_id
stringlengths 40
40
| text
stringlengths 0
9.56k
|
|---|---|
2f991be8d35e4c1a45bfb0d646673b1ef5239a1f | मशीन लर्निंग मॉडेल ज्या पद्धतीने वागतात ते समजून घेणे प्रणाली डिझाइनर आणि अंतिम वापरकर्त्यांना अनेक प्रकारे सक्षम करते: मॉडेल निवड, वैशिष्ट्य अभियांत्रिकी, अंदाजानुसार विश्वास ठेवणे आणि कार्य करणे आणि अधिक अंतर्ज्ञानी वापरकर्ता इंटरफेसमध्ये. अशा प्रकारे, मशीन लर्निंगमध्ये अर्थ लावणे ही एक महत्त्वाची चिंता बनली आहे आणि अर्थ लावता येण्याजोग्या मॉडेलच्या क्षेत्रात काम केल्याने नवीन व्याज मिळाले आहे. काही अनुप्रयोगांमध्ये, असे मॉडेल गैर-अर्थात नसलेल्यासारखे अचूक असतात आणि म्हणूनच त्यांच्या पारदर्शकतेसाठी प्राधान्य दिले जाते. ते अचूक नसतील तरीही, जेव्हा अर्थ लावणे अत्यंत महत्वाचे असते तेव्हा ते अद्याप प्राधान्य दिले जाऊ शकतात. तथापि, मशीन लर्निंगला अर्थ लावण्यायोग्य मॉडेलपर्यंत मर्यादित ठेवणे ही अनेकदा एक गंभीर मर्यादा असते. या लेखात आम्ही मॉडेल-अज्ञेयवादी दृष्टिकोन वापरून मशीन लर्निंगच्या भविष्यवाण्या स्पष्ट करण्याच्या बाजूने भाष्य करतो. मशीन लर्निंग मॉडेलला ब्लॅकबॉक्स फंक्शन्स म्हणून मानून, हे दृष्टिकोन मॉडेल, स्पष्टीकरण आणि प्रतिनिधित्व निवडण्यात महत्त्वपूर्ण लवचिकता प्रदान करतात, डिबगिंग, तुलना आणि विविध वापरकर्त्यांसाठी आणि मॉडेलसाठी इंटरफेस सुधारतात. आम्ही अशा पद्धतींसाठी मुख्य आव्हाने देखील मांडतो आणि अलीकडेच सादर केलेल्या मॉडेल-अज्ञेयवादी स्पष्टीकरण दृष्टिकोनाचा (एलआयएमई) आढावा घेतो ज्यामुळे या आव्हानांना सामोरे जावे लागते. |
546add32740ac350dda44bab06f56d4e206622ab | दीप न्यूरल नेटवर्क्सने प्रतिमा वर्गीकरणात प्रभावशाली प्रयोगात्मक परिणाम प्राप्त केले आहेत, परंतु विरोधी व्यत्ययांच्या संदर्भात आश्चर्यकारकपणे अस्थिर असू शकते, म्हणजेच इनपुट प्रतिमेमध्ये कमीतकमी बदल यामुळे नेटवर्कला चुकीचे वर्गीकरण केले जाते. यामध्ये संभाव्य अनुप्रयोगांमध्ये सेल्फ ड्रायव्हिंग कारसाठी पर्सेप्शन मॉड्यूल आणि एंड-टू-एंड कंट्रोलरचा समावेश आहे, यामुळे त्यांच्या सुरक्षेबाबत चिंता व्यक्त केली जात आहे. आम्ही समाधानकारकता मॉड्यूल सिद्धांत (एसएमटी) वर आधारित फीड-फॉरवर्ड मल्टी-लेयर न्यूरल नेटवर्कसाठी एक नवीन स्वयंचलित सत्यापन फ्रेमवर्क विकसित करतो. आम्ही प्रतिमा हाताळण्यावर लक्ष केंद्रित करतो, जसे की स्क्रॅच किंवा कॅमेरा अँगल किंवा प्रकाश परिस्थितीत बदल, आणि त्याच्या जवळ असलेल्या प्रतिमांच्या प्रदेशात मूळ प्रतिमेच्या हाताळण्यांबद्दल वर्गीकरणाच्या अपरिवर्तनीयतेच्या संदर्भात प्रतिमा वर्गीकरणाच्या निर्णयासाठी सुरक्षा परिभाषित करतो. आम्ही डिस्क्रीटीकरण वापरून या भागाचा संपूर्ण शोध घेण्यास सक्षम आहोत आणि विश्लेषण थराने थराने पसरवतो. आमची पद्धत थेट नेटवर्क कोडसह कार्य करते आणि विद्यमान पद्धतींच्या विरूद्ध, हमी देऊ शकते की विरोधक उदाहरणे, जर अस्तित्वात असतील तर दिलेल्या प्रदेश आणि मॅनिपुलेशनच्या कुटुंबासाठी आढळतात. जर आढळले तर, प्रतिकूल उदाहरणे मानवी परीक्षकांना दर्शविली जाऊ शकतात आणि / किंवा नेटवर्कला बारीक ट्यून करण्यासाठी वापरली जाऊ शकतात. आम्ही Z3 वापरून तंत्रज्ञानाची अंमलबजावणी करतो आणि नियमित आणि सखोल शिक्षण नेटवर्कसह अत्याधुनिक नेटवर्कवर त्यांचे मूल्यांकन करतो. आम्ही विद्यमान तंत्रज्ञानाशी तुलना करून विरोधी उदाहरणे शोधतो आणि नेटवर्कची मजबुती मोजतो. |
8db9df2eadea654f128c1887722c677c708e8a47 | यामध्ये लक्ष मॉडेलवर अलीकडील काम देखील समाविष्ट केले आहे जेणेकरून संबंधित माहितीवर लक्ष केंद्रित केले जाईल, ज्यामुळे एम्बेडेड हार्डवेअरवर तैनात करण्यासाठी संगणकीय जटिलता कमी होईल. या फ्रेमवर्कची चाचणी TORCS नावाच्या ओपन सोर्स 3D कार रेसिंग सिम्युलेटरमध्ये करण्यात आली. आमच्या सिमुलेशनच्या परिणामांमध्ये जटिल रस्ते वक्रता आणि इतर वाहनांच्या साध्या परस्परसंवादाच्या परिस्थितीत स्वायत्त युक्तिवाद शिकण्याची प्रवृत्ती दिसून आली आहे. परिचय एक रोबोट कार जी स्वयंचलितपणे चालते ती कृत्रिम बुद्धिमत्तेचे दीर्घकालीन लक्ष्य आहे. वाहन चालवणे हे एक असे काम आहे ज्यासाठी उच्च दर्जाचे कौशल्य, लक्ष आणि अनुभव आवश्यक आहेत. संगणक मानवांपेक्षा सतत लक्ष देण्यास आणि लक्ष केंद्रित करण्यास अधिक सक्षम असले तरी, पूर्णपणे स्वायत्त वाहन चालविण्यासाठी बुद्धिमत्तेची पातळी आवश्यक आहे जी एआय एजंट्सने आतापर्यंत प्राप्त केली आहे. एक स्वायत्त वाहन चालविणारे एजंट तयार करण्याच्या कार्यात समाविष्ट असलेल्या कार्ये 3 श्रेणींमध्ये विभागली जाऊ शकतात, जसे चित्र 1: 1) ओळखः आसपासच्या वातावरणाचे घटक ओळखणे. याचे उदाहरण म्हणजे पादचारी शोधणे, वाहतूक चिन्हे ओळखणे इत्यादी. जरी क्षुल्लकतेपासून दूर असले तरी, डीप लर्निंग (डीएल) अल्गोरिदममधील प्रगतीमुळे आजकाल हे एक तुलनेने सोपे काम आहे, जे अनेक ऑब्जेक्ट शोध आणि वर्गीकरण समस्यांमध्ये मानवी पातळीवरील ओळख किंवा त्याहून अधिक पोहोचले आहे. डीप लर्निंग मॉडेल कच्च्या इनपुट डेटामधून जटिल वैशिष्ट्य प्रतिनिधित्व शिकण्यास सक्षम आहेत, हाताने तयार केलेल्या वैशिष्ट्यांची आवश्यकता नाही [15] [2] [7]. या संदर्भात, कॉन्व्होल्युशनल न्यूरल नेटवर्क्स (सीएनएन) हे कदाचित सर्वात यशस्वी डीप लर्निंग मॉडेल आहेत आणि अॅलेक्सनेट [8] पासून इमेजनेट आव्हानावरील प्रत्येक विजयी प्रविष्टीचा आधार बनला आहे. या यशाची पुनरावृत्ती स्वयंचलित ड्रायव्हिंगसाठी लेन आणि वाहन शोधण्यात झाली आहे [6]. 2) अंदाज: स्वायत्त वाहन चालविणार्या एजंटला त्याचे वातावरण ओळखणे पुरेसे नाही; ते भविष्यातील पर्यावरणाची भविष्यवाणी करणारे अंतर्गत मॉडेल तयार करण्यास सक्षम असणे आवश्यक आहे. या प्रकारच्या समस्येच्या उदाहरणांमध्ये पर्यावरणाचा नकाशा तयार करणे किंवा एखाद्या वस्तूचा मागोवा घेणे समाविष्ट आहे. भविष्याचा अंदाज लावण्यात सक्षम होण्यासाठी, मागील माहितीचा समावेश करणे महत्वाचे आहे. अशाप्रकारे, या प्रकारच्या समस्येसाठी रिकर्सिव्ह न्यूरल नेटवर्क (आरएनएन) आवश्यक आहेत. दीर्घ-लघुकालीन स्मृती (एलएसटीएम) नेटवर्क [5] ही आरएनएनची एक अशी श्रेणी आहे जी एंड-टू-एंड सीन लेबलिंग सिस्टीममध्ये वापरली गेली आहे [14]. अलीकडे, डीपट्रॅकिंग मॉडेलमध्ये ऑब्जेक्ट ट्रॅकिंगची कार्यक्षमता सुधारण्यासाठी आरएनएनचा वापर केला गेला आहे [13]. 3) नियोजन: वाहन यशस्वीपणे नेव्हिगेट करण्यास सक्षम करेल अशा भविष्यातील ड्रायव्हिंग क्रियांच्या अनुक्रमाची योजना आखण्यासाठी ओळख आणि अंदाज लावणा-या कार्यक्षम मॉडेलची निर्मिती. नियोजन हे तिन्हीपैकी सर्वात कठीण काम आहे. पर्यावरणाची (मान्यता) आणि त्याच्या प्रेरक शक्ती (पूर्वानुमान) समजून घेण्याची मॉडेलची क्षमता समाकलित करण्यामध्ये अडचण आहे ज्यामुळे ते भविष्यातील कृतींची योजना आखू शकेल जेणेकरून ते अवांछित परिस्थिती (दंड) टाळेल आणि सुरक्षितपणे त्याच्या गंतव्यस्थानाकडे (बक्षीस) चालवेल. चित्र 1: उच्च स्तरीय स्वायत्त ड्रायव्हिंग कार्ये रेनफोर्समेंट लर्निंग (आरएल) फ्रेमवर्क [17] [20] चा वापर नियंत्रण कार्यांमध्ये बर्याच काळापासून केला जात आहे. [९] मध्ये आरएल आणि डीएल यांचे मिश्रण हा मानवी पातळीवर नियंत्रण मिळवण्याचा सर्वात आशादायक दृष्टिकोन असल्याचे निदर्शनास आले. [12] आणि [11] मध्ये डीप क्यू नेटवर्क्स (डीक्यूएन) मॉडेलचा वापर करून अटारी गेमवर हे मानवी पातळीवरील नियंत्रण दर्शविले गेले, ज्यामध्ये आरएल नियोजन भागासाठी जबाबदार आहे तर डीएल प्रतिनिधित्व शिक्षण भागासाठी जबाबदार आहे. नंतर, आरएनएनला आंशिक निरीक्षण करण्यायोग्य परिस्थितीसाठी मिश्रणात समाविष्ट केले गेले [4]. ऑटोमोटिव्ह ड्रायव्हिंगसाठी माहितीचे एकत्रीकरण आवश्यक आहे. 02 53 2v 1 [ st at .M L ] 8 A pr 2 01 7 अनेक सेन्सर पासून. काही कमी आकाराचे आहेत, जसे की LIDAR, तर काही उच्च आकाराचे आहेत, जसे की कॅमेरे. या विशिष्ट उदाहरणामध्ये हे लक्षात घेण्यासारखे आहे की, कॅमेराच्या कच्च्या प्रतिमा उच्च आयामी आहेत, परंतु स्वायत्त ड्रायव्हिंग कार्ये साध्य करण्यासाठी आवश्यक उपयुक्त माहिती खूपच कमी परिमाण आहे. उदाहरणार्थ, दृश्यातील महत्वाचे भाग जे ड्रायव्हिंग निर्णयावर परिणाम करतात ते वाहनाच्या हालचाली, रस्त्यावर मोकळी जागा, कंबरेची स्थिती इत्यादींवर मर्यादित असतात. वाहनांची अगदी लहानशी माहितीही महत्त्वाची नाही, कारण या समस्येसाठी फक्त त्यांचे स्थानिक स्थान आवश्यक आहे. त्यामुळे संबंधित माहितीसाठी मेमरी बँडविड्थ खूप कमी आहे. जर ही महत्वाची माहिती काढता आली तर, इतर गैर-महत्त्वाचे भाग फिल्टर केले जातील, यामुळे स्वायत्त वाहन प्रणालीची अचूकता आणि कार्यक्षमता दोन्ही सुधारेल. याव्यतिरिक्त, यामुळे प्रणालीची गणना आणि मेमरी आवश्यकता कमी होईल, जे एम्बेडेड सिस्टमवर गंभीर निर्बंध आहेत ज्यात स्वायत्त ड्रायव्हिंग कंट्रोल युनिट असेल. अशा माहिती फिल्टरिंग प्रक्रियेसाठी लक्ष मॉडेल एक नैसर्गिक फिट आहेत. अलीकडेच, हे मॉडेल यशस्वीरित्या [23] आणि [10] मध्ये प्रतिमा ओळखण्यासाठी तैनात केले गेले, ज्यामध्ये आरएलला आरएनएनसह मिसळले गेले होते जेणेकरून प्रतिमेचे भाग भाग घेता येतील. अशा मॉडेल सहजपणे विस्तारित आणि डीक्यूएन [11] आणि डीप रिकर्सिव्ह क्यू नेटवर्क (डीआरक्यूएन) [4] मॉडेलमध्ये समाकलित केले जातात. या एकत्रीकरणाची अंमलबजावणी [16] मध्ये करण्यात आली. लक्ष मॉडेलचे यश आम्हाला स्वयंचलित वाहन चालविण्यासाठी कच्च्या संवेदी माहितीमधून कमी स्तरावरील माहिती काढण्यासाठी त्यांना प्रस्तावित करण्यास प्रवृत्त करते. या लेखात आम्ही एक फ्रेमवर्क प्रस्तावित करतो. अंत-अंत स्वायत्त ड्रायव्हिंग मॉडेलसाठी जे कच्चे सेन्सर इनपुट घेते आणि ड्रायव्हिंग क्रिया आउटपुट करते. मॉडेल अंशतः निरीक्षण करण्यायोग्य परिस्थिती हाताळण्यास सक्षम आहे. याशिवाय, आम्ही लक्ष मॉडेलमधील अलीकडील प्रगतीचा समावेश करण्याचा प्रस्ताव ठेवतो जेणेकरून प्राप्त सेन्सर डेटामधून केवळ संबंधित माहिती काढली जाईल, ज्यामुळे ते रिअल-टाइम एम्बेडेड सिस्टमसाठी योग्य होईल. या पेपरचे मुख्य योगदान: 1) सखोल मजबुतीकरण शिकण्याच्या अलीकडील प्रगतीचा आढावा सादर करणे आणि 2) ऑटोमोटिव्ह समुदायाला सखोल मजबुतीकरण शिकण्याच्या वापरासह स्वायत्त ड्रायव्हिंगची अंमलबजावणी करण्यासाठी एक फ्रेमवर्क सादर करणे. उर्वरित पेपर दोन भागांमध्ये विभागलेला आहे. पहिला भाग डीप रेन्फोर्समेंट लर्निंग अल्गोरिदमचा आढावा देतो, ज्याची सुरुवात पारंपारिक एमडीपी फ्रेमवर्क आणि क्यू-लर्निंगपासून होते, त्यानंतर डीक्यूएन, डीआरक्यूएन आणि डीप अॅटेंशन रिकर्सिव्ह क्यू नेटवर्क्स (डीएआरक्यूएन) आहेत. या पेपरच्या दुसऱ्या भागात प्रस्तावित फ्रेमवर्कचे वर्णन केले आहे ज्यामध्ये सखोल मजबुतीकरण शिकवणीतील अलीकडील प्रगती समाविष्ट आहे. शेवटी, आम्ही निष्कर्ष काढतो आणि भविष्यातील कामासाठी सूचना देतो. पुनरावृत्ती शिकण्याच्या पुनरावलोकनासाठी, कृपया रिच सटनच्या पाठ्यपुस्तकाच्या दुसऱ्या आवृत्तीत [१८] पुनरावृत्ती शिकण्याच्या व्यापक आढावा पहा. या विभागात आपण काही महत्त्वाच्या विषयांचा संक्षिप्त आढावा घेत आहोत. प्रबलित शिक्षण फ्रेमवर्क [17] मध्ये एजंट अनुसरण करू शकतील अशा सर्वोत्तम धोरणाची (दिलेल्या राज्यात सर्वोत्तम कृती) प्रदान करण्यासाठी एक मॉडेल म्हणून तयार केले गेले होते, जेणेकरून एजंटने त्या धोरणाचे अनुसरण केल्यावर आणि टर्मिनल स्टेटपर्यंत पोहोचल्यास एकूण संचित बक्षिसे जास्तीत जास्त केली जातात. आरएल पॅराडाइम ड्रायव्हिंगसाठी प्रेरणा ही एकाधिक-एजंट परस्परसंवादाची समस्या आहे. मानवी ड्रायव्हर म्हणून, गर्दीच्या वाहतुकीत लेन बदलण्यापेक्षा इतर कारशी कोणत्याही प्रकारचा संवाद न साधता लेनमध्ये राहणे खूप सोपे आहे. इतर ड्रायव्हर्सच्या वर्तनात अंतर्निहित अनिश्चिततेमुळे नंतरचे अधिक कठीण आहे. एकमेकांशी संवाद साधणाऱ्या वाहनांची संख्या, त्यांची भूमितीय रचना आणि चालकांचे वर्तन यामध्ये मोठ्या प्रमाणात बदल होऊ शकतो आणि सर्व परिस्थितींचा संपूर्ण आढावा घेऊन पर्यवेक्षित शिक्षण डेटासेट तयार करणे आव्हानात्मक आहे. मानवी चालक इतर चालकांचे वर्तन समजून घेण्यासाठी काही प्रकारचे ऑनलाइन मजबुतीकरण शिक्षण वापरतात जसे की ते बचावात्मक किंवा आक्रमक आहेत, अनुभवी आहेत की नाही, अनुभवहीन आहेत, इत्यादी. ज्या परिस्थितीत वाटाघाटी करणे आवश्यक आहे, म्हणजेच चक्राकार मार्गावर प्रवेश करणे, ट्रॅफिक लाइटशिवाय जंक्शन नेव्हिगेट करणे, जड वाहतुकीदरम्यान लेन बदलणे इ. ऑटोमोटिव्ह ड्रायव्हिंगमध्ये मुख्य आव्हान म्हणजे अशा कोर्निंग प्रकरणांचा सामना करणे जे मानवी ड्रायव्हरसाठीही अनपेक्षित असतात, जसे की जीपीएसशिवाय अज्ञात भागात हरवल्यामुळे बरे होणे किंवा पूर किंवा जमिनीवर सिंकहोलच्या रूपात आपत्तीच्या परिस्थितीचा सामना करणे. आरएल पॅराडिग्म न शोधलेल्या क्षेत्राचे मॉडेल बनवते आणि कृती करून स्वतः च्या अनुभवातून शिकते. याव्यतिरिक्त, आरएल नॉन-डिफरेंशिएबल कॉस्ट फंक्शन्स हाताळण्यास सक्षम असू शकते जे पर्यवेक्षित शिक्षण समस्यांसाठी आव्हाने निर्माण करू शकते. सध्या, स्वायत्त ड्रायव्हिंगसाठी मानक दृष्टिकोन म्हणजे सिस्टीमला वेगळ्या उप-समस्यांमध्ये विभक्त करणे, सामान्यतः पर्यवेक्षित-शिक्षण-सारखी ऑब्जेक्ट शोधणे, व्हिज्युअल ओडोमेट्री इत्यादी आणि नंतर मागील चरणांचे सर्व परिणाम एकत्र करण्यासाठी पोस्ट प्रोसेसिंग लेयर असणे. या दृष्टिकोनामध्ये दोन मुख्य समस्या आहेत: प्रथम, ज्या उप-समस्या सोडवल्या जातात त्या स्वायत्त ड्रायव्हिंगपेक्षा अधिक कठीण असू शकतात. उदाहरणार्थ, एखादी व्यक्ती सिमेंटिक सेगमेंटेशनद्वारे ऑब्जेक्ट डिटेक्शन सोडवत असेल जे आव्हानात्मक आणि अनावश्यक दोन्ही आहे. मानवी वाहनचालक वाहन चालवताना सर्व दृश्यमान वस्तू शोधत नाहीत आणि त्यांचे वर्गीकरण करत नाहीत, फक्त सर्वात संबंधित वस्तूच करतात. दुसरे म्हणजे, वेगळ्या उप-समस्या एकत्रितपणे एकत्रितपणे साध्य करण्यासाठी एकत्रितपणे एकत्रित होऊ शकत नाहीत. मजबुतीकरण शिक्षण हे एक मजबूत एआय पॅराडाइम मानले जाते जे पर्यावरणाशी संवाद साधून आणि त्यांच्या चुकांमधून शिकून मशीन शिकविण्यासाठी वापरले जाऊ शकते. त्याची उपयोगिता असूनही, ऑटोमोटिव्ह अनुप्रयोगांमध्ये अद्याप यशस्वीरित्या लागू केले गेले नाही. अटारी गेम आणि गुगल डीपमाइंडच्या गो या शिकण्याच्या यशस्वी प्रात्यक्षिकाने प्रेरित होऊन आम्ही डीप रिइन्फोर्समेंट लर्निंगचा वापर करून स्वायत्त ड्रायव्हिंगसाठी एक फ्रेमवर्क प्रस्तावित करतो. इतर वाहने, पादचारी आणि रस्ते बांधकाम यासह पर्यावरणाशी तीव्र परस्परसंवादामुळे स्वायत्त वाहन चालविणे ही एक पर्यवेक्षित शिकण्याची समस्या म्हणून सादर करणे कठीण आहे. या संशोधनाचे क्षेत्र हे स्वयंचलित वाहनांच्या संशोधनाचे नवीन क्षेत्र असल्याने आम्ही सखोल मजबुतीकरण शिक्षणाचा थोडक्यात आढावा देतो आणि नंतर आमच्या प्रस्तावित चौकटीचे वर्णन करतो. माहितीच्या एकत्रीकरणासाठी यामध्ये रिकर्सिव्ह न्यूरल नेटवर्क्सचा समावेश आहे, ज्यामुळे कार अंशतः निरीक्षण करण्यायोग्य परिस्थिती हाताळू शकते. |
a4d513cfc9d4902ef1a80198582f29b8ba46ac28 | या अहवालात एआयच्या दुर्भावनापूर्ण वापरामुळे संभाव्य सुरक्षा धोक्यांचा आढावा घेतला गेला आहे आणि या धोक्यांचा अंदाज लावणे, प्रतिबंध करणे आणि कमी करणे याबद्दल मार्ग सुचविले गेले आहेत. डिजिटल, भौतिक आणि राजकीय क्षेत्रात एआयच्या धोक्यांच्या परिस्थितीवर कसा परिणाम करू शकतो याचे विश्लेषण केल्यानंतर आम्ही एआय संशोधक आणि इतर भागधारकांसाठी चार उच्च स्तरीय शिफारसी करतो. आम्ही पुढील संशोधनासाठी अनेक आशादायक क्षेत्र सुचवितो ज्यामुळे संरक्षण पोर्टफोलिओचा विस्तार होऊ शकतो, किंवा हल्ले कमी प्रभावी किंवा अंमलात आणणे कठीण होऊ शकते. शेवटी, आम्ही चर्चा करतो, पण अंतिमपणे सोडवत नाही, हल्लेखोरांचे आणि बचावकर्त्यांचे दीर्घकालीन संतुलन. |
b5a047dffc3d70dce19de61257605dfc8c69535c | डीप न्यूरल नेटवर्क हे जटिल, वास्तविक जगातील समस्या सोडविण्यासाठी व्यापकपणे वापरले जाणारे आणि प्रभावी साधन म्हणून उदयास आले आहे. मात्र, सुरक्षा-महत्वाच्या प्रणालींवर त्यांचा वापर करण्यात एक मोठा अडथळा म्हणजे त्यांच्या वर्तनाबद्दल औपचारिक हमी देणे हे फार कठीण आहे. आम्ही खोल न्यूरल नेटवर्कचे गुणधर्म सत्यापित करण्यासाठी (किंवा काउंटर-उदाहरणे प्रदान करण्यासाठी) एक नवीन, स्केलेबल आणि कार्यक्षम तंत्र सादर करतो. ही तंत्रज्ञान सिंप्लेक्स पद्धतीवर आधारित आहे, जी नॉन-कन्वेक्स रेक्टिफाइड लिनियर युनिट (ReLU) सक्रिय कार्य हाताळण्यासाठी विस्तारित आहे, जे अनेक आधुनिक तंत्रिका नेटवर्कमध्ये एक महत्त्वपूर्ण घटक आहे. तपासणी प्रक्रिया तंत्रिका नेटवर्कला संपूर्णपणे हाताळते, कोणतीही सरलीकरण गृहीतके न घेता. आम्ही आमच्या तंत्रज्ञानाचे मूल्यांकन मानव रहित विमानांसाठी पुढील पिढीच्या एअरबोर्न टक्कर टाळण्याची प्रणाली (एसीएएस शु) च्या प्रोटोटाइप खोल न्यूरल नेटवर्क अंमलबजावणीवर केले. परिणामांमध्ये असे दिसून आले आहे की, आमची तंत्रज्ञान नेटवर्कची गुणधर्म यशस्वीरित्या सिद्ध करू शकते जी विद्यमान पद्धतींचा वापर करून सत्यापित केलेल्या सर्वात मोठ्या नेटवर्कपेक्षा मोठ्या प्रमाणात आहे. |
b4bd9fab8439da4939a980a950838d1299a9b030 | पूर्ण अटी व शर्ती: http://pubsonline.informs.org/page/terms-and-conditions हा लेख केवळ संशोधन, शिक्षण आणि/किंवा खाजगी अभ्यासाच्या उद्देशाने वापरला जाऊ शकतो. अन्यथा सूचित केल्याशिवाय, प्रकाशकाच्या स्पष्ट मंजुरीशिवाय व्यावसायिक वापर किंवा पद्धतशीर डाउनलोड (रोबोट्स किंवा इतर स्वयंचलित प्रक्रियेद्वारे) प्रतिबंधित आहे. अधिक माहितीसाठी, [email protected] वर संपर्क साधा. प्रकाशक लेखाच्या अचूकतेची, पूर्णतेची, विक्रीयोग्यतेची, एखाद्या विशिष्ट हेतूसाठी योग्यतेची किंवा उल्लंघनाची हमी देत नाही. या लेखात उत्पादनांचे किंवा प्रकाशनांचे वर्णन किंवा संदर्भ किंवा जाहिरातीचा समावेश या उत्पादनाबद्दल, प्रकाशनाबद्दल किंवा सेवेबद्दल केलेल्या दाव्यांची हमी, समर्थन किंवा समर्थन दर्शवित नाही किंवा याचा अर्थ असा नाही. © 1990 INFORMS |
5288d14f6a3937df5e10109d4e23d79b7ddf080f | |
c9946fedf333df0c6404765ba6ccbf8006779753 | ऑटोमोटिव्ह ड्रायव्हिंगमुळे चालकाची सोय आणि सुरक्षा वाढण्याची क्षमता दिसून आली आहे. आपल्या सध्याच्या वाहतूक व्यवस्थेत स्वयंचलित वाहन चालवण्याची सुरुवात करताना एक महत्त्वाचा मुद्दा आहे, स्वयंचलित वाहनाला वास्तविक मानवी चालकाप्रमाणे प्रतिक्रिया देण्यास सक्षम बनवणे. भविष्यातील स्वायत्त वाहन मानवी चालकांसारखे काम करेल याची खात्री करण्यासाठी, या कागदपत्रात वाहन मोशन प्लॅनिंग मॉडेलचा प्रस्ताव आहे, जे वास्तविक सिग्नल केलेल्या चौकात वाहनांच्या वातावरणाच्या मूल्यांकनावर आधारित वाहन चालकांचे वाहन कसे नियंत्रित करते हे दर्शवू शकते. प्रस्तावित मोशन प्लॅनिंग मॉडेलमध्ये पादचारी हेतू शोधणे, अंतर शोधणे आणि वाहन गतिमान नियंत्रण यांचा समावेश आहे. या तीन फंक्शन्स वास्तविक वाहतूक वातावरणातून गोळा केलेल्या वास्तविक डेटाच्या विश्लेषणावर आधारित तयार केल्या आहेत. शेवटी, हा पेपर प्रस्तावित पद्धतीची कार्यक्षमता दर्शवितो आमच्या मॉडेलच्या वर्तनाची तुलना वास्तविक पादचारी आणि मानवी ड्रायव्हर्सच्या वर्तनाशी करून. प्रयोगाच्या परिणामांनुसार, आमचे प्रस्तावित मॉडेल 85% ओळख दर गाठू शकते. याव्यतिरिक्त, प्रस्तावित मोशन प्लॅनिंग मॉडेलद्वारे नियंत्रित केलेले वाहन आणि वास्तविक मानव-चालित वाहन छेदनबिंदूतील अंतर स्वीकारण्याच्या बाबतीत खूप समान आहे. |
061356704ec86334dbbc073985375fe13cd39088 | या कामात आम्ही मोठ्या प्रमाणात प्रतिमा ओळख सेटिंग मध्ये त्याच्या अचूकता वर संकुचित नेटवर्क खोली परिणाम तपासणी. आमच्या मुख्य योगदान वाढत्या खोलीच्या नेटवर्कचे सखोल मूल्यांकन आहे, जे दर्शविते की आधीच्या कला संरचनेवर लक्षणीय सुधारणा 16-19 वजन थरांवर खोली वाढवून मिळविली जाऊ शकते. या निष्कर्षांचा आधार होता आमचा इमेजनेट चॅलेंज २०१४ सादर करणे, जिथे आमच्या संघाने स्थानिकीकरण आणि वर्गीकरण ट्रॅकमध्ये अनुक्रमे प्रथम आणि दुसरे स्थान मिळवले. आम्ही हे देखील दाखवतो की आमचे प्रतिनिधित्व इतर डेटासेटमध्ये चांगले सामान्यीकरण करतात, जेणेकरून अत्याधुनिक परिणाम साध्य करता येतील. कॉम्प्युटर व्हिजनमध्ये खोल व्हिज्युअल प्रतिनिधित्व वापरण्यावर पुढील संशोधनास सुलभ करण्यासाठी आम्ही आमच्या दोन सर्वोत्कृष्ट कॉन्व्हेनेट मॉडेल सार्वजनिकपणे उपलब्ध करुन दिले आहेत. |
14318685b5959b51d0f1e3db34643eb2855dc6d9 | आम्ही एक खोल संकुचित न्यूरल नेटवर्क आर्किटेक्चर प्रस्तावित करतो ज्याचे कोड नाव आहे इनिशिएशन जे इमेजनेट लार्ज-स्केल व्हिज्युअल रिकग्निशन चॅलेंज 2014 (आयएलएसव्हीआरसी 14) मध्ये वर्गीकरण आणि शोधण्यासाठी कलाची नवीन स्थिती प्राप्त करते. या आर्किटेक्चरची मुख्य वैशिष्ट्य म्हणजे नेटवर्कमधील संगणकीय संसाधनांचा सुधारित वापर. काळजीपूर्वक तयार केलेल्या डिझाइनद्वारे आम्ही संगणकीय बजेट स्थिर ठेवून नेटवर्कची खोली आणि रुंदी वाढवली. गुणवत्तेला अनुकूल करण्यासाठी, आर्किटेक्चरल निर्णय हेबियन तत्त्व आणि बहु-स्केल प्रक्रियेच्या अंतर्ज्ञानावर आधारित होते. आयएलएसव्हीआरसी 14 साठी आमच्या सबमिशनमध्ये वापरल्या गेलेल्या एका विशिष्ट अवतारला गुगलनेट असे म्हणतात, 22 लेयर्सचे खोल नेटवर्क, ज्याची गुणवत्ता वर्गीकरण आणि शोधण्याच्या संदर्भात मूल्यांकन केली जाते. |
1827de6fa9c9c1b3d647a9d707042e89cf94abf0 | डीप न्यूरल नेटवर्क्सचे प्रशिक्षण हे या गोष्टीमुळे क्लिष्ट होते की प्रत्येक लेयरच्या इनपुटचे वितरण प्रशिक्षण दरम्यान बदलते, कारण मागील लेयर्सचे मापदंड बदलतात. यामुळे कमी शिकण्याची दर आणि काळजीपूर्वक पॅरामीटर आरंभ करणे आवश्यक आहे, आणि हे नॉन-रेषेचा परिपूर्ण नसलेल्या मॉडेलचे प्रशिक्षण करणे अत्यंत कठीण करते. आम्ही या घटनेला अंतर्गत सहपरिवर्तनशील शिफ्ट म्हणतो, आणि लेयर इनपुट सामान्य करून समस्येचे निराकरण करतो. आमची पद्धत ही नॅर्मलायझेशनला मॉडेल आर्किटेक्चरचा भाग बनवण्यापासून आणि प्रत्येक प्रशिक्षण मिनी-बॅचसाठी नॅर्मलायझेशन करण्यापासून आपली शक्ती मिळवते. बॅच नॉर्मलायझेशनमुळे आपल्याला जास्त शिकण्याची गती मिळते आणि आरंभिकरणावर कमी काळजी घेता येते आणि काही प्रकरणांमध्ये ड्रॉपआउटची आवश्यकता दूर होते. अत्याधुनिक प्रतिमा वर्गीकरण मॉडेलवर लागू केल्यास, बॅच नॉर्मलायझेशन 14 पट कमी प्रशिक्षण चरणांसह समान अचूकता प्राप्त करते आणि मूळ मॉडेलला लक्षणीय मार्जिनने पराभूत करते. बॅच-सामान्यीकृत नेटवर्कचा वापर करून, आम्ही इमेजनेट वर्गीकरणावर सर्वोत्तम प्रकाशित परिणामावर सुधारणा करतो: 4.82% वरच्या 5 चाचणी त्रुटी गाठणे, मानवी रेटरच्या अचूकतेपेक्षा जास्त. |
6e80768219b2ab5a3247444cfb280e8d33d369f0 | या पेपरमध्ये अल्ट्रा-वाइडबँड (यूडब्ल्यूबी) पॉवर डिवाइडरची रचना केली आहे. या पॉवर डिवाइडरची यूडब्ल्यूबी कामगिरी एका कॉनड मायक्रोस्ट्रिप लाइनचा वापर करून मिळते ज्यात एक्सपोनेंशियल आणि दीर्घवृत्ताकार विभाग असतात. ग्रॅस्ड ग्रॅनेड पॅराललल मायक्रो-जेनेटिक अल्गोरिदम (पीएमजीए) आणि सीएसटी मायक्रोवेव्ह स्टुडिओ एकत्रितपणे स्वयंचलित समांतर डिझाइन प्रक्रिया साध्य करण्यासाठी वापरले जातात. ही पद्धत यूडब्ल्यूबी पॉवर डिवाइडरला ऑप्टिमाइझ करण्यासाठी वापरली जाते. ऑप्टिमाइझ्ड पॉवर डिवाइडर तयार केला आणि मोजला गेला. मोजमापांचे परिणाम सापेक्ष कमी समाविष्ट नुकसान, चांगले रिटर्न नुकसान आणि संपूर्ण यूडब्ल्यूबी (3.1-10.6 जीएचझेड) मध्ये आउटपुट पोर्ट्स दरम्यान उच्च अलगाव दर्शवतात. |
2532d0567c8334e4cadf282a73ffe399c1c32476 | कामगिरीचा उपाय म्हणजे मिळवलेल्या बक्षिसांची बेरीज. उदाहरणार्थ, जेव्हा एक बंबल बी फीडर्स करते, तेव्हा प्रत्येक वेळी चरणातील बक्षीस कार्य हे उड्डाण केलेल्या अंतराचे (नकारात्मक वजन) आणि अमृतचे मिश्रण असू शकते. मार्कोव्ह निर्णय प्रक्रिया (एमडीपी) सोडविण्यासाठी प्रबलित शिक्षण (आरएल) पद्धती मूलतः ऑनलाइन अल्गोरिदम आहेत. एमडीपीची व्याख्या रिवॉर्ड फंक्शन आणि मॉडेलद्वारे केली जाते, म्हणजेच, प्रत्येक संभाव्य कृतीवर अवलंबून असलेल्या राज्य संक्रमणाच्या संभाव्यतेद्वारे. आरएल अल्गोरिदम मॉडेल-आधारित असू शकतात, जिथे एजंट मॉडेल शिकतो, किंवा मॉडेल-मुक्त-उदाहरणार्थ, क्यू-लर्निंग उद्धृत करते वॉटकिन्सः 1989, जे फक्त एक फंक्शन क्यू ((एस) शिकते, ए) राज्य एस मध्ये क्रिया करण्याची दीर्घकालीन मूल्य निर्दिष्ट करते आणि त्यानंतर चांगल्या प्रकारे कार्य करते. त्यांच्या यशाच्या असूनही, आरएल पद्धती मोठ्या प्रमाणात पूर्णपणे निरीक्षण करण्यायोग्य एमडीपीवर मर्यादित आहेत, ज्यामध्ये प्रत्येक राज्यात सेन्सर इनपुट राज्य ओळखण्यासाठी पुरेसे आहे. अर्थात, वास्तविक जगात, आपल्याला अनेकदा अंशतः निरीक्षण करण्यायोग्य एमडीपी (पीओएमडीपी) चे सामोरे जावे लागते. अॅस्ट्रॉम (१९६५) यांनी हे सिद्ध केले की पीओएमडीपी मधील इष्टतम निर्णय प्रत्येक वेळी विश्वास स्थिती बी वर अवलंबून असतात, म्हणजेच, सर्व संभाव्य वास्तविक राज्यांवर मागील संभाव्यता वितरण, आतापर्यंतचे सर्व पुरावे दिले आहेत. V आणि Q हे फंक्शन्स नंतर s ऐवजी b चे फंक्शन्स बनतात. Parr and Russell (1995) एक अतिशय सोपा POMDP RL अल्गोरिदम वर्णन करतात ज्यामध्ये b चे संभाव्यतेचे वेक्टर म्हणून स्पष्ट प्रतिनिधित्व वापरले जाते आणि McCallum (1993) अलीकडील समज अनुक्रमांचा वापर करून विश्वास स्थितीचे अंदाजे मार्ग दर्शविते. कोणताही दृष्टिकोन मोठ्या संख्येने राज्य चल आणि दीर्घकालीन तात्पुरत्या अवलंबून असलेल्या परिस्थितींमध्ये वाढण्याची शक्यता नाही. मॉडेलचे संक्षिप्त प्रतिनिधित्व करण्याची आणि मॉडेल आणि प्रत्येक नवीन निरीक्षणाच्या आधारे विश्वास स्थितीची कार्यक्षमतेने अद्ययावत करण्याची एक पद्धत आवश्यक आहे. डायनॅमिक बेझियन नेटवर्क (डीन आणि कानाझावा, १९८९) मध्ये काही आवश्यक गुणधर्म आहेत असे दिसते; विशेषतः, त्यांच्याकडे कलमन फिल्टर आणि लपविलेले मार्कोव्ह मॉडेल सारख्या इतर दृष्टिकोनांपेक्षा महत्त्वपूर्ण फायदे आहेत. चित्र 1 मध्ये दाखवलेल्या आमच्या बेसलाइन आर्किटेक्चरमध्ये नवीन सेन्सर माहिती येताच विश्वास स्थिती दर्शविण्यासाठी आणि अद्ययावत करण्यासाठी डीबीएन वापरले जातात. बी साठी प्रतिनिधित्व दिले, बक्षीस सिग्नलचा वापर Q-फंक्शन शिकण्यासाठी केला जातो ज्याचे प्रतिनिधित्व काही ब्लॅक-बॉक्स फंक्शन अॅप्रोक्सिमेटरद्वारे केले जाते जसे की न्यूरल नेटवर्क. जर आपण हायब्रिड (डि- या व्याख्यानात एक अतिशय सोपी "बेसलाइन आर्किटेक्चर" प्रस्तावित केली आहे, जी स्टोकास्टिक, अंशतः निरीक्षण करण्यायोग्य वातावरण हाताळू शकते. आर्किटेक्चरमध्ये आराखडा मॉडेल म्हणून तात्पुरत्या प्रक्रियेचे प्रतिनिधित्व करण्यासाठी एक पद्धत एकत्रितपणे मजबुतीकरण शिकण्याची वापरली जाते. संवेदी इनपुटमधून अशा प्रकारच्या प्रतिनिधित्वातील मापदंड आणि रचना आणि मागील संभाव्यतेची गणना करण्याच्या पद्धतींबद्दल मी चर्चा करेन. आपण संपूर्ण एजंटची चाचणी घेण्यापूर्वी काही उघड्या समस्या राहतील; जेव्हा आपण स्केल अप करण्याचा विचार करतो तेव्हा अधिक उद्भवतात. या भाषणाचा दुसरा विषय हा आहे की, पुनरावृत्ती शिक्षणाने प्राणी आणि मानवाच्या शिक्षणाचे चांगले मॉडेल उपलब्ध होऊ शकते का? या प्रश्नाचे उत्तर देण्यासाठी आपल्याला उलटा मजबुतीकरण शिकणे आवश्यक आहे: निरीक्षण केलेल्या वर्तनाला दिले, कोणते बक्षीस सिग्नल, जर असेल तर, ऑप्टिमाइझ केले जात आहे? COLT, UAI, आणि ML समुदायासाठी ही एक अतिशय मनोरंजक समस्या असल्याचे दिसते, आणि मार्कोव्ह निर्णय प्रक्रियेच्या स्ट्रक्चरल अंदाजानुसार इकोनोमेट्रिक्समध्ये हा विषय हाताळला गेला आहे. 1 अनिश्चित वातावरणात शिक्षण AI म्हणजे बुद्धिमान एजंट्सची निर्मिती, म्हणजेच, वातावरणात प्रभावीपणे (काही कार्यप्रदर्शन मोजमापांनुसार) जाणणारी आणि कार्य करणारी प्रणाली. रसेल आणि नॉर्विग (१९९५) यांच्यात मी असा युक्तिवाद केला आहे की बहुतेक एआय संशोधन स्थिर, निर्धारात्मक, असतत आणि पूर्णपणे निरीक्षण करण्यायोग्य असलेल्या वातावरणावर केंद्रित आहे. जेव्हा वास्तविक जगात, वातावरण गतिमान, स्थिरांकात्मक, सतत आणि अंशतः निरीक्षण करण्यायोग्य असेल तेव्हा काय करावे? हा पेपर एनएसएफ @I-9634215), ओएनआर (एन 00014-97-l-0941) आणि एआर 0 (डीएएएच 04-96-1-0341) द्वारे समर्थित विविध संशोधन प्रयत्नांवर आधारित आहे. या पुस्तकाच्या वैयक्तिक किंवा वर्ग वापरासाठी डिजिटल किंवा हार्ड कॉपी बनविण्याची परवानगी विनाशुल्क दिली जाते, परंतु कॉपी बनविणे किंवा वितरित करणे व्यावसायिक किंवा व्यावसायिक फायद्यासाठी नाही आणि कॉपीवर ही सूचना आणि पहिल्या पानावर संपूर्ण उद्धरण दिले आहे. अन्यथा कॉपी करणे. यादीत पुन्हा प्रकाशित करण्यासाठी, सर्व्हरवर पोस्ट करण्यासाठी किंवा सूचीमध्ये पुन्हा वितरित करण्यासाठी, पूर्व विशिष्ट परवानगी आणि / किंवा फी आवश्यक आहे. COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 अलिकडच्या वर्षांत, मजबुतीकरण शिक्षण (ज्याला न्यूरोडायनामिक प्रोग्रामिंग असेही म्हणतात) ने स्वयंचलितपणे एजंट तयार करण्याच्या दृष्टिकोनातून वेगवान प्रगती केली आहे (सटन, 1988; केलब्लिंग व इतर, 1996; बर्ट्सकेस आणि त्सिकलिस, 1996). मूलभूत कल्पना अशी आहे की कार्यप्रदर्शन उपाय एजंटला पुरस्कृत फंक्शनच्या रूपात उपलब्ध करून दिला जातो जो एजंटने पार केलेल्या प्रत्येक राज्यातून पुरस्कृत करतो. |
6f20506ce955b7f82f587a14301213c08e79463b | |
d14ddc01cff72066c6655aa39f3e207e34fb8591 | या पेपरमध्ये मायक्रोइलेक्ट्रोमेकॅनिकल सिस्टम्स (एमईएमएस) वर आधारित रेडिओ-फ्रिक्वेन्सी (आरएफ) तंत्रज्ञानाच्या तुलनेने नवीन क्षेत्राचा अभ्यास केला गेला आहे. आरएफ एमईएमएस नवीन उपकरणे आणि घटकांचा एक वर्ग प्रदान करते जे पारंपारिक (सामान्यतः सेमीकंडक्टर) उपकरणांपेक्षा उत्कृष्ट उच्च-वारंवार कार्यक्षमता प्रदर्शित करतात आणि जे नवीन सिस्टम क्षमता सक्षम करतात. याव्यतिरिक्त, एमईएमएस उपकरणे अत्यंत मोठ्या प्रमाणात एकत्रीकरणाच्या तंत्राप्रमाणेच डिझाइन आणि तयार केली जातात आणि पारंपारिक बॅच-प्रोसेसिंग पद्धतींनी तयार केली जाऊ शकतात. या पेपरमध्ये, केवळ एक उपकरण आहे ज्याला संबोधित केले जाते ते म्हणजे इलेक्ट्रोस्टॅटिक मायक्रोस्विच - कदाचित नमुना आरएफ-एमईएमएस डिव्हाइस. त्याच्या उत्कृष्ट कार्यक्षमतेच्या वैशिष्ट्यांमुळे, मायक्रोस्विच सध्याच्या अनेक विद्यमान सर्किट्स आणि सिस्टममध्ये विकसित केले जात आहे, ज्यात रेडिओ फ्रंट-एंड्स, कॅपेसिटर बँक आणि वेळ-विलंब नेटवर्कचा समावेश आहे. अल्ट्रा-लो-पावर डिसिप्शन आणि मोठ्या प्रमाणात एकत्रीकरणासह एकत्रित केलेल्या उत्कृष्ट कामगिरीमुळे नवीन सिस्टम कार्यक्षमता देखील सक्षम केली पाहिजे. यामध्ये दोन शक्यतांचा विचार केला जातो. |
9d5f36b92ac155fccdae6730660ab44d46ad501a | जोखीम समता ही विविध पोर्टफोलिओ तयार करण्यासाठी वापरली जाणारी एक वाटप पद्धत आहे जी अपेक्षित परताव्याच्या कोणत्याही गृहीतकावर अवलंबून नाही, अशा प्रकारे जोखीम व्यवस्थापन धोरणाच्या केंद्रस्थानी ठेवते. यामुळेच २००८ मध्ये जागतिक आर्थिक संकटाच्या नंतर जोखीम समता लोकप्रिय गुंतवणूक मॉडेल बनली. तथापि, जोखीम समतेवर देखील टीका केली गेली आहे कारण ते पोर्टफोलिओच्या कामगिरीपेक्षा जोखीम एकाग्रतेवर लक्ष केंद्रित करते आणि म्हणूनच सक्रिय व्यवस्थापनापेक्षा निष्क्रीय व्यवस्थापनास अधिक जवळचे मानले जाते. या लेखात, आम्ही दर्शवितो की अपेक्षित परतावा गृहीत धरून जोखीम समता पोर्टफोलिओमध्ये कसे सादर करावे. यासाठी आम्ही एक सामान्यीकृत जोखीम मापन विचारात घेतो ज्यामध्ये पोर्टफोलिओची परतावा आणि अस्थिरता दोन्ही विचारात घेतात. तथापि, कामगिरी आणि अस्थिरता योगदान दरम्यान व्यापार-ऑफ काही अडचण निर्माण, जोखीम बजेट समस्या स्पष्टपणे परिभाषित करणे आवश्यक आहे. अशा जोखीम अंदाजपत्रकांचे सैद्धांतिक गुणधर्म काढल्यानंतर, आम्ही हे नवीन मॉडेल मालमत्ता वाटपासाठी लागू करतो. प्रथम, आम्ही दीर्घकालीन गुंतवणूक धोरण आणि धोरणात्मक मालमत्ता वाटप निश्चित विचार. मग आपण डायनॅमिक अॅलोकेशनचा विचार करतो आणि अपेक्षित परताव्यावर अवलंबून असलेले जोखीम पॅरिटी फंड कसे तयार करावे हे दाखवतो. |
006df3db364f2a6d7cc23f46d22cc63081dd70db | अॅड हॉक नेटवर्क हे वायरलेस मोबाइल होस्ट्सचे एक संग्रह आहे जे कोणत्याही स्थापित पायाभूत सुविधा किंवा केंद्रीकृत प्रशासनाच्या मदतीशिवाय तात्पुरते नेटवर्क तयार करते. अशा वातावरणात, प्रत्येक मोबाइल होस्टच्या वायरलेस ट्रान्समिशनची मर्यादित श्रेणीमुळे, पॅकेटला त्याच्या गंतव्यस्थानाकडे पाठविण्यासाठी इतर होस्टची मदत घेण्याची आवश्यकता असू शकते. या लेखात अॅड हॉक नेटवर्कमध्ये रुटिंगसाठी एक प्रोटोकॉल सादर केला आहे ज्यामध्ये डायनॅमिक सोर्स रुटिंगचा वापर केला जातो. जेव्हा होस्टची हालचाल वारंवार होते तेव्हा प्रोटोकॉल रुटिंग बदलांशी त्वरीत जुळवून घेतो, परंतु होस्ट कमी वारंवार हलवतात तेव्हा कालावधीत थोड्या किंवा कोणत्याही ओव्हरहेडची आवश्यकता नसते. अॅड हॉक नेटवर्कमध्ये कार्यरत असलेल्या मोबाइल होस्टच्या पॅकेट-स्तरीय सिम्युलेशनच्या परिणामांवर आधारित, प्रोटोकॉल होस्ट घनता आणि हालचाली दर यासारख्या विविध पर्यावरणीय परिस्थितींमध्ये चांगले कार्य करते. यजमानांच्या हालचालींचे सर्वाधिक दर सिमुलेटेड वगळता सर्वच प्रोटोकॉलचे ओव्हरहेड अगदी कमी आहे, 24 मोबाइल यजमानांच्या नेटवर्कमध्ये मध्यम हालचालींच्या दरासाठी पाठविलेल्या एकूण डेटा पॅकेटच्या फक्त 1% पर्यंत घसरत आहे. सर्व प्रकरणांमध्ये, वापरलेल्या मार्गांच्या लांबीमध्ये आणि इष्टतम मार्गांच्या लांबीमध्ये फरक नगण्य आहे आणि बहुतेक प्रकरणांमध्ये, मार्गांची लांबी इष्टतमच्या 1.01 च्या गुणांकात असते. |
25a26b86f4a2ebca2b154effbaf894aef690c03c | अलीकडेच, टेक्स्ट लर्निंगच्या कामासाठी लेबल केलेले आणि लेबल नसलेले डेटा एकत्रित करणारे पर्यवेक्षित शिक्षण अल्गोरिदममध्ये लक्षणीय रस आहे. सह-प्रशिक्षण सेटिंग [1] डेटासेटवर लागू होते ज्यात त्यांच्या वैशिष्ट्यांचे नैसर्गिकरित्या दोन विभक्त संचमध्ये वेगळे आहे. आम्ही दाखवतो की लेबल केलेले आणि लेबल न केलेले डेटा शिकताना, वैशिष्ट्यांचे नैसर्गिक स्वतंत्र विभाजन स्पष्टपणे वापरणारे अल्गोरिदम, असे न करणाऱ्या अल्गोरिदमपेक्षा चांगले काम करतात. जेव्हा नैसर्गिक विभाजन अस्तित्वात नसते, तेव्हा वैशिष्ट्य विभाजन तयार करणारे सह-प्रशिक्षण अल्गोरिदम विभाजन न वापरणार्या अल्गोरिदमपेक्षा चांगले काम करू शकतात. या परिणामामुळे सह-प्रशिक्षण अल्गोरिदम निसर्गात भेदभाव करणारे आणि त्यांच्या एम्बेडेड वर्गीकरणाच्या गृहीतकांच्या दृढतेचे कारण स्पष्ट करण्यास मदत होते. |
78beead3a05f7e8f2dc812298f813c5bacdc3061 | |
1d6889c44e11141cc82ef28bba1afe07f3c0a2b4 | गेल्या काही वर्षांत इंटरनेट ऑफ थिंग्ज (आयओटी) चा व्यापक वापर झाला आहे आणि प्रत्येक क्षेत्रात तो आढळू शकतो. आयओटीच्या संदर्भात डिव्हाइस दरम्यान सुरक्षित संप्रेषण सक्षम करण्यासाठी प्रमाणीकरण आणि प्रवेश नियंत्रण ही महत्वाची आणि गंभीर कार्यक्षमता आहे. आयओटी नेटवर्कमध्ये कमी उर्जा उपकरणांची गतिशीलता, गतिशील नेटवर्क टोपोलॉजी आणि कमकुवत भौतिक सुरक्षा हे सुरक्षा कमकुवततेचे संभाव्य स्रोत आहेत. हे एक संसाधन-प्रतिबंधित आणि वितरित आयओटी वातावरणात प्रमाणीकरण आणि प्रवेश नियंत्रण हल्ला प्रतिरोधक आणि हलके बनविण्याचे आश्वासन देत आहे. या पेपरमध्ये प्रोटोकॉल मूल्यांकन आणि कार्यप्रदर्शन विश्लेषणासह ओळख प्रमाणीकरण आणि क्षमता आधारित प्रवेश नियंत्रण (आयएसीएसी) मॉडेल सादर केले आहे. मॅन-इन-द-मिडल, रिप्ले आणि सेवा नाकारण्याचे (डीओएस) हल्ल्यांपासून आयओटीचे संरक्षण करण्यासाठी, प्रवेश नियंत्रणासाठी क्षमता संकल्पना सादर केली जाते. या मॉडेलची नवीनता अशी आहे की, हे आयओटी उपकरणांसाठी प्रमाणीकरण आणि प्रवेश नियंत्रणाचा एकात्मिक दृष्टीकोन सादर करते. आमच्या निष्कर्षांना समर्थन देण्यासाठी इतर संबंधित अभ्यासाचे परिणाम देखील विश्लेषित केले गेले आहेत. या प्रस्तावाचे मूल्यांकन सुरक्षा प्रोटोकॉल सत्यापन साधनाच्या माध्यमातून करण्यात आले असून, या सत्यापन परिणामांवरून आयएसीएसी या उपरोक्त हल्ल्यांपासून सुरक्षित असल्याचे दिसून आले आहे. या पेपरमध्ये संगणकीय वेळेच्या बाबतीत प्रोटोकॉलच्या कामगिरीचे विश्लेषण आणि इतर जर्नल ऑफ सायबर सिक्युरिटी अँड मोबिलिटी, खंड. १, ३०९-३४८ c © 2013 नदी प्रकाशक. सर्व हक्क राखीव आहेत. ३१० पी. एन. महाले व इतर विद्यमान उपाययोजना याशिवाय, या पेपरमध्ये आयओटीमधील आव्हानांचा उल्लेख केला आहे आणि आयओटी नेटवर्कचे वास्तविक दृश्य देण्यासाठी वापर प्रकरणांसह सुरक्षा हल्ले मॉडेल केले आहेत. |
310b72fbc3d384ca88ca994b33476b8a2be2e27f | आम्ही भावना विश्लेषक (एसए) सादर करतो जे ऑनलाइन मजकूर दस्तऐवजांमधून एखाद्या विषयाबद्दल भावना (किंवा मत) काढते. एखाद्या विषयाबद्दल संपूर्ण दस्तऐवजाची भावना वर्गीकृत करण्याऐवजी, एसए दिलेल्या विषयावरील सर्व संदर्भ शोधते आणि नैसर्गिक भाषा प्रक्रिया (एनएलपी) तंत्राचा वापर करून प्रत्येक संदर्भातील भावना निर्धारित करते. आमच्या भावना विश्लेषणात 1) विषय विशिष्ट वैशिष्ट्य शब्द काढणे, 2) भावना काढणे, आणि 3) (विषय, भावना) संबंध विश्लेषण करून संघटना. एसए विश्लेषण करण्यासाठी दोन भाषिक संसाधनांचा वापर करते: सेन्टिमेंट लेक्सिकन आणि सेन्टिमेंट पॅटर्न डेटाबेस. या अल्गोरिदमची कार्यक्षमता ऑनलाईन उत्पादनांच्या पुनरावलोकनावर (डिजिटल कॅमेरा आणि संगीत) आणि सामान्य वेबपेज आणि बातम्यांसह अधिक सामान्य कागदपत्रांवर तपासली गेली. |
59d9160780bf3eac8c621983a36ff332a3497219 | स्वयंचलित भावना विश्लेषणाच्या अनेक पद्धती त्यांच्या पूर्व ध्रुवीयतेसह (जिच्याला सिमेंटिक अभिमुखता देखील म्हणतात) चिन्हांकित केलेल्या शब्दांच्या मोठ्या शब्दकोशाने सुरू होतात. तथापि, एखाद्या शब्दाची विशिष्ट उदाहरणे दिसून येतील त्या वाक्याच्या संदर्भातील ध्रुवीयता शब्दाच्या पूर्वीच्या ध्रुवीयतेपेक्षा अगदी वेगळी असू शकते. नकारात्मक भावना व्यक्त करणाऱ्या वाक्यांत सकारात्मक शब्द वापरले जातात, किंवा उलट. तसेच, बरेचदा शब्द जे सकारात्मक किंवा नकारात्मक असतात ते संदर्भात तटस्थ असतात, म्हणजेच ते भावना व्यक्त करण्यासाठी देखील वापरले जात नाहीत. या कामाचे उद्दीष्ट हे आहे की पूर्व आणि संदर्भातील ध्रुवीयतेमध्ये आपोआप फरक करणे, या कार्यासाठी कोणत्या वैशिष्ट्यांचे महत्त्व आहे हे समजून घेण्यावर लक्ष केंद्रित करणे. या समस्येचा एक महत्त्वाचा पैलू म्हणजे जेव्हा ध्रुवीय अटी तटस्थ संदर्भात वापरल्या जातात तेव्हा ओळखणे, तटस्थ आणि ध्रुवीय उदाहरणे यांच्यात फरक करण्यासाठी वैशिष्ट्ये तसेच सकारात्मक आणि नकारात्मक संदर्भातील ध्रुवीयता यांच्यात फरक करण्यासाठी वैशिष्ट्ये मूल्यांकन केली जातात. या मूल्यांकनामध्ये अनेक मशीन लर्निंग अल्गोरिदममध्ये वैशिष्ट्यांच्या कामगिरीचे मूल्यांकन करणे समाविष्ट आहे. एकाशिवाय सर्व शिकण्याच्या अल्गोरिदमसाठी, सर्व वैशिष्ट्यांचे संयोजन एकत्र सर्वोत्तम कार्यक्षमता देते. मूल्यमापनाचा आणखी एक पैलू विचारात घेतो की तटस्थ उदाहरणांची उपस्थिती सकारात्मक आणि नकारात्मक ध्रुवीयतेमध्ये फरक करण्यासाठी वैशिष्ट्यांच्या कामगिरीवर कसा परिणाम करते. या प्रयोगांमधून असे दिसून आले आहे की तटस्थ घटकांची उपस्थिती या वैशिष्ट्यांची कार्यक्षमता मोठ्या प्रमाणात कमी करते आणि सर्व ध्रुवीयता वर्गांमध्ये कार्यक्षमता सुधारण्याचा सर्वोत्तम मार्ग म्हणजे जेव्हा एखादी घटना तटस्थ असते तेव्हा ओळखण्याची प्रणालीची क्षमता सुधारणे. |
7c89cbf5d860819c9b5e5217d079dc8aafcba336 | या पेपरमध्ये, आम्ही वाक्यांच्या पातळीवरील वर्गीकरणाचा एक केस स्टडी वर्णन करतो ज्यामध्ये चार न्यायाधीशांनी वॉल स्ट्रीट जर्नलमधील कलमांना व्यक्तिपरक किंवा उद्दीष्ट म्हणून वर्गीकृत करण्यासाठी टॅगिंग सूचना विकसित केल्या आहेत आणि वापरल्या आहेत. चार न्यायाधीशांच्या सहमतीचे विश्लेषण केले जाते आणि त्या विश्लेषणाच्या आधारे प्रत्येक कलमाला अंतिम वर्गीकरण दिले जाते. वर्गीकरणासाठी अनुभवजन्य आधार देण्यासाठी, परस्पर संबंधांचे मूल्यांकन व्यक्तिमत्त्वाच्या श्रेणी आणि क्विर्क आणि इतर यांनी मांडलेल्या मूलभूत सिमेंटिक वर्गातील डेटामध्ये केले जाते. (१९८५) |
9141d85998eadb1bca5cca027ae07670cfafb015 | भावना (मतेचे भावनिक भाग) ओळखणे ही एक आव्हानात्मक समस्या आहे. आम्ही एक अशी प्रणाली सादर करतो जी एखाद्या विषयावर विचार केल्यावर त्या विषयावर मत असणाऱ्या लोकांना आणि प्रत्येक मताच्या भावना आपोआप शोधते. या प्रणालीमध्ये शब्दाची भावना ठरविण्यासाठी एक मॉड्यूल आहे आणि दुसर्या वाक्यामध्ये भावना एकत्र करण्यासाठी. आम्ही शब्द आणि वाक्य पातळीवर भावना वर्गीकरण आणि एकत्रित करण्याच्या विविध मॉडेलसह प्रयोग करतो, आश्वासक परिणामांसह. |
c2ac213982e189e4ad4c7f60608914a489ec9051 | अरबी भाषेतील मजकूर तयार करण्याच्या आमच्या तीन वर्षांच्या अनुभवावर आधारित, आमचा हा लेख पुढील गोष्टींवर लक्ष देईल: (अ) पद्धतीच्या निवडीशी संबंधित अरबी भाषेतील संबंधित समस्यांचा आढावा घ्या, (ब) पेन इंग्लिश ट्रीबँक शैलीच्या मार्गदर्शक तत्त्वांचा वापर करण्याची आमची निवड स्पष्ट करा, (अरबी भाषिक एनोटेटर्सना नवीन व्याकरणात्मक समस्यांशी सामोरे जाण्याची आवश्यकता आहे) (c) मानवी भाष्य महत्वाचे आहे आणि स्वयंचलित विश्लेषण कठीण आहे, ज्यात मॉर्फोलॉजिकल विश्लेषक आणि मानवी भाष्यकार या दोघांनीही वर्तणूक अस्पष्टतेचा सामना केला आहे, यासह अनेक मार्ग दाखवा; (d) अरबी ट्रीबँक पद्धती, morfological विश्लेषण आणि टॅगिंग आणि वाक्यरचना विश्लेषण दोन्हीमध्ये एका विशिष्ट बांधकामावर लक्ष केंद्रित करणे आणि संपूर्ण एनोटेशन प्रक्रियेद्वारे तपशीलवारपणे त्याचे अनुसरण करणे आणि शेवटी, (ई) आतापर्यंत जे साध्य झाले आहे आणि जे करणे बाकी आहे त्यासह निष्कर्ष काढणे. |
e33a3487f9b656631159186db4b2aebaed230b36 | डिजिटल प्लॅटफॉर्म आज जवळजवळ प्रत्येक उद्योगात बदल घडवून आणत आहेत, ते हळूहळू मुख्य प्रवाहात माहिती प्रणाली (आयएस) साहित्यात आपला मार्ग शोधत आहेत. डिजिटल प्लॅटफॉर्म हे एक आव्हानात्मक संशोधन विषय आहेत कारण ते वितरित आहेत आणि संस्था, बाजारपेठ आणि तंत्रज्ञानाशी जोडलेले आहेत. प्लॅटफॉर्म नाविन्यपूर्णतेच्या वाढत्या प्रमाणात, प्लॅटफॉर्म आर्किटेक्चरची वाढती जटिलता आणि अनेक वेगवेगळ्या उद्योगांमध्ये डिजिटल प्लॅटफॉर्मचा प्रसार झाल्यामुळे नवीन संशोधन आव्हाने उद्भवली आहेत. या पेपरमध्ये आयएसमध्ये डिजिटल प्लॅटफॉर्म संशोधनासाठी संशोधन अजेंडा विकसित केला आहे. आम्ही शिफारस करतो की संशोधक (1) विश्लेषण युनिट, डिजिटलतेची डिग्री आणि डिजिटल प्लॅटफॉर्मचे सामाजिक-तांत्रिक स्वरूप निर्दिष्ट करणारी स्पष्ट व्याख्या प्रदान करून संकल्पनात्मक स्पष्टता वाढवण्याचा प्रयत्न करतात; (2) वेगवेगळ्या आर्किटेक्चरल स्तरांवर आणि वेगवेगळ्या उद्योग सेटिंग्जमध्ये प्लॅटफॉर्मचा अभ्यास करून डिजिटल प्लॅटफॉर्म संकल्पनांची योग्य व्याप्ती परिभाषित करा; आणि (3) एम्बेडेड केस स्टडीज, अनुलंब अभ्यास, डिझाइन संशोधन, डेटा-चालित मॉडेलिंग आणि व्हिज्युअलायझेशन तंत्रांचा वापर करून पद्धतशीर कठोरता वाढवा. सध्याच्या व्यवसायाच्या विकासाचा विचार करता पुढील संशोधनासाठी सहा प्रश्न सुचवितो: (1) प्लॅटफॉर्म हे कायमचे आहे का? 2) प्लॅटफॉर्मची रचना कशी करावी? ; (3) डिजिटल प्लॅटफॉर्म उद्योगांचे रूपांतर कसे करतात? ; (4) डेटा-आधारित दृष्टिकोन डिजिटल प्लॅटफॉर्म संशोधनास कसे सूचित करू शकतात? ; (5) संशोधकांनी डिजिटल प्लॅटफॉर्मसाठी सिद्धांत कसा विकसित करावा? आणि (6) डिजिटल प्लॅटफॉर्मचा दैनंदिन जीवनावर कसा परिणाम होतो? |
1be8cab8701586e751d6ed6d186ca0b6f58a54e7 | प्रणाली वैशिष्ट्याची उपयुक्तता काही प्रमाणात आवश्यकतांच्या पूर्णतेवर अवलंबून असते. तथापि, सर्व आवश्यक आवश्यकतांची यादी करणे कठीण आहे, विशेषतः जेव्हा आवश्यकता अप्रत्याशित वातावरणाशी संवाद साधतात. आदर्श पर्यावरणीय दृष्टिकोनासह तयार केलेली विशिष्टता अपूर्ण आहे जर त्यात गैर-आदर्शित वर्तन हाताळण्यासाठी आवश्यकतांचा समावेश नसेल. अनेकदा अपूर्ण आवश्यकता अंमलबजावणी, चाचणी, किंवा त्याहूनही वाईट, तैनात केल्यानंतरच आढळतात. आवश्यकता विश्लेषण करताना अपूर्ण आवश्यकता शोधणे हे एक त्रुटीप्रवण, कंटाळवाणे आणि मॅन्युअल काम आहे. या पेपरमध्ये एरेसची ओळख आहे, जे श्रेणीबद्ध आवश्यकता मॉडेलचे प्रतीकात्मक विश्लेषण वापरून अपूर्ण आवश्यकता विघटन शोधण्यासाठी डिझाइन-टाइम दृष्टिकोन आहे. आम्ही आमच्या दृष्टिकोनाचे उदाहरण देत आहोत. आम्ही एरेसला उद्योग-आधारित ऑटोमोटिव्ह अॅडॅप्टिव्ह क्रूझ कंट्रोल सिस्टमच्या आवश्यकता मॉडेलवर लागू करतो. एरेस डिझाइन-वेळच्या अपूर्ण आवश्यकतांचे विघटन करण्याच्या विशिष्ट उदाहरणांना स्वयंचलितपणे शोधण्यात सक्षम आहे, त्यापैकी बरेच सूक्ष्म आहेत आणि ते मॅन्युअली किंवा चाचणीद्वारे शोधणे कठीण आहे. |
155ed7834a8a44a195b80719985a8b4ca11e6fdc | बहु-प्रवेश-बहु-उत्पादन (एमआयएमओ) रडार पारंपारिक फेज-अॅरे रडार प्रणालींपेक्षा तरंगरूप विविधतेद्वारे उत्कृष्ट कार्यक्षमता प्राप्त करू शकते. जेव्हा एमआयएमओ रडार ऑर्थोगोनल वेव्हफॉर्म प्रसारित करतो, तेव्हा स्कॅटरमधून प्रतिबिंबित केलेले सिग्नल एकमेकांपासून रेषेवर स्वतंत्र असतात. म्हणून, कॅपॉन आणि अॅम्प्लिट्यूड आणि फेज इस्टिमेशन (एपीईएस) फिल्टर सारख्या अनुकूलीत प्राप्त फिल्टर थेट एमआयएमओ रडार अनुप्रयोगांमध्ये वापरले जाऊ शकतात. उच्च पातळीचा आवाज आणि जोरदार गोंधळ यामुळे डेटा-अवलंबी बीमफॉर्मर्सची ओळख कार्यक्षमता लक्षणीय प्रमाणात खराब होते. पुनरावृत्तीशील अनुकूलन पद्धत (आयएए), एक नॉनपॅरामेट्रिक आणि वापरकर्ता पॅरामीटर-मुक्त वेटेड लेटेस्ट-स्क्वेअर अल्गोरिदम, अलीकडेच अनेक निष्क्रीय आणि सक्रिय सेन्सिंग अनुप्रयोगांमध्ये सुधारित रिझोल्यूशन आणि व्यत्यय नकार कार्यक्षमता ऑफर करते हे दर्शविले गेले आहे. या पेपरमध्ये, आम्ही दर्शवितो की आयएएला एमआयएमओ रडार इमेजिंगमध्ये कसे वाढवता येईल, दुर्लक्षित आणि दुर्लक्षित इंट्रापल्सेड डॉप्लर प्रकरणांमध्ये आणि आम्ही आयएएचे काही सैद्धांतिक अभिसरण गुणधर्म देखील स्थापित करतो. याव्यतिरिक्त, आम्ही आयएए-आर म्हणून संदर्भित एक नियमित आयएए अल्गोरिदम प्रस्तावित करतो, जे सिग्नल मॉडेलमध्ये अप्रत्याशित अॅडिटिव्ह ध्वनी अटींचा विचार करून आयएएपेक्षा चांगले काम करू शकते. सिंगल इनपुट मल्टीपल आउटपुट (एसआयएमओ) रडारपेक्षा एमआयएमओ रडारची उत्कृष्ट कार्यक्षमता दर्शविण्यासाठी संख्यात्मक उदाहरणे सादर केली गेली आहेत आणि लक्ष्य प्रतिमांसाठी प्रस्तावित आयएए-आर पद्धतीने प्राप्त केलेल्या सुधारित कार्यक्षमतेवर आणखी प्रकाश टाकला आहे. |
0cfe588996f1bc319f87c6f75160d1cf1542d9a9 | |
20efcba63a0d9f12251a5e5dda745ac75a6a84a9 | |
ccaab0cee02fe1e5ffde33b79274b66aedeccc65 | वाहतुकीच्या भविष्यातील कल्पना म्हणून, स्वयं-ड्रायव्हिंग कारची चर्चा सामाजिक, आर्थिक, अभियांत्रिकी, संगणक विज्ञान, डिझाइन आणि नैतिकतेसह विविध दृष्टीकोनातून केली जात आहे. एकीकडे, सेल्फ ड्रायव्हिंग कार नवीन अभियांत्रिकी समस्या निर्माण करतात ज्या हळूहळू यशस्वीरित्या सोडवल्या जात आहेत. दुसरीकडे, सामाजिक आणि नैतिक समस्यांना आदर्श स्वरूपात सोडविता न येणाऱ्या निर्णय समस्या, तथाकथित ट्रॉली समस्या म्हणून सादर केले जाते, जे अत्यंत दिशाभूल करणारे आहे. नवीन तंत्रज्ञानाच्या विकासासाठी एक लागू अभियांत्रिकी नैतिक दृष्टिकोन आवश्यक आहे असा आमचा तर्क आहे; हा दृष्टिकोन लागू केला पाहिजे, याचा अर्थ असा की तो जटिल वास्तविक-जगातील अभियांत्रिकी समस्यांच्या विश्लेषणावर लक्ष केंद्रित केला पाहिजे. ऑटोमोटिव्ह कारच्या नियंत्रणासाठी सॉफ्टवेअरची भूमिका महत्त्वाची आहे. त्यामुळे सॉफ्टवेअर इंजिनिअरिंगच्या उपाययोजनांमध्ये नैतिक आणि सामाजिक बाबींचा विचार केला पाहिजे. या लेखात आपण नियामक साधने, मानके, रचना आणि घटकांची अंमलबजावणी, प्रणाली आणि सेवांवर बारकाईने नजर टाकतो आणि आम्ही व्यावहारिक सामाजिक आणि नैतिक आव्हाने सादर करतो ज्यांना पूर्ण करणे आवश्यक आहे, तसेच सॉफ्टवेअर अभियांत्रिकीसाठी नवीन अपेक्षा. |
288c67457f09c0c30cadd7439040114e9c377bc3 | अग्रवाल, इमिलीन्स्की आणि स्वामी यांनी सादर केलेले असोसिएशन नियम हे संबंधांच्या 90% पंक्तींसाठी या स्वरूपाचे नियम आहेत, जर पंक्तीला सेट W मधील स्तंभांमध्ये 1 मूल्य असेल तर ते स्तंभ B मध्ये देखील 1 आहे. मोठ्या संख्येने डेटा एकत्रित केल्यास संघटना नियम शोधण्यासाठी कार्यक्षम पद्धती अस्तित्वात आहेत. असे असले तरी, शोधलेल्या नियमांची संख्या इतकी मोठी असू शकते की नियम संच ब्राउझ करणे आणि त्यातून मनोरंजक नियम शोधणे वापरकर्त्यासाठी खूप कठीण असू शकते. आम्ही दाखवतो की नियम टेम्पलेट्सचे साधे फॉर्मॅलिझम मनोरंजक नियमांची रचना सहजपणे वर्णन करणे शक्य करते. आम्ही नियमांच्या दृश्यतेची उदाहरणे देखील देतो आणि नियम टेम्पलेट्ससह दृश्यता साधन कसे इंटरफेस करते ते दर्शवितो. |
384bb3944abe9441dcd2cede5e7cd7353e9ee5f7 | |
47f0f6a2fd518932734cc90936292775cc95aa5d | |
b336f946d34cb427452517f503ada4bbe0181d3c | व्हिडिओ समजून घेण्यात अलीकडील प्रगती आणि वर्षांमध्ये काळाच्या कृती स्थानिकीकरणात सतत सुधारणा होत असली तरी, हे अद्याप अस्पष्ट आहे की किती दूर (किंवा जवळ? आपण समस्येचे निराकरण करण्यासाठी आहोत. या उद्देशाने, आम्ही व्हिडिओंमध्ये तात्पुरती क्रिया शोधक कामगिरीचे विश्लेषण करण्यासाठी आणि एकाच स्केलर मेट्रिकच्या पलीकडे भिन्न पद्धतींची तुलना करण्यासाठी एक नवीन निदान साधन सादर करतो. आम्ही आमच्या साधनाच्या वापराचे उदाहरण देत आहोत, जेथे आम्ही ActivityNet च्या नवीनतम स्थानिकीकरण आव्हानातील सर्वोत्तम पुरस्कारांच्या कामगिरीचे विश्लेषण करतो. आमच्या विश्लेषणातून असे दिसून आले आहे की काम करण्याचे सर्वात प्रभावी क्षेत्र म्हणजेः उदाहरणांच्या आसपासच्या काळाच्या संदर्भात अधिक चांगले कार्य करण्यासाठी धोरणे, आरटीच्या सामर्थ्यवानतेत सुधारणा करणे. उदाहरणाचा परिपूर्ण आणि सापेक्ष आकार, आणि स्थानिकीकरण त्रुटी कमी करण्यासाठी धोरणे. याव्यतिरिक्त, आमच्या प्रयोगात्मक विश्लेषणानुसार, एनोटेटरमध्ये एकमत नसणे हे या क्षेत्रात प्रगती करण्यासाठी एक प्रमुख अडथळा नाही. आमचे निदान साधन सार्वजनिकरित्या उपलब्ध आहे जेणेकरून इतर संशोधकांच्या मनाला त्यांच्या अल्गोरिदमबद्दल अतिरिक्त अंतर्दृष्टी देऊन इंधन पुरविते. |
160404fb0d05a1a2efa593c448fcb8796c24b873 | प्रतिनिधित्व यांचे अनुकरण सिद्धांत विकसित केले गेले आहे आणि एक फ्रेमवर्क म्हणून शोधले गेले आहे जे मेंदूच्या विविध प्रकारच्या प्रतिनिधित्व कार्यांचे स्पष्टपणे संश्लेषण करू शकते. या फ्रेमवर्कचा आधार नियंत्रण सिद्धांत (फॉरवर्ड मॉडेल) आणि सिग्नल प्रोसेसिंग (कल्मन फिल्टर) या संकल्पनांवर आधारित आहे. या विचारानुसार, मेंदू शरीराशी आणि वातावरणाशी संवाद साधण्याव्यतिरिक्त, मेंदू मेंदूच्या न्युरल सर्किट्स बनवतो जे शरीर आणि वातावरणाचे मॉडेल म्हणून काम करतात. उघड सेन्सरिमोटर सहभाग दरम्यान, या मॉडेलला शरीरासह आणि वातावरणासह समांतरपणे इफेरेन्स कॉपीद्वारे चालविले जाते, जेणेकरून संवेदी अभिप्रायाची अपेक्षा प्रदान केली जाऊ शकते आणि संवेदी माहिती वाढविली जाऊ शकते. या मॉडेलला ऑफलाइन चालवता येते, ज्यामुळे इमेज तयार करता येते, वेगवेगळ्या कृतींचे परिणाम अंदाज लावता येतात, आणि मोटर योजनांचे मूल्यांकन आणि विकास करता येतो. या फ्रेमवर्कचा विकास सुरुवातीला मोटर कंट्रोलच्या संदर्भात करण्यात आला आहे, जिथे हे सिद्ध झाले आहे की शरीराच्या समांतर चालणारी अंतर्गत मॉडेल फीडबॅक विलंब समस्यांचे परिणाम कमी करू शकतात. त्याच यंत्रणा मोटर इमेजरीला एमुलेटरच्या ऑफलाइन ड्रायव्हिंगद्वारे इफेरेन्स कॉपीद्वारे समजावून सांगू शकतात. मोटार-व्हिज्युअल लूपच्या एमुलेटरच्या ऑफ-लाइन ड्रायव्हिंग म्हणून व्हिज्युअल इमेजरीची खातरजमा करण्यासाठी फ्रेमवर्क वाढविण्यात आले आहे. अशा प्रणाली अमोडल अवकाशीय प्रतिमा कशा प्रकारे प्रदान करू शकतात हे मी दाखवतो. दृश्यदृष्टीसह धारणा, संवेदी इनपुटची अपेक्षा तयार करण्यासाठी आणि अर्थ लावण्यासाठी अशा मॉडेलचा वापर केल्यामुळे उद्भवते. मी संक्षिप्तपणे सांगत आहे इतर संज्ञानात्मक कार्ये ज्यांचा या चौकटीत समावेश केला जाऊ शकतो तर्क, मनाची घटना आणि भाषा यांचा सिद्धांत. |
65c85498be307ee940976db668dae4546943a4c8 | |
761f2288b1b0cea385b0b9a89bb068593d94d6bd | 3 डी चेहर्यावरील ओळख ही उद्योग आणि शैक्षणिक क्षेत्रात एक ट्रेंडिंग संशोधन दिशा बनली आहे. याला पारंपारिक 2 डी चेहर्यावरील ओळख, जसे की नैसर्गिक ओळख प्रक्रिया आणि विस्तृत अनुप्रयोगांचे फायदे आहेत. याव्यतिरिक्त, थ्री डी चेहर्यावरील ओळख प्रणाली कमी प्रकाशात आणि चेहर्यावरील वेगवेगळ्या पोझिशन्स आणि अभिव्यक्तींसह मानवी चेहऱ्यावर अचूकपणे ओळखू शकतात, अशा परिस्थितीत 2 डी चेहर्यावरील ओळख प्रणाली ऑपरेट करणे अत्यंत कठीण होईल. या पेपरमध्ये 3 डी चेहर्यावरील ओळख संशोधन क्षेत्रात इतिहास आणि सर्वात अलीकडील प्रगतीचा सारांश दिला आहे. सीमा संशोधन परिणाम तीन श्रेणींमध्ये सादर केले जातात: पोज-अपरिवर्तनीय ओळख, अभिव्यक्ती-अपरिवर्तनीय ओळख आणि आच्छादन-अपरिवर्तनीय ओळख. भविष्यातील संशोधनाला प्रोत्साहन देण्यासाठी, हा पेपर सार्वजनिकरित्या उपलब्ध असलेल्या 3 डी चेहर्याचा डेटाबेसची माहिती गोळा करतो. या पेपरमध्ये महत्त्वाच्या उघड्या समस्यांची यादीही आहे. |
2d2b1f9446e9b4cdb46327cda32a8d9621944e29 | सोशल नेटवर्किंग साईटवर सहभाग घेण्याची संख्या अलिकडच्या वर्षांत नाटकीयरीत्या वाढली आहे. फ्रेंडस्टर, ट्राइब किंवा फेसबुक सारख्या सेवा लाखो लोकांना ऑनलाइन प्रोफाइल तयार करण्याची आणि मित्रांच्या विशाल नेटवर्कसह वैयक्तिक माहिती सामायिक करण्याची परवानगी देतात - आणि बर्याचदा अज्ञात संख्येने अनोळखी लोकांसह. या लेखात आम्ही ऑनलाइन सोशल नेटवर्क्समधील माहितीच्या प्रकटीकरणाच्या पद्धती आणि त्यांच्या गोपनीयताविषयक परिणामांचा अभ्यास करतो. आम्ही चार हजारांहून अधिक कार्नेगी मेलन विद्यापीठाच्या विद्यार्थ्यांच्या ऑनलाईन वर्तनाचे विश्लेषण केले ज्यांनी महाविद्यालयांना पुरविलेल्या एका लोकप्रिय सोशल नेटवर्किंग साईटमध्ये प्रवेश केला आहे. आम्ही ते किती माहिती उघड करतात याचा आढावा घेतो आणि साइटच्या गोपनीयता सेटिंग्जचा त्यांचा वापर अभ्यासतो. आम्ही त्यांच्या गोपनीयतेच्या विविध बाबींवर संभाव्य हल्ले हायलाइट करतो आणि आम्ही दाखवतो की वापरकर्त्यांपैकी फक्त एक लहान टक्केवारी अत्यंत पारगम्य गोपनीयता प्राधान्ये बदलते. |
e9c525679fed4dad85699d09b5ce1ccaffe8f11d | |
192687300b76bca25d06744b6586f2826c722645 | या लेखात आम्ही गहन गॉसीयन प्रक्रिया (जीपी) मॉडेलची ओळख करून देतो. डीप जीपी हे गॉस्सीयन प्रक्रिया मॅपिंगवर आधारित एक खोल विश्वास नेटवर्क आहे. डेटा एका बहु-परिवर्तनशील जीपीच्या आउटपुट म्हणून मॉडेल केला जातो. त्या गॉसियन प्रक्रियेतील इनपुट नंतर दुसर्या जीपीद्वारे नियंत्रित केले जातात. एक लेयर मॉडेल हे मानक GP किंवा GP लॅटेंट व्हेरिअबल मॉडेल (GP-LVM) बरोबर आहे. आम्ही मॉडेलमध्ये अंदाजे भिन्नतात्मक मार्जिनलायझेशनद्वारे निष्कर्ष काढतो. याचा परिणाम म्हणून मॉडेलच्या मर्यादित संभाव्यतेवर एक कठोर खालची सीमा येते जी आपण मॉडेल निवडण्यासाठी वापरतो (प्रत्येक लेयरमधील लेयर्स आणि नोड्सची संख्या). सखोल विश्वास नेटवर्क सामान्यतः अनुकूलनसाठी स्टोकास्टिक ग्रेडियंट वंश वापरून तुलनेने मोठ्या डेटा सेटवर लागू केले जातात. आमची पूर्णपणे बेयसियन उपचार पद्धत, डेटा कमी असतानाही सखोल मॉडेलचा वापर करण्यास परवानगी देते. आमच्या बदलत्या बाउंडद्वारे मॉडेल निवडणे हे दर्शविते की केवळ 150 उदाहरणे असलेले अंकीय डेटा सेट मॉडेलिंग करतानाही पाच-स्तर श्रेणीबद्धता न्याय्य आहे. |
2cac0942a692c3dbb46bcf826d71d202ab0f2e02 | आम्ही एक स्केलेबल डीप नॉन-पॅरामेट्रिक जनरेटिव्ह मॉडेल विकसित करतो. गहन गॉसीयन प्रक्रिया वाढवून एक ओळख मॉडेल तयार करतो. एक नवीन स्केलेबल व्हेरिएशनल फ्रेमवर्कमध्ये निष्कर्ष काढला जातो जिथे व्हेरिएशनल पाठीमागील वितरण एका बहु-स्तरित पर्सेप्ट्रॉनद्वारे पुन्हा पॅरामीटर केले जाते. या पुनरावृत्तीचा मुख्य पैलू म्हणजे तो बदलणारे मापदंड वाढविण्यापासून रोखतो जे अन्यथा नमुना आकाराच्या प्रमाणात रेषेचा वाढतात. आम्ही बदलशील खालच्या मर्यादेचे एक नवीन सूत्र काढले जे आम्हाला बहुतेक गणना अशा प्रकारे वितरित करण्यास अनुमती देते जे मुख्य प्रवाहातील सखोल शिक्षण कार्येच्या आकाराच्या डेटासेटला हाताळण्यास सक्षम करते. आम्ही विविध आव्हानांवर पद्धतीची कार्यक्षमता दर्शवितो ज्यात सखोल अनसुप्रिव्हेटेड लर्निंग आणि सखोल बेझियन ऑप्टिमायझेशन समाविष्ट आहे. |
722fcc35def20cfcca3ada76c8dd7a585d6de386 | कॅफे मल्टीमीडिया शास्त्रज्ञ आणि व्यावसायिकांना अत्याधुनिक खोल शिक्षण अल्गोरिदम आणि संदर्भ मॉडेलचे संग्रह यासाठी एक स्वच्छ आणि बदलण्यायोग्य फ्रेमवर्क प्रदान करते. फ्रेमवर्क हे बीएसडी-परवानाकृत सी ++ लायब्ररी आहे ज्यामध्ये पायथन आणि मॅटॅब बंधनकारक आहेत जे सामान्य-उद्देश न्युरोनल नेटवर्क आणि इतर खोल मॉडेलची कुशलतेने कमोडिटी आर्किटेक्चरवर प्रशिक्षण आणि तैनात करण्यासाठी आहेत. कॅफे उद्योग आणि इंटरनेट-स्केल मीडिया गरजा पूर्ण करते CUDA GPU संगणनाद्वारे, एका K40 किंवा टायटन GPU वर दररोज 40 दशलक्षाहून अधिक प्रतिमा प्रक्रिया करते (प्रत्येक प्रतिमा सुमारे 2 ms). मॉडेलचे प्रतिनिधित्व प्रत्यक्ष अंमलबजावणीपासून वेगळे करून, कॅफे प्रयोग आणि प्लॅटफॉर्ममध्ये सहजतेने स्विच करण्याची परवानगी देते. कॅफेची देखभाल आणि विकास बर्कले व्हिजन अँड लर्निंग सेंटर (बीव्हीएलसी) द्वारे गिटहबवर योगदानकर्त्यांच्या सक्रिय समुदायाच्या मदतीने केला जातो. याद्वारे सध्या सुरू असलेल्या संशोधन प्रकल्प, मोठ्या प्रमाणात औद्योगिक अनुप्रयोग आणि व्हिजन, भाषण आणि मल्टीमीडियामध्ये स्टार्टअप प्रोटोटाइपला चालना मिळते. |
fd50fa6954e1f6f78ca66f43346e7e86b196b137 | शहरीकरणाच्या वाढत्या प्रक्रियेमुळे शहरी जागेत लोकांच्या क्रियाकलापांचे पद्धतशीरपणे मॉडेलिंग करणे हे एक महत्त्वपूर्ण सामाजिक-आर्थिक कार्य म्हणून ओळखले जात आहे. विश्वसनीय माहितीच्या स्त्रोतांच्या अभावामुळे हे काम काही वर्षांपूर्वी जवळपास अशक्य होते, मात्र भौगोलिक टॅग केलेले सोशल मीडिया (जीटीएसएम) याच्या डेटामुळे याकडे नवीन दृष्टीकोन दिसून येत आहे. अलीकडेच, जीटीएसएम डेटामधून भौगोलिक विषय शोधण्यावर फलदायी अभ्यास झाले आहेत. तथापि, त्यांच्या उच्च संगणकीय खर्च आणि लॅटेंट विषयांबद्दल मजबूत वितरण गृहितके त्यांना जीटीएसएमची शक्ती पूर्णपणे सोडण्यास प्रतिबंधित करतात. या अंतर कमी करण्यासाठी आम्ही क्रॉस मॅप सादर करतो, जी एक नवीन क्रॉस मोडल प्रतिनिधित्व शिक्षण पद्धत आहे जी मोठ्या प्रमाणात जीटीएसएम डेटासह शहरी गतिशीलता प्रकट करते. क्रॉसमॅप प्रथम लोकांच्या क्रियाकलापांच्या खाली असलेल्या अवकाशा-वेळातील हॉटस्पॉट्स शोधण्यासाठी वेगवान मोड शोधण्याची प्रक्रिया वापरते. या आढळलेल्या हॉटस्पॉट्समुळे केवळ जागे-वेळातील बदल होत नाहीत, तर जीटीएसएमच्या डेटाची कमीपणा देखील कमी होते. आढळलेल्या हॉटस्पॉट्ससह, क्रॉसमॅप नंतर दोन भिन्न धोरणांचा वापर करून सर्व अवकाशीय, काळाच्या आणि मजकूर युनिट्सला एकाच जागेत एकत्रितपणे एम्बेड करतेः एक पुनर्निर्माण-आधारित आहे आणि दुसरा आलेख-आधारित आहे. दोन्ही धोरणे युनिट्समधील सहसंबंध त्यांच्या सह-उपस्थिती आणि शेजारच्या संबंधांना एन्कोड करून पकडतात आणि अशा सहसंबंधांचे जतन करण्यासाठी कमी-आयामी प्रतिनिधित्व शिकतात. आमच्या प्रयोगांमधून हे सिद्ध झाले आहे की क्रॉस मॅप केवळ क्रियाकलाप पुनर्प्राप्ती आणि वर्गीकरणासाठी अत्याधुनिक पद्धतींपेक्षा जास्त कार्यक्षम नाही तर त्यापेक्षा जास्त कार्यक्षमता देखील प्राप्त करते. |
ce8d99e5b270d15dc09422c08c500c5d86ed3703 | मानवी चालण्याच्या पद्धतीचे विश्लेषण केल्याने चालण्याच्या पद्धतीची एक विशिष्ट ओळख मिळते ज्याद्वारे सर्वव्यापी मानवी ओळख आणि वैद्यकीय विकारांच्या समस्यांचे विस्तृत स्पेक्ट्रममध्ये परीक्षण केले जाऊ शकते. चालण्याच्या पद्धतीचे बायोमेट्रिक हे एक गुप्त वैशिष्ट्य आहे ज्याद्वारे व्हिडिओ चालण्याच्या डेटाला विषयाची पूर्व जाणीव न करता मोठ्या अंतरावर कॅप्चर केले जाऊ शकते. या पेपरमध्ये, किनेक्ट एक्सबॉक्स डिव्हाइससह मानवी चाल विश्लेषणाचा अभ्यास करण्यासाठी एक नवीन तंत्रज्ञान संबोधित केले गेले आहे. हे आपल्याला स्वयंचलित पार्श्वभूमी वजाबाकी तंत्रज्ञानासह विभाजनाच्या त्रुटी कमी करण्यास सुनिश्चित करते. जवळजवळ समान मानवी अस्थिभंजाचे मॉडेल पार्श्वभूमीपासून काढून टाकलेल्या चालण्याच्या प्रतिमांमधून तयार केले जाऊ शकते, ज्यामध्ये चालण्याच्या वेगात बदल आणि कपड्यांच्या प्रकारात बदल यासारख्या सह-परिवर्तनशील परिस्थितीमुळे बदलले गेले आहेत. चालण्याची पद्धत हाडे मॉडेलच्या डाव्या हिप, डाव्या गुडघा, उजव्या हिप आणि उजव्या गुडघाच्या संयुक्त कोन प्रवाहावरून कॅप्चर केली जाते. किनेक्टच्या चालण्याच्या डेटावरील प्रायोगिक सत्यापनाची तुलना आमच्या इन-हाऊस विकासातील सेन्सर आधारित बायोमेट्रिक सूट, इंटेलिजेंट गेट ऑस्सिलेशन डिटेक्टर (आयजीओडी) शी केली गेली आहे. या सेन्सर आधारित बायोमेट्रिक सूटमध्ये किनेक्ट डिव्हाइसद्वारे बदल करता येईल का याचा तपास करण्यासाठी प्रयत्न केला गेला आहे. फिशर भेदभाव विश्लेषण प्रशिक्षण चालण्याची पद्धत स्वाक्षरीवर लागू केले गेले आहे जेणेकरून वैशिष्ट्य वेक्टरची भेदभाव शक्ती पहा. नैवे बायसियन वर्गीकरणकर्त्याने किनेक्ट सेन्सरद्वारे कॅप्चर केलेल्या मर्यादित डेटासेटवरील त्रुटींचे अंदाज घेऊन उत्साहवर्धक वर्गीकरण परिणाम दर्शविला आहे. |
582ea307db25c5764e7d2ed82c4846757f4e95d7 | फंक्शन अॅप्रोक्सिमेशनला पॅरामीटर स्पेसपेक्षा फंक्शन स्पेसमध्ये अंकीय ऑप्टिमायझेशनच्या दृष्टीकोनातून पाहिले जाते. टप्प्याटप्प्याने वाढीव विस्तार आणि सर्वात जास्त उतार कमी करणे यामध्ये एक संबंध आहे. कोणत्याही मानकावर आधारित अॅडिटिव्ह विस्तारांसाठी एक सामान्य ग्रेडियंट{डिसेंट \बूस्टिंग" पॅराडिग्म विकसित केला जातो. कमीतकमी चौरस, कमीतकमी परिपूर्ण विचलन आणि ह्युबर एम नुकसान फंक्शन्ससाठी रेग्रेशन आणि वर्गीकरणासाठी बहु-वर्ग लॉजिस्टिक संभाव्यतेसाठी विशिष्ट अल्गोरिदम सादर केले आहेत. ज्या विशिष्ट प्रकरणात वैयक्तिक अॅडिटीव्ह घटक निर्णय झाडे आहेत, त्या विशेष सुधारणा प्राप्त केल्या आहेत आणि अशा "ट्रीबूस्ट" मॉडेलचे अर्थ लावण्यासाठी साधने सादर केली आहेत. निर्णय वृक्षांचे ग्रेडियंट बूस्टिंगमुळे स्पर्धात्मक, अत्यंत मजबूत, व्याख्या करण्यायोग्य प्रक्रिया आणि वर्गीकरण, विशेषतः स्वच्छ डेटापेक्षा कमी खनिजांसाठी उपयुक्त. या दृष्टिकोनाचा आणि फ्रॉईड आणि शेपियर 1996 आणि फ्राइडमन, हॅस्टी आणि टिबशिरानी 1998 च्या पद्धतींचा संबंध चर्चा केली जाते. 1 फंक्शन अनुमान फंक्शन अनुमान समस्येमध्ये एक प्रणाली आहे ज्यामध्ये यादृच्छिक \output" किंवा \response" व्हेरिएबल y आणि यादृच्छिक \input" किंवा \explanatory" व्हेरिएबल्स x = fx1; ; xng. fyi;xig N 1 ज्ञात (y;x) { मूल्यांचे प्रशिक्षण दिलेले, हे लक्ष्य आहे की फंक्शन F (x) जे x ते y चे नकाशे तयार करते, जेणेकरून सर्व (y;x) { मूल्यांचे संयुक्त वितरण, काही विशिष्ट नुकसान फंक्शन (y; F (x)) चे अपेक्षित मूल्य कमी केले जाते F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) वारंवार वापरल्या जाणार्या नुकसान फंक्शन्स (y; F) मध्ये y 2 R (रिग्रेशन) साठी स्क्वेअर{रॉर (y F) आणि परिपूर्ण त्रुटी jy j F आणि नकारात्मक द्विपद लॉगॉमी{संभाव्यता, लॉग 1 + e 2y F), जेव्हा y 2 f 1 (वर्गीकरण 1) समाविष्ट आहे. एक सामान्य प्रक्रिया म्हणजे F (x) ला F (x;P) फंक्शन्सच्या पॅरामिटराइज्ड क्लासचा सदस्य मानणे, जिथे P = fP1; P2; g हे पॅरामिटर्सचे संच आहे. या लेखात आपण फॉर्मच्या "अॅडिटिव्ह" विस्तारांवर लक्ष केंद्रित करणार आहोत |
6a7c63a73724c0ca68b1675e256bb8b9a35c94f4 | जेस्टोर संग्रहणाचा वापर केल्याने तुम्ही जेस्टोरच्या वापर अटी आणि शर्ती स्वीकारल्याचे सूचित होते. http://www.jstor.org/about/terms.html येथे उपलब्ध आहे. जेएसटीओआरच्या अटी व शर्तींमध्ये असे म्हटले आहे की, जर तुम्हाला आधी परवानगी मिळाली नसेल तर तुम्ही एखाद्या जर्नलचे संपूर्ण अंक किंवा लेखांच्या अनेक प्रती डाउनलोड करू शकत नाही आणि तुम्ही जेएसटीओआर संग्रहातील सामग्री केवळ तुमच्या वैयक्तिक, गैर-व्यावसायिक वापरासाठी वापरू शकता. या पुस्तकाचा पुढील वापर करण्याविषयी कृपया प्रकाशकाशी संपर्क साधा. प्रकाशकांची संपर्क माहिती http://www.jstor.org/journals/econosoc.html या संकेतस्थळावर मिळू शकते. जेएसटीओआरच्या प्रसारणाच्या कोणत्याही भागाच्या प्रत्येक प्रतात अशा प्रसारणाच्या स्क्रीनवर किंवा छापील पानावर दिसणारी कॉपीराइट सूचना असणे आवश्यक आहे. |
8eca169f19425c76fa72078824e6a91a5b37f470 | कमी खर्चात आणि उच्च कार्यक्षमतेच्या रडार प्रणालीच्या यशस्वी डिझाइनसाठी अचूक आणि कार्यक्षम प्रणाली सिम्युलेशन ही एक महत्त्वाची आवश्यकता आहे. या पेपरमध्ये आम्ही वारंवारता-संरचित सतत-लहरी रडार प्रणालीसाठी एक नवीन बहुमुखी सिम्युलेशन वातावरण सादर करतो. सामान्य हार्डवेअर सिम्युलेशन व्यतिरिक्त यात सिग्नल संश्लेषण ते बेसबँडपर्यंत एकात्मिक सिस्टम सिम्युलेशन आणि संकल्पना विश्लेषण समाविष्ट आहे. यात एक लवचिक परिस्थिती जनरेटर, अचूक आवाज मॉडेलिंग आणि सिग्नल प्रोसेसिंग अल्गोरिदमच्या विकास आणि चाचणीसाठी सिमुलेशन डेटा कार्यक्षमतेने प्रदान करते. एकात्मिक ७७ गीगाहर्ट्झ रडार प्रोटोटाइपसाठी सिमुलेशन आणि मोजमापांच्या परिणामांची तुलना केल्यास दोन वेगवेगळ्या परिस्थितींमध्ये सिम्युलेटरची क्षमता दर्शविली जाते. |
71337276460b50a2cb37959a2d843e593dc4fdcc | एक नवीन नॉन-आयसोलेटेड थ्री-पोर्ट कन्वर्टर (एनआय-टीपीसी) प्रस्तावित आहे ज्यामध्ये एक पीव्ही पोर्ट, एक द्विदिश बॅटरी पोर्ट आणि एक लोड पोर्ट इंटरफेस आहे. तीन पोर्ट्सपैकी कोणत्याही दोन दरम्यान सिंगल स्टेज पॉवर कन्वर्जन साध्य केले जाते. या टोपोलॉजीचा उगम पारंपरिक संरचनेच्या द्विदिशात्मक पॉवर फ्लो पथला दोन एकदिशात्मक मध्ये विभक्त करून होतो. तीनपैकी दोन पोर्ट्सला सीव्हीसाठी जास्तीत जास्त उर्जा मिळविण्यासाठी किंवा बॅटरीसाठी चार्ज कंट्रोल करण्यासाठी कठोरपणे नियंत्रित केले जाऊ शकते आणि त्याच वेळी लोड व्होल्टेज स्थिर ठेवता येते, तर तिसरे पोर्ट कन्व्हर्टरच्या उर्जा असंतुलनाची भरपाई करण्यासाठी लवचिक राहिले आहे. ऑपरेशन स्टेटसचे विश्लेषण केले जाते. मल्टि-रेग्युलेटर स्पर्धा नियंत्रण धोरण सादर केले आहे जेणेकरून सौर ऊर्जा इनपुट पॉवरमध्ये चढउतार झाल्यास स्वायत्त आणि गुळगुळीत राज्य स्विचिंग प्राप्त होईल. प्रयोगाच्या परिणामांद्वारे विश्लेषण सत्यापित केले जाते. |
ac8877b0e87625e26f52ab75e84c534a576b1e77 | डिजिटल जगात, व्यवसायातील अधिकाऱ्यांना माहिती आणि माहिती व्यवस्थापनाचे त्यांच्या कंपन्यांच्या मूल्य निर्मितीसाठी धोरणात्मक महत्त्व आहे याची जाणीव आहे. यामुळे सीआयओसाठी नेतृत्व संधी आणि आव्हाने दोन्ही आहेत. माहिती तंत्रज्ञान संचालक हे पद हाताळले जाऊ नये आणि व्यवसाय मूल्य निर्मितीमध्ये त्यांचे योगदान वाढवावे यासाठी, त्यांना सक्षम आयटी उपयुक्तता व्यवस्थापक होण्यापेक्षा पुढे जाणे आवश्यक आहे आणि त्यांच्या कंपन्यांना मजबूत माहिती वापर संस्कृती तयार करण्यात मदत करण्यासाठी सक्रिय भूमिका बजावली पाहिजे. या लेखाचा उद्देश हा आहे की, सीआयओ आणि बिझनेस एक्झिक्युटिव्ह त्यांच्या कंपन्यांच्या माहितीच्या दिशेने सुधारणा करण्यासाठी कोणत्या नेतृत्व पद्धती अवलंब करू शकतात, याविषयी अधिक चांगल्या प्रकारे समजून घेणे. चार प्रकरणांच्या अभ्यासातून मिळालेल्या निष्कर्षांवर आधारित आम्ही चार चतुर्भुज नेतृत्व-स्थितीकरण फ्रेमवर्क तयार केले आहे. या आराखड्याची रचना सीआयओच्या दृष्टीकोनातून केली गेली आहे आणि हे दर्शविते की कंपनीचे धोरणात्मक लक्ष साध्य करण्यासाठी कंपनीची माहिती अभिमुखता विकसित करण्यासाठी सीआयओ एक नेता, अनुयायी किंवा नॉन-प्लेअर म्हणून काम करू शकतो. या लेखाचा निष्कर्ष असा आहे की सीआयओ त्यांच्या कंपनीच्या माहिती अभिमुखता उपक्रमांची ओळख करुन देण्यासाठी किंवा टिकवून ठेवण्यासाठी त्यांच्या नेतृत्व आव्हानांना स्थान देण्यासाठी मदत करू शकतात आणि सीआयओच्या विशिष्ट परिस्थितीनुसार विशिष्ट नेतृत्व दृष्टिकोनाची शिफारस करतात. |
5c6b51bb44c9b2297733b58daaf26af01c98fe09 | या पेपरमध्ये ग्राहकांच्या पुनरावलोकनांमध्ये टिप्पणी केलेल्या उत्पादनांच्या वैशिष्ट्यांची तुलना करण्यासाठी दोन वैशिष्ट्यपूर्ण माहिती काढण्याचे अल्गोरिदम पद्धतशीरपणे तुलना केली जातात. पहिला दृष्टिकोन [17] पीओएस नमुन्यांचा संच लागू करून आणि लॉग संभाव्यता प्रमाण चाचणीवर आधारित उमेदवार सेटची कटिंग करून उमेदवार वैशिष्ट्ये ओळखते. दुसरा दृष्टिकोन [11] वारंवार वैशिष्ट्ये ओळखण्यासाठी असोसिएशन नियम खनन आणि क्वचित वैशिष्ट्ये ओळखण्यासाठी भावना अटी उपस्थिती आधारित एक heuristic लागू होते. आम्ही ग्राहकांच्या इलेक्ट्रॉनिक उपकरणांच्या संदर्भात पाच उत्पादनांच्या विशिष्ट दस्तऐवज संग्रहात अल्गोरिदमच्या कामगिरीचे मूल्यांकन करतो. आम्ही त्रुटींचे विश्लेषण करतो आणि अल्गोरिदमचे फायदे आणि मर्यादांवर चर्चा करतो. |
623fd6adaa5585707d8d7339b5125185af6e3bf1 | इंटरनेट गेमिंग डिसऑर्डर (IGD) साठीच्या हस्तक्षेपचा हा अभ्यास एक अर्ध-प्रयोगात्मक, संभाव्य अभ्यास आहे. या चार गटांमध्ये सात दिवसांचे सिरीराज उपचारात्मक निवासी शिबिर (एस-टीआरसी) एकट्याचे, आठ आठवड्यांचे गेम व्यसनासाठी पालक व्यवस्थापन प्रशिक्षण (पीएमटी-जी) एकट्याचे, एस-टीआरसी आणि पीएमटी-जी एकत्रित आणि मूलभूत मानसिक शिक्षण (नियंत्रण) असे चार गट होते. आयजीडीची तीव्रता गेमिंग अॅडिक्शन स्क्रीनिंग टेस्ट (जीएएसटी) द्वारे मोजली गेली. गटातील गॅस्ट स्कोअरमधील सरासरी फरक सांख्यिकीयदृष्ट्या महत्त्वपूर्ण होता, ज्यामध्ये पी व्हॅल्यूज < 0. 001, 0. 002 आणि 0. 005 होते, अनुक्रमे 1, 3, आणि 6 महिन्यांनी हस्तक्षेपानंतर. सर्व गटांनी नियंत्रण गटापेक्षा सुधारणा दर्शविली. व्यसनग्रस्त किंवा संभाव्य व्यसनग्रस्त गटात राहणाऱ्या किशोरवयीन मुलांची टक्केवारी एस- टीआरसी, पीएमटी-जी आणि एकत्रित गटांमध्ये 50% पेक्षा कमी होती. निष्कर्ष म्हणून, एस-टीआरसी आणि पीएमटी-जी दोन्ही आयजीडीसाठी प्रभावी मानसशास्त्रीय हस्तक्षेप होते आणि केवळ मूलभूत मनोशिक्षणापेक्षा श्रेष्ठ होते. |
aca437e9e2a453c84a38d716ca9a7a7683ae58b6 | या पेपरमध्ये अंतर्ज्ञानी यांत्रिकीचा वापर करून ऑब्जेक्ट स्थिरता आणि सुरक्षिततेचे तर्क देऊन 3 डी दृश्याच्या समजुतीसाठी एक नवीन दृष्टीकोन सादर केला आहे. आपल्या दृष्टिकोनातून एक साधे निरीक्षण वापरले जाते की, मानवी डिझाइनद्वारे, स्थिर दृश्यातील वस्तू गुरुत्वाकर्षण क्षेत्रात स्थिर असाव्यात आणि मानवी क्रियाकलापांसारख्या विविध भौतिक व्यत्ययांबद्दल सुरक्षित असाव्यात. हा गृहीतक सर्व दृश्यांच्या श्रेणींसाठी लागू आहे आणि दृश्याच्या समजुतीत संभाव्य अर्थ लावण्या (पार्स) साठी उपयुक्त निर्बंध ठेवते. खोली कॅमेऱ्याद्वारे स्थिर दृश्यासाठी कॅप्चर केलेल्या 3 डी पॉईंट क्लाउडला दिले तर आमची पद्धत तीन चरणांमध्ये असते: (i) व्हॉक्सल्समधून घन 3 डी व्हॉल्यूमेट्रिक आदिम पुनर्प्राप्त करणे; (ii) अस्थिर आदिम भौतिक स्थिर वस्तूंना स्थिरता आणि दृश्यापूर्वी ऑप्टिमाइझ करून गटबद्ध करून तर्कसंगत स्थिरता; आणि (iii) मानवी क्रियाकलाप, वारा किंवा भूकंप यासारख्या भौतिक व्यत्यय असलेल्या वस्तूंसाठी भौतिक जोखीम मूल्यांकन करून तर्कसंगत सुरक्षा. आम्ही एक नवीन अंतर्ज्ञानी भौतिकशास्त्र मॉडेल स्वीकारतो आणि दृश्यातील प्रत्येक आदिम आणि ऑब्जेक्टचे ऊर्जा लँडस्केप डिसकनेक्टिव्हिटी ग्राफ (डीजी) द्वारे प्रतिनिधित्व करतो. आम्ही एक संपर्क आलेख तयार करतो ज्याचे नोड 3 डी व्हॉल्यूमेट्रिक आदिम आहेत आणि कडा समर्थन संबंध दर्शवितात. मग आम्ही स्वेंडसन-वांग कट अल्गोरिदम अवलंब करतो. संपर्क आलेख गटांमध्ये विभागण्यासाठी, प्रत्येक स्थिर वस्तू आहे. स्थिर दृश्यात असुरक्षित वस्तू शोधण्यासाठी, आमची पद्धत दृश्यात लपलेली आणि स्थित कारणे (गडबड) ठरवते आणि नंतर गडबडीच्या परिणामांमध्ये संभाव्य परिणाम (उदाहरणार्थ, पडणे) अंदाज लावण्यासाठी अंतर्ज्ञानी भौतिक यांत्रिकी सादर करते. प्रयोगांमध्ये, आम्ही हे सिद्ध करतो की अल्गोरिदम (i) ऑब्जेक्ट सेगमेंटेशन, (ii) 3 डी व्हॉल्यूमेट्रिक रिकव्हरी आणि (iii) इतर अत्याधुनिक पद्धतींच्या संदर्भात दृश्याची समज यासाठी लक्षणीय चांगले कार्यप्रदर्शन प्राप्त करते. आम्ही अंतर्ज्ञानी यांत्रिकी मॉडेलमधील सुरक्षेच्या अंदाजानुसार मानवी निर्णयाची तुलना करतो. |
7e9507924ceebd784503fd25128218a7119ff722 | आमचा दृष्टिकोन प्रत्येक मजकूर कॉर्पसला विषय आलेख म्हणून मॉडेल करतो. या आलेखांना नंतर सुसंगत आलेख जुळवणी पद्धतीचा वापर करून जुळवले जाते. पुढे, आम्ही एक तपशील-स्तरीय (एलओडी) दृश्य विकसित करतो जे वाचनीयता आणि स्थिरता या दोन्हीमध्ये संतुलन ठेवते. त्यानुसार, परिणामी व्हिज्युअलायझेशन वापरकर्त्यांना जुळलेल्या आलेखातील अनेक दृष्टीकोनातून समजून घेण्याची आणि त्यांचे विश्लेषण करण्याची क्षमता वाढवते. मेट्रिक लर्निंग आणि फीचर सिलेक्शनला ग्राफ मॅचिंग अल्गोरिदममध्ये समाविष्ट करून, आम्ही वापरकर्त्यांना त्यांच्या माहितीच्या गरजेनुसार ग्राफ मॅचिंग परिणाम परस्परसंवादीपणे सुधारित करण्याची परवानगी देतो. आम्ही आमच्या पद्धतीचा वापर विविध प्रकारच्या माहितीवर केला आहे, ज्यात बातम्या, ट्विट्स आणि ब्लॉग डेटाचा समावेश आहे. परिमाणवाचक मूल्यमापन आणि वास्तविक जगातील केस स्टडीज आमच्या दृष्टिकोनाचे आश्वासन दर्शवतात, विशेषतः विषयावर आधारित ग्राफ आधारित संपूर्ण चित्र तपशीलाच्या वेगवेगळ्या स्तरांवर तपासणी करण्याच्या समर्थनार्थ. या पेपरमध्ये बातम्या, ब्लॉग किंवा मायक्रो-ब्लॉग्स यासारख्या अनेक स्त्रोतांमधून चर्चा झालेल्या संबंधित विषयांचे संपूर्ण चित्र विश्लेषित करण्यासाठी व्हिज्युअल विश्लेषणाचा दृष्टिकोन सादर केला आहे. या संपूर्ण चित्रात अनेक स्त्रोतांकडून कव्हर केलेले सामान्य विषय तसेच प्रत्येक स्त्रोतातील विशिष्ट विषय समाविष्ट आहेत. |
b04a503487bc6505aa8972fd690da573f771badb | खोल न्यूरल धारणा आणि नियंत्रण नेटवर्क हे सेल्फ ड्रायव्हिंग वाहनांचे मुख्य घटक असतील. हे मॉडेल स्पष्ट करण्यायोग्य असले पाहिजेत - त्यांनी त्यांच्या वर्तनासाठी तर्कसंगत अर्थ लावणे सोपे असले पाहिजे - जेणेकरून प्रवासी, विमा कंपन्या, कायद्याची अंमलबजावणी करणारे, विकसक इत्यादी, विशिष्ट वर्तनास काय कारणीभूत आहे हे समजू शकतील. येथे आपण दृश्य स्पष्टीकरणाचा वापर शोधत आहोत. या स्पष्टीकरणाचा प्रतिमेच्या रिअल-टाइम हायलाइट केलेल्या क्षेत्रांचा फॉर्म असतो जो नेटवर्कच्या आउटपुटवर (स्टीयरिंग कंट्रोल) परिणाम करतो. आमचा दृष्टिकोन दोन टप्प्यांचा आहे. पहिल्या टप्प्यात, आम्ही दृश्यात्मक लक्ष मॉडेलचा वापर करून, प्रतिमा पासून स्टीयरिंग अँगलपर्यंत एक कन्वॉल्यूशन नेटवर्कला प्रशिक्षण देतो. लक्ष मॉडेल प्रतिमा क्षेत्रांना ठळक करते जे संभाव्यपणे नेटवर्कच्या आउटपुटवर प्रभाव पाडतात. यापैकी काही प्रभाव खरे आहेत, पण काही बनावट आहेत. मग आपण एक कारण फिल्टरिंग पाऊल लागू करतो जेणेकरून हे ठरवता येईल की कोणत्या इनपुट क्षेत्रांचा प्रत्यक्षात आउटपुटवर प्रभाव पडतो. यामुळे अधिक संक्षिप्त दृश्य स्पष्टीकरण तयार होते आणि अधिक अचूकपणे नेटवर्कचे वर्तन उघड करते. आम्ही आमच्या मॉडेलची कार्यक्षमता दाखवली आहे. एकूण १६ तासांच्या ड्रायव्हिंगच्या तीन डेटा सेटवर. आपण प्रथम दाखवतो की लक्ष देऊन प्रशिक्षण घेतल्याने अंत-टू-एंड नेटवर्कची कार्यक्षमता कमी होत नाही. मग आम्ही दाखवतो की हे नेटवर्क कारणास्तव विविध वैशिष्ट्यांवर संकेत देते जे वाहन चालवताना मानवाकडून वापरले जातात. |
4954bb26107d69eb79bb32ffa247c8731cf20fcf | एट्रिब्यूट बेस्ड एन्क्रिप्शन (एबीई) [13] वापरकर्त्याच्या गुणधर्मांवर आधारित डिक्रिप्शन क्षमता निर्धारित करते. एकाधिक-प्राधिकृत एबीई योजनेत, अनेक गुणधर्म-प्राधिकृत्यांचे गुणधर्म वेगवेगळ्या संचांवर देखरेख करतात आणि वापरकर्त्यांना संबंधित डीक्रिप्शन की देतात आणि एन्क्रिप्टर्सना असा आग्रह धरता येतो की वापरकर्त्याने संदेश डीक्रिप्ट करण्यापूर्वी प्रत्येक प्राधिकरणाकडून योग्य गुणधर्मांसाठी की प्राप्त करावी. चेस [5] ने एका विश्वासार्ह केंद्रीय प्राधिकरण (सीए) आणि ग्लोबल आयडेंटिफायर्स (जीआयडी) या संकल्पनांचा वापर करून एकाधिक-प्राधिकरण एबीई योजना दिली. मात्र, सीएमध्ये प्रत्येक सिफर टेक्स्टला डिक्रिप्ट करण्याची क्षमता आहे, जे अनेक संभाव्य अविश्वसनीय अधिकार्यांवर नियंत्रण वितरित करण्याच्या मूळ उद्दीष्टाशी विरोधाभासी आहे. या व्यतिरिक्त, या बांधकामात, सुसंगत जीआयडी वापरल्यामुळे अधिकाऱ्यांना त्यांची माहिती एकत्रित करून वापरकर्त्याचे सर्व गुणधर्म असलेले संपूर्ण प्रोफाइल तयार करण्यास परवानगी मिळाली, ज्यामुळे वापरकर्त्याच्या गोपनीयतेस अनावश्यकपणे धोका आहे. या पेपरमध्ये आम्ही एक उपाय मांडत आहोत ज्यामुळे विश्वासार्ह केंद्रीय प्राधिकरणाला काढून टाकले जाईल आणि प्राधिकरणांना विशिष्ट वापरकर्त्यांविषयीची माहिती एकत्रित करण्यापासून रोखून वापरकर्त्यांच्या गोपनीयतेचे रक्षण केले जाईल, अशा प्रकारे एबीईला प्रत्यक्षात अधिक वापरता येईल. |
25098861749fe9eab62fbe90c1ebeaed58c211bb | या लेखात आपण नवीन दृष्टीकोनातून प्रवर्धनाच्या पद्धतींचा अभ्यास करतो. आम्ही इफ्रॉन व इतर यांच्या अलीकडील कामावर आधारित आहोत. दर्शविण्यासाठी की अंदाजे (आणि काही प्रकरणांमध्ये अगदी) वाढविणे त्याच्या तोटा निकष कमी करते l1 गुणांक वेक्टरवर प्रतिबंध. यामुळे नुकसान निकषाच्या नियमन केलेल्या फिटनेससह लवकर थांबविण्यामुळे वाढीचा यश समजण्यास मदत होते. दोन सर्वात सामान्यपणे वापरल्या जाणाऱ्या निकषांसाठी (अभिव्यक्ती आणि द्विपद लॉग-संभाव्यता), आम्ही पुढे दर्शवितो की निर्बंध शिथिल झाल्यामुळे - किंवा बूटिंग पुनरावृत्ती चालू असताना समतुल्य - समाधान (विभक्त करण्यायोग्य प्रकरणात) l1-सकारात्मक विभक्त हायपर-प्लेनमध्ये अभिसरण करते. आम्ही हे सिद्ध करतो की या l1- इष्टतम विभाजक हायपर-प्लेनमध्ये प्रशिक्षण डेटाचे किमान l1- मार्जिन जास्तीत जास्त करण्याचे गुणधर्म आहेत, जसे की बूस्टिंग साहित्यात परिभाषित केले आहे. बूस्टिंग आणि कर्नल सपोर्ट वेक्टर मशीनमध्ये एक मनोरंजक मूलभूत समानता दिसून येते, कारण दोन्ही उच्च-आयामी भविष्यवाणी करणाऱ्या जागेत नियमित ऑप्टिमायझेशनसाठी पद्धती म्हणून वर्णन केले जाऊ शकतात, गणना व्यावहारिक करण्यासाठी संगणकीय युक्ती वापरून आणि मार्जिन-जास्तीत जास्त समाधान करण्यासाठी अभिसरण करतात. या विधानात एसव्हीएमचे अचूक वर्णन केले आहे, परंतु ते केवळ अंदाजे वाढविण्यावर लागू होते. |
0825788b9b5a18e3dfea5b0af123b5e939a4f564 | शब्दांच्या वेक्टर स्पेस प्रतिनिधित्व शिकण्यासाठी अलीकडील पद्धती वेक्टर अंकगणित वापरून बारीक-कणयुक्त सिमेंटिक आणि सिंटॅक्सिक नियमितता मिळविण्यात यशस्वी झाल्या आहेत, परंतु या नियमिततेचा मूळ अस्पष्ट राहिला आहे. अशा नियमानुसार शब्द वेक्टरमध्ये उदय होण्यासाठी आवश्यक असलेल्या मॉडेल गुणधर्मांचे विश्लेषण आणि स्पष्टीकरण केले जाते. याचा परिणाम म्हणजे एक नवीन ग्लोबल लॉगबिलिनेअर रिग्रेशन मॉडेल आहे जे साहित्यातील दोन प्रमुख मॉडेल कुटुंबांचे फायदे एकत्र करते: ग्लोबल मॅट्रिक्स फॅक्टरायझेशन आणि स्थानिक संदर्भ विंडो पद्धती. आमचे मॉडेल प्रभावीपणे सांख्यिकीय माहितीचा उपयोग शब्द-शब्द सह-उपस्थिती मॅट्रिक्समधील केवळ शून्य घटकांवर प्रशिक्षण देऊन करते, संपूर्ण विरळ मॅट्रिक्सवर किंवा मोठ्या कॉर्पसमधील वैयक्तिक संदर्भ विंडोवर नाही. मॉडेल अर्थपूर्ण उपसंरचनासह वेक्टर स्पेस तयार करते, जसे की अलीकडील शब्द सादृश्यतेच्या कार्यात 75% कामगिरीने दर्शविले आहे. याचे कार्य समानतेच्या कार्यांमध्ये आणि नामांकित घटकांच्या ओळखातही संबंधित मॉडेलपेक्षा चांगले आहे. |
326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5 | आम्ही दोन वितरण, पृथ्वी मूव्हरचे अंतर (ईएमडी) मधील मेट्रिकच्या गुणधर्मांची तपासणी करतो, सामग्री-आधारित प्रतिमा पुनर्प्राप्तीसाठी. ईएमडी हा एक वितरण दुसर्यामध्ये बदलण्यासाठी किमान किंमतीवर आधारित आहे, एका विशिष्ट अर्थाने, आणि प्रथम पेलेग, वेरमन आणि रोम यांनी काही दृष्टी समस्यांसाठी प्रस्तावित केले होते. प्रतिमा पुनर्प्राप्तीसाठी, आम्ही ही कल्पना व्हेक्टर क्वांटिझेशनवर आधारित वितरणांसाठी प्रतिनिधित्व योजनेसह एकत्र करतो. या संयोजनामुळे प्रतिमा तुलना फ्रेमवर्क तयार होते जे बर्याचदा पूर्वी प्रस्तावित केलेल्या इतर पद्धतींपेक्षा समजते. ईएमडी हे रेषेच्या ऑप्टिमायझेशनमधून वाहतुकीच्या समस्येचे निराकरण यावर आधारित आहे, ज्यासाठी कार्यक्षम अल्गोरिदम उपलब्ध आहेत आणि नैसर्गिकरित्या आंशिक जुळणीसाठी देखील परवानगी देते. हिस्टोग्राम जुळवण्याच्या तंत्रांपेक्षा हे अधिक मजबूत आहे, कारण हे हिस्टोग्रामच्या विशिष्ट क्वांटिझेशन आणि इतर बंडल समस्या टाळण्यासाठी वितरणाच्या परिवर्तनीय लांबीच्या प्रतिनिधित्त्वावर कार्य करू शकते. जेव्हा समान एकूण वस्तुमान असलेल्या वितरणांची तुलना करण्यासाठी वापरले जाते, तेव्हा ईएमडी एक सत्य मेट्रिक आहे. या लेखात आम्ही रंग आणि पोत यांचा वापर करण्यावर भर दिला आहे आणि ईएमडीची पुनर्प्राप्ती कार्यक्षमता इतर अंतरांच्या तुलनेत केली आहे. |
508d8c1dbc250732bd2067689565a8225013292f | स्थानिक पल्स वेव्ह वेल्सिटी (पीडब्ल्यूव्ही) साठी एक नवीन ड्युअल फोटोप्लेटिसमोग्राफ (पीपीजी) जांच आणि मापन प्रणाली प्रस्तावित आणि दर्शविली गेली आहे. विकसित केलेल्या जांच डिझाइनमध्ये दोन समीप मोजमाप बिंदूंपासून (28 मिमी अंतरावर) रक्त दाब प्रसार तरंगरचनांचे गैर-आक्रमक शोध घेण्यासाठी प्रतिबिंबित पीपीजी ट्रान्सड्यूसर वापरले जातात. सतत प्राप्त झालेल्या दुहेरी दाब तरंगरचनेमधील संक्रमण वेळ विलंब बीट-टू-बीट स्थानिक पीडब्ल्यूव्ही मोजमापासाठी वापरला गेला. पीपीजी जांच डिझाईनची पडताळणी करण्यासाठी आणि पीडब्लूव्ही मोजमाप प्रणाली विकसित करण्यासाठी 10 निरोगी स्वयंसेवकांवर (8 पुरुष आणि 2 महिला, 21 ते 33 वर्षे वयाची) एक इन- विव्हो प्रयोगात्मक पडताळणी अभ्यास केला गेला. प्रस्तावित प्रणालीमुळे अनेक विषयांवर कॅरोटिड लोकल पीडब्ल्यूव्ही मोजता येऊ शकले. अभ्यासात, 10 पैकी 7 व्यक्तींमध्ये श्वासवाहिनीच्या पीडब्ल्यूव्हीच्या बेसलाइनमध्ये बीट- टू- बीट बदल 7. 5% पेक्षा कमी होता, अभ्यासात जास्तीत जास्त 16% बीट- टू- बीट बदल दिसून आला. कर्णदाहातील पीडब्ल्यूव्ही आणि ब्रेचियल रक्तदाब (बीपी) च्या रिकव्हरी कालावधीत झालेल्या बदलानुसार बदल देखील तपासण्यात आला. इंट्रा- सब्जेक्ट लोकल पीडब्ल्यूव्ही व्हेरिएशन आणि ब्राचियल बीपी पॅरामीटर्स (आर > 0. 85, पी < 0. 001) दरम्यान एक सांख्यिकीयदृष्ट्या महत्त्वपूर्ण संबंध आढळला. या परिणामांनी कॅरोटिड आर्टरीमधून सतत बीट-टू-बीट स्थानिक पीडब्ल्यूव्ही मोजमापासाठी प्रस्तावित पीपीजी जांचची व्यवहार्यता दर्शविली. अशा प्रकारच्या नॉन-इंवेसिव्ह लोकल पीडब्ल्यूव्ही मोजमाप युनिटचा वापर सततच्या ऍम्बुलॅटरी बीपी मोजमापांसाठी केला जाऊ शकतो. |
79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6 | या लेखात मानवी कृती ओळखण्याची पद्धत सखोल नकाशांच्या अनुक्रमावरून मांडली आहे. विशेष म्हणजे, आम्ही कृती आलेख वापरतो कृतीच्या गतिशीलतेचे स्पष्टपणे मॉडेलिंग करण्यासाठी आणि 3D बिंदूंची पिशवी कृती आलेखातील नोड्सशी संबंधित ठळक पोझिशन्सचे वर्णन करण्यासाठी. याव्यतिरिक्त, आम्ही एक साधी, पण प्रभावी प्रोजेक्शन आधारित नमुना योजना प्रस्तावित करतो जेणेकरून 3 डी बिंदूच्या बॅगचा नमुना खोल नकाशामधून घेतला जाऊ शकेल. प्रायोगिक परिणामांनी हे दाखवून दिले आहे की खोलीच्या नकाशांमधून केवळ 1% 3 डी बिंदू नमुना घेतल्याने 90% पेक्षा जास्त ओळख अचूकता प्राप्त झाली. 2 डी सिल्हूट आधारित ओळखच्या तुलनेत, ओळख त्रुटी अर्ध्या झाल्या. याव्यतिरिक्त, आम्ही सिमुलेशनद्वारे ओक्ल्यूशनशी निगडीत पॉईंट्स पोझर मॉडेलच्या बॅगची क्षमता दर्शवितो. |
46fd85775cab39ecb32cf2e41642ed2d0984c760 | कृत्रिम बुद्धिमत्तेच्या रोबोट्सच्या कायदेशीर स्थितीवर आजच्या चर्चेत अभ्यास केला गेला आहे आणि अभ्यासक आणि धोरणकर्ते या कृत्रिम एजंट्सच्या कायदेशीर एजंटची कायदेशीर व्यक्तीच्या स्थितीशी किती वेळा गल्लत करतात. या क्षेत्रातील सध्याच्या ट्रेंडचा विचार करून, या पेपरमध्ये दोन प्रकारची भूमिका मांडण्याची सूचना केली आहे. प्रथम, धोरणकर्त्यांनी कॉन्ट्रॅक्ट आणि व्यवसाय कायद्यात एआय रोबोट्सच्या कार्यांसाठी जबाबदारी आणि उत्तरदायित्वाच्या नवीन स्वरूपाची स्थापना करण्याची शक्यता गंभीरपणे विचारात घ्यावी, उदाहरणार्थ, जटिल वितरित जबाबदारीच्या प्रकरणांमध्ये कायदेशीर एजंटची नवीन रूपे. दुसरे म्हणजे, कृत्रिम बुद्धिमत्तेच्या रोबोटला पूर्ण कायदेशीर व्यक्तीत्व देण्याची कोणतीही गृहीती भविष्यात फेटाळली पाहिजे. पण, ऑक्टोबर २०१७ मध्ये सौदी अरेबियाच्या नागरिकत्वासाठी अर्ज करणारा सोफिया हा पहिलाच कृत्रिम बुद्धिमत्ता अनुप्रयोग आहे. एखाद्याला किंवा एखाद्या वस्तूला कायदेशीर व्यक्तीत्व देणे हा नेहमीच अत्यंत संवेदनशील राजकीय मुद्दा राहिला आहे आणि तो केवळ तर्कसंगत निवडी आणि अनुभवजन्य पुराव्यावर अवलंबून नाही. विवेकबुद्धी, मनमानी आणि अगदी विचित्र निर्णय या संदर्भात भूमिका बजावतात. कायदेशीर प्रणाली मानवी आणि कृत्रिम संस्थांना, जसे की कंपन्यांना, त्यांचा दर्जा देण्याची नियमावली कारणे, आजच्या कृत्रिम बुद्धिमत्ता असलेल्या रोबोट्सच्या कायदेशीर व्यक्तीच्या शोधात पक्ष घेण्यास मदत करतात. नागरिक सोफिया खरोखरच जागरूक आहे का, किंवा ती विद्वानांच्या धनुष्याला आणि बाणांना सहन करण्यास सक्षम आहे का? |
0943ed739c909d17f8686280d43d50769fe2c2f8 | मानवी वर्तनाचे विश्लेषण आणि संश्लेषण करण्यासाठी एक दृष्टिकोन म्हणून आम्ही कृती-प्रतिक्रिया शिक्षण प्रस्तावित करतो. या नमुन्यामुळे भूतकाळातील आणि भविष्यातील घटनांमधील किंवा काळाच्या अनुक्रमाचे निरीक्षण करून कृती आणि त्याच्या प्रतिक्रियेमधील कारणे आणि परिणाम यांचे नकाशे काढून टाकले जातात. मानवी संवादाचे विश्लेषण करण्यासाठी आणि नंतर मानवी वर्तनाचे संश्लेषण करण्यासाठी आम्ही ही पद्धत वापरतो. अनुभूती मापनच्या वेळ मालिकेचा वापर करून, एक प्रणाली स्वयंचलितपणे एका मानवी सहभागी (क्रिया) च्या हावभावा दरम्यान आणि दुसर्या सहभागीकडून त्यानंतरच्या हावभावा (प्रतिक्रिया) दरम्यान नकाशा काढते. एक संभाव्य मॉडेल मानवी परस्परसंवादाच्या डेटापासून नवीन अंदाज तंत्र, सशर्त अपेक्षा जास्तीत जास्त (सीईएम) वापरून प्रशिक्षित केले जाते. प्रणाली एक ग्राफिकल इंटरएक्टिव कॅरेक्टर चालवते जी संभाव्यतः वापरकर्त्याच्या वर्तनाला सर्वात संभाव्य प्रतिसाद देते आणि ती परस्परसंवादीपणे करते. अशा प्रकारे, सहभागींच्या जोडीमध्ये मानवी परस्परसंवादाचे विश्लेषण केल्यानंतर, प्रणाली त्यापैकी एकाची जागा घेण्यास आणि एका उर्वरित वापरकर्त्याशी संवाद साधण्यास सक्षम आहे. |
272216c1f097706721096669d85b2843c23fa77d | आम्ही अॅडम, प्रथम क्रमांकाच्या ग्रेडियंट-आधारित ऑप्टिमायझेशनसाठी एक अल्गोरिदम सादर करतो, जो स्टोकास्टिक ऑब्जेक्टिव फंक्शन्सचा आहे, जो कमी-ऑर्डरच्या क्षणांच्या अनुकूली अंदाजानुसार आहे. ही पद्धत अंमलबजावणी करणे सोपे आहे, संगणकीयदृष्ट्या कार्यक्षम आहे, स्मृतीची आवश्यकता कमी आहे, ग्रेडियंट्सच्या आडव्या रीस्केलिंगसाठी अपरिवर्तनीय आहे आणि डेटा आणि / किंवा पॅरामीटर्सच्या बाबतीत मोठ्या समस्यांसाठी योग्य आहे. ही पद्धत स्थिर नसलेल्या उद्दीष्टांसाठी आणि खूप गोंधळ आणि/किंवा कमी प्रमाणात चढ-उतारांसह समस्यांसाठी देखील उपयुक्त आहे. अति-पॅरामीटरचे सहज समजण्यासारखे अर्थ आहेत आणि सामान्यतः थोडेसे ट्यूनिंग आवश्यक असते. अॅडमने प्रेरणा घेतलेल्या संबंधित अल्गोरिदमशी काही कनेक्शनवर चर्चा केली जाते. आम्ही अल्गोरिदमच्या सैद्धांतिक अभिसरण गुणधर्मांचे विश्लेषण करतो आणि ऑनलाइन उत्तेजन फ्रेमवर्क अंतर्गत सर्वोत्तम ज्ञात परिणामांशी तुलना करता येण्याजोग्या अभिसरण दरावर एक खेद प्रदान करतो. अनुभवजन्य परिणामांनी हे सिद्ध केले आहे की अॅडम सरावात चांगले कार्य करते आणि इतर स्टोकास्टिक ऑप्टिमायझेशन पद्धतींशी अनुकूलपणे तुलना करते. अखेरीस, आपण अडामॅक्सवर चर्चा करू, अडामॅक्सचा एक प्रकार ज्याचा आधार अनंततेच्या नियमावर आहे. |
05aba481e8a221df5d8775a3bb749001e7f2525e | आम्ही उप-प्रणाली पद्धतींचे एक नवीन कुटुंब सादर करतो जे पूर्वीच्या पुनरावृत्तीमध्ये आढळलेल्या डेटाच्या भूमितीचे ज्ञान गतिमानपणे समाविष्ट करते जेणेकरून अधिक माहितीपूर्ण ग्रेडियंट-आधारित शिक्षण मिळू शकेल. या रूपांतरणामुळे आपल्याला शेणावरील नखरे अतिशय अंदाज करण्यायोग्य पण क्वचितच दिसणारे वैशिष्ट्यांच्या रूपात शोधता येतात. आमचे नमुना स्टोकेस्टिक ऑप्टिमायझेशन आणि ऑनलाइन लर्निंगमधील अलीकडील प्रगतीपासून उद्भवते जे अल्गोरिदमच्या ग्रेडियंट चरणांना नियंत्रित करण्यासाठी प्रॉक्सिमल फंक्शन्सचा वापर करतात. आम्ही समीप फंक्शनमध्ये अनुकूल बदल करण्यासाठी एक यंत्रणा वर्णन आणि विश्लेषण करतो, जे शिकण्याच्या दराची स्थापना लक्षणीयरीत्या सुलभ करते आणि परिणामी पुनरावृत्ती हमी देते जे नंतरच्या काळात निवडल्या जाऊ शकतील अशा सर्वोत्कृष्ट समीप फंक्शनइतकेच चांगले आहेत. आम्ही सामान्य आणि महत्वाचे नियमितकरण कार्ये आणि डोमेन निर्बंधांसह अनुभवजन्य जोखीम कमी करण्याच्या समस्यांसाठी अनेक कार्यक्षम अल्गोरिदम देतो. आम्ही प्रयोगाद्वारे आमच्या सैद्धांतिक विश्लेषणाचा अभ्यास करतो आणि दाखवतो की अनुकूली उप-प्रणाली अत्याधुनिक, परंतु अनुकूली नसलेल्या, उप-प्रणाली अल्गोरिदमपेक्षा अधिक कार्यक्षम आहेत. |
f2bc77fdcea85738d1062da83d84dfa3371d378d | या पेपरमध्ये चिप-टू-चिप अनुप्रयोगांसाठी 90 एनएम सीएमओएसमध्ये 6.25 जीबी / एस 14-एमडब्ल्यू ट्रान्ससीव्हरचे वर्णन केले आहे. ट्रान्ससीव्हरमध्ये वीज वापर कमी करण्यासाठी अनेक वैशिष्ट्ये वापरली जातात, ज्यात सामायिक एलसी-पीएलएल घड्याळ गुणक, इंडक्टर-लोड रेझोनंट घड्याळ वितरण नेटवर्क, कमी आणि प्रोग्राम करण्यायोग्य स्विंग व्होल्टेज-मोड ट्रान्समीटर, सॉफ्टवेअर-नियंत्रित घड्याळ आणि डेटा पुनर्प्राप्ती (सीडीआर) आणि स्वीकारकर्तामध्ये अनुकूलन समतोल आणि सीडीआरसाठी एक नवीन पीएलएल-आधारित फेज रोटेटर. या डिझाईनमध्ये चॅनेल एटेंन्युएशन -१५ डीबी किंवा त्याहून अधिक १०-१५ किंवा त्यापेक्षा कमी बिट-एरर रेटसह काम करता येते, तर प्रति ट्रान्ससीव्हर २.२५ एमडब्ल्यू/जीबी/सेकंद पेक्षा कमी वापरते. |
9da870dbbc32c23013ef92dd9b30db60a3cd7628 | 3 डी आकारांची नॉन-रजिड नोंदणी ही एक आवश्यक काम आहे ज्याचे महत्त्व वाढत आहे कारण डायनॅमिक दृश्यांच्या स्कॅनिंगसाठी कमोडिटी खोली सेन्सर अधिक प्रमाणात उपलब्ध होतात. कठोर नोंदणीपेक्षा नॉन-कठोर नोंदणी अधिक आव्हानात्मक आहे कारण ती एका जागतिक परिवर्तनाऐवजी स्थानिक परिवर्तनांचा एक संच अंदाज करते आणि म्हणूनच अंडरडेटिमेन्शनमुळे ओव्हरफिटिंग समस्येस प्रवण आहे. पूर्वीच्या पद्धतींमध्ये सामान्य ज्ञान स्थानिक रूपांतर फरकावर १-नॉर्म रेग्युलरायझेशन लादणे आहे. तथापि, l2-नॉर्म रेग्युलरायझेशनने समाधानात बाह्य आणि आवाजाकडे दुर्लक्ष केले आहे. हे गॉसीयन वितरणातील रूपांतरणाच्या फरकांच्या खराब गुणवत्तेद्वारे सत्यापित केले जाते. उलट, लाप्लासियन वितरण रूपांतरणाच्या फरकांसह चांगले बसते, जे एक विरळता अगोदर वापरण्याची सूचना देते. आम्ही एक विरळ नॉन-रिजिड रजिस्ट्रेशन (एसएनआर) पद्धत प्रस्तावित करतो ज्यामध्ये रूपांतरणाच्या अंदाजानुसार एल 1-नॉर्म रेग्युलराइज्ड मॉडेल आहे, जे वर्धित लॅग्रॅजियन फ्रेमवर्क अंतर्गत पर्यायी दिशेने पद्धत (एडीएम) द्वारे प्रभावीपणे सोडविले जाते. आम्ही मजबूत आणि प्रगत नोंदणीसाठी बहु-निर्णय योजना तयार केली आहे. सार्वजनिक डेटासेट आणि आमच्या स्कॅन केलेल्या डेटासेटच्या दोन्ही निकालांनी आमच्या पद्धतीची श्रेष्ठता दर्शविली आहे, विशेषतः मोठ्या प्रमाणात विकृत रूप तसेच बाह्य आणि आवाज हाताळण्यात. |
e36ecd4250fac29cc990330e01c9abee4c67a9d6 | या पत्रात एक कादंबरी Ka-बँड ड्युअल-बँड ड्युअल-सर्क्युलरली-ध्रुवीकृत अँटेना अॅरे सादर केले आहे. ड्युअल-बँड अँटेना, डाव्या बाजूला वर्तुळाकार ध्रुवीकरण असलेल्या का-बँड डाउनलिंक वारंवारतेसाठी आणि उजव्या बाजूला वर्तुळाकार ध्रुवीकरण असलेल्या का-बँड अपलिंक वारंवारतेसाठी कॉम्पॅक्ट रिंग रिंग स्लॉटसह साकार केले जाते. अनुक्रमे फिरविण्याच्या तंत्राचा वापर करून, 2 × 2 सबरे चांगले कामगिरीसह मिळते. या पत्रात डिझाईन प्रक्रियेचे वर्णन केले आहे आणि सिमुलेशन आणि मोजमापांचे परिणाम सादर केले आहेत. |
0bb71e91b29cf9739c0e1334f905baad01b663e6 | या पेपरमध्ये एलटीई नेटवर्कमध्ये तैनात बॅटरी-चालित उपकरणांच्या उर्जा वापरास कमी करण्यासाठी वेळापत्रक आणि प्रसारण उर्जा नियंत्रणाची तपासणी केली जाते. यंत्र-प्रकार सदस्यांची मोठी संख्या कार्यक्षम शेड्यूलिंग सक्षम करण्यासाठी, एक नवीन वितरित योजना प्रस्तावित आहे जेणेकरून मशीन नोड्स स्थानिक क्लस्टर तयार करतात आणि क्लस्टर-हेड्सद्वारे बेस-स्टेशनशी संवाद साधतात. त्यानंतर, एलटीई नेटवर्कमध्ये अपलिंक शेड्यूलिंग आणि पॉवर कंट्रोलची ओळख करुन दिली जाते आणि क्लस्टर-हेड्स आणि बेस-स्टेशन दरम्यान संप्रेषणासाठी वापरण्यासाठी लाइफटाइम-जागरूक सोल्यूशन्सची तपासणी केली जाते. अचूक समाधानाव्यतिरिक्त, कमी-जटिलता सब-ऑप्टिमाइझ्ड सोल्यूशन्स या कामात सादर केल्या आहेत ज्यामुळे कमी संगणकीय जटिलतेसह जवळजवळ इष्टतम कार्यक्षमता प्राप्त होऊ शकते. कामगिरीचे मूल्यांकन दर्शविते की प्रस्तावित प्रोटोकॉल वापरून नेटवर्कचे आयुष्य लक्षणीय वाढविले जाते. |
6dc4be33a07c277ee68d42c151b4ee866108281f | संकुचित मोजमापांमधून कोव्हॅरियन्स मॅट्रिक्सचे अंदाज अलीकडेच विज्ञान आणि अभियांत्रिकीच्या विविध क्षेत्रात लक्षणीय संशोधन प्रयत्नांना आकर्षित केले आहे. थोड्या संख्येने निरीक्षणामुळे, सह-परिवर्तन मॅट्रिक्सचा अंदाज घेणे ही एक गंभीरपणे चुकीची समस्या आहे. यास कोव्हॅरियन्स मॅट्रिक्सच्या संरचनेबद्दलच्या आधीच्या माहितीचा फायदा घेऊन मात करता येते. या पेपरमध्ये एक वर्ग उत्तल फॉर्म्युलेशन आणि संबंधित सोल्यूशन्स सामील आहेत. उच्च-आयामी कोव्हॅरियन्स मॅट्रिक्स अनुमान समस्या संकुचित मोजमापांखाली, सकारात्मक अर्ध-परिभाषिततेव्यतिरिक्त, सोल्यूशनवर टोप्लित्झ, विरळता, शून्य-नमुना, कमी रँक किंवा कमी परमिट रँक संरचना लागू करते. ऑप्टिमायझेशन समस्या सोडवण्यासाठी, आम्ही को-व्हॅरिएन्स बाय ऑगमेंटेड लॅग्रॅजियन सिक्रेशन अल्गोरिदम (सीओव्हीएएलएसए) सादर करतो, जो स्प्लिट ऑगमेंटेड लॅग्रॅजियन सिक्रेशन अल्गोरिदम (एसएएलएसए) ची एक उदाहरणे आहे. अत्याधुनिक अल्गोरिदमच्या तुलनेत आम्ही आमच्या दृष्टिकोनाची कार्यक्षमता दर्शवितो. |
05357314fe2da7c2248b03d89b7ab9e358cbf01e | सर्व हक्क राखीव आहेत. या पुस्तकाचा कोणताही भाग प्रकाशकाच्या लेखी परवानगीशिवाय कोणत्याही इलेक्ट्रॉनिक किंवा यांत्रिक पद्धतीने (फोटोकॉपी करणे, रेकॉर्ड करणे, किंवा माहिती संग्रहित करणे आणि पुनर्प्राप्त करणे यासह) कोणत्याही स्वरूपात पुनरुत्पादित केला जाऊ शकत नाही. |
06d0a9697a0f0242dbdeeff08ec5266b74bfe457 | आम्ही नॅचरल लँग्वेज ट्री स्ट्रक्चर्ससाठी एक नवीन जनरेटिव्ह मॉडेल सादर करतो ज्यामध्ये सिमेंटिक (लेक्सिकल डिपेंडन्सी) आणि सिंटॅक्टिक स्ट्रक्चर्सचे स्कोअर वेगवेगळ्या मॉडेलसह केले जाते. हे फॅक्टरायझेशन संकल्पनात्मक साधेपणा, घटक मॉडेल स्वतंत्रपणे सुधारण्याची सरळ संधी आणि तत्सम, नॉन-फॅक्टर्ड मॉडेलच्या जवळील कामगिरीची पातळी प्रदान करते. सर्वात महत्वाचे म्हणजे, इतर आधुनिक पार्सिंग मॉडेलच्या विपरीत, फॅक्टर्ड मॉडेलमध्ये एक अत्यंत प्रभावी पार्सिंग अल्गोरिदम समाविष्ट आहे, जे कार्यक्षम, अचूक निष्कर्ष काढणे शक्य करते. |
8f76334bd276a2b92bd79203774f292318f42dc6 | या पेपरमध्ये एल आकाराच्या सॅन्डरद्वारे पुरविल्या जाणाऱ्या एका वर्तुळातील हॉर्न अँटेनाचा उल्लेख आहे. 50 ओमेगा कोएक्सियल केबलशी जुळणारी ब्रॉडबँड डिझाईन प्रक्रिया आणि अक्षीय प्रमाण आणि गॅनिंगमध्ये अँटेनाची कामगिरी सादर केली जाते. या पेपरचे अनुकरण परिणाम Ansoft HFSS 9.2 वापरून प्राप्त केले गेले |
41c987b8a7e916d56fed2ea7311397e0f2286f3b | नेटवर्क स्तरावर क्वांटिझेशनवर लक्ष केंद्रित करणाऱ्या पारंपरिक पद्धतींप्रमाणे, या कामात आम्ही टेंसर स्तरावर क्वांटिझेशन प्रभाव कमी करण्याचा प्रस्ताव ठेवतो. आम्ही क्वांटिझेशनचा आवाज आणि क्लिपिंग विकृती यांच्यातील तडजोडीचे विश्लेषण करतो. कमी अचूक नेटवर्कमध्ये. आम्ही विविध टेन्सरची आकडेवारी ओळखतो, आणि क्लिपिंगमुळे सरासरी-चौरस-त्रुटी क्षीणतेसाठी अचूक अभिव्यक्ती मिळवतो. या अभिव्यक्तींचे अनुकूलन करून, आम्ही मानक क्वांटिझेशन योजनांपेक्षा लक्षणीय सुधारणा दर्शवितो जे सामान्यतः क्लिपिंग टाळतात. उदाहरणार्थ, फक्त अचूक क्लिपिंग व्हॅल्यू निवडून, व्हीजीजी 16 बीएनचे क्वांटिझेशनसाठी 4 बीट्स अचूकतेसाठी 40% पेक्षा जास्त अचूकता सुधारणा मिळते. आमच्या परिणामांना प्रशिक्षण आणि अनुमान दोन्ही वेळी न्यूरल नेटवर्कच्या क्वांटिझेशनसाठी अनेक अनुप्रयोग आहेत. एक तात्काळ अनुप्रयोग म्हणजे कमी अचूकतेच्या प्रवेगकांमध्ये तंत्रिका नेटवर्कची जलद उपयोजन करणे, वेळ घेणारी बारीक ट्यूनिंग किंवा संपूर्ण डेटासेटची उपलब्धता न करता. |
1bde4205a9f1395390c451a37f9014c8bea32a8a | रेंज इमेजमध्ये क्वेरी केलेल्या वस्तू ओळखणे आणि स्थानिकीकरण करणे रोबोटिक मॅनिपुलेशन आणि नेव्हिगेशनसाठी महत्त्वपूर्ण भूमिका बजावते. जरी याचा सातत्याने अभ्यास केला गेला असला तरी, हे अद्यापही एक आव्हानात्मक कार्य आहे. |
242caa8e04b73f56a8d4adae36028cc176364540 | आम्ही 3 डी सेन्सरवर लागू होणाऱ्या मतदान आधारित पोझ अंदाज अल्गोरिदमचा प्रस्ताव करतो, जे अनेक रोबोटिक्स, संगणक दृष्टी आणि गेमिंग अनुप्रयोगांमध्ये त्यांच्या 2 डी समकक्षांची वेगाने जागा घेत आहेत. नुकतेच हे सिद्ध झाले आहे की ऑर्इंटेड 3 डी पॉईंट्सची जोडी, जे ऑब्जेक्ट पृष्ठभागावर सामान्य असलेल्या पॉईंट्स आहेत, मतदान फ्रेमवर्कमध्ये जलद आणि मजबूत पोझ मूल्यांकन सक्षम करते. जरी अभिमुख पृष्ठभाग बिंदू पुरेसे वक्रता बदल असलेल्या वस्तूंसाठी भेदभाव करणारे असले तरी ते बर्याच औद्योगिक आणि वास्तविक जगाच्या वस्तूंसाठी पुरेसे कॉम्पॅक्ट आणि भेदभाव करणारे नाहीत जे मुख्यतः सपाट आहेत. 2 डी नोंदणीमध्ये किनार्यांची प्रमुख भूमिका असल्याने, 3 डी मध्ये खोलीतील विसंगती महत्त्वपूर्ण आहेत. या लेखात आपण एक पोझ अॅस्मेटिझम अल्गोरिदम शोधत आहोत जे या सीमा माहितीचा अधिक चांगल्या प्रकारे वापर करतात. दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने दिशेने आमच्या प्रयोगांमधून हे दिसून आले आहे की, या काळजीपूर्वक निवडलेल्या आदिम पद्धती अधिक माहिती कॉम्पॅक्टरी एन्कोड करतात आणि त्यामुळे औद्योगिक भागांच्या विस्तृत वर्गासाठी अधिक अचूकता प्रदान करतात आणि वेगवान गणना करण्यास सक्षम असतात. आम्ही प्रस्तावित अल्गोरिदम आणि थ्री डी सेन्सरचा वापर करून एक व्यावहारिक रोबोटिक कचरा-पिकिंग सिस्टमचे प्रदर्शन करतो. |
5df318e4aac5313124571ecc7e186cba9e84a264 | अधिकृत मोबाईल अॅप बाजारपेठेत वारंवार होणाऱ्या मालवेअरच्या घुसखोरीमुळे अंतिम वापरकर्त्यांच्या वैयक्तिक आणि संवेदनशील माहितीची गोपनीयता आणि गोपनीयतेला मोठा धोका निर्माण झाला आहे. अॅक्सेसरीजच्या विरोधात वापरकर्त्याचे डिव्हाइसचे संरक्षण करणे हे शैक्षणिक आणि उद्योगातील सुरक्षा संशोधक / अभियंत्यांसाठी तांत्रिक आणि संशोधन आव्हान आहे. अॅप मार्केटमध्ये सुरक्षा पद्धती आणि विश्लेषण तपासणी तैनात असूनही, मालवेअर संरक्षणातून घुसखोरी करतात आणि वापरकर्त्याच्या डिव्हाइसवर संसर्ग करतात. मालवेअरच्या उत्क्रांतीमुळे ते अधिक परिष्कृत आणि गतिमान बदलणारे सॉफ्टवेअर बनले आहे जे सहसा कायदेशीर अॅप्स म्हणून वेषभूषा केले जाते. अत्यंत प्रगत टाळण्याची तंत्रे वापरणे, जसे की एन्क्रिप्टेड कोड, अस्पष्टीकरण आणि डायनॅमिक कोड अद्यतने इत्यादी, नवीन मालवेअरमध्ये आढळणारी सामान्य पद्धती आहेत. डायनॅमिक कोड अपडेटचा वापर करून, एक मालवेअर निरुपद्रवी अॅप असल्याचा दावा करून विश्लेषण तपासणीला बायपास करते आणि वापरकर्त्याच्या डिव्हाइसवर स्थापित केल्यावरच त्याचे दुर्भावनायुक्त कार्यक्षमता प्रकट करते. या प्रबंधात अँड्रॉइड अॅप्समध्ये डायनॅमिक कोड अपडेटच्या वापराविषयी आणि वापराच्या पद्धतीबद्दल सखोल अभ्यास केला आहे. याव्यतिरिक्त, आम्ही एक संकरित विश्लेषण पद्धत, स्टॅडार्ट, प्रस्तावित करतो जे गतिशील कोड अद्यतनांच्या उपस्थितीत अॅप्सचे विश्लेषण करण्यासाठी स्थिर विश्लेषण तंत्राच्या मूळ कमतरता दूर करण्यासाठी स्थिर आणि गतिशील विश्लेषण जोडते. वास्तविक जगातील अॅप्सवरील आमच्या मूल्यमापनाचे परिणाम स्टॅडार्टची कार्यक्षमता दर्शवतात. तथापि, सामान्यतः गतिमान विश्लेषण, आणि त्या बाबतीत संकरित विश्लेषण देखील, अॅप्सच्या वर्तनास उत्तेजन देण्याची समस्या आणते जे स्वयंचलित विश्लेषण साधनांसाठी एक गैर-तपशील आव्हान आहे. यासाठी आम्ही बॅकवर्ड स्लाइसिंगवर आधारित टार्गेटेड इंटर कॉम्पोनेंट कोड पाथ एक्झिक्युशन टेक्निक, टीआयसीसीचा प्रस्ताव ठेवतो. TeICC अॅपमधील लक्ष्य बिंदूपासून सुरू होणारे कोड पथ काढण्यासाठी बॅकवर्ड स्लाइसिंग यंत्रणेचा लाभ घेते. यात इंटर कॉम्पोनेंट कम्युनिकेशनचा समावेश असलेल्या कोड पाथ्स काढण्यासाठी सिस्टम डिपेंडन्सी ग्राफचा वापर केला जातो. काढलेल्या कोड पाथ्स नंतर संवेदनशील गतिशील वर्तन कॅप्चर करण्यासाठी, गतिशील कोड अद्यतने आणि अस्पष्टता सोडविण्यासाठी अॅप संदर्भात इंस्ट्रूमेंट केले जातात आणि अंमलात आणले जातात. आमच्या TeICC च्या मूल्यांकनावरून असे दिसून आले आहे की हे प्रभावीपणे अदृश्य Android अॅप्समध्ये इंटर-कंपोनेंट कोड पाथच्या लक्ष्यित अंमलबजावणीसाठी वापरले जाऊ शकते. तसेच, अजूनही वापरकर्त्याच्या डिव्हाइसवर पोहोचत विरोधक शक्यता नाकारत नाही, आम्ही एक फोन API हुकिंग प्रस्तावित |
5ed4b57999d2a6c28c66341179e2888c9ca96a25 | या लेखात, आम्ही अशा एजंट्स विकसित करण्याच्या उद्देशाने काम करतो जे जटिल जगात कार्य करण्यास शिकू शकतात. आम्ही संभाव्य, संबंधात्मक नियोजन नियम प्रतिनिधित्व विकसित करतो जे गोंगाट करणारे, नॉन-डेटर्मिनेटिव्ह क्रिया प्रभाव संक्षिप्तपणे मॉडेल करते आणि असे नियम प्रभावीपणे कसे शिकता येतील हे दर्शविते. साध्या नियोजन क्षेत्रात प्रयोग करून आणि वास्तववादी भौतिकशास्त्रासह 3 डी सिम्युलेटेड ब्लॉक्स जगाने, आम्ही हे दाखवतो की हे शिक्षण अल्गोरिदम एजंट्सला प्रभावीपणे जगाच्या प्रेरक शक्तीचे मॉडेल बनविण्यास अनुमती देते. |
55c769b5829ca88ba940e0050497f4956c233445 | आरजीबी-डी कॅमेरेद्वारे किंवा कॅमेऱ्यांशी संबंधित लिडारद्वारे प्रदान केलेल्या खोलीच्या माहितीद्वारे व्हिज्युअल ओडोमीटर वाढविले जाऊ शकते. तथापि, ही खोली माहिती सेन्सर्सद्वारे मर्यादित केली जाऊ शकते, ज्यामुळे दृश्यात्मक प्रतिमांमध्ये मोठे क्षेत्रे जिथे खोली उपलब्ध नसते. येथे, आम्ही कॅमेराच्या हालचाली पुनर्प्राप्त करण्यासाठी, कमी उपलब्ध असले तरी, खोलीचा वापर करण्याची पद्धत प्रस्तावित करतो. याव्यतिरिक्त, ही पद्धत पूर्वीच्या अंदाजित हालचालीचा वापर करून हालचालीपासून रचनाद्वारे खोली आणि ठळक दृश्य वैशिष्ट्ये वापरते ज्यासाठी खोली उपलब्ध नाही. त्यामुळे ही पद्धत आरजीबीडी व्हिज्युअल ओडोमेटरीला मोठ्या प्रमाणात, खुल्या वातावरणात विस्तारित करू शकते जिथे अनेकदा खोली पुरेशी प्राप्त होऊ शकत नाही. आमच्या पद्धतीचा मुख्य भाग म्हणजे बंडल समायोजन चरण आहे जो बॅच ऑप्टिमायझेशनमध्ये प्रतिमांच्या अनुक्रमाची प्रक्रिया करून, गति अंदाज समांतरपणे परिष्कृत करतो. आम्ही तीन सेन्सर सेटअपमध्ये आमची पद्धत तपासली आहे, एक आरजीबी-डी कॅमेरा वापरून, आणि दोन कॅमेरा आणि 3 डी लीडरचा वापर करून. आमच्या पद्धतीला KITTI ओडोमेट्री बेंचमार्कवर # 4 रेटिंग दिले गेले आहे-जसे की सेन्सिंग मोडॅलिटीची तुलना स्टीरिओ व्हिज्युअल ओडोमेट्री पद्धतीशी केली जाते जी त्रिकोणाद्वारे खोली पुनर्प्राप्त करते. परिणामी सरासरी स्थिती त्रुटी प्रवास केलेल्या अंतराच्या 1.14% आहे. |
0c668ee24d58ecca165f788d40765e79ed615471 | |
9cccd211c9208f790d71fa5b3499d8f827744aa0 | शैक्षणिक डेटा खननद्वारे विविध शैक्षणिक-उन्मुख समस्या सोडवल्या जातात, जे डेटा खननचे सर्वात सामान्य अनुप्रयोग आहेत. या पेपरचे एक महत्त्वाचे उद्दिष्ट म्हणजे ईडीएमवर केलेल्या सर्वात अलीकडील कामांचा अभ्यास करणे आणि त्यांचे गुण आणि तोटे विश्लेषित करणे. या पेपरमध्ये सर्वेक्षण केलेल्या लेखांमध्ये वापरल्या गेलेल्या विविध डेटा मायनिंग पद्धती आणि तंत्रांचे संचयी परिणाम देखील अधोरेखित केले आहेत आणि अशा प्रकारे संशोधकांना ईडीएमच्या भविष्यातील दिशानिर्देशांवर सूचना दिल्या आहेत. याव्यतिरिक्त, भविष्यातील संशोधनांसाठी सर्वात विश्वासार्ह अल्गोरिदमचे निरीक्षण करण्यासाठी मूल्यांकन, विशिष्ट वर्गीकरण आणि क्लस्टरिंग अल्गोरिदमचे मूल्यांकन करण्यासाठी एक प्रयोग देखील केला गेला. |
197a7fc2f8d57d93727b348851b59b34ce990afd | एसआरआयएलएम हे सी ++ लायब्ररी, एक्झिक्युटेबल प्रोग्राम आणि मदतनीस स्क्रिप्ट्सचे संग्रह आहे जे भाषण ओळख आणि इतर अनुप्रयोगांसाठी सांख्यिकीय भाषा मॉडेलचे उत्पादन आणि प्रयोग दोन्ही करण्यास परवानगी देण्यासाठी डिझाइन केलेले आहे. एसआरआयएलएम हे विनाव्यावसायिक हेतूने मोफत उपलब्ध आहे. टूलकिट एन-ग्राम आकडेवारीवर आधारित विविध प्रकारच्या भाषा मॉडेल प्रकारांची निर्मिती आणि मूल्यांकन तसेच एन-बेस्ट याद्या आणि शब्द जाळीच्या सांख्यिकीय टॅगिंग आणि हाताळणी यासारख्या अनेक संबंधित कार्ये समर्थित करते. या कागदपत्रात टूलकिटची कार्यक्षमता सारांशित केली आहे आणि त्याच्या डिझाइन आणि अंमलबजावणीवर चर्चा केली आहे, जलद प्रोटोटाइपिंगची सोय, पुन्हा वापरण्यायोग्य आणि साधनांची संयोजनता यावर प्रकाश टाकला आहे. |
12f661171799cbd899e1ff4ae0a7e2170c3d547b | सांख्यिकीय भाषा मॉडेल भाषण ओळख आणि इतर भाषा तंत्रज्ञानाच्या उद्देशाने विविध नैसर्गिक भाषेच्या घटनांचे वितरण अंदाज करतात. १९८० मध्ये प्रथम महत्त्वपूर्ण मॉडेल प्रस्तावित केल्यापासून, कलात्मक स्थिती सुधारण्यासाठी अनेक प्रयत्न केले गेले आहेत. आम्ही त्यांचा आढावा घेतो, काही आशादायक दिशानिर्देशांकडे लक्ष वेधतो आणि डेटासह भाषिक सिद्धांतांच्या एकत्रीकरणासाठी बेयसीयन दृष्टिकोनासाठी युक्तिवाद करतो. |
395f4b41578c3ff5139ddcf9e90eb60801b50394 | बिग्राम आणि ट्रायग्राम भाषेच्या मॉडेलची निर्मिती आणि चाचणी सुलभ करण्यासाठी सीएमयू स्टॅटिस्टिकल लँग्वेज मॉडेलिंग टूलकिटचे भाडेतत्त्वावर पुनर्निर्माण करण्यात आले होते सध्या हे टूलकिटचे नवीन आवृत्ती सादर करते आम्ही टूलकिटमध्ये लागू केलेल्या पारंपरिक भाषा मॉडेलिंग तंत्रज्ञानाची रूपरेषा देतो आणि या कार्यासाठी मागील सॉफ्टवेअरच्या तुलनेत नवीन टूलकिट प्रदान करते त्या अतिरिक्त कार्यक्षमता आणि कार्यक्षमतेचे वर्णन करतो शेवटी आम्ही या टूलकिटचा वापर साध्या भाषेचे मॉडेल तयार करणे आणि चाचणी करण्यासाठी करतो. |
0b8f4edf1a7b4d19d47d419f41cde432b9708ab7 | आम्ही सिलिकॉनने भरलेल्या एकात्मिक वेव्हगाईड्सच्या निर्मितीसाठी एक तंत्रज्ञान सादर करतो जे कमी-हानीचे उच्च-कार्यक्षमता मिलिमीटर-वेव्ह निष्क्रिय घटक आणि उच्च लाभ अॅरे अँटेनाची पूर्तता करण्यास सक्षम करते, अशा प्रकारे अत्यंत एकात्मिक मिलिमीटर-वेव्ह सिस्टमची पूर्तता सुलभ होते. प्रस्तावित तंत्रज्ञानात अॅल्युमिनियम धातूकरण चरणांसह खोल प्रतिक्रियाशील-आयन-एचिंग (डीआरआयई) तंत्रज्ञान वापरले जाते जेणेकरून उच्च भूमितीय अचूकता आणि सतत धातूच्या बाजूच्या भिंतींसह आयताकृती वेव्हगाईड्स समाकलित केले जाऊ शकतात. एकात्मिक आयताकृती वेव्हगाईड्सचे मापन परिणाम 0. 15 डीबी / एलजीचे नुकसान 105 जीएचझेड येथे दर्शवितात. याव्यतिरिक्त, अल्ट्रा-वाइडबँड कॉप्लेनार ते वेव्हगाइड ट्रान्झिशनचे वर्णन आणि वैशिष्ट्यीकृत केले गेले आहे ज्यामध्ये 105 गीगाहर्ट्झवर 0.6 डीबी इनसेर्शन लॉस आणि 80 ते 110 गीगाहर्ट्झ दरम्यान 15 डीबीपेक्षा जास्त रिटर्न लॉस आहे. फ्रिक्वेन्सी स्कॅनिंग स्लॉटड वेव्हगाइड अॅरे अँटेनाची रचना, एकत्रीकरण आणि मोजलेली कार्यक्षमता नोंदविली जाते, ज्यामुळे 23 जीएचझेडच्या बँडमध्ये 82 डिग्रीची मोजली जाणारी बीम स्टीयरिंग क्षमता आणि 96 जीएचझेडमध्ये 8.5 डिग्रीची अर्धा-शक्ती बीम-वाइड (एचपीबीडब्ल्यू) मिळते. अखेर, कमी किंमतीत एमएम-वेव्ह सिस्टम लेव्हल एकत्रीकरण सुलभ करण्यासाठी या तंत्रज्ञानाची क्षमता दर्शविण्यासाठी, इमेजिंग रडार अनुप्रयोगांसाठी फ्रिक्वेन्सी मॉड्यूलेटेड कॉन्टिन्यूअस वेव्ह (एफएमसीडब्ल्यू) ट्रान्समिट-रिसीव्ह आयसी थेट एकात्मिक अॅरेवर फ्लिप-चिप बसविली जाते आणि प्रायोगिकरित्या वैशिष्ट्यीकृत केली जाते. |
31864e13a9b3473ebb07b4f991f0ae3363517244 | या पेपरमध्ये कडा शोधण्यासाठी संगणकीय दृष्टिकोनाचे वर्णन केले आहे. या पद्धतीचा यशस्वी उपयोग हा कडा बिंदूच्या गणनासाठी व्यापक लक्ष्यांच्या संचिकेच्या व्याख्यावर अवलंबून असतो. या उद्दिष्टांना पुरेसे अचूक असणे आवश्यक आहे जेणेकरून शोधकच्या इच्छित वर्तनाची मर्यादा घालता येईल आणि सोल्यूशनच्या स्वरूपाबद्दल किमान गृहितके करता येतील. आम्ही कडांच्या वर्गासाठी शोध आणि स्थानिकीकरण निकष निश्चित करतो आणि ऑपरेटर इंपल्स प्रतिसादावर फंक्शनल म्हणून या निकषांसाठी गणितीय फॉर्म सादर करतो. त्यानंतर तिसरा निकष जोडला जातो जेणेकरून डिटेक्टरला एकाच कडाला फक्त एक प्रतिसाद मिळेल. आम्ही संख्यात्मक ऑप्टिमायझेशनमध्ये निकषांचा वापर करतो, ज्यामध्ये स्टेप एजसह अनेक सामान्य प्रतिमा वैशिष्ट्यांसाठी डिटेक्टर मिळवितात. विश्लेषण विशेषीकरण करून, आपल्याला आढळते की शोध आणि स्थानिकीकरण कामगिरी दरम्यान नैसर्गिक अनिश्चितता तत्त्व आहे, जे दोन मुख्य उद्दीष्टे आहेत. या तत्त्वाच्या सहाय्याने आपण एक एकल ऑपरेटर आकार प्राप्त करतो जो कोणत्याही प्रमाणात इष्टतम असतो. इष्टतम डिटेक्टरमध्ये एक साधी अंदाजे अंमलबजावणी आहे ज्यामध्ये गॉसीयन-स्मूथ प्रतिमेच्या ग्रेडियंट परिमाणात कडा जास्तीत जास्त चिन्हांकित केल्या जातात. आम्ही हा साधा डिटेक्टर वाढवला अनेक रुंदीच्या ऑपरेटरचा वापर करून प्रतिमेतील वेगवेगळ्या सिग्नल-टू-रॉईड रेशियोला सामोरे जाण्यासाठी. आम्ही एक सामान्य पद्धत सादर करतो, ज्याला फीचर संश्लेषण म्हणतात, विविध प्रमाणात ऑपरेटरकडून माहितीचे बारीक ते उग्र एकत्रीकरण करण्यासाठी. शेवटी आम्ही दर्शवितो की स्टेप एज डिटेक्टरची कार्यक्षमता बरीच सुधारते कारण ऑपरेटर पॉईंट स्प्रेड फंक्शन किनारपट्टीवर विस्तारित आहे. |
b41c45b2ca0c38a4514f0779395ebdf3d34cecc0 | |
7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e | चेहरे जटिल, बहुआयामी, अर्थपूर्ण दृश्यात्मक उत्तेजनांचे प्रतिनिधित्व करतात आणि चेहर्याची ओळख पटविण्यासाठी संगणकीय मॉडेल विकसित करणे कठीण आहे [42]. आम्ही एक संकरित तंत्रिका नेटवर्क उपाय सादर करतो जो इतर पद्धतींशी अनुकूलपणे तुलना करतो. या प्रणालीमध्ये स्थानिक प्रतिमा नमुना, स्वयं-संरचना करणारे नकाशा तंत्रिका नेटवर्क आणि एक संक्रमणीय तंत्रिका नेटवर्क यांचा समावेश आहे. स्वयं-संरचनात्मक नकाशा प्रतिमा नमुन्यांचे एक टोपोलॉजिकल जागेत क्वांटिझेशन प्रदान करते जेथे मूळ जागेत जवळपास असलेले इनपुट आउटपुट स्पेसमध्ये देखील जवळपास असतात, ज्यामुळे प्रतिमा नमुन्यातील किरकोळ बदलांमध्ये परिमाणवाचकता आणि अपरिवर्तनीयता प्रदान होते आणि कन्वॉल्युशनल न्यूरल नेटवर्क ट्रान्सलेशन, रोटेशन, स्केल आणि विकृत रूपात अंशतः अपरिवर्तनीयतेसाठी प्रदान करते. कन्वॉल्युशनल नेट वर्कमध्ये स्तरांच्या श्रेणीबद्ध संचामध्ये क्रमाने मोठ्या वैशिष्ट्यांचा समावेश केला जातो. आम्ही स्वतः ची संघटित नकाशाच्या जागी कारुनेन-लोएव्ह ट्रान्सफॉर्म आणि संक्रमणीय नेटवर्कच्या जागी बहु-स्तरित पर्सट्रॉनचा वापर करून निकाल सादर करतो. कारुनेन-लोवे ट्रान्सफॉर्म जवळजवळ तसेच काम करते (5.3% त्रुटी विरुद्ध 3.8%). बहु-स्तरित पर्सेप्ट्रॉन खूपच कमी काम करते (३.८% च्या तुलनेत ४०% त्रुटी). ही पद्धत जलद वर्गीकरणाची क्षमता आहे, फक्त वेगवान, अंदाजे सामान्यीकरण आणि पूर्व-प्रक्रिया आवश्यक आहे आणि प्रशिक्षण डेटाबेसमध्ये प्रति व्यक्ती प्रतिमांची संख्या 1 ते 5 पर्यंत बदलते म्हणून विचारात घेतलेल्या डेटाबेसवर स्वतः चे चेहरे [42] च्या तुलनेत उत्कृष्ट वर्गीकरण कार्यप्रदर्शन दर्शवते. प्रति व्यक्ती 5 प्रतिमा घेतल्यास प्रस्तावित पद्धत आणि स्वतःचे चेहरे अनुक्रमे 3.8% आणि 10.5% त्रुटी देतात. या रेकग्निशनने त्याच्या आउटपुटवर विश्वास ठेवला आहे आणि 10% उदाहरणे नाकारल्यास वर्गीकरण त्रुटी शून्यच्या जवळ आहे. आम्ही ४० व्यक्तींच्या ४०० छायाचित्रांचा डेटाबेस वापरतो ज्यामध्ये अभिव्यक्ती, मुद्रा आणि चेहर्यावरील तपशीलांमध्ये बर्यापैकी उच्च प्रमाणात बदल आहे. आम्ही संगणकीय गुंतागुंतीचे विश्लेषण करतो आणि प्रशिक्षित ओळखकर्त्यामध्ये नवीन वर्ग कसे जोडले जाऊ शकतात यावर चर्चा करतो. |
5dd9dc47c4acc9ea3e597751194db52119398ac6 | शिफ्ट रजिस्टर हे एक प्रकारचे अनुक्रमे लॉजिक सर्किट आहे जे मुख्यतः डिजिटल डेटा संग्रहित करण्यासाठी किंवा सिस्टमची सुरक्षा सुधारण्यासाठी रेडिओ फ्रिक्वेन्सी आयडेंटिफिकेशन (आरएफआयडी) अनुप्रयोगांमध्ये बायनरी नंबरच्या स्वरूपात डेटा हस्तांतरित करण्यासाठी वापरले जाते. या लेखात नवीन फ्लिप-फ्लॉप वापरून एक ऊर्जा-कार्यक्षम शिफ्ट रजिस्टर सादर केले आहे. प्रस्तावित फ्लिप फ्लॉपमध्ये उच्च कार्यक्षमता आणि कमी उर्जा यांचे वैशिष्ट्य आहे. यामध्ये पाच ट्रान्झिस्टरद्वारे सादर केलेला एक नमुना घेणारा सर्किट, उदय आणि पतन मार्गासाठी सी-घटक आणि एक कीपर स्टेज आहे. चार क्लॉक्ड ट्रान्झिस्टर चालवून ट्रान्झिशन कंडिशन टेक्निकसह गती वाढवली जाते. अनुकरण परिणामाची पुष्टी केली आहे की प्रस्तावित टोपोलॉजी 30.1997 आणि 22.7071 एनडब्ल्यूची सर्वात कमी शक्ती वापरते. अनुक्रमे समांतर-समांतर-बाहेर (पीआयपीओ) आणि सिरीयल-सिरीयल-बाहेर (एसआयएसओ) शिफ्ट रेजिस्टर अनुक्रमे 22 μm2 चिप क्षेत्र व्यापते. एकूणच डिझाईनमध्ये फक्त 16 ट्रान्झिस्टर आहेत आणि ते 130 एनएम कॉम्प्लीमेंटरी-मेटल-ऑक्साईड-सेमीकंडक्टर (सीएमओएस) तंत्रज्ञानात 1.2 व्ही पॉवर सप्लायसह सिम्युलेटेड आहे. |
d76beb59a23c01c9bec1940c4cec1ca26e00480a | हवाई दलाच्या संशोधन प्रयोगशाळेने दोन मेंदू-संगणक इंटरफेस (बीसीआय) अंमलात आणले आहेत आणि त्यांचे मूल्यांकन केले आहे जे स्थिर-राज्य व्हिज्युअल इव्होक्यूड प्रतिसादाचे भौतिक डिव्हाइस किंवा संगणक प्रोग्राम ऑपरेट करण्यासाठी नियंत्रण सिग्नलमध्ये भाषांतर करतात. एका दृष्टिकोनातून, ऑपरेटर मेंदूच्या प्रतिसादाचे स्वतः चे नियमन करतात; दुसरा दृष्टिकोन एकाधिक उद्भवलेल्या प्रतिसादांचा वापर करतो. |
8a65dc637d39c14323dccd5cbcc08eed2553880e | दक्षिण आफ्रिकेतील जिल्हा व्यवस्थापनाला पाठिंबा देण्यासाठी आरोग्य माहिती प्रणाली विकसित करण्यासाठी सुरू असलेल्या कृती संशोधन प्रकल्पाच्या सुरुवातीच्या कालावधीचे (1994-2001) वर्णन या लेखात केले आहे. दक्षिण आफ्रिकेतील आरोग्य क्षेत्राचे पुनर्निर्माण आरोग्य सेवा पुरवठ्यात समता आणि आरोग्य जिल्ह्यांवर आधारित विकेंद्रीकृत संरचनेची निर्मिती. माहिती प्रणाली (आयएस) विकासाच्या दृष्टीने, ही सुधारणा प्रक्रिया आरोग्य डेटाचे मानकीकरण करते ज्यामुळे स्थानिक नियंत्रण आणि माहिती हाताळणीचे एकत्रीकरण वाढवून नवीन दक्षिण आफ्रिकेचे उद्दीष्टे नोंदवले जातात. आम्ही कृती संशोधनाकडे आपला दृष्टीकोन वर्णन करतो आणि केस सामग्रीचे विश्लेषण करताना अभिनेता-नेटवर्क आणि स्ट्रक्चरिंग सिद्धांतांमधील संकल्पना वापरतो. आयएस विकासाच्या प्रक्रियेच्या तपशीलवार वर्णन आणि विश्लेषणामध्ये, आम्ही मानकीकरण आणि स्थानिक लवचिकता (स्थानिकरण) यांचे संतुलन राखण्याच्या गरजेवर लक्ष केंद्रित करतो; अशा प्रकारे मानकीकरण हे विविधीकृत कलाकारांच्या संचिकेचे तळापासून वरपर्यंत संरेखित केले जाते. माहिती प्रणालीच्या सामाजिक प्रणालीच्या मॉडेलवर आधारित, आम्ही आयएस डिझाइनची रणनीती विकसित केली आणि वापरली ज्याद्वारे या कलाकार त्यांचे हितसंबंध अनुवादित आणि संरेखित करीत आहेत अशा प्रक्रियेची लागवड म्हणून संकल्पनात्मक बनवितो. आम्ही जागतिक आणि स्थानिक डेटासेटची मॉड्यूलर श्रेणी तयार करतो ज्यामध्ये मानकीकरण आणि स्थानिकीकरण यांच्यातील तणाव समजून घेता येईल आणि त्यावर लक्ष दिले जाऊ शकते. अखेरीस, इतर देशांमधील संशोधनाच्या परिणामांच्या संभाव्य प्रासंगिकतेवर चर्चा केली जाते. |
600434c6255c160b53ad26912c1c0b96f0d48ce6 | रँडम फॉरेस्ट ही संगणकीयदृष्ट्या कार्यक्षम तंत्र आहे जी मोठ्या डेटासेटवर वेगाने कार्य करू शकते. याचा वापर अनेक अलीकडील संशोधन प्रकल्पांमध्ये आणि विविध क्षेत्रात वास्तविक जगातील अनुप्रयोगांमध्ये केला गेला आहे. तथापि, संबंधित साहित्य यादृच्छिक वन तयार करण्यासाठी किती झाडे वापरली पाहिजेत याबद्दल जवळजवळ कोणतीही सूचना देत नाही. येथे अहवाल दिलेल्या संशोधनात रँडम फॉरेस्टमध्ये झाडांची एक चांगल्या संख्या आहे की नाही याचा विश्लेषण केला जातो, म्हणजेच, ज्या थ्रेशोल्डमधून झाडांची संख्या वाढविल्यास कामगिरीत कोणतीही लक्षणीय वाढ होणार नाही आणि केवळ संगणकीय खर्च वाढेल. आमचे मुख्य निष्कर्ष असे आहेत की झाडांची संख्या वाढत असताना याचा अर्थ असा होत नाही की जंगलाची कामगिरी पूर्वीच्या जंगलांपेक्षा लक्षणीयरीत्या चांगली आहे (कमी झाडे), आणि झाडांची संख्या दुप्पट करणे निरर्थक आहे. असेही म्हणणे शक्य आहे की एक उंबरठा आहे ज्याच्या पलीकडे कोणतेही महत्त्वपूर्ण लाभ नाही, जोपर्यंत प्रचंड संगणकीय वातावरण उपलब्ध नाही. याव्यतिरिक्त, कोणत्याही जंगलात झाडांची संख्या दुप्पट झाल्यावर एयूसी वाढीसाठी प्रायोगिक संबंध आढळला. याव्यतिरिक्त, झाडांची संख्या वाढत असताना, रँडम फॉरेस्टमध्ये गुणधर्मांचा संपूर्ण संच वापरला जातो, जो बायोमेडिकल डोमेनमध्ये मनोरंजक असू शकत नाही. याव्यतिरिक्त, डेटासेटमध्ये घनतेवर आधारित मेट्रिक्स प्रस्तावित आहेत जे कदाचित निर्णय वृक्षांवर व्हीसी आयामाचे काही पैलू कॅप्चर करतात आणि कमी घनतेच्या डेटासेटमध्ये मोठ्या क्षमतेच्या मशीनची आवश्यकता असू शकते, तर उलट देखील सत्य असल्याचे दिसते. |
4cbadc5f4afe9ac178fd14a6875ef1956a528313 | गेल्या काही वर्षांत तंत्रज्ञानाच्या प्रगतीमुळे लहान सेन्सर नोड्सना इंटरनेटच्या उर्वरित भागाशी वायरलेस संवाद साधणे शक्य झाले. या यशामुळे आयपी-सक्षम वायरलेस सेन्सर नेटवर्क्स (आयपी-डब्ल्यूएसएन) सुरक्षित करण्याचे प्रश्न उद्भवले आणि तेव्हापासून हा एक महत्त्वाचा संशोधन विषय आहे. या प्रबंधात आम्ही कॉन्टीकी ऑपरेटिंग सिस्टमसाठी पूर्व-सामायिक की सिफर सूट (टीएलएस पीएसके विथ एईएस 128 सीसीएम 8) वापरून टीएलएस आणि डीटीएलएस प्रोटोकॉलच्या आमच्या अंमलबजावणीबद्दल चर्चा करतो. कॉन्टिकी ओएसद्वारे समर्थित प्रोटोकॉलच्या संचामध्ये फक्त एक नवीन प्रोटोकॉल जोडण्याव्यतिरिक्त, हा प्रकल्प आम्हाला आयपी-डब्ल्यूएसएनसाठी ट्रान्सपोर्ट-लेयर सुरक्षा आणि पूर्व-सामायिक की व्यवस्थापन योजना किती योग्य आहेत हे मूल्यांकन करण्यास अनुमती देते. |
0ab99aa04e3a8340a7552355fb547374a5604b24 | अनेक निदान कार्ये असामान्यता शोधण्यासाठी, आणि वेळोवेळी मोजमाप आणि बदल मोजण्यासाठी प्रारंभिक शोध प्रक्रियेची आवश्यकता असते. संगणकीय साधने, विशेषतः प्रतिमा विश्लेषण आणि मशीन लर्निंग हे निदान सुधारण्यासाठी, उपचारांची आवश्यकता असलेल्या निष्कर्षांची ओळख सुलभ करून आणि तज्ञांच्या कार्यप्रवाहाचे समर्थन करून मुख्य सक्षम आहेत. या साधनांमध्ये, सखोल शिक्षण हे अत्याधुनिक पाया असल्याचे वेगाने सिद्ध होत आहे, ज्यामुळे अचूकता सुधारली जाते. या तंत्रज्ञानामुळे डेटा विश्लेषणाच्या क्षेत्रातही नवनवीन संधी उपलब्ध झाल्या आहेत. ईईपी शिक्षण हे सामान्य डेटा विश्लेषणामध्ये वाढत चाललेले एक कल आहे आणि २०१३ मधील १० उत्क्रांत तंत्रज्ञानांपैकी एक म्हणून ओळखले गेले आहे. सखोल शिक्षण हे कृत्रिम तंत्रिका नेटवर्कचे सुधारित स्वरूप आहे, ज्यात अधिक स्तर आहेत जे उच्च स्तरावरील अमूर्तता आणि डेटामधून सुधारित भविष्यवाणी करण्यास परवानगी देतात [2]. आजपर्यंत, सामान्य इमेजिंग आणि संगणक दृष्टी डोमेनमध्ये हे अग्रगण्य मशीन-लर्निंग साधन म्हणून उदयास येत आहे. कॉन्वॉल्युशनल न्यूरल नेटवर्क (सीएनएन) हे संगणक दृष्टीच्या विविध कामांसाठी शक्तिशाली साधन असल्याचे सिद्ध झाले आहे. डीप सीएनएन कच्च्या डेटा (उदाहरणार्थ, प्रतिमा) पासून प्राप्त केलेल्या मध्यम-स्तरीय आणि उच्च-स्तरीय अमूर्त गोष्टी स्वयंचलितपणे शिकतात. अलिकडच्या परिणामांमध्ये असे दिसून आले आहे की सीएनएनमधून काढलेले सर्वसामान्य वर्णनकर्ते नैसर्गिक प्रतिमांमध्ये ऑब्जेक्ट ओळख आणि स्थानिकीकरणात अत्यंत प्रभावी आहेत. जगभरातील वैद्यकीय प्रतिमा विश्लेषण गट वेगाने या क्षेत्रात प्रवेश करत आहेत आणि सीएनएन आणि इतर खोल शिक्षण पद्धती विविध प्रकारच्या अनुप्रयोगांमध्ये लागू करत आहेत. आशादायक परिणाम दिसून येत आहेत. वैद्यकीय प्रतिमेमध्ये, एखाद्या रोगाचा अचूक निदान आणि / किंवा मूल्यांकन प्रतिमा संपादन आणि प्रतिमा अर्थ लावणे यावर अवलंबून असते. अलिकडच्या वर्षांत प्रतिमा संपादनात लक्षणीय सुधारणा झाली आहे, ज्यामुळे उपकरणे वेगाने आणि वाढीव रिझोल्यूशनसह डेटा प्राप्त करतात. मात्र, नुकतीच संगणक तंत्रज्ञानाचा फायदा प्रतिमा अर्थ लावण्याच्या प्रक्रियेला झाला आहे. वैद्यकीय प्रतिमांची बहुतेक व्याख्या डॉक्टरांद्वारे केली जाते; तथापि, मानवी प्रतिमांची व्याख्या त्याच्या व्यक्तिमत्त्वामुळे, दुभाषेमधील मोठ्या प्रमाणात भिन्नता आणि थकवा यामुळे मर्यादित आहे. |
5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70 | अनसुपरवेटेड इमेज ट्रान्सलेशन, ज्याचा उद्देश दोन स्वतंत्र इमेज सेटचे भाषांतर करणे आहे, जोडीबद्ध डेटाशिवाय योग्य पत्रव्यवहार शोधण्यात आव्हानात्मक आहे. विद्यमान कामे जनरेटिव्ह अॅडव्हर्सियल नेटवर्क्स (जीएएन) वर आधारित आहेत ज्यामुळे अनुवादित प्रतिमांचे वितरण लक्ष्य संचाच्या वितरणातून वेगळे करता येत नाही. तथापि, अशा सेट-स्तरीय निर्बंधांना उदाहरण-स्तरीय पत्रव्यवहार (उदा. ऑब्जेक्ट ट्रान्सफिग्युरेशन टास्कमध्ये संरेखित सिमेंटिक भाग). या मर्यादेमुळे अनेकदा चुकीचे पॉझिटिव्ह (उदा. ज्यामितीय किंवा सिमेंटिक कलाकृती), आणि पुढे मोड कोलाज समस्येकडे नेते. वरील समस्या सोडविण्यासाठी, आम्ही डीप अॅटेंशन गॅन (डीए-गॅन) द्वारे उदाहरण-स्तरीय प्रतिमा भाषांतर करण्यासाठी एक नवीन फ्रेमवर्क प्रस्तावित करतो. अशा प्रकारच्या डिझाइनमुळे डीए-जीएएन दोन संचातील नमुने भाषांतरित करण्याच्या कामाचे विभाजन अत्यंत संरचित लॅटेंट स्पेसमध्ये भाषांतरित करण्याच्या उदाहरणांमध्ये करण्यास सक्षम करते. विशेष म्हणजे, आपण एकत्रितपणे एक खोल लक्ष एन्कोडर शिकतो, आणि उदाहरण-स्तरीय पत्रव्यवहार शिकलेल्या उदाहरणांवर लक्ष देऊन शोधले जाऊ शकतात. म्हणून, सेट स्तरावर आणि उदाहरण स्तरावर दोन्ही निर्बंधांचा फायदा घेता येईल. अनेक अत्याधुनिक तंत्रज्ञानाच्या तुलनेत आमच्या पद्धतीची श्रेष्ठता दिसून येते आणि विस्तृत अनुप्रयोग क्षमता, उदा. पोज मॉर्फिंग, डेटा अॅगमेंटेशन इत्यादी, डोमेन ट्रान्सलेशन समस्येच्या मार्जिनला धक्का देते. |
f1526054914997591ffdb8cd523bea219ce7a26e | यावर्षी मार्चमध्ये अमेरिकन स्टॅटिस्टिकल असोसिएशनने (एएसए) पी-व्हॅल्यूच्या योग्य वापराबाबत एक निवेदन प्रसिद्ध केले. पी-व्हॅल्यूचा वापर व चुकीचा अर्थ लावण्याची चिंता वाढत आहे. आम्ही ASA द्वारे दिलेले हे इशारे आकडेवारीत खोल पार्श्वभूमी नसलेल्या क्लिनिक आणि संशोधकांना अधिक सहज समजेल अशा भाषेत अनुवादित करण्याचा आमचा हेतू आहे. याव्यतिरिक्त, आम्ही पी-मूल्यांच्या मर्यादांचे स्पष्टीकरण करण्याचा विचार करतो, जरी ते योग्यरित्या वापरले आणि अर्थ लावले गेले असले तरीही आणि दोन अलीकडेच अहवाल दिलेल्या अभ्यासाची उदाहरणे देऊन अभ्यासाच्या निष्कर्षांच्या क्लिनिकल प्रासंगिकतेकडे अधिक लक्ष वेधले. आम्ही असा तर्क करतो की पी-मूल्यांची अनेकदा चुकीची व्याख्या केली जाते. एक सामान्य चूक म्हणजे पी < ०.०५ म्हणजे शून्य गृहीते चुकीची आहे, आणि पी ≥ ०.०५ म्हणजे शून्य गृहीते सत्य आहे. ०.०५ च्या पी-व्हॅल्यूची योग्य व्याख्या अशी आहे की जर शून्य गृहीते खरोखरच सत्य असेल तर समान नमुनेमध्ये अभ्यास पुन्हा केल्यावर समान किंवा अधिक अत्यंत परिणाम ५% वेळा उद्भवतील. दुसऱ्या शब्दांत, पी-व्हॅल्यू शून्य गृहीते दिलेली डेटाची संभाव्यता आणि त्याउलट नाही. पी-व्हॅल्यूशी संबंधित एक संभाव्य पर्याय म्हणजे आत्मविश्वास अंतर (सीआय). यामध्ये एखाद्या प्रभावाची परिमाण आणि त्या प्रभावाचा अंदाज किती अचूक होता याबद्दल अधिक माहिती दिली आहे. मात्र, पी-व्हॅल्यूज बदलण्यासाठी आणि वैज्ञानिक परिणामांचे चुकीचे अर्थ लावणे थांबवण्यासाठी कोणतीही जादूची गोळी नाही. शास्त्रज्ञ आणि वाचकांनी सांख्यिकीय चाचण्या, पी-व्हॅल्यूज आणि सीआयच्या योग्य, सूक्ष्म अर्थ लावण्याशी स्वतः ला परिचित केले पाहिजे. |
50ca90bc847694a7a2d9a291f0d903a15e408481 | आम्ही मानवी हावभाव ओळखण्यासाठी एक सर्वसाधारण दृष्टिकोन प्रस्तावित करतो ज्यामध्ये अनेक डेटा पद्धतींचा समावेश आहे जसे की सखोल व्हिडिओ, स्पष्टपणे मांडलेली मुद्रा आणि भाषण. आपल्या प्रणालीमध्ये, प्रत्येक हावभाव मोठ्या प्रमाणात शरीराच्या हालचाली आणि स्थानिक सूक्ष्म हालचाली जसे की हाताने बोलणे यामध्ये विघटन होते. एकाधिक प्रमाणात शिकण्याची कल्पना देखील तात्पुरत्या परिमाणात लागू केली जाते, अशा प्रकारे एक हावभाव वैशिष्ट्यपूर्ण हालचाली इंपल्स किंवा गतिमान पोझचा एक संच म्हणून मानला जातो. प्रत्येक पद्धतीवर प्रथम स्वतंत्रपणे प्रक्रिया केली जाते, ज्यात विशिष्ट डेटा-विशिष्ट वैशिष्ट्ये हस्तलिखितपणे काढली जातात किंवा शिकली जातात. शेवटी, आम्ही पुनरावृत्ती न्यूरल नेटवर्क वापरतो मोठ्या प्रमाणात तात्पुरती अवलंबित्वे मॉडेलिंग करण्यासाठी, डेटा फ्यूजन आणि शेवटी हावभाव वर्गीकरण. २०१३ च्या चॅलेंज ऑन मल्टीमोडल जेश्चर रिकग्निशन डेटासेटवरील आमच्या प्रयोगांमुळे हे सिद्ध झाले आहे की अनेक स्थानिक आणि तात्पुरत्या प्रमाणात अनेक पद्धतींचा वापर केल्याने कामगिरीत लक्षणीय वाढ होते ज्यामुळे मॉडेलला वैयक्तिक वर्गीकरणाच्या त्रुटी तसेच स्वतंत्र चॅनेलमधील आवाज भरपाई करण्यास अनुमती मिळते. |
586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6 | आम्ही एक अनियंत्रित पद्धत सादर करतो ज्यामध्ये लहान शिफ्ट आणि विकृतींना अपरिवर्तनीय असलेले विरळ वैशिष्ट्य डिटेक्टरची श्रेणी शिकली जाते. परिणामी वैशिष्ट्य काढणारा एकाधिक संकुचित फिल्टरचा समावेश करतो, त्यानंतर वैशिष्ट्य-पूलिंग लेयर जो समीप असलेल्या विंडोमध्ये प्रत्येक फिल्टर आउटपुटची कमाल गणना करतो आणि बिंदू-वार सिग्मोइड नॉन-रेखीयता. पहिल्या स्तरावरील वैशिष्ट्यांच्या पॅचवर समान अल्गोरिदम प्रशिक्षण देऊन मोठ्या आणि अधिक अपरिवर्तनीय वैशिष्ट्यांचा दुसरा स्तर मिळवला जातो. या वैशिष्ट्यांवर देखरेख असलेल्या वर्गीकरणकर्त्याचे प्रशिक्षण एमएनआयएसटीवर 0.64% त्रुटी आणि कॅलटेक 101 वर सरासरी 54% सरासरी ओळख दर देते. परिणामी आर्किटेक्चर कन्वॉल्युशनल नेटवर्कसारखेच आहे, तर लेयर-वार अनसुपरवेटेड ट्रेनिंग प्रक्रिया विशुद्धपणे पर्यवेक्षित शिक्षण प्रक्रियेस त्रास देणारी ओव्हर-पॅरामेटरीकरण समस्या कमी करते आणि फारच कमी लेबल केलेल्या प्रशिक्षण नमुन्यांसह चांगली कामगिरी करते. |
80bcfbb1a30149e636ff1a08aeb715dad6dd9285 | 0.15μm GaN HEMT प्रक्रिया तंत्रज्ञानाचा वापर करून दोन उच्च कार्यक्षमता Ka-बँड पॉवर एम्पलीफायर MMIC चे डिझाइन आणि कार्यक्षमता सादर केली आहे. तीन टप्प्यांच्या संतुलित वर्धकासाठी मोजलेल्या इन-फिक्स्चर सतत लाट (सीडब्ल्यू) परिणामांमध्ये 11GHz वर 30W पर्यंत आउटपुट पॉवर आणि 30% पॉवर अॅडड इफेक्टिव्हिटी (पीएई) दर्शविली जाते. तीन टप्प्यांच्या सिंगल-एंडेड डिझाइनने 6W पेक्षा जास्त आउटपुट पॉवर आणि 34% पर्यंत पीएई तयार केले. संतुलित आणि सिंगल-एंड एमएमआयसीसाठी मर्यादित आकार अनुक्रमे 3.24 × 3.60 मिमी 2 आणि 1.74 × 3.24 मिमी 2 आहे. |
284de726e700a6c52f9f8fb9f3de4d4b0ff778bb | पुनरावृत्ती तंत्रिका नेटवर्क (आरएनएन) नैसर्गिकरित्या भाषण ओळखण्यासाठी योग्य आहेत कारण त्यांची गतिमानपणे बदलणारी तात्पुरती माहिती वापरण्याची क्षमता आहे. डीप आरएनएन वेगवेगळ्या वेळेच्या ग्रॅन्युलेट्टीमध्ये तात्पुरते संबंध मॉडेल करण्यास सक्षम असल्याचा दावा केला गेला आहे, परंतु ते विलुप्त होणारी ढाल समस्यांना बळी पडतात. या पेपरमध्ये, आम्ही स्टॅक लाँग शॉर्ट टर्म मेमरी (एलएसटीएम) आरएनएनचा विस्तार ग्रिड एलएसटीएम ब्लॉक्सचा वापर करून करतो जे केवळ तात्पुरत्या परिमाणातच नाही तर खोलीच्या परिमाणात देखील गणना तयार करतात, जेणेकरून ही समस्या कमी होईल. याव्यतिरिक्त, आम्ही वेळावरून खोलीच्या परिमाणात प्राधान्य देतो जेणेकरून खोलीच्या परिमाणात अधिक अद्ययावत माहिती मिळू शकेल, कारण त्यामधून आलेल्या आउटपुटचा वापर वर्गीकरणासाठी केला जाईल. आम्ही या मॉडेलला प्राधान्यकृत ग्रिड एलएसटीएम (पीजीएलएसटीएम) म्हणतो. चार मोठ्या डेटासेट (एएमआय, एचकेयूएसटी, गॅल आणि एमजीबी) वर व्यापक प्रयोगांमुळे असे दिसून आले आहे की पीजीएलएसटीएम पर्यायी डीप एलएसटीएम मॉडेलपेक्षा जास्त काम करते, स्टॅक एलएसटीएमला 4% ते 7% सापेक्ष सुधारणा देऊन विजय मिळविते आणि सर्व डेटासेटवर एकतर्फी मॉडेलमध्ये नवीन बेंचमार्क मिळवते. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.