા પેટર્ન ઓળખ સિસ્ટમ સાથે સંકલિત બુદ્ધિશાળી રડારની સંભવિતતાને દર્શાવે છે. |
25b87d1d17adabe2923da63e0b93fb7d2bac73f7 | નેટવર્ક અને તેના સંસાધનો પર સતત વધતા હુમલાઓ (જેમ કે તાજેતરમાં કોડરેડ વોર્મ દ્વારા દર્શાવવામાં આવ્યું છે) આ મૂલ્યવાન સંપત્તિને સુરક્ષિત કરવાની જરૂરિયાત ઊભી કરે છે. ફાયરવોલ હવે ઘૂસણખોરીના પ્રયાસોને પ્રથમ સ્થાને અટકાવવા માટે એક સામાન્ય સ્થાપન છે. ઘૂસણખોરીની શોધ કરનારી સિસ્ટમ્સ (આઇડીએસ), જે દૂષિત પ્રવૃત્તિઓને અટકાવવાને બદલે શોધવાનો પ્રયાસ કરે છે, જ્યારે પ્રથમ સંરક્ષણ પરિમિતિમાં પ્રવેશ કરવામાં આવે ત્યારે વધારાની સુરક્ષા પ્રદાન કરે છે. આઇડી સિસ્ટમો એ અગાઉથી નિર્ધારિત સહીઓ (સહી આધારિત) અથવા કાનૂની વર્તણૂંકના મોડેલ (અનામિક આધારિત) સાથે સરખામણી કરીને હુમલાને પિન કરવાનો પ્રયાસ કરે છે. અનામિક આધારિત સિસ્ટમોમાં અગાઉ અજાણ્યા હુમલાઓને શોધી કાઢવામાં સક્ષમ હોવાનો ફાયદો છે પરંતુ તેઓ સ્વીકાર્ય વર્તણૂંકનું નક્કર મોડેલ બનાવવા અને અસામાન્ય પરંતુ અધિકૃત પ્રવૃત્તિઓ દ્વારા થતા એલાર્મની ઊંચી સંખ્યાને કારણે મુશ્કેલી અનુભવે છે. અમે એક અભિગમ રજૂ કરીએ છીએ જે નેટવર્ક સેવાઓના એપ્લિકેશન-વિશિષ્ટ જ્ઞાનનો ઉપયોગ કરે છે જેનું રક્ષણ થવું જોઈએ. આ માહિતી વર્તમાન, સરળ નેટવર્ક ટ્રાફિક મોડેલોને વિસ્તૃત કરવા માટે એક એપ્લિકેશન મોડેલ રચવા માટે મદદ કરે છે જે સિંગલ નેટવર્ક પેકેટોમાં છુપાયેલા દૂષિત સામગ્રીને શોધવાની મંજૂરી આપે છે. અમે અમારા પ્રસ્તાવિત મોડેલની વિશેષતાઓનું વર્ણન કરીએ છીએ અને પ્રાયોગિક ડેટા રજૂ કરીએ છીએ જે અમારી સિસ્ટમ્સની કાર્યક્ષમતાને દર્શાવે છે. |
10338babf0119e3dba196aef44fa717a1d9a06df | |
36e41cdfddd190d7861b91b04a515967fd1541d9 | પ્રાપ્તઃ 20 જુલાઈ 2012 સુધારેલઃ 18 ફેબ્રુઆરી 2013 બીજું પુનરાવર્તનઃ 28 જૂન 2013 ત્રીજું પુનરાવર્તનઃ 20 સપ્ટેમ્બર 2013 ચોથું પુનરાવર્તનઃ 7 નવેમ્બર 2013 સ્વીકાર્યુંઃ 1 ફેબ્રુઆરી 2014 સારાંશ જેમ જેમ સોશિયલ નેટવર્કિંગ સાઇટ્સ (એસએનએસ) માં સમાવિષ્ટ સંદેશાઓ અને સામાજિક સંબંધોની સંખ્યા વધે છે તેમ તેમ, વ્યક્તિઓ પાસેથી પ્રતિક્રિયાની માંગ કરતી સામાજિક માહિતીની માત્રા પણ વધે છે. અમે જોયું છે કે, પરિણામે, એસએનએસ વપરાશકર્તાઓને લાગે છે કે તેઓ અન્ય એસએનએસ વપરાશકર્તાઓને ખૂબ સામાજિક ટેકો આપી રહ્યા છે. સામાજિક સહાયતા સિદ્ધાંત (એસએસટી) પર આધારિત, અમે એસએનએસ ઉપયોગ સાથે આ નકારાત્મક જોડાણને "સામાજિક ઓવરલોડ" કહીએ છીએ અને તેને માપવા માટે એક ગુપ્ત ચલ વિકસાવીએ છીએ. પછી અમે સામાજિક ઓવરલોડના સૈદ્ધાંતિક પૂર્વવર્તીઓ અને પરિણામોને ઓળખીએ છીએ અને 12 સાથેના ઇન્ટરવ્યુ અને 571 ફેસબુક વપરાશકર્તાઓના સર્વેક્ષણનો ઉપયોગ કરીને સામાજિક ઓવરલોડ મોડેલનું મૂલ્યાંકન કરીએ છીએ. પરિણામો દર્શાવે છે કે ઉપયોગની હદ, મિત્રોની સંખ્યા, વ્યક્તિલક્ષી સામાજિક સહાયતાના ધોરણો અને સંબંધના પ્રકાર (ફક્ત-ઓનલાઇન વિ. ઑફલાઇન મિત્રો) એવા પરિબળો છે જે સીધા સામાજિક ભારને ફાળો આપે છે જ્યારે ઉંમર પરોક્ષ અસર કરે છે. સામાજિક ભારના મનોવૈજ્ઞાનિક અને વર્તણૂકીય પરિણામોમાં વપરાશકર્તાઓ દ્વારા એસએનએસ થાક, વપરાશકર્તા સંતોષના નીચા સ્તરો અને એસએનએસનો ઉપયોગ ઘટાડવા અથવા તો બંધ કરવાનો ઉચ્ચ હેતુ શામેલ છે. SST અને SNS સ્વીકૃતિ સંશોધન માટે થિયેટ્રિકલ અસરોની ચર્ચા કરવામાં આવે છે અને સંસ્થાઓ, SNS પ્રદાતાઓ અને SNS વપરાશકર્તાઓ માટે વ્યવહારુ અસરો દોરવામાં આવે છે. યુરોપિયન જર્નલ ઓફ ઇન્ફોર્મેશન સિસ્ટમ્સ એડવાન્સ ઓનલાઇન પ્રકાશન, 4 માર્ચ 2014; doi:10.1057/ejis.2014.3; 11 માર્ચ 2014 ના રોજ ઓનલાઇન સુધારેલ |
ffcb7146dce1aebf47a910b51a873cfec897d602 | સ્કેન અને સેગમેન્ટ સ્કેન એ વિશાળ શ્રેણીના કાર્યક્રમો માટે મહત્વપૂર્ણ ડેટા-સમાંતર પ્રાથમિકતાઓ છે. અમે ગ્રાફિક્સ પ્રોસેસિંગ યુનિટ્સ (જીપીયુ) પર આ પ્રાથમિકતાઓ માટે ઝડપી, કાર્યક્ષમ અલ્ગોરિધમ્સ રજૂ કરીએ છીએ. અમે નવલકથા ડેટા રજૂઆતોનો ઉપયોગ કરીએ છીએ જે GPU આર્કિટેક્ચર સાથે સારી રીતે મેપ કરે છે. અમારા અલ્ગોરિધમ્સ મેમરી પ્રદર્શન સુધારવા માટે વહેંચાયેલ મેમરીનો ઉપયોગ કરે છે. અમે વહેંચાયેલ-મેમરી બેંક તકરારને દૂર કરીને અને વહેંચાયેલ-મેમરી GPU અલ્ગોરિધમ્સમાં ઓવરહેડ ઘટાડીને અમારા અલ્ગોરિધમ્સના પ્રદર્શનને વધુ સુધારીએ છીએ. વધુમાં, અમારા અલ્ગોરિધમ્સ સામાન્ય ડેટા સેટ્સ પર સારી રીતે કામ કરવા માટે રચાયેલ છે, જેમાં મનસ્વી સેગમેન્ટ લંબાઈ સાથે સેગમેન્ટ કરેલ એરેનો સમાવેશ થાય છે. અમે સેગમેન્ટ લંબાઈના આધારે સેગમેન્ટ સ્કેનનું પ્રદર્શન સુધારવા માટે ઑપ્ટિમાઇઝેશન્સ પણ રજૂ કરીએ છીએ. અમે અમારા અલ્ગોરિધમ્સને NVIDIA GeForce 8800 GPU સાથે પીસી પર અમલમાં મૂક્યા છે અને અમારા પરિણામોની સરખામણી અગાઉના GPU- આધારિત અલ્ગોરિધમ્સ સાથે કરી છે. અમારા પરિણામો લાખો તત્વો સાથે ઇનપુટ ક્રમ પર અગાઉના અલ્ગોરિધમ્સ પર 10x સુધી વધુ પ્રભાવ દર્શાવે છે. |
6a640438a4e50fa31943462eeca716413891a773 | અમે એક નવો રેન્કિંગ અલ્ગોરિધમનો રજૂ કરીએ છીએ જે અગાઉની બે પદ્ધતિઓની શક્તિને જોડે છેઃ બૂસ્ટેડ ટ્રી વર્ગીકરણ અને લેમ્બડા રંક, જે વ્યાપકપણે ઉપયોગમાં લેવાતા માહિતી પુનઃપ્રાપ્તિ માપ માટે પ્રયોગાત્મક રીતે શ્રેષ્ઠ હોવાનું દર્શાવવામાં આવ્યું છે. આ અલ્ગોરિધમનો બુસ્ટેડ રીગ્રેસન ટ્રી પર આધારિત છે, જો કે આ વિચારો કોઈપણ નબળા શીખનારાઓ માટે લાગુ પડે છે, અને તે તુલનાત્મક એક્સેસરીઝ માટે, કલાની સ્થિતિ કરતાં ટ્રેન અને ટેસ્ટ તબક્કા બંનેમાં નોંધપાત્ર રીતે ઝડપી છે. અમે પણ બતાવીએ છીએ કે કેવી રીતે કોઈપણ બે રેન્કર્સ માટે શ્રેષ્ઠ રેખીય સંયોજન શોધવા માટે, અને અમે આ પદ્ધતિનો ઉપયોગ રેખા શોધ સમસ્યાને ઉકેલવા માટે કરીએ છીએ. વધુમાં, અમે બતાવીએ છીએ કે અગાઉ તાલીમ પામેલા મોડેલથી શરૂ કરીને, અને તેના અવશેષોનો ઉપયોગ કરીને, મોડેલ અનુકૂલન માટે એક અસરકારક તકનીક પૂરી પાડે છે, અને અમે એવા બજારો માટે વેબ શોધ તાલીમ રેન્કિંગમાં ખાસ કરીને તાત્કાલિક સમસ્યા માટે પરિણામો આપીએ છીએ, જેના માટે માત્ર નાના જથ્થામાં લેબલ ડેટા ઉપલબ્ધ છે, જે મોટા બજારમાંથી વધુ ડેટા પર તાલીમ આપવામાં આવે છે. |
72691b1adb67830a58bebdfdf213a41ecd38c0ba | અમે એક ઊંડા નેટવર્ક આર્કિટેક્ચર રજૂ કરીએ છીએ જેને ડેરાઇનનેટ કહેવાય છે એક છબીમાંથી વરસાદની પટ્ટીઓ દૂર કરવા માટે. ડીપ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) ના આધારે, અમે સીધા જ ડેટામાંથી વરસાદી અને સ્વચ્છ છબી વિગતવાર સ્તરો વચ્ચેના મેપિંગ સંબંધને શીખીએ છીએ. કારણ કે આપણી પાસે વાસ્તવિક વરસાદની તસવીરોને અનુરૂપ જમીન સત્ય નથી, અમે તાલીમ માટે વરસાદ સાથે છબીઓને સંશ્લેષણ કરીએ છીએ. અન્ય સામાન્ય વ્યૂહરચનાઓથી વિપરીત જે નેટવર્કની ઊંડાઈ અથવા પહોળાઈને વધારી દે છે, અમે ઈમેજ પ્રોસેસિંગ ડોમેન જ્ઞાનનો ઉપયોગ ઉદ્દેશ કાર્યને સુધારવા અને વિનમ્ર કદના સીએનએન સાથે ડેરિનેઇંગને સુધારવા માટે કરીએ છીએ. ખાસ કરીને, અમે અમારા ડેરાઇનનેટને વિગતવાર (હાઇ-પાસ) સ્તર પર છબી ડોમેનમાં નહીં. જોકે ડેરાઇનનેટને કૃત્રિમ ડેટા પર તાલીમ આપવામાં આવી છે, અમે શોધીએ છીએ કે શીખ્યા નેટવર્ક પરીક્ષણ માટે વાસ્તવિક દુનિયાની છબીઓમાં ખૂબ અસરકારક રીતે અનુવાદ કરે છે. વધુમાં, અમે દ્રશ્ય પરિણામો સુધારવા માટે છબી ઉન્નતીકરણ સાથે સીએનએન માળખું વધારો. રાજ્ય-ઓફ-ધ-આર્ટ સિંગલ ઇમેજ ડી-રેનીંગ પદ્ધતિઓની તુલનામાં, અમારી પદ્ધતિમાં વરસાદ દૂર કરવાની સુધારણા છે અને નેટવર્ક તાલીમ પછી ખૂબ ઝડપી ગણતરી સમય છે. |
34d1ba9476ae474f1895dbd84e8dc82b233bc32e | |
1cdc4ad61825d3a7527b85630fe60e0585fb9347 | લર્નિંગ એનાલિટિક્સ એ ટેકનોલોજી-વધારેલ શિક્ષણનું એક મહત્વપૂર્ણ ક્ષેત્ર છે જે છેલ્લા દાયકા દરમિયાન ઉભરી આવ્યું છે. આ ક્ષેત્રની સમીક્ષા તકનીકી, શૈક્ષણિક અને રાજકીય પરિબળોની તપાસથી શરૂ થાય છે જેણે શૈક્ષણિક સેટિંગ્સમાં વિશ્લેષણોના વિકાસને ચલાવ્યું છે. આ લેખમાં શીખવાની વિશ્લેષણની શરૂઆત, 20મી સદીમાં તેનો ઉદ્ભવ, ડેટા આધારિત વિશ્લેષણનો વિકાસ, શીખવા પર કેન્દ્રિત દ્રષ્ટિકોણનો ઉદય અને રાષ્ટ્રીય આર્થિક ચિંતાઓનો પ્રભાવ દર્શાવવામાં આવ્યો છે. તે પછી શીખવાની વિશ્લેષણ, શૈક્ષણિક ડેટા માઇનિંગ અને શૈક્ષણિક વિશ્લેષણ વચ્ચેના સંબંધો પર ધ્યાન કેન્દ્રિત કરે છે. છેલ્લે, તે શીખવાની વિશ્લેષણાત્મક સંશોધનના વિકાસશીલ ક્ષેત્રોની તપાસ કરે છે, અને ભવિષ્યના પડકારોની શ્રેણીને ઓળખે છે. |
f3ac0d94ba2374e46dfa3a13effcc540205faf21 | |
49fd00a22f44a52f4699730403033416e0762e6d | |
860d3d4114711fa4ce9a5a4ccf362b80281cc981 | જો કે, જગ્યાની અછતને કારણે, આ વિભાગ ખૂબ જ ઘટાડવામાં આવ્યો છે. વધુમાં, સમય, ભૂ-સ્થાનિક, વ્યક્તિ, ઘટનાઓ અને નેટવર્ક કામગીરી પર ધ્યાન કેન્દ્રિત કરેલ ઉપયોગિતા ઓન્ટોલોજીઝનું સંક્ષિપ્તમાં વર્ણન કરવામાં આવ્યું છે. આ ઉપયોગિતા ઓન્ટોલોજીને વિશિષ્ટ સુપર-ડોમેઇન અથવા તો મધ્યમ-સ્તરની ઓન્ટોલોજી તરીકે જોવામાં આવે છે, કારણ કે તે ઘણા બધા ઓન્ટોલોજીને આવરી લે છે, જો મોટાભાગના નહીં, તો કોઈપણ સાયબર ઓન્ટોલોજી સહિત. વેપાર અભ્યાસ દ્વારા ઉપયોગમાં લેવાતા ઓન્ટોલોજિકલ આર્કિટેક્ચરની એકંદર દૃશ્ય પણ આપવામાં આવે છે. વેપાર અભ્યાસ પરનો અહેવાલ વેપારના પુનરાવર્તિત વિકાસમાં કેટલાક સૂચિત આગામી પગલાં સાથે સમાપ્ત થાય છે. આ કાગળ એક વેપાર અભ્યાસ પર અહેવાલ આપે છે જે અમે પ્રારંભિક માલવેર ઓન્ટોલોજીમાંથી સાયબર ઓન્ટોલોજીના વિકાસને ટેકો આપવા માટે હાથ ધરવામાં આવ્યા હતા. સાયબર ઓન્ટોલોજીના પ્રયાસના ધ્યેયોનું પ્રથમ વર્ણન કરવામાં આવ્યું છે, ત્યારબાદ ઓન્ટોલોજી વિકાસ પદ્ધતિની ચર્ચા કરવામાં આવી છે. આ પછી કાગળનો મુખ્ય ભાગ અનુસરે છે, જે સંભવિત ઓન્ટોલોજી અને ધોરણોનું વર્ણન છે જેનો ઉપયોગ સાયબર ઓન્ટોલોજીને તેના પ્રારંભિક પ્રતિબંધિત મૉલવેર ફોકસથી વિસ્તૃત કરવા માટે થઈ શકે છે. આ સંસાધનોમાં ખાસ કરીને સાયબર અને માલવેર ધોરણો, યોજનાઓ અને પરિભાષાઓનો સમાવેશ થાય છે, જેણે માલવેર ઓન્ટોલોજીના પ્રારંભિક પ્રયત્નોમાં સીધો ફાળો આપ્યો હતો. અન્ય સંસાધનો ઉચ્ચ (ક્યારેક પાયો કહેવાય છે) ઓન્ટોલોજી છે. કોઈપણ સાયબર ઓન્ટોલોજી વિસ્તૃત કરશે તે મુખ્ય ખ્યાલો આ પાયાના ઓન્ટોલોજીમાં પહેલેથી જ ઓળખવામાં આવ્યા છે અને સખત રીતે વ્યાખ્યાયિત કરવામાં આવ્યા છે. |
4767a0c9f7261a4265db650d3908c6dd1d10a076 | ટ્રેકિંગ-બાય-ડેટેક્શન એ અસંખ્ય લક્ષ્યોને અનુસરવા માટેનું કાર્ય નિશ્ચિત દૃશ્યોમાં નિવારવા માટે સૌથી સફળ વ્યૂહરચના સાબિત થઈ છે [દા. ત. 40, 53, 55] માં પરંપરાગત રીતે, પ્રી-પ્રોસેસિંગ પગલામાં પેદા થયેલા વિખરાયેલા શોધનો સમૂહ, ઉચ્ચ-સ્તરના ટ્રેકરને ઇનપુટ તરીકે સેવા આપે છે, જેનો ધ્યેય સમય જતાં આ dots ને યોગ્ય રીતે સાંકળવાનો છે. આ અભિગમની સ્પષ્ટ ખામી એ છે કે છબી ક્રમમાં ઉપલબ્ધ મોટાભાગની માહિતીને નબળા શોધ પ્રતિસાદોની થ્રેશોલ્ડિંગ દ્વારા અને બિન-મહત્તમ દમન લાગુ કરીને ફક્ત અવગણવામાં આવે છે. અમે મલ્ટી-ટાર્ગેટ ટ્રેકરનો પ્રસ્તાવ મુકીએ છીએ જે નીચા સ્તરની છબી માહિતીનો ઉપયોગ કરે છે અને દરેક (સુપર) પિક્સેલને ચોક્કસ લક્ષ્ય સાથે જોડે છે અથવા તેને પૃષ્ઠભૂમિ તરીકે વર્ગીકૃત કરે છે. પરિણામે, અમે અસંબંધિત, વાસ્તવિક દુનિયાના વિડિઓઝમાં ક્લાસિક બાઉન્ડિંગ-બોક્સ પ્રતિનિધિત્વ ઉપરાંત વિડિઓ સેગ્મેન્ટેશન મેળવીએ છીએ. અમારી પદ્ધતિ ઘણા પ્રમાણભૂત બેંચમાર્ક સિક્વન્સ પર પ્રોત્સાહક પરિણામો બતાવે છે અને લાંબા ગાળાના આંશિક ઓક્લૂઝન સાથે ગીચ દ્રશ્યોમાં ટ્રેકિંગ-બાય-ડિટક્શન અભિગમોની સ્થિતિને નોંધપાત્ર રીતે આગળ વધે છે. |
8eefd28eb47e72794bb0355d8abcbebaac9d8ab1 | કેટલાક દાયકાઓથી, આંકડાશાસ્ત્રીઓએ પુનરાવર્તિત અપેક્ષા-મહત્તમકરણ (ઇએમ) તકનીકો દ્વારા જનરેટિવ મોડેલના પરિમાણોનો અંદાજ કરીને વર્ગીકરણ કરનારાઓને તાલીમ આપવા માટે લેબલવાળા અને લેબલ વગરના ડેટાના સંયોજનનો ઉપયોગ કરવાની હિમાયત કરી છે. આ પ્રકરણમાં ટેક્સ્ટ ક્લાસ આઇફિકેશનના ક્ષેત્રમાં લાગુ કરવામાં આવે ત્યારે આ અભિગમની અસરકારકતાની શોધ કરવામાં આવી છે. ટેક્સ્ટ દસ્તાવેજો અહીં બેગ-ઓફ-વર્ડ્સ મોડેલ સાથે રજૂ થાય છે, જે મલ્ટિનોમલ્સના મિશ્રણ પર આધારિત જનરેટિવ વર્ગીકરણ મોડેલ તરફ દોરી જાય છે. આ મોડેલ લેખિત લખાણની જટિલતાનું એક અદભૂત સરળ પ્રતિનિધિત્વ છે. આ પ્રકરણમાં પેદાશના મોડલ્સ સાથે ટેક્સ્ટ વર્ગીકરણ માટે અર્ધ-સર્વેક્ષિત શિક્ષણ વિશે ત્રણ મુખ્ય મુદ્દાઓ સમજાવે છે અને સમજાવે છે. પ્રથમ, સરળ રજૂઆત હોવા છતાં, કેટલાક પાઠો જનરેટિવ મોડેલ સંભાવના અને વર્ગીકરણ ચોકસાઈ વચ્ચે ઊંચા હકારાત્મક સહસંબંધ ધરાવે છે. આ ક્ષેત્રોમાં, ઇએમનો સીધો ઉપયોગ નિખાલસ બેયઝ ટેક્સ્ટ મોડેલ સાથે સારી રીતે કામ કરે છે. બીજું, કેટલાક ટેક્સ્ટ ડોમેન્સમાં આ સહસંબંધ નથી. અહીં આપણે વધુ અભિવ્યક્ત અને યોગ્ય પેદાત્મક મોડેલ પસંદ કરી શકીએ છીએ જેમાં હકારાત્મક સહસંબંધ હોય છે. આ ક્ષેત્રોમાં અર્ધ-સર્વેક્ષિત શિક્ષણ ફરીથી વર્ગીકરણ અને ચોકસાઈમાં સુધારો કરે છે. છેલ્લે, EM સ્થાનિક મહત્તમ સમસ્યાથી પીડાય છે, ખાસ કરીને ઉચ્ચ પરિમાણમાં જેમ કે ટેક્સ્ટ વર્ગીકરણ. અમે દર્શાવ્યું છે કે નિર્ધારિત એન્નીલિંગ, ઇએમનું એક પ્રકાર, સ્થાનિક મહત્તમ સમસ્યાને દૂર કરવામાં મદદ કરી શકે છે અને જ્યારે જનરેટિવ મોડેલ યોગ્ય હોય ત્યારે વર્ગીકરણની ચોકસાઈમાં વધારો કરી શકે છે. |
696ad1c38b588dae3295668a0fa34021c4481030 | અમે મલ્ટી-લેબલ, મોટા પ્રમાણમાં મલ્ટી-ક્લાસ ઇમેજ વર્ગીકરણ મોડેલ્સને તાલીમ આપવા માટેની એક પદ્ધતિ રજૂ કરીએ છીએ, જે સિગ્મોઇડ ક્રોસ-એન્ટ્રોપી નુકશાન (લોજિસ્ટિક રીગ્રેસન) દ્વારા દેખરેખ કરતાં વધુ ઝડપી અને વધુ સચોટ છે. અમારી પદ્ધતિમાં એકમ-નૉર્મડ વેક્ટર્સના નીચલા પરિમાણીય ગાઢ ગોળા પર ઉચ્ચ પરિમાણીય વિખરાયેલા લેબલ્સને એમ્બેડ કરવા અને વર્ગીકરણ સમસ્યાને આ ગોળા પર કોસાઇનસ નિકટતા રીગ્રેસન સમસ્યા તરીકે સારવાર આપવી. અમે અમારી પદ્ધતિને 17,000 લેબલ્સ સાથે 300 મિલિયન ઉચ્ચ રીઝોલ્યુશન છબીઓના ડેટાસેટ પર પરીક્ષણ કરીએ છીએ, જ્યાં તે નોંધપાત્ર રીતે ઝડપી સંકલન આપે છે, તેમજ લોજિસ્ટિક રીગ્રેસનની તુલનામાં 7% વધુ સરેરાશ સરેરાશ ચોકસાઈ આપે છે. |
ad5974c04b316f4f379191e4dbea836fd766f47c | આ પેપરમાં મશીન અનુવાદમાં મોટા પાયે આંકડાકીય ભાષા મોડેલિંગના ફાયદાઓ પર અહેવાલ આપવામાં આવ્યો છે. એક વિતરણ ઈન્ફ્રાસ્ટ્રક્ચર પ્રસ્તાવિત છે જેનો ઉપયોગ અમે 2 ટ્રિલિયન ટોકન્સ સુધી તાલીમ આપવા માટે કરીએ છીએ, પરિણામે ભાષાના મોડેલોમાં 300 અબજ એન-ગ્રામ સુધીનો સમાવેશ થાય છે. તે ઝડપી, સિંગલ-પાસ ડીકોડિંગ માટે સરળ સંભાવનાઓ પૂરી પાડવા માટે સક્ષમ છે. અમે એક નવી સ્મૂથિંગ પદ્ધતિ રજૂ કરીએ છીએ, જેને સ્ટુપિડ બેકઓફ નામ આપવામાં આવ્યું છે, જે મોટા ડેટા સેટ્સ પર તાલીમ આપવા માટે સસ્તી છે અને તાલીમ ડેટાની માત્રામાં વધારો થતાં કેનેસર-નેય સ્મૂથિંગની ગુણવત્તાની નજીક આવે છે. |
6cb45af3db1de2ba5466aedcb698deb6c4bb4678 | આ પ્રોજેક્ટમાં, અમે જાણીતા સ્ટેનફોર્ડ પ્રશ્ન જવાબ ડેટાસેટ (એસક્વાડ) પર પ્રશ્ન જવાબ કાર્ય માટે એન્ડ-ટુ-એન્ડ ન્યુરલ નેટવર્ક આર્કિટેક્ચર બનાવવા માટે રસ ધરાવીએ છીએ. અમારી અમલીકરણ તાજેતરની ઉચ્ચ પ્રદર્શન પ્રાપ્ત કરવાની પદ્ધતિથી પ્રેરિત છે જે કોએટેન્શન એન્કોડરને ડાયનેમિક કોએટેન્શન નેટવર્ક તરીકે ઓળખાતા ગતિશીલ નિર્દેશન ડીકોડર સાથે જોડે છે. અમે વિવિધ એસેમ્બલી અને પરીક્ષણ ડીકોડિંગ તકનીકોની શોધ કરી જે અમને લાગે છે કે આવી સિસ્ટમોની કામગીરીમાં સુધારો કરી શકે છે. |
e11d5a4edec55f5d5dc8ea25621ecbf89e9bccb7 | આપણા સમાજની નેટવર્ક પર આધારિત કમ્પ્યુટર્સની નિર્ભરતા ભયાનક બની ગઈ છે: અર્થતંત્રમાં, સંપૂર્ણ ડિજિટલ નેટવર્ક્સ સુવિધાઓથી ડ્રાઇવરોમાં ફેરવાઈ ગયા છે; જેમ જેમ સાયબર-ભૌતિક સિસ્ટમો પુખ્ત થઈ રહી છે, કમ્પ્યુટર નેટવર્ક્સ હવે આપણી ભૌતિક દુનિયાની કેન્દ્રીય ચેતાતંત્ર બની રહી છે - પાવર ગ્રીડ જેવા અત્યંત મહત્વપૂર્ણ માળખાકીય સુવિધાઓ પણ. તે જ સમયે, નેટવર્કવાળા કમ્પ્યુટર્સની 24/7 ઉપલબ્ધતા અને યોગ્ય કામગીરી વધુ જોખમી બની ગઈ છેઃ આઇટી સિસ્ટમ્સ પરના અત્યાધુનિક અને અત્યંત અનુકૂળ હુમલાઓની સંખ્યામાં નોંધપાત્ર વધારો થયો છે. ઘૂસણખોરીની તપાસ કરનારી પ્રણાલીઓ (આઈડીએસ) એ સંરક્ષણના પગલાંનો મુખ્ય ઘટક છે; ભૂતકાળમાં તેનો વ્યાપકપણે અભ્યાસ અને ઉપયોગ કરવામાં આવ્યો છે. પરંપરાગત આઈડીએસ મોટા કંપની નેટવર્ક અને તેનાથી આગળ, ન તો મોટા પ્રમાણમાં સમાંતર હુમલાઓ માટે સ્કેલેબલ નથી, તેથી કોલબોરેટિવ આઈડીએસ (સીઆઈડીએસ) ઉભરી આવ્યા છે. તેમાં કેટલાક મોનિટરિંગ ઘટકો છે જે ડેટા એકત્રિત કરે છે અને વિનિમય કરે છે. સીઆઈડીએસના ચોક્કસ આર્કિટેક્ચરના આધારે, કેન્દ્રિય અથવા વિતરણ વિશ્લેષણ ઘટકો હુમલાઓની ઓળખ કરવા માટે એકત્રિત ડેટાને માઇન કરે છે. પરિણામી ચેતવણીઓ બહુવિધ મોનિટર્સ વચ્ચે સંકળાયેલી હોય છે જેથી મોનિટર કરેલા નેટવર્કનું સંપૂર્ણ દૃશ્ય બનાવી શકાય. આ લેખ પ્રથમ સીઆઈડીએસ માટે સંબંધિત જરૂરિયાતો નક્કી કરે છે; તે પછી સીઆઈડીએસ ડિઝાઇન સ્પેસ રજૂ કરવા અને જરૂરિયાતોના સંદર્ભમાં તેની ચર્ચા કરવા માટે એક અલગ બિલ્ડિંગ બ્લોક્સને અલગ પાડે છે. આ ડિઝાઇન સ્પેસના આધારે, સીઆઈડીએસને ટાળતા હુમલાઓ અને સીઆઈડીએસની ઉપલબ્ધતા પરના હુમલાઓની ચર્ચા કરવામાં આવે છે. જરૂરિયાતો, બિલ્ડિંગ બ્લોક્સ અને હુમલાઓના સમગ્ર માળખાને પછી સહયોગી ઘૂસણખોરી શોધમાં કલાની સ્થિતિના વ્યાપક વિશ્લેષણ માટે ઉપયોગમાં લેવામાં આવે છે, જેમાં ચોક્કસ સીઆઇડીએસ અભિગમોની વિગતવાર સર્વેક્ષણ અને સરખામણીનો સમાવેશ થાય છે. |
720158a53b79667e39c2caf2f7ebb2670b848693 | શરીરના સેન્સર નેટવર્ક (બીએસએન) જેવા મહત્વપૂર્ણ, જીવન બચાવતા માળખા માટે વ્યક્તિની ગોપનીયતાને કાર્યક્ષમ રીતે જાળવી રાખવી ખૂબ જ મહત્વપૂર્ણ છે. આ કાગળ એક નવલકથા કી સમજૂતી યોજના રજૂ કરે છે જે બીએસએનમાં બે સેન્સર્સને ઇલેક્ટ્રોકાર્ડિયોગ્રામ (ઇકેજી) સંકેતોનો ઉપયોગ કરીને જનરેટ કરેલા સામાન્ય કી પર સંમત થવા દે છે. ઇકેજી આધારિત આ કી એગ્રીમેન્ટ (ઇકેએ) યોજનાનો ઉદ્દેશ બીએસએન સુરક્ષામાં "પ્લગ-એન-પ્લે" પેરાડિગમ લાવવાનો છે, જેના દ્વારા વિષય પર સેન્સર્સને સરળતાથી જમાવવું, પૂર્વ-વિતરણ જેવા કોઈપણ સ્વરૂપની શરૂઆતની જરૂર વગર સુરક્ષિત સંચારને સક્ષમ કરી શકે છે. વાસ્તવિક ઇકેજી ડેટા (એમઆઇટી ફિઝીયોબેંક ડેટાબેઝમાંથી મેળવેલ) પર આધારિત યોજનાના વિશ્લેષણથી બતાવે છે કે ઇકેએના પરિણામે કીઓ છેઃ રેન્ડમ, સમયનો પ્રકાર, ટૂંકા ગાળાના ઇકેજી માપન પર આધારિત પેદા કરી શકાય છે, આપેલ વિષય માટે સમાન અને અલગ વ્યક્તિઓ માટે અલગ. |
f692c692d3426cc663f3ec9be0c7025b670b2e5c | ઘણા વર્ષોથી, આઇટી ઉદ્યોગ હાલની સોફ્ટવેર સંપત્તિમાંથી નવી એપ્લિકેશનો ભેગા કરીને સોફ્ટવેર વિકાસ પ્રક્રિયાને વેગ આપવા માંગે છે. જો કે, 1960 ના દાયકામાં ડગ્લાસ મેકલોય દ્વારા કલ્પના કરાયેલા ફોર્મના સાચા ઘટક-આધારિત પુનઃઉપયોગ એ નિયમ કરતાં અપવાદ છે, અને આજે પ્રચલિત મોટાભાગના વ્યવસ્થિત સૉફ્ટવેર પુનઃઉપયોગમાં પ્રોડક્ટ-લાઇન એન્જિનિયરિંગ અથવા ડોમેન-વિશિષ્ટ માળખા જેવા ભારે વજનવાળા અભિગમોનો ઉપયોગ થાય છે. કમ્પોનન્ટ દ્વારા, અમે સોફ્ટવેર કાર્યક્ષમતાના કોઈપણ સુસંગત અને કોમ્પેક્ટ એકમનો અર્થ કરીએ છીએ જે સારી રીતે વ્યાખ્યાયિત ઇન્ટરફેસ છે - સરળ પ્રોગ્રામિંગ લેંગ્વેજ વર્ગોથી વધુ જટિલ વસ્તુઓ જેમ કે વેબ સેવાઓ અને એન્ટરપ્રાઇઝ જાવાબીન્સ. |
96ea8f0927f87ab4be3a7fd5a3b1dd38eeaa2ed6 | આ પત્રમાં એક બ્રોડબેન્ડ અને સરળ ટોરસ નોટ મોનોપોલ એન્ટેના રજૂ કરવામાં આવે છે. એન્ટેનાને એડિટિવ મેન્યુફેક્ચરિંગ ટેકનોલોજીનો ઉપયોગ કરીને બનાવવામાં આવે છે, જેને સામાન્ય રીતે 3-ડી પ્રિન્ટિંગ તરીકે ઓળખવામાં આવે છે. એન્ટેના યાંત્રિક રીતે બનાવવાની સરળ છે અને તેમાં સ્થિર રેડિયેશન પેટર્ન તેમજ 1-2 ગીગાહર્ટ્ઝની આવર્તન શ્રેણીમાં ઇનપુટ પ્રતિબિંબ કોઓફિસેન્ટ -10 ડીબીથી નીચે છે. એન્ટેનાના માપવામાં અને સિમ્યુલેટેડ પ્રદર્શનની સરખામણી પણ રજૂ કરવામાં આવી છે. |
206b204618640917f278e72bd0e2a881d8cec7ad | પેટર્ન ઓળખ માટે બેયસિયન પદ્ધતિઓનો ઉપયોગ કરવા માટે મુખ્ય અવરોધો પૈકી એક તેના કમ્પ્યુટેશનલ ખર્ચ છે. આ થીસીસ એક અંદાજ પદ્ધતિ રજૂ કરે છે જે અગાઉ શક્ય કરતાં વધુ ઝડપથી અને વધુ સચોટ રીતે બેઝિયન અનુમાન કરી શકે છે. આ પદ્ધતિ, "એક્સેપ્ટેશન પ્રસાર", બે અગાઉની તકનીકોને એકીકૃત અને સામાન્ય બનાવે છેઃ ધારેલા ઘનતા ફિલ્ટરિંગ, કાલમેન ફિલ્ટરનું વિસ્તરણ, અને લૂપી માન્યતા પ્રસાર, બેઝિયન નેટવર્ક્સમાં માન્યતા પ્રસારનું વિસ્તરણ. એકીકરણ બતાવે છે કે કેવી રીતે આ બંને અલ્ગોરિધમ્સને સાચા પશ્ચાદવર્તી વિતરણને સરળ વિતરણ સાથે અંદાજવામાં આવે છે, જે કેએલ-વિભેદકના અર્થમાં નજીક છે. અપેક્ષા પ્રસાર બંને અલ્ગોરિધમ્સના શ્રેષ્ઠનો ઉપયોગ કરે છેઃ ધારેલા-ઘનતા ફિલ્ટરિંગની સામાન્યતા અને લૂપી માન્યતા પ્રસારની ચોકસાઈ. લૂપી માન્યતા પ્રસાર, કારણ કે તે ચોક્કસ માન્યતા રાજ્યોને પ્રસારિત કરે છે, તે મર્યાદિત પ્રકારના માન્યતા નેટવર્ક્સ માટે ઉપયોગી છે, જેમ કે શુદ્ધ વિભિન્ન નેટવર્ક્સ. અપેક્ષા પ્રસાર અપેક્ષાઓ સાથે માન્યતા રાજ્યોને આશરે કરે છે, જેમ કે અર્થ અને ભિન્નતા, તેને વધુ વ્યાપક અવકાશ આપે છે. અપેક્ષા પ્રસાર પણ વિપરીત દિશામાં માન્યતા પ્રસારને વિસ્તૃત કરે છે-સમૃદ્ધ માન્યતા રાજ્યોને પ્રસારિત કરે છે જેમાં ચલો વચ્ચેના સંબંધનો સમાવેશ થાય છે. આ માળખું વિવિધ પ્રકારના આંકડાકીય મોડેલોમાં સિન્થેટીક અને વાસ્તવિક દુનિયાના ડેટાનો ઉપયોગ કરીને દર્શાવવામાં આવ્યું છે. ગૌસિયન મિશ્રણ સમસ્યાઓ પર, અપેક્ષા પ્રસાર, ગણતરીના સમાન જથ્થા માટે, હરીફ અંદાજ તકનીકો કરતાં વધુ સારી રીતે ખાતરીપૂર્વક મળી આવે છેઃ મોન્ટે કાર્લો, લેપ્લેસની પદ્ધતિ અને વિવિધતા બેયસ. પેટર્ન ઓળખ માટે, અપેક્ષા પ્રસાર બેયસ પોઇન્ટ મશીન વર્ગીકરણકર્તાઓને તાલીમ આપવા માટે એક અલ્ગોરિધમનો પૂરો પાડે છે જે અગાઉ જાણીતા કોઈપણ કરતાં વધુ ઝડપી અને વધુ સચોટ છે. પરિણામી વર્ગીકરણકર્તાઓ તુલનાત્મક તાલીમ સમય હોવા ઉપરાંત, કેટલાક પ્રમાણભૂત ડેટાસેટ્સ પર સપોર્ટ વેક્ટર મશીનો કરતાં વધુ સારી કામગીરી કરે છે. અપેક્ષા પ્રસારનો ઉપયોગ બેયસિયન મોડેલ પસંદગી દ્વારા વર્ગીકરણ માટે યોગ્ય લક્ષણ સમૂહ પસંદ કરવા માટે પણ થઈ શકે છે. થિસિસ સુપરવાઇઝર: રોઝલિંડ પિકાર્ડ શીર્ષકઃ મીડિયા આર્ટ્સ એન્ડ સાયન્સિસના સહયોગી પ્રોફેસર |
ad40428b40b051164ade961bc841a0da2c44515d | |
e4bd80adc5a3486c3a5c3d82cef91b70b67ae681 | આ લેખ કોર્પોરેટ બોન્ડ પ્રાઇસીંગના પાંચ માળખાકીય મોડલ્સને પ્રયોગમૂલક રીતે પરીક્ષણ કરે છેઃ મર્ટન (1974), ગેસ્કે (1977), લોન્ગસ્ટાફ અને શ્વોર્ટ્ઝ (1995), લીલેન્ડ અને ટોફ્ટ (1996), અને કોલિન-ડુફ્રેન અને ગોલ્ડસ્ટેઇન (2001) ના. અમે આ મોડેલોને સરળ મૂડી માળખાવાળા કંપનીઓમાંથી ૧૯૮૬-૧૯૯૭ના સમયગાળા દરમિયાન ૧૮૨ બોન્ડ કિંમતોના નમૂનાનો ઉપયોગ કરીને અમલમાં મૂકીએ છીએ. પરંપરાગત શાણપણ એ છે કે માળખાકીય મોડેલો બોન્ડ માર્કેટમાં જોવા મળતા જેટલા ઊંચા સ્પ્રેડ પેદા કરતા નથી, અને અપેક્ષાઓ મુજબ, અમે શોધીએ છીએ કે મર્ટન મોડેલના અમારા અમલીકરણમાં આગાહી કરેલ સ્પ્રેડ ખૂબ નીચા છે. જો કે, મોટાભાગના અન્ય માળખાકીય મોડેલોમાં સરેરાશ ખૂબ ઊંચા સ્પ્રેડની આગાહી કરવામાં આવે છે. તેમ છતાં, ચોકસાઈ એક સમસ્યા છે, કારણ કે નવા મોડેલોમાં ઉચ્ચ લીવરેજ અથવા અસ્થિરતાવાળા કંપનીઓ માટે ક્રેડિટ જોખમનું ગંભીર રીતે વધુ પડતું મૂલ્યાંકન કરવામાં આવે છે અને હજુ પણ સલામત બોન્ડ્સ સાથે સ્પ્રેડ અંડરપ્રોડિકશન સમસ્યાથી પીડાય છે. લીલેન્ડ અને ટોફ્ટ મોડેલ એક અપવાદ છે કારણ કે તે મોટાભાગના બોન્ડ્સ પર, ખાસ કરીને ઉચ્ચ કૂપનવાળા લોકો પર ફેલાય છે. વધુ સચોટ માળખાકીય મોડેલોમાં એવા લક્ષણોને ટાળવા જોઈએ કે જે જોખમી બોન્ડ્સ પરના ક્રેડિટ જોખમને વધારી દે છે જ્યારે સલામત બોન્ડ્સના સ્પ્રેડને ભાગ્યે જ અસર કરે છે. |
da67375c8b6a250fbd5482bfbfce14f4eb7e506c | આ સર્વેક્ષણમાં કોમ્પ્યુટેશનલ એજન્ટોમાં માનસિક ક્ષમતાઓના સ્વાયત્ત વિકાસની ઝાંખી રજૂ કરવામાં આવી છે. તે જ્ઞાનાત્મક પ્રણાલીઓના લક્ષણો પર આધારિત છે જે સિસ્ટમો તરીકે અનુકૂલનશીલ, અપેક્ષિત અને હેતુપૂર્ણ ધ્યેય-નિર્દેશિત વર્તન દર્શાવે છે. અમે જ્ઞાનાત્મક (ભૌતિક પ્રતીક પ્રણાલીઓ) અભિગમો, ઉભરતી પ્રણાલીઓના અભિગમો, જોડાણવાદી, ગતિશીલ અને સક્રિય પ્રણાલીઓને આવરી લેતા, અને હાઇબ્રિડ સિસ્ટમ્સમાં બંનેને ભેગા કરવાના પ્રયત્નોનો પણ સંબોધતા, જ્ઞાનાત્મકતાના વિવિધ દાખલાઓનો વ્યાપક સર્વેક્ષણ રજૂ કરીએ છીએ. પછી અમે આ નમૂનાઓમાંથી દોરવામાં આવેલા કેટલાક જ્ઞાનાત્મક આર્કિટેક્ચરની સમીક્ષા કરીએ છીએ. આ દરેક ક્ષેત્રોમાં, અમે વિકાસલક્ષી અભિગમને અપનાવવાના સૂચનો અને તેની સાથે સંકળાયેલી સમસ્યાઓને પ્રકાશિત કરીએ છીએ, બંને ફિલોજેનેટિક અને ઓન્ટોજેનેટિક દ્રષ્ટિકોણથી. અમે મુખ્ય સ્થાપત્ય લક્ષણોનું સારાંશ સાથે તારણ કાઢ્યું છે કે માનસિક ક્ષમતાઓના સ્વાયત્ત વિકાસ માટે સક્ષમ સિસ્ટમો પ્રદર્શિત થવી જોઈએ |
e7ee27816ade366584d411f4287e50bdc4771e56 | |
55289d3feef4bc1e4ff17008120e371eb7f55a24 | તાજેતરમાં વિવિધ પ્રકારના એલએસટીએમ આધારિત શરતી ભાષા મોડેલો (એલએમ) નો ઉપયોગ વિવિધ ભાષા પેદા કરવાના કાર્યોમાં કરવામાં આવ્યો છે. આ કાર્યમાં અમે વિવિધ મોડેલ આર્કિટેક્ચર્સ અને સ્રોત માહિતીને રજૂ કરવા અને એક અંતથી અંતની ન્યુરલ સંવાદ સિસ્ટમ ફ્રેમવર્કમાં એકત્રિત કરવાની વિવિધ રીતોનો અભ્યાસ કરીએ છીએ. એક પદ્ધતિ જેને સ્નેપશોટ લર્નિંગ કહેવામાં આવે છે તે પણ પ્રસ્તાવિત છે કે જે કન્ડિશનિંગ વેક્ટર પર સાથી ક્રોસ-એન્ટ્રોપી ઉદ્દેશ્ય કાર્યને લાગુ કરીને દેખરેખવાળા ક્રમિક સંકેતોમાંથી શીખવાની સુવિધા આપે છે. પ્રાયોગિક અને વિશ્લેષણાત્મક પરિણામો પ્રથમ દર્શાવે છે કે કન્ડિશનિંગ વેક્ટર અને એલએમ વચ્ચે સ્પર્ધા થાય છે, અને અલગ અલગ આર્કિટેક્ચર્સ બંને વચ્ચે અલગ અલગ વેપાર-ઓફ્સ પૂરા પાડે છે. બીજું, મોડેલની અર્થઘટન અને વધુ સારી કામગીરી બંને પ્રદાન કરવા માટે કન્ડિશનીંગ વેક્ટરનો ભેદભાવ શક્તિ અને પારદર્શિતા ચાવીરૂપ છે. ત્રીજું, સ્નેપશોટ લર્નિંગથી અનુકૂળ કામગીરીમાં સુધારો થાય છે, જે આર્કિટેક્ચરનો ઉપયોગ કરવામાં આવે છે. |
75c4b33059aa300e7b52d1b5dab37968ac927e89 | 2 x 1 ડ્યુઅલ-પોલરાઇઝ્ડ એલ-સોન્ડ સ્ટેક્ડ પેચ એન્ટેના એરે રજૂ કરવામાં આવે છે. બે ઇનપુટ પોર્ટ વચ્ચે ઉચ્ચ અલગતા હાંસલ કરવા માટે તેણે એક નવીન તકનીકનો ઉપયોગ કર્યો છે. પ્રસ્તાવિત એન્ટેનામાં બંને પોર્ટ માટે 14.8 ટકાની રીટર્ન લોસ બેન્ડવિડ્થ છે, જે 0.808 થી 0.986 ગીગાહર્ટ્ઝની રેન્જમાં છે. આ ઉપરાંત, તેની ઇનપુટ પોર્ટ આઇસોલેશન 30 ડીબીથી વધુ છે અને આ બેન્ડવિડ્થ પર સરેરાશ 10.5 ડીબીઆઇની ગેઇન છે. વધુમાં, બે મુખ્ય પ્લેનમાં તેના રેડિયેશન પેટર્ન પાસે પાસબેન્ડમાં 3-ડીબી બીમવિડ્થની અંદર -15 ડીબી કરતા ઓછા ક્રોસ-પોલરાઇઝેશન સ્તર છે. આ સુવિધાઓને કારણે, આ એન્ટેના એરે આઉટડોર બેઝ સ્ટેશન માટે ખૂબ જ યોગ્ય છે જે CDMA800 અને GSM900 મોબાઇલ કોમ્યુનિકેશન સિસ્ટમ્સ બંનેની ઓપરેટિંગ બેન્ડવિડ્થને આવરી લેવા માટે જરૂરી છે. |
b891a8df3d7b4a6b73c9de7194f7341b00d93f6f | ભલામણ કરનાર પ્રણાલીઓ વ્યક્તિગત મનપસંદ સેવાઓ પૂરી પાડવા માટે આશાસ્પદ છે. સહયોગી ફિલ્ટરિંગ (સીએફ) તકનીકો, વપરાશકર્તાઓની પસંદગીની આગાહી વપરાશકર્તાઓના અગાઉના વર્તણૂકોના આધારે કરે છે, તે આધુનિક ભલામણ કરનાર સિસ્ટમ્સ બનાવવા માટે સૌથી સફળ તકનીકોમાંની એક બની છે. અગાઉ સૂચિત સીએફ પદ્ધતિઓમાં અનેક પડકારરૂપ મુદ્દાઓ જોવા મળે છેઃ (1) મોટાભાગની સીએફ પદ્ધતિઓ વપરાશકર્તાઓની પ્રતિભાવ પદ્ધતિઓને અવગણે છે અને પક્ષપાતી પરિમાણ અંદાજ અને સબ-ઓપ્ટિમલ પ્રદર્શન આપી શકે છે; (2) કેટલીક સીએફ પદ્ધતિઓ હ્યુરિસ્ટિક વજન સેટિંગ્સ અપનાવે છે, જેમાં વ્યવસ્થિત અમલીકરણનો અભાવ છે; અને (3) મલ્ટિનોમિયલ મિશ્રણ મોડેલો ડેટા મેટ્રિક્સ પેદા કરવા માટે મેટ્રિક્સ ફેક્ટરીઝેશનની કમ્પ્યુટેશનલ ક્ષમતાને નબળી કરી શકે છે, આમ તાલીમનો કમ્પ્યુટેશનલ ખર્ચ વધે છે. આ મુદ્દાઓને ઉકેલવા માટે, અમે વપરાશકર્તાઓના પ્રતિભાવ મોડેલોને સંભવતઃ મેટ્રિક્સ ફેક્ટરીઝેશન (પીએમએફ) માં સામેલ કરીએ છીએ, જે પ્રતિભાવને જાણકાર સંભવતઃ મેટ્રિક્સ ફેક્ટરીઝેશન (આરએપીએમએફ) માળખું સ્થાપિત કરવા માટે લોકપ્રિય મેટ્રિક્સ ફેક્ટરીઝેશન સીએફ મોડેલ છે. વધુ ખાસ રીતે, અમે વપરાશકર્તા પ્રતિભાવ પર ધારણા કરીએ છીએ જે બર્નુલી વિતરણ છે જે અવલોકન કરેલ રેટિંગ્સ માટે રેટિંગ સ્કોર્સ દ્વારા પરિમાણીય છે જ્યારે અવલોકન ન કરેલ રેટિંગ્સ માટે એક પગલું કાર્ય તરીકે. વધુમાં, અમે મિનિ-બેચ અમલીકરણ અને ક્રાફ્ટિંગ શેડ્યૂલિંગ નીતિ દ્વારા અલ્ગોરિધમનો ઝડપી બનાવીએ છીએ. છેલ્લે, અમે પ્રાયોગિક પ્રોટોકોલ ડિઝાઇન કરીએ છીએ અને પ્રસ્તાવિત આરએપીએમએફ અને તેના મિનિ-બેચ અમલીકરણની ગુણવત્તા દર્શાવવા માટે બંને કૃત્રિમ અને વાસ્તવિક વિશ્વ ડેટાસેટ્સ પર વ્યવસ્થિત પ્રાયોગિક મૂલ્યાંકન કરીએ છીએ. |
1459d4d16088379c3748322ab0835f50300d9a38 | ક્રોસ ડોમેન વિઝ્યુઅલ ડેટા મેચિંગ એ વાસ્તવિક દુનિયાના દ્રષ્ટિ કાર્યોમાં મૂળભૂત સમસ્યાઓમાંની એક છે, ઉદાહરણ તરીકે, ID ફોટા અને સર્વેલન્સ વીડિયો વચ્ચે વ્યક્તિઓ મેળ ખાતા હોય છે. આ સમસ્યાના પરંપરાગત અભિગમમાં સામાન્ય રીતે બે પગલાંનો સમાવેશ થાય છેઃ i) વિવિધ ડોમેન્સમાંથી નમૂનાઓને સામાન્ય જગ્યામાં પ્રસ્તુત કરવું, અને ii) ચોક્કસ અંતર પર આધારિત આ જગ્યામાં (અસમાનતા) ગણતરી કરવી. આ કાગળમાં, અમે એક નવલકથા જોડી સમાનતા માપ રજૂ કરીએ છીએ જે હાલના મોડેલોને i) પરંપરાગત રેખીય અંદાજોને સંલગ્ન પરિવર્તનોમાં વિસ્તૃત કરીને અને ii) ડેટા-આધારિત સંયોજન દ્વારા સંલગ્ન મહાલાનોબિસ અંતર અને કોસાઇન સમાનતાને ભેળવીને આગળ વધે છે. વધુમાં, અમે અમારા સમાનતા માપને ઊંડા કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ દ્વારા લક્ષણ પ્રતિનિધિત્વ શીખવા સાથે એકીકૃત કરીએ છીએ. ખાસ કરીને, અમે સમાનતા માપ મેટ્રિક્સને ઊંડા આર્કિટેક્ચરમાં સમાવીએ છીએ, મોડેલ ઑપ્ટિમાઇઝેશનની અંત-થી-અંતની રીતને સક્ષમ કરે છે. અમે અમારા સામાન્ય સમાનતા મોડેલને ઘણા પડકારરૂપ ક્રોસ ડોમેન મેચિંગ કાર્યોમાં વ્યાપકપણે મૂલ્યાંકન કરીએ છીએઃ વિવિધ દૃશ્યો હેઠળ વ્યક્તિની ફરીથી ઓળખ અને વિવિધ મોડલ (એટલે કે, સ્થિર છબીઓ અને વિડિઓઝના ચહેરા, વૃદ્ધ અને યુવાન ચહેરા, અને સ્કેચ અને ફોટો પોટ્રેટ) પર ચહેરાની ચકાસણી. પ્રાયોગિક પરિણામો અન્ય અદ્યતન પદ્ધતિઓ કરતાં અમારા મોડેલની શ્રેષ્ઠ કામગીરી દર્શાવે છે. |
03a00248b7d5e2d89f5337e62c39fad277c66102 | સમસ્યાઓ બહુવિધમય-સમયની ઉકેલી શકાય તેવી સમસ્યાઓના વર્ગને સમજવા માટે, આપણે સૌ પ્રથમ "સમસ્યા" શું છે તે અંગેની ઔપચારિક ખ્યાલ હોવી જોઈએ. અમે એક અમૂર્ત સમસ્યા Q ને સમસ્યાના ઉદાહરણોના સમૂહ I અને સમસ્યાના ઉકેલોના સમૂહ S પર દ્વિસંગી સંબંધ તરીકે વ્યાખ્યાયિત કરીએ છીએ. ઉદાહરણ તરીકે, SHORTEST-PATH માટેનું ઉદાહરણ ગ્રાફ અને બે શિખરોનું ત્રિપલ સંકલન છે. ઉકેલ એ જી રેફમાં શિખરોની શ્રેણી છે, જેમાં કદાચ ખાલી શ્રેણી સૂચવે છે કે કોઈ પાથ અસ્તિત્વમાં નથી. SHORTEST-PATH સમસ્યા પોતે એ સંબંધ છે જે ગ્રાફના દરેક ઉદાહરણને અને બે શિખરોને ગ્રાફમાં સૌથી ટૂંકો માર્ગ સાથે જોડે છે જે બે શિખરોને જોડે છે. સિનક ટૂંકી રસ્તાઓ જરૂરી રીતે અનન્ય નથી, આપેલ સમસ્યાના ઉદાહરણમાં એક કરતાં વધુ ઉકેલ હોઈ શકે છે. એક અમૂર્ત સમસ્યાનું આ રચના અમારા હેતુઓ માટે જરૂરી કરતાં વધુ સામાન્ય છે. જેમ આપણે ઉપર જોયું તેમ, એનપી-પૂર્ણતાની સિદ્ધાંત નિર્ણયની સમસ્યાઓને ધ્યાન આપે છે: હા / ના ઉકેલ ધરાવતા લોકો. આ કિસ્સામાં, આપણે એક અમૂર્ત નિર્ણય સમસ્યાને એક કાર્ય તરીકે જોઈ શકીએ છીએ જે ઉદાહરણ સમૂહને ઉકેલ સમૂહ {0, 1} પર મેપ કરે છે. ઉદાહરણ તરીકે, SHORTEST-PATH i સાથે સંબંધિત નિર્ણય સમસ્યા છે જે આપણે પહેલા જોયું હતું. જો i = G,u,v,k એ નિર્ણય સમસ્યા PATH નું ઉદાહરણ છે, તો પછી PATH ((i ) = 1 (હા) જો u થી v સુધીનો ટૂંકી માર્ગમાં સૌથી વધુ k ધાર હોય, અને PATH (i ) = 0 (ના) અન્યથા. ઘણી અમૂર્ત સમસ્યાઓ નિર્ણયની સમસ્યાઓ નથી, પરંતુ તેના બદલે ઑપ્ટિમાઇઝેશન સમસ્યાઓ છે, જેમાં કેટલાક મૂલ્યને ઘટાડવું અથવા મહત્તમ કરવું આવશ્યક છે. ઉપર આપણે જોયું તેમ, જોકે, ઓપ્ટિમાઇઝેશન સમસ્યાને નિર્ણયની સમસ્યા તરીકે ફરીથી બનાવવી તે સામાન્ય રીતે સરળ બાબત છે જે મુશ્કેલ નથી. ટ્યુરિંગ-મશીન મોડેલની સંપૂર્ણ સારવાર માટે હોપક્રોફ્ટ અને ઉલ્લમેન [156] અથવા લેવિસ અને પપાદિમિત્રીઉ [20 4] જુઓ. 34.1 બહુવચન સમય 973 |
9ac5b66036da98f2c1e62c6ca2bdcc075083ef85 | |
f45eb5367bb9fa9a52fd4321a63308a37960e93a | આ કાગળના ભાગ I એ વિતરણ સિસ્ટમ આર્કિટેક્ચર પર આધારિત સ્વાયત્ત કારના વિકાસ માટે વિકાસ પ્રક્રિયા અને સિસ્ટમ પ્લેટફોર્મનો પ્રસ્તાવ મૂક્યો હતો. પ્રસ્તાવિત વિકાસ પદ્ધતિએ કમ્પ્યુટેશનલ જટિલતામાં ઘટાડો, ખામી-સહનશીલ લાક્ષણિકતાઓ અને સિસ્ટમ મોડ્યુલરિટી જેવા ફાયદાઓ સાથે સ્વયંસંચાલિત કારની રચના અને વિકાસને સક્ષમ કર્યો. આ કાગળ (ભાગ II) માં, એક સ્વાયત્ત ડ્રાઇવિંગ સિસ્ટમની અમલીકરણ પ્રક્રિયા દર્શાવતા સૂચિત વિકાસ પદ્ધતિના કેસ અભ્યાસને સંબોધવામાં આવે છે. અમલીકરણ પ્રક્રિયાને સાહજિક રીતે વર્ણવવા માટે, મુખ્ય સ્વાયત્ત ડ્રાઇવિંગ એલ્ગોરિધમ્સ (સ્થાનિકરણ, દ્રષ્ટિ, આયોજન, વાહન નિયંત્રણ અને સિસ્ટમ મેનેજમેન્ટ) સંક્ષિપ્તમાં રજૂ કરવામાં આવે છે અને સ્વાયત્ત ડ્રાઇવિંગ સિસ્ટમના અમલીકરણ પર લાગુ થાય છે. અમે સ્વાયત્ત સિસ્ટમ અમલીકરણ પર કેસ સ્ટડી કરીને વિતરણ સિસ્ટમ આર્કિટેક્ચરના ફાયદા અને સૂચિત વિકાસ પ્રક્રિયાની તપાસ કરી શકીએ છીએ. પ્રસ્તાવિત પદ્ધતિની માન્યતા એ ઓટોનોમસ કાર A1 દ્વારા સાબિત થાય છે જે કોરિયામાં 2012 ઓટોનોમસ વાહન સ્પર્ધા જીતી હતી, જેમાં તમામ મિશન પૂર્ણ થયા હતા. |
db17a183cb220ae8473bf1b25d62d5ef6fcfeac7 | જોકે તમામ વર્તમાન હવાથી ભરેલા સબસ્ટ્રેટ ઇન્ટિગ્રેટેડ વેવગાઇડ (એએફએસઆઇડબ્લ્યુ) ટોપોલોજી સબસ્ટ્રેટ-સ્વતંત્ર વિદ્યુત પ્રદર્શન આપે છે, તેઓ ઇલેક્ટ્રોમેગ્નેટિક ક્ષેત્રો ધરાવતા હવાથી ભરેલા પ્રદેશો બનાવવા માટે સમર્પિત, ખર્ચાળ, લેમિનેટ્સ પર આધાર રાખે છે. આ કાગળમાં એક નવલકથા સબસ્ટ્રેટ-સ્વતંત્ર એએફએસઆઇડબલ્યુ ઉત્પાદન તકનીકનો પ્રસ્તાવ છે, જે પ્રમાણભૂત એડિટિવ (3-ડી પ્રિન્ટિંગ) અથવા સબટ્રેક્ટિવ (કમ્પ્યુટર દ્વારા નિયંત્રિત સંખ્યાત્મક ફ્રિલિંગ / લેસર કટીંગ) ઉત્પાદન પ્રક્રિયાઓ દ્વારા સામાન્ય હેતુવાળા વ્યાપારી રીતે ઉપલબ્ધ સપાટી સામગ્રીની વિશાળ શ્રેણીમાં ઉચ્ચ પ્રદર્શન માઇક્રોવેવ ઘટકોના સીધા સંકલનને સક્ષમ કરે છે. પ્રથમ, એક વિશ્લેષણાત્મક સૂત્ર અસરકારક પરમીટિવિટી અને AFSIW વેવગાઇડના નુકશાન સ્પર્શક માટે ઉતરી આવે છે. આ ડિઝાઇનરને ઉચ્ચ-આવર્તન લેમિનેટ્સમાં સામાન્ય રીતે મળેલી સ્તરે સબસ્ટ્રેટના નુકસાનને ઘટાડવાની મંજૂરી આપે છે. માઇક્રોવેવના ઘટકોની રચના અને ઉત્પાદન બહુવિધ એએફએસઆઇડબલ્યુ વેવગાઇડ્સ અને ચાર-વે પાવર ડિવાઇડર / કમ્બાઇનર, બંને નવા કોએક્સિયલ-ટુ-એર-ભરેલા એસઆઇડબલ્યુ સંક્રમણ પર આધાર રાખે છે, તે સાબિત કરે છે કે આ નવલકથા અભિગમ માઇક્રોવેવ ઘટકો રોજિંદા સપાટીમાં સીધા સંકલન માટે યોગ્ય છે, જેમાં ઓછા નિવેશ નુકશાન છે, અને સમગ્ર [5.15-5.85] ગીગાહર્ટ્ઝ બેન્ડ પર ઉત્તમ મેચિંગ અને અલગતા છે. આ નવીન અભિગમ ખર્ચ અસરકારક, ઉચ્ચ પ્રદર્શન અને અદ્રશ્ય રીતે સંકલિત સ્માર્ટ સપાટી સિસ્ટમોની નવી પેઢી માટે માર્ગ મોકળો કરે છે જે રોજિંદા વસ્તુઓમાં ઉપલબ્ધ વિસ્તાર અને સામગ્રીનો કાર્યક્ષમ રીતે ઉપયોગ કરે છે. |
8216673632b897ec50db06358b77f13ddd432c47 | |
05eef019bac01e6520526510c2590cc1718f7fe6 | મોબાઇલ લાઇવસ્ટ્રીમિંગ હવે તેની ત્રીજી તરંગમાં સારી રીતે છે. બામ્બુસર અને કિક જેવી પ્રારંભિક સિસ્ટમોથી લઈને વધુ લોકપ્રિય એપ્લિકેશન્સ મીરકેટ અને પેરિસ્કોપ, ફેસબુક અને ઇન્સ્ટાગ્રામમાં આજે સંકલિત સામાજિક સ્ટ્રીમિંગ સુવિધાઓ, તકનીકી અને ઉપયોગ બંનેમાં નાટ્યાત્મક રીતે ફેરફાર થયો છે. લાઇવસ્ટ્રીમિંગના આ તાજેતરના તબક્કામાં, કેમેરા આસપાસના પર બહારની જગ્યાએ સ્ટ્રીમર પર ધ્યાન કેન્દ્રિત કરવા માટે અંદર તરફ વળે છે. ટીનેજરો મિત્રોને મનોરંજન આપવા, નવા લોકોને મળવા અને સમાન રુચિઓ પર અન્ય લોકો સાથે જોડાવા માટે આ પ્લેટફોર્મનો વધુને વધુ ઉપયોગ કરી રહ્યા છે. અમે આ નવા પ્લેટફોર્મ પર કિશોરોના લાઇવસ્ટ્રીમિંગ વર્તણૂકો અને પ્રેરણાઓનો અભ્યાસ કર્યો છે 2,247 અમેરિકન લાઇવસ્ટ્રીમર્સ દ્વારા પૂર્ણ થયેલ સર્વેક્ષણ અને 20 કિશોરો સાથેની મુલાકાત દ્વારા, બદલાતી પ્રથાઓ, વિશાળ વસ્તીથી કિશોરોના તફાવતો અને નવી લાઇવસ્ટ્રીમિંગ સેવાઓની રચના માટેનાં અસરોને પ્રકાશિત કરે છે. |
08c30bbfb9ff90884f9d1f873a1eeb6bb616e761 | અશક્યતા સિદ્ધાંતો સૂચવે છે કે સંયોજનની સોંપણીની સમસ્યા માટે માત્ર કાર્યક્ષમ અને વ્યૂહરચના-સાબિતી પદ્ધતિઓ - ઉદાહરણ તરીકે, વિદ્યાર્થીઓને અભ્યાસક્રમોના સમયપત્રક સોંપવા - ડિક્ટેટર્સ છે. સરમુખત્યારશાહીને અયોગ્ય તરીકે નકારી કાઢવામાં આવે છેઃ કોઈપણ બે એજન્ટો માટે, અન્ય કોઈ પણ પસંદ કરતા પહેલા એક તેમના તમામ પદાર્થો પસંદ કરે છે. કોઇપણ સમાધાનમાં કાર્યક્ષમતા, પ્રોત્સાહન અને ન્યાયના વિચારણાઓ વચ્ચે સમાધાન સામેલ હશે. આ કાગળ સંયોજક સોંપણી સમસ્યા માટે એક ઉકેલ પ્રસ્તાવિત કરે છે. આ ચાર તબક્કામાં વિકસિત થાય છે. પ્રથમ, હું પરિણામ ન્યાયના બે નવા માપદંડ પ્રસ્તાવિત કરું છું, મહત્તમ શેર ગેરંટી અને એક જ સારા દ્વારા બંધાયેલ ઈર્ષ્યા, જે અવિભાજ્યતાને સમાવવા માટે જાણીતા માપદંડને નબળા પાડે છે; માપદંડ શા માટે સરમુખત્યારશાહી અન્યાયી છે તે ઔપચારિક કરે છે. બીજું, હું સમાન આવકમાંથી સ્પર્ધાત્મક સંતુલનની નજીકના અસ્તિત્વને સાબિત કરું છું જેમાં (i) આવક અસમાન છે પરંતુ મનસ્વી રીતે એક સાથે નજીક છે; (ii) બજાર ભૂલ સાથે સાફ કરે છે, જે મર્યાદામાં શૂન્યની નજીક છે અને વાસ્તવિક સમસ્યાઓ માટે નાનું છે. ત્રીજું, હું બતાવું છું કે આ અંદાજિત સીઇઇઆઇ ન્યાયીતાના માપદંડોને પૂર્ણ કરે છે. છેલ્લે, હું અંદાજિત સીઇઇઆઇ પર આધારિત એક પદ્ધતિ વ્યાખ્યાયિત કરું છું જે વ્યૂહરચના-સાબિતી છે શૂન્ય-માપ એજન્ટો અર્થશાસ્ત્રીઓ પરંપરાગત રીતે ભાવ લેનારાઓ તરીકે ગણવામાં આવે છે. પ્રસ્તાવિત પદ્ધતિ વાસ્તવિક ડેટા પર માપવામાં આવે છે અને સિદ્ધાંત અને વ્યવહારથી વિકલ્પોની સરખામણી કરવામાં આવે છેઃ અન્ય તમામ જાણીતા પદ્ધતિઓ શૂન્ય-માપ એજન્ટો દ્વારા અથવા અન્યાયી એક્સ-પોસ્ટ દ્વારા ચાલાકી કરી શકાય છે, અને મોટાભાગના બંને ચાલાકી અને અન્યાયી છે. |
7d2c7748359f57c2b4227b31eca9e5f7a70a6b5c | |
0d1fd04c0dec97bd0b1c4deeba21b8833f792651 | ત્રણ તબક્કા, ચાર સ્વીચ, એક તબક્કા, અલગ શૂન્ય-વોલ્ટેજ-સ્વિચિંગ (ઝેડવીએસ) રેક્ટિફાયરનું ડિઝાઇન વિચારણાઓ અને કામગીરી મૂલ્યાંકન રજૂ કરવામાં આવે છે. આ સર્કિટ ત્રણ તબક્કા, બે સ્વીચ, ઝેડવીએસ, અવિરત-પ્રવાહ-સ્થિતિ (ડીસીએમ), બુસ્ટ પાવર-ફેક્ટર-કોરેક્શન (પીએફસી) રેક્ટિફાયર, ટૂંકા માટે ટાયપેઇ રેક્ટિફાયર નામ આપવામાં આવ્યું છે, ઝેડવીએસ ફુલ-બ્રિજ (એફબી) ફેઝ-શિફ્ટ ડીસી / ડીસી કન્વર્ટર સાથે સંકલિત કરીને મેળવવામાં આવે છે. આ પ્રદર્શનનું મૂલ્યાંકન ત્રણ તબક્કાના 2.7-કેડબલ્યુ પ્રોટોટાઇપ પર કરવામાં આવ્યું હતું, જે એચવીડીસી વિતરણ એપ્લિકેશન્સ માટે રચાયેલ છે, જેમાં 180 વીઆરએમએસથી 264 વીઆરએમએસ સુધીની લાઇન-ટોલિન વોલ્ટેજ રેન્જ છે અને 200 વીથી 300 વી સુધીની ચુસ્ત નિયમન કરેલ ચલ ડીસી આઉટપુટ વોલ્ટેજ છે. આ પ્રોટોટાઇપ સમગ્ર ઇનપુટ-વોલ્ટેજ અને લોડ-વર્તમાન રેન્જમાં ઝેડવીએસ સાથે કાર્ય કરે છે અને 95% રેન્જમાં કાર્યક્ષમતા સાથે 5% ઇનપુટ-વર્તમાન ટીએચડી કરતા ઓછા પ્રાપ્ત કરે છે. |
5417bd72d1b787ade0c485f1188189474c199f4d | અમે એક અનુકૂલનશીલ હિંજલ નુકશાન ઉદ્દેશ કાર્યનો ઉપયોગ કરીને સ્થિરતા અને પ્રભાવમાં સુધારો કરવા માટે જનરેટિવ એડેસ્સરીયલ નેટવર્ક્સ (જીએએન) માટે એક નવલકથા તાલીમ પ્રક્રિયા પ્રસ્તાવિત કરીએ છીએ. અમે લક્ષ્ય વિતરણની અપેક્ષિત ઊર્જા સાથે યોગ્ય હાર્નેસ નુકશાન માર્જિનનો અંદાજ કાઢીએ છીએ, અને માર્જિનને અપડેટ કરવા માટે એક સિદ્ધાંત માપદંડ અને આશરે સંપાત માપ બંનેને કાઢીએ છીએ. પરિણામી તાલીમ પ્રક્રિયા સરળ છે પરંતુ વિવિધ ડેટાસેટ્સ પર મજબૂત છે. અમે સૂચિત તાલીમ પ્રક્રિયાનું મૂલ્યાંકન કરીએ છીએ, જે નિરીક્ષણ વિનાની છબી બનાવવાની કાર્ય પર છે, ગુણવત્તાયુક્ત અને જથ્થાત્મક પ્રદર્શન બંનેમાં સુધારાઓ નોંધે છે. |
007ee2559d4a2a8c661f4f5182899f03736682a7 | કંટ્રોલર-એરીયા નેટવર્ક (CAN) બસ પ્રોટોકોલ [1] એ રોબર્ટ બોશ જીએમબીએચ દ્વારા 1986 માં શોધાયેલ બસ પ્રોટોકોલ છે, જે મૂળ ઓટોમોટિવ ઉપયોગ માટે બનાવાયેલ છે. હવે, બસ કાર અને ટ્રકથી લઈને લાઈટનિંગ સેટઅપથી લઈને ઔદ્યોગિક લૂમ્સ સુધીના ઉપકરણોમાં મળી શકે છે. તેની પ્રકૃતિને કારણે, તે એક એવી સિસ્ટમ છે જે સલામતી પર ખૂબ ધ્યાન કેન્દ્રિત કરે છે, એટલે કે, વિશ્વસનીયતા. દુર્ભાગ્યવશ, સુરક્ષાને લાગુ કરવા માટે કોઈ બિલ્ટ-ઇન રીત નથી, જેમ કે એન્ક્રિપ્શન અથવા પ્રમાણીકરણ. આ કાગળમાં, અમે CAN બસ પર પછાત સુસંગત સંદેશ પ્રમાણીકરણ પ્રોટોકોલ અમલીકરણ સાથે સંકળાયેલી સમસ્યાઓની તપાસ કરીએ છીએ. અમે બતાવીએ છીએ કે આવા પ્રોટોકોલને કયા પ્રતિબંધોને મળવું પડશે અને શા માટે આ દૂર કરે છે, અમારા શ્રેષ્ઠ જ્ઞાન માટે, અત્યાર સુધી પ્રકાશિત તમામ પ્રમાણીકરણ પ્રોટોકોલ. વધુમાં, અમે એક સંદેશ પ્રમાણીકરણ પ્રોટોકોલ, CANAuth રજૂ કરીએ છીએ, જે બધી જરૂરિયાતોને પૂર્ણ કરે છે અને CAN બસના કોઈપણ પ્રતિબંધનું ઉલ્લંઘન કરતું નથી. કીવર્ડ્સ-કેએન બસ, એમ્બેડેડ નેટવર્ક્સ, બ્રોડકાસ્ટ ઓથેન્ટિકેશન, સિમેટ્રિક ક્રિપ્ટોગ્રાફી |
129359a872783b7c3a82c2c9dbef75df2956d2d3 | એક્સએફઆઈ એક વ્યાપક સુરક્ષા પ્રણાલી છે જે બંને લવચીક ઍક્સેસ નિયંત્રણ અને મૂળભૂત અખંડિતતા ગેરંટી આપે છે, કોઈપણ વિશેષાધિકાર સ્તરે અને કોમોડિટી સિસ્ટમ્સમાં લેગસી કોડ માટે પણ. આ હેતુ માટે, એક્સએફઆઈ ઇનલાઇન સોફ્ટવેર ગાર્ડ્સ અને બે-સ્ટેક એક્ઝેક્યુશન મોડેલ સાથે સ્થિર વિશ્લેષણને જોડે છે. અમે x86 આર્કિટેક્ચર પર બાયનરી રીરાઇટિંગ અને એક સરળ, સ્ટેન્ડ-અલોન વેરિફાયરનો ઉપયોગ કરીને વિન્ડોઝ માટે XFI અમલમાં મૂક્યું છે; અમલીકરણની ચોકસાઈ વેરિફાયર પર આધારિત છે, પરંતુ રીરાઇટર પર નહીં. અમે XFIને ડિવાઇસ ડ્રાઈવરો અને મલ્ટીમીડિયા કોડેક જેવા સોફ્ટવેરમાં લાગુ કરી છે. પરિણામી મોડ્યુલો કર્નલ અને વપરાશકર્તા મોડ એડ્રેસ સ્પેસ બંનેમાં સુરક્ષિત રીતે કાર્ય કરે છે, માત્ર વિનમ્ર અમલીકરણ ઓવરહેડ સાથે. |
3b938f66d03559e1144fa2ab63a3a9a076a6b48b | સિગ્નલ પ્રોસેસિંગ અને આંકડા જેવા કાર્યક્રમોમાં, ઘણી સમસ્યાઓમાં સમીકરણોની અંડર-નિર્ધારિત રેખીય પ્રણાલીઓના વિરલ ઉકેલો શોધવાનો સમાવેશ થાય છે. આ સમસ્યાઓને માળખાગત નોનસ્મૂથ ઓપ્ટિમાઇઝેશન સમસ્યા તરીકે તૈયાર કરી શકાય છે, એટલે કે, `1-નિયમિત રેખીય લઘુત્તમ ચોરસ સમસ્યાઓ ઘટાડવાની સમસ્યા. આ કાગળમાં, અમે વધુ સામાન્ય ∀1-નિયમિત ઉભો લઘુત્તમ સમસ્યાઓ ઉકેલવા માટે એક બ્લોક કોઓર્ડિનેટ ઢાળ વંશ પદ્ધતિ (સીએજીડી તરીકે સંક્ષિપ્ત) પ્રસ્તાવિત કરીએ છીએ, એટલે કે, ∀1-નિયમિત ઉભો સરળ કાર્યને ઘટાડવાની સમસ્યા. અમે અમારી પદ્ધતિ માટે Q-રેખીય સંકલન દર સ્થાપિત કરીએ છીએ જ્યારે કોઓર્ડિનેટ બ્લોકને ગેસ-સાઉથવેલ-પ્રકારના નિયમ દ્વારા પસંદ કરવામાં આવે છે જેથી પર્યાપ્ત ઉતરતા ખાતરી થાય. અમે સીજીડી પદ્ધતિના કાર્યક્ષમ અમલીકરણની દરખાસ્ત કરીએ છીએ અને ડેટા વર્ગીકરણમાં સુવિધા પસંદગી માટે મોટા પાયે ∀1-નિયમિત રેખીય લઘુતમ ચોરસ સમસ્યાઓ ઉકેલવા માટે તેમજ મોટા પાયે ∀1-નિયમિત લોજિસ્ટિક રીગ્રેસન સમસ્યાઓ ઉકેલવા માટે સંખ્યાત્મક પરિણામોની જાણ કરીએ છીએ. મોટા પાયે ∀1-નિયમિત રેખીય લઘુત્તમ ચોરસ અથવા લોજિસ્ટિક રીગ્રેસન સમસ્યાઓના ઉકેલ માટે ખાસ રચાયેલ કેટલાક અદ્યતન અલ્ગોરિધમ્સ સાથેની સરખામણી સૂચવે છે કે અસરકારક રીતે અમલમાં આવેલી સીજીડી પદ્ધતિ આ અલ્ગોરિધમ્સને વટાવી શકે છે, હકીકત એ છે કે સીજીડી પદ્ધતિ ખાસ કરીને માત્ર આ ખાસ વર્ગોની સમસ્યાઓના ઉકેલ માટે રચાયેલ નથી. |
8ad03b36ab3cba911699fe1699332c6353f227bc | યુનેસ્કો અનુસાર, શિક્ષણ એ મૂળભૂત માનવ અધિકાર છે અને દરેક રાષ્ટ્રના નાગરિકોને સમાન ગુણવત્તા સાથે તેની સાર્વત્રિક accessક્સેસ આપવી જોઈએ. કારણ કે આ લક્ષ્ય હજુ પણ મોટાભાગના દેશોમાં, ખાસ કરીને વિકાસશીલ અને અવિકસિત દેશોમાં પ્રાપ્ત થયું નથી, તેથી શિક્ષણને સુધારવા માટે વધુ અસરકારક રીતો શોધવાનું અત્યંત મહત્વનું છે. આ કાગળ કમ્પ્યુટેશનલ ઇન્ટેલિજન્સ (ડેટા માઇનિંગ અને ડેટા સાયન્સ) ના ઉપયોગ પર આધારિત એક મોડેલ રજૂ કરે છે જે વિદ્યાર્થીની જ્ઞાન પ્રોફાઇલ વિકસાવવા તરફ દોરી જાય છે અને જે તેમના વિદ્યાર્થીઓને શ્રેષ્ઠ રીતે દિશામાન કરવા માટે તેમના નિર્ણયમાં શિક્ષકોને મદદ કરી શકે છે. આ મોડેલ દરેક વિદ્યાર્થી માટે એકત્રિત કરવામાં આવેલ વ્યક્તિગત વ્યૂહાત્મક આયોજનમાં ઉદ્દેશ્યોની સિદ્ધિને મોનિટર કરવા માટે કી પ્રદર્શન સૂચકાંકો સ્થાપિત કરવાનો પ્રયાસ કરે છે. આ મોડેલ વર્ગીકરણ અને આગાહી માટે રેન્ડમ ફોરેસ્ટ, ડેટા સ્ટ્રક્ચર વિઝ્યુલાઇઝેશન માટે ગ્રાફ વર્ણન અને હિતધારકોને સંબંધિત માહિતી પ્રસ્તુત કરવા માટે ભલામણ સિસ્ટમ્સનો ઉપયોગ કરે છે. પ્રસ્તુત પરિણામો બ્રાઝિલના ખાનગી કે -9 (પ્રાથમિક શાળા) માંથી મેળવેલા વાસ્તવિક ડેટાસેટના આધારે બનાવવામાં આવ્યા હતા. પ્રાપ્ત થયેલા પરિણામોમાં મુખ્ય ડેટા વચ્ચેના સંબંધ, વિદ્યાર્થીઓના પ્રદર્શનની આગાહી કરવા માટેનું એક મોડેલ અને હિતધારકો માટે બનાવેલી ભલામણોનો સમાવેશ થાય છે. |
500923d2513d30299350a6a0e9b84b077250dc78 | માહિતી પુનઃપ્રાપ્તિ અને માહિતી એકીકરણમાં અર્થલક્ષી સમાનતાનાં પગલાં મહત્વની ભૂમિકા ભજવે છે. અર્થલક્ષી સમાનતાનું મોડેલિંગ કરવા માટે પરંપરાગત અભિગમો એક ઓન્ટોલોજીની અંદર વ્યાખ્યાઓ વચ્ચેના અર્થલક્ષી અંતરની ગણતરી કરે છે. આ એકલ ઓન્ટોલોજી ક્યાં તો ડોમેન-સ્વતંત્ર ઓન્ટોલોજી છે અથવા હાલની ઓન્ટોલોજીના એકીકરણનું પરિણામ છે. અમે અર્થસભર સમાનતાની ગણતરી કરવા માટે એક અભિગમ રજૂ કરીએ છીએ જે એક ઓન્ટોલોજીની જરૂરિયાતને છૂટક કરે છે અને વિવિધ ઓન્ટોલોજી સ્પષ્ટીકરણોના સ્પષ્ટતા અને ઔપચારિકતાના સ્તરોમાં તફાવતોને ધ્યાનમાં લે છે. સમાનતા કાર્ય સમાન એન્ટિટી વર્ગોને સમાન સમૂહ, સિમેન્ટીક પડોશીઓ અને ભાગો, કાર્યો અને લક્ષણોમાં વર્ગીકૃત કરવામાં આવેલી લાક્ષણિકતાઓ પર મેળ ખાતી પ્રક્રિયાનો ઉપયોગ કરીને નક્કી કરે છે. વિવિધ ઓન્ટોલોજી સાથેના પ્રાયોગિક પરિણામો સૂચવે છે કે જ્યારે ઓન્ટોલોજીમાં એન્ટિટી વર્ગોના સંપૂર્ણ અને વિગતવાર રજૂઆતો હોય ત્યારે મોડેલ સારા પરિણામો આપે છે. જ્યારે શબ્દ મેળ ખાતા અને અર્થપૂર્ણ પડોશી મેળ ખાતા સંયોજન સમકક્ષ એન્ટિટી વર્ગોને શોધવા માટે પર્યાપ્ત છે, ત્યારે સુવિધા મેળ ખાતા અમને સમાન, પરંતુ જરૂરી નથી કે સમકક્ષ, એન્ટિટી વર્ગો વચ્ચે ભેદભાવ કરવાની મંજૂરી આપે છે. |
1c58b4c7adee37874ac96f7d859d1a51f97bf6aa | સ્ટેક્ડ જનરલાઇઝેશન એ ઉચ્ચ સ્તરના મોડેલને નીચલા સ્તરના મોડેલોને વધુ આગાહીની ચોકસાઈ પ્રાપ્ત કરવા માટે ભેગા કરવા માટેનો એક સામાન્ય પદ્ધતિ છે. આ કાગળમાં આપણે બે મહત્વના મુદ્દાઓ પર ધ્યાન આપીએ છીએ, જે 1992 માં વોલ્પર્ટ દ્વારા સ્ટેક્ડ જનરલાઇઝેશનની રજૂઆત પછી વર્ગીકરણ કાર્યોમાં બ્લેક આર્ટ તરીકે ગણવામાં આવે છેઃ ઉચ્ચ સ્તરના મોડેલને ઉતારવા માટે યોગ્ય જનરલાઇઝરનો પ્રકાર અને તેના ઇનપુટ તરીકે ઉપયોગમાં લેવાતા લક્ષણોનો પ્રકાર. અમે જોયું કે શ્રેષ્ઠ પરિણામો ત્યારે પ્રાપ્ત થાય છે જ્યારે ઉચ્ચ સ્તરનું મોડેલ નીચલા સ્તરના લોકોના સંભાવના (અને માત્ર આગાહીઓ નહીં) ને જોડે છે. અમે વર્ગીકરણ કાર્યો માટે ત્રણ અલગ અલગ પ્રકારના શીખવાની અલ્ગોરિધમ્સને જોડવા માટે સ્ટેક્ડ જનરલાઇઝેશનની અસરકારકતા દર્શાવીએ છીએ. અમે સ્ટેક્ડ જનરલાઇઝેશનના પ્રદર્શનની સરખામણી બહુમતી મત અને આર્કિંગ અને બેગિંગના પ્રકાશિત પરિણામો સાથે કરીએ છીએ. |
017ee86aa9be09284a2e07c9200192ab3bea9671 | શરતી GAN કુદરતી છબી સંશ્લેષણની મોખરે છે. આવા મોડેલોની મુખ્ય ખામી એ લેબલ કરેલા ડેટાની જરૂરિયાત છે. આ કાર્યમાં અમે બે લોકપ્રિય અનસર્વેસ્ડ લર્નિંગ તકનીકોનો ઉપયોગ કરીએ છીએ, વિરોધી તાલીમ અને સ્વ-નિરીક્ષણ, શરતી અને બિનશરતી GAN વચ્ચેના અંતરને બંધ કરવા માટે. ખાસ કરીને, અમે નેટવર્કને પ્રતિનિધિત્વ શિક્ષણના કાર્યમાં સહયોગ કરવાની મંજૂરી આપીએ છીએ, જ્યારે ક્લાસિક જીએન ગેમ સાથે વિરોધાભાસી છીએ. સ્વયં-નિરીક્ષણની ભૂમિકા ભેદભાવ કરનારને અર્થપૂર્ણ લક્ષણ રજૂઆતો શીખવા માટે પ્રોત્સાહિત કરવાની છે જે તાલીમ દરમિયાન ભૂલી નથી. અમે બંને શીખી છબી પ્રતિનિધિત્વ ગુણવત્તા, અને સંશ્લેષિત છબીઓ ગુણવત્તા પ્રયોગમૂલક પરીક્ષણ. આ જ શરતો હેઠળ, સ્વ-સર્વેક્ષિત GAN એ અદ્યતન શરતી સમકક્ષો જેવા જ પ્રદર્શન પ્રાપ્ત કરે છે. છેલ્લે, અમે બતાવીએ છીએ કે સંપૂર્ણ નિરીક્ષણ વિનાના શિક્ષણ માટે આ અભિગમ બિનશરતી IMAGENET પેઢી પર 33 ની એફઆઇડી પ્રાપ્ત કરવા માટે સ્કેલ કરી શકાય છે. |
5c695f1810951ad1bbdf7da5f736790dca240e5b | સોશિયલ મીડિયા પર વપરાશકર્તા દ્વારા જનરેટ કરેલી સામગ્રીનું વિશ્લેષણ અને ઉત્પાદનો અને ઇવેન્ટ્સ પ્રત્યે વપરાશકર્તા અભિપ્રાયોની ચોક્કસ સ્પષ્ટીકરણ ઘણા કાર્યક્રમો માટે ખૂબ મૂલ્યવાન છે. વેબ 2.0ના પ્રસાર અને વેબ પર વપરાશકર્તા દ્વારા જનરેટ કરવામાં આવેલી સામગ્રીની ઝડપી વૃદ્ધિ સાથે, પાસાના સ્તરની લાગણી વિશ્લેષણ પરના અભિગમો કે જે ફાઇન ગ્રાન્યુલ માહિતી આપે છે તે ખૂબ જ રસ ધરાવે છે. આ કાર્યમાં, પાસા આધારિત ભાવના વિશ્લેષણ માટે એક વર્ગીકૃત સમૂહ અભિગમ રજૂ કરવામાં આવ્યો છે. આ અભિગમ સામાન્ય છે અને કોઈ વિષયને મોડેલ કરવા અને વપરાશકર્તાઓ દ્વારા સંબોધિત મુખ્ય પાસાઓને સ્પષ્ટ કરવા માટે ગુપ્ત ડિરીચલેટ ફાળવણીનો ઉપયોગ કરે છે. ત્યારબાદ, દરેક ટિપ્પણીનું વધુ વિશ્લેષણ કરવામાં આવે છે અને શબ્દો અને પાસાઓ વચ્ચેની ક્રિયાપ્રતિક્રિયા દર્શાવતી શબ્દની પરાધીનતા બહાર કાઢવામાં આવે છે. એક એસેમ્બલી વર્ગીકરણકર્તા જે નાઇવ બેયસ, મહત્તમ એન્ટ્રોપી અને સપોર્ટ વેક્ટર મશીનો દ્વારા ઘડવામાં આવે છે તે દરેક પાસા તરફ વપરાશકર્તાની ટિપ્પણીની ધ્રુવીયતાને ઓળખવા માટે રચાયેલ છે. મૂલ્યાંકન પરિણામો વ્યક્તિગત વર્ગીકરણકારોની તુલનામાં સારા સુધારા દર્શાવે છે અને સૂચવે છે કે એસેમ્બલ સિસ્ટમ વપરાશકર્તા દ્વારા જનરેટ કરેલી સામગ્રીનું વિશ્લેષણ કરવામાં અને વપરાશકર્તાઓના મંતવ્યો અને વલણોને સ્પષ્ટ કરવામાં સ્કેલેબલ અને સચોટ છે. |
4f1fe957a29a2e422d4034f4510644714d33fb20 | અમે દસ્તાવેજોને વિષય દ્વારા નહીં, પરંતુ એકંદર લાગણી દ્વારા વર્ગીકૃત કરવાની સમસ્યાને ધ્યાનમાં લઈએ છીએ, ઉદાહરણ તરીકે, સમીક્ષા હકારાત્મક કે નકારાત્મક છે તે નક્કી કરવા. ડેટા તરીકે ફિલ્મ સમીક્ષાઓનો ઉપયોગ કરીને, અમે શોધીએ છીએ કે માનક મશીન શિક્ષણ તકનીકો ચોક્કસપણે માનવ-નિર્માણ બેઝલાઇન કરતાં વધુ સારી છે. જો કે, અમે ઉપયોગમાં લીધેલી ત્રણ મશીન લર્નિંગ પદ્ધતિઓ (નેવ બેયસ, મહત્તમ એન્ટ્રોપી વર્ગીકરણ અને સપોર્ટ વેક્ટર મશીનો) પરંપરાગત વિષય-આધારિત વર્ગીકરણની જેમ લાગણી વર્ગીકરણ પર સારી કામગીરી બજાવે છે. અમે એવા પરિબળોની તપાસ કરીને નિષ્કર્ષ કાઢીએ છીએ જે લાગણી વર્ગીકરણ સમસ્યાને વધુ પડકારરૂપ બનાવે છે. પ્રકાશન માહિતી: EMNLPની કાર્યવાહી 2002, પાના. 79-86 સુધી |
722e2f7894a1b62e0ab09913ce9b98654733d98e | આ પ્રકાશનમાં એવા પ્રકાશન લેખો છે જેના માટે IEEE પાસે કૉપિરાઇટ નથી. આ લેખો માટે IEEE Xplore પર સંપૂર્ણ લખાણ ઉપલબ્ધ નથી. |
2485c98aa44131d1a2f7d1355b1e372f2bb148ad | આ કાગળમાં, અમે મોટા પાયે ચાઇનીઝ ચહેરાના ડેટાબેઝની સંપાદન અને સમાવિષ્ટોનું વર્ણન કરીએ છીએઃ સીએએસ-પીલ ચહેરાના ડેટાબેઝ. CAS-PEAL ચહેરા ડેટાબેઝ બનાવવાના ધ્યેયોમાં નીચેનાનો સમાવેશ થાય છેઃ 1) ચહેરાની ઓળખના વૈશ્વિક સંશોધકોને વિવિધ સ્ત્રોતો, ખાસ કરીને પોઝ, અભિવ્યક્તિ, એસેસરીઝ અને લાઇટિંગ (PEAL) અને એક સમાન ડેટાબેઝમાં સંપૂર્ણ ગ્રાઉન્ડ-સત્ય માહિતી સાથે પ્રદાન કરવું; 2) સ્ટેટ-ઓફ-ધ-આર્ટ ચહેરાની ઓળખ તકનીકોને આગળ વધારવા માટે જે વ્યવહારુ એપ્લિકેશન્સને ધ્યાનમાં રાખીને બંધ-ધ-શેલ્ફ ઇમેજિંગ સાધનોનો ઉપયોગ કરીને અને ડેટાબેઝમાં સામાન્ય ચહેરાના ફેરફારોને ડિઝાઇન કરીને; અને 3) મોંગોલિયનના મોટા પાયે ચહેરાના ડેટાબેઝની જોગવાઈ. હાલમાં, CAS-PEAL ચહેરાના ડેટાબેઝમાં 1040 વ્યક્તિઓ (595 પુરૂષો અને 445 સ્ત્રીઓ) ની 99 594 છબીઓ છે. આર્ક આર્મ પર કુલ નવ કેમેરા આડી રીતે માઉન્ટ કરવામાં આવ્યા છે, જેથી એક સાથે વિવિધ પોઝ પર છબીઓ કેપ્ચર કરી શકાય. દરેક વ્યક્તિને સીધા આગળ, ઉપર અને નીચે જોવા માટે કહેવામાં આવે છે જેથી ત્રણ શોટમાં 27 છબીઓ મળે. પાંચ ચહેરાના અભિવ્યક્તિઓ, છ એસેસરીઝ અને 15 લાઇટિંગ ફેરફારો પણ ડેટાબેઝમાં શામેલ છે. ડેટાબેઝનો એક પસંદ કરેલો સબસેટ (CAS-PEAL-R1, જેમાં 1040 વિષયોની 30 863 છબીઓ છે) હવે અન્ય સંશોધકો માટે ઉપલબ્ધ છે. અમે સીએએસ-પીએલ-આર 1 ડેટાબેઝ પર આધારિત મૂલ્યાંકન પ્રોટોકોલ પર ચર્ચા કરીએ છીએ અને નીચેના કરવા માટે બેઝલાઇન તરીકે ચાર અલ્ગોરિધમ્સના પ્રદર્શનને રજૂ કરીએ છીએઃ 1) ચહેરાની ઓળખ અલ્ગોરિધમ્સ માટે ડેટાબેઝની મુશ્કેલીનું મૂળભૂત મૂલ્યાંકન; 2) ડેટાબેઝનો ઉપયોગ કરતા સંશોધકો માટે પસંદગી મૂલ્યાંકન પરિણામો; અને 3) સામાન્ય રીતે ઉપયોગમાં લેવાતા અલ્ગોરિધમ્સની શક્તિ અને નબળાઈઓ ઓળખવા. |
a0456c27cdd58f197032c1c8b4f304f09d4c9bc5 | એસેમ્બલ પદ્ધતિઓ એલ્ગોરિધમ્સ શીખવાની પદ્ધતિઓ છે જે વર્ગીકરણકારોનો સમૂહ બનાવે છે અને પછી તેમની આગાહીઓના વજનિત મત લઈને નવા ડેટા પોઇન્ટ્સને વર્ગીકૃત કરે છે મૂળ એસેમ્બલ પદ્ધતિ બેઝિયન સરેરાશ છે પરંતુ વધુ તાજેતરના અલ્ગોરિધમ્સમાં ભૂલ સુધારણા આઉટપુટ કોડિંગ બેગિંગ અને બુસ્ટિંગનો સમાવેશ થાય છે આ કાગળ આ પદ્ધતિઓની સમીક્ષા કરે છે અને સમજાવે છે કે શા માટે એસેમ્બલ ઘણીવાર કોઈપણ એક જ વર્ગીકરણ કરતા વધુ સારી કામગીરી કરી શકે છે એસેમ્બલ પદ્ધતિઓની તુલના કરતા કેટલાક અગાઉના અભ્યાસોની સમીક્ષા કરવામાં આવે છે અને કેટલાક નવા પ્રયોગો રજૂ કરવામાં આવે છે કારણ કે એડેબૂસ્ટ ઝડપથી ઓવરટેક નથી કરતા |
9a292e0d862debccffa04396cd5bceb5d866de18 | |
610bc4ab4fbf7f95656b24330eb004492e63ffdf | અમે નોન-નેગેટિવ મેટ્રિક્સ ફેક્ટરીઝેશન સમસ્યાનો અભ્યાસ કરીએ છીએ જે નીચા ક્રમવાળા ફેક્ટરીઝેશન દ્વારા બિન-નેગેટિવ મેટ્રિક્સને આશરે બનાવે છે. આ સમસ્યા ખાસ કરીને મશીન લર્નિંગમાં મહત્વપૂર્ણ છે, અને તે મોટી સંખ્યામાં એપ્લિકેશન્સમાં જોવા મળે છે. કમનસીબે, મૂળ રચના ખરાબ રીતે અને એનપીએચડી છે. આ કાગળમાં, અમે અલગ અલગ ધારણા હેઠળ એનએમએફ સમસ્યાને ઉકેલવા માટે રો એન્ટ્રોપી મિનિમાઇઝેશન પર આધારિત પંક્તિ વિખેરાઈ મોડેલનો પ્રસ્તાવ મૂક્યો છે જે જણાવે છે કે દરેક ડેટા પોઇન્ટ થોડા અલગ ડેટા કૉલમ્સનું ઉંચું મિશ્રણ છે. અમે એન્ટ્રોપી ફંક્શનની એકાગ્રતા અને `∞ નોર્મનો ઉપયોગ કરીએ છીએ જે ઊર્જાને લૅટેન્ટ વેરિયેબલ્સની ઓછામાં ઓછી સંખ્યા પર કેન્દ્રિત કરે છે. અમે સાબિત કરીએ છીએ કે અલગ થવાની ધારણા હેઠળ, અમારા પ્રસ્તાવિત મોડેલ ડેટા કોલમ્સને મજબૂત રીતે પુનઃપ્રાપ્ત કરે છે જે ડેટાસેટ પેદા કરે છે, જ્યારે ડેટા અવાજ દ્વારા દૂષિત થાય છે. અમે પ્રસ્તાવિત મોડેલની મજબૂતાઈને પ્રયોગાત્મક રીતે ન્યાયી ઠેરવીએ છીએ અને બતાવીએ છીએ કે તે સ્ટેટ-ઓફ-ધ-આર્ટ અલગ કરી શકાય તેવા એનએમએફ અલ્ગોરિધમ્સ કરતાં નોંધપાત્ર રીતે વધુ મજબૂત છે. |
f829fa5686895ec831dd157f88949f79976664a7 | હાયરાર્કીક બેયસિયન અભિગમો એમ્પિરિકલ માર્કેટિંગમાં મુખ્ય ભૂમિકા ભજવે છે કારણ કે તેઓ વ્યક્તિગત-સ્તરના પરિમાણ અંદાજો આપે છે જેનો ઉપયોગ લક્ષ્યાંકિત નિર્ણયો માટે થઈ શકે છે. એમસીએમસી પદ્ધતિઓ હાયરાર્કીક બેયસિયન મોડેલોના અંદાજ માટે પસંદગીની પદ્ધતિઓ રહી છે કારણ કે તે ચોક્કસ વ્યક્તિગત-સ્તરના અંદાજો પૂરા પાડવા સક્ષમ છે. જો કે, એમસીએમસી પદ્ધતિઓ કમ્પ્યુટેશનલ રીતે પ્રતિબંધક છે અને જ્યારે મોટા ડેટા સેટ્સ પર લાગુ કરવામાં આવે છે ત્યારે તે સારી રીતે સ્કેલ નથી કરતા જે વર્તમાન યુગમાં સામાન્ય બની ગયા છે. અમે માર્કેટિંગ સાહિત્યમાં બેયસિયન અંદાજ તકનીકોની નવી શ્રેણી રજૂ કરીએ છીએ જેને વેરિએશનલ બેયસિયન (વીબી) નિષ્કર્ષ તરીકે ઓળખવામાં આવે છે. આ પદ્ધતિઓ અનુકૂલન-આધારિત એમસીએમસી પદ્ધતિઓ સાથે સંકળાયેલ કમ્પ્યુટેશનલ ખર્ચના અપૂર્ણાંક પર પાછળના વિતરણને આશરે અને ચોક્કસ અંદાજો આપવા માટે નિર્ધારિત ઑપ્ટિમાઇઝેશન અભિગમ દ્વારા સ્કેલેબિલિટી પડકારને સંબોધિત કરે છે. અમે વિવિધતા બાયસિયન અનુમાનમાં તાજેતરના વિકાસનો ઉપયોગ કરીએ છીએ અને વિસ્તૃત કરીએ છીએ અને પ્રકાશિત કરીએ છીએ કે કેવી રીતે બે વીબી અંદાજ અભિગમો - મીન-ફીલ્ડ વીબી (જે ગિબ્સ નમૂનાકરણની સમાન છે) સંયોજિત મોડેલો માટે અને ફિક્સ્ડ-ફોર્મ વીબી (જે મેટ્રોપોલિસ-હેસ્ટિંગની સમાન છે) બિન-સંયોજિત મોડેલો માટે - જટિલ માર્કેટિંગ મોડેલોના અંદાજ માટે અસરકારક રીતે જોડાઈ શકે છે. અમે એ પણ બતાવીએ છીએ કે કેવી રીતે સમાંતર કમ્પ્યુટિંગ અને સ્ટોકાસ્ટિક ઑપ્ટિમાઇઝેશનમાં તાજેતરની પ્રગતિનો ઉપયોગ આ વીબી પદ્ધતિઓની ઝડપને વધુ વધારવા માટે થઈ શકે છે. સિમ્યુલેટેડ તેમજ વાસ્તવિક ડેટા સેટ્સનો ઉપયોગ કરીને, અમે સામાન્ય રીતે ઉપયોગમાં લેવાતા માર્કેટિંગ મોડેલો (દા. ત. મિશ્ર રેખીય, લોજિટ, પસંદગી અને હાયરાર્કીક ઓર્ડનલ લોજિટ મોડેલ્સ), અને દર્શાવો કે કેવી રીતે માર્કેટિંગ સમસ્યાઓ માટે વીબી અનુમાન વ્યાપકપણે લાગુ પડે છે. |
bf8a0014ac21ba452c38d27bc7d930c265c32c60 | ઉચ્ચ સ્તરના ફ્યુઝન અભિગમોનો ઉપયોગ મલ્ટી સેન્સર ડેટા ફ્યુઝનમાં નોંધપાત્ર લાભોનું અનુક્રમ દર્શાવે છે અને ઓટોમોટિવ સલામતી ફ્યુઝન સિસ્ટમ્સ આનો કોઈ અપવાદ નથી. ઉચ્ચ સ્તરના સંમિશ્રણને ઓટોમોટિવ સેન્સર નેટવર્ક્સ પર પૂરક અથવા / અને રિડન્ડન્ટ દૃશ્ય ક્ષેત્ર સાથે લાગુ કરી શકાય છે. આ અભિગમનો ફાયદો એ છે કે તે સિસ્ટમ મોડ્યુલરિટીને સુનિશ્ચિત કરે છે અને બેંચમાર્કિંગને મંજૂરી આપે છે, કારણ કે તે પ્રક્રિયાની અંદર પ્રતિસાદ અને લૂપ્સને મંજૂરી આપતું નથી. આ કાગળમાં બે ચોક્કસ ઉચ્ચ સ્તરના ડેટા ફ્યુઝન અભિગમોનું વર્ણન કરવામાં આવ્યું છે જેમાં સંક્ષિપ્ત આર્કિટેક્ચરલ અને અલ્ગોરિધમિક પ્રસ્તુતિનો સમાવેશ થાય છે. આ અભિગમો મુખ્યત્વે તેમના ડેટા એસોસિએશન ભાગમાં અલગ પડે છેઃ (એ) ટ્રેક લેવલ ફ્યુઝન અભિગમ તેને ઓબ્જેક્ટ સાતત્ય અને મલ્ટી-ડાયમેન્શનલ સોંપણી પર ભાર મૂકતા બિંદુથી બિંદુના જોડાણ સાથે ઉકેલે છે, અને (બી) ગ્રીડ આધારિત ફ્યુઝન અભિગમ જે પર્યાવરણને મોડેલ કરવા અને સેન્સર ડેટા ફ્યુઝન કરવા માટે એક સામાન્ય રીત પ્રસ્તાવિત કરે છે. આ અભિગમો માટે પરીક્ષણ કેસ મલ્ટી સેન્સર સજ્જ PReVENT/ProFusion2 ટ્રક પ્રદર્શન વાહન છે. |
c8cc94dd21d78f4f0d07ccb61153bfb798aeef2c | |
4152070bd6cd28cc44bc9e54ab3e641426382e75 | વર્ગીકરણની સમસ્યાનો વ્યાપકપણે ડેટા માઇનિંગ, મશીન લર્નિંગ, ડેટાબેઝ અને માહિતી પુનઃપ્રાપ્તિ સમુદાયોમાં અભ્યાસ કરવામાં આવ્યો છે, જેમાં વિવિધ ડોમેન્સમાં એપ્લિકેશન્સ છે, જેમ કે લક્ષ્ય માર્કેટિંગ, તબીબી નિદાન, સમાચાર જૂથ ફિલ્ટરિંગ અને દસ્તાવેજ સંગઠન. આ કાગળમાં અમે વિવિધ પ્રકારના ટેક્સ્ટ વર્ગીકરણનો સર્વેક્ષણ પ્રદાન કરીશું |
e050e89d01afffd5b854458fc48c9d6720a8072c | |
8bf72fb4edcb6974d3c4b0b2df63d9fd75c5dc4f | આવા અભિગમો સંભવિતપણે ઉચ્ચ પ્રદર્શન આપી શકે છે, કારણ કે તેઓ કુદરતી ભાષાના ખ્યાલો સાથે સંકળાયેલા અસ્પષ્ટ, સિમેન્ટીક્સ સુવિધાઓનું વિશ્લેષણ કરવા માટે પણ સક્ષમ છે. આ કાગળમાં, અમે સિમેન્ટીક સેન્ટીમેન્ટ એનાલિસિસ ચેલેન્જની ચોથી આવૃત્તિ રજૂ કરીએ છીએ, જેમાં સિમેન્ટીક સુવિધાઓ પર અમલીકરણ અથવા આધાર રાખતી સિસ્ટમોનું મૂલ્યાંકન કરવામાં આવે છે જેમાં મોટી પરીક્ષણ સમૂહો અને વિવિધ સેન્ટીમેન્ટ કાર્યોનો સમાવેશ થાય છે. માત્ર વાક્યરચના/શબ્દ-ગણતરી પર આધારિત અથવા માત્ર શબ્દકોશ આધારિત અભિગમોને મૂલ્યાંકનમાં બાકાત રાખવામાં આવ્યા છે. પછી, અમે દરેક કાર્ય માટે મૂલ્યાંકનના પરિણામો રજૂ કરીએ છીએ અને સૌથી નવીન અભિગમ એવોર્ડના વિજેતાને બતાવીએ છીએ, જે સેન્ટીમેન્ટ વિશ્લેષણ કાર્યને સંબોધવા માટે કેટલાક જ્ઞાન પાયાને જોડે છે. સેન્ટીમેન્ટ એનાલિસિસ સંશોધન અને ઉદ્યોગ બંનેમાં વ્યાપકપણે અભ્યાસ કરાયેલ સંશોધન ક્ષેત્ર છે, અને સેન્ટીમેન્ટ એનાલિસિસ સંબંધિત કાર્યોને સંબોધવા માટે વિવિધ અભિગમો છે. સેન્ટીમેન્ટ એનાલિસિસ એન્જિનો લેક્સિકોન આધારિત તકનીકોથી લઈને મશીન લર્નિંગ સુધીના અભિગમોને અમલમાં મૂકે છે અથવા તેમાં વાક્યરચના નિયમો વિશ્લેષણનો સમાવેશ થાય છે. આવી વ્યવસ્થાઓનું આંતરરાષ્ટ્રીય સંશોધન પડકારોમાં મૂલ્યાંકન કરવામાં આવ્યું છે. જો કે, સિમેન્ટીક સેન્ટીમેન્ટ એનાલિસિસ અભિગમો, જે ધ્યાનમાં લે છે અથવા મોટા સિમેન્ટીક જ્ઞાન પાયા પર પણ આધાર રાખે છે અને સિમેન્ટીક વેબની શ્રેષ્ઠ પદ્ધતિઓ અમલમાં મૂકે છે, અન્ય આંતરરાષ્ટ્રીય પડકારો દ્વારા વિશિષ્ટ પ્રાયોગિક મૂલ્યાંકન અને સરખામણી હેઠળ નથી. |
21da9ece5587df5a2ef79bf937ea19397abecfa0 | આ કાગળ આગાહી અને દ્રષ્ટિની વર્ગીકરણને અનુમાન સમસ્યા તરીકે ગણવામાં આવે છે જે મગજ દ્વારા ઉકેલી શકાય છે. અમે ધારીએ છીએ કે મગજ વિશ્વને હાયરાર્કી અથવા ગતિશીલ સિસ્ટમોના કાસ્કેડ તરીકે મોડેલ કરે છે જે સંવેદનામાં કારણભૂત માળખું એન્કોડ કરે છે. સંવેદનાત્મક માહિતીને સમજાવવા માટે, આ આંતરિક મોડેલોના ઑપ્ટિમાઇઝેશન અથવા ઇન્વર્ટ સાથે દ્રષ્ટિને સમાન ગણવામાં આવે છે. સંવેદનાત્મક ડેટા કેવી રીતે પેદા થાય છે તે એક મોડેલ આપવામાં આવે છે, અમે મોડેલના પુરાવા પર બંધાયેલ મુક્ત ઊર્જા પર આધારિત મોડેલ ઇન્વર્ઝન માટે એક સામાન્ય અભિગમનો ઉપયોગ કરી શકીએ છીએ. અનુગામી મુક્ત ઊર્જા સૂત્ર સમીકરણો પૂરા પાડે છે જે માન્યતા પ્રક્રિયાને સૂચવે છે, એટલે કે ન્યુરોનલ પ્રવૃત્તિની ગતિશીલતા જે સંવેદનાત્મક ઇનપુટના કારણોને રજૂ કરે છે. અહીં, અમે ખૂબ જ સામાન્ય મોડેલ પર ધ્યાન કેન્દ્રિત કરીએ છીએ, જેની હાયરાર્કીક અને ગતિશીલ માળખું સિમ્યુલેટેડ મગજને ઓળખવા અને અનુમાનિત કરવા માટે સક્ષમ કરે છે ટ્રેજેટરીઝ અથવા સંવેદનાત્મક રાજ્યોના ક્રમ. આપણે સૌ પ્રથમ હાયરાર્કીક ગતિશીલ મોડેલો અને તેમના વિપરીતની સમીક્ષા કરીએ છીએ. પછી અમે બતાવીએ છીએ કે મગજમાં આ ઉલટાવીને અમલમાં મૂકવા માટે જરૂરી માળખું છે અને આ બિંદુને કૃત્રિમ પક્ષીઓનો ઉપયોગ કરીને સમજાવીએ છીએ જે પક્ષીઓના ગીતોને ઓળખી અને વર્ગીકૃત કરી શકે છે. |
38a935e212c8e10460545b74a7888e3966c03e74 | આ કાગળ 3D ઑબ્જેક્ટ ડિટેક્શનની એમોડલ દ્રષ્ટિની સમસ્યાને સંબોધિત કરે છે. આ કાર્ય માત્ર 3D વિશ્વમાં ઑબ્જેક્ટ સ્થાનો શોધવા માટે જ નથી, પરંતુ તેમના ભૌતિક કદ અને પોઝનો અંદાજ પણ છે, જો આરજીબી-ડી છબીમાં માત્ર તેમના ભાગો જ દૃશ્યમાન હોય. તાજેતરના અભિગમોએ 3D અવકાશમાં સીધા 3D સુવિધાઓનો ઉપયોગ કરવા માટે ઊંડાણ ચેનલમાંથી પોઇન્ટ મેઘનો ઉપયોગ કરવાનો પ્રયાસ કર્યો છે અને પરંપરાગત 2.5D પ્રતિનિધિત્વ અભિગમો પર શ્રેષ્ઠતા દર્શાવ્યું છે. અમે 2.5D પ્રતિનિધિત્વ માળખાને વળગી રહીને એમોડલ 3D શોધ સમસ્યાને ફરી મુલાકાત લઈએ છીએ, અને 2.5D દ્રશ્ય દેખાવને 3D ઑબ્જેક્ટ્સ સાથે સીધી રીતે સંબંધિત કરીએ છીએ. અમે એક નવલકથા 3D ઓબ્જેક્ટ ડિટેક્શન સિસ્ટમ પ્રસ્તાવિત કરીએ છીએ જે એક સાથે ઓબ્જેક્ટ્સ 3D સ્થાનો, ભૌતિક કદ અને ઇન્ડોર દ્રશ્યોમાં દિશા નિર્દેશ કરે છે. એનવાયયુવી2 ડેટાસેટ પરના પ્રયોગો દર્શાવે છે કે અમારું અલ્ગોરિધમનો અદ્યતન રાજ્યને નોંધપાત્ર રીતે વટાવી દે છે અને સૂચવે છે કે 2.5 ડી રજૂઆત 3 ડી એમોડલ objectબ્જેક્ટ તપાસ માટે સુવિધાઓને એન્કોડ કરવામાં સક્ષમ છે. તમામ સ્રોત કોડ અને ડેટા https://github.com/phoenixnn/Amodal3Det પર છે. |
4d7a8836b304a1ecebee19ff297f1850e81903b4 | |
461ebcb7a274525b8efecf7990c85994248ab433 | લો-પાવર અને લોસી નેટવર્ક્સ (આરપીએલ) માટે રૂટીંગ પ્રોટોકોલ એ 6 લોડબલ્યુપીએન નેટવર્ક્સ જેવા પ્રતિબંધિત વાતાવરણ માટે પ્રમાણિત એક નવલકથા રૂટીંગ પ્રોટોકોલ છે. IPv6/RPL કનેક્ટેડ 6LoWPAN માં સુરક્ષા પૂરી પાડવી પડકારજનક છે કારણ કે ઉપકરણો અવિશ્વસનીય ઇન્ટરનેટ સાથે જોડાયેલા છે અને સંસાધન મર્યાદિત છે, સંચાર લિંક્સ ખોટા છે, અને ઉપકરણો નવીન આઇઓટી તકનીકોનો ઉપયોગ કરે છે જેમ કે આરપીએલ, 6 લોપીએન અને સીઓએપી / સીઓએપી. આ કાગળમાં અમે IoT ટેકનોલોજી અને તેમની નવી સુરક્ષા ક્ષમતાઓનું વ્યાપક વિશ્લેષણ પ્રદાન કરીએ છીએ જેનો હુમલાખોરો અથવા IDS દ્વારા શોષણ કરી શકાય છે. આ કાગળમાં મુખ્ય યોગદાન પૈકીનું એક છે અમારા અમલીકરણ અને 6LoWPAN નેટવર્ક્સ સામે રૂટીંગ પ્રોટોકોલ તરીકે RPL ચલાવતા જાણીતા રૂટીંગ હુમલાઓનું નિદર્શન. અમે આ હુમલાઓને કોન્ટીકી ઓપરેટિંગ સિસ્ટમમાં આરપીએલ અમલીકરણમાં અમલમાં મૂકીએ છીએ અને આ હુમલાઓને કુજા સિમ્યુલેટરમાં દર્શાવીએ છીએ. વધુમાં, અમે IPv6 પ્રોટોકોલમાં નવીન સુરક્ષા સુવિધાઓ પર પ્રકાશ પાડ્યો છે અને હળવા હૃદયના ધબકારાના પ્રોટોકોલને અમલમાં મૂકીને IoT માં ઘૂસણખોરીની શોધ માટે આ સુવિધાઓનો ઉપયોગ કરવાનું ઉદાહરણ આપ્યું છે. |
5b8869bb7afa5d8d3c183dfac0d0f26c2e218593 | આજના હાઇ પર્ફોર્મન્સ પ્રોસેસર્સમાં પ્રચલિત કેશ હાયરાર્કીને ધ્યાનમાં લેવી પડશે જેથી વ્યવહારમાં સારી કામગીરી બજાવી શકે તેવા અલ્ગોરિધમ્સની રચના કરી શકાય. આ કાગળ આ હેતુ માટે બાહ્ય મેમરી અલ્ગોરિધમ્સના અનુકૂલનને ટેકો આપે છે. આ વિચાર અને વ્યવહારિક મુદ્દાઓ સાથે સંકળાયેલા છે, જે બાહ્ય મેમરી અને કેશ મેમરી માટે યોગ્ય ઝડપી અગ્રતા કતારનું એન્જિનિયરિંગ છે જે <i>k</i>-વે મર્જિંગ પર આધારિત છે. તે કેશ મેમરીમાં સ્થાનાંતરિત કરવા માટે સતત પરિબળો દ્વારા મહત્વપૂર્ણ છે. વર્કસ્ટેશનની કેશ હાયરાર્કીમાં ચાલી રહેલ અલ્ગોરિધમનો મોટા ઇનપુટ્સ માટે દ્વિસંગી હાયપ્સ અને 4-અરી હાયપ્સના શ્રેષ્ઠ અમલીકરણ કરતાં ઓછામાં ઓછા બે ગણો ઝડપી છે. |
1f6ba0782862ec12a5ec6d7fb608523d55b0c6ba | અમે વાક્ય-સ્તર વર્ગીકરણ કાર્યો માટે પૂર્વ-પ્રશિક્ષિત શબ્દ વેક્ટર્સની ટોચ પર તાલીમ પામેલા કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ (સીએનએન) સાથેના પ્રયોગોની શ્રેણી પર અહેવાલ આપીએ છીએ. અમે બતાવીએ છીએ કે થોડું હાયપરપૅરામેટર ટ્યુનિંગ અને સ્થિર વેક્ટર્સ સાથે સરળ સીએનએન બહુવિધ બેંચમાર્ક્સ પર ઉત્તમ પરિણામો પ્રાપ્ત કરે છે. ફાઇન-ટ્યુનિંગ દ્વારા કાર્ય-વિશિષ્ટ વેક્ટર્સ શીખવું પ્રભાવમાં વધુ લાભ આપે છે. અમે વધુમાં આર્કિટેક્ચરમાં એક સરળ ફેરફાર પ્રસ્તાવિત કરીએ છીએ જે બંને કાર્ય-વિશિષ્ટ અને સ્થિર વેક્ટર્સના ઉપયોગ માટે પરવાનગી આપે છે. અહીં ચર્ચા કરાયેલા સીએનએન મોડેલોમાં સાતમાંથી ચાર કાર્યોમાં કલાની સ્થિતિમાં સુધારો થયો છે, જેમાં લાગણી વિશ્લેષણ અને પ્રશ્ન વર્ગીકરણનો સમાવેશ થાય છે. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.