_id
stringlengths 40
40
| text
stringlengths 0
9.56k
|
|---|---|
dcd72f0a9cdc37450379f401fc2f4f87e30f5021 | |
c1b66422b1dab3eeee6d6c760f4bd227a8bb16c5 | |
e75c5d1b7ecd71cd9f1fdc3d07f56290517ef1e5 | ऑनलाईन ट्रान्झॅक्शन प्रोसेसिंग (ओएलटीपी) आणि ऑनलाईन अॅनालिटिकल प्रोसेसिंग (ओएलएपी) या दोन क्षेत्रांमध्ये डेटाबेस आर्किटेक्चरसाठी वेगवेगळ्या आव्हाने आहेत. सध्या, मिशन-क्रिटिकल व्यवहारांच्या उच्च दरासह ग्राहकांनी त्यांचे डेटा दोन स्वतंत्र प्रणालींमध्ये विभागले आहेत, ओएलटीपीसाठी एक डेटाबेस आणि ओएलएपीसाठी एक तथाकथित डेटा वेअरहाउस. व्यवहार दर योग्य असतानाही या पृथक्करणात अनेक तोटे आहेत, ज्यात डेटा ताज्यापणाच्या समस्या आहेत कारण केवळ नियतकालिकपणे प्रारंभ होण्यामुळे डेटा लोड-डेटा स्टेजिंग आणि दोन स्वतंत्र माहिती प्रणाली राखल्यामुळे जास्त स्त्रोत वापर. आम्ही एक कार्यक्षम संकरित प्रणाली सादर करतो, ज्याला हायपर म्हणतात, जे व्यवहार डेटाचे सुसंगत स्नॅपशॉट राखण्यासाठी हार्डवेअर-सहाय्यित प्रतिकृती यंत्रणा वापरुन एकाच वेळी ओएलटीपी आणि ओएलएपी दोन्ही हाताळू शकते. हायपर ही एक मुख्य-स्मृती डेटाबेस प्रणाली आहे जी ओएलटीपी व्यवहारांच्या एसीआयडी गुणधर्मांची हमी देते आणि त्याच, मनमानीपणे वर्तमान आणि सुसंगत स्नॅपशॉटवर ओएलएपी क्वेरी सत्रे (एकाधिक क्वेरी) चालवते. आभासी स्मृती व्यवस्थापनासाठी प्रोसेसर-अंतर्निहित समर्थनाचा वापर (पत्ता भाषांतर, कॅशिंग, अद्ययावत वर कॉपी) एकाच वेळी उत्पन्न देतेः 100000 प्रति सेकंद इतका उच्च व्यवहार दर आणि एकाच प्रणालीवर दोन्ही वर्कलोड्स समांतरपणे चालविणार्या ओएलएपी क्वेरी प्रतिसाद वेळा. कामगिरीचे विश्लेषण एकत्रित टीपीसी-सी आणि टीपीसी-एच बेंचमार्कवर आधारित आहे. |
732212be0e6c5216158a7470c79fa2ff98a2da06 | आम्ही स्टॅक-एफईटी मोनोलिथिक मिलिमीटर-वेव्ह (एमएमडब्ल्यू) एकात्मिक सर्किट डोहर्टी पॉवर अॅम्प्लीफायर (डीपीए) सादर करतो. डीपीएमध्ये उच्च शक्ती आणि उच्च कार्यक्षमता साध्य करण्यासाठी 6 डीबी पॉवर बॅक-ऑफ (पीबीओ) वर एक नवीन असममित स्टॅक गेट बायस वापरली जाते. या सर्किटची निर्मिती 0.15-μm एन्हांसमेंट मोड (ई-मोड) गॅलियम आर्सेनॉइड (GaAs) प्रक्रियेत केली जाते. प्रयोगात्मक परिणामांमध्ये २८.२ डीबीएमची १ डीबीबी गॅनिंग कॉम्प्रेशन (पी १ डीबी) ची आउटपुट पॉवर, ३७% ची पीक पॉवर अॅडड इफेसिव्हिटी (पीएई) आणि २८ जीएचझेडवर ६ डीबी पीबीओची २७% ची पीएई दर्शविली गेली आहे. मोजलेल्या लहान सिग्नलची वाढ 15 डीबी आहे तर 3-डीबी बँडविड्थ 25.5 ते 29.5 जीएचझेड कव्हर करते. 20 मेगाहर्ट्झ 64 क्यूएएम मॉड्यूलेटेड सिग्नलसह डिजिटल प्रीडस्टोरेशन (डीपीडी) वापरून, -46 डीबीसी चे समीप चॅनेल पॉवर रेशो (एसीपीआर) आढळले आहे. |
03837b659b4a8878c2a2dbef411cd986fecfef8e | आम्ही एक ऑटोरेग्रेसिव्ह लक्ष यंत्रणा समांतर वर्ण स्तरीय क्रम मॉडेलिंगसाठी सादर करतो. या पद्धतीचा वापर करून आम्ही न्यूरल मॉडेल वाढवतो. ज्यात कॉस्मेटिक कन्व्हेल्युशनल लेयरचे ब्लॉक असतात. जे हायवे नेटवर्क स्किप कनेक्शनद्वारे जोडलेले असतात. आम्ही प्रस्तावित लक्ष यंत्रणेसह आणि त्याशिवाय मॉडेलला अनुक्रमे हायवे कॉझल कन्व्हॉल्यूशन (कारण कन्व्ह) आणि ऑटोरिग्रेसिव्ह-ऍटेंशन कॉझल कन्व्हॉल्यूशन (एआरए-कॉनव्ह) म्हणून सूचित करतो. ऑटोरिग्रेसिव्ह लक्ष यंत्रणा डीकोडरमध्ये कारणे राखते, समांतर अंमलबजावणीस अनुमती देते. आम्ही दाखवून देतो की हे मॉडेल, त्यांच्या आवर्ती भागांच्या तुलनेत, वर्ण-स्तरीय एनएलपी कार्यांमध्ये जलद आणि अचूक शिक्षण सक्षम करतात. विशेषतः, हे मॉडेल नैसर्गिक भाषा सुधारणा आणि भाषा मॉडेलिंग कार्यांमध्ये पुनरावृत्ती न्यूरल नेटवर्क मॉडेलपेक्षा चांगले काम करतात आणि वेळेच्या तुलनेत कमी वेळात चालतात. |
fe419be5c53e2931e1d6370c914ce166be29ff6e | |
0c3078bf214cea52669ec13962a0a242243d0e09 | या पेपरमध्ये एक ब्रॉडबँड प्रिंटेड क्वाड्रिफिलर हेलिकल अँटेनाचा प्रस्ताव आहे ज्यामध्ये एक नवीन कॉम्पॅक्ट फीडिंग सर्किट वापरला जातो. या अँटेनामध्ये 29% बँडविड्थसह विस्तृत बीमविड्थवर उत्कृष्ट अक्षीय प्रमाण आहे. एक विशेष फीडिंग सर्किट ज्यामध्ये एपर्चर-कपल्ड ट्रान्झिशनवर आधारित आहे आणि दोन 90 डिग्री पृष्ठभाग माउंट हायब्रिड समाविष्ट आहेत, ते चतुरंगी अँटेनासह समाकलित करण्यासाठी डिझाइन केले गेले आहे. बँडविड्थवर, ब्रॉडबँड कॉम्पॅक्ट सर्किटद्वारे पुरविलेल्या अँटेनाचा मोजलेला प्रतिबिंब गुणांक -12 डीबी किंवा त्यापेक्षा कमी असल्याचे आढळले आहे आणि कमाल लाभ 1.5 ते 2.7 डीबीआयसी 1.18 ते 1.58 गीगाहर्ट्झ दरम्यान बदलतो. अर्ध्या शक्तीची बीम रुंदी 150 डिग्री आहे, या श्रेणीवर 3 डीबीपेक्षा कमी अक्षीय प्रमाण आहे. फीडिंग सर्किटची कॉम्पॅक्टनेस अॅरे व्यवस्थेत लहान घटक अंतर ठेवण्यास अनुमती देते. |
0c3751db5a24c636c1aa8abfd9d63321b38cfce5 | स्टोकास्टिक ग्रेडियंट डिसेंट (एसजीडी) एसव्हीएम सारख्या मोठ्या प्रमाणात पर्यवेक्षित मशीन लर्निंग ऑप्टिमायझेशन समस्या सोडविण्यासाठी लोकप्रिय झाले आहे, त्यांच्या मजबूत सैद्धांतिक हमीमुळे. ड्युअल कोऑर्डिनेट असेंट (डीसीए) पद्धत विविध सॉफ्टवेअर पॅकेजेसमध्ये लागू केली गेली आहे, परंतु आतापर्यंत यामध्ये चांगले अभिसरण विश्लेषण नव्हते. या पेपरमध्ये स्टोकेस्टिक ड्युअल कोऑर्डिनेट असेंट (एसडीसीए) चे नवीन विश्लेषण सादर केले गेले आहे ज्यात असे दिसून आले आहे की या पद्धतींचा वर्ग मजबूत सैद्धांतिक हमींचा आनंद घेतो जे एसजीडीपेक्षा तुलनात्मक किंवा चांगले आहेत. या विश्लेषणामुळे एसडीसीएची व्यावहारिक वापरासाठी प्रभावीता सिद्ध होते. |
24424918dc93c016deeaeb86a01c8bfc01253c9b | अनेक शास्त्रीय अल्गोरिदम अनेक वर्षांनंतर शोधले जातात ज्यामध्ये ते कल्पना केली गेली होती आणि अनपेक्षित सेटिंग्जमध्ये प्रासंगिक राहतात. या पेपरमध्ये, आम्ही दाखवतो की एसव्हीआरजी ही अशी एक पद्धत आहे: मूळतः जोरदार उत्तल उद्दीष्टांसाठी डिझाइन केलेली आहे, ती नॉन-स्ट्रेटली उत्तल किंवा नॉन-उंच सेटिंग्जच्या बेरीजमध्ये देखील खूप मजबूत आहे. जर f ((x) हे गुळगुळीत, उत्तल फंक्शन्सचे बेरीज असेल परंतु f हे जोरदार उत्तल नाही (जसे की लासो किंवा लॉजिस्टिक रिग्रेशन), आम्ही एक प्रकारचे एसव्हीआरजी प्रस्तावित करतो जे एसव्हीआरजीच्या वर वाढत्या युग लांबीची एक नवीन निवड करते. एसव्हीआरजी हा या सेटिंगमध्ये एसव्हीआरजीचा थेट, वेगवान प्रकार आहे. जर f (x) हे नॉन-कन्वेक्स फंक्शन्सचे बेरीज असेल पण f हे जोरदारपणे उत्तल असेल तर आपण दाखवतो की एसव्हीआरजीचे अभिसरण रेषेच्या पलीकडे बेरीजच्या नॉन-कन्वेक्सिटी पॅरामीटरवर अवलंबून असते. यामुळे या सेटिंगमध्ये सर्वोत्तम ज्ञात परिणाम सुधारतो आणि स्टोकास्टिक पीसीएसाठी चांगला चालणारा वेळ मिळतो. |
680cbbc88d537bd6f5a68701b1bb0080a77faa00 | स्टोकास्टिक ग्रेडियंट डिसेंट मोठ्या प्रमाणात ऑप्टिमायझेशनसाठी लोकप्रिय आहे परंतु अंतर्निहित भिन्नतेमुळे असंबद्धपणे मंद संयोग आहे. या समस्येचे निराकरण करण्यासाठी, आम्ही स्टोकास्टिक ग्रेडियंट उतरणीसाठी स्पष्ट भिन्नता कमी करण्याची पद्धत सादर करतो ज्याला आम्ही स्टोकास्टिक भिन्नता कमी केलेली ढाल (एसव्हीआरजी) म्हणतो. गुळगुळीत आणि जोरदार उत्तल फंक्शन्ससाठी, आम्ही हे सिद्ध करतो की ही पद्धत स्टोकास्टिक ड्युअल कोऑर्डिनेट असेंट (एसडीसीए) आणि स्टोकास्टिक एव्हरेज ग्रेडियंट (एसएजी) सारख्याच वेगवान अभिसरण दराचा आनंद घेते. मात्र, आमचा विश्लेषण खूपच सोपा आणि सहज समजण्यासारखा आहे. याव्यतिरिक्त, एसडीसीए किंवा एसएजीच्या विपरीत, आमच्या पद्धतीसाठी ग्रेडियंट्सच्या संचयनाची आवश्यकता नसते आणि अशा प्रकारे काही संरचित भविष्यवाणी समस्या आणि न्यूरल नेटवर्क शिक्षण यासारख्या जटिल समस्यांवर अधिक सहजपणे लागू होते. |
9fe5a7a24ff81ba2b6769e811b6ab47188a45242 | सिग्नल/इमेज प्रोसेसिंग, सांख्यिकी आणि मशीन लर्निंगमध्ये नुकतीच नॉन-कन्वेक्स आणि नॉन-स्मूथ समस्यांकडे लक्ष वेधले गेले आहे. तथापि, नॉन-कन्वेक्स आणि नॉन-स्मूथ ऑप्टिमायझेशन समस्या सोडवणे हे एक मोठे आव्हान आहे. प्रवेगक समीपवर्ती ढाल (एपीजी) हे उत्तल प्रोग्रामिंगसाठी एक उत्कृष्ट पद्धत आहे. तथापि, सामान्य एपीजी गैर-उंच प्रोग्रामिंगमध्ये गंभीर बिंदूपर्यंत अभिसरण सुनिश्चित करू शकते की नाही हे अद्याप अज्ञात आहे. या पेपरमध्ये, आम्ही पुरेशी वंशज गुणधर्म पूर्ण करणारा मॉनिटर सादर करून सामान्य नॉन-कन्वेक्स आणि नॉन-स्मूथ प्रोग्राम्ससाठी एपीजी वाढवतो. त्यानुसार आम्ही एकसमान एपीजी आणि एकसमान नसलेले एपीजी प्रस्तावित करतो. नंतरचे हे उद्देश फंक्शनच्या एकसंध कमी करण्याच्या आवश्यकतांना नकार देते आणि प्रत्येक पुनरावृत्तीमध्ये कमी गणना आवश्यक आहे. आमच्या माहितीनुसार, सर्वसाधारण नॉन-कन्वेक्स आणि नॉन-स्मूथ समस्यांसाठी एपीजी-प्रकारचे अल्गोरिदम प्रदान करणारे आम्ही पहिले आहोत, जे प्रत्येक संचय बिंदू एक गंभीर बिंदू आहे याची खात्री करुन घेते आणि समस्या उत्तुंग असताना अभिसरण दर ओ (१ के २) राहतात, ज्यामध्ये के पुनरावृत्तीची संख्या आहे. याचे परिणाम हे दर्शवतात की, वेगाने आपल्या अल्गोरिदमचा फायदा होतो. |
3e36eb936002a59b81d8abb4548dc2c42a29b743 | अनेकदा सुरक्षा ही ऑटोमेशन सिस्टीमसाठी एक अॅड-ऑन सेवा म्हणून पाहिली जाते जी कार्यक्षम प्रेषण किंवा संसाधनांच्या मर्यादांसारख्या इतर उद्दीष्टांशी संघर्ष करते. या लेखात ऑटोमेशन प्रणालीमधील सुरक्षिततेसाठी सराव-उन्मुख दृष्टिकोनाचा उल्लेख केला आहे. यामध्ये ऑटोमेशन सिस्टम्स आणि ऑटोमेशन नेटवर्कला होणाऱ्या सामान्य धोक्यांचे विश्लेषण केले जाते, सुरक्षा दृष्टीने सिस्टम्सचे वर्गीकरण करण्यासाठी एक मॉडेल तयार केले जाते आणि वेगवेगळ्या सिस्टिम लेव्हलवर उपलब्ध असलेल्या सामान्य उपायांची चर्चा केली जाते. उपाययोजनांचे वर्णन प्रणालीच्या एकूण सुरक्षेवर होणाऱ्या परिणामांचे मूल्यांकन करण्यास अनुमती देईल. |
8b74a32cebb5faf131595496f6470ff9c2c33468 | फेसबुक हे सोशल कम्युनिकेशनसाठी सर्वात लोकप्रिय साधन बनत आहे. तथापि, फेसबुक इतर सोशल नेटवर्किंग साइट्सपेक्षा काहीसे वेगळे आहे कारण ते ऑफलाइन-टू-ऑनलाइन ट्रेंड दर्शविते; म्हणजेच, फेसबुक फ्रेंड्सची बहुतांश ऑफलाइन भेटली जाते आणि नंतर जोडली जाते. या संशोधनात व्यक्तित्वाच्या पाच-घटक मॉडेलचा फेसबुकच्या वापराशी कसा संबंध आहे याचा अभ्यास करण्यात आला. बहिर्मुखता आणि अनुभवासाठी खुलेपणा यासंबंधी काही अपेक्षित ट्रेंड असूनही, परिणाम दर्शवितो की व्यक्तिमत्त्वाचे घटक पूर्वीच्या साहित्याप्रमाणे प्रभावशाली नव्हते. या परिणामांनी हेही दाखवून दिले की, संवाद साधण्याची प्रेरणा फेसबुकच्या वापराच्या बाबतीत प्रभावशाली आहे. असे सुचवले जाते की फेसबुक सारख्या साधनांचा वापर करण्याच्या निर्णयावर वेगवेगळ्या प्रेरणांचा प्रभाव असू शकतो, विशेषतः जेव्हा फेसबुकच्या वैयक्तिक कार्ये विचारात घेतल्या जातात. २००८ एल्सव्हिअर लिमिटेड सर्व हक्क राखीव आहेत. १. व्यक्तिमत्व संबंध आणि संबंधित क्षमता घटक |
423fff94db2be3ddef5e3204338d2111776eafea | आम्ही ३६२ दशलक्ष मेसेजेसचे पूर्णपणे अनामिक हेडरचे विश्लेषण केले आहे. ४.२ दशलक्ष फेसबुक वापरकर्त्यांनी ते शेअर केले आहेत. महाविद्यालयीन विद्यार्थ्यांचे ऑनलाईन सोशल नेटवर्क. २६ महिन्यांच्या कालावधीत. या आकडेवारीतून अनेक दैनंदिन आणि साप्ताहिक नियमानुसार विद्यार्थ्यांचा वेळ कसा वापरला जातो आणि त्यांचे सामाजिक जीवन कसे असते याविषयी माहिती मिळते. आम्ही शाळेतील संबंध आणि अनौपचारिक ऑनलाइन मित्र यादी यासारख्या घटकांचा आढळलेल्या वर्तनावर आणि काळाच्या नमुन्यावर कसा परिणाम होतो याचाही अभ्यास केला. शेवटी, आम्ही दाखवतो की फेसबुक वापरकर्ते शाळांद्वारे त्यांच्या तात्पुरत्या संदेशांच्या नमुन्यांच्या संदर्भात गटबद्ध केलेले दिसतात. |
1bed30d161683d279780aee34619f94a860fa973 | आमचे विश्लेषण दर्शविते की डेटाबेस, इन-मेमोरी कॅशे आणि आलेख विश्लेषण यासारख्या अनेक "बिग-मेमोरी" सर्व्हर वर्कलोड्स पृष्ठ-आधारित आभासी मेमरीसाठी उच्च किंमत देतात. ते मोठ्या पृष्ठांचा वापर करूनही टीएलबीच्या अपयशासाठी 10% अंमलबजावणी चक्र वापरतात. दुसरीकडे, आम्हाला आढळले आहे की हे वर्कलोड बहुतेक पृष्ठांवर वाचन-लेखन परवानगी वापरतात, स्वॅप न करण्यासाठी पुरवठा केले जातात आणि पृष्ठ-आधारित आभासी स्मृतीच्या पूर्ण लवचिकतेचा क्वचितच फायदा होतो. मोठ्या-स्मृती वर्कलोडसाठी टीएलबी मिस ओव्हरहेड काढण्यासाठी, आम्ही प्रक्रियेच्या रेषेच्या आभासी पत्त्यांच्या जागेचा भाग थेट विभागासह मॅपिंग करण्याचा प्रस्ताव ठेवतो, तर उर्वरित आभासी पत्त्यांच्या जागेचा पृष्ठ मॅपिंग करतो. थेट विभागांमध्ये किमान हार्डवेअर वापरले जाते--- बेस, लिमिट आणि ऑफसेट रजिस्टर प्रति कोर---संलग्न व्हर्च्युअल मेमरी क्षेत्रांना थेट संलग्न भौतिक मेमरीमध्ये मॅप करण्यासाठी. ते डेटाबेस बफर पूल आणि इन-मेमोरी की-व्हॅल्यू स्टोअर्स सारख्या की डेटा स्ट्रक्चर्ससाठी टीएलबी मिसची शक्यता दूर करतात. जेव्हा आवश्यक असेल तेव्हा डायरेक्ट सेगमेंटद्वारे मॅप केलेली मेमरी परत पेजींगमध्ये रूपांतरित केली जाऊ शकते. आम्ही लिनक्समध्ये x86-64 साठी थेट-सेगमेंट सॉफ्टवेअर समर्थन प्रोटोटाइप करतो आणि थेट-सेगमेंट हार्डवेअरचे अनुकरण करतो. आमच्या वर्कलोडसाठी, थेट सेगमेंट जवळजवळ सर्व टीएलबी गमावतात आणि टीएलबी गमावण्यावर व्यर्थ होणारा निष्पादन वेळ 0.5% पेक्षा कमी करते. |
86dc975f9cbd9a205f8e82fb1db3b61c6b738fa5 | जसे जसे मल्टिमिडीया सामग्रीला मशीन टॅगिंग करण्यासाठी अधिक शक्तिशाली तंत्रज्ञान उदयास येत आहे, तशीच मूलभूत शब्दसंग्रह प्रमाणित करणे अधिक महत्वाचे होत आहे. असे केल्याने परस्परसंवाद साधला जातो आणि मल्टिमिडीया समुदायाला सतत सुरू असलेल्या संशोधनावर लक्ष केंद्रित करता येते. प्रसारित बातम्या व्हिडिओचे वर्णन करण्यासाठी एक मोठी प्रमाणित वर्गीकरण विकसित करण्यासाठी हे पत्र मल्टीमीडिया संशोधक, लायब्ररी वैज्ञानिक आणि अंतिम वापरकर्त्यांच्या सहकार्याने केलेल्या प्रयत्नांचे वर्णन करते. मल्टीमीडियासाठी मोठ्या प्रमाणात संकल्पना ऑन्टोलॉजी (एलएससीओएम) ही आपल्या प्रकारची पहिली आहे जी अंतिम वापरकर्त्याच्या प्रवेशास सुलभ करण्यासाठी, मोठ्या सिमेंटिक जागेला कव्हर करण्यासाठी, स्वयंचलित माहिती काढणे शक्य करण्यासाठी आणि विविध ब्रॉडकास्ट न्यूज व्हिडिओ डेटा सेटमध्ये निरीक्षणक्षणास वाढविण्यासाठी एकाच वेळी उपयुक्तता अनुकूलित करण्यासाठी डिझाइन केली गेली आहे. |
2b2ba9b0022ff45939527836a150959fe388ee23 | |
c39d04c6f3b84c77ad379d0358bfbe7148ad4fd2 | |
8db7f5a54321e1a4cd51d0666607279556a57404 | पार्श्वभूमी वैद्यकीय आणि मानसिक समस्यांना सामोरे जाणाऱ्या रुग्णांकडून ध्यानधारणा तंत्र वारंवार शोधले जाते. या पद्धतींची लोकप्रियता आणि वापर वाढत असल्याने आणि या पद्धतींचा वैद्यकीय उपचार म्हणून वापर होण्याची शक्यता असल्याने या पद्धतींविषयीच्या सध्याच्या वैज्ञानिक ज्ञानाची संक्षिप्त आणि सखोल समीक्षा करण्यात आली. उद्देश रोगाच्या उपचारात ध्यानधारणा पद्धतींची कार्यक्षमता आणि सुरक्षितता यांचे समर्थन करणारे पुरावे व्यवस्थितपणे पुनरावलोकन करणे आणि पुढील अभ्यासाची आवश्यकता असलेल्या क्षेत्रांची तपासणी करणे. निरोगी लोकसंख्येवर केलेले अभ्यास समाविष्ट नाहीत. पबमेड, सायकिनफो आणि कोक्रेन डेटाबेसचा वापर करून शोध घेण्यात आला. ध्यान, ध्यानपूर्वक प्रार्थना, योग, विश्रांती प्रतिसाद यांचा समावेश होता. पात्रता अभ्यास दोन पुनरावलोकनकर्त्यांद्वारे पुनरावलोकन आणि स्वतंत्रपणे गुणवत्तेवर आधारित रेटिंग केले गेले. मध्यम ते उच्च दर्जाचे अभ्यास (वैध संशोधन गुणवत्ता स्केलवर 0.65 किंवा 65% पेक्षा जास्त गुण मिळवणारे) समाविष्ट केले गेले. एकूण 82 संशोधनांपैकी 20 संशोधनांनी आमच्या निकषांची पूर्तता केली. या अभ्यासात एकूण 958 व्यक्तींचा समावेश होता (प्रयोगात्मकरित्या उपचारित 397, 561 नियंत्रणे). कोणत्याही क्लिनिकल ट्रायलमध्ये गंभीर प्रतिकूल घटनांची नोंद झाली नाही. गंभीर प्रतिकूल घटनांची नोंद वैद्यकीय साहित्यात केली गेली आहे, जरी दुर्मिळ. मत्सर, मासिक पाळीपूर्व सिंड्रोमची लक्षणे आणि रजोनिवृत्तीच्या लक्षणांसाठी कार्यक्षमतेचे सर्वात मजबूत पुरावे आढळले. मूड आणि चिंता विकार, ऑटोइम्यून रोग आणि न्यूओप्लास्टिक रोगांमधील भावनिक विकार यावरही याचा फायदा दिसून आला. निष्कर्ष काही आजारांवर विशेषतः गैर-मानसिक मूड आणि चिंता विकारांवर उपचार करण्यासाठी ध्यानधारणा पद्धतींची सुरक्षा आणि संभाव्य कार्यक्षमता यांचे समर्थन करते. मोठ्या प्रमाणात, पद्धतशीरपणे योग्य अभ्यासातून कार्यक्षमतेचे समर्थन करणारे स्पष्ट आणि पुनरुत्पादित पुरावे उपलब्ध नाहीत. |
46b2cd0ef7638dcb4a6220a52232712beb2fa850 | मानवी हालचालींचे 3 डी जनरेटिव्ह मॉडेल बर्याचदा कमी संख्येने क्रियाकलापांवर मर्यादित असतात आणि म्हणूनच नवीन हालचाली किंवा अनुप्रयोगांवर चांगले सामान्यीकरण करू शकत नाहीत. या कामात आम्ही मानवी हालचाली कॅप्चर डेटासाठी एक खोल शिक्षण फ्रेमवर्क प्रस्तावित करतो जो हालचाली कॅप्चर डेटाच्या मोठ्या कॉर्पसमधून एक सामान्य प्रतिनिधित्व शिकतो आणि नवीन, अदृश्य हालचालींमध्ये सामान्यीकरण करतो. एका एन्कोडिंग-डिकोडिंग नेटवर्कचा वापर करून जे भविष्यातील 3D पोझचा अंदाज लावायला शिकते अगदी अलीकडील भूतकाळातून, आम्ही मानवी हालचालींचे वैशिष्ट्यपूर्ण प्रतिनिधित्व काढतो. अनुक्रमाच्या अंदाजानुसार डीप लर्निंगवर केलेले बहुतेक काम व्हिडिओ आणि भाषणावर केंद्रित आहे. अस्थिजंतुकीय डेटाची रचना वेगळी असल्याने, आम्ही वेगवेगळ्या नेटवर्क आर्किटेक्चरचे मूल्यांकन करतो जे वेळ अवलंबित्व आणि अवयव संबंधांबद्दल वेगवेगळ्या गृहीतकांचा विचार करतात. शिकलेल्या वैशिष्ट्यांची संख्या निश्चित करण्यासाठी, आम्ही कृती वर्गीकरणासाठी वेगवेगळ्या थरांचे आउटपुट वापरतो आणि नेटवर्क युनिट्सच्या ग्रहणशील फील्डचे दृश्यमान करतो. आमची पद्धत हाडे हालचाली अंदाज अलीकडील कला राज्य outperforms जरी या क्रिया विशिष्ट प्रशिक्षण डेटा वापरा. आमचे परिणाम दर्शवतात की सामान्य मोकॅप डेटाबेसमधून प्रशिक्षित केलेले खोल फीडफॉरवर्ड नेटवर्क मानवी हालचालीच्या डेटामधून वैशिष्ट्य काढण्यासाठी यशस्वीरित्या वापरले जाऊ शकतात आणि हे प्रतिनिधित्व वर्गीकरण आणि अंदाज लावण्यासाठी आधार म्हणून वापरले जाऊ शकते. |
3c094494f6a911de3087ed963d3d893f6f2b1d71 | या अभ्यासाचे उद्दीष्ट चालण्याच्या प्रशिक्षणासाठी हायब्रिड असिस्टिव्ह लिम्ब सिस्टीमच्या क्लिनिकल अनुप्रयोगांविषयीच्या साहित्याचा आढावा घेणे हे होते. पद्धती वेब ऑफ सायन्स, पबमेड, सिनाहल आणि क्लिनिकट्रियाल्स डॉट गोव यांचा वापर करून साहित्य शोध घेण्यात आला आणि ओळखल्या गेलेल्या अहवालांमधील संदर्भ सूचीचा वापर करून अतिरिक्त शोध घेण्यात आला. सारांश तपासण्यात आले, संबंधित लेखांचे पुनरावलोकन केले गेले आणि गुणवत्तेचे मूल्यांकन केले गेले. परिणामी, 37 पैकी 7 अभ्यास समावेशाच्या निकषांची पूर्तता करतात. सहा अभ्यास हे एकल गट अभ्यास होते आणि एक अभ्यास हे शोधक यादृच्छिक नियंत्रित अभ्यास होते. एकूण 140 सहभागी सहभागी होते, त्यापैकी 118 जणांनी हस्तक्षेप पूर्ण केला आणि 107 जणांनी चालण्याच्या प्रशिक्षणासाठी एचएएलचा वापर केला. पाच अभ्यासात स्ट्रोकनंतर चालण्याचे प्रशिक्षण, 1 मध्ये स्पाइनल कॉर्ड इजा (एससीआय) नंतर आणि 1 अभ्यासात स्ट्रोक, एससीआय किंवा चालण्याच्या क्षमतेवर परिणाम करणारे इतर रोगांनंतर अभ्यास करण्यात आला. या अभ्यासात किरकोळ आणि क्षणिक दुष्परिणाम आढळले, परंतु कोणतीही गंभीर प्रतिकूल घटना नोंदविली गेली नाही. चालण्याच्या कार्यशीलता आणि चालण्याच्या स्वातंत्र्यावर फायदेशीर परिणाम दिसून आले. निष्कर्ष एकत्रित निष्कर्ष हे दर्शवतात की एचएएल प्रणाली व्यावसायिक सेटिंगमध्ये खालच्या बाजूच्या पॅरेसिस असलेल्या रुग्णांच्या चालण्याच्या प्रशिक्षणासाठी वापरली जाते तेव्हा ते व्यवहार्य आहे. चालण्याच्या कार्य आणि चालण्याच्या स्वातंत्र्यावर फायदेशीर परिणाम दिसून आले परंतु डेटा निष्कर्ष काढू देत नाही. पुढील नियंत्रित अभ्यास शिफारस केलेले आहेत. |
515e34476452bbfeb111ce5480035ae1f7aa4bee | घरामध्ये हवेची चांगली गुणवत्ता हा मानवी आरोग्यासाठी महत्वाचा घटक आहे. खराब घराच्या आतल्या हवेची गुणवत्ता अस्थमा, हृदयविकार आणि फुफ्फुसाचा कर्करोग यासारख्या दीर्घकालीन श्वसन रोगांच्या विकासामध्ये योगदान देऊ शकते. या प्रकरणात आणखी एक अडचण म्हणजे, खराब हवेची गुणवत्ता ही केवळ दृष्टी आणि वास याद्वारे ओळखणे मानवासाठी अत्यंत कठीण आहे आणि विद्यमान सेन्सिंग उपकरणे सामान्य नागरिकांपेक्षा वैज्ञानिकांनी वापरली पाहिजेत आणि त्यांना डेटा प्रदान केला पाहिजे. आम्ही inAir चा प्रस्ताव ठेवतो, हे एक उपकरण आहे जे घराच्या आत हवेच्या गुणवत्तेचे मोजमाप, व्हिज्युअलायझेशन आणि शिकण्यासाठी आहे. inAir हे लहान-मोठ्या धोकादायक हवेतील कण आकाराने 0.5 मायक्रॉन इतके लहान मोजून घरातील हवेच्या गुणवत्तेचे ऐतिहासिक आणि रिअल-टाइम व्हिज्युअलायझेशन प्रदान करते. इनएअरमुळे घरामध्ये हवेची गुणवत्ता सुधारण्यासाठी जागरूकता वाढते आणि व्यक्तीला कृती करण्यास प्रवृत्त करते हे आम्ही वापरकर्त्यांच्या अभ्यासातून दाखवतो. |
44db0c2f729661e7b30af484a1ad5df4e70cb22a | इंटरनेट स्कॅनिंग वर्म्सच्या तुलनेत ब्लूटूथ वर्म्स सध्या तुलनेने कमी धोकादायक आहेत. ब्ल्यूबॅग प्रकल्प ब्लूटूथ मालवेअरद्वारे प्रूफ-ऑफ-कॉन्सेप्ट कोड आणि मोबाइल डिव्हाइसेसचा वापर करून लक्ष्यित हल्ले दर्शवितो |
0a87428c6b2205240485ee6bb9cfb00fd9ed359c | ऑप्टिकल फ्लो अॅलगोरिदमची अचूकता सातत्याने सुधारत आहे, हे मिडलबेरी ऑप्टिकल फ्लो बेंचमार्कच्या परिणामांद्वारे सिद्ध झाले आहे. तथापि, हॉर्न आणि शुंकच्या कार्यापासून ठराविक सूत्र थोडे बदलले आहे. उद्देश कार्य, ऑप्टिमायझेशन पद्धत आणि आधुनिक अंमलबजावणी पद्धती अचूकतेवर कसा परिणाम करतात याचे सखोल विश्लेषण करून अलीकडील प्रगती काय शक्य झाली आहे हे शोधण्याचा आम्ही प्रयत्न करतो. आपल्याला आढळते की "क्लासिकल" फ्लो फॉर्म्युलेशन आश्चर्यकारकपणे चांगले काम करतात जेव्हा ते आधुनिक ऑप्टिमायझेशन आणि अंमलबजावणी तंत्रांसह एकत्र केले जातात. याव्यतिरिक्त, आम्हाला आढळले आहे की ऑप्टिमायझेशन दरम्यान मध्यवर्ती प्रवाह क्षेत्रांचे मध्यम फिल्टरिंग ही अलीकडील कार्यक्षमतेच्या फायद्याची गुरुकिल्ली आहे, यामुळे उच्च ऊर्जा समाधान होते. या घटनेमागील तत्त्वे समजून घेण्यासाठी, आम्ही एक नवीन उद्देश काढतो जो मध्यवर्ती फिल्टरिंग युरिस्टिकला औपचारिक करतो. या उद्दिष्टामध्ये एक स्थानिक नसलेला शब्द समाविष्ट आहे जो मोठ्या अवकाशीय शेजार्यांवर प्रवाहाचे अंदाज एकत्रित करतो. या नवीन शब्दामध्ये बदल करून प्रवाह आणि प्रतिमेच्या सीमांविषयी माहिती समाविष्ट करून आम्ही एक पद्धत विकसित केली जी मिडलबरी बेंचमार्कच्या शीर्षस्थानी आहे. |
90930683f4ef3da8c51ed7d2553774c196172cb3 | |
919bd86eb5fbccd3862e3e2927d4a0d468c7c591 | |
73e51b9820e90eb6525fc953c35c9288527cecfd | विद्यमान न्यूरल डिपेंडन्सी पार्सर सहसा द्विदिशात्मक एलएसटीएमसह वाक्यातील प्रत्येक शब्द एन्कोड करतात आणि डोके आणि मॉडिफायरच्या एलएसटीएम प्रतिनिधित्वावरून आर्कच्या स्कोअरचा अंदाज लावतात, कदाचित विचारात घेतलेल्या आर्कसाठी संबंधित संदर्भ माहिती गहाळ आहे. या अभ्यासात, आम्ही एक न्यूरल फीचर एक्सट्रॅक्शन पद्धत प्रस्तावित करतो जी आर्क-विशिष्ट वैशिष्ट्ये काढण्यास शिकते. आम्ही तंत्रिका नेटवर्कवर आधारित लक्ष पद्धतीचा वापर करतो. हेड-मोडिफायर जोड्यांच्या बाजूने आणि विरुद्ध पुरावे गोळा करण्यासाठी. आमच्या मॉडेलने विश्वास आणि अविश्वास यांची निश्चितता गणना केली. आणि विश्वास आणि अविश्वास यांची संख्या वजा करून अंतिम आर्क स्कोअर ठरवला. दोन प्रकारचे पुरावे स्पष्टपणे सादर करून, आर्क उमेदवार अधिक संबंधित माहितीच्या आधारे एकमेकांशी स्पर्धा करू शकतात, विशेषतः ज्या प्रकरणांमध्ये ते समान डोके किंवा मॉडिफायर सामायिक करतात. यामुळे दोन किंवा अधिक प्रतिस्पर्धी कमानी त्यांच्या प्रतिस्पर्धी (अविश्वास पुरावा) सादर करून अधिक चांगले भेदभाव करणे शक्य होते. विविध डेटासेटवरील प्रयोगांमुळे असे दिसून आले आहे की, आर्क-विशिष्ट वैशिष्ट्य काढण्याची यंत्रणा स्पष्टपणे लांब अंतराच्या अवलंबित्वे मॉडेलिंग करून द्वि-दिशात्मक एलएसटीएम-आधारित मॉडेलची कार्यक्षमता लक्षणीयरीत्या सुधारते. इंग्रजी आणि चीनी दोन्हीसाठी, प्रस्तावित मॉडेल बहुतेक विद्यमान न्यूरल लक्ष-आधारित मॉडेलपेक्षा अवलंबूनता विश्लेषणाच्या कार्यात उच्च अचूकता प्राप्त करते. |
7bdb08efd640311ad18466a80498c78267f886ca | |
26d92017242e51238323983eba0fad22bac67505 | या पेपरमध्ये लोक शिफारसींचा अभ्यास केला गेला आहे ज्यामुळे वापरकर्त्यांना ज्ञात, ऑफलाइन संपर्क शोधण्यात आणि सोशल नेटवर्किंग साइटवर नवीन मित्र शोधण्यात मदत होईल. आम्ही चार शिफारस अल्गोरिदमचे मूल्यांकन केले एका एंटरप्राइझ सोशल नेटवर्किंग साइटवर 500 वापरकर्त्यांचे वैयक्तिक सर्वेक्षण आणि 3,000 वापरकर्त्यांचे फील्ड स्टडी वापरून. आम्हाला सर्व अल्गोरिदम वापरकर्त्यांच्या मित्र सूचीचा विस्तार करण्यात प्रभावी आढळले. सोशल नेटवर्क माहितीवर आधारित अल्गोरिदम अधिक चांगल्या प्रकारे प्राप्त झालेल्या शिफारसी तयार करण्यास आणि वापरकर्त्यांसाठी अधिक ज्ञात संपर्क शोधण्यात सक्षम होते, तर वापरकर्त्याने तयार केलेल्या सामग्रीची समानता वापरणार्या अल्गोरिदम नवीन मित्र शोधण्यात अधिक मजबूत होते. आम्ही आमच्या सर्वेक्षण वापरकर्त्यांकडून गुणात्मक अभिप्राय देखील गोळा केला आणि अनेक अर्थपूर्ण डिझाइन परिणाम काढले. |
3621bc359003e36707733650cccadf4333683293 | |
54c32d432fb624152da7736543f2685840860a57 | आम्ही डीप बोल्टझमन मशीन (डीबीएम) चा परिचय देतो जो कागदपत्रांच्या मोठ्या असंरचित संग्रहातून वितरित सिमेंटिक प्रतिनिधित्व काढण्यासाठी योग्य आहे. आम्ही डीबीएमला सुज्ञ पॅरामीटर बांधणीसह प्रशिक्षित करण्याच्या स्पष्ट अडचणीवर मात केली. यामुळे एक कार्यक्षम पूर्व-प्रशिक्षण अल्गोरिदम आणि वेगवान अनुमान करण्यासाठी राज्य आरंभिकरण योजना सक्षम करते. या मॉडेलला मानक प्रतिबंधित बोल्टझमन मशीनप्रमाणेच प्रभावीपणे प्रशिक्षित केले जाऊ शकते. आमचे प्रयोग दाखवतात की, हे मॉडेल रेप्लिकेटेड सॉफ्टमॅक्स मॉडेलपेक्षा अदृश्य डेटाला अधिक चांगले लॉग संभाव्यता देते. आमच्या मॉडेलमधून काढलेल्या वैशिष्ट्यांनी दस्तऐवज पुनर्प्राप्ती आणि दस्तऐवज वर्गीकरण कार्यांमध्ये एलडीए, प्रतिकृती सॉफ्टमॅक्स आणि डॉकएनएडी मॉडेलला मागे टाकले आहे. |
3d8650c28ae2b0f8d8707265eafe53804f83f416 | एका पूर्वीच्या पेपरमध्ये [९] आम्ही अॅडबॉस्ट नावाचा एक नवीन बूस्टिंग अल्गोरिदम सादर केला जो सैद्धांतिकदृष्ट्या, कोणत्याही लर्निंग अल्गोरिदमची त्रुटी लक्षणीयरीत्या कमी करण्यासाठी वापरला जाऊ शकतो जो सातत्याने वर्गीकरणकर्ते तयार करतो ज्यांची कार्यक्षमता यादृच्छिक अंदाज लावण्यापेक्षा थोडी चांगली आहे. आम्ही "छद्म-हानी" ही संबंधित संकल्पना देखील सादर केली जी बहु-लेबल संकल्पनांच्या शिकण्याच्या अल्गोरिदमला भेदभाव करणे सर्वात कठीण असलेल्या लेबलांवर लक्ष केंद्रित करण्यास भाग पाडण्याची पद्धत आहे. या पेपरमध्ये, आम्ही प्रायोगिक प्रयोगांचे वर्णन करतो जे आम्ही सादर केले होते जेणेकरून वास्तविक शिकण्याच्या समस्यांवर अॅडबॉस्ट किती चांगले काम करते आणि बनावट-नुकसान न करता. आम्ही दोन प्रयोग केले. पहिल्या सेटमध्ये ब्रेमनच्या [1] बॅगिंग पद्धतीशी तुलना केली गेली जेव्हा विविध वर्गीकरणांना एकत्रित करण्यासाठी वापरले जाते (निर्णय झाडे आणि एकल विशेषता-मूल्य चाचण्यांसह). आम्ही मशीन लर्निंग बेंचमार्कच्या संग्रहात दोन पद्धतींच्या कामगिरीची तुलना केली. प्रयोगांच्या दुसऱ्या सेटमध्ये, आम्ही ओसीआर समस्येवर जवळच्या शेजारी वर्गीकरणकर्त्याचा वापर करून वाढीच्या कामगिरीचा अधिक तपशीलवार अभ्यास केला. |
85379baf4972e15cd7b9f5e06ce177e693b35f53 | या पेपरमध्ये, आम्ही अर्ध-पर्यवेक्षित कर्नल जुळवणी पद्धतीचा प्रस्ताव ठेवतो जेथे डोमेन अनुकूलन समस्या सोडविण्यासाठी स्रोत वितरण लक्ष्य वितरण पासून लक्षणीय भिन्न आहे. विशेष म्हणजे, आम्ही हिल्बर्ट श्मिट स्वतंत्रता निकषाच्या आधारावर स्रोत कर्नल मॅट्रिक्सच्या सबमॅट्रिक्सशी लक्ष्य कर्नल मॅट्रिक्स जुळवून लक्ष्य डेटा पॉईंट्स समान स्त्रोत डेटा पॉईंट्सवर मॅपिंग करताना लेबल केलेल्या स्त्रोत डेटावर एक भविष्यवाणी कार्य शिकतो. आम्ही ही समकालीन शिक्षण आणि मॅपिंग प्रक्रिया एक नॉन-कन्वेक्स इंटिजर ऑप्टिमायझेशन समस्या म्हणून तयार करतो आणि त्याच्या आरामदायक सतत फॉर्मसाठी स्थानिक कमीतकमी प्रक्रिया सादर करतो. आमचे अनुभवजन्य परिणाम दर्शवतात की प्रस्तावित कर्नल जुळवणी पद्धत क्रॉस डोमेन सेन्टिमेंट वर्गीकरणाच्या कार्यात पर्यायी पद्धतींपेक्षा लक्षणीय आहे. |
7eeb362f11bfc1c89996e68e3a7c5678e271f95b | |
893167546c870eac602d81874c6473fd3cd8bd21 | बहु-आयामी बिंदू (ट्यूपल्स) च्या संचाची क्षितिज अशी बिंदू बनते ज्यासाठी दिलेल्या संचामध्ये कोणतेही स्पष्टपणे चांगले बिंदू अस्तित्वात नाही, ज्यामध्ये घटकांच्या बाबतीत हितसंबंधाच्या डोमेनवर तुलना केली जाते. स्कायलाइन क्वेरीज म्हणजेच स्कायलाइनची गणना करणारी क्वेरीज ही संगणकीयदृष्ट्या महाग असू शकतात, त्यामुळे अनेक प्रोसेसरचा चांगला वापर करणाऱ्या समांतर पद्धतींचा विचार करणे स्वाभाविक आहे. आम्ही या समस्येकडे हायपरप्लेन प्रोजेक्शनचा वापर करून डेटा सेटचे उपयुक्त विभाजन मिळविण्यासाठी समांतर प्रक्रियेसाठी वापरतो. या विभाजनामुळे केवळ स्थानिक क्षितिज संचचच सुनिश्चित होत नाही तर परिणामांचे कार्यक्षम विलीनीकरण देखील शक्य होते. आमच्या प्रयोगांमधून हे दिसून आले आहे की, डेटा वितरणाकडे दुर्लक्ष करून, समांतर स्कायलाइन संगणनासाठी आमची पद्धत समान पद्धतींपेक्षा सातत्याने चांगली आहे आणि विविध ऑप्टिमायझेशन धोरणांच्या प्रभावावर अंतर्दृष्टी प्रदान करते. |
b87d5f9b8013386f4ff5ad1a130efe6e924dca5c | लेख इतिहासः प्राप्त झाले 27 ऑगस्ट 2012 सुधारित स्वरूपात प्राप्त झाले 1 ऑगस्ट 2013 स्वीकारले 5 ऑगस्ट 2013 ऑनलाइन उपलब्ध 15 ऑगस्ट 2013 |
bc18ee4a0f26320a86852b057077e8eca78b0c13 | या अभ्यासामुळे तंत्रज्ञानाच्या स्वीकृतीचे मॉडेल वाढते आणि घानामधील पूर्व-सेवा शिक्षकांमध्ये तंत्रज्ञानाच्या स्वीकृतीवर परिणाम करणारे घटक ओळखले जातात. 380 वापरण्यायोग्य प्रश्नावलींचे डेटा संशोधनाच्या मॉडेलच्या तुलनेत चाचणी केली गेली. तंत्रज्ञानाची व्यापक स्वीकृती (टीएएम) या मॉडेलचा वापर करून या संशोधनात असे दिसून आले की, पूर्व-सेवा शिक्षक, शैक्षणिक विश्वास, वापरण्याची सोय, संगणक तंत्रज्ञानाची उपयोगिता आणि संगणक वापराबाबतचे दृष्टिकोन हे संगणक तंत्रज्ञानाच्या वास्तविक वापराचे महत्त्वपूर्ण निर्धारक आहेत. एकाधिक चरणबद्ध पुनरावृत्ती विश्लेषणाचा वापर करून प्राप्त झालेल्या परिणामांमध्ये असे दिसून आले आहे कीः (1) पूर्व-सेवा शिक्षकांच्या शैक्षणिक विश्वासांनी वापरण्याची सोय आणि वापरण्याची उपयुक्तता दोन्हीवर लक्षणीय प्रभाव पाडला, (2) वापरण्याची सोय आणि वापरण्याची उपयुक्तता दोन्ही संगणकाच्या वापराबद्दलच्या वृत्तीवर प्रभाव पाडतात आणि संगणकाच्या वापराबद्दलचे वृत्ती पूर्व-सेवा शिक्षकांच्या संगणकाच्या वास्तविक वापरावर लक्षणीय परिणाम करते. तथापि, सांख्यिकीयदृष्ट्या, वापरण्याच्या सोयीचा वापर केल्याने उपयोगितावर लक्षणीय परिणाम झाला नाही. घानाच्या संदर्भात टीएएमला मान्यता देऊन निष्कर्ष साहित्यात योगदान देतात आणि तंत्रज्ञान एकत्रीकरणाच्या विकासाच्या संशोधनासाठी आणि सराव करण्यासाठी अनेक प्रमुख परिणाम प्रदान करतात. |
04e5b276da90c8181d6ad8397f763a181baae949 | क्रॉस-व्हॅलिडेशन हे मशीन लर्निंगमध्ये कामगिरी आणि प्रगती मोजण्यासाठी एक मुख्य आधार आहे. क्रॉस-व्हॅलिडेशन अभ्यासात अचूकता, एफ-मापन आणि आरओसी वक्र (एयूसी) अंतर्गत क्षेत्र कसे गणना करावे यामध्ये सूक्ष्म फरक आहेत. तथापि, या तपशीलांवर साहित्यात चर्चा केली जात नाही आणि विविध कागदपत्रे आणि सॉफ्टवेअर पॅकेजेसद्वारे असंगत पद्धती वापरल्या जातात. यामुळे संशोधन साहित्यात विसंगती निर्माण होते. विशिष्ट पळवाट आणि परिस्थितीसाठी कामगिरीच्या गणनेतील विसंगती जेव्हा अनेक पळवाट आणि डेटासेटवर एकत्रित परिणामांमध्ये दफन केले जातात तेव्हा ते शोधून काढले जात नाहीत, दरम्यानच्या कामगिरीच्या मोजमापांकडे कधीही एक व्यक्ती न पाहता. या संशोधन नोटमध्ये फरक स्पष्ट केले आहेत आणि ते क्रॉस-वैधता अंतर्गत वर्गीकरण कामगिरीचे सर्वोत्तम मोजमाप कसे करावे याबद्दल मार्गदर्शन प्रदान करते. विशेषत, एफ-मापन गणना करण्यासाठी वापरल्या जाणार्या अनेक भिन्न पद्धती आहेत, ज्याची शिफारस बर्याचदा वर्ग असंतुलनाखाली कार्यप्रदर्शन उपाय म्हणून केली जाते, उदा. मजकूर वर्गीकरण डोमेनसाठी आणि अनेक वर्ग असलेल्या डेटासेटच्या एक-विरुद्ध-सर्व कमीत कमी. आम्ही प्रयोग करून दाखवतो की यापैकी एकाशिवाय सर्व गणना पद्धतींमध्ये पूर्वग्रहाचे मोजमाप होतात, विशेषतः उच्च वर्ग असंतुलनाच्या बाबतीत. या पेपरमध्ये विशेष स्वारस्य आहे ते मशीन लर्निंग सॉफ्टवेअर लायब्ररी डिझाइन करतात आणि उच्च वर्ग असंतुलनावर लक्ष केंद्रित करणारे संशोधक. |
8efac913ff430ef698dd3fa5df4cbb7ded3cab50 | आम्ही एक अनियंत्रित क्लस्टरिंग साधन, मुख्य दिशेने विभाजक विभाजन सादर करतो, जे संख्यात्मक वेक्टर म्हणून दर्शविल्या जाणार्या कोणत्याही डेटा सेटवर लागू होणारी स्केलेबल आणि अष्टपैलू वर-खाली पद्धत आहे. मूलभूत पद्धतीचे वर्णन, मुख्य अनुप्रयोग क्षेत्रांचे सारांश जिथे हे वापरले गेले आहे आणि काही अलीकडील परिणामांवर लक्षणीय शब्दांच्या निवडीवर तसेच नवीन डेटा येताच क्लस्टर अद्ययावत करण्याची प्रक्रिया यावर चर्चा केली जाते. |
1e20f9de45d26950ecd11965989d2b15a5d0d86b | मॉडेल आधारित पद्धती आणि खोल न्यूरल नेटवर्क हे दोन्ही मशीन लर्निंगमध्ये प्रचंड यशस्वी पॅराडाइम आहेत. मॉडेल-आधारित पद्धतींमध्ये, आपण आपल्या समस्या डोमेन ज्ञान सहजपणे मॉडेलच्या मर्यादांमध्ये व्यक्त करू शकतो. निर्धारात्मक खोल न्यूरल नेटवर्क अशा प्रकारे तयार केले जातात की निष्कर्षास सरळ आहे, परंतु आम्ही समस्या डोमेन ज्ञान सहजपणे समाविष्ट करण्याची क्षमता त्यागतो. या कागदपत्राचा उद्देश दोन्ही दृष्टिकोनांचे फायदे मिळविण्यासाठी एक सामान्य धोरण प्रदान करणे आहे आणि त्यांच्या अनेक तोटे टाळणे आहे. याचे सार असे आहे: मॉडेल आधारित दृष्टिकोन दिल्यास ज्यासाठी पुनरावृत्ती अनुमान पद्धतीची आवश्यकता असते, आपण पुनरावृत्तीला मज्जासंस्थेसारख्या थरांच्या आधारावर संरचनेत आणतो. मग आम्ही मॉडेल पॅरामीटर्सला वेगवेगळ्या लेयरमध्ये जोडतो. नवीन न्यूरल नेटवर्क सारखी आर्किटेक्चर मिळवण्यासाठी. जी ग्रेडियंट आधारित पद्धतींचा वापर करून सहजपणे प्रशिक्षित केली जाऊ शकते. परिणामी सूत्र पारंपारिक खोल नेटवर्कची अभिव्यक्ती शक्ती मॉडेल-आधारित दृष्टिकोनाच्या अंतर्गत संरचनेसह एकत्र करते, तर निश्चित संख्येच्या थरांमध्ये निष्कर्षाची परवानगी देते जी सर्वोत्तम कामगिरीसाठी अनुकूलित केली जाऊ शकते. आम्ही हे फ्रेमवर्क नॉन-नकारात्मक मॅट्रिक्स फॅक्टरायझेशनवर कसे लागू केले जाऊ शकते हे दर्शवितो जेणेकरून एक नवीन नॉन-नकारात्मक खोल न्यूरल नेटवर्क आर्किटेक्चर मिळू शकेल, जे गुणाकार बॅक-प्रोपागॅशन-शैली अद्यतन अल्गोरिदमसह प्रशिक्षित केले जाऊ शकते. आम्ही भाषण वर्धित करण्याच्या क्षेत्रात प्रयोग सादर करतो, जेथे आम्ही दर्शवितो की परिणामी मॉडेल पारंपारिक न्यूरल नेटवर्कला मागे टाकू शकते, तर केवळ मापदंडांच्या संख्येच्या तुलनेत कमी प्रमाणात आवश्यक आहे. आम्हाला वाटते की हे असे आहे कारण आमच्या फ्रेमवर्कने सखोल नेटवर्कच्या आर्किटेक्चरमध्ये समस्या स्तरावरील गृहीतकांचा समावेश करण्याची क्षमता दिली आहे. arXiv.org हे काम कोणत्याही व्यावसायिक हेतूसाठी संपूर्ण किंवा काही भाग कॉपी किंवा पुनरुत्पादित केले जाऊ शकत नाही. नफा नसलेल्या शैक्षणिक आणि संशोधन हेतूंसाठी संपूर्ण किंवा काही भाग नमुना काढण्याची परवानगी दिली जाते, जर अशा सर्व संपूर्ण किंवा आंशिक प्रतींमध्ये खालील गोष्टींचा समावेश असेलः अशी कॉपी करणे हे Mitsubishi Electric Research Laboratories, Inc. च्या परवानगीने आहे; लेखकांची आणि कामासाठी वैयक्तिक योगदानाची मान्यता; आणि कॉपीराइट सूचनेचे सर्व लागू भाग. इतर कोणत्याही हेतूसाठी कॉपी करणे, पुनरुत्पादन करणे किंवा पुन्हा प्रकाशित करणे यासाठी Mitsubishi Electric Research Laboratories, Inc. ला शुल्क भरून परवाना आवश्यक आहे. सर्व हक्क राखीव आहेत. कॉपीराइट c © मित्सुबिशी इलेक्ट्रिक रिसर्च लॅबोरेटरीज, इंक, 2014 201 ब्रॉडवे, केंब्रिज, मॅसेच्युसेट्स 02139 |
26f4f07696a3828f5eeb0d8bb8944da80228b77d | निर्णय वृक्ष अल्गोरिदममध्ये बूस्टिंग प्रक्रियेचा वापर करून अत्यंत अचूक वर्गीकरण केले जाते. या वर्गीकरणामध्ये अनेक निर्णय वृक्षांवर बहुमताने मतदान केले जाते. दुर्दैवाने, ही श्रेणी बऱ्याचदा मोठी, जटिल आणि अर्थ लावणे कठीण असते. या लेखात एक नवीन प्रकारच्या वर्गीकरण नियमाचे वर्णन केले आहे, पर्यायी निर्णय वृक्ष, जे निर्णय झाडे, मतदान निर्णय झाडे आणि मतदान निर्णय stumps एक सामान्यीकरण आहे. त्याच वेळी या प्रकारचे वर्गीकरण हे समजणे सोपे आहे. आम्ही एक शिकण्याची पद्धत सादर करतो. प्रयोगात्मक परिणामांमध्ये हे सिद्ध झाले आहे की हे C5.0 सारख्या वाढीव निर्णय वृक्ष अल्गोरिदमशी स्पर्धात्मक आहे आणि सामान्यतः आकाराने लहान आणि अशा प्रकारे अर्थ लावणे सोपे आहे असे नियम तयार करते. याव्यतिरिक्त या नियमामुळे वर्गीकरणाच्या प्रमाणात नैसर्गिक प्रमाणात सुधारणा होते ज्याचा उपयोग वर्गीकरण करणे कठीण असलेल्या उदाहरणांचा अंदाज लावण्यापासून परावृत्त करण्याच्या किंमतीवर अचूकता सुधारण्यासाठी केला जाऊ शकतो. |
5e28e81e757009d2f76b8674e0da431f5845884a | हे पेपर बहु-आयामी रेषेचा भेदभाव करणारा विश्लेषण आणि संबंधित इष्टतम रेषेचा प्रोजेक्शन या सिद्धांत वापरून प्रतिमा प्रशिक्षण संचातून वैशिष्ट्यांची स्वयंचलित निवड वर्णन करते. आम्ही या सर्वात भेदभाव करणाऱ्या वैशिष्ट्यांची प्रभावीता दर्शवितो दृश्य-आधारित वर्ग पुनर्प्राप्ती मोठ्या प्रमाणात भिन्न वास्तविक जगाच्या वस्तूंचा डेटाबेस पासून "तयार केलेले" दृश्ये म्हणून सादर केले आणि त्याची तुलना मुख्य घटक विश्लेषणाशी केली. |
dbe8c61628896081998d1cd7d10343a45b7061bd | अनेक धोरणांचे वर्णन केले आहे जे मूलभूत नेटवर्क मॉडेलच्या मर्यादांवर मात करतात कारण मोठ्या कनेक्शनवादी भाषण ओळख प्रणालीच्या डिझाइनच्या दिशेने पावले उचलली जातात. दोन प्रमुख क्षेत्रे म्हणजे वेळ आणि स्केलची समस्या. भाषण सिग्नल वेळोवेळी सतत बदलतात आणि मानवी ज्ञानाचा प्रचंड प्रमाणात एन्कोड आणि प्रसारित करतात. या सिग्नलचे डिकोड करण्यासाठी, न्यूरल नेटवर्कला वेळेचे योग्य प्रतिनिधित्व वापरण्यास सक्षम असणे आवश्यक आहे आणि हे नेटवर्क मर्यादित संसाधनांमध्ये जवळजवळ मनमानी आकार आणि जटिलतेपर्यंत वाढविणे शक्य असणे आवश्यक आहे. वेळेची समस्या टाईम-डेलॅट न्यूरल नेटवर्कच्या विकासाद्वारे सोडवली जाते; लहान उप-घटक जाळ्यावर आधारित मोठ्या जाळ्यांचे मॉड्यूलरिटी आणि वाढीव डिझाइनद्वारे स्केलिंगची समस्या. हे दर्शविले जाते की मर्यादित कार्ये करण्यासाठी प्रशिक्षित केलेले छोटे नेटवर्क वेळ अपरिवर्तनीय, लपविलेले अमूर्त विकसित करतात जे नंतर मोठ्या, अधिक जटिल नेटवर्कला कार्यक्षमतेने प्रशिक्षित करण्यासाठी शोषण केले जाऊ शकतात. या तंत्रांचा वापर करून, वाढत्या जटिलतेचे ध्वनी ओळख नेटवर्क तयार केले जाऊ शकतात जे सर्व उत्कृष्ट ओळख कार्यक्षमता प्राप्त करतात. |
eeb8c7a22f731839755a4e820b608215e9885276 | |
01905a9c0351aad54ee7dbba1544cd9db06ca935 | माहिती प्रणालीच्या सुरक्षेशी संबंधित असलेल्या कोणत्याही संस्थेसाठी जोखीम व्यवस्थापन हे एक प्रमुख साधन आहे. मात्र, आयएस सुरक्षा जोखीम व्यवस्थापन (आयएसएसआरएम) ही प्रक्रियेची स्थापना आणि देखरेख करणे अवघड आहे, मुख्यतः जटिल आणि परस्पर जोडलेल्या आयएससह एकाधिक नियमांच्या संदर्भात. एंटरप्राइझ आर्किटेक्चर मॅनेजमेंट (ईएएम) शी जोडल्याने या समस्यांशी सामना करण्यास मदत होते. दोन्ही क्षेत्रांच्या अधिक चांगल्या एकात्मतेसाठी एक पहिले पाऊल म्हणजे एकात्मिक ईएएम-आयएसएसआरएम संकल्पनात्मक मॉडेल परिभाषित करणे. या मॉडेलच्या प्रक्रियेची आणि वैधतेची माहिती या लेखात दिली आहे. यासाठी आम्ही सध्याच्या आयएसएसआरएम डोमेन मॉडेलमध्ये सुधारणा केली आहे. ईएएमच्या संकल्पनांसह आयएसएसआरएमच्या क्षेत्राचे वर्णन करणारे संकल्पनात्मक मॉडेल. ईएएम-आयएसएसआरएम एकात्मिक मॉडेलची पडताळणी नंतर मॉडेलची उपयुक्तता आणि वापरण्यायोग्यतेचे मूल्यांकन करणाऱ्या पडताळणी गटाच्या मदतीने केली जाते. |
1976c9eeccc7115d18a04f1e7fb5145db6b96002 | फ्रीबेस हा एक व्यावहारिक, स्केलेबल टपल डेटाबेस आहे जो सामान्य मानवी ज्ञानाची रचना करण्यासाठी वापरला जातो. फ्रीबेस मधील डेटा सहकार्याने तयार, संरचित आणि देखरेख केला जातो. फ्रीबेसमध्ये सध्या १२५,००,०००,००० पेक्षा जास्त ट्यूपल्स, ४००० पेक्षा जास्त प्रकार आणि ७००० पेक्षा जास्त गुणधर्म आहेत. फ्रीबेसमध्ये सार्वजनिक वाचन/लेखन प्रवेश HTTP-आधारित ग्राफ-क्वेरी API द्वारे परवानगी आहे. Metaweb Query Language (MQL) चा वापर डेटा क्वेरी आणि मॅनिपुलेशन भाषा म्हणून केला जातो. एमक्यूएल फ्रीबेसमधील टपल डेटाला वापरण्यास सोपा ऑब्जेक्ट-ओरिएंटेड इंटरफेस प्रदान करते आणि सहयोगात्मक, वेब-आधारित डेटा-ओरिएंटेड अनुप्रयोग तयार करण्यास सुलभ करण्यासाठी डिझाइन केलेले आहे. |
77b99e0a3a6f99537a4b497c5cd67be95c1b7088 | एक दशकाहून अधिक काळ स्वायत्त वाहनांचे संशोधन प्रचलित आहे परंतु अलीकडेच स्वायत्त वाहनांमध्ये होणाऱ्या मानवी परस्परसंवादावर थोडेसे संशोधन केले गेले आहे. जरी कार्यशील सॉफ्टवेअर आणि सेन्सर तंत्रज्ञान सुरक्षित ऑपरेशनसाठी आवश्यक असले तरी, जे स्वायत्त वाहन संशोधनाचे मुख्य केंद्र आहे, मानवी परस्परसंवादाचे सर्व घटक हाताळणे देखील त्यांच्या यशाचा एक अतिशय महत्त्वाचा पैलू आहे. या पेपरमध्ये स्वयंचलित वाहनांमध्ये मानवी वाहनांच्या परस्परसंवादाचे महत्त्व आणि त्यासंबंधीच्या संबंधित घटकांचा विचार केला जाईल ज्यामुळे ते स्वीकारले जाण्याची शक्यता आहे. कारमधील नियंत्रण संबंधित महत्त्वाच्या क्षेत्रांवर केलेल्या आधीच्या संशोधनाकडे विशेष लक्ष दिले जाईल, याव्यतिरिक्त मानवी ऑपरेशनसाठी सुरुवातीला विकसित केलेल्या या वाहनांच्या यशाच्या संभाव्यतेवर परिणाम होण्याची शक्यता असलेल्या विविध घटकांवर लक्ष दिले जाईल. या पेपरमध्ये मनुष्याशी संवाद साधण्यासाठी केलेल्या मर्यादित संशोधनाची चर्चा आणि प्रकाशित कार्यरत सॉफ्टवेअर आणि सेन्सर तंत्रज्ञानाची सध्याची स्थिती देखील समाविष्ट असेल. |
31f3a12fb25ddb0a27ebdda7dd8d014996debd74 | आम्ही जवळपास दोन वर्षांत 12,500 Android डिव्हाइसेसची माहिती गोळा केली. आमच्या डेटा सेटमध्ये अँड्रॉइडच्या 687 आवृत्त्या चालविणार्या 894 मॉडेलच्या डिव्हाइसेसचे 53 अब्ज डेटा पॉईंट्स आहेत. गोळा केलेल्या डेटावर प्रक्रिया केल्याने स्केलेबिलिटीपासून ते सुसंगतता आणि गोपनीयता विचारांपर्यंत अनेक आव्हाने निर्माण होतात. आम्ही या अत्यंत वितरित डेटासेटच्या संकलनासाठी आणि विश्लेषणासाठी आमच्या सिस्टम आर्किटेक्चरची सादरीकरण करतो, अविश्वसनीय टाइम सिरीज माहितीच्या उपस्थितीत आमची प्रणाली विश्वासार्हतेने वेळ-मालिका डेटा कशी गोळा करू शकते याबद्दल चर्चा करतो आणि इतर अनेक मोठ्या डेटा संकलन प्रकल्पांवर लागू असल्याचे आम्हाला वाटते त्या समस्या आणि शिकलेल्या धड्यांबद्दल चर्चा करतो. |
408a8e250316863da94ffb3eab077175d08c01bf | |
5656fa5aa6e1beeb98703fc53ec112ad227c49ca | आम्ही मल्टी-प्रिडिक्शन डीप बोल्टझमन मशीन (एमपी-डीबीएम) सादर करतो. एमपीडीबीएमला एक संभाव्य मॉडेल म्हणून पाहिले जाऊ शकते जे सामान्यीकृत छद्म संभाव्यतेसाठी भिन्नतापूर्ण अंदाजे जास्तीत जास्त करण्यासाठी प्रशिक्षित केले जाते, किंवा पुनरावृत्ती जाळ्यांच्या कुटुंबाप्रमाणे जे मापदंड सामायिक करतात आणि अंदाजे भिन्न अनुमान समस्या सोडवतात. डीबीएमच्या प्रशिक्षणाच्या पूर्वीच्या पद्धती एकतर वर्गीकरण कार्यांवर चांगले काम करत नाहीत किंवा डीबीएमला एका वेळी एक थर शिकवणा-या प्रारंभिक शिकण्याच्या पासची आवश्यकता असते. एमपी-डीबीएमला लोभी लेयरवार पूर्व-प्रशिक्षणाची आवश्यकता नसते आणि वर्गीकरण, गहाळ इनपुटसह वर्गीकरण आणि सरासरी फील्ड अंदाज करण्याच्या कार्यांमध्ये मानक डीबीएमपेक्षा चांगले काम करते. |
4c99b87df6385bd945a00633f829e4a9ec5ce314 | सोशल नेटवर्क्स प्रचंड प्रमाणात डेटा तयार करतात. फेसबुकमध्ये ४०० दशलक्ष सक्रिय वापरकर्ते आहेत जे दरमहा ५ अब्ज माहिती शेअर करतात. असंरचित डेटाच्या या विशाल प्रमाणात विश्लेषण करणे सॉफ्टवेअर आणि हार्डवेअरसाठी आव्हाने निर्माण करते. आम्ही ग्राफसीटी सादर करतो, ग्राफ वर्णनासाठी एक टूलकिट, ज्यामध्ये सोशल नेटवर्क डेटाचे प्रतिनिधित्व करणारे विशाल आलेख तयार केले जातात. १२८ प्रोसेसर क्रॅ एक्सएमटीवर, ग्राफसीटी कृत्रिमरित्या व्युत्पन्न (आर-एमएटी) ५३७ दशलक्ष वर्टेक्स, ५५ मिनिटांत ८.६ अब्ज एज ग्राफ आणि वास्तविक जगाच्या ग्राफ (कवाक, वगैरे) दरम्यान मध्यवर्तीतेचा अंदाज लावते. १०५ मिनिटांत ६१.६ दशलक्ष शिखरे आणि १.४७ अब्ज कडा. आम्ही ग्राफसीटी वापरतो ट्विटरच्या सार्वजनिक माहितीचे विश्लेषण करण्यासाठी, एक मायक्रोब्लॉगिंग नेटवर्क. ट्विटरच्या संदेशांचे कनेक्शन प्रामुख्याने वृक्षाप्रमाणे संरचित आहे. सार्वजनिक डेटामध्ये मात्र, संभाषणांचे समूह आहेत. ग्राफसीटीचा वापर करून, आपण या संभाषणांमध्ये सहभागी असलेल्यांना क्रमवारी लावू शकतो आणि विश्लेषकांना खूपच लहान डेटा उपसंचावर लक्ष केंद्रित करण्यास मदत करू शकतो. |
7b1e18688dae102b8702a074f71bbea8ba540998 | ऑटोमोटिव्ह वाहन प्रणालींची वाढती जटिलता, बाह्य नेटवर्कशी त्यांचे कनेक्शन, इंटरनेट ऑफ थिंग्ज तसेच त्यांचे अंतर्गत नेटवर्किंग हॅकिंग आणि दुर्भावनायुक्त हल्ल्यांसाठी दरवाजे उघडते. आधुनिक ऑटोमोटिव्ह वाहन प्रणालीमधील सुरक्षा आणि गोपनीयता जोखीम आतापर्यंत प्रसिद्ध आहेत. सुरक्षेच्या उल्लंघनामुळे सुरक्षेच्या उल्लंघनास कारणीभूत ठरू शकते, ही एक चांगली आणि मान्य केलेली तर्क आहे. सुरक्षाविषयक शिस्त दशकांमध्ये परिपक्व झाली आहे , परंतु सुरक्षाविषयक शिस्त खूपच तरुण आहे . असे तर्क आहेत आणि हे बरोबर आहे की सुरक्षा अभियांत्रिकी प्रक्रिया कार्यक्षम सुरक्षा अभियांत्रिकी प्रक्रियेसारखीच आहे (आयएसओ 26262 मानकाने औपचारिक केलेली) आणि ते बाजूला ठेवता येऊ शकतात आणि एकत्रितपणे केले जाऊ शकतात परंतु तज्ञांच्या भिन्न संचाद्वारे. ऑटोमोटिव्ह वाहनांच्या प्रणालीसाठी फंक्शनल सेफ्टी इंजिनिअरिंग प्रक्रियेच्या ओळींमध्ये सुरक्षा अभियांत्रिकी प्रक्रियेची व्याख्या करण्यासाठी हालचाली आहेत . पण सुरक्षितता आणि सुरक्षेला अधिकृत बनवण्याचे हे प्रयत्न सुरक्षित आणि सुरक्षित प्रणाली तयार करण्यासाठी पुरेसे आहेत का? जेव्हा एखादा सुरक्षित आणि सुरक्षित प्रणाली तयार करण्याच्या कल्पनेने या मार्गावर जातो तेव्हा त्याला हे समजते की सुरक्षित आणि सुरक्षित प्रणाली उत्पादन रेषेवर येण्यापूर्वी बर्याच आव्हाने, विरोधाभास, विसंगती, चिंता यावर लक्ष केंद्रित करणे आवश्यक आहे. या कागदपत्राचा प्रयत्न आहे की अशा काही आव्हानात्मक क्षेत्रांकडे समाजाचे लक्ष वेधून घेणे आणि पुढे जाण्याचा मार्ग सुचविणे. |
a608bd857a131fe0d9e10c2219747b9fa03c5afc | आधुनिक वाहने सर्वत्र संगणकीकृत आहेत, आणि त्यामुळे संभाव्यतः हल्ल्याला बळी पडतात. मात्र, पूर्वीच्या संशोधनात असे दिसून आले आहे की काही आधुनिक कारमधील अंतर्गत नेटवर्क असुरक्षित आहेत, संबंधित धमकी मॉडेल - ज्यास पूर्व भौतिक प्रवेशाची आवश्यकता आहे - योग्यरित्या अवास्तव म्हणून पाहिले गेले आहे. त्यामुळे, कार देखील दूरस्थ तडजोड करण्यासाठी संवेदनशील असू शकते की नाही हे एक खुले प्रश्न राहते. आधुनिक कारच्या बाह्य आक्रमक पृष्ठभागाचे विश्लेषण करून या प्रश्नाचे उत्तर शोधण्याचा आमचा प्रयत्न आहे. आम्हाला आढळले की दूरस्थ शोषण हे अनेक प्रकारच्या हल्ल्याच्या माध्यमातून शक्य आहे (यामध्ये यांत्रिकी साधने, सीडी प्लेयर्स, ब्लूटूथ आणि सेल्युलर रेडिओचा समावेश आहे) आणि पुढे, वायरलेस कम्युनिकेशन चॅनेलमुळे वाहनाचे लांब पल्ल्याचे नियंत्रण, स्थान ट्रॅकिंग, इन-कॅबिन ऑडिओ एक्सफिल्ट्रेशन आणि चोरी होऊ शकते. या समस्या निर्माण करणाऱ्या वाहन उद्योगाच्या परिसंस्थेच्या संरचनात्मक वैशिष्ट्यांवर चर्चा करून त्या समस्या कमी करण्यासाठी काय उपाययोजना केल्या जातील यावर प्रकाश टाकला जातो. |
cdbb46785f9b9acf8d03f3f8aba58b201f06639f | ऑटोमोटिव्ह सिस्टिमची आयटी सुरक्षा संशोधन क्षेत्र आहे. सध्याची परिस्थिती आणि संभाव्य वाढत्या धोक्यांची विश्लेषण करण्यासाठी आम्ही अलीकडील ऑटोमोटिव्ह तंत्रज्ञानावर अनेक व्यावहारिक चाचण्या केल्या. कॅन बस तंत्रज्ञानावर आधारित ऑटोमोटिव्ह सिस्टिमवर लक्ष केंद्रित करून, हा लेख विंडो लिफ्ट, चेतावणी प्रकाश आणि एअरबग कंट्रोल सिस्टम तसेच सेंट्रल गेटवेच्या नियंत्रण प्रणालीवर केलेल्या चार निवडक चाचण्यांचे निष्कर्ष सांगते. या परिणामांना या लेखात सीईआरटी वर्गीकरण आणि अंतर्निहित सुरक्षा भेद्यता आणि विशेषतः संभाव्य सुरक्षा परिणामांचे विश्लेषण वापरून या चार हल्ल्याच्या परिस्थितीचे वर्गीकरण करून पूरक केले गेले आहे. या चाचण्यांच्या परिणामांबद्दल, या लेखात आम्ही आमच्या चाचण्यांमध्ये शोषण केलेल्या मूलभूत कमकुवतपणांना संबोधित करण्यासाठी दोन निवडलेल्या प्रतिसादांवर चर्चा करतो. यामध्ये घुसखोरीचा शोध घेण्याच्या (तीन उदाहरणांच्या शोध पद्धतींवर चर्चा करणे) आणि आयटी-फोरेन्सिक उपाययोजना (फोरेन्सिक मॉडेलवर आधारित सक्रिय उपाययोजना प्रस्तावित करणे) यांचा समावेश आहे. या लेखात आधी सादर केलेल्या चार हल्ल्यांच्या परिस्थितींवर विचार करून, त्यांच्या क्षमता आणि निर्बंधांचा समावेश करून दोन्ही गोष्टींवर चर्चा केली आहे. या प्रतिक्रियाशील पद्धती अल्पकालीन उपाययोजना आहेत, ज्यांना आजच्या ऑटोमोटिव्ह आयटी आर्किटेक्चरमध्ये जोडले जाऊ शकते, दीर्घकालीन संकल्पना देखील लवकरच सादर केल्या जातील, ज्या प्रामुख्याने प्रतिबंधात्मक आहेत परंतु मोठ्या प्रमाणात पुन्हा डिझाइन करणे आवश्यक आहे. या संशोधन पद्धतींचा थोडक्यात आढावा घेतल्यानंतर, आम्ही त्यांच्या वैयक्तिक आवश्यकता, क्षमता आणि मर्यादांवर चर्चा करतो. & 2010 Elsevier Ltd. सर्व हक्क राखीव आहेत. |
13b44d1040bf8fc1edb9de23f50af1f324e63697 | आम्हाला गुणधर्म-मार्गदर्शित चेहरा निर्मितीमध्ये रस आहे: कमी-रेझोल्यूशन चेहरा इनपुट प्रतिमा, उच्च-रेझोल्यूशन प्रतिमेमधून काढला जाऊ शकतो असा एक विशेषता वेक्टर (गुणवत्ता प्रतिमा), आमची नवीन पद्धत उच्च-रेझोल्यूशन चेहरा प्रतिमा तयार करते कमी-रेझोल्यूशन इनपुटसाठी जे दिलेली वैशिष्ट्ये पूर्ण करते. या समस्येचे निराकरण करण्यासाठी, आम्ही सायकलगॅनला सशर्त करतो आणि सशर्त सायकलगॅनचा प्रस्ताव करतो, जे 1) अपुरे प्रशिक्षण डेटा हाताळण्यासाठी डिझाइन केलेले आहे कारण प्रशिक्षण कमी / उच्च-रिझोल्यूशन आणि उच्च-रिझोल्यूशन गुणधर्म प्रतिमा एकमेकांशी संरेखित होऊ शकत नाहीत आणि 2) इनपुट गुणधर्मांद्वारे व्युत्पन्न चेहर्याचा देखावा सहजपणे नियंत्रित करण्यास अनुमती देते. आम्ही अॅट्रिब्यूट-गाईडेड कंडिशनल सायकलगॅनवर उच्च दर्जाचे परिणाम दर्शवितो, जे वापरकर्त्याने पुरवलेल्या गुणधर्मांद्वारे (उदाहरणार्थ, लिंग, मेकअप, केसांचा रंग, चष्मा) सहजपणे नियंत्रित केलेल्या देखावासह वास्तववादी चेहर्याची प्रतिमा संश्लेषित करू शकते. संबंधित सशर्त वेक्टर तयार करण्यासाठी विशेषता प्रतिमा ओळख म्हणून वापरणे आणि चेहरा सत्यापन नेटवर्क समाविष्ट करून, विशेषता-मार्गदर्शित नेटवर्क ओळख-मार्गदर्शित सशर्त सायकलगॅन बनते जे ओळख हस्तांतरणावर उच्च-गुणवत्तेचे आणि मनोरंजक परिणाम तयार करते. आम्ही ओळख-मार्गदर्शित सशर्त सायकलगॅनवर तीन अनुप्रयोग प्रदर्शित करतोः ओळख-संरक्षण चेहरा सुपररेझोल्यूशन, चेहरा स्वॅपिंग आणि फ्रंटल चेहरा निर्मिती, जे सातत्याने आमच्या नवीन पद्धतीचा फायदा दर्शविते. |
8a7b0520de8d9af82617bb13d7aef000aae26119 | दुहेरी-बँड ऑर्थोमोड ट्रान्सड्यूसर (OMT) घटकांच्या डिझाइनसाठी सामान्यीकृत प्रवेश मॅट्रिक्स आणि सामान्यीकृत स्कॅटरिंग मॅट्रिक्सच्या माध्यमातून मोड जुळवून घेतल्या गेलेल्या मिश्रित वैशिष्ट्याचा प्रस्ताव आहे. या प्रक्रियेवर आधारित अचूक आणि कार्यक्षम पूर्ण-लहरी विश्लेषण सॉफ्टवेअर विकसित केले गेले आहे. या सॉफ्टवेअरद्वारे उच्च कार्यक्षमतेसह कु बँडमध्ये दुहेरी वारंवारता ओएमटीची रचना करण्यात आली आहे. संख्यात्मक आणि प्रयोगात्मक परिणामांमध्ये चांगले एकमत डिझाइन प्रक्रियेस वैध करते. |
17168ca2262960c57ee141b5d7095022e038ddb4 | स्मार्ट उपकरणे आणि परिधान करण्यायोग्य सेन्सर्सद्वारे क्रियाकलाप ओळखणे हे संशोधनाचे एक सक्रिय क्षेत्र आहे कारण स्मार्ट उपकरणांचा व्यापक अवलंब आणि त्यांच्या दैनंदिन जीवनात लोकांना मदत करण्यासाठी ते प्रदान करतात. बारीक-कणयुक्त आदिम क्रियाकलाप ओळखण्यासाठी उपलब्ध डेटासेटपैकी बरेच लोक लोकमोशन किंवा क्रीडा क्रियाकलापांवर लक्ष केंद्रित करतात जे वास्तविक-जागतिक दैनंदिन वर्तनावर कमी भर देतात. या पेपरमध्ये एक नवीन डेटासेट सादर केला आहे ज्यामुळे किचनच्या वातावरणात क्रियाकलाप ओळखता येईल. केवळ स्मार्ट-वॉचचा वापर करून 10 सहभागींकडून डेटा गोळा करण्यात आला होता, ज्यात त्यांनी बदल न केलेल्या भाड्याच्या स्वयंपाकघरात अन्न तयार केले होते. या कागदपत्रामध्ये या डेटासेटवरील विविध वर्गीकरणासाठी बेसलाइन कामगिरीचे उपाय देखील प्रदान केले आहेत. याव्यतिरिक्त, एक सखोल वैशिष्ट्य शिक्षण प्रणाली आणि अधिक पारंपारिक सांख्यिकीय वैशिष्ट्ये आधारित पध्दती तुलना केली जाते. या विश्लेषणामुळे असे दिसून आले आहे की सर्व मूल्यांकन निकषांसाठी डेटा-ड्राइव्ह फीचर लर्निंगमुळे वर्गीकरणकर्त्याला हाताने तयार केलेल्या वैशिष्ट्यांच्या तुलनेत सर्वोत्तम कार्यक्षमता मिळते. |
62a6cf246c9bec56babab9424fa36bfc9d4a47e8 | आम्ही संगणकांना कसे सक्षम करू शकतो स्वयंचलितपणे प्रश्नांची उत्तरे देण्यासाठी जसे की "हॅरी पॉटरचे चरित्र कोणी निर्माण केले? काळजीपूर्वक तयार केलेले ज्ञान तळ हे तथ्यांचे समृद्ध स्रोत आहेत. मात्र, एका प्रश्नाच्या अनेक अभिव्यक्तीमुळे नैसर्गिक भाषेत उपस्थित केलेल्या वस्तुनिष्ठ प्रश्नांची उत्तरे देणे हे एक आव्हानच आहे. आम्ही विशेषतः सर्वात सामान्य प्रश्नांवर लक्ष केंद्रित करतो - जे ज्ञान तत्त्वामध्ये एका तथ्याद्वारे उत्तर दिले जाऊ शकतात. आम्ही CFO, एक सशर्त केंद्रित न्यूरलनेटवर्क आधारित दृष्टिकोन, ज्ञान तत्त्वांसह वास्तविक प्रश्नांची उत्तरे देण्यासाठी प्रस्तावित करतो. आमचा दृष्टिकोन प्रथम अधिक संभाव्य उमेदवार विषय उल्लेख शोधण्यासाठी एका प्रश्नामध्ये झूम करतो आणि एकात्मिक सशर्त संभाव्य चौकटीसह अंतिम उत्तरे काढतो. गहन वारंवार न्यूरल नेटवर्क आणि न्यूरल एम्बेडिंगद्वारे समर्थित, आमच्या प्रस्तावित सीएफओने 108 हजार प्रश्नांच्या डेटासेटवर 75.7% अचूकता मिळविली - आतापर्यंतचा सर्वात मोठा सार्वजनिक. ते 11.8% च्या परिपूर्ण मार्जिनने सध्याच्या तंत्रज्ञानाच्या स्थितीपेक्षा चांगले आहे. |
7bbacae9177e5349090336c23718a51bc94f6bfc | आम्ही जिओलोकेशन माहितीसह "स्ट्रीट साइड" प्रतिमांच्या डेटाबेसचा वापर करून क्वेरी प्रतिमेमध्ये दर्शविलेले स्थान ओळखण्याचा प्रयत्न करतो. डेटाबेसमधील क्वेरी आणि प्रतिमा यांच्यातील स्केल, दृष्टीकोन आणि प्रकाश बदलल्यामुळे हे एक आव्हानात्मक कार्य आहे. ठिकाण ओळखण्याच्या मुख्य समस्यांपैकी एक म्हणजे झाडे किंवा रस्ते चिन्हे यासारख्या वस्तूंची उपस्थिती, जी डेटाबेसमध्ये वारंवार आढळतात आणि त्यामुळे वेगवेगळ्या ठिकाणी महत्त्वपूर्ण गोंधळ होतो. मुख्य योगदान म्हणून, आम्ही कसे दर्शवितो की विशिष्ट ठिकाणांच्या गोंधळात टाकणार्या वैशिष्ट्यांचा कसा बचाव करावा. आम्ही एक पद्धत विकसित केली आहे, जी प्रतिमा-विशिष्ट आणि अवकाशीय-स्थानीकृत गोंधळात टाकणार्या वैशिष्ट्यांच्या गटांचे स्वयंचलितपणे शोध घेते आणि हे दर्शवते की डेटाबेसचा आकार कमी करताना त्यांना दडपून ठेवल्यास स्थान ओळखण्याची कार्यक्षमता लक्षणीयरीत्या सुधारते. आम्ही ही पद्धत अत्याधुनिक बॅग-ऑफ-फीचर्स मॉडेलसह तसेच क्वेरी विस्तारसह एकत्रितपणे दर्शवितो आणि दृश्यांच्या विस्तृत श्रेणी आणि प्रकाश परिस्थितीवर सामान्यीकृत स्थान ओळख दर्शवितो. गुगल स्ट्रीट व्ह्यू वरून डाउनलोड केलेल्या पॅरिसच्या 17 हजारांहून अधिक प्रतिमांच्या भौगोलिक टॅग केलेल्या डेटाबेसवर परिणाम दर्शविले आहेत. |
d72b366e1d45cbcddfe5c856b77a2801d8d0c11f | विद्यमान न्यूरल सिमेंटिक पार्सर प्रामुख्याने अनुक्रम एन्कोडर, म्हणजेच अनुक्रमे एलएसटीएमचा वापर करतात, जे इतर मौल्यवान वाक्यरचना माहिती जसे की अवलंबित्व आलेख किंवा घटक झाडे दुर्लक्ष करताना शब्द क्रम वैशिष्ट्ये काढतात. या लेखात, आम्ही प्रथम तीन प्रकारच्या वाक्यरचना माहितीचे प्रतिनिधित्व करण्यासाठी वाक्यरचना आलेख वापरण्याचा प्रस्ताव ठेवतो, म्हणजेच शब्द क्रम, अवलंबित्व आणि मतदारसंघ वैशिष्ट्ये. आम्ही पुढे एक ग्राफ-टू-सीक्वेंस मॉडेल वापरतो संवादाच्या ग्राफचे एन्कोड करण्यासाठी आणि तार्किक स्वरूपाचे डीकोड करण्यासाठी. बेंचमार्क डेटासेटवर प्रयोगात्मक परिणामांवरून असे दिसून आले आहे की आमचे मॉडेल जॉब्स 640, एटीआयएस आणि जिओ 880 वर अत्याधुनिक आहे. प्रतिकूल उदाहरणांवर प्रयोगात्मक परिणाम दर्शवितो की मॉडेलची मजबुती देखील अधिक संश्लेषणात्मक माहिती एन्कोड करून सुधारली जाते. |
32cde90437ab5a70cf003ea36f66f2de0e24b3ab | जटिल शहरी रस्त्यांच्या दृश्यांची दृश्य समज ही विस्तृत अनुप्रयोगांसाठी सक्षम करणारा घटक आहे. ऑब्जेक्ट डिटेक्शनला मोठ्या प्रमाणात डेटासेटचा फायदा झाला आहे, विशेषतः सखोल शिक्षणाच्या संदर्भात. मात्र, सिमेंटिक शहरी देखावा समजून घेण्यासाठी, सध्याचा कोणताही डेटासेट वास्तविक जगाच्या शहरी देखावांची जटिलता पुरेसे पकडत नाही. या समस्येवर तोडगा काढण्यासाठी आम्ही सिटीस्केप्स, एक बेंचमार्क संच आणि मोठ्या प्रमाणात डेटासेट सादर करतो जे पिक्सेल-स्तरीय आणि उदाहरण-स्तरीय सिमेंटिक लेबलिंगसाठी प्रशिक्षण आणि चाचणी पद्धती प्रदान करते. सिटीस्केप्समध्ये 50 वेगवेगळ्या शहरांमधील रस्त्यांवर रेकॉर्ड केलेल्या मोठ्या, विविध प्रकारच्या स्टिरिओ व्हिडिओ अनुक्रमांचा समावेश आहे. यापैकी 5000 प्रतिमांमध्ये उच्च दर्जाचे पिक्सेल-स्तरीय टिपण आहेत, 20 000 अतिरिक्त प्रतिमांमध्ये मोठ्या प्रमाणात कमकुवत-लेबल केलेल्या डेटाचा फायदा घेण्यासाठी पद्धती सक्षम करण्यासाठी कच्च्या टिपण आहेत. महत्त्वाचे म्हणजे, डेटासेटचा आकार, एनोटेशनची समृद्धता, दृश्यांची बदलता आणि जटिलता या बाबतीत आमचा प्रयत्न मागील प्रयत्नांपेक्षा जास्त आहे. आमच्या सोबत आलेल्या प्रायोगिक अभ्यासात डेटासेटच्या वैशिष्ट्यांचे सखोल विश्लेषण तसेच आमच्या बेंचमार्कवर आधारित अनेक अत्याधुनिक पध्दतींचे कार्यक्षमता मूल्यांकन केले आहे. |
7c5f143adf1bf182bf506bd31f9ddb0f302f3ce9 | |
ceb7784d1bebbc8e97e97cbe2b3b76bce1e708a5 | बिझनेस इंटेलिजन्स (बीआय) आजकाल प्रत्येकाच्या ओठांवर आहे, कारण यामुळे व्यवसायांना त्यांच्या व्यवसाय पद्धतींचे विश्लेषण करण्याची आणि त्या सुधारण्याची शक्यता उपलब्ध होते. मात्र, लहान आणि मध्यम उद्योग (एसएमई) अनेकदा कर्मचारी, ज्ञान किंवा पैशासारख्या कमतरतेमुळे बिझनेस इन्टेलिजन्सच्या सकारात्मक परिणामांचा लाभ घेऊ शकत नाहीत. एसएमई हा व्यवसाय संघटनेचा एक प्रमुख प्रकार असल्याने ही वस्तुस्थिती दूर केली पाहिजे. किरकोळ उद्योग हा एसएमई क्षेत्राचा एक महत्त्वाचा भाग असल्याने आम्ही किरकोळ एसएमईसाठी बीआय प्रणालीसाठी आंतर-संस्थागत दृष्टिकोन प्रस्तावित करतो, जे त्यांना एकत्रितपणे डेटा गोळा करण्यास आणि विश्लेषण कार्य करण्यास अनुमती देते. आमच्या सध्याच्या संशोधन प्रयत्नांचा उद्देश डिझाईन सायन्स रिसर्च मेथडॉलॉजीनुसार अशी प्रणाली विकसित करणे आहे. या लेखात किरकोळ उद्योगातील एसएमईमधील सध्याच्या बीआय पद्धतींची स्थिती दहा एसएमई व्यवस्थापकांच्या गुणवत्तेशी मुलाखतीद्वारे विश्लेषित केली गेली आहे. त्यानंतर, बीआय प्रणाली आणि इंटर-ऑर्गनायझेशनल इन्फॉर्मेशन सिस्टम्सचा अवलंब आणि यश घटक व्यापक संरचित साहित्य पुनरावलोकनात तयार केले जातात. या स्थितीवर आधारित आणि दत्तक आणि यश घटक, आंतर-संस्थागत बीआय प्रणालीच्या स्वीकृतीसाठी प्रथम आवश्यकता ओळखल्या जातात आणि गुणात्मक मुलाखतींच्या दुसर्या फेरीत सत्यापित केल्या जातात. यामुळे नऊ फंक्शनल आवश्यकता आणि तीन नॉन-फंक्शनल आवश्यकता निर्माण होतात, ज्याचा उपयोग खालील संशोधन प्रयत्नांमध्ये एसएमईसाठी आंतर-संस्थागत बीआय प्रणालीची रचना आणि अंमलबजावणी करण्यासाठी केला जाऊ शकतो. |
43e33e80d74205e860dd4b8e26b7c458c60e201a | आम्ही हे दर्शवितो की (अवशिष्ट) कन्वॉल्व्ह्युअल न्यूरल नेटवर्क (सीएनएन) चे आउटपुट वजन आणि पूर्वग्रहांवर योग्य पूर्ववर्ती आहे गॉसीयन प्रक्रिया (जीपी) अनंत अनेक कन्वॉल्व्ह्युअल फिल्टरच्या मर्यादेत, घन नेटवर्कसाठी समान परिणाम वाढवित आहे. सीएनएनसाठी, समतुल्य कर्नलची अचूक गणना केली जाऊ शकते आणि खोल कर्नल च्या विपरीत, फार कमी मापदंड आहेतः केवळ मूळ सीएनएनचे हायपरपॅरामीटर. या व्यतिरिक्त, आम्ही हे दाखवतो की या कर्नलमध्ये दोन गुणधर्म आहेत जे त्यास कार्यक्षमतेने गणना करण्यास परवानगी देतात; प्रतिमांच्या जोडीसाठी कर्नलचे मूल्यांकन करण्याची किंमत मूळ सीएनएनमधून फक्त एक फिल्टर प्रति लेयरसह एकाच फॉरवर्ड पाससारखी आहे. 32-लेयर रेझनेट समतुल्य कर्नलने एमएनआयएसटीवर 0.84% वर्गीकरण त्रुटी प्राप्त केली, जीपीसाठी पॅरामीटर्सची तुलनात्मक संख्या असणारा एक नवीन रेकॉर्ड. १ |
1e38c680492a958a2bd616a9a7121f905746a37e | बिटकॉइन प्रणाली (https://bitcoin.org) ही एक बनावट-अनामिक चलन आहे जी वापरकर्त्याला कोणत्याही वास्तविक जगाच्या ओळखीपासून विभक्त करू शकते. त्या संदर्भात, आभासी आणि भौतिक फाळणीचे यशस्वी उल्लंघन बिटकॉइन सिस्टममध्ये एक महत्त्वपूर्ण अडथळा दर्शविते [1]. या प्रकल्पात आम्ही बिटकॉइन व्यवहारांमागील वास्तविक जगातील वापरकर्त्यांविषयी माहिती कशी गोळा करावी हे दाखवणार आहोत. आम्ही क्रिप्टोकरन्सीबाबत सार्वजनिकरित्या उपलब्ध असलेल्या माहितीचे विश्लेषण करतो. बिटकॉइन वापरकर्त्याच्या खर्चाच्या सवयी तपासून त्याच्या भौतिक स्थानाची माहिती मिळवण्यावर आम्ही लक्ष केंद्रित करतो. |
2c0a239caa3c2c590e4d6f23ad01c1f77adfc7a0 | |
5f6d9b8461a9d774da12f1b363eede4b7088cf5d | यापूर्वीच्या संशोधनाच्या परिणामांनुसार UHF निष्क्रीय CMOS RFID टॅगमध्ये -20 dBm पेक्षा कमी संवेदनशीलता मिळवणे कठीण होते. या पेपरमध्ये ड्युअल-चॅनेल 15-बिट यूएचएफ निष्क्रिय सीएमओएस आरएफआयडी टॅग प्रोटोटाइप सादर केले आहे जे -20 डीबीएमपेक्षा कमी संवेदनशीलतेवर कार्य करू शकते. प्रस्तावित टॅग चिप ऊर्जा गोळा करते आणि 866.4-MHz (ETSI साठी) किंवा 925-MHz (FCC साठी) चॅनेलवर अपलिंक डेटा बॅकस्केटर करते आणि 433-MHz चॅनेलवर डाउनलिंक डेटा प्राप्त करते. परिणामी, डाऊनलिंक डेटा ट्रान्समिशनमुळे आरएफ उर्जेचा वापर करण्यापासून आमच्या टॅगला अडथळा येत नाही. एकत्रित केलेल्या ऊर्जेचा कार्यक्षमतेने वापर करण्यासाठी, आम्ही एक टॅग चिप डिझाइन करतो ज्यामध्ये नियामक किंवा व्हीसीओचा समावेश नाही जेणेकरून एकत्रित केलेली उर्जा डेटा प्राप्त करण्यासाठी, प्रक्रिया करण्यासाठी आणि बॅकस्कॅटरिंगसाठी पूर्णपणे वापरली जाते. नियामकाशिवाय, आमच्या टॅगमध्ये रिसीव्हर फ्रंट-एंडमध्ये शक्य तितक्या कमी सक्रिय एनालॉग सर्किट्सचा वापर होतो. त्याऐवजी, आमच्या टॅगमध्ये प्राप्त डेटा डीकोड करण्यासाठी एक नवीन डिजिटल सर्किट वापरला जातो. व्हीसीओशिवाय, आमच्या टॅगची रचना डाउनलिंक डेटामधून आवश्यक घड्याळ सिग्नल काढू शकते. मोजमापाच्या परिणामांनुसार प्रस्तावित निष्क्रीय टॅग चिपची संवेदनशीलता -21.2 डीबीएम पर्यंत पोहोचू शकते. अशा परिणामाचे अनुरुप 19.6 मीटर वाचक-टॅग अंतर 36-डीबीएम ईआयआरपी आणि 0.4-डीबीआय टॅग अँटेना गॅनिंग अंतर्गत आहे. टीएसएमसी 0.18- μm सीएमओएस प्रक्रियेत चिप तयार करण्यात आली. मर मर क्षेत्र 0.958 मिमी × 0.931 मिमी आहे. |
4991785cb0e6ee3d0b7823b59e144fb80ca3a83e | |
2f3a6728b87283ccf0f8822f7a60bca8280f0957 | एकत्रित शोध हे वेब शोध परिणामांमध्ये संभाव्यतः एकाधिक विशेष शोध सेवा किंवा अनुलंब पासून परिणाम एकत्रित करण्याचे कार्य आहे. या कामासाठी केवळ कोणत्या वर्टिकल सादर करायचे (सर्वाधिक मागील संशोधनाचे लक्ष) असा अंदाज करणे आवश्यक आहे, परंतु वेब परिणामांमध्ये त्यांना कुठे सादर करावे (म्हणजेच, वेब परिणामांच्या वर किंवा खाली किंवा कुठेतरी दरम्यान) अंदाज करणे देखील आवश्यक आहे. अनेक अनुलंब क्षेत्रातील परिणामांना एकत्रित करण्यासाठी मॉडेल शिकणे दोन प्रमुख आव्हानांशी संबंधित आहे. प्रथम, कारण अनुलंब विविध प्रकारचे परिणाम प्राप्त करतात आणि भिन्न शोध कार्ये संबोधित करतात, भिन्न अनुलंब पासून परिणाम विविध प्रकारच्या भविष्यवाणी पुराव्यांसह (किंवा वैशिष्ट्यांसह) संबंधित आहेत. दुसरे म्हणजे, जेव्हा एखादी वैशिष्ट्य उभ्या मार्गावर सामान्य असते, तेव्हा त्याची भविष्यवाणी देखील उभ्या-विशिष्ट असू शकते. म्हणून, अनुलंब परिणामांचे एकत्रिकरण करण्यासाठी दृष्टिकोन अनुलंब मध्ये एक असमंजसपणाचे वैशिष्ट्य प्रतिनिधित्व हाताळण्याची आवश्यकता आहे, आणि संभाव्यपणे, वैशिष्ट्ये आणि प्रासंगिकता दरम्यान एक अनुलंब-विशिष्ट संबंध. आम्ही 3 सामान्य पध्दती सादर करतो जे या आव्हानांना वेगवेगळ्या प्रकारे संबोधित करतात आणि 13 अनुलंब आणि 1070 क्वेरींच्या संचामध्ये त्यांचे परिणाम तुलना करतात. आम्ही दाखवतो की सर्वोत्तम पद्धती म्हणजे ज्यामुळे शिकणारा अल्गोरिदम वैशिष्ट्ये आणि प्रासंगिकता यांच्यातील अनुलंब-विशिष्ट संबंध शिकू शकतो. |
b8945cfb7ed72c0fd70263379c328b8570bd763f | |
a2770a51760a134dbb77889d5517550943ea7b81 | 2G/3G/LTE संप्रेषणासाठी उच्च लाभ असलेले कॉम्पॅक्ट ड्युअल-पोलराइज्ड ड्युअल-बँड सर्व-दिशात्मक अँटेना सादर केले आहे, ज्यात दोन क्षैतिज ध्रुवीकरण (एचपी) आणि एक अनुलंब ध्रुवीकरण (व्हीपी) घटक आहेत. वरच्या एचपी घटकामध्ये चार जोड्या सुधारित मुद्रित मॅग्नेटो-इलेक्ट्रिक (एमई) डायपोल असतात जे चार-मार्ग पॉवर डिवाइडर फीडिंग नेटवर्कद्वारे दिले जातात आणि आठ तुकडे आर्क-आकारातील परजीवी पॅच असतात जे वर्तुळाकार छापील सर्किट बोर्डच्या दोन्ही बाजूंनी वैकल्पिकरित्या छापले जातात. चार-मार्ग पॉवर डिव्हिडर फीडिंग नेटवर्कसह एमई डायपोल्सच्या चार जोड्या प्रामुख्याने स्थिर 360 डिग्री रेडिएशन पॅटर्न आणि उच्च लाभ प्रदान करतात, तर आठ तुकडे पॅच बँडविड्थ वाढविण्यासाठी वापरले जातात. खालचा एचपी घटक वरच्या भागासारखाच आहे, पण त्यात परजीवी पॅच नाहीत. व्हीपी घटकमध्ये चार जोड्या शंकूच्या आकाराच्या पॅच असतात. एचपी घटकापेक्षा वेगळा, वरचा व्हीपी घटक खालच्या वारंवारता बँड प्रदान करतो तर खालचा व्हीपी घटक वरच्या वारंवारता बँड प्रदान करतो. व्हीपी घटक आणि एचपी घटक लंबवतपणे व्यवस्थित केले जातात जेणेकरून कॉम्पॅक्ट आणि दुहेरी-ध्रुवीकृत वैशिष्ट्ये मिळतात. मापन परिणाम दर्शविते की एचपी दिशेने सुमारे २.६ डीबीआयच्या वाढीसह 39.6% (0.77-1.15 जीएचझेड) आणि सुमारे 4.5 डीबीआयच्या वाढीसह 55.3% (1.66-2.93 जीएचझेड) ची बँडविड्थ मिळवता येते, तर व्हीपी दिशेने सुमारे 4.4 डीबीआयच्या वाढीसह 128% (0.7-3.2 जीएचझेड) बँडविड्थ मिळवता येते. पोर्ट अलगाव 20 डीबी पेक्षा जास्त आणि 2 डीबीआयच्या आत कमी-गॅनिंग बदल पातळी देखील मिळविली जाते. त्यामुळे प्रस्तावित अँटेना 2G/3G/LTE इनडोअर कम्युनिकेशनसाठी योग्य आहे. |
33a1ee51cc5d51609943896a95c1371538f2d017 | |
1eb0bf4b9bf04e870962b742c4fc6cb330d1235a | बिझनेस प्रोसेस मॅनेजमेंट विषयक साहित्यिक साहित्यात दिलेल्या बिझनेस प्रोसेसची व्याख्या मर्यादित आहे आणि त्यांच्याशी संबंधित बिझनेस प्रोसेसचे मॉडेल त्यानुसार मर्यादित आहेत. उत्पादन प्रणालीपासून ते कार्यालयीन वातावरणात व्यवसाय प्रक्रिया मॉडेलिंग तंत्राच्या प्रगतीचा एक संक्षिप्त इतिहास दिल्यानंतर, या कागदपत्रामध्ये असे प्रस्तावित केले गेले आहे की बहुतेक व्याख्या एखाद्या प्रक्रियेच्या मशीन रूपकाच्या प्रकारच्या अन्वेषणावर आधारित आहेत. या तंत्रांचा उपयोग बहुधा समृद्ध आणि ज्ञानवर्धक असतो, परंतु आजच्या आव्हानात्मक वातावरणात विकसित होणाऱ्या आणि त्यास अनुकूल होणाऱ्या व्यवसायाच्या प्रक्रियेचे खरे स्वरूप व्यक्त करण्यासाठी ते खूपच मर्यादित आहेत, असे सुचवले जाते. |
bc018fc951c124aa4519697f1884fd5afaf43439 | ब्रॉडबँड प्लॅनर अँटेनाचे सैद्धांतिक आणि प्रायोगिक परिणाम सादर केले आहेत. या अँटेनामुळे विस्तृत बँडविड्थ, कमी क्रॉस-पोलरायझेशन पातळी आणि कमी मागील किरणे पातळी मिळू शकते. मोठ्या बँडविड्थ आणि सक्रिय सर्किटसह सुलभ एकत्रीकरणासाठी, हे एपर्चर-कपल्ड स्टॅक्ड स्क्वेअर पॅचेस वापरते. जोडणीचा दरवाजा एच आकाराचा असतो. परिमित-भिन्नता वेळ-डोमेन पद्धतीवर आधारित, अँटेनाच्या इनपुट प्रतिरोधकतेचा पॅरामीटर अभ्यास सादर केला जातो आणि प्रत्येक पॅरामीटरचा अँटेना प्रतिरोधकतेवर होणारा प्रभाव दर्शविला जातो. एक अँटेना देखील डिझाइन, बनविला आणि मोजला जातो. मोजलेल्या रिटर्न लॉसमध्ये 21.7% ची इम्पॅडन्स बँडविड्थ आहे. दोन्ही विमानात क्रॉस-पॉलिरेशनची पातळी २३ डीबीपेक्षा चांगली आहे. अँटेनाच्या रेडिएशन पॅटर्नचे फ्रंट टू बॅक रेशियो 22 डीबीपेक्षा चांगले आहे. पॅरामीटर्स आणि रेडिएशन पॅटर्नचे सैद्धांतिक आणि प्रायोगिक परिणाम सादर केले आणि चर्चा केली. |
5adcac7d15ec8999fa2beb62f0ddc6893884e080 | फिंगरप्रिंट ऑरिएन्टेशन फिंगरप्रिंट वर्धित करणे, फिंगरप्रिंट वर्गीकरण आणि फिंगरप्रिंट ओळखण्यात महत्वाची भूमिका बजावते. या लेखात फिंगरप्रिंट ऑरिअटेशनच्या आकलनातील प्राथमिक प्रगतीचा गंभीरपणे आढावा घेण्यात आला आहे. यामध्ये सध्याच्या पद्धतींचे फायदे आणि मर्यादांचा उल्लेख करण्यात आला आहे. भविष्यातील विकासाबाबत चर्चा झाली. कॉपीराईट © 2010 जॉन विले अँड सन्स, लिमिटेड |
568cff415e7e1bebd4769c4a628b90db293c1717 | प्रचंड प्रमाणात व्हिडिओ आता आश्चर्यकारक दराने काढले जात आहेत, परंतु त्यापैकी बहुतेक लेबल केलेले नाहीत. अशा प्रकारच्या डेटाचा सामना करण्यासाठी, आम्ही व्हिडिओंमध्ये सामग्री-आधारित क्रियाकलाप ओळखण्याच्या कार्यास मानले आहे, कोणत्याही मॅन्युअली लेबल केलेल्या उदाहरणाशिवाय, जे शून्य-शॉट व्हिडिओ ओळख म्हणून देखील ओळखले जाते. या साध्य करण्यासाठी, व्हिडिओ आढळलेल्या व्हिज्युअल संकल्पनांच्या दृष्टीने दर्शविले जातात, जे नंतर दिलेल्या मजकूर क्वेरीशी त्यांच्या समानतेनुसार संबंधित किंवा अप्रासंगिक म्हणून गुण दिले जातात. या पेपरमध्ये, आम्ही मागील कामाच्या अनेक नाजूकपणा आणि कमी अचूकतेच्या समस्या कमी करण्यासाठी संकल्पना स्कोअरिंगसाठी अधिक मजबूत दृष्टिकोन प्रस्तावित करतो. आम्ही केवळ अर्थसंबंध, दृश्य विश्वसनीयता आणि भेदभाव शक्ती यांचा विचार करत नाही. निवडलेल्या संकल्पनांच्या क्रमवारीत गोंधळ आणि नॉन-लाइनरिटी हाताळण्यासाठी, आम्ही स्कोअर एकत्रिकरणासाठी एक नवीन जोडीबद्ध ऑर्डर मॅट्रिक्सचा प्रस्ताव ठेवतो. मोठ्या प्रमाणात ट्रिकविड मल्टीमीडिया इव्हेंट डिटेक्शन डेटावर व्यापक प्रयोग केल्याने आमच्या दृष्टिकोनाची श्रेष्ठता दिसून आली आहे. |
a62ac71cd51124973ac57c87d09a3461ecbd8e61 | किमान सरासरी चौथ्या (एलएमएफ) अल्गोरिदमचे वर्तन विशेष स्वारस्य आहे. या अल्गोरिदमची तुलना एलएमएस अल्गोरिदमशी करताना, जेव्हा दोन्ही वजन विश्रांती प्रक्रियेसाठी समान वेळ स्थिरांक असतात, तेव्हा एलएमएफ अल्गोरिदम, काही परिस्थितीत, एलएमएस अल्गोरिदमपेक्षा कमी वजन आवाज असेल. म्हणून, शक्य आहे की, किमान चतुर्थांश त्रुटी अल्गोरिदम म्हणजे चौरस त्रुटी अल्गोरिदमपेक्षा कमीतकमी चौरस अंदाज घेण्याची चांगली नोकरी करू शकते. या कल्पनेचा परिणाम सर्व प्रकारच्या अनुकूली अल्गोरिदमवर होतो, मग ते सर्वात जास्त उतारावर आधारित असोत किंवा अन्यथा. अनुकूल फिल्टरिंगसाठी नवीन स्टिप्स्ट डिसेंट अल्गोरिदम तयार केले गेले आहेत आणि जे सरासरी चौथ्या आणि सरासरी सहाव्या इत्यादी अर्थाने त्रुटी कमी करण्यास परवानगी देतात. अनुकूलन दरम्यान, वजन त्यांच्या इष्टतम समाधानाच्या दिशेने घातीय विश्रांती घेते. टाईम स्थिरांक काढले गेले आहेत, आणि आश्चर्याची गोष्ट म्हणजे ते वेळ स्थिरांक प्रमाणात असल्याचे सिद्ध झाले आहे जे विड्रो आणि हॉफच्या सर्वात कमी उतार कमीतकमी मध्यम चौरस (एलएमएस) अल्गोरिदम वापरल्यास प्राप्त झाले असते. नवीन ग्रेडियंट अल्गोरिदम एलएमएस अल्गोरिदमपेक्षा प्रोग्राम करणे आणि गणना करणे अधिक जटिल आहे. त्यांचे सामान्य स्वरूप W J+l = w, t 2plqK-lx,, जेथे W, हा सध्याचा वेट वेक्टर आहे, W, + 1 हा पुढील वेट वेक्टर आहे, r, ही सध्याची त्रुटी आहे, X, हा सध्याचा इनपुट वेक्टर आहे, u स्थिरता आणि अभिसरण दर नियंत्रित करणारा स्थिर आहे, आणि 2 K त्रुटीचे घातांक कमीत कमी केले जात आहे. नवीन ग्रेडियंट अल्गोरिदमसाठी माध्य आणि भिन्नतेच्या वेट-वेक्टर अभिसरणसाठी अटी प्राप्त केल्या गेल्या आहेत. |
5896b9299d100bdd10fee983fe365dc3bcf35a67 | या लेखात सतत आरोग्य देखरेखीसाठी नॉन-इंवेसिव्ह वायरलेस सेन्सर प्लॅटफॉर्म सादर केले आहे. या सेन्सरमध्ये लूप अँटेना, वायरलेस सेन्सर इंटरफेस चिप आणि ग्लुकोज सेन्सर समाविष्ट आहे. आयसीमध्ये वीज व्यवस्थापन, रीडआउट सर्किट, वायरलेस कम्युनिकेशन इंटरफेस, एलईडी ड्रायव्हर आणि ऊर्जा स्टोरेज कॅपेसिटर 0.36-मिमी 2 सीएमओएस चिपमध्ये बाह्य घटक नसतात. आमच्या ग्लुकोज सेन्सरची संवेदनशीलता 0.18 μA·mm-2·mM-1 आहे. या यंत्रणेला वायरलेस पॉवर मिळते आणि 400 हर्ट्झ/एमएमची संवेदनशीलता असलेली 0.05-1 एमएमची मोजमाप ग्लुकोज श्रेणी मिळते. |
622c5da12c87ecc3ea8be91f79192b6e0ee559d2 | या सैद्धांतिक संश्लेषणात, आम्ही वापरकर्त्यांच्या सहभागावर आणि सहभागावर पूर्वीच्या संशोधनाच्या तीन परंपरांचा विचार करतोः वापरकर्त्यांच्या सहभागाच्या आणि आयएसच्या यशाच्या संबंधाबद्दल सर्वेक्षण आणि प्रायोगिक साहित्य, वैकल्पिक विकास दृष्टिकोनावर नियामक साहित्य आणि गुणात्मक अभ्यास जे विविध सैद्धांतिक दृष्टीकोनातून वापरकर्त्यांच्या सहभागाची तपासणी करतात. आम्ही तीन साहित्यिक संस्थांमध्ये केलेल्या प्रगतीचे मूल्यांकन करतो आणि वापरकर्त्यांची सहभाग वाढविण्यासाठी भविष्यातील संशोधनाची अंतरा आणि दिशा ओळखतो. |
24beb987b722d4a25d3157a43000e685aa8f8874 | या पेपरमध्ये एक सांख्यिकीय मॉडेल सादर केले आहे जे भाषेच्या भागाच्या टॅगसह टिप्पणी केलेल्या कॉर्पसमधून ट्रेन करते आणि त्यांना अत्याधुनिक अचूकतेसह पूर्वी न पाहिलेल्या मजकूराशी संबंधित करते मॉडेलला जास्तीत जास्त एन्ट्रोपी मॉडेल म्हणून वर्गीकृत केले जाऊ शकते आणि त्याच वेळी पीओएस टॅगचा अंदाज लावण्यासाठी अनेक संदर्भात्मक वैशिष्ट्ये वापरते याव्यतिरिक्त हा पेपर मॉडेलिंगच्या कठीण टॅगिंग निर्णयासाठी विशेष वैशिष्ट्यांचा वापर दर्शवितो या वैशिष्ट्यांच्या अंमलबजावणीदरम्यान आढळलेल्या कॉर्पस सुसंगततेच्या समस्यांवर चर्चा करते आणि या समस्या कमी करण्यासाठी प्रशिक्षण धोरणाचा प्रस्ताव देते |
6a2fe560574b76994ab1148b4dae0bfb89e3a3e3 | मानवी आकलनाचा एक महत्त्वाचा पैलू म्हणजे अपेक्षा करणे आणि मानव पुढील कोणत्या क्रियाकलाप करेल (आणि ते कसे करावे) याचा अंदाज घेणे हे बर्याच अनुप्रयोगांसाठी उपयुक्त आहे, उदाहरणार्थ, अपेक्षामुळे मानवी वातावरणात प्रतिक्रियाशील प्रतिसादांसाठी मदत रोबोटला आगाऊ योजना आखण्यास सक्षम करते. या कामात, आम्ही ऑब्जेक्ट अफोर्डन्सद्वारे समृद्ध अवकाशा-वेळ संबंधांबद्दल तर्क करून विविध संभाव्य भविष्यातील मानवी क्रियाकलाप तयार करण्यासाठी एक रचनात्मक दृष्टीकोन सादर करतो. आम्ही प्रत्येक संभाव्य भविष्याचे प्रतिनिधित्व करतो एक पूर्वानुमानित तात्पुरता सशर्त यादृच्छिक फील्ड (एटीसीआरएफ) वापरून जिथे आम्ही नमुने घेतो नोड्स आणि कडा भविष्यातील ऑब्जेक्ट ट्रॅजेक्टरीज आणि मानवी पोझस एक जनरेटिव्ह मॉडेलमधून. मग आम्ही एटीसीआरएफ कणांच्या संचाचा वापर करून संभाव्य भविष्यातील वितरण दर्शवितो. CAD-120 मानवी क्रियाकलाप आरजीबी-डी डेटासेटवर व्यापक मूल्यमापन, नवीन विषयांसाठी (प्रशिक्षण सेटमध्ये पाहिलेले नाही), आम्ही 75.4%, 69.2% आणि 58.1% ची क्रियाकलाप पूर्वानुमान अचूकता (प्रथम तीन अंदाज प्रत्यक्षात घडले की नाही हे परिभाषित केले आहे) अनुक्रमे 1, 3 आणि 10 सेकंदच्या पूर्वानुमान वेळेसाठी. १ |
ea38789c6687e7ccb483693046fff5293e903c51 | आम्ही एक बॅच रीइनफोर्समेंट लर्निंग (आरएल) अल्गोरिदम सादर करतो जो प्रत्येक धोरणाच्या गुणवत्तेबद्दल संभाव्य हमी प्रदान करतो आणि ज्यामध्ये तज्ञांच्या ट्युनिंगची आवश्यकता नसते. वापरकर्ता कोणत्याही कामगिरीची कमी मर्यादा, ρ− आणि विश्वास पातळी, δ निवडू शकतो आणि आमचा अल्गोरिदम हे सुनिश्चित करेल की ρ− पेक्षा कमी कामगिरीसह धोरण परत करण्याची संभाव्यता जास्तीत जास्त δ आहे. मग आम्ही एक वाढीव अल्गोरिदम प्रस्तावित करतो जो आमच्या धोरण सुधारणेचा अल्गोरिदम वारंवार चालवतो अनेक धोरण सुधारणे निर्माण करण्यासाठी. आम्ही आमच्या दृष्टिकोनाची व्यवहार्यता साध्या ग्रिडवर्ल्ड आणि मानक माउंटन कार समस्येसह दाखवतो, तसेच डिजिटल मार्केटिंग अनुप्रयोगासह जे वास्तविक जगाच्या डेटाचा वापर करते. |
780b05a35f2c7dd4b4d6e2a844ef5e145f1972ae | बहु-बदल संवादात, नैसर्गिक भाषा समजून घेण्याचे मॉडेल संदर्भ माहितीसाठी आंधळे असल्याने स्पष्ट त्रुटी आणू शकतात. संवाद इतिहास समाविष्ट करण्यासाठी, आम्ही स्पीकर-संवेदनशील ड्युअल मेमरी नेटवर्क्ससह एक न्यूरल आर्किटेक्चर सादर करतो जे स्पीकरवर अवलंबून वेगवेगळ्या प्रकारे एन्कोड करतात. यामुळे प्रणालीला उपलब्ध असलेल्या माहितीच्या वेगवेगळ्या प्रमाणात लक्ष दिले जाते - सिस्टमला वापरकर्त्याच्या वक्तव्याचे पृष्ठभाग स्वरूपच माहित असते तर सिस्टम आउटपुटचे अचूक शब्दार्थ देखील असते. आम्ही प्रयोग केले मायक्रोसॉफ्ट कॉर्टानाच्या वापरकर्त्यांच्या वास्तविक माहितीवर, एक व्यावसायिक वैयक्तिक सहाय्यक. परिणामी, संदर्भ माहिती वापरून अत्याधुनिक स्लॉट टॅगिंग मॉडेलपेक्षा कामगिरीत लक्षणीय सुधारणा झाली. |
259bbc822121df705bf3d5898ae031cd712505ea | 1मोबाईल कम्युनिकेशन्स विभाग, इलेक्ट्रिकल इंजिनिअरिंग आणि संगणक विज्ञान शाळा, बर्लिन टेक्निकल युनिव्हर्सिटी, बर्लिन, जर्मनी 2वायरलेस नेटवर्किंग, सिग्नल प्रोसेसिंग आणि सिक्युरिटी लॅब, इलेक्ट्रिकल आणि संगणक अभियांत्रिकी विभाग, ह्यूस्टन विद्यापीठ, ह्यूस्टन, टीएक्स 77004, यूएसए 3संचार प्रणाली विभाग, इलेक्ट्रिकल इंजिनिअरिंग विभाग (आयएसवाय), लिंकोपिंग युनिव्हर्सिटी, एसई -58 1 83 लिंकोपिंग, स्वीडन 4संचार प्रयोगशाळा, इलेक्ट्रिकल इंजिनिअरिंग आणि माहिती तंत्रज्ञान विद्यापीठ, ड्रेस्डेन युनिव्हर्सिटी ऑफ टेक्नॉलॉजी, 01062 ड्रेस्डेन, जर्मनी |
4eca7aa4a96300caf8622d666ecf5635d8b72132 | मानवी क्रियाकलाप अचूकपणे ओळखण्याची क्षमता स्वयंचलित पुनर्वसन आणि क्रीडा प्रशिक्षण प्रणाली विकसित करण्यासाठी आवश्यक आहे. या पेपरमध्ये, अंडर-आर्म-पहचलेल्या वेअरबल सेन्सरमधून प्राप्त झालेल्या मोठ्या प्रमाणात व्यायाम हालचाली डेटाचे वर्गीकरण कन्वॉल्युशनल न्यूरल नेटवर्क (सीएनएन) सह केले जाते. एक्सेलेरोमीटर आणि अभिमुखता मोजमापांचा समावेश असलेली टाइम-सीरीज डेटा प्रतिमा म्हणून स्वरूपित केली जाते, सीएनएनला स्वयंचलितपणे भेदभाव करणारी वैशिष्ट्ये काढण्याची परवानगी देते. प्रतिमा स्वरूपन आणि विविध सीएनएन आर्किटेक्चरच्या परिणामांवर तुलनात्मक अभ्यास देखील सादर केला आहे. सर्वोत्तम कामगिरी करणारी संरचना 50 जिम व्यायाम 92.1% अचूकतेसह वर्गीकृत करते. |
1b1a829c43f1a4f3a3d70f033a1b8e7bee1f7112 | |
6abac64862f7d207cac58c6a93f75dc80d74e575 | |
5fb874a1c8106a5b2b2779ee8e1433149109ba00 | डेटामधून बेयसियन नेटवर्क शिकण्यासाठी अल्गोरिदममध्ये दोन घटक असतात: एक स्कोअरिंग मेट्रिक आणि एक शोध प्रक्रिया. स्कोअरिंग मेट्रिक डेटाच्या संरचनेच्या चांगल्या-ऑफ-टीची गणना करणारा स्कोअर गणना करतो. शोध प्रक्रियेमध्ये उच्च स्कोअर असलेल्या नेटवर्क संरचना ओळखण्याचा प्रयत्न केला जातो. हेकरमन व इतर (1995) बेझियन मेट्रिकची ओळख करून देते, ज्याला बीडीई मेट्रिक म्हणतात, जे दिलेल्या डेटाच्या नेटवर्क संरचनेच्या सापेक्ष मागील संभाव्यतेची गणना करते. या पेपरमध्ये, आम्ही दाखवतो की बेझियन नेटवर्कची ओळख पटवण्याची समस्या ज्यामध्ये प्रत्येक नोडमध्ये जास्तीत जास्त के पालक असतात ज्यामध्ये दिलेल्या स्थिरतेपेक्षा जास्त सापेक्ष मागील संभाव्यता असते, जेव्हा बीडी मेट्रिक वापरली जाते तेव्हा एनपी-पूर्ण असते. 12.1 परिचय अलीकडे, अनेक संशोधकांनी बेयसियन नेटवर्क शिकण्यासाठी पद्धतींचा शोध लावायला सुरुवात केली आहे. यापैकी बर्याच पद्धतींमध्ये समान मूलभूत घटक आहेत: एक स्कोअरिंग मेट्रिक आणि शोध प्रक्रिया. स्कोअरिंग मेट्रिकने निरीक्षण केलेल्या प्रकरणांचा डेटाबेस डी आणि नेटवर्क स्ट्रक्चर बी एस घेते आणि डेटाच्या गुणवत्तेचे रेकॉर्डिंग स्कोअर परत करते. एक शोध प्रक्रिया स्कोअरिंग मेट्रिकद्वारे मूल्यांकन करण्यासाठी नेटवर्क तयार करते. या पद्धतींमध्ये नेटवर्क संरचना किंवा संरचनांचा संच ओळखण्यासाठी दोन घटकांचा वापर केला जातो ज्याचा उपयोग भविष्यातील घटनांचा अंदाज लावण्यासाठी किंवा कारणे आणि परिणाम यांचे संबंध ठरवण्यासाठी केला जाऊ शकतो. कूपर आणि हर्स्कोविट्स (1992) यांनी येथे CH म्हणून संदर्भित केलेले बेझियन मेट्रिक व्युत्पन्न केले, ज्याला आपण बीडी मेट्रिक म्हणतो, केवळ वेगळ्या चलनांसह बेझियन नेटवर्क शिकण्याबद्दल वाजवी गृहीतकांच्या संचावरून. हेकरमन व इतर (१९९५) यामध्ये एचजीसी म्हणून संदर्भित आहे आणि सीएचच्या कामावर आधारित एक नवीन मेट्रिक तयार करण्यासाठी, ज्याला आपण बीडी मेट्रिक म्हणतो, ज्यामध्ये संभाव्यता समतुल्यतेचे इच्छित गुणधर्म आहे. संभाव्य समतुल्यता म्हणते की डेटा समतुल्य संरचनांमध्ये भेदभाव करण्यास मदत करू शकत नाही. आता आम्ही सीएच द्वारे व्युत्पन्न बीडी मेट्रिक सादर करतो. आम्ही बी एच एस चा वापर या गृहीतेला दर्शविण्यासाठी करतो की बी एस हा डेटाबेस तयार करणाऱ्या वितरणचा आय-मॅप आहे. 2 विश्वास-नेटवर्क संरचना B S दिलेली आहे , आम्ही x i चे पालक दर्शविण्यासाठी i वापरतो. आपण r i चा वापर करतो, x i च्या स्थितीची संख्या दर्शविण्यासाठी, आणि q i = Q x l 2 i r l चा वापर करतो, i च्या उदाहरणांची संख्या दर्शविण्यासाठी. आपण पूर्णांक j चा वापर करून या उदाहरणांची अनुक्रमणिका बनवतो. म्हणजेच, आपण i = j लिहितो जे x i च्या पालकांच्या jth उदाहरणाचे निरीक्षण दर्शवते. १९९६ स्प्रिंगर-वेर्लाग. २ एक आहे . . . |
7783fd2984ac139194d21c10bd83b4c9764826a3 | संभाव्य पद्धती ज्यामुळे क्षेत्रे तयार होतात, संगणकीय साधनांची. पण मला काढून टाकण्याची गरज होती, बेयसियन नेटवर्कने अलीकडेच जोरदार काम केले. नुकतेच मी हे पुस्तक प्रकाशित केले. इंटेलिजेंट सिस्टम्समध्ये संशोधक, एआय ऑपरेशन्स रिसर्च एक्सीलेंस पुरस्कार पदवीधर मी कशी आहे याबद्दल खूप काळजीत आहे. प्रत्यक्षात डेफनी कोलर आणि शिक्षण संरचना पुराव्यात्मक तर्क. पर्ल ही एक भाषा आहे. प्रकाशन लवकर असूनही, ते उत्तम संदर्भ देत नाही. |
5c386d601ffcc75f7635a4a5c6066824b37b9425 | आजकाल, नोंदणी फॉर्मसह लोकप्रिय वेबसाइट शोधणे कठीण आहे जे स्वयंचलित मानवी पुरावा चाचणीद्वारे संरक्षित नाही जे प्रतिमेमध्ये वर्णांची क्रमवारी दर्शवते आणि वापरकर्त्यास इनपुट फील्डमध्ये क्रमवारी प्रविष्ट करण्यास सांगते. ही सुरक्षा यंत्रणा ट्युरिंग टेस्टवर आधारित आहे - कृत्रिम बुद्धिमत्तेतील सर्वात जुन्या संकल्पनांपैकी एक - आणि बहुतेकदा याला कॉम्प्युटर आणि मानवांना वेगळे करण्यासाठी पूर्णपणे स्वयंचलित सार्वजनिक ट्युरिंग टेस्ट (कॅप्चा) असे म्हणतात. या प्रकारची चाचणी ही एक महत्वाच्या वेब संसाधनावर स्वयंचलित प्रवेश रोखण्यासाठी केली गेली आहे, उदाहरणार्थ, वेब मेल सेवा किंवा सोशल नेटवर्क. सध्या अशा प्रकारच्या शेकडो चाचण्या केल्या जातात, ज्यांना दिवसातून लाखो वेळा सेवा दिली जाते, त्यामुळे प्रचंड प्रमाणात मानवी काम करावे लागते. दुसरीकडे, यापैकी अनेक चाचण्या मोडल्या गेल्या आहेत, म्हणजेच संशोधक, हॅकर्स आणि स्पॅमर्स यांनी डिझाइन केलेले स्वयंचलित प्रोग्राम स्वयंचलितपणे योग्य उत्तर देण्यास सक्षम आहेत. या अध्यायात, आम्ही कॅप्चाचा इतिहास आणि संकल्पना, त्यांच्या अनुप्रयोगांसह आणि त्यांच्या उदाहरणांचा विस्तृत आढावा सादर करतो. आम्ही वापरकर्त्याच्या आणि सुरक्षा दृष्टीकोनातून, वापरयोग्यता, हल्ले आणि प्रतिसादासह त्यांच्या मूल्यांकनावर देखील चर्चा करतो. या अध्यायात वाचकांना या मनोरंजक क्षेत्राचा चांगला आढावा मिळेल अशी अपेक्षा आहे. कॉम्प्युटरमध्ये सीईएस, व्हॉल्यूम. 83 109 कॉपीराइट © 2011 Elsevier Inc. 65-2458/DOI: 10.1016/B978-0-12-385510-7.00003-5 सर्व हक्क राखीव आहेत. ११० जे. एम. गोमेझ हिडाल्गो आणि ग्लेव्हरेज मराणोन १. परिचय . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी ११०१.१. ट्युरिंग टेस्ट आणि कॅप्चाची उत्पत्ती . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी ११२. प्रेरणा आणि अर्ज . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १२७ ३.१. ओ सी आर . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी 130 3 . 2 . मी वृद्ध आहे . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी 135 ३.३. एक ऑडिओ . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १४३ ३.४ C cognitive . (संज्ञानात्मक) . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी 173 आर संदर्भ . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १७३ . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १५४ ५. S सुरक्षा आणि कॅप्चावरील हल्ले . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १५६ ५.१. कॅप्चावर हल्ला . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १५८ ५.२. कॅप्चावरील सुरक्षा आवश्यकता . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १६९६. कॅप्चाला पर्याय . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १७१७. C निष्कर्ष आणि भविष्यातील ट्रेंड . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १४४ ४. कॅप्चाचे मूल्यमापन करणे . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी 146 ४.१.१. ई कार्यक्षमता . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी 147 ४.२. एक प्रवेशयोग्यता समस्या . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १५२ ४.३ P राॅटिक विचार . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी ११६ २.१. कॅप्चाचे सामान्य वर्णन . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी ११६ २.२. कॅप्चाचे अपेक्षित गुणधर्म . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी ११७ २.३. मी अंमलबजावणी आणि उपयोजन. . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी ११९ २.४. A pplications आणि रोबोट्सचा उदय . . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी १२१३. कॅप्चाचे प्रकार . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी . . मी |
941a668cb77010e032a809861427fa8b1bee8ea0 | ईसीजी विश्लेषण आणि अर्थ लावणीसाठी सिग्नल प्रोसेसिंग आज बहुसंख्य प्रणालींमध्ये केली जाते. ईसीजी सिग्नल प्रोसेसिंगचे उद्दीष्ट अनेक प्रकारचे आहे आणि त्यात मापन अचूकता आणि पुनरुत्पादकता (हाताने मोजमापांच्या तुलनेत) सुधारणे आणि सिग्नलमधून सहजपणे उपलब्ध नसलेली माहिती काढणे यांचा समावेश आहे. अनेक परिस्थितींमध्ये, ईसीजीची नोंद एंबुलेटरी किंवा थकवाच्या परिस्थितीत केली जाते ज्यामुळे सिग्नल वेगवेगळ्या प्रकारच्या आवाजामुळे खराब होतो, कधीकधी शरीराच्या दुसर्या शारीरिक प्रक्रियेपासून उद्भवते. त्यामुळे ध्वनी कमी करणे हे ईसीजी सिग्नल प्रोसेसिंगचे आणखी एक महत्त्वाचे उद्दीष्ट आहे; खरं तर, रूची असलेल्या तरंगरूप कधीकधी ध्वनीने इतके जोरदारपणे लपवले जातात की योग्य सिग्नल प्रोसेसिंग प्रथम लागू केल्यानंतरच त्यांची उपस्थिती उघड केली जाऊ शकते. अंतःकरणाच्या तालातील व्यत्यय ओळखण्याच्या उद्देशाने दीर्घ कालावधीत (म्हणजे अनेक दिवस) इलेक्ट्रोकार्डियोग्राफिक सिग्नल रेकॉर्ड केले जाऊ शकतात. परिणामी, तयार केलेली ईसीजी रेकॉर्डिंग प्रचंड डेटा आकाराची असते जी उपलब्ध स्टोरेज स्पेस लवकर भरते. सार्वजनिक टेलिफोन नेटवर्कवर सिग्नलचे प्रसारण हा आणखी एक अनुप्रयोग आहे ज्यामध्ये मोठ्या प्रमाणात डेटाचा समावेश आहे. दोन्ही परिस्थितींमध्ये, डेटा कॉम्प्रेशन ही एक आवश्यक ऑपरेशन आहे आणि परिणामी, ईसीजी सिग्नल प्रोसेसिंगचे आणखी एक उद्दीष्ट आहे. सिग्नल प्रोसेसिंगने ईसीजी आणि त्याच्या गतिमान गुणधर्मांच्या नवीन समजात लक्षणीय योगदान दिले आहे, जे लय आणि बीट मॉर्फोलॉजीमधील बदलांद्वारे व्यक्त केले जाते. उदाहरणार्थ, तंत्र विकसित केले गेले आहे जे हृदय व रक्तवाहिन्यासंबंधी प्रणालीशी संबंधित दोलन दर्शविते आणि हृदयाच्या गतीमध्ये सूक्ष्म बदल करून प्रतिबिंबित होते. टी वेव्ह अॅम्प्लिट्यूडमध्ये कमी पातळीवरील, वैकल्पिक बदलांचा शोध घेणे हे दोलन वर्तनाचे आणखी एक उदाहरण आहे जे अचानक, जीवघेणा धमकी देणारे अरिदमियाच्या वाढीच्या जोखमीचे सूचक म्हणून स्थापित केले गेले आहे. या दोन्ही दोलन सिग्नल गुणधर्मांपैकी कोणतेही नॉन-स्टँडर्ड ईसीजी प्रिंटआउटमधून उघड्या डोळ्याने पाहिले जाऊ शकत नाही. ईसीजी विश्लेषण सर्व प्रकारच्या सामान्य - तो विश्रांती ईसीजी अर्थ लावणे, ताण चाचणी, प्रवासी देखरेख, किंवा गहन काळजी देखरेख संबंधित आहे की नाही - अल्गोरिदम मूलभूत संच आहे की आवाज आणि कलाकृती विविध प्रकारच्या संबंधित सिग्नल स्थिती, हृदय स्पंदने शोधणे, मूलभूत ईसीजी मापन वेव्ह amplitudes आणि कालावधी, आणि डेटा संकलित कार्यक्षम संचय किंवा प्रसारण; आकृती मध्ये ब्लॉक आकृती. 1 सिग्नल प्रोसेसिंग अल्गोरिदमचा हा संच सादर करतो. जरी हे अल्गोरिदम वारंवार अनुक्रमे क्रमाने कार्य करण्यासाठी लागू केले गेले असले तरी, क्यूआरएस डिटेक्टरद्वारे तयार केलेल्या हृदयाची धडधड होण्याच्या वेळेची माहिती कधीकधी कार्यक्षमता सुधारण्यासाठी इतर अल्गोरिदममध्ये समाविष्ट केली जाते. प्रत्येक अल्गोरिदमची जटिलता अनुप्रयोगांनुसार बदलते, उदाहरणार्थ, एंबुलेटरी मॉनिटरिंगमध्ये केलेले आवाज फिल्टरिंग विश्रांतीच्या ईसीजी विश्लेषणापेक्षा आवश्यक आहे. एकदा अल्गोरिदमच्या मूलभूत संचाद्वारे तयार केलेली माहिती उपलब्ध झाल्यावर, ईसीजी अनुप्रयोगांची विस्तृत श्रेणी अस्तित्वात आहे जिथे हृदय ताल आणि बीट मॉर्फोलॉजी गुणधर्म मोजण्यासाठी सिग्नल प्रोसेसिंग वापरणे मनोरंजक आहे. अशा दोन अनुप्रयोगांशी संबंधित सिग्नल प्रोसेसिंग-उच्च-रिझोल्यूशन ईसीजी आणि टी वेव्ह अल्टरनेटर-या लेखाच्या शेवटी थोडक्यात वर्णन केले आहे. रस असलेल्या वाचकास संदर्भित केले जाते, उदाहरणार्थ, रेफ. 1, जिथे इतर ईसीजी अनुप्रयोगांचे तपशीलवार वर्णन आढळू शकते. |
b681da8d4be586f6ed6658038c81cdcde1d54406 | या पत्रात, एक नवीन ड्युअल-बँड आणि ध्रुवीकरण-लवचिक सब्सट्रेट इंटिग्रेटेड वेव्हगाइड (एसआयडब्ल्यू) पोकळी अँटेना प्रस्तावित आहे. अँटेनासाठी वापरल्या जाणाऱ्या एसआयडब्ल्यू गुहाला त्याच्या पहिल्या अनुनादसाठी पारंपरिक टीई 120 मोडद्वारे उत्तेजित केले जाते. स्लॉटच्या हस्तक्षेपामुळे, सुधारित-टीई 120 मोडद्वारे उत्तेजित केलेला दुसरा अनुनाद देखील तयार केला जातो, ज्यामुळे दोन अनुनाद फ्रिक्वेन्सीवर ब्रॉडसाइड रेडिएशन पॅटर्न उपलब्ध होतो. याव्यतिरिक्त, प्रस्तावित अँटेनामध्ये दोन ऑर्थोगोनल फीडिंग लाईन्स आहेत. म्हणून, कोणत्याही सहा प्रमुख ध्रुवीकरण राज्ये प्रदान करणे शक्य आहे. या पत्रात, तीन प्रमुख ध्रुवीकरण प्रकरणांची नक्कल केली जाते आणि मोजलेल्या परिणामांशी तुलना केली जाते. आधुनिक संप्रेषण प्रणालीला बहुउपयोगी अँटेनाची आवश्यकता असल्याने प्रस्तावित अँटेना संकल्पना एक आशादायक उमेदवार आहे. |
cf18287e79b1fd73cd333fc914bb24c00a537f4c | जटिल कौशल्ये स्वतः शिकण्यासाठी, रोबोट्सना मानवी देखरेखीशिवाय स्वतःहून गोळा केलेल्या डेटावरून शिकण्याची क्षमता असणे आवश्यक आहे. एक शिकण्याचे सिग्नल जे नेहमी उपलब्ध असते स्वायत्तपणे गोळा केलेल्या डेटासाठी अंदाज आहे. जर रोबोट भविष्याचा अंदाज लावायला शिकू शकला तर तो या अंदाज मॉडेलचा वापर इच्छित परिणाम मिळवण्यासाठी कारवाई करण्यासाठी करू शकतो, जसे की एखाद्या वस्तूला एका विशिष्ट ठिकाणी हलविणे. तथापि, जटिल मुक्त-जगातील परिस्थितींमध्ये, भविष्यवाणीसाठी प्रतिनिधित्व डिझाइन करणे कठीण आहे. या कामामध्ये, आम्ही थेट व्हिडिओ अंदाज करून स्व-नियंत्रित रोबोट शिकणे सक्षम करण्याचे लक्ष्य ठेवतो: एक चांगला प्रतिनिधित्व डिझाइन करण्याचा प्रयत्न करण्याऐवजी, आम्ही रोबोट पुढे काय पाहणार आहे याचा थेट अंदाज लावतो, आणि नंतर हे मॉडेल इच्छित उद्दीष्टे साध्य करण्यासाठी वापरतो. रोबोटिक मॅनिपुलेशनसाठी व्हिडिओ अंदाज लावण्यात एक महत्त्वाचे आव्हान म्हणजे जटिल अवकाशीय व्यवस्था जसे की ऑक्ल्युशन्स हाताळणे. यासाठी आम्ही एक व्हिडिओ अंदाज मॉडेल सादर करतो जे ऑक्ल्यूशनद्वारे वस्तूंचा मागोवा ठेवू शकते. नवीन नियोजन निकष आणि कृती क्षेत्राच्या सूत्रे यांच्यासह आम्ही हे दाखवतो की हे मॉडेल व्हिडिओ अंदाज आधारित नियंत्रणाच्या मागील कार्यापेक्षा लक्षणीय आहे. आमच्या परिणामांमध्ये प्रशिक्षणात न दिसणाऱ्या वस्तू हाताळणे, अनेक वस्तू हाताळणे आणि अडथळ्यांच्या आसपास वस्तू ढकलणे हे दिसून आले आहे. या परिणामामुळे स्व-नियंत्रित रोबोट शिकण्याद्वारे पूर्णपणे साध्य करता येणाऱ्या कौशल्यांच्या श्रेणी आणि जटिलतेत लक्षणीय प्रगती झाली आहे. |
89701a3b04c3f102ebec83db3249b20791eacb38 | संदर्भ जागरूकता ही संदर्भ जागरूक सेवा सक्षम करण्यासाठी एक महत्त्वाची मालमत्ता आहे. मोबाईल डिव्हाइससाठी, वापरकर्त्याचे स्थान किंवा मार्गक्रमण हे एक महत्त्वाचे संदर्भ आहे. मोबाईल डिव्हाइसद्वारे स्थान किंवा प्रवाहाचा शोध घेण्यासाठी एक सामान्य आव्हान म्हणजे अचूकता आणि उर्जा वापरामधील तडजोड व्यवस्थापित करणे. सामान्य दृष्टिकोन म्हणजे (1) सेन्सरच्या वापराची वारंवारता नियंत्रित करणे आणि (2) सेन्सर फ्यूजन तंत्रज्ञान. या पेपरमध्ये प्रस्तावित अल्गोरिदम सेल टॉवरमधून वारंवार मोजलेल्या कच्च्या आणि चुकीच्या स्थान डेटाचे विलीनीकरण करून अचूकता सुधारण्यासाठी एक वेगळा दृष्टिकोन घेते. चाचणीच्या परिणामावरून असे दिसून आले आहे की 41 दिवसांच्या मापनच्या डेटाचे विलीनीकरण करून शोधलेल्या ट्रॅजेक्टरी आणि ग्राउंड सत्य यांच्यातील सरासरी त्रुटी अंतर 44 मीटर वरून 10.9 मीटर पर्यंत सुधारले आहे. |
a85ad1a2ee829c315be6ded0eee8a1dadc21a666 | कॉम्प्युटर व्हिजनमध्ये स्वयंचलित आणि सहाय्यक ड्रायव्हिंग हे निःसंशयपणे गरम विषय आहेत. मात्र, वाहन चालवणं हे अत्यंत जटिल काम आहे आणि वाहनचालकांच्या वर्तनाविषयी सखोल माहिती अद्यापही उपलब्ध नाही. अनेक संशोधक आता दृश्यातील लक्षवेधी आणि मनोरंजक वस्तू शोधण्यासाठी संगणकीय मॉडेल परिभाषित करण्यासाठी लक्ष देण्याच्या यंत्रणेची तपासणी करीत आहेत. तथापि, यापैकी बहुतेक मॉडेल केवळ तळापासून वरच्या दृश्यमानतेचा संदर्भ देतात आणि स्थिर प्रतिमांवर लक्ष केंद्रित करतात. त्याऐवजी, ड्रायव्हिंग अनुभवादरम्यान, कामाचे तात्पुरते स्वरूप आणि वैशिष्ट्य लक्ष देण्याच्या यंत्रणेवर परिणाम करते, ज्यामुळे असा निष्कर्ष काढला जातो की वास्तविक जीवनातील ड्रायव्हिंग डेटा अनिवार्य आहे. या लेखात आम्ही एक नवीन आणि सार्वजनिकरित्या उपलब्ध डेटासेटचा प्रस्ताव ठेवतो जो प्रत्यक्ष ड्रायव्हिंग दरम्यान प्राप्त केला जातो. आमच्या डेटासेटमध्ये 500,000 पेक्षा जास्त फ्रेम आहेत, त्यात चालकांच्या दृष्टीकोनाचे निर्धारण आणि त्यांचे तात्पुरते एकत्रीकरण आहे जे विशिष्ट कार्ये-विशिष्ट लक्षणीयता नकाशे प्रदान करते. भौगोलिक संदर्भित स्थान, वाहनचालक गती आणि मार्गाने जारी केलेल्या डेटाचा संच पूर्ण केला जातो. आमच्या माहितीनुसार, हा या प्रकारचा पहिला सार्वजनिकरित्या उपलब्ध डेटासेट आहे आणि भविष्यातील स्वयंचलित आणि सहाय्यक कारमध्ये चालकाची लक्ष प्रक्रिया अधिक चांगल्या प्रकारे समजून घेणे, शोषण करणे आणि पुनरुत्पादित करण्यावर नवीन चर्चांना चालना देऊ शकते. |
a0ff514a8a64ba5a7cd7430ca04245fd037d040c | या पेपरमध्ये 2012 आणि 2013 च्या आयसीआयएस पूर्व कार्यक्रमांच्या शैक्षणिक आणि उद्योगाच्या चर्चेवर आधारित आहेः बीआय काँग्रेस III आणि निर्णय समर्थन प्रणाली (एसआयजीडीएसएस) वर विशेष व्याज गटाचे कार्यशाळा. निर्णय घेण्यासाठी आणि नाविन्यपूर्णतेसाठी नवीन अंतर्दृष्टी देण्यासाठी "बिग डेटा" ची क्षमता ओळखून, दोन कार्यक्रमांच्या पॅनेलमध्ये सहभागी झालेल्यांनी स्पर्धात्मक फायद्यासाठी संस्था मोठ्या डेटाचा कसा वापर आणि व्यवस्थापन करू शकतात यावर चर्चा केली. याव्यतिरिक्त, तज्ज्ञ पॅनेलर्सनी संशोधनातील अंतर ओळखण्यास मदत केली. शैक्षणिक क्षेत्रात उदयोन्मुख संशोधनाने बिग डेटा मिळवणे, त्याचे विश्लेषण करणे आणि त्याचा वापर करण्याच्या काही समस्या ओळखल्या आहेत, तर अनेक नवीन घडामोडी व्यावसायिकांच्या समुदायात घडत आहेत. आम्ही शैक्षणिक आणि व्यावहारिक संशोधनातील अंतर कमी करतो मोठ्या डेटा विश्लेषणाची चौकट सादर करून जे संस्थांमध्ये मोठ्या डेटा विश्लेषणासाठी आवश्यक घटकांची प्रक्रिया दृश्य दर्शवते. अभ्यासक मुलाखती आणि शैक्षणिक आणि सराव दोन्ही साहित्य वापरून, आम्ही फ्रेमवर्क मार्गदर्शन मोठ्या डेटा संशोधन वर्तमान स्थिती ओळखण्यासाठी आणि भविष्यात संशोधन संभाव्य भागात प्रस्तावित अभ्यास प्रासंगिकता वाढविण्यासाठी शैक्षणिक संशोधन. |
34d03cfb02806e668f9748ee60ced1b269d1db6c | |
0607acbb450d2afef7f2aa5b53bb05966bd065ed | डीप न्यूरल नेटवर्क्स (डीएनएन) ने मोठ्या प्रमाणात शब्दसंग्रह सतत भाषण ओळख (एलव्हीसीएसआर) कार्यांसाठी प्रचंड यश मिळवले आहे, परंतु या नेटवर्कचे प्रशिक्षण मंद आहे. याचे एक कारण म्हणजे डीएनएनला मोठ्या संख्येने प्रशिक्षण पॅरामीटर्स (म्हणजे १०-५० दशलक्ष) सह प्रशिक्षण दिले जाते. चांगले कामगिरी साध्य करण्यासाठी नेटवर्क मोठ्या संख्येने आउटपुट लक्ष्यांसह प्रशिक्षित केल्यामुळे, हे घटक बहुतांश अंतिम वजन थरामध्ये आहेत. या पेपरमध्ये, आम्ही अंतिम वजन थराचे कमी रँक मॅट्रिक्स फॅक्टराइझेशन प्रस्तावित करतो. आम्ही ही कमी दर्जाची तंत्रज्ञान डीएनएन वर लागू करतो ध्वनिक मॉडेलिंग आणि भाषा मॉडेलिंग दोन्हीसाठी. आम्ही दाखवतो की 50 ते 400 तासांच्या दरम्यानच्या तीन वेगवेगळ्या एलव्हीसीएसआर कार्यांवर कमी रँकचे फॅक्टरायझेशन नेटवर्कच्या पॅरामीटर्सची संख्या 30-50% कमी करते. याचा परिणाम म्हणून प्रशिक्षण वेळेत अंदाजे समतुल्य कमी होते, अंतिम ओळख अचूकतेमध्ये लक्षणीय नुकसान न करता, पूर्ण रँकच्या प्रतिनिधीत्वाच्या तुलनेत. |
56c16d9e2a5270ba6b1d83271e2c10916591968d | |
56c2fb2438f32529aec604e6fc3b06a595ddbfcc | अलीकडेच, आघाडीच्या चेहर्यावरील प्रतिमांवरून लैंगिक वर्गीकरणासाठी अनेक मशीन लर्निंग पद्धती प्रस्तावित केल्या गेल्या आहेत. या समस्यांचे निराकरण करण्यासाठी एकमेव किंवा सर्वसामान्य उपाय नाही, असे त्यांचे विविधता दर्शविते. पद्धतींच्या विविधतेव्यतिरिक्त, त्यांचे मूल्यांकन करण्यासाठी वापरल्या जाणाऱ्या बेंचमार्कची विविधता देखील आहे. या गोष्टीमुळेच आम्हाला आमच्या कामाची प्रेरणा मिळाली. स्वयंचलित लिंग ओळखण्यासाठी वापरल्या जाणाऱ्या अत्याधुनिक पद्धतींची निवड आणि तुलना करणे. अपेक्षेप्रमाणे, एकूण विजेता नाही. या वर्गीकरणाच्या अचूकतेवर आधारित विजेता, वापरल्या जाणाऱ्या बेंचमार्कच्या प्रकारावर अवलंबून असतो. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.