_id
stringlengths 40
40
| text
stringlengths 0
9.75k
|
|---|---|
d1ee87290fa827f1217b8fa2bccb3485da1a300e | बैगिंग प्रेडिक्टर एगो प्रेडिक्टर के कैगो संस्करण उत्पन्न करे अउर एगो समग्र प्रेडिक्टर प्राप्त करे के लेल एकर उपयोग करे के एगो विधि छलई। एक संख्यात्मक परिणाम के भविष्यवाणी करे पर संस्करणों पर एकत्रीकरण औसत होवो हय और एक वर्ग के भविष्यवाणी करे पर बहुसंख्यक वोट करो हय। कैगो संस्करण के बूटस्ट्रैप प्रतिकृति बनाके सीखना सेट के बनाएल जाई हई अउर एकरा नया सीखना सेट के रूप में उपयोग कैल जाई छलई। रैखिक प्रतिगमन में वर्गीकरण और प्रतिगमन पेड़ और सबसेट चयन के उपयोग करके वास्तविक और अनुकरण डेटा सेट पर परीक्षण से पता चलई हई कि बैगिंग सटीकता में पर्याप्त लाभ दे सकई हई। महत्वपूर्ण तत्व भविष्यवाणी विधि के अस्थिरता हय। यदि सीखने के सेट के परेशान करे से निर्मित भविष्यवाणि में महत्वपूर्ण परिवर्तन हो साको हय, तओ बैगिंग सटीकता में सुधार कर सको हय। |
649197627a94fc003384fb743cfd78cdf12b3306 | |
0b440695c822a8e35184fb2f60dcdaa8a6de84ae | किनेक्ट सेंसर जैसन उभरते आरजीबी-डी कैमरों के हालिया सफलता 3-डी डेटा-आधारित कंप्यूटर अनुप्रयोगों के एक व्यापक संभावना के चित्रित करो हय। हालांकि, एक मानक परीक्षण डेटाबेस के कमी के कारण, इ आकलन करना मुश्किल हय कि चेहरा पहचान प्रौद्योगिकी इ आधुनिक इमेजिंग सेंसर से कैसे लाभान्वित हो सको हय। Kinect और चेहरा पहचान अनुसंधान के बीच संबंध स्थापित करे के लिए, इ पेपर में, हम Kinect सेंसर पर आधारित पहला सार्वजनिक रूप से उपलब्ध चेहरा डेटाबेस (यानी, KinectFaceDB1) प्रस्तुत करई हियई। डेटाबेस में विभिन्न डेटा मोड (अच्छी तरह से संरेखित और संसाधित 2-डी, 2.5-डी, 3-डी, और वीडियो-आधारित चेहरा डेटा) और कई चेहरे के विविधता शामिल हय। हम मानक चेहरा पहचान विधियों के उपयोग करके प्रस्तावित डेटाबेस पर बेंचमार्क मूल्यांकन कलकई, और स्कोर-स्तरीय संलयन के माध्यम से आरजीबी डेटा के साथ गहराई डेटा के एकीकृत करे पर प्रदर्शन में लाभ के प्रदर्शन कलकई। हम चेहरा बायोमेट्रिक्स के संदर्भ में पारंपरिक उच्च-गुणवत्ता वाला 3-डी स्कैन (एफआरजीसी डेटाबेस से) के साथ किनेक्ट के 3-डी छवियों (किनेक्टफेसडीबी से) के तुलना कलकई, जे चेहरा पहचान अनुसंधान के लिए प्रस्तावित डेटाबेस के अनिवार्यता के प्रकट करई हई। |
a85275f12472ecfbf4f4f00a61514b0773923b86 | वायरलेस प्रौद्योगिकी और सहायक बुनियादी ढांचा में प्रगति उपयोगकर्ता के गतिविधि के प्रतिबंधित कैले बिना सर्वव्यापी वास्तविक समय स्वास्थ्य देखभाल और फिटनेस निगरानी के लिए अभूतपूर्व अवसर प्रदान करई छलो। वायरलेस रूप से जुड़ल लघुसंवेदनशील सेंसर और एक्ट्यूएटर शरीर में, ओकरा पर और ओकर आसपास रखल जाई हई, चिकित्सा, जीवन शैली अउर मनोरंजन अनुप्रयोग के समर्थन के लेल शारीरिक संकेत के निरंतर, स्वचालित अउर अनौपचारिक निगरानी के लेल एगो शरीर क्षेत्र नेटवर्क बनाबई हई। BAN तकनीक विकास के प्रारंभिक चरण में हय, और एकरा व्यापक रूप से स्वीकार करे के लिए कई शोध चुनौति के दूर करेके पड़ो हय। इ लेख में हम बीएएन के अनुप्रयोग, कार्यात्मक और तकनीकी आवश्यकता के मूल सेट के अध्ययन कर हियई। हम स्केलेबिलिटी (डेटा दर, बिजली की खपत और ड्यूटी साइकिल के संदर्भ में), एंटीना डिजाइन, हस्तक्षेप शमन, सह-अस्तित्व, क्यूओएस, विश्वसनीयता, सुरक्षा, गोपनीयता और ऊर्जा दक्षता जैसे मौलिक अनुसंधान चुनौतियों पर भी चर्चा करते हैं। उभरते बीएएन बाजार के संबोधित करे के लिए तैयार कई उम्मीदवार प्रौद्योगिकियों के मूल्यांकन कियल गलय हा, और उनकर गुण और दोष पर प्रकाश डालल गलय हा। BANs के लिए प्रासंगिक मानकीकरण गतिविधियों के एक संक्षिप्त अवलोकन भी प्रस्तुत कैल गेल हई। |
f4abebef4e39791f358618294cd8d040d7024399 | ई रिपोर्ट फिटबिट फ्लेक्स पारिस्थितिकी तंत्र के विश्लेषण के वर्णन करई हई। हमार उद्देश्य (1) अपन उपयोगकर्ता से एकत्रित डेटा, (2) अपन उपयोगकर्ता के उपलब्ध कराए वाला डेटा, और (3) डिवाइस मालिक के उपलब्ध ना कैल गेल डेटा के पुनर्प्राप्त करे के तरीका के वर्णन करेके हई। हमर विश्लेषण चार अलग-अलग हमलावर के कवर करई छई। सबसे पहिले, हम फिटबिट उपकरण के सुरक्षा और गोपनीयता गुण के विश्लेषण करे के हई। अगला, हम सिंक्रनाइज़ेशन के दौरान फिटबिट उपकरण और एक स्मार्टफोन या व्यक्तिगत कंप्यूटर के बीच भेजे गए ब्लूटूथ ट्रैफ़िक के अवलोकन करो हय। तीसरा, हम फिटबिट एंड्रॉइड ऐप के सुरक्षा के विश्लेषण करते हैं। अंत में, हम फिटबिट स्मार्टफोन चाहे कंप्यूटर एप्लिकेशन अउर फिटबिट वेब सेवा के बीच नेटवर्क ट्रैफ़िक के सुरक्षा गुण के अध्ययन करई हई। हम सबूत प्रदान कर हई कि फिटबिट कुछ परिस्थिति में पास के फ्लेक्स उपकरण के बारे में अनावश्यक रूप से जानकारी प्राप्त कर हई। हम आगे देखई छियई कि फिटबिट उपकरण मालिक के सभे एकत्रित डेटा के प्रदान ना करई हई। वास्तव में, हम प्रति मिनट गतिविधि डेटा के प्रमाण पा रहलिए ह, जे फ़िटबिट वेब सेवा के भेजल जा हले, लेकिन मालिक के प्रदान न करल जा हले । हम ईहो खोजलई कि फिटबिट उपकरण पर मैक पता कहियो न बदलई हई, जे उपयोगकर्ता के सहसंबंध हमला के सक्षम करई हई। टीएलएस पर डिवाइस पेरिंग के दौरान नेटवर्क पर बीटीएलई क्रेडेंशियल भी उजागर होवो हय, जेकरा एमआईटीएम हमला द्वारा इंटरसेप्ट कैल जा सको हय। अंत में, हम प्रदर्शित करई हई कि वास्तविक उपयोगकर्ता गतिविधि डेटा के प्रमाणीकरण कैल जाई हई अउर डिवाइस से फिटबिट वेब सेवा के लेल एंड-टू-एंड आधार पर सादा पाठ में प्रदान ना कैल जाई छलई। |
3007a8f5416404432166ff3f0158356624d282a1 | ग्राफ अमूर्तता कई अनुप्रयोगों के लिए जटिल मशीन लर्निंग (एमएल) एल्गोरिदम जैसे सहयोगी फ़िल्टरिंग के निष्पादन के लिए सबसे छोटा पथ खोजने से आवश्यक हय। विभिन्न अनुप्रयोगों के लिए कच्चे डेटा से ग्राफ निर्माण डेटा में घातीय वृद्धि के साथ-साथ बड़े पैमाने पर ग्राफ प्रसंस्करण के आवश्यकता के कारण चुनौतीपूर्ण हो रहले हय। चूँकि ग्राफ निर्माण एगो डेटा-समानांतर समस्या हई, येई कार्य के लेल मैपरेड्यूस अच्छा तरह से अनुकूल हई। हम ग्राफ निर्माण, सारणीकरण, परिवर्तन, विभाजन, आउटपुट स्वरूपण, और क्रमबद्धता सहित ग्राफ निर्माण की कई जटिलताओं को उतारने के लिए ग्राफ एक्सट्रैक्ट-ट्रांसफॉर्म-लोड (ईटीएल) के लिए एक स्केलेबल फ्रेमवर्क, ग्राफबिल्डर विकसित किया। ग्राफबिल्डर के जावा में लिखल गेल हई, प्रोग्रामिंग के आसानी के लेल, अउर ई मैपरेड्यूस मॉडल के उपयोग करके स्केल करई हई। इ पत्र में, हम ग्राफ बिल्डर, एकर वास्तुकला, मैपरेड्यूस एल्गोरिदम, और ढांचे के प्रदर्शन मूल्यांकन के लिए प्रेरणा के वर्णन करो हय। चूंकि भंडारण और प्रसंस्करण के लिए एक क्लस्टर पर बड़े ग्राफ के विभाजन कैल जाए के चाहि और विभाजन विधियों के प्रदर्शन पर महत्वपूर्ण प्रभाव होवो हय, हम कई ग्राफ विभाजन विधियों के विकसित करो हय और ओकर प्रदर्शन के मूल्यांकन करो हय। हम https://01.org/graphbuilder/ पर फ्रेमवर्क के खुला स्रोत भी बनावऽ ही। |
2e526c2fac79c080b818b304485ddf84d09cf08b | समय संबंधी डेटा खनन के उद्देश्य ऐतिहासिक डेटा में पैटर्न खोजना हय। हमार काम डेटा से समय के पैटर्न के निकाले के एगो दृष्टिकोण प्रस्तावित करई हई ताकि लक्षित घटना के घटना के भविष्यवाणी कैल जा सके, जैसे कि मेजबान नेटवर्क पर कंप्यूटर हमला, चाहे वित्तीय संस्थान में धोखाधड़ी लेनदेन। हमार समस्या के निर्माण में दूगो प्रमुख चुनौती हई: 1) हम घटना के वर्गीकृत विशेषता के विशेषता मानई हई अउर असमान अंतराल के समय प्रदर्शित करई हई; ऐसन धारणा शास्त्रीय समय-श्रृंखला विश्लेषण के दायरे से बाहर हई, 2) हम मानई हई कि लक्ष्य घटना अत्यधिक दुर्लभ हई; भविष्यवाणी तकनीक के वर्ग-असंतुलन के समस्या से निपटे के चाहि। हम एगो कुशल एल्गोरिथ्म के प्रस्ताव रखई हई जे घटना के भविष्यवाणी समस्या के लक्ष्य घटना से पहिले के सभे लगातार घटना सेट के खोज में बदल के ऊपर के चुनौती से निपटे हई। वर्ग असंतुलन के समस्या के केवल अल्पसंख्यक वर्ग पर पैटर्न के खोज द्वारा दूर कैल जा हय; पैटर्न के भेदभाव शक्ति के तब अन्य वर्ग के खिलाफ मान्य कैल जा हय। फेर पैटर्न के भविष्यवाणी के लेल नियम-आधारित मॉडल में जोड़ल जाई छलई। हमार प्रयोगात्मक विश्लेषण घटना के अनुक्रम के प्रकार के इंगित करो हय जेजा लक्षित घटना के सटीक रूप से भविष्यवाणी कियल जा सको हय। |
0a54d2f49bda694071bbf43d8e653f5adf85be19 | डेटा माइनिंग सिस्टम के उद्देश्य पैटर्न के खोज करनाई अउर डेटाबेस में दर्ज तथ्य से उपयोगी जानकारी निकालनाई हई। ई उद्देश्य के लेल एगो व्यापक रूप से अपनाएल गेल दृष्टिकोण उपलब्ध डेटा के वर्णनात्मक मॉडल के गणना करे के लेल विभिन्न मशीन लर्निंग एल्गोरिदम के लागू करनाई हई। इ अनुसंधान क्षेत्र में मुख्य चुनौति में से एगो के खोज करतई, ऐसन तकनीक के विकास जे बड़े और संभवतः भौतिक रूप से वितरित डेटाबेस तक बढ़ई हई। मेटा-लर्निंग एक ऐसी तकनीक है जो उच्च-स्तरीय वर्गीकरण (या वर्गीकरण मॉडल) के गणना के लिए मांगती है, जिसे मेटा-क्लासिफायर कहा जाता है, जो कुछ सिद्धांतों में एकीकृत होता है। विभिन्न डेटाबेस पर अलग से गणना किए गए कई वर्गीकरण। ई अध्ययन मेटा-लर्निंग के वर्णन करई हई अउर जेएएम प्रणाली (जावा एजेंट्स फॉर मेटा-लर्निंग) के प्रस्तुत करई हई, जे बड़ पैमाना के डेटा खनन अनुप्रयोग के लेल एगो एजेंट-आधारित मेटा-लर्निंग प्रणाली छलई। विशेष रूप से, इ वितरित डेटा खनन प्रणालि के लिए कई महत्वपूर्ण आवश्यकता के पहचानो और संबोधित करो हय जे केंद्रीकृत या मेजबान-आधारित प्रणालि के तुलना में ऊकर अतिरिक्त जटिलता से उत्पन्न होवो हय। वितरित प्रणालियों के विभिन्न प्रकार के प्लेटफार्मों, कई डेटाबेस और (संभवतः) विभिन्न योजनाओं के साथ, डेटा साइटों के बीच संचार के लिए स्केलेबल और प्रभावी प्रोटोकॉल के डिजाइन और कार्यान्वयन के साथ, और अन्य सहकर्मी डेटा साइटों से प्राप्त जानकारी के चयनात्मक और कुशल उपयोग के साथ सौदा करने की आवश्यकता हो सकती है। अन्य महत्वपूर्ण समस्याएं, आंतरिक विलय आंशिक रूप से आईबीएम फैलोशिप द्वारा समर्थित। डेटा माइनिंग सिस्टम के जिनकर अनदेखी न कैल जाए के चाहि, में, पहिले, नया अधिग्रहित जानकारी के लाभ उठाने के क्षमता शामिल हई जे पहले मॉडल के गणना करे पर उपलब्ध न रहई अउर एकरा मौजूदा मॉडल के जौरे जोड़े के क्षमता शामिल हई, अउर दोसर, नया मशीन लर्निंग विधियों अउर डेटा माइनिंग तकनीक के शामिल करे के लचीलापन। हम जेएएम के संदर्भ में येई मुद्दा के खोज करई हई अउर व्यापक अनुभवजन्य अध्ययन के माध्यम से विभिन्न प्रस्तावित समाधान के मूल्यांकन करई हई। |
b00672fc5ff99434bf5347418a2d2762a3bb2639 | एम्बेडेड उपकरण सब जगह हो गेल हई, अउर उनकर उपयोग गोपनीयता-संवेदनशील अउर सुरक्षा-महत्वपूर्ण अनुप्रयोग के एगो श्रृंखला में कैल जाई छलई। येइमे से अधिकांश उपकरण मालिकाना सॉफ़्टवेयर चलाबई हई, अउर सॉफ़्टवेयर के आंतरिक कार्य के बारे में बहुत कम प्रलेखन उपलब्ध छलई। कुछ मामला में, हार्डवेयर अउर सुरक्षा तंत्र के लागत स्वयं उपकरण तक पहुंच के असंभव बना सकई हई। ऐसन वातावरण में मौजूद सॉफ़्टवेयर के विश्लेषण करनाई चुनौतीपूर्ण छलई, लेकिन आवश्यक हई, अगर सॉफ़्टवेयर बग अउर कमजोरियों से जुड़ल जोखिम से बचे के चाहि। वास्तव में, हाल के अध्ययन में बाजार में उपलब्ध कई एम्बेडेड उपकरणों में बैकडोर के उपस्थिति के पता चललई। इ पत्र में, हम फर्मलाइसे, एम्बेडेड डिवाइसेस पर चल रहल फर्मवेयर के विश्लेषण के समर्थन करे के लेल एगो बाइनरी विश्लेषण ढांचा प्रस्तुत करई छियई। फर्मलाइसे एगो प्रतीकात्मक निष्पादन इंजन के शीर्ष पर निर्माण करई हई, अउर तकनीक, जैसे कि प्रोग्राम स्लाइसिंग, एकर स्केलेबिलिटी बढ़ाबे के लेल। एकरा अलावा, फर्मलाइसे प्रामाणिकता बाईपास खामियों के एक उपन्यास मॉडल के उपयोग करो हय, जे विशेषाधिकार प्राप्त संचालन के करे के लिए आवश्यक इनपुट के निर्धारित करे के हमलावर के क्षमता पर आधारित हय। हम तीन वाणिज्यिक रूप से उपलब्ध उपकरण के फर्मवेयर पर फर्मलाइक के मूल्यांकन कैलकय, और ओकरा में से दो में प्रमाणीकरण बाईपास बैकडोर के पता लगावे में सक्षम हलय। एकरा अलावा, फर्मलाइसे ई निर्धारित करे में सक्षम रहई कि तीसरा फर्मवेयर नमूना में बैकडोर के उपयोग बिना किसी विशेष पहचान के सेट के ज्ञान के बिना हमलावर द्वारा ना कैल जा सकई छलई। |
6949a33423051ce6fa5b08fb7d5f06ac9dcc721b | खरीद प्रक्रिया में धोखाधड़ी के व्यवहार के पता लगावे के लिए प्रक्रिया खनन के उपयोग के सैद्धांतिक और व्यावहारिक मूल्य पर एक केस स्टडी सारांश इ थीसिस प्रक्रिया खनन और धोखाधड़ी के पता लगावे पर छह महीने के शोध अवधि के परिणाम प्रस्तुत करो हय। ई थीसिस के उद्देश्य शोध प्रश्न के उत्तर देनाई हल कि धोखाधड़ी के पता लगावे में प्रक्रिया खनन के उपयोग कैसे कैल जा सकई हई अउर धोखाधड़ी के पता लगावे के लेल प्रक्रिया खनन के उपयोग करे के क्या लाभ हई। साहित्य के अध्ययन के आधार पर ई प्रक्रिया खनन के सिद्धांत और अनुप्रयोग और एकर विभिन्न पहलुओं और तकनीकों के चर्चा प्रदान करो हय। साहित्य अध्ययन अउर डोमेन विशेषज्ञ के जौरे एगो साक्षात्कार दुनु के उपयोग कैके, धोखाधड़ी अउर धोखाधड़ी के पता लगाबे के अवधारणा पर चर्चा कैल जाई छलई। येई परिणाम के दू केस अध्ययन के प्रारंभिक सेटअप के निर्माण के लेल प्रक्रिया खनन अउर धोखाधड़ी पता लगाबे के अनुप्रयोग पर मौजूदा केस अध्ययन के विश्लेषण के जौरे जोड़ा जाई हई, जोनमे प्रक्रिया खनन के खरीद प्रक्रिया में संभावित धोखाधड़ी व्यवहार के पता लगाबे के लेल लागू कैल जाई छलई। येई मामला के अध्ययन के अनुभव अउर परिणाम के आधार पर, 1+5+1 पद्धति के सिद्धांत के संचालन के दिशा में पहिला कदम के रूप में प्रस्तुत कैल गेल हई, येई बात के सलाह के जौरे कि धोखाधड़ी के पता लगाबे के कोशिश में प्रक्रिया खनन तकनीक के व्यावहारिक रूप से कैसे उपयोग कैल जा सकई हई। ई थीसिस तीन निष्कर्ष प्रस्तुत करई हईः (1) प्रक्रिया खनन धोखाधड़ी के पता लगाबे के लेल एगो मूल्यवान अतिरिक्त हई, (2) 1+5+1 अवधारणा के उपयोग कैके संभावित धोखाधड़ी व्यवहार के संकेतक के पता लगाबे के संभव रहलई (3) धोखाधड़ी के पता लगाबे के लेल प्रक्रिया खनन के व्यावहारिक उपयोग वर्तमान उपकरण के खराब प्रदर्शन द्वारा कम हो गेल हई। प्रदर्शन समस्या से पीड़ित न होवे वाला तकनीक अउर उपकरण नियमित डेटा विश्लेषण तकनीक के प्रतिस्थापन के बजाय एक अतिरिक्त छलई, या त प्रक्रिया में नया, तेज, या अधिक आसानी से प्राप्त अंतर्दृष्टि प्रदान करके अउर संभावित धोखाधड़ी व्यवहार के। iii ओकैम के रेजर: "कोई के भी चीज के व्याख्या करे के लेल आवश्यक इकाई के संख्या के आवश्यकता से परे ना बढ़ावे के चाहि" iv सामग्री |
8aef832372c6e3e83f10532f94f18bd26324d4fd | ज्ञान-आधारित प्रश्न-उत्तर प्रणाली अक्सर छोट एनोटेड प्रशिक्षण डेटा पर निर्भर करो हय। जबकि संबंध निष्कर्षण जैसन उथले विधि डेटा की कमी के लिए मजबूत हय, ऊ अर्थपूर्ण पार्सिंग जैसे गहरे अर्थ प्रतिनिधित्व विधियों के तुलना में कम अभिव्यंजक हय, इ प्रकार कई बाधाओं से जुड़े प्रश्नों के उत्तर देवे में विफल होवो हय। ईहां हम विकिपीडिया से अतिरिक्त साक्ष्य के साथे संबंध निष्कर्षण विधि के सशक्त बनाके इ समस्या के कम कर रहल हई। हम सबसे पहिले फ्रीबेस से उम्मीदवारवा के उत्तरवन के प्राप्त करे लगि एगो तंत्रिका नेटवर्क आधारित संबंध निकासाकर्ता प्रस्तुत कर है, और फिर इ उत्तरवन के सत्यापित करे लगि विकिपीडिया पर अनुमान लगाव है। वेबक्वास्ट्स प्रश्न उत्तर डेटासेट पर प्रयोग से पता चलई हई कि हमार विधि 53.3% के एफ 1 प्राप्त करई हई, जे कि अत्याधुनिक में पर्याप्त सुधार हई। |
16edc3faf625fd437aaca1527e8821d979354fba | कल्याण एक जटिल निर्माण हय जे इष्टतम अनुभव और कार्य से संबंधित हय। कल्याण पर वर्तमान शोध दो सामान्य दृष्टिकोण से प्राप्त कैल गेल हई: आनंदवादी दृष्टिकोण, जे खुशी पर केंद्रित हई अउर सुख प्राप्ति अउर दर्द से बचाव के संदर्भ में कल्याण के परिभाषित करई हई; अउर यूडेमोनिक दृष्टिकोण, जे अर्थ अउर आत्म-साक्षात्कार पर केंद्रित हई अउर कल्याण के परिभाषित करई हई। डिग्री के संदर्भ में जोन व्यक्ति पूरा तरह से काम कर रहल हई। ई दुगो दृष्टिकोण अलग-अलग शोध फोकस अउर ज्ञान के एगो निकाय के जन्म देलई जे कुछ क्षेत्र में भिन्न अउर दोसर में पूरक हई। बहुस्तरीय मॉडलिंग अउर निर्माण तुलना के बारे में नया पद्धतिगत विकास शोधकर्ता के क्षेत्र के लेल नया प्रश्न तैयार करे के अनुमति देई छलई। ई समीक्षा कल्याण के प्रकृति, एकर पूर्ववर्ती, अउर समय अउर संस्कृति के जौरे एकर स्थिरता के बारे में दुनहु दृष्टिकोण से शोध पर विचार करई हई। |
ac8c2e1fa35e797824958ced835257cd49e1be9c | ई पेपर सूचना प्रौद्योगिकी अउर संगठनात्मक शिक्षा पर उभरते शोध साहित्य के समीक्षा अउर मूल्यांकन करई हई। अर्थ और माप के मुद्दों पर चर्चा के बाद, हम अनुसंधान के दो मुख्य धाराओं के पहचान और मूल्यांकन करते हा: अध्ययन जे संगठन में सूचना प्रौद्योगिकी के कार्यान्वयन और उपयोग के प्रक्रिया में संगठनात्मक सीखने के अवधारणा के लागू करो हय; और संगठनात्मक सीखने के समर्थन के लिए सूचना प्रौद्योगिकी अनुप्रयोगों के डिजाइन से संबंधित अध्ययन। अनुसंधान के पूर्व धारा से, हम इ निष्कर्ष निकाललई कि कार्यान्वयन सफलता में अनुभव एक महत्वपूर्ण, फिर भी अनिश्चित भूमिका निभई हई; सीखना औपचारिक प्रशिक्षण और अभ्यास में भागीदारी दुनु के माध्यम से पूरा कैल जाई हई; अन्य संगठन से सीखके संगठनात्मक ज्ञान बाधा के दूर कैल जा सकई हई; अउर ई कि नया प्रौद्योगिकि के सीखना एगो गतिशील प्रक्रिया हई जेकरा अवसर के अपेक्षाकृत संकीर्ण खिड़कियों द्वारा विशेषता छलई। उत्तरार्द्ध धारा से, हम इ निष्कर्ष निकाललई कि संगठनात्मक स्मृति सूचना प्रणाली के लेल वैचारिक डिजाइन कलाकृतियों के विकास में एगो मूल्यवान योगदान हई; संचार अउर प्रवचन के समर्थन करे वाला प्रणालि के माध्यम से सीखना बढ़ाएल जाई हई; अउर सूचना प्रौद्योगिकी में संगठनात्मक सीख के सक्षम अउर अक्षम करे के क्षमता छलई। वर्तमान में, ई दुनु धारा एक-दोसर से स्वतंत्र रूप से बहई हई, उनकर करीबी वैचारिक अउर व्यावहारिक संबंध के बावजूद। हम सलाह देई हई कि सूचना प्रौद्योगिकी अउर संगठनात्मक सीखना पर भविष्य के शोध अधिक एकीकृत तरीका से आगे बढ़ई हई, संगठनात्मक सीखना के स्थित प्रकृति के पहचानई हई, वितरित संगठनात्मक स्मृति पर ध्यान केंद्रित करई हई, अभ्यास में कलाकृतियों के प्रभावशीलता के प्रदर्शन करई हई, अउर संबंधित क्षेत्र में प्रासंगिक शोध निष्कर्ष के तलाश करई हई। |
654d129eafc136bf5fccbc54e6c8078e87989ea8 | इ काम में एक बहु-मोड बीम-फॉर्मिंग 77-जीएचजेड आवृत्ति-संचालित निरंतर-तरंग रडार प्रणाली प्रस्तुत कैल गेल हई। एक ही एंटीना के साथ एक ही समय में एक लघु-श्रेणी आवृत्ति-विभाजन बहु-पहुँच (एफडीएमए) बहु-इनपुट बहु-आउटपुट (एमआईएमओ) और एक लंबी-श्रेणी प्रेषण चरणबद्ध-सरणी (पीए) रडार प्रणाली के एहसास करे के लिए ट्रांसमिटर पथ में एकीकृत इनफेस / क्वाड्रेट मॉड्यूलेटर के साथ चार ट्रांससीवर चिप्स के उपयोग कियल जा हय। ई एफडीएमए एमआईएमओ रडार के उच्च कोणीय रिज़ॉल्यूशन और पीए ट्रांसमिट एंटीना के उच्च-लाभ और स्टीरेबल बीम के जोड़ो हय। चार एंटीना और प्राप्त पथ में डिजिटल बीमफॉर्मिंग के विधियों के साथ एक रैखिक एंटीना सरणी के लिए इ अवधारणा के उपयोग के संभावित लाभ के दिखाने के लिए कई माप कियल गलय हल। |
60611349d1b6d64488a5a88a9193e62d9db27b71 | ई रिपोर्ट थकान के पता लगावे अउर भविष्यवाणी करे के मौजूदा तकनीक के समीक्षा करई हई। विभिन्न उपलब्ध प्रौद्योगिकियों के बारे में डेटा दुनिया भर के विभिन्न स्रोतों से एकत्र कियल गलय हल। इ रिपोर्ट के पहली छमाही में प्रौद्योगिकियों के अनुसंधान और विकास के वर्तमान स्थिति के सारांशित कैल गेलय हय और संवेदनशीलता, विश्वसनीयता, वैधता और स्वीकार्यता के प्रमुख मुद्दों के संबंध में प्रौद्योगिकियों के स्थिति के सारांशित कैल गेलय हय। दोसर आधा परिवहन में प्रौद्योगिकि के भूमिका के मूल्यांकन करो हय, और अन्य प्रवर्तन और नियामक ढांचे के सापेक्ष प्रौद्योगिकि के स्थान पर टिप्पणी करो हय, विशेष रूप से ऑस्ट्रेलिया और न्यूजीलैंड में। रिपोर्ट के लेखक के निष्कर्ष हय कि हार्डवेयर प्रौद्योगिकियों के कभी भी कंपनी के थकान प्रबंधन प्रणाली के रूप में उपयोग नए कियल जाए के चाहि। हार्डवेयर प्रौद्योगिकियों में केवल अंतिम खाई सुरक्षा उपकरण होने की क्षमता हय। एकरा बावजूद, हार्डवेयर प्रौद्योगिकि के आउटपुट वास्तविक समय जोखिम मूल्यांकन प्रदान करे के लिए कंपनी के थकान प्रबंधन प्रणाली में उपयोगी हो सको हय। हालांकि, हार्डवेयर प्रौद्योगिकी आउटपुट के प्रबंधन प्रणाली में एकमात्र इनपुट कभी नय होवे के चाहि। अन्य इनपुट कम से कम वैध सॉफ्टवेयर प्रौद्योगिकियों, ड्यूटी के लिए फिटनेस के पारस्परिक मूल्यांकन और कार्यभार, शेड्यूल और रोस्टर के अन्य जोखिम मूल्यांकन से आवो। उद्देश्यः सूचना के लिएः भारी वाहनों के ड्राइवरों में थकान के प्रबंधन में थकान के पता लगाने और पूर्वानुमान प्रौद्योगिकियों के स्थान के समझ प्रदान करना। |
d26c517baa9d6acbb826611400019297df2476a9 | |
0ee1916a0cb2dc7d3add086b5f1092c3d4beb38a | पास्कल विजुअल ऑब्जेक्ट क्लासेस (वीओसी) चुनौती दृश्य वस्तु श्रेणी मान्यता और पता लगाने में एक बेंचमार्क हय, जे दृष्टि और मशीन लर्निंग समुदाय के छवियों और एनोटेशन के एक मानक डेटासेट और मानक मूल्यांकन प्रक्रिया के साथे प्रदान करो हय। 2005 से वर्तमान तक हर साल आयोजित कैल जाए वाला चुनौती अउर ओकर संबंधित डेटासेट वस्तु पता लगावे के लेल मानक के रूप में स्वीकार कैल गेल हई। ई कागज डेटासेट अउर मूल्यांकन प्रक्रिया के वर्णन करई हई। हम वर्गीकरण और पता लगावे दोनों के लिए मूल्यांकन विधियों में अत्याधुनिक की समीक्षा करते हैं, विश्लेषण करते हैं कि क्या विधियां सांख्यिकीय रूप से अलग हैं, वे छवियों से क्या सीख रहे हैं (उदाहरण के लिए, कैल्शियम के स्तर के साथ) । वस्तु या एकर संदर्भ), और जे विधि के आसान या भ्रमित करो हय। ई पेपर चुनौती के तीन साल के इतिहास में सीखे गेल सबक के साथ समाप्त होलय हा, और भविष्य के सुधार और विस्तार के लिए दिशा के प्रस्ताव दलकय हा। |
981fef7155742608b8b6673f4a9566158b76cd67 | |
a6eb10b1d30b4547b04870a82ec0c65baf2198f8 | |
40e06608324781f6de425617a870a103d4233d5c | फिर, केएम तंत्र के परिचालन करे के लिए, निरंतर नवाचार के प्रक्रिया में ज्ञान संपत्ति के तीन स्रोतों, मेटा-मॉडल और मैक्रो प्रक्रिया के एकीकृत करके एक पदानुक्रमित मॉडल के निर्माण कियल जा हय। ई मॉडल ज्ञान अउर नवाचार के बीच जटिल संबंध के चार स्तर में विभाजित करई हई। व्यावहारिक निहितार्थ - पिछला शोध में केएम प्रथा के बारे में सीखे गेल पाठ के अनुसार, नवाचार के लिए केएम परियोजना के सफल कार्यान्वयन के लिए केएम के तीन दृष्टिकोणों के एक-दूसरे के साथ सहयोग करना चाहिए; और पदानुक्रमित मॉडल नवाचार के लिए केएम के प्रणालियों के लागू करने के लिए एक उपयुक्त वास्तुकला प्रदान करता है। मौलिकता/मूल्य - केएम के मेटा-मॉडल और मैक्रो प्रक्रिया समझावो हय कि कैसे अगली पीढ़ी के केएम मूल्य निर्माण में मदद कर सको हय और सिस्टम थिंकिंग परिप्रेक्ष्य से निरंतर नवाचार के समर्थन कर सको हय। पदानुक्रमित मॉडल निरंतर नवाचार के प्रक्रिया में जटिल ज्ञान गतिशीलता के दर्शाबई हई। उद्देश्य इ शोध के उद्देश्य नवाचार के लिए ज्ञान प्रबंधन (केएम) के तंत्र के समझे के हय और उद्यमों के निरंतर नवाचार में केएम गतिविधियों के लाभ उठाने के लिए एक दृष्टिकोण प्रदान करो हय। डिजाइन/पद्धति/दृष्टिकोण - बहु-विषयक क्षेत्रों से साहित्य के समीक्षा करके ज्ञान, केएम और नवाचार की अवधारणाओं की जांच की जा रही है। नवाचार के लेल दू मुख्य गतिविधि के पहचान के जौरे ज्ञान प्रबंधन के भौतिक, मानव अउर तकनीकी दृष्टिकोण के अलग कैल गेल हईः ज्ञान निर्माण अउर ज्ञान के उपयोग। फेर निरंतर नवाचार के लेल एगो आवश्यक आवश्यकता - आंतरिककरण चरण के परिभाषित कैल गेल हई। नवाचार के लेल केएम के तंत्र के बारे में व्यापक समझ प्रदान करे के लेल सिस्टम सोच अउर मानव-केंद्रित दृष्टिकोण के अपनाएल जाई छलई। निष्कर्ष - आंतरिककरण के चरण के शामिल करके केएम पर आधारित निरंतर नवाचार के एक नेटवर्किंग प्रक्रिया के प्रस्ताव दिहल गेलय हय। केएम के तीन दृष्टिकोण के अनुसार, नवाचार में संगठनात्मक ज्ञान संपत्ति के तीन स्रोत के पहचान कियल गलय हा। फिर नवाचार के दो मुख्य गतिविधियों के आधार पर, निरंतर नवाचार के लिए केएम के तंत्र के मॉडल के लिए एक मेटा-मॉडल और केएम की एक मैक्रो प्रक्रिया का प्रस्ताव है। |
1dba1fa6dd287fde87823218d4f03559dde4e15b | ई पेपर प्राकृतिक भाषा एनोटेशन के उपयोग से सीखल गेल रणनीति अउर पाठ के प्रस्तुत करई हई ताकि स्टार्ट सूचना पहुंच प्रणाली में प्रश्न के उत्तर देवे में सुविधा मिल सके। |
77fbbb9ff612c48dad8313087b0e6ed03c31812a | तरल क्रिस्टल बहुलक (एलसीपी) एक ऐसी सामग्री हय जे संभावित उच्च-प्रदर्शन माइक्रोवेव सब्सट्रेट और पैकेजिंग सामग्री के रूप में ध्यान प्राप्त कैलकय हा। इ जांच मिलीमीटर-लहर आवृत्ति के लिए एलसीपी के विद्युत गुण के निर्धारित करे के लिए कई विधियों के उपयोग करो हय। 30 GHz से ऊपर के LCP के ढांकता हुआ स्थिरांक (/spl epsi//sub r/) और हानि स्पर्शरेखा (tan/spl delta/) के लक्षण के लिए माइक्रोस्ट्रिप रिंग रेज़ोनैटर और गुहा रेज़ोनैटर के माप को मापा जाता है। मापा गेल ढांकता हुआ स्थिरांक 3.16 के पास स्थिर देखाएल गेल हई, अउर हानि स्पर्शरेखा 0.0049 से नीचे बनल रहई हई। एकर अलावा, विभिन्न एलसीपी सब्सट्रेट मोटाई पर विभिन्न ट्रांसमिशन लाइन के निर्माण कैल गेल हई अउर हानि विशेषता के 2 से 110 गीगाहर्ट्ज प्रति सेंटीमीटर डेसीबेल में देल गेल हई। 110 गीगाहर्ट्ज पर ट्रांसमिशन लाइन के पीक लॉस 0.88-2.55 डीबी/सीएम के बीच भिन्न होवो हय, जे लाइन प्रकार और ज्यामिति के आधार पर होवो हय। ई परिणाम पहली बार दिखावे हय कि मिलीमीटर-लहर आवृत्ति के माध्यम से विस्तारित अनुप्रयोगों के लिए एलसीपी में उत्कृष्ट ढांकता हुआ गुण हय। |
cb84ef73db0a259b07289590f0dfcb9b8b9bbe79 | ई पेपर वियरेबल डिवाइसेस के लेल हाइब्रिड रेडियो फ्रीक्वेंसी (आरएफ) अउर पीजोइलेक्ट्रिक थिन फिल्म पॉलीविनाइलिडेन फ्लोराइड (पीवीडीएफ) कंपन ऊर्जा हार्वेस्टर के वर्णन करई हई। परजीवी क्षमताओं और असतत प्रेरकों के प्रतिरोध विशेषताओं के शोषण करके, प्रस्तावित हार्वेस्टर न केवल 15 हर्ट्ज कंपन ऊर्जा के साफ करो हय बल्कि 915 मेगाहर्ट्ज लचीले सिल्वर-इंक आरएफ डायपोल एंटीना के रूप में भी काम करो हय। एकर अलावा, हाइब्रिड हार्वेस्टर के आरएफ और कंपन आउटपुट के विद्युत प्रतिरोधक भार के लिए डीसी सिग्नल में परिवर्तित करे के लिए एक 6-चरण डिकसन आरएफ-टू-डीसी कनवर्टर और एक डायोड ब्रिज रेक्टिफायर सहित एक इंटरफ़ेस सर्किट के मूल्यांकन कियल गलय हा। आरएफ से डीसी कनवर्टर और -8 डीबीएम इनपुट आरएफ पावर के उपयोग करते समय 20.9 μ के अधिकतम सीसी आउटपुट पावर, ओपन-सर्किट आउटपुट वोल्टेज के 36% पर प्राप्त कैल जा हय जबकि 3 जी कंपन उत्तेजना से कटाई कैल गेल सीसी पावर ओपन-सर्किट वोल्टेज के 51% पर अधिकतम 2.8 μW तक पहुंच जा हय। प्रयोगात्मक परिणाम से पता चलई हई कि परीक्षण कैल गेल हाइब्रिड हार्वेस्टिंग सिस्टम एक साथ 7.3 μW DC पावर उत्पन्न करई हई, जब हार्वेस्टर से 3 W EIRP 915 MHz ट्रांसमीटर के दूरी 5.5 मीटर होई हई, अउर 1.8 g कंपन त्वरण शिखर से 1.8 μW DC पावर। |
d8e8bdd687dd588b71d92ff8f6018a1084f85437 | इंटरनेट के उपयोग करे के तरीका के अनुरूप, इंटरनेट ऑफ थिंग्स (आईओटी) पारिस्थितिकी तंत्र में उपकरण मुख्य उपयोगकर्ता होतय। इसलिए, डिवाइस-टू-डिवाइस (डी 2 डी) संचार के आईओटी के एक अंतर्निहित हिस्सा होवे के उम्मीद हय। उपकरण कोनो केंद्रीकृत नियंत्रण के बिना एक-दूसर के जौरे स्वायत्त रूप से संवाद करतय और मल्टीहॉप तरीका से जानकारी एकत्र करे, साझा करे और अग्रेषित करे के लिए सहयोग करतय। वास्तविक समय में प्रासंगिक जानकारी एकत्र करे के क्षमता आईओटी के मूल्य के लाभ उठाने के लिए महत्वपूर्ण हय काहेकी ऐसन जानकारी के खुफिया में बदल देल जयतय, जे एक बुद्धिमान वातावरण के निर्माण के सुविधा प्रदान करतय। अंततः, एकत्रित जानकारी के गुणवत्ता इ बात पर निर्भर करो हय कि उपकरण केतना स्मार्ट हय। एकरा अलावा, ई संचार उपकरण विभिन्न नेटवर्किंग मानक के जौरे काम करतय, एक दूसर के जौरे बाधित कनेक्टिविटी के अनुभव कर सकई हई, अउर एकरा में से कैगो संसाधन सीमित होतय। ई विशेषता कैगो नेटवर्क चुनौती के खोलई हई जेकरा पारंपरिक रूटिंग प्रोटोकॉल हल ना कर सकई छलई। नतीजतन, बुद्धिमान डी 2 डी संचार प्राप्त करे के लेल उपकरण के लेल बुद्धिमान रूटिंग प्रोटोकॉल के आवश्यकता होतई। हम आई ओ टी पारिस्थितिकी तंत्र में बुद्धिमान डी 2 डी संचार कैसे प्राप्त कैल जा सकई हई, एकर एगो अवलोकन प्रस्तुत करई छियई। विशेष रूप से, हम इ बात पर ध्यान केंद्रित करो हय कि कैसे अत्याधुनिक रूटिंग एल्गोरिदम आईओटी में बुद्धिमान डी 2 डी संचार प्राप्त कर सको हय। |
5e6035535d6d258a29598faf409b57a71ec28f21 | |
766c251bd7686dd707acd500e80d7184929035c6 | ट्रैफिक लाइट डिटेक्शन (टीएलडी) बुद्धिमान वाहनों और ड्राइविंग असिस्टेंस सिस्टम (डीएएस) दोनों के एक महत्वपूर्ण हिस्सा हय। अधिकांश टीएलडी के लिए सामान्य इ हय कि ओकर मूल्यांकन छोटा और निजी डेटासेट पर कैल जा हय जे कोनो देल गेल विधि के सटीक प्रदर्शन के निर्धारित करना मुश्किल बनावो हय। इ पेपर में हम सार्वजनिक LISA ट्रैफिक लाइट डेटासेट पर अत्याधुनिक, रीयल-टाइम ऑब्जेक्ट डिटेक्शन सिस्टम यू ओनली लुक वन, (YOLO) लागू करो हय, जे VIVA-चैलेंज के माध्यम से उपलब्ध हय, जेकरा मे विभिन्न प्रकाश और मौसम के स्थिति में कैप्चर कैल गेलय एनोटेटेड ट्रैफिक लाइट्स के एक उच्च संख्या होवो हय।, ,,,, YOLO ऑब्जेक्ट डिटेक्टर दिन के अनुक्रम के लिए 90.49% के प्रभावशाली AUC प्राप्त करो हय, जे VIVachallenge में नवीनतम ACF प्रविष्टि के तुलना में 50.32% के सुधार हय। एसीएफ डिटेक्टर के समान सटीक प्रशिक्षण विन्यास के उपयोग करते हुए, योलो डिटेक्टर 58.3% के एयूसी तकले पहुंचई हई, जे 18.13% के वृद्धि में हई। |
136b9952f29632ab3fa2bbf43fed277204e13cb5 | दृश्य वर्गीकरण कंप्यूटर दृष्टि में एगो मौलिक समस्या हई। हालांकि, वर्तमान में उपयोग कैल जाए वाला डेटाबेस के सीमित दायरे द्वारा दृश्य समझ के शोध सीमित कैल गेल हई जे दृश्य श्रेणिय के पूर्ण विविधता के न पकड़ई छई। जबकि ऑब्जेक्ट वर्गीकरण के लिए मानक डेटाबेस में ऑब्जेक्ट के सैकड़ों विभिन्न वर्ग शामिल हय, दृश्य श्रेणियों के सबसे बड़ा उपलब्ध डेटासेट में केवल 15 वर्ग शामिल हय। इ पेपर में हम व्यापक दृश्य UNderstanding (SUN) डेटाबेस के प्रस्ताव करो हय जेकरा मे 899 श्रेणियां और 130,519 छवियां शामिल हय। हम 397 अच्छा नमूना वाला श्रेणियन के उपयोग कर के दृश्य मान्यता के लिए कई अत्याधुनिक एल्गोरिदम के मूल्यांकन कर हई आउर प्रदर्शन के नया सीमा स्थापित कर हई। हम मानव दृश्य वर्गीकरण प्रदर्शन के सूर्य डेटाबेस पर मापई हई अउर एकर तुलना कम्प्यूटेशनल विधियों के जौरे करई हई। एकरा अलावा, हम बड़ परिदृश्य के भीतर एम्बेडेड दृश्य के पता लगावे के लेल एगो बारीक-कण वाला दृश्य प्रतिनिधित्व के अध्ययन करई छलई। |
eb06182a2817d06e82612a0c32a6c843f01c6a03 | ई पेपर एगो तालिका के आधार पर प्राकृतिक भाषा वाक्य उत्पन्न करे के लेल एगो तंत्रिका उत्पादक मॉडल, अर्थात् Table2Seq, के प्रस्ताव रखई हई। विशेष रूप से, मॉडल एगो तालिका के निरंतर वैक्टर के लेल मानचित्रित करई हई अउर फेर एगो तालिका के शब्दार्थ के लाभ उठाके एगो प्राकृतिक भाषा वाक्य उत्पन्न करई छलई। चूंकि दुर्लभ शब्द, जैसे कि संस्था अउर मान, आमतौर पर एगो तालिका में देखाई देई हई, हम एगो लचीला प्रतिलिपि तंत्र विकसित करई हई जे तालिका से सामग्री के चयनात्मक रूप से आउटपुट अनुक्रम में दोहराबई हई। हम अपन Table2Seq मॉडल के प्रभावशीलता अउर डिज़ाइन कैल गेल प्रतिलिपि तंत्र के उपयोगिता के प्रदर्शित करे के लेल व्यापक प्रयोग करई छलई। WIKIBIO और SIMPLEQUESTIONS डेटासेट पर, Table2Seq मॉडल BLEU-4 स्कोर के संदर्भ में क्रमशः 34.70 से 40.26 और 33.32 से 39.12 तक अत्याधुनिक परिणाम में सुधार करो हय। एकरा अलावा, हम एगो ओपन-डोमेन डेटासेट विकिटैबलटेक्स्ट बनाबई हई जोनमे 4962 तालिका के लेल 13 318 वर्णनात्मक वाक्य शामिल हई। हमार Table2Seq मॉडल WIKITABLETEXT पर 38.23 के BLEU-4 स्कोर प्राप्त करई हई जे टेम्पलेट-आधारित अउर भाषा मॉडल-आधारित दृष्टिकोण से बेहतर प्रदर्शन करई हई। एकरा अलावा, एक खोज इंजन से 1 एम टेबल-क्वेरी जोड़े पर प्रयोग के माध्यम से, एगो तालिका के संरचित हिस्सा, अर्थात, तालिका विशेषता अउर तालिका कक्ष पर विचार करे वाला हमार तालिका 2Seq मॉडल, अतिरिक्त जानकारी के रूप में एगो अनुक्रम-से-अनुक्रम मॉडल के बेहतर प्रदर्शन करई हई। केवल एक तालिका के अनुक्रमिक हिस्सा पर विचार करनाई, अर्थात, तालिका कैप्शन। |
ea951c82efe26424e3ce0d167e01f59e5135a2da | टाइम्ड अप एंड गो, बुजुर्ग अउर पार्किंसंस रोग में गतिशीलता के आकलन करे के लेल एगो नैदानिक परीक्षण छलई। परीक्षण के हालिया साधन वाला संस्करण पर विचार कियल जा रहल हई, जहां जड़ता सेंसर गति के आकलन करई हई। व्यापकता, उपयोग में आसानी और लागत में सुधार के लिए, हम एक स्मार्टफोन के त्वरणमीटर को माप प्रणाली के रूप में मानते हैं। परीक्षण के दौरान रिकॉर्ड कैल गेल सिग्नल से कैगो पैरामीटर (आमतौर पर अत्यधिक सहसंबद्ध) के गणना कैल जा सकई हई। अतिरेक से बचे के लेल अउर लोकोमोटोर प्रदर्शन के लेल सबसे संवेदनशील विशेषता के प्राप्त करे के लेल, मुख्य घटक विश्लेषण (पीसीए) के माध्यम से आयाम में कमी कैल गेल रहई। विभिन्न उम्र के 49 स्वस्थ विषयों के परीक्षण कियल गलय हल। पीसीए के नया सुविधा (मुख्य घटक) निकाले के लेल कैल गेल रहई जे मूल पैरामीटर के अधिशेष संयोजन ना हई अउर अधिकांश डेटा भिन्नता के लेल जिम्मेदार छलई। ऊ खोजपूर्ण विश्लेषण अउर आउटलाइर पता लगाबे के लेल उपयोगी हो सकई हई। फिर, मुख्य घटकों के साथ सहसंबंध विश्लेषण के माध्यम से मूल मापदंडों के एक कम सेट के चयन कियल गलय हल। इ सेट के स्वस्थ वयस्क पर आधारित अध्ययन के लिए अनुशंसित कियल जा सको हय। प्रस्तावित प्रक्रिया के वर्गीकरण अध्ययन में प्रथम-स्तर के विशेषता चयन के रूप में उपयोग कैल जा सको हय (यानी। स्वस्थ-पार्किंसन रोग, फेलर्स-नॉन-फेलर्स) के बीच अंतर के कम करे के लेल एगो नया तकनीक विकसित कैल गेल हई। |
e467278d981ba30ab3b24235d09205e2aaba3d6f | इ अध्ययन के लक्ष्य एक अनुक्रमिक मध्यस्थता मॉडल के विकास और परीक्षण करना हलय जे कर्मचारी के कल्याण के लिए निष्क्रिय नेतृत्व के नकारात्मक संबंध के व्याख्या करो हय। भूमिका तनाव सिद्धांत के आधार पर, हम प्रस्तावित करई हई कि निष्क्रिय नेतृत्व भूमिका अस्पष्टता, भूमिका संघर्ष अउर भूमिका अधिभार के उच्च स्तर के भविष्यवाणी करतई। संसाधन के संरक्षण सिद्धांत के आह्वान करते हुए, हम आगे परिकल्पना करो हय कि इ भूमिका तनावकर्ता अप्रत्यक्ष रूप से और नकारात्मक रूप से कर्मचारी कल्याण के दो पहलुओं के प्रभावित करतय, अर्थात् समग्र मानसिक स्वास्थ्य और समग्र कार्य दृष्टिकोण, मनोवैज्ञानिक कार्य थकान के माध्यम से। 2467 अमेरिकी श्रमिक के संभावना नमूना के उपयोग करते करते, संरचनात्मक समीकरण मॉडलिंग मॉडल के समर्थन कैलकय, इ दिखावो हय कि भूमिका तनाव और मनोवैज्ञानिक कार्य थकान आंशिक रूप से निष्क्रिय नेतृत्व और कर्मचारी कल्याण के दुनहु पहलु के बीच नकारात्मक संबंध के मध्यस्थता कैलकय। परिकल्पित, क्रमिक अप्रत्यक्ष संबंध निष्क्रिय नेतृत्व और मानसिक स्वास्थ्य के बीच समग्र संबंध के 47.9% अउर निष्क्रिय नेतृत्व अउर समग्र कार्य दृष्टिकोण के बीच समग्र संबंध के 26.6% के व्याख्या कलई। कॉपीराइट © 2016 जॉन विले एंड संस, लिमिटेड. |
9a86ae8e9b946dc6d957357e0670f262fa1ead9d | लेख इतिहास: 22 अगस्त 2007 प्राप्त 29 फरवरी 2008 स्वीकार कैल गेल ऑनलाइन उपलब्ध xxxx |
f8acaabc99801a89baa5a9eff445fc5922498dd0 | डीप डोमेन अनुकूलन विधियों डोमेन-अपरिवर्तनीय एम्बेडिंग सीखकर वितरण विसंगति के कम कर सको हय। हालांकि, इ विधियों में स्रोत और लक्ष्य छवियों के बीच वर्ग-स्तरीय संबंधों पर विचार के बिना, पूरे डेटा वितरण के संरेखित करे पर ध्यान केंद्रित कियल जावो हय। इ प्रकार, एक पक्षी के लक्ष्य एम्बेडिंग के एक विमान के स्रोत एम्बेडिंग के साथ संरेखित कियल जा सको हय। ई अर्थ संबंधी गलत संरेखण लक्षित डेटासेट पर वर्गीकरणकर्ता प्रदर्शन के सीधे गिरावा कर सकई हई। इ समस्या के कम करे के लिए, हम अनसुर्क्षित डोमेन अनुकूलन के लिए समानता प्रतिबंधित संरेखण (एससीए) विधि प्रस्तुत करो हय। एम्बेडिंग स्पेस में वितरण के संरेखित करते समय, एससीए स्रोत और लक्ष्य छवियों के बीच वर्ग-स्तर के संबंध बनाए रखे के लिए समानता-संरक्षण बाधा लागू करो हय, अर्थात, यदि एक स्रोत छवि और एक लक्ष्य छवि एक ही वर्ग लेबल के हय, त ओकर संबंधित एम्बेडिंग निकटता से संरेखित होवे के चाहि, और इसके विपरीत। लक्ष्य लेबल के अनुपस्थिति में, हम लक्ष्य छवियों के लिए छद्म लेबल असाइन करते हैं। लेबल कैल गेल स्रोत छविय और छद्म-लेबल कैल गेल लक्ष्य छविय के देखते हुए, ट्रिपलट हानि के कम करके समानता-संरक्षण बाधा के लागू कैल जा सकई हई। डोमेन संरेखण हानि और समानता-संरक्षण बाधा के संयुक्त पर्यवेक्षण के साथ, हम दो महत्वपूर्ण विशेषताओं, इंट्रा-क्लास कॉम्पैक्टनेस और इंटर-क्लास पृथक्करण के साथ डोमेन-अपरिवर्तनीय एम्बेडिंग प्राप्त करे के लिए एक नेटवर्क को प्रशिक्षित करो हय। दो डेटा सेट पर कियल गेल व्यापक प्रयोग एससीए के प्रभावशीलता के अच्छी तरह से प्रदर्शित करो हय। |
a3c3c084d4c30cf40e134314a5dcaf66b4019171 | |
21aebb53a45ccac7f6763d9c47477092599f6be1 | |
12e1923fb86ed06c702878bbed51b4ded2b16be1 | इ लेख में, हम पोर्टेबल स्मार्ट रडार सेंसर से हस्ताक्षर के पैटर्न मान्यता के आधार पर मानव इशारा मान्यता प्रणाली के डिजाइन पर विचार कर हियई। एएए बैटरी द्वारा संचालित, स्मार्ट रडार सेंसर 2.4 गीगाहर्ट्ज औद्योगिक, वैज्ञानिक और चिकित्सा (आईएसएम) बैंड में काम करई हई। हम दो अलग-अलग इशारों के सेट के लिए रडार सिग्नल से निकाले गए सिद्धांत घटक और एप्लिकेशन-विशिष्ट समय और आवृत्ति डोमेन विशेषताओं के उपयोग करके फीचर स्पेस के विश्लेषण कैलकय। हम इ बताबई हई कि निकटतम पड़ोसी आधारित वर्गीकरणकर्ता बहु-वर्ग वर्गीकरण के लेल 95% से अधिक सटीकता प्राप्त कर सकई हई जब 10 गुना क्रॉस सत्यापन के उपयोग कैके विशेषता के परिमाण अंतर अउर डोपलर बदलाव के आधार पर निकालल जाई हई। रिपोर्ट कैल गेल परिणाम उच्च सटीकता वाला स्मार्ट होम और स्वास्थ्य निगरानी उद्देश्य के लिए एक पैटर्न मान्यता प्रणाली के साथ एकीकृत बुद्धिमान रडार के क्षमता के दर्शाबई हई। |
25b87d1d17adabe2923da63e0b93fb7d2bac73f7 | नेटवर्क अउर उनकर संसाधन के खिलाफ हमला के लगातार वृद्धि (जैसा कि हाल ही में कोडरेड वर्म द्वारा दिखाएल गेल हई) येई मूल्यवान संपत्ति के सुरक्षा के आवश्यकता के कारण बनई हई। फ़ायरवॉल अब घुसपैठ के प्रयास के खारिज करे के लेल एगो सामान्य स्थापना हई। घुसपैठ के पता लगावे वाला सिस्टम (आईडीएस), जे दुर्भावनापूर्ण गतिविधि के रोके के बजाय ओकर पता लगावे के कोशिश करई हई, पहिले रक्षा परिधि में प्रवेश कैल जाए पर अतिरिक्त सुरक्षा प्रदान करई हई। आईडी सिस्टम एकत्रित डेटा के पूर्वनिर्धारित हस्ताक्षर के तुलना करके हमला के पिन करे के प्रयास करई हई जेकरा दुर्भावनापूर्ण (हस्ताक्षर आधारित) चाहे कानूनी व्यवहार के एगो मॉडल (असामान्य आधारित) के रूप में जानल जाई हई। असामान्यता आधारित सिस्टम के पहिले अज्ञात हमला के पता लगाबे में सक्षम होए के लाभ होई हई, लेकिन ऊ स्वीकार्य व्यवहार के एगो ठोस मॉडल बनावे के कठिनाई से पीड़ित होई हई अउर असामान्य लेकिन अधिकृत गतिविधि के कारण उच्च संख्या में अलार्म के कारण होई छलई। हम एगो दृष्टिकोण प्रस्तुत करई हई जे नेटवर्क सेवा के अनुप्रयोग-विशिष्ट ज्ञान के उपयोग करई हई जेकरा संरक्षित कैल जाए के चाहि। ई जानकारी एगो एप्लिकेशन मॉडल बनावे के लेल वर्तमान, सरल नेटवर्क ट्रैफ़िक मॉडल के विस्तार करे में मदद करई हई जे एकल नेटवर्क पैकेट में छिपल दुर्भावनापूर्ण सामग्री के पता लगाबे के अनुमति देई हई। हम अपन प्रस्तावित मॉडल के विशेषता के वर्णन करई हई अउर प्रयोगात्मक डेटा प्रस्तुत करई हई जे हमर सिस्टम के दक्षता के रेखांकित करई हई। |
10338babf0119e3dba196aef44fa717a1d9a06df | |
36e41cdfddd190d7861b91b04a515967fd1541d9 | प्राप्त: 20 जुलाई 2012 संशोधित: 18 फरवरी 2013 दूसरा संशोधन: 28 जून 2013 तीसरा संशोधन: 20 सितंबर 2013 चौथा संशोधन: 7 नवंबर 2013 स्वीकारः 1 फरवरी 2014 सार सामाजिक नेटवर्किंग साइट (एसएनएस) में एम्बेडेड संदेशों और सामाजिक संबंधों की संख्या के रूप में, व्यक्तियों से प्रतिक्रिया की मांग करने वाली सामाजिक जानकारी की मात्रा में भी वृद्धि हो रही है। हम देखऽ हिअइ कि नतीजतन, सोशल मीडिया के उपयोगकर्ता के ई महसूस होवऽ हइ कि ऊ दोसरा सोशल मीडिया के उपयोगकर्ता के बहुत जादे सामाजिक समर्थन दे हइ । सामाजिक समर्थन सिद्धांत (एसएसटी) पर आधारित, हम एसएनएस उपयोग के साथे इ नकारात्मक संबंध के "सामाजिक अधिभार" कहो हय और एकरा मापे के लिए एक गुप्त चर विकसित करो हय। फेर हम सामाजिक अधिभार के सैद्धांतिक पूर्ववर्ती अउर परिणाम के पहचान करई हई अउर सामाजिक अधिभार मॉडल के मूल्यांकन 12 के जौरे साक्षात्कार अउर 571 फेसबुक उपयोगकर्ता के सर्वेक्षण के उपयोग करके अनुभवजन्य रूप से करई छियई। परिणाम से पता चलई हई कि उपयोग के सीमा, मित्र के संख्या, व्यक्तिपरक सामाजिक समर्थन मानदंड, अउर संबंध के प्रकार (केवल-ऑनलाइन बनाम ऑफ़लाइन मित्र) ओई कारक हई जे सीधे सामाजिक अधिभार में योगदान करई हई जबकि उम्र केवल एगो अप्रत्यक्ष प्रभाव हई। सामाजिक अधिभार के मनोवैज्ञानिक अउर व्यवहारिक परिणाम में उपयोगकर्ता द्वारा एसएनएस थकावट के भावना, उपयोगकर्ता संतुष्टि के निम्न स्तर, अउर एसएनएस के उपयोग के कम करे चाहे बंद करे के उच्च इरादा शामिल छलई। एसएसटी अउर एसएनएस स्वीकृति अनुसंधान के लेल परिणामी सैद्धांतिक निहितार्थ पर चर्चा कैल गेल हई अउर संगठन, एसएनएस प्रदाता अउर एसएनएस उपयोगकर्ता के लेल व्यावहारिक निहितार्थ तैयार कैल गेल हई। यूरोपीय जर्नल ऑफ इंफॉर्मेशन सिस्टम्स अग्रिम ऑनलाइन प्रकाशन, 4 मार्च 2014; doi:10.1057/ejis.2014.3; 11 मार्च 2014 के ऑनलाइन सुधारल गेल |
ffcb7146dce1aebf47a910b51a873cfec897d602 | स्कैन और सेगमेंट स्कैन अनुप्रयोगों के एक विस्तृत श्रृंखला के लिए महत्वपूर्ण डेटा-समानांतर आदिम हय। हम ग्राफिक्स प्रोसेसिंग यूनिट (जीपीयू) पर इ आदिम के लिए तेज, कार्य-कुशल एल्गोरिदम प्रस्तुत करो हय। हम नया डेटा प्रतिनिधित्व के उपयोग कर हई जे GPU आर्किटेक्चर के लेल अच्छा मैप कर हई। हमार एल्गोरिदम साझा मेमोरी के उपयोग मेमोरी प्रदर्शन के बेहतर बनावे लागी कर हई। हम साझा-स्मृति बैंक संघर्ष के समाप्त करके आउर साझा-स्मृति GPU एल्गोरिदम में पूर्ववर्ती ओवरहेड के कम करके अपन एल्गोरिदम के प्रदर्शन में और सुधार करई छी। एकरा अलावा, हमर एल्गोरिदम के सामान्य डेटा सेट पर अच्छा तरह से काम करे के लेल डिज़ाइन कैल गेल हई, जोनमे मनमाना खंड लंबाई के जौरे खंडित सरणी शामिल छलई। हम खंड लंबाई के आधार पर खंडित स्कैन के प्रदर्शन में सुधार के लिए अनुकूलन भी प्रस्तुत करई छी। हम एनवीडिया जीफोर्स 8800 जीपीयू वाला पीसी पर अपन एल्गोरिदम लागू कैलकय और पिछला जीपीयू-आधारित एल्गोरिदम के साथे अपन परिणाम के तुलना कैलकय। हमार परिणाम लाखों तत्व के साथे इनपुट अनुक्रम पर पिछला एल्गोरिदम के तुलना में 10 गुना अधिक प्रदर्शन के संकेत देई हई। |
6a640438a4e50fa31943462eeca716413891a773 | हम एगो नया रैंकिंग एल्गोरिथ्म प्रस्तुत करई हई जे दू पिछला विधि के ताकत के जोड़ई हईः बढ़ल पेड़ वर्गीकरण, अउर लैम्ब्डा आर, जे व्यापक रूप से उपयोग कैल जाए वाला सूचना पुनर्प्राप्ति माप के लेल अनुभवजन्य रूप से इष्टतम देखाएल गेल हई। एल्गोरिथ्म बूस्ट रिग्रेशन ट्री पर आधारित हई, हालांकि विचार कोनो कमजोर शिक्षार्थि पर लागू होई हई, अउर ई तुलनात्मक क्षमता के लेल कला के स्थिति के तुलना में प्रशिक्षण अउर परीक्षण चरण दुनु में काफी तेज हई। हम इ भी दिखावो कि दो रैंक के लिए इष्टतम रैखिक संयोजन कैसे खोजें, और हम इस विधि का उपयोग रेखा खोज समस्या को हल करने के लिए करते हैं। इसके अलावा, हम दिखाते हैं कि एक पहले से प्रशिक्षित मॉडल के साथ शुरू करना, और इसके अवशेषों के उपयोग को बढ़ावा देना, मॉडल अनुकूलन के लिए एक प्रभावी तकनीक प्रदान करता है, और हम उन बाजारों के लिए वेब खोज प्रशिक्षण रैंकरों में एक विशेष रूप से दबाव वाली समस्या के लिए परिणाम देते हैं, जिनके लिए केवल छोटी मात्रा में लेबल डेटा उपलब्ध है, एक बड़े बाजार से बहुत अधिक डेटा पर प्रशिक्षित रैंकर को देखते हुए। |
72691b1adb67830a58bebdfdf213a41ecd38c0ba | हम एगो गहरा नेटवर्क आर्किटेक्चर के परिचय देई हई जेकरा डेरेननेट कहल जाई हई एगो छवि से बारिश के धार के हटावे के लेल। डीप कन्वॉल्यूशनल न्यूरल नेटवर्क (सीएनएन) के आधार पर, हम सीधे डेटा से बरसात आउर साफ छवि विवरण परत के बीच मानचित्रण संबंध सीखई हई। काहेकी हमरा पास वास्तविक दुनिया के बारिश के छवियों के अनुरूप आधार सत्य नए हय, हम प्रशिक्षण के लिए बारिश के साथ छवियों के संश्लेषण करो हय। नेटवर्क के गहराई या चौड़ाई के बढ़ावे वाला दोसर सामान्य रणनीति के विपरीत, हम छवि प्रसंस्करण डोमेन ज्ञान के उपयोग करके उद्देश्य फ़ंक्शन के संशोधित करई हई अउर मामूली आकार के सीएनएन के साथ पटरि से उतरना में सुधार करई हई। विशेष रूप से, हम इमेज डोमेन के बजाय विवरण (हाई-पास) परत पर अपन डेरेननेट के प्रशिक्षित करई छी। यद्यपि डेरेननेट के सिंथेटिक डेटा पर प्रशिक्षित कैल गेल हई, हम पई हई कि सीखे गेल नेटवर्क परीक्षण के लेल वास्तविक दुनिया के छविय में बहुत प्रभावी रूप से अनुवाद करई छलो। एकरा अलावा, हम सीएनएन ढांचे के दृश्य परिणाम के बेहतर बनावे के लेल छवि संवर्धन के जौरे बढ़ाएल हई। अत्याधुनिक एकल छवि डी-रेनिंग विधियों के साथ तुलना में, हमारी विधि में बारिश के हटाने में सुधार हुआ है और नेटवर्क प्रशिक्षण के बाद बहुत तेजी से गणना समय है। |
34d1ba9476ae474f1895dbd84e8dc82b233bc32e | |
1cdc4ad61825d3a7527b85630fe60e0585fb9347 | लर्निंग एनालिटिक्स प्रौद्योगिकी-संवर्धित सीखने के एक महत्वपूर्ण क्षेत्र हय जे पिछले दशक के दौरान उभरा हय। क्षेत्र के इ समीक्षा तकनीकी, शैक्षिक और राजनीतिक कारक के जांच से शुरू होवो हय जे शैक्षिक सेटिंग्स में विश्लेषिकी के विकास के प्रेरित कैलकय हा। ई 20वीं शताब्दी में अपन उत्पत्ति, डेटा-संचालित विश्लेषण के विकास, सीखने पर केंद्रित दृष्टिकोण के उदय और राष्ट्रीय आर्थिक चिंता के प्रभाव सहित सीखने के विश्लेषण के उदय के रेखांकित करई हई। अगला इ सीखने के विश्लेषण, शैक्षिक डेटा खनन और अकादमिक विश्लेषण के बीच संबंध पर केंद्रित हय। अंत में, इ सीखने के विश्लेषण अनुसंधान के विकासशील क्षेत्रों के जांच करो हय, और भविष्य के चुनौति के एक श्रृंखला के पहचान करो हय। |
f3ac0d94ba2374e46dfa3a13effcc540205faf21 | |
49fd00a22f44a52f4699730403033416e0762e6d | |
860d3d4114711fa4ce9a5a4ccf362b80281cc981 | हालांकि, स्थान के कमी के कारण, इ खंड गहराई से कम हो गेलय हा। एकर अलावा, उपयोगिता ऑन्कोलॉजी जे समय, भू-स्थानिक, व्यक्ति, घटना अउर नेटवर्क संचालन पर केंद्रित छलई, संक्षेप में वर्णित कैल गेल हई। येई उपयोगिता ऑन्कोलॉजी के विशेष सुपर-डोमेन चाहे ईहां तक कि मध्य-स्तरीय ऑन्कोलॉजी के रूप में देखल जा सकई हई, काहेकी ऊ कैगो, यदि अधिकांश न, ऑन्कोलॉजी के कवर करई हई - जोनमे कोनो साइबर ऑन्कोलॉजी शामिल छलई। व्यापार अध्ययन द्वारा उपयोग कैल जाए वाला ऑन्कोलॉजिकल आर्किटेक्चर के समग्र दृष्टिकोण भी देल गेल हई। व्यापार अध्ययन पर रिपोर्ट के अंत में व्यापार के पुनरावर्ती विकास में कुछ प्रस्तावित अगले चरणों के साथ संपन्न होवो हय। ई पेपर एगो व्यापार अध्ययन पर रिपोर्ट करई हई जे हम प्रारंभिक मैलवेयर ऑन्टोलॉजी से साइबर ऑन्टोलॉजी के विकास के समर्थन करे के लेल प्रदर्शन कैले हई। साइबर ऑन्कोलॉजी प्रयास के लक्ष्य के पहले वर्णन कैल गेल हई, जेकर बाद उपयोग कैल गेल ऑन्कोलॉजी विकास पद्धति के चर्चा कैल गेल हई। पेपर के मुख्य भाग तब अनुसरण करई हई, जे संभावित ऑन्कोलॉजी अउर मानकों के विवरण हई जेकर उपयोग साइबर ऑन्कोलॉजी के ओकर प्रारंभिक प्रतिबंधित मैलवेयर फोकस से विस्तारित करे के लेल कैल जा सकई हई। येई संसाधन में विशेष रूप से साइबर अउर मैलवेयर मानक, योजना अउर शब्दावली शामिल हई जे सीधे प्रारंभिक मैलवेयर ऑन्कोलॉजी प्रयास में योगदान देलई। अन्य संसाधन ऊपरी (कभी-कभी मूलभूत कहल जाई हई) ऑन्कोलॉजी छलई। कोनो साइबर ऑन्कोलॉजी के विस्तार करे वाला मूल अवधारणा के येई मौलिक ऑन्कोलॉजी में पहिले से पहचानल गेल हई अउर सख्ती से परिभाषित कैल गेल हई। |
4767a0c9f7261a4265db650d3908c6dd1d10a076 | पता लगावे से ट्रैकिंग असंबंधित परिदृश्यों में कई लक्ष्य के ट्रैकिंग के कार्य के संबोधित करे के लिए सबसे सफल रणनीति साबित होलय हा [उदा। [४०, ५३, ५५] परंपरागत रूप से, प्रीप्रोसेसिंग चरण में उत्पन्न छिटपुट पता लगाना के एक सेट, एक उच्च-स्तरीय ट्रैकर के लिए इनपुट के रूप में कार्य करो हय जेकर लक्ष्य समय के साथ इ "डॉट्स" के सही ढंग से जोड़ना हय। इ दृष्टिकोण के एक स्पष्ट कमी ई हई कि छवि अनुक्रम में उपलब्ध अधिकांश जानकारी के कमजोर पता लगावे के प्रतिक्रिया के सीमा और गैर-अधिकतम दमन के लागू करे से बस अनदेखा कैल जाई हई। हम एगो बहु-लक्ष्य ट्रैकर के प्रस्ताव रखई हई जे निम्न-स्तर के छवि जानकारी के शोषण करई हई अउर प्रत्येक (सुपर) -पिक्सेल के एगो विशिष्ट लक्ष्य से जोड़ई हई चाहे एकरा पृष्ठभूमि के रूप में वर्गीकृत करई हई। नतीजतन, हम अनियंत्रित, वास्तविक दुनिया के वीडियो में शास्त्रीय बाउंडिंग-बॉक्स प्रतिनिधित्व के अलावा एक वीडियो विभाजन प्राप्त करते हैं। हमार विधि कई मानक बेंचमार्क अनुक्रम पर उत्साहजनक परिणाम दिखावे हय और लंबे समय तक आंशिक समापन के साथे भीड़भाड़ वाला दृश्य में पता लगावे के लिए अत्याधुनिक दृष्टिकोण से काफी बेहतर हय। |
8eefd28eb47e72794bb0355d8abcbebaac9d8ab1 | कै दशक से, सांख्यिकीविद पुनरावर्ती अपेक्षा-अधिकतमकरण (ईएम) तकनीक के माध्यम से एक जनरेटिव मॉडल के पैरामीटर के अनुमान लगाके वर्गीकरणकर्ता के प्रशिक्षित करे के लिए लेबल और अनलेबल डेटा के संयोजन के उपयोग करे के वकालत कैले हई। ई अध्याय पाठ वर्ग के पहचान के क्षेत्र में लागू होए पर ई दृष्टिकोण के प्रभावकारिता के पता लगाबई हई। टेक्स्ट दस्तावेज़ के एगो बैग-ऑफ-वर्ड मॉडल के जौरे दर्शाएल गेल हई, जे बहुपद के मिश्रण के आधार पर एगो जनरेटिव वर्गीकरण मॉडल के जन्म देई हई। ई मॉडल लिखित पाठ के जटिलता के एगो अत्यंत सरल प्रतिनिधित्व हई। ई अध्याय जनरेटिव मॉडल के साथ पाठ वर्गीकरण के लिए अर्ध-पर्यवेक्षित शिक्षा के बारे में तीन प्रमुख बिंदु के व्याख्या अउर चित्रण करई हई। सबसे पहले, सरलीकृत प्रतिनिधित्व के बावजूद, कुछ पाठ में जनरेटिव मॉडल संभावना और वर्गीकरण सटीकता के बीच एक उच्च सकारात्मक सहसंबंध हय। येई डोमेन में, naive Bayes text t मॉडल के जौरे EM के एगो सीधा अनुप्रयोग अच्छा काम करई हई। दोसर, कुछ पाठ डोमेन में ई सहसंबंध ना हई। यहां हम एक अधिक अभिव्यक्तिपूर्ण और उपयुक्त उत्पादक मॉडल का चयन कर सकते हैं, जो कि एक सकारात्मक सहसंबंध वाला है। येई डोमेन में, अर्ध-पर्यवेक्षित शिक्षा फेर से वर्गीकरण और सटीकता में सुधार करई हई। अंत में, ईएम स्थानीय अधिकतम के समस्या से पीड़ित हई, विशेष रूप से उच्च आयाम के मेन जैसे पाठ वर्गीकरण में। हम प्रदर्शित करई हई कि ईएम के एगो भिन्नता डेटर्मिनेस्टिक एनीलिंग स्थानीय अधिकतम के समस्या के दूर करे में मदद कर सकई हई अउर जब जनरेटिव मॉडल उपयुक्त होई हई त वर्गीकरण के सटीकता में और वृद्धि कर सकई हई। |
696ad1c38b588dae3295668a0fa34021c4481030 | हम बहु-लेबल, बड़े पैमाने पर बहु-वर्ग छवि वर्गीकरण मॉडल के प्रशिक्षण के लिए एक विधि प्रस्तुत करते हैं, जो सिग्मोइड क्रॉस-एन्ट्रॉपी हानि (लॉजिस्टिक प्रतिगमन) के माध्यम से पर्यवेक्षण से तेज और अधिक सटीक है। हमार पद्धति में इकाई-मानकीकृत वैक्टर के एक निम्न-आयामी घने क्षेत्र पर उच्च-आयामी विरल लेबल के एम्बेड करे में शामिल हय, और वर्गीकरण समस्या के इ क्षेत्र पर कोसिनस निकटता प्रतिगमन समस्या के रूप में मानो हय। हम 17,000 लेबल के साथ 300 मिलियन उच्च-रिज़ॉल्यूशन छवियों के डेटासेट पर अपन विधि के परीक्षण करो हय, जेजा इ काफी तेजी से अभिसरण के साथे-साथ लॉजिस्टिक प्रतिगमन के तुलना में 7% उच्च औसत सटीकता प्रदान करो हय। |
ad5974c04b316f4f379191e4dbea836fd766f47c | ई पेपर मशीन अनुवाद में बड़ पैमाना के सांख्यिकीय भाषा मॉडलिंग के लाभ पर रिपोर्ट करई हई। एगो वितरित बुनियादी ढांचा प्रस्तावित हई जेकर उपयोग हम 2 ट्रिलियन टोकन तक के प्रशिक्षण के लेल करई हई, जेकर परिणामस्वरूप भाषा मॉडल में 300 बिलियन एन-ग्राम तक होई छलई। ई तेज, एकल-पास डिकोडिंग के लेल चिकना संभावना प्रदान करे में सक्षम छलई। हम एगो नया चिकनाई विधि पेश करई हई, जेकरा मूर्ख बैकऑफ कहल जाई हई, जे बड़का डेटा सेट पर प्रशिक्षित करे के लेल सस्ता हई अउर प्रशिक्षण डेटा के मात्रा के बढ़े पर क्नेसर-नी स्मूथिंग के गुणवत्ता के करीब जाई छलई। |
6cb45af3db1de2ba5466aedcb698deb6c4bb4678 | इ परियोजना में, हम प्रसिद्ध स्टैनफोर्ड प्रश्न उत्तर डेटासेट (एसक्यूएडी) पर प्रश्न उत्तर कार्य के लिए एक एंड-टू-एंड तंत्रिका नेटवर्क वास्तुकला के निर्माण में रुचि रखो हय। हमर कार्यान्वयन हाल के उच्च प्रदर्शन प्राप्त करे के विधि से प्रेरित हई जे सह-ध्यान एन्कोडर के गतिशील पॉइंटिंग डिकोडर के जौरे जोड़ई हई जेकरा डायनामिक कोएटेंशन नेटवर्क के रूप में जानल जाई छलई। हम विभिन्न संयोजन के खोज कैलकय और डीकोडिंग तकनीक के परीक्षण कैलकय जे हमरा विश्वास हय कि ऐसन प्रणालि के प्रदर्शन में सुधार कर सको हय। |
e11d5a4edec55f5d5dc8ea25621ecbf89e9bccb7 | नेटवर्क कंप्यूटर पर हमर समाज के निर्भरता डरावना हो गेल हई: अर्थव्यवस्था में, सभे-डिजिटल नेटवर्क सुविधाजनक से ड्राइवर में बदल गेल हई; जैसन कि साइबर-भौतिक प्रणाली वयस्क हो रहल हई, कंप्यूटर नेटवर्क अब हमर भौतिक दुनिया के केंद्रीय तंत्रिका तंत्र बन रहल हई - यहां तक कि बिजली ग्रिड जैसन अत्यधिक महत्वपूर्ण बुनियादी ढांचे के भी। साथ ही, नेटवर्क कंप्यूटर के 24/7 उपलब्धता और सही कार्य के लिए बहुत अधिक खतरा पैदा हो गलय हा: आईटी सिस्टम पर परिष्कृत और अत्यधिक अनुकूलित हमलों के संख्या में काफी वृद्धि होलय हा। घुसपैठ के पता लगावे वाला सिस्टम (आईडीएस) संबंधित रक्षा उपाय के एक प्रमुख घटक हय; एकरा अतीत में व्यापक रूप से अध्ययन और उपयोग कैल गेलय हय। चूंकि पारंपरिक आईडीएस बड़ कंपनी नेटवर्क अउर ओकर बाहर, चाहे बड़का पैमाना पर समानांतर हमला के लेल स्केलेबल ना हई, येहिलेल सहयोगी आईडीएस (सीआईडीएस) सामने आएल छलई। ऊमे कैगो निगरानी घटक शामिल हई जे डेटा एकत्र अउर विनिमय करई हई। विशिष्ट सीआईडीएस वास्तुकला के आधार पर, केंद्रीय या वितरित विश्लेषण घटक हमले के पहचान करे के लिए एकत्रित डेटा के खनन करो हय। परिणामी अलर्ट के कई मॉनिटर के बीच सहसंबद्ध कैल जाई हई ताकि निगरानी कैल जाए वाला नेटवर्क के समग्र दृश्य बनाएल जा सके। ई लेख सबसे पहिले सीआईडीएस के लेल प्रासंगिक आवश्यकता के निर्धारित करई हई; ई फेर सीआईडीएस डिजाइन स्थान के परिचय के लेल अउर आवश्यकता के संबंध में एकरा चर्चा करे के लेल आधार के रूप में अलग-अलग बिल्डिंग ब्लॉक के अलग करई हई। ई डिज़ाइन स्पेस के आधार पर, सीआईडीएस के टालल वाला हमला अउर सीआईडीएस के उपलब्धता पर हमला पर चर्चा कैल जाई हई। आवश्यकताओं, बिल्डिंग ब्लॉकों और हमलों के पूरे ढांचे के उपयोग तब सहयोगी घुसपैठ का पता लगाने में कला के स्थिति के एक व्यापक विश्लेषण के लिए कियल जा हय, जेकरा मे विशिष्ट सीआईडीएस दृष्टिकोण के विस्तृत सर्वेक्षण और तुलना शामिल हय। |
720158a53b79667e39c2caf2f7ebb2670b848693 | शरीर संवेदक नेटवर्क (बीएसएन) जैसन महत्वपूर्ण, जीवन-रक्षक बुनियादी ढांचा के लेल एगो व्यक्ति के गोपनीयता के कुशल तरीका से संरक्षित करनाई बहुत महत्वपूर्ण छलई। ई पेपर एगो नया कुंजी समझौता योजना प्रस्तुत करई हई जे बीएसएन में दू सेंसर के एगो सामान्य कुंजी के लेल सहमत करे के अनुमति देई हई जे इलेक्ट्रोकार्डियोग्राम (ईकेजी) सिग्नल के उपयोग कैके उत्पन्न होई हई। ईकेजी-आधारित कुंजी समझौता (ईकेए) योजना के उद्देश्य बीएसएन सुरक्षा के लिए "प्लग-एन-प्ले" प्रतिमान लाना हय, जेकरा द्वारा विषय पर सेंसर के तैनाती से पूर्व तैनाती जैसे किसी भी रूप के आवश्यकता के बिना सुरक्षित संचार के सक्षम कैल जा सको हय। वास्तविक ईकेजी डेटा (एमआईटी फिजियोबैंक डेटाबेस से प्राप्त) के आधार पर योजना के विश्लेषण से पता चलई हई कि ईकेए के परिणामस्वरूप कुंजी हईः यादृच्छिक, समय भिन्नता, अल्पकालिक ईकेजी माप के आधार पर उत्पन्न कैल जा सकई हई, कोनो देल गेल विषय के लेल समान अउर अलग-अलग व्यक्ति के लेल अलग-अलग। |
f692c692d3426cc663f3ec9be0c7025b670b2e5c | कै साल से, आईटी उद्योग मौजूदा सॉफ्टवेयर संपत्ति से नया अनुप्रयोगों के इकट्ठा करके सॉफ्टवेयर विकास प्रक्रिया के तेज करे के मांग कैले हई। हालांकि, 1960 के दशक में डगलस मैकलरोय के रूप में परिकल्पित वास्तविक घटक-आधारित पुनः उपयोग अभी भी नियम के बजाय अपवाद हय, और आज प्रचलित अधिकांश व्यवस्थित सॉफ्टवेयर पुनः उपयोग उत्पाद-लाइन इंजीनियरिंग या डोमेन-विशिष्ट ढांचे जैसे भारी वजन के दृष्टिकोण के उपयोग करो हय। घटक द्वारा, हमारा मतलब है कि एक अच्छी तरह से परिभाषित इंटरफ़ेस के साथ सॉफ्टवेयर कार्यक्षमता की कोई भी सुसंगत और कॉम्पैक्ट इकाई - सरल प्रोग्रामिंग भाषा वर्गों से लेकर वेब सेवाओं और एंटरप्राइज़ जावा बीन्स जैसे अधिक जटिल कलाकृतियों तक। |
96ea8f0927f87ab4be3a7fd5a3b1dd38eeaa2ed6 | इ पत्र में एक व्यापक बैंड और सरल टोरस नोड मोनोपोल एंटीना प्रस्तुत कैल गेल हई। एंटीना के निर्माण एड्टीव मैन्युफैक्चरिंग तकनीक के उपयोग करके कैल जाई हई, जेकरा आमतौर पर 3-डी प्रिंटिंग के रूप में जानल जाई छलई। एंटीना यांत्रिक रूप से निर्माण करे में सरल हय और एकर स्थिर विकिरण पैटर्न के साथे-साथ 1-2 गीगाहर्ट्ज के आवृत्ति रेंज पर -10 डीबी से कम इनपुट प्रतिबिंब गुणांक हय। एंटीना के मापा और अनुकरण प्रदर्शन के तुलना भी प्रस्तुत कैल गेल हई। |
206b204618640917f278e72bd0e2a881d8cec7ad | पैटर्न मान्यता के लेल बेयसन पद्धति के उपयोग करे के लेल प्रमुख बाधा में से एगो एकर कम्प्यूटेशनल व्यय रहल हई। ई थीसिस एगो अनुमान तकनीक प्रस्तुत करई हई जे पहिले से बेसी तेज़ अउर अधिक सटीक रूप से बेयज़ियन अनुमान के प्रदर्शन कर सकई हई। ई विधि, "एक्सपेक्टेशन प्रोपेगशन", दो पिछला तकनीकों के एकीकृत और सामान्यीकृत करो हय: मानाल गेल घनत्व फ़िल्टरिंग, कैलमैन फ़िल्टर के एक विस्तार, और लुपी विश्वास प्रसार, बेयसन नेटवर्क में विश्वास प्रसार के एक विस्तार। एकीकरण से पता चलई हई कि ई दुनहु एल्गोरिदम के सरल वितरण के जौरे वास्तविक पछाड़ी वितरण के अनुमानित करे के रूप में कैसे देखल जा सकई हई, जे केएल-विचलन के अर्थ में निकट छलई। अपेक्षा प्रसार दुनहु एल्गोरिदम के सर्वश्रेष्ठ के शोषण करई हई: अनुमानित-घनत्व फ़िल्टरिंग के सामान्यता अउर लूप विश्वास प्रसार के सटीकता। लूपि विश्वास प्रसार, काहेकी इ सटीक विश्वास राज्य के प्रसार करो हय, सीमित प्रकार के विश्वास नेटवर्क के लिए उपयोगी हय, जैसे कि विशुद्ध रूप से असतत नेटवर्क। अपेक्षा प्रसार अपेक्षा के साथे विश्वास के स्थिति के अनुमान लगावो हय, जैसे कि माध्य और विचलन, एकरा बहुत व्यापक दायरा देवो हय। अपेक्षा प्रसार भी विपरीत दिशा में विश्वास के प्रसार के विस्तार करो हय-अधिक समृद्ध विश्वास राज्य के प्रसार करो हय जे चर के बीच सहसंबंध के शामिल करो हय। ई ढांचा सिंथेटिक और वास्तविक दुनिया के डेटा के उपयोग करे वाला विभिन्न सांख्यिकीय मॉडल में प्रदर्शित कैल गेल हई। गॉसियन मिश्रण समस्या पर, अपेक्षा प्रसार, समान मात्रा में गणना के लिए, प्रतिद्वंद्वी अनुमान तकनीकों से आश्वस्त रूप से बेहतर पायल जा हय: मोंटे कार्लो, लाप्लास के विधि और परिवर्तनशील बेय्स। पैटर्न मान्यता के लेल, एक्सपेक्टेशन प्रोपेगरेशन बेय्स पॉइंट मशीन वर्गीकरण के प्रशिक्षण के लेल एगो एल्गोरिथ्म प्रदान करई हई जे पहिले से जानल जाए वाला कोनो भी एल्गोरिथ्म से तेज़ अउर अधिक सटीक छलई। परिणामी वर्गीकरणकर्ता तुलनात्मक प्रशिक्षण समय के अलावा कई मानक डेटासेट पर समर्थन वेक्टर मशीन से बेहतर प्रदर्शन करो हय। अपेक्षा प्रसार के उपयोग वर्गीकरण के लिए उपयुक्त विशेषता सेट के चयन करे के लिए भी कियल जा सको हय, बेयसन मॉडल चयन के माध्यम से। थीसिस सुपरवाइजर: रोजालिंड पिकार्ड शीर्षक: मीडिया कला और विज्ञान के एसोसिएट प्रोफेसर |
ad40428b40b051164ade961bc841a0da2c44515d | |
e4bd80adc5a3486c3a5c3d82cef91b70b67ae681 | ई लेख कॉर्पोरेट बॉन्ड मूल्य निर्धारण के पांच संरचनात्मक मॉडल के अनुभवजन्य रूप से परीक्षण करई हई: मर्टन (1974), गेस्के (1977), लॉन्गस्टाफ अउर श्वार्ट्ज (1995), लीलैंड अउर टॉफ्ट (1996), अउर कोलिन-ड्यूफ्रेन अउर गोल्डस्टीन (2001) के। हम 1986-1997 के अवधि के दौरान सरल पूंजी संरचना वाला फर्मों से 182 बांड कीमतों के एक नमूना के उपयोग करके मॉडल के लागू करो हय। पारंपरिक ज्ञान ई हई कि संरचनात्मक मॉडल बॉन्ड बाजार में देखल जाए वाला स्प्रेड जेतना उच्च ना उत्पन्न करई हई, अउर उम्मीद के अनुसार, हम पाते हियई कि मर्टन मॉडल के कार्यान्वयन में अनुमानित स्प्रेड बहुत कम हई। हालांकि, अधिकांश अन्य संरचनात्मक मॉडल औसत पर बहुत अधिक स्प्रेड के भविष्यवाणी करो हय। हालांकि, सटीकता एक समस्या हय, काहेकी नया मॉडल उच्च उत्तोलन या अस्थिरता वाला फर्मों के क्रेडिट जोखिम के गंभीर रूप से अधिक महत्व दे हय और फिर भी सुरक्षित बांड के साथ स्प्रेड अंडरप्रिडिक्शन समस्या से पीड़ित हय। लीलैंड और टॉफ्ट मॉडल एगो अपवाद हई काहेकी ई अधिकांश बांड पर, विशेष रूप से ऊ सब पर जेकर उच्च कूपन हई, स्प्रेड के अनुमान लगाबई हई। अधिक सटीक संरचनात्मक मॉडल के ऐसन विशेषता से बचे के चाहि जे जोखिम भरे बांड पर क्रेडिट जोखिम बढ़ाबई हई जबकि सबसे सुरक्षित बांड के स्प्रेड के शायद ही प्रभावित करई छलो। |
da67375c8b6a250fbd5482bfbfce14f4eb7e506c | ई सर्वेक्षण कम्प्यूटेशनल एजेंट में मानसिक क्षमता के स्वायत्त विकास के एगो सिंहावलोकन प्रस्तुत करई हई। ई संज्ञानात्मक प्रणालि के लक्षण के आधार पर ऐसन करई हई जे अनुकूली, अनुमानित अउर उद्देश्यपूर्ण लक्ष्य-निर्देशित व्यवहार के प्रदर्शन करई हई। हम संज्ञान के विभिन्न प्रतिमानों के एक व्यापक सर्वेक्षण प्रस्तुत करो हय, संज्ञानात्मक (भौतिक प्रतीक प्रणालि) दृष्टिकोण, उभरती प्रणालि दृष्टिकोण, जेकरा मे कनेक्शनवादी, गतिशील और सक्रिय प्रणालि शामिल हय, और हाइब्रिड प्रणालि में दोनों के संयोजन के प्रयास भी शामिल हय। फेर हम ई प्रतिमान से तैयार कैगो संज्ञानात्मक वास्तुकला के समीक्षा करई छी। इ क्षेत्रों में से प्रत्येक में, हम विकासात्मक दृष्टिकोण के अपनाने के निहितार्थ और संबंधित समस्याओं के रेखांकित करो हय, दोनों फ़ाइलोजेनेटिक और ऑन्कोजेनेटिक दृष्टिकोण से। हम मुख्य वास्तुशिल्प विशेषताओं के सारांश के साथ निष्कर्ष निकाललके हा कि मानसिक क्षमता के स्वायत्त विकास में सक्षम प्रणालि के प्रदर्शन करेके चाहि |
e7ee27816ade366584d411f4287e50bdc4771e56 | |
55289d3feef4bc1e4ff17008120e371eb7f55a24 | हाल ही में विभिन्न प्रकार के एलएसटीएम-आधारित सशर्त भाषा मॉडल (एलएम) के भाषा उत्पादन कार्य के एगो श्रृंखला में लागू कैल गेल हई। इ काम में हम विभिन्न मॉडल आर्किटेक्चर और एंड-टू-एंड तंत्रिका संवाद प्रणाली ढांचे में स्रोत जानकारी के प्रतिनिधित्व और एकत्रित करे के विभिन्न तरीका के अध्ययन करो हय। कंडीशनिंग वेक्टर पर एक साथी क्रॉस-एन्ट्रॉपी उद्देश्य फ़ंक्शन लागू करके पर्यवेक्षित अनुक्रमिक संकेत से सीखने के सुविधा के लिए स्नैपशॉट लर्निंग नामक एक विधि के भी प्रस्ताव दिहल गेलय हय। प्रायोगिक और विश्लेषणात्मक परिणाम सबसे पहले इ प्रदर्शित करो हय कि कंडीशनिंग वेक्टर और एलएम के बीच प्रतिस्पर्धा होवो हय, और अलग-अलग वास्तुकला दोनों के बीच अलग-अलग व्यापार-बंद प्रदान करो हय। दोसर, कंडीशनिंग वेक्टर के भेदभावपूर्ण शक्ति अउर पारदर्शिता मॉडल व्याख्यात्मकता अउर बेहतर प्रदर्शन दुनु प्रदान करे के लेल महत्वपूर्ण छलई। तीसरा, स्नैपशॉट लर्निंग के उपयोग से कौनों आर्किटेक्चर के उपयोग करे से स्वतंत्र रूप से लगातार प्रदर्शन में सुधार होवो हय। |
75c4b33059aa300e7b52d1b5dab37968ac927e89 | एक 2 गुना 1 दोहरी-ध्रुवीकृत एल-सोनड स्टैक्ड पैच एंटीना सरणी प्रस्तुत कैल गेल हई। इ दुन्नो इनपुट पोर्ट के बीच उच्च अलगाव प्राप्त करे के लिए एक उपन्यास तकनीक के नियोजित कैलकय हा। प्रस्तावित एंटीना में 14-डीबी रिटर्न लॉस बैंडविड्थ 19.8% हई, जे दुनहु पोर्ट के लेल 0.808 से 0.986 गीगाहर्ट्ज तक हई। एकर अलावा, एकर इनपुट पोर्ट अलगाव 30 डीबी से अधिक हई अउर ई बैंडविड्थ पर औसत लाभ 10.5 डीबीआई हई। एकर अलावा, दो मुख्य विमानों में एकर विकिरण पैटर्न में पासबैंड के पार 3-डीबी बीमविड्थ के भीतर -15 डीबी से कम के क्रॉस-पोलराइजेशन स्तर होवो हय। इ सुविधा के कारण, इ एंटीना सरणी बाहरी बेस स्टेशन के लिए अत्यधिक उपयुक्त हय जे सीडीएमए 800 और जीएसएम 900 मोबाइल संचार प्रणालि के संचालन बैंडविड्थ के कवर करे के लिए आवश्यक हय। |
b891a8df3d7b4a6b73c9de7194f7341b00d93f6f | अनुशंसा प्रणाली व्यक्तिगत पसंदीदा सेवा प्रदान करे के लेल आशाजनक हई। सहयोगी फ़िल्टरिंग (सीएफ) तकनीक, उपयोगकर्ता के पिछला व्यवहार के आधार पर उपयोगकर्ता के प्राथमिकता के भविष्यवाणी करे, आधुनिक अनुशंसा प्रणाली के निर्माण के सबसे सफल तकनीक में से एक बन गलय हा। पहले से प्रस्तावित सीएफ विधियों में कई चुनौतीपूर्ण मुद्दे होवो हय: (1) अधिकांश सीएफ विधियां उपयोगकर्ता के प्रतिक्रिया पैटर्न के अनदेखा करो हय और पक्षपाती पैरामीटर अनुमान और उप-इष्टतम प्रदर्शन दे सको हय; (2) कुछ सीएफ विधियां युरिस्टिक वेट सेटिंग्स के अपनावो हय, जेकरा मे एक व्यवस्थित कार्यान्वयन के कमी होवो हय; और (3) बहुपद मिश्रण मॉडल डेटा मैट्रिक्स उत्पन्न करे के लिए मैट्रिक्स फैक्टरिज़ेशन के कम्प्यूटेशनल क्षमता के कमजोर कर सको हय, जेकरा से प्रशिक्षण के कम्प्यूटेशनल लागत में वृद्धि होवो हय। इ मुद्दों के हल करे के लिए, हम उपयोगकर्ता के प्रतिक्रिया मॉडल के उत्तरदायी संभाव्यता मैट्रिक्स गुणनखंडन (आरएपीएमएफ) ढांचा के स्थापित करे के लिए एक लोकप्रिय मैट्रिक्स गुणनखंडन सीएफ मॉडल, संभाव्यता मैट्रिक्स गुणनखंडन (पीएमएफ) में शामिल करो हय। अधिक विशेष रूप से, हम उपयोगकर्ता प्रतिक्रिया पर एक बर्नुली वितरण के रूप में धारणा बनाते हैं, जो कि अवलोकन योग्य रेटिंग के लिए रेटिंग स्कोर द्वारा पैरामीटरकृत होता है, जबकि अनदेखी योग्य रेटिंग के लिए एक चरण फ़ंक्शन के रूप में। एकरा अलावा, हम लघु-बैच कार्यान्वयन अउर शिल्प योजना नीति द्वारा एल्गोरिथ्म के गति बढ़ाबई छियई। अंत में, हम विभिन्न प्रयोगात्मक प्रोटोकॉल के डिजाइन करो हय और प्रस्तावित आरएपीएमएफ और एकर मिनी-बैच कार्यान्वयन के गुण के प्रदर्शित करे के लिए सिंथेटिक और वास्तविक दुनिया डेटासेट दोनों पर व्यवस्थित अनुभवजन्य मूल्यांकन करो हय। |
1459d4d16088379c3748322ab0835f50300d9a38 | क्रॉस-डोमेन दृश्य डेटा मिलान कई वास्तविक दुनिया के दृष्टि कार्यों में मौलिक समस्याओं में से एक हय, उदाहरण के लिए, आईडी फ़ोटो और निगरानी वीडियो के पार व्यक्तियों के मिलान करना। इ समस्या के लिए पारंपरिक दृष्टिकोण में आमतौर पर दो चरण शामिल होवो हय: i) एक सामान्य स्थान में विभिन्न डोमेन से नमूना के अनुमान लगाना, और ii) एक निश्चित दूरी के आधार पर इ स्थान में (असमानता) के गणना करना। इ पत्र में, हम एक उपन्यास जोड़ी समानता माप प्रस्तुत करो हय जे मौजूदा मॉडल के आगे बढ़ावो हय i) पारंपरिक रैखिक अनुमानों के आत्मीय परिवर्तन में विस्तारित करके और ii) डेटा-संचालित संयोजन द्वारा आत्मीय महालनोबिस दूरी और कोसिनस समानता के विलय करके। एकरा अलावा, हम गहरे संवहन तंत्रिका नेटवर्क के माध्यम से विशेषता प्रतिनिधित्व सीखने के साथे अपन समानता माप के एकीकृत करो हय। विशेष रूप से, हम गहरा वास्तुकला में समानता माप मैट्रिक्स के शामिल करो हय, मॉडल अनुकूलन के अंत-से-अंत तरीका के सक्षम करो हय। हम कई चुनौतीपूर्ण क्रॉस-डोमेन मिलान कार्य में अपन सामान्यीकृत समानता मॉडल के व्यापक रूप से मूल्यांकन करई हई: विभिन्न दृष्टिकोण के तहत व्यक्ति के पुनः पहचान अउर विभिन्न तौर-तरीका पर चेहरा सत्यापन (यानी, स्थिर छवियों अउर वीडियो, पुराने अउर युवा चेहरा, अउर स्केच अउर फोटो पोर्ट्रेट से चेहरा) । प्रयोगात्मक परिणाम अन्य अत्याधुनिक विधियों के तुलना में हमारे मॉडल के बेहतर प्रदर्शन के प्रदर्शन को प्रदर्शित करते हैं। |
03a00248b7d5e2d89f5337e62c39fad277c66102 | समस्या बहुपद-समय हल करे योग्य समस्या के वर्ग के समझे के लिए, हमरा पहले एक औपचारिक धारणा होना चाहि कि "समस्या" के कि हई। हम एगो सार समस्या Q के समस्या के उदाहरण के सेट I अउर समस्या समाधान के सेट S पर एगो बाइनरी संबंध के रूप में परिभाषित करई हई। उदाहरण के लेल, SHORTEST-PATH के लेल एगो उदाहरण एगो ग्राफ अउर दुगो शीर्ष के एगो ट्रिपल कॉन्सिस्टिंग हई। एगो समाधान g raph में शीर्ष के एगो अनुक्रम हई, शायद खाली अनुक्रम के जौरे ई दर्शाबई हई कि कोनो पथ मौजूद ना हई। SHORTEST-PATH समस्या स्वयं ऊ संबंध हई जे एगो ग्राफ के प्रत्येक उदाहरण के ph और दूगो शिखर के ग्राफ में सबसे छोट पथ के जौरे जोड़ई हई जे दू शिखर के जोड़े हई। कुछ सबसे छोटा पथ जरूरी नए कि अद्वितीय हों, एक दिए गए समस्या के उदाहरण में एक से अधिक समाधान हो सकते हैं। एगो अमूर्त समस्या के ई सूत्रीकरण हमरा उद्देश्य के लेल आवश्यक से अधिक सामान्य छलई। जैसा कि हम ऊपर देखली हे, एनपी-पूर्णता के सिद्धांत निर्णय के समस्या पर ध्यान केंद्रित कर हई: ऊ जेकर एगो हाँ/नहीं समाधान हई। इ मामले में, हम एगो सार निर्णय समस्या के एगो फ़ंक्शन के रूप में देख सकई हई जे उदाहरण सेट I के समाधान सेट {0, 1} में मैप करई हई। उदाहरण लागी, SHORTEST-PATH से संबंधित एगो निर्णय समस्या उ PATH समस्या हई जेकरा हम पहिले देखले हई। यदि i = G,u,v,k PATH निर्णय समस्या के एक उदाहरण हय, तओ PATH ((i ) = 1 (हाँ) यदि u से v तक के सबसे छोटा पथ में अधिकतम k किनारा हय, और PATH (i ) = 0 (नहीं) अन्यथा। कई अमूर्त समस्याएं निर्णय समस्याएं नए हय, बल्कि अनुकूलन समस्याएं हय, जेकरा मे कुछ मूल्य के कम या अधिकतम कैल जाय चाहि। हालांकि, जैसा कि हमने ऊपर देखा, आमतौर पर एक अनुकूलन समस्या को एक निर्णय समस्या के रूप में फिर से बनाना एक सरल मामला है, जो कि अधिक कठिन नहीं है। 1टूरिंग-मशीन मॉडल के गहन उपचार के लिए हॉपक्रॉफ्ट और उलमैन [156] या लुईस और पापादिमिट्रियू [20 4] देखें। 34.1 बहुपद समय 973 |
9ac5b66036da98f2c1e62c6ca2bdcc075083ef85 | |
f45eb5367bb9fa9a52fd4321a63308a37960e93a | इ पेपर के भाग I में वितरित प्रणाली वास्तुकला के आधार पर स्वायत्त कार के विकास के लिए एक विकास प्रक्रिया और एक प्रणाली मंच के प्रस्तावित कियल गलय हल। प्रस्तावित विकास पद्धति ने कम्प्यूटेशनल जटिलता, दोष-सहिष्णु विशेषता और सिस्टम मॉड्यूलरिटी में कमी जैसे लाभों के साथ एक स्वायत्त कार के डिजाइन और विकास के सक्षम कैलकय। ई पेपर (भाग II) में, एगो स्वायत्त ड्राइविंग सिस्टम के कार्यान्वयन प्रक्रिया के दिखाके प्रस्तावित विकास पद्धति के एक केस स्टडी के संबोधित कैल गेल हई। कार्यान्वयन प्रक्रिया के सहजता से वर्णन करे के लिए, कोर स्वायत्त ड्राइविंग एल्गोरिदम (स्थानीयकरण, धारणा, योजना, वाहन नियंत्रण और सिस्टम प्रबंधन) के संक्षेप में पेश कैल गेल हई अउर एगो स्वायत्त ड्राइविंग सिस्टम के कार्यान्वयन पर लागू कैल गेल हई। हम स्वायत्त प्रणाली कार्यान्वयन पर एक केस स्टडी करके वितरित प्रणाली वास्तुकला के लाभों और प्रस्तावित विकास प्रक्रिया के जांच करे में सक्षम हकियो। प्रस्तावित पद्धति के वैधता के स्वायत्त कार ए 1 के माध्यम से साबित कैल गेल हई जे कोरिया में 2012 के स्वायत्त वाहन प्रतियोगिता में जीतलई अउर सभे मिशन पूरा हो गेलई। |
db17a183cb220ae8473bf1b25d62d5ef6fcfeac7 | यद्यपि सभी मौजूदा वायु-भरे सब्सट्रेट एकीकृत वेव गाइड (एएफएसआईडब्ल्यू) टोपोलॉजी सब्सट्रेट-स्वतंत्र विद्युत प्रदर्शन उत्पन्न करो हय, ऊ विद्युत चुम्बकीय क्षेत्र के युक्त वायु-भरे क्षेत्र के बनावे के लिए समर्पित, महंगे, टुकड़े टुकड़े पर निर्भर करो हय। ई पेपर एगो उपन्यास सब्सट्रेट-स्वतंत्र AFSIW निर्माण तकनीक के प्रस्ताव करई हई, जे मानक योज्य (3-डी प्रिंटिंग) या घटाव (कंप्यूटर संख्यात्मक रूप से नियंत्रित मिलिंग / लेजर कटिंग) निर्माण प्रक्रिया के माध्यम से सामान्य उद्देश्य के व्यावसायिक रूप से उपलब्ध सतह सामग्री के एगो विस्तृत श्रृंखला में उच्च प्रदर्शन माइक्रोवेव घटकों के सीधा एकीकरण के सक्षम करई हई। सबसे पहले, AFSIW वेव गाइड के प्रभावी अनुमतिकरण और हानि स्पर्शरेखा के लिए एक विश्लेषणात्मक सूत्र प्राप्त कैल जा हय। इ डिजाइनर के सब्सट्रेट घाटा के कम करे के अनुमति देवो हय, जेकरा आमतौर पर उच्च-आवृत्ति के टुकड़े टुकड़े में सामना कियल जा हय। फेर, कैगो माइक्रोवेव घटक के डिजाइन अउर निर्माण कैल जाई छलई। कैगो AFSIW वेव गाइड अउर एगो चार-तरफा पावर डिवाइडर/कॉम्बिनर के माप, दुनु एगो नया समाक्षीय-से-हवा से भरल SIW संक्रमण पर निर्भर करई हई, ई साबित करई हई कि ई उपन्यास दृष्टिकोण माइक्रोवेव घटक के उत्पादन करई हई जे सीधा एकीकृत होए के लेल उपयुक्त छलई। रोजमर्रा के सतह में, कम सम्मिलन हानि के जौरे, अउर पूरा [5.15-5.85] GHz बैंड पर उत्कृष्ट मिलान अउर अलगाव। येई प्रकार, ई अभिनव दृष्टिकोण लागत-प्रभावी, उच्च-प्रदर्शन अउर अदृश्य रूप से एकीकृत स्मार्ट सतह प्रणाली के एगो नया पीढ़ी के लेल रास्ता प्रशस्त करई हई जे दैनिक वस्तु में उपलब्ध क्षेत्र अउर सामग्री के कुशलता से दोहन करई हई। |
8216673632b897ec50db06358b77f13ddd432c47 | |
05eef019bac01e6520526510c2590cc1718f7fe6 | मोबाइल लाइव स्ट्रीमिंग अब अपन तीसरका लहर में अच्छी तरह से हय। बाम्बूसर और क्यूक जैसन प्रारंभिक प्रणालि से, अधिक लोकप्रिय ऐप्स मिरकट और पेरिस्कोप तक, फेसबुक और इंस्टाग्राम में आज के एकीकृत सामाजिक स्ट्रीमिंग सुविधा तक, प्रौद्योगिकी और उपयोग दुनु नाटकीय रूप से बदल गेल हई। लाइव स्ट्रीमिंग के इ नवीनतम चरण में, कैमरा आसपास के वातावरण पर ध्यान केंद्रित करे के बजाय स्ट्रीमर पर ध्यान केंद्रित करे के लिए अंदर के ओर मुड़ो हय। किशोर लोग दोस्तों के मनोरंजन करे, नया लोग से मिले आउर समान रुचियन पर दूसरों के साथ जुड़ने के लेल ई प्लेटफार्म के तेजी से उपयोग कर रहल हई। हम 2,247 अमेरिकी लाइव स्ट्रीमर द्वारा पूरा कैल गेल एगो सर्वेक्षण के माध्यम से अउर 20 किशोर के साक्षात्कार के माध्यम से येई नया प्लेटफार्म पर किशोर के लाइव स्ट्रीमिंग व्यवहार अउर प्रेरणा के अध्ययन कलई, बदलते प्रथा, किशोर के व्यापक आबादी से अंतर, अउर नया लाइव स्ट्रीमिंग सेवा के डिजाइन करे के लेल निहितार्थ के उजागर कलई। |
08c30bbfb9ff90884f9d1f873a1eeb6bb616e761 | असंभवता प्रमेय सुझावो दे हय कि संयोजक असाइनमेंट के समस्या के लिए एकमात्र कुशल और रणनीति-सबूत तंत्र - उदाहरण के लिए, छात्रों के पाठ्यक्रम के कार्यक्रम सौंपना - तानाशाही हय। तानाशाही के ज्यादातर अनुचित के रूप में खारिज कर देल जाई हई: कोनो भी दो एजेंट के लेल, एगो दोसर के चुनने से पहिले अपन सभे वस्तु के चुनई हई। कोनो समाधान में दक्षता, प्रोत्साहन अउर निष्पक्षता विचार के बीच समझौता शामिल होतई। ई पेपर संयोजक असाइनमेंट समस्या के समाधान प्रस्तावित करई हई। एकर विकास चार चरण में पूरा होएल हई। सबसे पहिले, हम परिणाम के निष्पक्षता के दूगो नया मानदंड के प्रस्ताव दे हियो, अधिकतम हिस्सेदारी गारंटी और एक अच्छा से बंधल ईर्ष्या, जे अविभाज्यता के समायोजित करे के लेल प्रसिद्ध मानदंड के कमजोर करई हई; मानदंड औपचारिक रूप से काहे तानाशाही अन्यायपूर्ण छलई। दोसर, हम समान आय से प्रतिस्पर्धी संतुलन के एक अनुमान के अस्तित्व के साबित करई हई जोनमे (i) आय असमान लेकिन मनमाने ढंग से एक जौरे छलई; (ii) बाजार त्रुटि के जौरे साफ हो जाई हई, जे सीमा में शून्य के करीब हई अउर यथार्थवादी समस्या के लेल छोटा छलई। तीसरा, हम देखबई कि ई अनुमानित सीईईआई निष्पक्षता के मानदंड के पूरा करई हई। अंत में, हम अनुमानित सीईईआई पर आधारित एक तंत्र परिभाषित करो हय जे शून्य-माप अर्थशास्त्री के लिए रणनीति-सबूत हय जेकरा पारंपरिक रूप से मूल्य लेने वाला मानल जा हय। प्रस्तावित तंत्र के वास्तविक डेटा पर कैलिब्रेट कैल गेल हई अउर सिद्धांत अउर अभ्यास से विकल्प के जौरे तुलना कैल गेल हईः सभे दोसर ज्ञात तंत्र चाहे त शून्य-माप एजेंट द्वारा हेरफेर कैल जा सकई हई चाहे अनुचित एक्स-पोस्ट, अउर अधिकांश हेरफेर योग्य अउर अनुचित दुनु हई। |
7d2c7748359f57c2b4227b31eca9e5f7a70a6b5c | |
0d1fd04c0dec97bd0b1c4deeba21b8833f792651 | तीन-चरण, चार-स्विच, एकल-चरण, पृथक शून्य-वोल्टेज-स्विचिंग (जेडवीएस) रेक्टिफायर के डिजाइन विचार और प्रदर्शन मूल्यांकन प्रस्तुत कैल गेल हई। सर्किट तीन-चरण, दो-स्विच, ज़ेडवीएस, अविरल-वर्तमान-मोड (डीसीएम), बूस्ट पावर-फैक्टर-सुधार (पीएफसी) रेक्टिफायर, संक्षेप में ताइपेई रेक्टिफायर नामित, के एकीकृत करके प्राप्त कैल जा हय। ज़ेडवीएस फुल-ब्रिज (एफबी) चरण-विस्थापन डीसी/डीसी कनवर्टर के साथ। प्रदर्शन का मूल्यांकन तीन-चरण 2.7-केडब्ल्यू प्रोटोटाइप पर किया गया था, जो एचवीडीसी वितरण अनुप्रयोगों के लिए डिज़ाइन किया गया था, जिसमें लाइन-टोलिन वोल्टेज रेंज 180 वीआरएमएस से 264 वीआरएमएस तक और 200 वी से 300 वी तक एक कसके विनियमित चर डीसी आउटपुट वोल्टेज के साथ है। प्रोटोटाइप पूरे इनपुट-वोल्टेज और लोड-वर्तमान रेंज पर जेडब्ल्यूएस के साथ काम करता है और 95% रेंज में दक्षता के साथ 5% से कम इनपुट-वर्तमान टीएचडी प्राप्त करता है। |
5417bd72d1b787ade0c485f1188189474c199f4d | हम अनुकूलनशील शंकु हानि उद्देश्य फ़ंक्शन के उपयोग करके स्थिरता और प्रदर्शन में सुधार के लिए जनरेटिव एडवर्सियल नेटवर्क (जीएएन) के लिए एक उपन्यास प्रशिक्षण प्रक्रिया के प्रस्तावित करो हय। हम लक्ष्य वितरण के अपेक्षित ऊर्जा के साथ उपयुक्त हिंज हानि मार्जिन के अनुमान लगो हय, और मार्जिन के अद्यतन करे के लिए एक सिद्धांतात्मक मानदंड और एक अनुमानित अभिसरण उपाय दोनों प्राप्त करो हय। परिणामी प्रशिक्षण प्रक्रिया विभिन्न डेटा सेट पर सरल लेकिन मजबूत हय। हम बिना पर्यवेक्षण वाला छवि उत्पादन के कार्य पर प्रस्तावित प्रशिक्षण प्रक्रिया के मूल्यांकन करई हई, गुणात्मक अउर मात्रात्मक प्रदर्शन दुनहु में सुधार के नोट करई हई। |
007ee2559d4a2a8c661f4f5182899f03736682a7 | कंट्रोलर-एरिया नेटवर्क (सीएएन) बस प्रोटोकॉल [1] एगो बस प्रोटोकॉल हई जेकर आविष्कार 1986 में रॉबर्ट बॉश जीएमबीएच द्वारा कैल गेल रहई, जे मूल रूप से ऑटोमोटिव उपयोग के लेल रहई। अब तक, बस के कार और ट्रक से लेकर लाइटनिंग सेटअप से लेकर औद्योगिक लन तक के उपकरण में पायल जा सको हय। एकर प्रकृति के कारण, ई एगो प्रणाली हई जे बहुत ज्यादे सुरक्षा पर केंद्रित हई, अर्थात, विश्वसनीयता। दुर्भाग्य से, सुरक्षा लागू करे के कोई अंतर्निहित तरीका ना हई, जैसे कि एन्क्रिप्शन चाहे प्रमाणीकरण। ई पेपर में, हम सीएएन बस पर एगो पिछड़े संगत संदेश प्रमाणीकरण प्रोटोकॉल के लागू करे से जुड़ल समस्या के जांच करई हियई। हम देखई छियई कि ऐसन प्रोटोकॉल के कोन सीमा के पूरा करेके चाहि अउर काहे से ई, हमर ज्ञान के सबसे अच्छा के लेल, अब तक प्रकाशित कैल गेल सभे प्रमाणीकरण प्रोटोकॉल के समाप्त करई हई। एकरा अलावा, हम एगो संदेश प्रमाणीकरण प्रोटोकॉल, CANAuth, प्रस्तुत करई हई जे निर्धारित कैल गेल सभे आवश्यकता के पूरा करई हई अउर सीएएन बस के कोनो प्रतिबंध के उल्लंघन ना करई छलई। कीवर्ड-सीएएन बस, एम्बेडेड नेटवर्क, ब्रॉडकास्ट ऑथेंटिकेशन, सममित क्रिप्टोग्राफी |
129359a872783b7c3a82c2c9dbef75df2956d2d3 | एक्सएफआई एगो व्यापक सुरक्षा प्रणाली हई जे लचीला पहुंच नियंत्रण अउर मौलिक अखंडता गारंटी दुनु प्रदान करई हई, कोनो भी विशेषाधिकार स्तर पर अउर ईहां तक कि कमोडिटी सिस्टम में विरासत कोड के लेल भी। एकरा लेल, एक्सएफआई स्थिर विश्लेषण के इनलाइन सॉफ्टवेयर गार्ड अउर एगो दो-स्टैक निष्पादन मॉडल के जौरे जोड़ई हई। हम x86 आर्किटेक्चर पर विंडोज के लेल XFI लागू कैले हई, जोनमे बाइनरी रीराइटिंग अउर एगो सरल, स्टैंड-अलोन सत्यापनकर्ता के उपयोग कैल गेल हई; कार्यान्वयन के शुद्धता सत्यापनकर्ता पर निर्भर करई हई, लेकिन पुनर्लेखन पर न। हम एक्सएफआई के सॉफ्टवेयर जैसे डिवाइस ड्राइवर अउर मल्टीमीडिया कोडेक पर लागू कैले हई। परिणामी मॉड्यूल कर्नेल और उपयोगकर्ता-मोड पता स्थान दोनों के भीतर सुरक्षित रूप से कार्य करो हय, केवल मामूली प्रवर्तन ओवरहेड के साथ। |
3b938f66d03559e1144fa2ab63a3a9a076a6b48b | सिग्नल प्रोसेसिंग अउर सांख्यिकी जैसे अनुप्रयोग में, कैगो समस्या में समीकरण के कम-निर्धारित रैखिक प्रणाली के विरल समाधान खोजनाई शामिल छलई। ई समस्या के एगो संरचित गैर-सुथरी अनुकूलन समस्या के रूप में तैयार कैल जा सकई हई, अर्थात, ∀1-नियमनित रैखिक लघुतम वर्ग समस्या के कम से कम करे के समस्या। इ पत्र में, हम अधिक सामान्य ∀1-नियमन उत्तल न्यूनीकरण समस्या के हल करे के लिए एक ब्लॉक निर्देशांक ढाल वंश पद्धति (सीजीडी के रूप में संक्षिप्त) के प्रस्ताव करो हय, अर्थात, ∀1-नियमन उत्तल चिकनी फ़ंक्शन के न्यूनीकरण के समस्या। हम अपन विधि लागी एक क्यू-रैखिक अभिसरण दर स्थापित कर हई जब पर्याप्त वंश के सुनिश्चित करे लागी एक गॉस-साउथवेल प्रकार के नियम द्वारा निर्देशांक ब्लॉक के चयन करल जा हई। हम सीजीडी पद्धति के कुशल कार्यान्वयन के प्रस्ताव करो हय और डेटा वर्गीकरण में सुविधा चयन के लिए संपीड़ित संवेदन और छवि डीकॉनवोल्यूशन में उत्पन्न होवे वाला बड़े पैमाने पर ∀1-नियंत्रित रैखिक सबसे कम वर्ग समस्या के हल करे के लिए संख्यात्मक परिणाम के रिपोर्ट करो हय। कई अत्याधुनिक एल्गोरिदम के साथ तुलना विशेष रूप से बड़े पैमाने पर ∀1-नियंत्रित रैखिक लघुतम वर्ग या तार्किक प्रतिगमन समस्याओं के हल करे के लिए डिज़ाइन कैल गेलय हय, इ सुझाव देवो हय कि एक कुशलता से लागू सीजीडी विधि इ एल्गोरिदम के बेहतर कर सको हय एकर बावजूद कि सीजीडी विधि विशेष रूप से केवल इ विशेष वर्ग के समस्या के हल करे के लिए डिज़ाइन नए कियल गेलय हय। |
8ad03b36ab3cba911699fe1699332c6353f227bc | यूनेस्को के अनुसार, शिक्षा एगो मौलिक मानव अधिकार छलई अउर प्रत्येक राष्ट्र के नागरिक के एकर समान गुणवत्ता के जौरे सार्वभौमिक पहुंच प्रदान कैल जाए के चाहि। काहेकी ई लक्ष्य अभी तक ज्यादातर देश में हासिल ना कैल गेल हई, खासकर विकासशील अउर पिछड़ा देश में, शिक्षा के बेहतर बनावे के लेल अधिक प्रभावी तरीका खोजनाई अत्यंत महत्वपूर्ण छलई। ई पेपर कम्प्यूटेशनल इंटेलिजेंस (डेटा माइनिंग और डेटा साइंस) के अनुप्रयोग पर आधारित एगो मॉडल प्रस्तुत करई हई जे छात्र के ज्ञान प्रोफ़ाइल के विकास के तरफ ले जाई हई अउर जे शिक्षकों के अपन छात्र के सर्वोत्तम दिशा देवे के लेल अपन निर्णय लेबे में मदद कर सकई हई। ई मॉडल प्रत्येक छात्र के लेल तैयार कैल गेल व्यक्तिगत रणनीतिक योजना के भीतर लक्ष्य के उपलब्धि के निगरानी के लेल प्रमुख प्रदर्शन संकेतक के स्थापित करे के प्रयास करई छलई। मॉडल वर्गीकरण और भविष्यवाणी के लिए यादृच्छिक वन, डेटा संरचना विज़ुअलाइज़ेशन के लिए ग्राफ विवरण और हितधारकों के लिए प्रासंगिक जानकारी प्रस्तुत करे के लिए सिफारिश प्रणाली के उपयोग करो हय। प्रस्तुत परिणाम ब्राजील के एक निजी के -9 (प्राथमिक विद्यालय) से प्राप्त वास्तविक डेटासेट के आधार पर बनायल गेल रहई। प्राप्त परिणाम में प्रमुख डेटा के बीच सहसंबंध, छात्र के प्रदर्शन के भविष्यवाणी करे के लिए एक मॉडल और हितधारकों के लिए उत्पन्न सिफारिशें शामिल हय। |
500923d2513d30299350a6a0e9b84b077250dc78 | सूचना पुनर्प्राप्ति अउर सूचना एकीकरण में अर्थ संबंधी समानता उपाय महत्वपूर्ण भूमिका निभई हई। सिमेंटिक समानता के मॉडलिंग करे के पारंपरिक दृष्टिकोण एगो एकल ऑन्कोलॉजी के भीतर परिभाषा के बीच सिमेंटिक दूरी के गणना करई हई। ई एकल ऑन्कोलॉजी या तओ एगो डोमेन-स्वतंत्र ऑन्कोलॉजी हई चाहे मौजूदा ऑन्कोलॉजी के एकीकरण के परिणाम छलई। हम अर्थ संबंधी समानता के गणना करे के एगो दृष्टिकोण प्रस्तुत करई हई जे एगो एकल ऑन्कोलॉजी के आवश्यकता के कम करई हई अउर विभिन्न ऑन्कोलॉजी विनिर्देश के स्पष्टता अउर औपचारिकता के स्तर में अंतर के लेल जिम्मेदार छलई। एक समानता फ़ंक्शन समान इकाई वर्ग के समानार्थी सेट, अर्थ संबंधी पड़ोस, और विशिष्ट विशेषता के ऊपर एक मिलान प्रक्रिया के उपयोग करके निर्धारित करो हय जेकरा भागों, कार्यों और विशेषताओं में वर्गीकृत कियल जा हय। विभिन्न ऑन्कोलॉजी के जौरे प्रयोगात्मक परिणाम इंगित करई हई कि मॉडल अच्छा परिणाम देई हई जब ऑन्कोलॉजी में एंटिटी वर्ग के पूर्ण अउर विस्तृत प्रतिनिधित्व होई हई। जबकि शब्द मिलान और अर्थ संबंधी पड़ोस मिलान के संयोजन समकक्ष इकाई वर्ग के पता लगावे के लिए पर्याप्त हय, फ़ीचर मिलान हमरा समान, लेकिन जरूरी नए कि समकक्ष, इकाई वर्ग के बीच भेदभाव करे के अनुमति देवो हय। |
1c58b4c7adee37874ac96f7d859d1a51f97bf6aa | स्टैक्ड सामान्यीकरण एगो उच्च-स्तरीय मॉडल के उपयोग करे के एगो सामान्य विधि हई जेकरा कम-स्तरीय मॉडल के जोड़के अधिक भविष्यवाणी सटीकता प्राप्त कैल जा सकई हई। ई पेपर में हम दू महत्वपूर्ण मुद्दा के संबोधित करई हई जेकरा वॉलपर्ट द्वारा 1992 में स्टैक्ड जनरलइजेशन के शुरूआत के बाद से वर्गीकरण कार्य में ब्लैक आर्ट मानल जाई हई: ऊ प्रकार के सामान्यीकरणकर्ता जे उच्च-स्तरीय मॉडल के प्राप्त करे के लेल उपयुक्त हई, अउर ऊ प्रकार के विशेषता जे एकर इनपुट के रूप में उपयोग कैल जाए के चाहि। हम पइलिअइ कि सर्वोत्तम परिणाम तब प्राप्त कैल जा हय जब उच्च-स्तरीय मॉडल निम्न-स्तरीय वाले के कॉन्डेन्स (और न केवल भविष्यवाणिय के) के संयोजन करो हय। हम वर्गीकरण कार्य के लिए तीन अलग-अलग प्रकार के सीखने के एल्गोरिदम के संयोजन के लिए स्टैक्ड सामान्यीकरण के प्रभावकारिता के प्रदर्शन करते हैं। हम बहुसंख्यक वोट के साथ स्टैक्ड सामान्यीकरण के प्रदर्शन और आर्किंग और बैगिंग के प्रकाशित परिणामों के भी तुलना करते हैं। |
017ee86aa9be09284a2e07c9200192ab3bea9671 | सशर्त जीएएन प्राकृतिक छवि संश्लेषण के अग्रभाग में हय। ऐसन मॉडल के मुख्य खामी लेबल वाला डेटा के आवश्यकता हय। ई काम में हम सशर्त अउर बिना सशर्त जीएएन के बीच के खाई के बंद करे के लेल दू लोकप्रिय अनसुर्जित सीखने के तकनीक, विरोधाभासी प्रशिक्षण अउर आत्म-पर्यवेक्षण के शोषण करई हई। विशेष रूप से, हम नेटवर्क के प्रतिनिधित्व सीखने के कार्य पर सहयोग करे के अनुमति देई हई, जबकि क्लासिक जीएएन गेम के संबंध में विरोधी होए के चाहि। आत्म-निरीक्षण के भूमिका भेदभाव करे वाला के सार्थक विशेषता प्रतिनिधित्व के सीखने के लिए प्रोत्साहित करना हय जे प्रशिक्षण के दौरान भुला नए जा हय। हम अनुभवजन्य रूप से सीखल गेल छवि प्रतिनिधित्व के गुणवत्ता, अउर संश्लेषित छवि के गुणवत्ता दुनु के परीक्षण करई हई। समान शर्तों के तहत, स्व-पर्यवेक्षित GAN अत्याधुनिक सशर्त समकक्षों के समान प्रदर्शन प्राप्त करो हय। अंत में, हम देखई हई कि पूर्ण रूप से अनसुर्क्षित सीख के लेल ई दृष्टिकोण के बिना शर्त आईएमएजेनेट पीढ़ी पर 33 के एफआईडी प्राप्त करे के लेल स्केल कैल जा सकई हई। |
5c695f1810951ad1bbdf7da5f736790dca240e5b | सोशल मीडिया पर उपयोगकर्ता द्वारा उत्पन्न सामग्री के विश्लेषण और उत्पादों और घटनाओं के प्रति उपयोगकर्ता राय के सटीक विनिर्देश कई अनुप्रयोगों के लिए काफी मूल्यवान हय। वेब 2.0 के प्रसार और वेब पर उपयोगकर्ता द्वारा उत्पन्न सामग्री के तेजी से विकास के साथ, पहलू स्तर की भावना विश्लेषण पर दृष्टिकोण जो बारीक दानेदार जानकारी उत्पन्न करते हैं, बहुत रुचि रखते हैं। ई काम में, पहलू-आधारित भावना विश्लेषण के लेल एगो वर्गीकरणकर्ता समूह दृष्टिकोण प्रस्तुत कैल गेल हई। दृष्टिकोण सामान्य हय और कोनो विषय के मॉडल करे और उपयोगकर्ता द्वारा संबोधित मुख्य पहलु के निर्दिष्ट करे के लिए लुप्त डायरिचलेट आवंटन के उपयोग करो हय। फेर, प्रत्येक टिप्पणी के आगे विश्लेषण कैल जाई हई अउर शब्द निर्भरता के निकालल जाई हई जे शब्द अउर पहलु के बीच बातचीत के इंगित करई हई। प्रत्येक पहलू के प्रति उपयोगकर्ता के टिप्पणी के ध्रुवीयता के पहचानने के लिए एक एंसंटेबल वर्गीकरणकर्ता को सरल बेय्स, अधिकतम एन्ट्रोपी और समर्थन वेक्टर मशीन द्वारा तैयार किया जा हय। मूल्यांकन परिणाम व्यक्तिगत वर्गीकरण के तुलना में ध्वनि सुधार दिखावो हय और इंगित करो हय कि उपयोगकर्ता द्वारा उत्पन्न सामग्री के विश्लेषण करे और उपयोगकर्ता के राय और दृष्टिकोण के निर्दिष्ट करे में एंसंटेबल सिस्टम स्केलेबल और सटीक हय। |
4f1fe957a29a2e422d4034f4510644714d33fb20 | हम दस्तावेजों के वर्गीकृत करे के समस्या पर विचार करई हई, विषय द्वारा ना, बल्कि समग्र भावना द्वारा, उदाहरण के लेल, ई निर्धारित करनाई कि समीक्षा सकारात्मक हई कि नकारात्मक। फिल्म समीक्षा के डेटा के रूप में उपयोग करके, हम पाते हैं कि मानक मशीन लर्निंग तकनीकें मानव-निर्मित आधार रेखाओं से निश्चित रूप से बेहतर हैं। हालांकि, हमर द्वारा नियोजित तीन मशीन लर्निंग विधियां (नएव बेय्स, अधिकतम एन्ट्रोपी वर्गीकरण, और समर्थन वेक्टर मशीन) पारंपरिक विषय-आधारित वर्गीकरण के रूप में भावना वर्गीकरण पर अच्छा प्रदर्शन नए करो हय। हम ओई कारक के जांच करके निष्कर्ष निकालई हई जे भावना वर्गीकरण समस्या के अधिक चुनौतीपूर्ण बनाबई हई। प्रकाशन जानकारी: ईएमएनएलपी के कार्यवाही 2002, पृ. 79-86 के बीच हो गेलय। |
722e2f7894a1b62e0ab09913ce9b98654733d98e | ई प्रकाशन में पुनरुत्पादित लेख हई जेकर IEEE के पास कॉपीराइट न हई। ई लेखवन के पूरा पाठ आईईईई एक्सप्लोर परी उपलब्ध न है। |
2485c98aa44131d1a2f7d1355b1e372f2bb148ad | इ पत्र में, हम बड़े पैमाने पर चीनी चेहरा डेटाबेस के अधिग्रहण और सामग्री के वर्णन करो हय: CAS-PEAL चेहरा डेटाबेस। CAS-PEAL चेहरा डेटाबेस बनावे के लक्ष्य में निम्नलिखित शामिल हई: 1) चेहरा पहचान के दुनिया भर के शोधकर्ता के विभिन्न प्रकार के स्रोत के साथ, विशेष रूप से मुद्रा, अभिव्यक्ति, सामान और प्रकाश (पीईएएल), और एक समान डेटाबेस में संपूर्ण आधार-सत्य जानकारी; 2) ऑफ-द-शेल्फ इमेजिंग उपकरण के उपयोग करके और डेटाबेस में सामान्य चेहरा भिन्नता के डिजाइन करके व्यावहारिक अनुप्रयोग के उद्देश्य से अत्याधुनिक चेहरा पहचान प्रौद्योगिकि के आगे बढ़ावे; और 3) मंगोलियाई के एक बड़े पैमाने पर चेहरा डेटाबेस प्रदान करना। वर्तमान में, CAS-PEAL चेहरा डेटाबेस में 1040 व्यक्ति (595 पुरुष अउर 445 महिला) के 99 594 छवि शामिल छलई। विभिन्न मुद्राओं में एक साथ छवियों के कैप्चर करे के लिए कुल नौ कैमरे एक आर्क बांह पर क्षैतिज रूप से लगावल गलय हा। प्रत्येक विषय के तीन शॉट में 27 छवियां प्राप्त करे के लिए सीधे आगे, ऊपर और नीचे देखे के लेल कहल जाई हई। डेटाबेस में पांच चेहरे के भाव, छह सामान, और 15 प्रकाश परिवर्तन भी शामिल हैं। डेटाबेस के एक चयनित उपसमूह (सीएएस-पीईएल-आर 1, 1040 विषयों के 30 863 छवियों वाला) अब अन्य शोधकर्ताओं के लिए उपलब्ध हय। हम CAS-PEAL-R1 डेटाबेस पर आधारित मूल्यांकन प्रोटोकॉल पर चर्चा करते हैं और निम्नलिखित कार्य करने के लिए एक आधार के रूप में चार एल्गोरिदम के प्रदर्शन को प्रस्तुत करते हैंः 1) चेहरे की पहचान एल्गोरिदम के लिए डेटाबेस की कठिनाई का प्रारंभिक आकलन; 2) डेटाबेस का उपयोग करने वाले शोधकर्ताओं के लिए वरीयता मूल्यांकन परिणाम; और 3) आमतौर पर उपयोग किए जाने वाले एल्गोरिदम की ताकत और कमजोरियों की पहचान करें। |
a0456c27cdd58f197032c1c8b4f304f09d4c9bc5 | एंसैम्बल विधियाँ सीखने वाला एल्गोरिदम हय जे वर्गीकरण के एक सेट के निर्माण करो हय और फिर अपन भविष्यवाणिय के भारित वोट ले के नया डेटा बिंदु के वर्गीकृत करो हय। मूल एंसैम्बल विधि बेयसियन औसतकरण हय लेकिन अधिक हाल के एल्गोरिदम में त्रुटि सुधार आउटपुट कोडिंग बैगिंग और बूस्टिंग शामिल हय। इ पेपर इन विधियों की समीक्षा करो हय और समझावो हय कि क्यों एंसैम्बल अक्सर कोनो एकल वर्गीकरण से बेहतर प्रदर्शन कर सको हय। एंसैम्बल विधियों की तुलना करे वाला कुछ पिछला अध्ययनों की समीक्षा कियल जा हय और कुछ नए प्रयोगों के प्रस्तुत कियल जा हय ताकि कारणों के पता लगावल जा सके कि एडैबॉस्ट जल्दी से खत्म नए होवो हय। |
9a292e0d862debccffa04396cd5bceb5d866de18 | |
610bc4ab4fbf7f95656b24330eb004492e63ffdf | हम नॉननेगेटिव मैट्रिक्स फैक्टरिज़ेशन समस्या के अध्ययन कर हई जे कम रैंक के फैक्टरिज़ेशन द्वारा एगो नॉननेगेटिव मैट्रिक्स के अनुमान लगाब हई। ई समस्या विशेष रूप से मशीन लर्निंग में महत्वपूर्ण हई, अउर बड़ी संख्या में अनुप्रयोग में पाएल जाई छलई। दुर्भाग्य से, मूल सूत्र खराब रूप से और एनपीएचडी के लेल हई। इ पत्र में, हम अलग होवे योग्य धारणा के तहत NMF समस्या के हल करे के लिए पंक्ति एन्ट्रोपी न्यूनतमकरण पर आधारित एक पंक्ति विरल मॉडल के प्रस्ताव करो हय जे कहता हय कि प्रत्येक डेटा बिंदु कुछ अलग डेटा कॉलम के उत्तल संयोजन हय। हम ऊर्जा के कम से कम संख्या में लुप्त चर पर केंद्रित करे के लिए एन्ट्रॉपी फ़ंक्शन और `∞ मानदंड के एकाग्रता के उपयोग करो हय। हम साबित कर हई कि पृथक्करण योग्यता धारणा के तहत, हमार प्रस्तावित मॉडल डेटा कॉलम के मजबूती से पुनर्प्राप्त करई हई जे डेटासेट उत्पन्न करई हई, भले ही डेटा शोर से दूषित हो जाए। हम प्रस्तावित मॉडल के मजबूती के अनुभवजन्य रूप से उचित ठहरावई हई अउर देखई हई कि ई अत्याधुनिक अलग करे योग्य एनएमएफ एल्गोरिदम के तुलना में काफी अधिक मजबूत हई। |
f829fa5686895ec831dd157f88949f79976664a7 | पदानुक्रमित बेयसन दृष्टिकोण अनुभवजन्य विपणन में एगो केंद्रीय भूमिका निभई हई काहेकी ऊ व्यक्तिगत-स्तर के पैरामीटर अनुमान उत्पन्न करई हई जेकर उपयोग निर्णय के लक्षित करे के लेल कैल जा सकई हई। एमसीएमसी विधि पदानुक्रमित बेयसियन मॉडल के अनुमान लगावे के लिए पसंद के विधि रहलय हा काहेकी ऊ सटीक व्यक्तिगत-स्तर के अनुमान प्रदान करे में सक्षम हय। हालांकि, एमसीएमसी विधि कम्प्यूटेशनल रूप से निषिद्ध हय और जब बड़े डेटा सेट पर लागू कियल जा हय जे वर्तमान युग में आम हो गलय हा, तओ अच्छा तरह से स्केल नए कर सको हय। हम विपणन साहित्य में वैरिएशनल बेयसियन (वीबी) अनुमान के रूप में जानल जाए वाला बेयसियन अनुमान तकनीक के एगो नया वर्ग के परिचय देई हई। येई विधिय के उत्तरार्द्ध वितरण के अनुमानित करे के लेल एगो निर्धारक अनुकूलन दृष्टिकोण के माध्यम से स्केलेबिलिटी चुनौती के संबोधित करई हई अउर सिमुलेशन-आधारित एमसीएमसी विधिय से जुड़ल कम्प्यूटेशनल लागत के एगो अंश पर सटीक अनुमान उत्पन्न करई छलई। हम भिन्नतापूर्ण बेयसियन अनुमान में हाल के विकास के दोहन अउर विस्तार करई हई अउर हाइलाइट करई हई कि कैसे दू वीबी अनुमान दृष्टिकोण - मीन-फील्ड वीबी (जे कि गिब्स सैंपलिंग के अनुरूप हई) के लेल संयुग्मित मॉडल अउर फिक्स्ड-फॉर्म वीबी (जे कि मेट्रोपोलिस-हेस्टिंग के अनुरूप हई) गैर-संयुग्मित मॉडल के लेल - जटिल विपणन मॉडल के अनुमान लगाबे के लेल प्रभावी रूप से जोड़ा जा सकई हई। हम ई भी दिखावो कि कैसे समानांतर कंप्यूटिंग और स्टोचस्टिक अनुकूलन में हालिया प्रगति के उपयोग येई वीबी विधियों के गति के बढ़ाबे के लेल कैल जा सकई हई। सिम्युलेटेड के साथ-साथ वास्तविक डेटा सेट के उपयोग करके, हम कई सामान्य रूप से उपयोग कैल जाए वाला मार्केटिंग मॉडल (जैसे, मिश्रित रैखिक, लॉजिट, चयन और पदानुक्रमित क्रमबद्ध लॉजिट मॉडल), और प्रदर्शित करो कि विपणन समस्याओं के लिए वीबी अनुमान कैसे व्यापक रूप से लागू होवो हय। |
bf8a0014ac21ba452c38d27bc7d930c265c32c60 | उच्च स्तर के संलयन दृष्टिकोण के अनुप्रयोग बहु सेंसर डेटा संलयन में महत्वपूर्ण लाभ के एक श्रृंखला के प्रदर्शित करो हय और ऑटोमोटिव सुरक्षा संलयन प्रणाली एकर अपवाद नए हय। उच्च स्तर के संलयन के पूरक या/और अतिरंजित दृश्य क्षेत्र के साथे ऑटोमोटिव सेंसर नेटवर्क पर लागू कैल जा सको हय। इ दृष्टिकोण के लाभ इ हय कि इ प्रणाली के मॉड्यूलरता सुनिश्चित करो हय और बेंचमार्किंग के अनुमति देवो हय, काहेकी इ प्रसंस्करण के भीतर फीडबैक और लूप के अनुमति नए देवो हय। इ पेपर में एक संक्षिप्त वास्तुशिल्प और एल्गोरिथम प्रस्तुति सहित दो विशिष्ट उच्च स्तर के डेटा संलयन दृष्टिकोण के वर्णन कियल गलय हा। ई दृष्टिकोण मुख्य रूप से अपन डेटा एसोसिएशन भाग में भिन्न होवो हय: (ए) ट्रैक स्तर के संलयन दृष्टिकोण एकरा ऑब्जेक्ट निरंतरता और बहुआयामी असाइनमेंट पर जोर देवे वाला बिंदु से बिंदु के संलयन के साथे हल करो हय, और (बी) ग्रिड-आधारित संलयन दृष्टिकोण जे पर्यावरण के मॉडल करे और सेंसर डेटा संलयन के प्रदर्शन करे के एक सामान्य तरीका के प्रस्ताव करो हय। इ दृष्टिकोण के लिए परीक्षण मामला एक बहु सेंसर से सुसज्जित PReVENT/ProFusion2 ट्रक प्रदर्शन वाहन हय। |
c8cc94dd21d78f4f0d07ccb61153bfb798aeef2c | |
4152070bd6cd28cc44bc9e54ab3e641426382e75 | वर्गीकरण के समस्या के डेटा खनन, मशीन लर्निंग, डेटाबेस और सूचना पुनर्प्राप्ति समुदायों में कई अलग-अलग डोमेन में अनुप्रयोगों के साथ व्यापक रूप से अध्ययन कियल गलय हा, जैसे कि लक्ष्य विपणन, चिकित्सा निदान, समाचार समूह फ़िल्टरिंग और दस्तावेज़ संगठन। ई पेपर में हम एगो विस्तृत विविधता के पाठ वर्गीकरण के एगो सर्वेक्षण प्रदान करबई |
e050e89d01afffd5b854458fc48c9d6720a8072c | |
8bf72fb4edcb6974d3c4b0b2df63d9fd75c5dc4f | येई तरह के दृष्टिकोण संभावित रूप से उच्च प्रदर्शन प्रदान कर सकई हई, काहेकी ऊ प्राकृतिक भाषा अवधारणा के जौरे जुड़ल अंतर्निहित, शब्दार्थ विशेषता के विश्लेषण करे में सक्षम छलई। ई पेपर में, हम अर्थवादी भावना विश्लेषण चुनौती के चौथा संस्करण प्रस्तुत करई हियई, जोनमे अर्थवादी विशेषता के लागू करे वाला चाहे निर्भर करे वाला प्रणालि के मूल्यांकन एगो प्रतियोगिता में कैल जाई हई जोनमे बड़ परीक्षण सेट अउर विभिन्न भावना कार्य शामिल छलई। मूल्यांकन द्वारा केवल वाक्यविन्यास/शब्द-संख्या या केवल शब्दकोश-आधारित दृष्टिकोण पर आधारित प्रणालि के बाहर कर देल गेल हई। फेर, हम प्रत्येक कार्य के लेल मूल्यांकन के परिणाम के प्रस्तुत करई हई अउर सबसे नवीन दृष्टिकोण पुरस्कार के विजेता के दिखाबई हई, जे भावना विश्लेषण कार्य के संबोधित करे के लेल कैगो ज्ञान आधार के जोड़ई हई। भावना विश्लेषण अनुसंधान और उद्योग दोनों में एक व्यापक रूप से अध्ययन कियल गेल अनुसंधान क्षेत्र हय, और भावना विश्लेषण से संबंधित कार्यों के संबोधित करे के लिए अलग-अलग दृष्टिकोण हय। सेंसमेंट एनालिसिस इंजन शब्दकोश-आधारित तकनीक से लेके मशीन लर्निंग तक, चाहे वाक्यविन्यास नियम विश्लेषण से जुड़ल दृष्टिकोण के लागू करई हई। अंतरराष्ट्रीय अनुसंधान चुनौति में ऐसन प्रणालि के मूल्यांकन पहिले ही कियल जा चुकले हा। हालांकि, सिमेंटिक सेंटिमेंट एनालिसिस दृष्टिकोण, जे बड़े सिमेंटिक ज्ञान आधार के भी ध्यान में रखई हई चाहे उनपर निर्भर करई हई अउर सिमेंटिक वेब के सर्वोत्तम प्रथा के लागू करई हई, अन्य अंतरराष्ट्रीय चुनौति द्वारा विशिष्ट प्रयोगात्मक मूल्यांकन अउर तुलना के अधीन न छलई। |
21da9ece5587df5a2ef79bf937ea19397abecfa0 | ई पेपर भविष्यवाणी अउर अवधारणात्मक वर्गीकरण के एगो अनुमान समस्या के रूप में मानई हई जेकरा मस्तिष्क द्वारा हल कैल जाई हई। हम मान लेबई कि मस्तिष्क दुनिया के एगो पदानुक्रम चाहे गतिशील प्रणालि के कैस्केड के रूप में मॉडल करई हई जे संवेदी में कारण संरचना के एन्कोड करई हई। संवेदी डेटा के व्याख्या करे के लेल, येई आंतरिक मॉडल के अनुकूलन चाहे व्युत्क्रम के जौरे धारणा के बराबर कैल जाई हई। संवेदी डेटा कैसे उत्पन्न होवो हय, एकर एक मॉडल के देखते हुए, हम मॉडल के साक्ष्य पर बाध्य मुक्त ऊर्जा के आधार पर मॉडल प्रतिवर्तन के लिए एक सामान्य दृष्टिकोण के आह्वान कर सको हय। निम्नलिखित मुक्त ऊर्जा सूत्र समीकरण प्रदान करो हय जे मान्यता के प्रक्रिया के निर्धारित करो हय, अर्थात संवेदी इनपुट के कारण के प्रतिनिधित्व करे वाला न्यूरोनल गतिविधि के गतिशीलता। इजा, हम एगो बहुत सामान्य मॉडल पर ध्यान केंद्रित कर रहल हई, जेकर पदानुक्रमित अउर गतिशील संरचना अनुकरणीय मस्तिष्क के संवेदी अवस्था के प्रक्षेपवक्र चाहे अनुक्रम के पहचान आउर भविष्यवाणी करे में सक्षम बनाबई हई। हम पहले पदानुक्रमित गतिशील मॉडल अउर ओकर व्युत्क्रम के समीक्षा करई हई। फेर हम देखबई कि मस्तिष्क में ई उलटाकरण लागू करे के लेल आवश्यक बुनियादी ढांचा हई अउर ई बिंदु के कृत्रिम पक्षी के उपयोग करके चित्रित कैल जाई हई जे पक्षी के गीत के पहचान अउर वर्गीकृत कर सकई हई। |
38a935e212c8e10460545b74a7888e3966c03e74 | ई पेपर 3 डी ऑब्जेक्ट डिटेक्शन के अमोडल धारणा के समस्या के संबोधित करई हई। कार्य न केवल 3 डी दुनिया में वस्तु स्थानीयकरण पालना हय, बल्कि ओकर भौतिक आकार और मुद्रा के अनुमान भी लगो हय, भले ही ओकर केवल कुछ भाग आरजीबी-डी छवि में दिखाई देवो हय। हाल के दृष्टिकोणों ने 3 डी अंतरिक्ष में सीधे 3 डी सुविधाओं के दोहन के लिए गहराई चैनल से बिंदु बादल के दोहन के प्रयास कैलकय हय और पारंपरिक 2.5 डी प्रतिनिधित्व दृष्टिकोणों पर श्रेष्ठता प्रदर्शित कैलकय हय। हम 2.5 डी प्रतिनिधित्व ढांचे से चिपके, और सीधे 2.5 डी दृश्य उपस्थिति के 3 डी वस्तुओं से संबंधित करके अमोडल 3 डी पता लगाने की समस्या पर फिर से विचार कर रहल हई। हम एगो नया 3डी ऑब्जेक्ट डिटेक्शन सिस्टम प्रस्तावित करई हई जे एके साथे वस्तु के 3डी स्थान, भौतिक आकार अउर इनडोर दृश्य में अभिविन्यास के भविष्यवाणी करई हई। NYUV2 डेटासेट पर प्रयोग से पता चललय कि हमर एल्गोरिथ्म अत्याधुनिक से काफी बेहतर प्रदर्शन करो हय और इंगित करो हय कि 2.5 डी प्रतिनिधित्व 3 डी अमोडल ऑब्जेक्ट डिटेक्शन के लिए सुविधा के एन्कोडिंग करे में सक्षम हय। सब सोर्स कोड और डेटा https://github.com/phoenixnn/Amodal3Det पर हइ। |
4d7a8836b304a1ecebee19ff297f1850e81903b4 | |
461ebcb7a274525b8efecf7990c85994248ab433 | कम बिजली औ हानि वाला नेटवर्क (आरपीएल) के लिए रूटिंग प्रोटोकॉल 6LoWPAN नेटवर्क जैसन सीमित वातावरण के लिए मानकीकृत एगो नया रूटिंग प्रोटोकॉल हय। IPv6/RPL से जुड़ल 6LoWPAN में सुरक्षा प्रदान करनाई चुनौतीपूर्ण हई काहेकी उपकरण अविश्वसनीय इंटरनेट से जुड़ल हई अउर संसाधन सीमित हई, संचार लिंक घाटा वाला हई, अउर उपकरण नया IoT तकनीक जैसे कि RPL, 6LoWPAN, अउर CoAP/CoAP के उपयोग करई हई। ई पेपर में हम आईओटी प्रौद्योगिकि के व्यापक विश्लेषण अउर उनकर नया सुरक्षा क्षमता प्रदान करई हई जेकरा हमलावर चाहे आईडीएस द्वारा शोषण कैल जा सकई हई। इ कागज में प्रमुख योगदान में से एक आरपीएल के रूटिंग प्रोटोकॉल के रूप में चलावे वाला 6 लोडब्ल्यूपीएएन नेटवर्क के खिलाफ प्रसिद्ध रूटिंग हमलों के हमर कार्यान्वयन और प्रदर्शन हय। हम ई हमला के कॉन्टिकी ऑपरेटिंग सिस्टम में आरपीएल कार्यान्वयन में लागू करई हई अउर कूजा सिम्युलेटर में येई हमला के प्रदर्शन करई हई। इसके अलावा, हम IPv6 प्रोटोकॉल में उपन्यास सुरक्षा सुविधाओं पर प्रकाश डालते हैं और हल्के दिल की धड़कन प्रोटोकॉल को लागू करके IoT में घुसपैठ का पता लगाने के लिए इन सुविधाओं के उपयोग का उदाहरण देते हैं। |
5b8869bb7afa5d8d3c183dfac0d0f26c2e218593 | आज के उच्च प्रदर्शन प्रोसेसर में प्रचलित कैश पदानुक्रम के ऐसन एल्गोरिदम के डिजाइन करे के खातिर ध्यान में रखल जाए के चाहि जे अभ्यास में अच्छा प्रदर्शन करो हय। ई पेपर बाहरी मेमोरी एल्गोरिदम के येई उद्देश्य के लेल अनुकूलन के वकालत करई हई। इ विचार और व्यावहारिक मुद्दा के इंजीनियरिंग द्वारा उदाहरण देल गेल हई जे बाहरी मेमोरी और कैश्ड मेमोरी के लेल उपयुक्त एगो तेज प्राथमिकता कतार हई जे के-वे मर्जिंग पर आधारित छलई। ई कैश्ड मेमोरी में स्थानांतरित करे के लेल महत्वपूर्ण निरंतर कारक द्वारा पिछला बाहरी मेमोरी एल्गोरिदम में सुधार करई हई। वर्कस्टेशन के कैश पदानुक्रम में चलैत एल्गोरिथ्म बड़ इनपुट के लेल बाइनरी हैप्स अउर 4-अरी हैप्स के अनुकूलित कार्यान्वयन के तुलना में कम से कम दू गुना तेज हई। |
1f6ba0782862ec12a5ec6d7fb608523d55b0c6ba | हम वाक्य-स्तर वर्गीकरण कार्य के लेल पूर्व-प्रशिक्षित शब्द वेक्टर के शीर्ष पर प्रशिक्षित संवहन तंत्रिका नेटवर्क (सीएनएन) के जौरे प्रयोग के एगो श्रृंखला पर रिपोर्ट करई हई। हम देखई छियई कि छोट हाइपरपैरामीटर ट्यूनिंग अउर स्थिर वैक्टर के जौरे एगो सरल सीएनएन कैगो बेंचमार्क पर उत्कृष्ट परिणाम प्राप्त करई हई। सूक्ष्म-समायोजन के माध्यम से कार्य-विशिष्ट वैक्टर के सीखना प्रदर्शन में और लाभ प्रदान करो हय। हम अतिरिक्त रूप से आर्किटेक्चर में एक सरल संशोधन के प्रस्ताव करो हय ताकि कार्य-विशिष्ट और स्थिर दोनों वैक्टर के उपयोग के अनुमति मिलय। ईहां चर्चा कैल गेल सीएनएन मॉडल 7 में से 4 कार्य पर कला के स्थिति में सुधार करई हई, जोनमे भावना विश्लेषण अउर प्रश्न वर्गीकरण शामिल छलई। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.