_id
stringlengths 40
40
| text
stringlengths 0
9.56k
|
|---|---|
a0117ec4cd582974d06159644d12f65862a8daa3 | डीप विश्वास नेटवर्क (डीबीएन) हे अनेक स्तरांच्या लपलेल्या कारण-परिवर्तनांसह जनरेटिव्ह मॉडेल आहेत, ज्यात नुकतेच हिंटन, ओसिंदरो आणि तेह (२००)) यांनी एक लोभी लेयर-वार अनसुप्रिव्हिज्ड लर्निंग अल्गोरिदमसह सादर केले आहे. ले रुक्स आणि बेंगियो (2008) आणि सुटस्केव्हर आणि हिंटन (2008) वर आधारित, आम्ही हे दर्शवितो की सखोल परंतु अरुंद जनरेटिव्ह नेटवर्कला सार्वत्रिक अंदाजेपणा प्राप्त करण्यासाठी उथळ असलेल्यांपेक्षा अधिक पॅरामीटर्सची आवश्यकता नसते. पुरावा तंत्र वापरून, आम्ही सिद्ध करतो की सिग्मोइडल युनिट्ससह खोल पण अरुंद फीडफॉरवर्ड न्यूरल नेटवर्क कोणत्याही बूलियन अभिव्यक्तीचे प्रतिनिधित्व करू शकतात. |
274946a974bc2bbbfe89c7f6fd3751396f295625 | या लेखात आम्ही रॉबस्ट ऑप्टिमायझेशन (आरओ) या क्षेत्रात सैद्धांतिक आणि लागू दोन्ही प्रकारच्या प्राथमिक संशोधनाचा आढावा घेतला आहे. आरओ पद्धतींच्या संगणकीय आकर्षकतेवर तसेच मॉडेलिंग पॉवर आणि पद्धतीची विस्तृत लागू करण्यावर आमचा भर असेल. गेल्या दशकात आरओच्या सर्वात प्रमुख सैद्धांतिक परिणामांचा आढावा घेण्याव्यतिरिक्त, आम्ही आरओला बहु-चरण निर्णय घेण्याच्या समस्यांसाठी अनुकूल मॉडेलशी जोडणारे काही अलीकडील परिणाम देखील सादर करू. अखेरीस, आम्ही वित्त, आकडेवारी, शिक्षण आणि अभियांत्रिकीच्या विविध क्षेत्रांसह विस्तृत क्षेत्रांमध्ये आरओच्या अनुप्रयोगांवर प्रकाश टाकू. |
573cd4046fd8b899a7753652cd0f4cf6e351c5ae | आम्ही कडा माहितीवर आधारित अव्यवस्थित वातावरणात जटिल आकाराच्या वस्तू ओळखण्याच्या दृष्टिकोनाचे सादरीकरण करतो. आम्ही प्रथम विशिष्ट वातावरणात लक्ष्य ऑब्जेक्टच्या उदाहरण प्रतिमा वापरतो वर्गीकरणकर्ता कॅस्केड प्रशिक्षित करण्यासाठी जे प्रतिमेतील किनार पिक्सेल इच्छित ऑब्जेक्टच्या उदाहरणाशी संबंधित आहेत की गोंधळ आहे हे निर्धारित करते. नवीन प्रतिमा सादर केल्यावर, आम्ही कॅस्केडचा वापर गोंधळ किनार्यावरील पिक्सेल दूर करण्यासाठी करतो आणि ऑब्जेक्ट किनार्यावरील पिक्सेल ऑब्जेक्टच्या एकूणच शोधात गटबद्ध करतो. किनार्यावरील पिक्सेल वर्गीकरणासाठी वापरल्या जाणाऱ्या वैशिष्ट्यांचे स्थानिक, विरळ किनार घनता ऑपरेशन्स आहेत. प्रयोगांमुळे या तंत्रज्ञानाची प्रभावीता सिद्ध होते. या तंत्रज्ञानामुळे अनेक जटिल वस्तू ओळखता येतात. याव्यतिरिक्त, आमचे प्रयोग असे दर्शवतात की ही तंत्रज्ञान प्रशिक्षण आणि चाचणी वातावरणामधील भिन्नतेसाठी मजबूत आहे आणि रनटाइमवर कार्यक्षम आहे. |
e9b7367c63ba970cc9a0360116b160dbe1eb1bb4 | आम्ही एक प्रबलित शिक्षण फ्रेमवर्क सादर करतो, ज्याला प्रोग्रामेटिकली इंटरप्रिटेबल प्रबलित शिक्षण (पीआयआरएल) म्हणतात, जे अर्थ लावता येण्याजोगे आणि सत्यापित करण्यायोग्य एजंट धोरणे तयार करण्यासाठी डिझाइन केलेले आहे. डीप रिइनफोर्समेंट लर्निंग (डीआरएल) या लोकप्रिय पद्धतीच्या विपरीत, जी तंत्रिका नेटवर्कद्वारे धोरणांचे प्रतिनिधित्व करते, पीआयआरएल उच्च-स्तरीय, डोमेन-विशिष्ट प्रोग्रामिंग भाषा वापरून धोरणे दर्शवते. अशा प्रोग्रामेटिक धोरणांचा फायदा म्हणजे न्यूरल नेटवर्क्सपेक्षा अधिक सहजपणे अर्थ लावला जातो आणि प्रतीकात्मक पद्धतींद्वारे सत्यापन करण्यास सक्षम असतो. आम्ही एक नवीन पद्धत प्रस्तावित करतो, ज्याला न्यूरो-निर्देशित प्रोग्राम शोध (एनडीपीएस) म्हणतात, जास्तीत जास्त बक्षीस देणारी प्रोग्रामेटिक धोरण शोधण्याच्या आव्हानात्मक नॉन-स्मूथ ऑप्टिमायझेशन समस्येचे निराकरण करण्यासाठी. एनडीपीएस प्रथम डीआरएल वापरून न्यूरल पॉलिसी नेटवर्क शिकून आणि नंतर प्रोग्रामेटिक धोरणांवर स्थानिक शोध करून कार्य करते जे या न्यूरल ओरेकल पासून अंतर कमी करण्याचा प्रयत्न करते. आम्ही एनडीपीएसचे मूल्यांकन करतो. टोरक्स काररेसिंग वातावरणात सिम्युलेटेड कार चालविणे शिकण्याच्या कामावर. आम्ही दाखवून देतो की एनडीपीएस काही महत्त्वपूर्ण कामगिरी बार पास करणारे मानवी-वाचनीय धोरणे शोधण्यात सक्षम आहे. आम्ही हे देखील दाखवतो की पीआयआरएल धोरणांचे मार्ग अधिक सुलभ असू शकतात आणि डीआरएलद्वारे शोधलेल्या संबंधित धोरणांपेक्षा प्रशिक्षण दरम्यान न सापडलेल्या वातावरणात सहजपणे हस्तांतरित केले जाऊ शकतात. |
48d103f81e9b70dc2de82508973bc35f61f8ed01 | या दस्तऐवजात हाय स्पीड ट्रेन आणि ग्राउंड वाहनांवर मोबाइल उपग्रह संप्रेषणासाठी टेस क्यू बँड अँटेनाची अत्याधुनिक स्थिती आणि क्यू बँड अँटेना कामगिरी सुधारणे आणि का बँड टर्मिनलवर श्रेणीसुधारित करण्याच्या दृष्टीने त्याचे उत्क्रांती सादर केले आहे. |
7294d9fa5c5524a43619ad7e52d132a90cfe91bb | या पत्राचा सामान्य मुद्दा उच्च डेटा-रेट सॅटकॉमसाठी फेज्ड अॅरे अँटेनाच्या डिझाइनशी संबंधित आहे. एक शेवटचा प्रात्यक्षिक अँटेना मानवरहित हवाई वाहनावर (यूएव्ही) स्थापित केला जाऊ शकतो जो कॅ-बँडमध्ये उपग्रहाशी संवाद साधू शकतो. प्रथम, एक कॉम्पॅक्ट प्रतिबिंब-प्रकार फेज शिफ्टर डिझाइन केले आणि साकार केले गेले. दुसरे म्हणजे, टप्प्याटप्प्याने अॅरे अँटेना प्रोटोटाइपची संकल्पना तपशीलवार आहे. तिसरे, एक नवीन कॅलिब्रेशन पद्धत आहे जी इच्छित दिशेने बीम स्कॅन करण्यासाठी प्रत्येक फेज शिफ्टरवर लागू होणारी बायस व्होल्टेज प्रदान करू शकते. |
b40b8a2b528a88f45bba5ecd23cec02840798e72 | कॅ-बँड उपग्रह-जा-जा-या जमिनीवरील वापरकर्त्याच्या टर्मिनलसाठी 2 डी-आवर्ती लीक-वेव्ह अँटेना सादर केला आहे. अँटेना पॅनेल 20 जीएचझेड डाउनलिंक तसेच 30 जीएचझेड अपलिंक बँड्सवर संबंधित परिपत्रक ध्रुवीकरणासह कार्य करते, सामान्य रेडिएशन एपर्चर आणि समान फेज सेंटर वापरते. दुहेरी-बँड कामगिरी काळजीपूर्वक डिझाइन केलेल्या स्टॅक केलेल्या दुहेरी-लेयर फ्रिक्वेन्सी सिलेक्टिव पृष्ठभागाद्वारे प्राप्त केली जाते, ज्यामध्ये एक थर 20 जीएचझेडवर कार्य करते आणि 30 जीएचझेडवर पारदर्शक असते आणि दुसरा थर उलट कार्य करतो. या लेखात चक्रीयपणे ध्रुवीकृत प्राथमिक फीड, दुहेरी-स्तर संरचना आणि संपूर्ण कॉम्पॅक्ट लीक-वेव्ह अँटेना पॅनेलचे डिझाइन वर्णन केले आहे. मोजलेल्या किरणेच्या कामगिरीमुळे 22 डीबीआयपेक्षा जास्त मूल्य आणि 60% पेक्षा जास्त कार्यक्षमता मिळते. क्रॉस-पोलरायझेशन भेदभाव आणि साइडलोब पातळी कॅ-बँडवर उपग्रह संप्रेषणासाठी उर्जा स्पेक्ट्रल आवश्यकता पूर्ण करण्यासाठी योग्य आहे. |
1f009366a901c403a8aad65c94ec2fecf3428081 | मागील तंत्रिका यंत्र भाषांतर मॉडेल चाचणी टप्प्यात भाषांतर वाक्यांशांवरील जास्तीत जास्त उत्तरार्ध समस्या सोडविणे टाळण्यासाठी काही युरिस्टिक शोध अल्गोरिदम (उदा. बीम शोध) वापरत होते. या पेपरमध्ये, आम्ही गंबलग्रीडी डिकोडिंगचा प्रस्ताव ठेवतो जो प्रशिक्षित मॉडेल अंतर्गत भाषांतर अंदाज घेण्यासाठी जनरेटिव्ह नेटवर्कला प्रशिक्षित करतो. आम्ही अशा समस्येचे निराकरण गंबल-सॉफ्टमॅक्स रेपारामेटरिझेशनचा वापर करून करतो, जे आमच्या जनरेटिव्ह नेटवर्कला भिन्नता आणि मानक स्टोकास्टिक ग्रेडियंट पद्धतींद्वारे प्रशिक्षित करते. आम्ही अनुभवजन्यपणे दाखवून देतो की, आमचे प्रस्तावित मॉडेल स्वतंत्र शब्दांचे अनुक्रम निर्माण करण्यासाठी प्रभावी आहे. |
8e49caba006e1832a70162f3a93a31be25927349 | या लेखात संज्ञानात्मक रडार नावाच्या एका नवीन कल्पनेवर चर्चा केली आहे. तीन घटक संज्ञानात्मक रडारच्या घटनेसाठी मूलभूत आहेत: 1) बुद्धिमान सिग्नल प्रोसेसिंग, जे रडारच्या आसपासच्या वातावरणाशी परस्परसंवादाद्वारे शिकण्यावर आधारित आहे; 2) रिसीव्हरकडून ट्रान्समीटरला अभिप्राय, जे बुद्धिमत्तेचे सुलभ करणारे आहे; आणि 3) रडार रिटर्नच्या माहितीच्या सामग्रीचे जतन करणे, जे लक्ष्य शोधण्यासाठी बेयसियन दृष्टिकोनाद्वारे साध्य केले जाते. या तिन्ही घटकांची वैशिष्ट्ये म्हणजे बॅटच्या इको-लोकेशन सिस्टममध्ये, जे संज्ञानात्मक रडारच्या शारीरिक प्राप्ती (न्यूरोबायोलॉजिकल दृष्टीने असले तरी) म्हणून पाहिले जाऊ शकते. रडार ही एक रिमोट-सेन्सिंग प्रणाली आहे जी नागरी आणि लष्करी गरजांसाठी पाळत ठेवणे, ट्रॅकिंग आणि इमेजिंग अनुप्रयोगांसाठी मोठ्या प्रमाणात वापरली जाते. या लेखात आपण रडारच्या भविष्यातील शक्यतांवर लक्ष केंद्रित केले आहे. या प्रकरणाचा अभ्यास म्हणून आपण महासागराच्या वातावरणात राडार पाळत ठेवण्याच्या समस्येचा विचार करू. |
f584c3d1c2d0e4baa7f8fc72fcab7b9395970ef5 | या मनोरंजक प्रश्नांच्या अभ्यासात फारच कमी काम झाले आहे आणि मला असे वाटत नाही की "सिद्धांत" असे म्हणता येतील अशा कोणत्याही व्यापक विचारांचा समूह अस्तित्वात आहे. विज्ञान आणि तत्त्वज्ञानाच्या इतिहासाचा विचार केला तर आश्चर्यकारक गोष्ट म्हणजे मेंदूतील मानसिक आणि शारीरिक दोन्ही प्रक्रियांमध्ये वाढीच्या उत्प्रेरणाची मोठी प्रेरणा ही एका यंत्रापासून, एका यंत्रापासून, डिजिटल संगणकापासून आली आहे. एखाद्या माणसाशी आणि मानवी समाजाशी व्यवहार करताना आपण तर्कहीन, अव्यावहारिक, असंगत आणि अपूर्ण राहण्याचा आनंद लुटतो, आणि तरीही सामना करतो. संगणक चालवताना, आपल्याला सविस्तर सूचना आणि पूर्ण अचूकतेची कठोर आवश्यकता पूर्ण करावी लागते. जर आपण मानवी मनाची क्षमता समजून घेतली, जटिलता, अनिश्चितता आणि तर्कहीनतेचा सामना करताना प्रभावी निर्णय घेण्याची क्षमता, तर आपण संगणकाचा वापर आपल्यापेक्षा लाखो पटींनी अधिक प्रभावीपणे करू शकतो. या वस्तुस्थितीची जाणीव न्यूरोफिजियोलॉजीच्या क्षेत्रात संशोधनाच्या वाढीसाठी प्रेरणादायी ठरली आहे. मेंदूच्या माहितीवर प्रक्रिया करण्याच्या प्रक्रियेचा आपण जितका अभ्यास करतो तितका आपल्याला अधिक गोंधळ आणि आश्चर्य वाटते. या प्रक्रियेची पुरेशी माहिती मिळून ती पुनरुत्पादित करण्यासाठी बराच वेळ लागेल. कोणत्याही परिस्थितीत, गणितज्ञ शेकडो आणि हजारो भयावह नवीन समस्या डझनभर उगवत्या भागात, कोडी भरभरून आणि त्याच्या अंतः करणातील आव्हानांना पाहतो. काही समस्यांचे तो कधीच निराकरण करणार नाही, पण त्याला कधीच कंटाळा येणार नाही. तो आणखी काय मागू शकतो? |
9d2222506f6a076e2c9803ac4ea5414eda881c73 | प्रारंभीच्या लेखात आपण असे वाचले आहे की, वाहनाच्या चालकाची झोप ही रस्ते अपघातामध्ये महत्त्वाची भूमिका बजावते. या समस्येवर मात करण्यासाठी एक उपाय म्हणजे ड्रायव्हरची झोप लागल्यास त्याचा शोध घेण्यासाठी तंत्रज्ञान विकसित करणे, जेणेकरून अपघात होण्यापूर्वी ड्रायव्हरला चेतावणी दिली जाऊ शकेल. या पुनरावलोकनाचा उद्देश, सध्याच्या ज्ञानाच्या स्थितीनुसार, वाहन मापनचा वापर करून वास्तविक वेळेत झोपेचा अंदाज बांधता येईल का, याचा अंदाज लावणे हा आहे. परिणाम अनेक वर्तणुकीशी संबंधित प्रयोगांमुळे असे दिसून आले आहे की, नियंत्रित, प्रयोगात्मक परिस्थितीत झोपेचा वाहन चालवण्याच्या क्षमतेवर गंभीर परिणाम होऊ शकतो. मात्र, यापैकी बहुतेक अभ्यासात कामगिरीच्या साध्या फंक्शन्स (जसे की लेनच्या स्थितीचे मानक विचलन) चा अभ्यास केला गेला आहे आणि परिणाम अनेकदा चालकांमधील आणि वेळेनुसार सरासरी म्हणून नोंदवले जातात. निष्कर्ष अधिक जटिल फंक्शन्स तसेच ड्रायव्हर्समधील वैयक्तिक फरक तपासण्यासाठी पुढील संशोधन आवश्यक आहे. उद्योगावर परिणाम चालकांच्या झोपेचा अंदाज लावण्यासाठी यशस्वी उपाययोजना करण्यासाठी बहुविध निकष निश्चित करणे आणि अनेक उपाययोजना वापरणे आवश्यक आहे. |
7bbd56f4050eb9f8b63f0eacb58ad667aaf49f25 | मोबाईल डेटा ट्रॅफिकमध्ये प्रचंड वाढ झाल्यामुळे सध्याच्या 3G/4G नेटवर्कच्या पलीकडे मोबाईल नेटवर्कच्या क्षमतेत मोठ्या प्रमाणात वाढ होणे आवश्यक आहे. या लेखात आम्ही पुढील पिढीच्या मोबाईल कम्युनिकेशन सिस्टम (5G) साठी मिलिमीटर वेव्ह मोबाईल ब्रॉडबँड (MMB) प्रणालीचा प्रस्ताव ठेवतो. एमएमबीने 3 ते 300 गीगाहर्ट्झ या श्रेणीतील विस्तृत स्पेक्ट्रमचा वापर वाढत्या मागणीला पूर्ण करण्यासाठी केला आहे. आम्ही असे कारण देतो की, मोबाईल ब्रॉडबँड अनुप्रयोगांसाठी मिलिमीटर वेव्ह स्पेक्ट्रम योग्य आहे. आम्ही मिलिमीटर वेव्हच्या अनन्य फायद्यांविषयी चर्चा करतो जसे की स्पेक्ट्रम उपलब्धता आणि लहान फॉर्म फॅक्टर्समध्ये मोठ्या बीमफॉर्मिंग गॅनिंग. आम्ही एमएमबी प्रणालीची व्यावहारिक रचना देखील वर्णन करतो जी जीबी / एस डेटा दर 500 मीटर अंतरावर प्रदान करण्यास सक्षम आहे आणि 350 किमी / तासापर्यंत गतिशीलता समर्थित करते. प्रणालीच्या अनुकरणानुसार, आम्ही दर्शवितो की एक मूलभूत एमएमबी प्रणाली सरासरी सेल थ्रूपुट आणि सेल-एज थ्रूपुट कामगिरी वितरीत करण्यास सक्षम आहे जी सध्याच्या 20 मेगाहर्ट्झ एलटीई-प्रगत प्रणालींपेक्षा 10 ते 100 पट चांगली आहे. |
3bc9f8eb5ba303816fd5f642f2e7408f0752d3c4 | |
0c83eeceee8f55fb47aed1420b5510aa185feace | आम्ही भौगोलिक मॅशअप वर आधारित एक दृष्टिकोन प्रस्तावित करतो ज्यामध्ये मुक्तपणे उपलब्ध कार्यक्षमता आणि डेटा ढीगाने परंतु लवचिकपणे एकत्र केले जातात वास्तविक विनिमय मानकांचा वापर करून. आमच्या केस स्टडीमध्ये मायएसक्यूएल, पीएचपी आणि लँडसर्व जीआयएस यांचा समावेश आहे जेणेकरून केएमएलमध्ये वर्णन केलेल्या एन्कोडिंगसह व्हिज्युअल संश्लेषण आणि परस्परसंवादासाठी Google Earth वापरता येईल. हा दृष्टिकोन मोबाईल डायरेक्टरी सेवेच्या 1.42 दशलक्ष विनंत्यांच्या नोंदीच्या शोधासाठी लागू केला जातो. यामध्ये स्पेसियल टॅग क्लाउड , टॅग मॅप्स , डेटा डायल्स आणि मल्टीस्केल डेन्सिटी सरफेसचा समावेश आहे. या दृष्टिकोनाचे चार पैलू अनौपचारिकपणे मूल्यांकन केले जातात: वापरलेले व्हिज्युअल एन्कोडिंग, डेटासेटच्या व्हिज्युअल एक्सप्लोरेशनमध्ये त्यांचे यश, वापरलेली विशिष्ट साधने आणि मॅशअप दृष्टिकोन. प्रारंभिक निष्कर्ष दृश्यमानतेसाठी मॅशअप वापरण्याचा विचार करणाऱ्या इतरांना फायदेशीर ठरेल. विकसित केलेल्या विशिष्ट तंत्रांचा वापर येथे शोधलेल्या प्रकारच्या बहुविध अवकाशीय-वेळशास्त्रीय डेटाच्या संरचनेमध्ये अंतर्दृष्टी देण्यासाठी अधिक प्रमाणात केला जाऊ शकतो. मोठ्या संरचित, बहुआयामी अवकाशीय-वेळ डेटासेटच्या प्राथमिक तपासणीसाठी एक्सप्लोरेटरी व्हिज्युअल विश्लेषण उपयुक्त आहे. या प्रक्रियेसाठी वेळ, जागा आणि गुणधर्मानुसार रेकॉर्डची निवड आणि एकत्रिकरण करणे, डेटा बदलण्याची क्षमता आणि योग्य व्हिज्युअल एन्कोडिंग आणि परस्परसंवादाचा वापर करण्याची लवचिकता आवश्यक आहे. |
11e907ef1dad5daead606ce6cb69ade18828cc39 | आम्ही बिंदू-टू-बिंदू लघु-मार्ग गणनासाठी एक प्रवेग पद्धतीचा अभ्यास करतो, दिलेल्या नॉन-नकारात्मक आर्क वेटसह मोठ्या आणि विरळ दिग्दर्शित आलेखांमध्ये. प्रवेग पद्धतीला आर्क-फ्लॅग पद्धत असे म्हणतात आणि हे डायकस्ट्रच्या अल्गोरिदमवर आधारित आहे. आर्क फ्लेग पद्धतीने, आम्ही नेटवर्क डेटाची पूर्व प्रक्रिया करून अतिरिक्त माहिती तयार करतो, जी नंतर शॉर्ट-पाथ क्वेरीजला गती देण्यासाठी वापरली जाते. पूर्व-प्रक्रिया टप्प्यात, आलेख क्षेत्रांमध्ये विभागला जातो आणि एखाद्या आर्कला दिलेल्या प्रदेशात सर्वात कमी मार्गावर आहे की नाही याबद्दल माहिती गोळा केली जाते. आर्क-फ्लॅग पद्धत योग्य विभाजन आणि द्विदिश शोध एकत्रितपणे मोठ्या नेटवर्कवर (१ दशलक्ष नोड्स, २.५ दशलक्ष आर्क) डीजेकस्ट्र्राच्या मानक अल्गोरिदमच्या तुलनेत सरासरी ५०० पेक्षा जास्त वेगवान गुणांक प्राप्त करते. या संयोजनामुळे डिजकस्ट्राच्या अल्गोरिदमची शोध जागा जवळजवळ लांब अंतराच्या शॉर्टस्ट-पाथ क्वेरीसाठी संबंधित सर्वात कमी मार्गाच्या आकारापर्यंत कमी होते. आम्ही एक प्रयोगात्मक अभ्यास करतो ज्यामध्ये आर्क-फ्लॅग पद्धतीसाठी कोणते विभाजन योग्य आहे याचा आढावा घेतला जातो. विशेषत, आम्ही संगणकीय भूमिती आणि बहुमार्ग आर्क विभाजक विभाजन पासून विभाजन अल्गोरिदम तपासणी. जर्मनीच्या रस्ते जाळ्यावर हा अभ्यास करण्यात आला. कमीत कमी मार्गाच्या अल्गोरिदमच्या वेगवानतेवर वेगवेगळ्या विभाजनांचा परिणाम तुलनात्मक आहे. या व्यतिरिक्त, आम्ही वेगवान तंत्रज्ञानाचा विस्तार अनेक स्तरांच्या विभाजनांवर सादर करतो. या बहुस्तरीय प्रकारामुळे, कमी जागेच्या आवश्यकतांसह समान वेगवान कारकांवर यश मिळवता येते. म्हणून, हे पूर्व-गणित डेटाचे संक्षेप म्हणून पाहिले जाऊ शकते जे संगणित लघुतम मार्गांची अचूकता राखते. |
09be020a9738464799740602d7cf3273c1416c6a | प्रक्रियात्मक पोत निर्मितीमुळे कलाकाराच्या मदतीशिवाय अधिक समृद्ध आणि तपशीलवार आभासी वातावरण तयार करता येते. तथापि, वास्तविक जगाच्या पोत एक लवचिक जनरेटिव्ह मॉडेल शोधत एक उघडा समस्या राहते. आम्ही एक नवीन कन्व्होल्युशनल न्यूरल नेटवर्क आधारित पोत मॉडेल सादर करतो ज्यात दोन सारांश आकडेवारी (ग्रॅमियन आणि ट्रान्सलेशन ग्रॅमियन मॅट्रिक्स) तसेच स्पेक्ट्रल निर्बंध आहेत. आम्ही फ्युरियर ट्रान्सफॉर्म किंवा विंडो फ्युरियर ट्रान्सफॉर्मचा स्पेक्ट्रल निर्बंध लागू करून तपास करतो आणि असे आढळते की विंडो फ्युरियर ट्रान्सफॉर्मने व्युत्पन्न केलेल्या पोत गुणवत्ता सुधारली. आम्ही आमच्या प्रणालीची कार्यक्षमता दर्शवितो, जे उत्पादन संबंधित अत्याधुनिक प्रणालीशी तुलना करून तयार केले जाते. |
9fa3c3f1fb6f1566638f97fcb993fe121646433e | |
f8f92624c8794d54e08b3a8f94910952ae03cade | व्यक्तीची पुन्हा ओळख (री-आयडी) ही एक क्रॉस-कॅमेरा पुनर्प्राप्ती कार्य आहे जी वेगवेगळ्या कॅमेर्यांद्वारे उद्भवलेल्या प्रतिमा शैलीतील भिन्नतेमुळे ग्रस्त आहे. कॅमेरा-अपरिवर्तनीय वर्णनकर्ता उप-जागा शिकून कला या समस्येचे निहितपणे निराकरण करते. या लेखात आम्ही कॅमेरा स्टाईल (कॅमस्टाईल) ला सादर करून या आव्हानाचा स्पष्टपणे विचार करतो. कॅमस्टाईल डेटा वाढीचा एक मार्ग म्हणून काम करू शकते जे खोल नेटवर्क ओव्हरफिटिंगचा धोका कमी करते आणि कॅमस्टाईलमधील विसंगती कमी करते. विशेष म्हणजे, स्टाईल ट्रान्सफर मॉडेलच्या मदतीने लेबल केलेले ट्रेनिंग इमेजेस प्रत्येक कॅमेर्यामध्ये स्टाईल ट्रान्सफर केले जाऊ शकतात आणि मूळ ट्रेनिंग सॅम्पल्ससह, वर्धित ट्रेनिंग सेट तयार करतात. या पद्धतीने डेटाची विविधता वाढते, परंतु त्याचबरोबर मोठ्या प्रमाणात आवाजही निर्माण होतो. ध्वनीच्या प्रभावाचे प्रमाण कमी करण्यासाठी, लेबल स्मूथ रेग्युलरायझेशन (एलएसआर) चा अवलंब केला जातो. आमच्या पद्धतीची व्हॅनिला आवृत्ती (एलएसआरशिवाय) काही कॅमेरा सिस्टमवर वाजवी प्रमाणात चांगली कामगिरी करते ज्यामध्ये ओव्हरफिटिंग अनेकदा होते. एलएसआरच्या मदतीने, आम्ही सर्व प्रणालींमध्ये सातत्याने सुधारणा दर्शवितो, कितीही ओव्हरफिट झाले तरी. आम्ही मार्केट-१५०१ आणि ड्यूकएमटीएमसी-री-आयडीच्या अत्याधुनिक तंत्रज्ञानाच्या तुलनेत स्पर्धात्मक अचूकतेची नोंद करतो. महत्त्वाचे म्हणजे, कॅमस्टाईलचा वापर व्यक्तीच्या पुन्हा ओळख (री-आयडी) मध्ये एक दृश्य शिकणे आणि अनसुपरवेटेड डोमेन अॅडॉप्टेशन (यूडीए) या आव्हानात्मक समस्यांसाठी केला जाऊ शकतो, या दोन्ही गोष्टींचे गंभीर संशोधन आणि अनुप्रयोग महत्त्व आहे. पहिल्या कॅमेऱ्यामध्ये फक्त एका कॅमेरा व्ह्यूमध्ये डेटा लेबल केला आहे आणि दुसऱ्या कॅमेऱ्यामध्ये फक्त सोर्स डोमेनमध्ये डेटा लेबल केला आहे. प्रयोगात्मक परिणामांमध्ये असे दिसून आले आहे की कॅमस्टाईल दोन समस्यांमध्ये मूलभूत कामगिरीमध्ये लक्षणीय सुधारणा करते. खास करून यूडीएसाठी, कॅमस्टाईल मार्केट-१५०१ आणि ड्यूकएमटीएमसी-रीआयडीवर आधारित बेसलाइन डीप री-आयडी मॉडेलवर आधारित अत्याधुनिक अचूकता प्राप्त करते. आमचा कोड येथे उपलब्ध आहे: https://github.com/zhunzhong07/CamStyle. |
61ec08b1fd5dc1a0e000d9cddee6747f58d928ec | या लेखात चांगल्या अंदाजे विश्वासार्ह अंतराल तयार करण्यासाठी बूटस्ट्रॅप पद्धतींचा अभ्यास केला आहे. हेतू म्हणजे मानक अंतराच्या अचूकतेवर परिमाणानुसार सुधारणा करणे आहे, ज्यामुळे अगदी अत्यंत जटिल समस्यांसाठी देखील नियमित अनुप्रयोगास अनुमती मिळते. हे कसे केले जाते हे दाखवण्यासाठी सिद्धांत आणि उदाहरणे दोन्ही वापरली जातात. पहिल्या सात भागांमध्ये बूटस्ट्रॅपची चार विश्वासार्हता अंतराल प्रक्रियांचा एक अवलोकन प्रदान केला आहे. भाग ८ आणि ९ मध्ये या पद्धतींच्या मागे असलेला सिद्धांत आणि बारंडोर्फ-निल्सन, कॉक्स आणि रीड आणि इतरांनी विकसित केलेल्या संभाव्य-आधारित विश्वासार्हता अंतराल सिद्धांतशी त्यांचा जवळचा संबंध वर्णन केला आहे. |
a9a6322f5d6575adb04d9ed670ffdef741840958 | फोर्डिस स्पॉट्स हे एक्टोपिक सेबियस ग्रंथी आहेत, ज्याचा व्यास 2 ते 3 मिमी दरम्यान असतो. या सौम्य घाव बहुतेकदा तोंडाच्या श्लेष्मल त्वचा आणि जननेंद्रियाच्या त्वचेमध्ये आढळतात. विशेषतः पुरुष जननेंद्रियाच्या भागात ते खाज, लैंगिक क्रियाकलापांमध्ये अस्वस्थता निर्माण करू शकतात आणि सौंदर्याचा अप्रिय आहे. आतापर्यंत, विविध प्रकारच्या उपचारात्मक प्रक्रियेची नोंद झाली आहे ज्यात वेगवेगळ्या प्रकारचे यश आणि पुनरावृत्ती दर आहेत. या वर्तमान मागील अभ्यासात (एन = 2003 ते 2011 दरम्यान 23 रुग्ण) आम्ही मायक्रो-पंच तंत्रज्ञानाद्वारे आपला शस्त्रक्रिया दृष्टिकोन सादर करतो. या प्रभावी पद्धतीचा वापर करून आम्ही अतिशय समाधानकारक कार्यात्मक आणि सौंदर्याचा परिणाम प्राप्त केला. १२ ते ८४ महिन्यांच्या शस्त्रक्रियेनंतरच्या निरीक्षणादरम्यान (मध्यम = ५१. ३ महिने) पुनरावृत्तीची कोणतीही चिन्हे आढळली नाहीत. |
970698bf0a66ddf935b14e433c81e1175c0e8307 | इंटरनेट ऑफ थिंग्ज या शब्दाचा थेट अर्थ म्हणजे एम्बेडेड नेटवर्कमध्ये मानव-टू-थिंग किंवा गोष्ट-टू-थिंग संप्रेषणासाठी मानक इंटरनेट प्रोटोकॉलचा वापर. या क्षेत्रात सुरक्षेची गरज चांगलीच जाणवली असली तरी, विद्यमान आयपी सुरक्षा प्रोटोकॉल आणि आर्किटेक्चर कसे तैनात केले जाऊ शकतात हे अद्याप पूर्णपणे समजले नाही. या पेपरमध्ये, आम्ही विद्यमान इंटरनेट प्रोटोकॉल आणि सुरक्षा आर्किटेक्चरच्या इंटरनेट ऑफ थिंग्जच्या संदर्भात लागू करण्यायोग्य आणि मर्यादांबद्दल चर्चा करतो. प्रथम, आम्ही उपयोजन मॉडेल आणि सामान्य सुरक्षा गरजांचा आढावा देतो. त्यानंतर आम्ही आयपी-आधारित सुरक्षा समाधानासाठी आव्हाने आणि आवश्यकता सादर करतो आणि मानक आयपी सुरक्षा प्रोटोकॉलच्या विशिष्ट तांत्रिक मर्यादांवर प्रकाश टाकतो. |
140df6ceb211239b36ff1a7cfdc871f06d787d11 | फंक्शनल एन्क्रिप्शन मर्यादित डिक्रिप्शन कीला समर्थन देते जे वापरकर्त्यांना एन्क्रिप्टेड संदेशांचे विशिष्ट कार्य जाणून घेण्यास अनुमती देतात. जरी फंक्शनल एन्क्रिप्शनवरील बहुसंख्य संशोधनामध्ये आतापर्यंत एन्क्रिप्टेड संदेशांच्या गोपनीयतेवर लक्ष केंद्रित केले गेले असले तरी, अनेक वास्तववादी परिस्थितींमध्ये ज्या फंक्शन्ससाठी डिक्रिप्शन की प्रदान केली जातात त्या कार्यांसाठी देखील गोपनीयता प्रदान करणे अत्यंत महत्वाचे आहे. सार्वजनिक की सेटिंगमध्ये फंक्शन प्रायव्हसी स्वभावाप्रमाणे मर्यादित आहे, तर खाजगी की सेटिंगमध्ये त्याची प्रचंड क्षमता आहे. विशेष म्हणजे, अशी योजना तयार करण्याची आशा आहे जिथे संदेशांचे एन्क्रिप्शन $$\mathsf{m}_1, \ldots , \mathsf{m}_T$$ m 1 , ... , m T फंक्शन्स $$f_1, \ldots , f_T$ f 1 , ... , f T शी संबंधित डीक्रिप्शन कीसह मूलतः $$\{ f_i(\mathsf{m}_j) }_{i,j\in [T]}$ { f i (m j) } i , j ∈ [ T ] व्यतिरिक्त कोणतीही माहिती उघडकीस आणत नाही. त्याच्या मोठ्या संभाव्यतेच्या असूनही, ज्ञात फंक्शन-खाजगी खाजगी-की योजना एकतर फंक्शन्सच्या मर्यादित कुटुंबांना (जसे की अंतर्गत उत्पादने) समर्थन देतात किंवा फंक्शन प्रायव्हसीची काही प्रमाणात कमकुवत संकल्पना देतात. आम्ही एक सर्वसामान्य परिवर्तन सादर करतो ज्यामुळे फंक्शन-खाजगी फंक्शनल एन्क्रिप्शन योजना मिळते, पुरेशी समृद्ध फंक्शन क्लाससाठी कोणत्याही नॉन-फंक्शन-खाजगी योजनेपासून प्रारंभ होते. आमचे परिवर्तन मूलभूत योजनेची संदेश गोपनीयता राखते आणि विविध विद्यमान योजनांचा वापर करून ते त्वरित केले जाऊ शकते. फंक्शनल एन्क्रिप्शन स्कीमच्या ज्ञात बांधकामांमध्ये प्लग इन केल्याने, आम्ही त्रुटी गृहीत धरून शिकण्यावर आधारित फंक्शन-खाजगी योजना मिळवितो, अस्पष्टता गृहीत धरल्यास, साध्या बहुरेखीय-नकाशा गृहीत धरल्यास आणि कोणत्याही एक-मार्ग फंक्शनच्या अस्तित्वावर (सुरक्षा आणि कार्यक्षमता यांच्यात विविध व्यापार-ऑफ ऑफ ऑफर) |
d0895e18d0553b9a35cff80bd7bd5619a19d51fb | आम्ही उच्च गती ऑप्टिकल संप्रेषण लिंक्ससाठी 107 GHz बेसबँड भिन्नता ट्रान्सइम्पेडन्स अॅम्प्लिफायर आयसीची नोंद करतो. दोन डार्लिंग्टन रेसिस्टिव्ह फीडबॅक स्टेज असलेला एम्पलीफायर 500 एनएम इनपी एचबीटी प्रक्रियेत राबविण्यात आला होता आणि 55 डीबीओएच भिन्नता ट्रान्सइम्पेडन्स वाढ, 30 पीएस ग्रुप विलंब, पी 1 डीबी = 1 डीबीएम दर्शवितो आणि 5.2 व्ही पुरवठाद्वारे समर्थित आहे. इनपुट आणि आउटपुट इंपॅडन्सचे अंतर 50Ω आहे. आयसी इनपुटमध्ये -2 व्ही डीसीला हाय स्पीड फोटोडायोड्सच्या कनेक्शनसाठी आणि आउटपुटमध्ये -450 एमव्ही डीसीला गिल्बर्ट-सेल मिक्सर आणि ईसीएल लॉजिकशी जोडते. |
b9d5f2da9408d176a5cfc6dc0912b6d72e0ea989 | |
6910f307fef66461f5cb561b4d4fc8caf8594af5 | गेल्या दोन वर्षांत शब्द एम्बेडिंग अल्गोरिदम आणि त्यांच्यावरील संशोधनाची भरभराट झाली आहे. तथापि, मूल्यांकन मुख्यतः शब्दांची समानता/संबंध आणि शब्द संबंधांची समानता आणि एकाच भाषेत म्हणजे इंग्रजी भाषेत केले गेले आहे. आम्ही विविध भाषांमधील एम्बेडिंगचे मूल्यांकन करण्यासाठी एक दृष्टिकोन प्रस्तावित करतो ज्यामुळे एम्बेडिंग स्पेसच्या संरचनेत अंतर्दृष्टी मिळते. शब्द एम्बेडिंग वेगवेगळ्या वाक्यरचना वैशिष्ट्यांनुसार किती चांगले क्लस्टर करतात याची तपासणी करून. आम्ही दाखवतो की सर्व एम्बेडिंग पद्धती या कार्यात समान पद्धतीने वागतात, अवलंबित्व-आधारित एम्बेडिंग सर्वोत्तम कामगिरी करतात. कमी आयामी एम्बेड- |
8d31dbda7c58de30ada8616e1fcb011d32d5cf83 | फ्लेक्सिबल डेटा रेट (सीएएन-एफडी) असलेले कंट्रोलर एरिया नेटवर्क वाहनातील नेटवर्क तंत्रज्ञानाच्या पुढच्या पिढीच्या रूपात लक्ष वेधून घेत आहे. तथापि, कॅन-एफडी डिझाइन करताना सुरक्षा समस्या पूर्णपणे विचारात घेतल्या गेल्या नाहीत, जरी प्रसारित केलेली प्रत्येक माहिती ड्रायव्हरच्या सुरक्षिततेसाठी महत्त्वपूर्ण असू शकते. जर आपण कॅन-एफडीच्या सुरक्षा त्रुटी सोडविण्यात अपयशी ठरलो तर वाहन-माहिती आणि संप्रेषण तंत्रज्ञान (व्हीकल-आयसीटी) अभिसरण विकसित होण्याची अपेक्षा करू शकत नाही. याशिवाय, या प्रणालीच्या मोठ्या डेटा पेलोडचा वापर करून सुरक्षित इन-व्हीकल कॅन-एफडी कम्युनिकेशन वातावरण तयार केले जाऊ शकते. या पेपरमध्ये, आम्ही एक प्रतिउपमा म्हणून वाहनातील कॅन-एफडीसाठी सुरक्षा आर्किटेक्चर प्रस्तावित करतो (कॅन-एफडी वैशिष्ट्यांनुसार डिझाइन केलेले). आम्ही इंटरनॅशनल ऑर्गनायझेशन फॉर स्टँडर्ड (आयएसओ) 26262 ऑटोमोटिव्ह सेफ्टी इंटिग्रिटी लेव्हल आणि इन-व्हीकल सबनेटवर्कच्या वैशिष्ट्यांचा विचार केला आणि व्यावहारिक सुरक्षा आर्किटेक्चर डिझाइन केले. आम्ही तीन प्रकारच्या मायक्रोकंट्रोलर युनिट आणि कॅनो सॉफ्टवेअरचा वापर करून प्रस्तावित सुरक्षा आर्किटेक्चरची व्यवहार्यता देखील मूल्यांकन केली. आमच्या मूल्यांकनातील निष्कर्ष पुढील पिढीच्या वाहनांच्या निर्मितीसाठी इलेक्ट्रॉनिक नियंत्रण युनिट्सच्या कामगिरीच्या पातळीचे सूचक म्हणून वापरले जाऊ शकतात. |
122ab8b1ac332bceacf556bc50268b9d80552bb3 | एक व्यापकपणे स्वीकारलेले स्थान असे आहे की जटिल सॉफ्टवेअरमध्ये बर्याचदा बग असतात ज्याचा हल्ला करणार्यांनी दूरस्थपणे फायदा घेऊ शकतो. जेव्हा हे सॉफ्टवेअर वाहनातील इलेक्ट्रॉनिक कंट्रोल युनिट (ईसीयू) वर असते, तेव्हा या बगचा शोषण केल्यास त्याचे जीवन किंवा मृत्यूचे परिणाम होऊ शकतात. वाहनांसाठी सॉफ्टवेअर वाढत जाईल आणि ते अधिक जटिल बनतील, त्यामुळे शोषण करण्यायोग्य असुरक्षिततेची संख्या वाढेल. परिणामी, सॉफ्टवेअरमधील कमकुवतपणा लवकरात लवकर दूर करण्यासाठी उत्पादकांना अद्यतने जलद आणि कार्यक्षमतेने तैनात करण्याची आवश्यकता आहे याची त्यांना चांगली जाणीव आहे. |
3a257a87ab5d1e317336a6cefb50fee1958bd84a | क्लाउड कंप्यूटिंगमुळे कंप्यूटिंगच्या नव्या गरजा पूर्ण करण्यासाठी उच्च प्रमाणात स्केलेबिलिटी, लवचिकता आणि खर्च प्रभावीता मिळते. मोठ्या प्रमाणात क्लाउड क्लस्टरवर वास्तविक वर्कलोडची वैशिष्ट्ये समजून घेणे केवळ क्लाउड सेवा प्रदात्यांनाच नव्हे तर संशोधक आणि दैनंदिन वापरकर्त्यांनाही फायदेशीर ठरते. या पेपरमध्ये मोठ्या प्रमाणात गुगल क्लस्टर वापर ट्रेस डेटासेटचा अभ्यास केला गेला आहे आणि क्लस्टरमधील मशीनचे व्यवस्थापन कसे केले जाते आणि 29 दिवसांच्या कालावधीत सबमिट केलेले वर्कलोड कसे वर्तन करतात याचे वर्णन केले आहे. आम्ही मशीन देखभाल इव्हेंटची वारंवारता आणि नमुना, जॉब- आणि टास्क-स्तरीय वर्कलोड वर्तन आणि एकूण क्लस्टर संसाधनांचा वापर कसा केला जातो यावर लक्ष केंद्रित करतो. |
7dfce578644bc101ae4ffcd0184d2227c6d07809 | पोलीमॉर्फिक एन्क्रिप्शन आणि छद्मनामकरण, संक्षिप्तपणे पीईपी, संवेदनशील वैयक्तिक डेटाच्या व्यवस्थापनासाठी एक नवीन दृष्टीकोन तयार करते, विशेषतः आरोग्य सेवांमध्ये. पारंपारिक एनक्रिप्शन हे कठोर आहे. एकदा एनक्रिप्ट केल्यानंतर, फक्त एक की डेटा डीक्रिप्ट करण्यासाठी वापरली जाऊ शकते. ही कठोरता बिग डेटा विश्लेषणाच्या संदर्भात एक मोठी समस्या बनत आहे, जिथे विविध पक्षांना ज्यांना एन्क्रिप्टेड डेटा सेटचा एक भाग तपासण्याची इच्छा आहे त्यांना सर्व डिक्रिप्शनसाठी एक की आवश्यक आहे. बहुरूपी कूटबद्धीकरण ही एक नवीन क्रिप्टोग्राफिक तंत्र आहे जी या समस्यांचे निराकरण करते. या तंत्रज्ञानाच्या सहाय्याने, बहुरूपी छद्मनामकरण नवीन सुरक्षा आणि गोपनीयता हमी देऊ शकते जी (वैयक्तिकृत) आरोग्य सेवा, स्वतः ची मोजमाप अॅप्सद्वारे वैद्यकीय डेटा संकलन आणि अधिक सामान्यपणे गोपनीयता-अनुकूल ओळख व्यवस्थापन आणि डेटा विश्लेषणासारख्या क्षेत्रात आवश्यक आहेत. बहुआयामी एनक्रिप्शनची मुख्य कल्पना अशी आहेतः जनरेशननंतर थेट डेटा पॉलीमॉर्फिक पद्धतीने एन्क्रिप्ट केला जाऊ शकतो आणि स्टोरेज प्रदात्यास प्रवेश न करता (क्लाउड) स्टोरेज सुविधांमध्ये संग्रहित केला जाऊ शकतो. महत्त्वाचे म्हणजे, डेटा कोणाला पाहता येईल हे अगोदर ठरवण्याची गरज नाही, जेणेकरून डेटा त्वरित संरक्षित केला जाऊ शकेल. उदाहरणार्थ, पीईपी-सक्षम स्वयं-मापन साधन बॅक-एंड डेटाबेसमध्ये सर्व मापन डेटा पॉलिमोर्फिकली एन्क्रिप्टेड स्वरूपात संग्रहित करेल. २. नंतर हे ठरवता येईल की, डेटा कोण डिक्रिप्ट करू शकेल. या निर्णयावर आधारित धोरण तयार केले जाईल, ज्यात डेटा विषयाची प्रमुख भूमिका असेल. पीईपी-सक्षम डिव्हाइसचा वापरकर्ता, उदाहरणार्थ, डॉक्टर एक्स, वाई, झेड त्यांच्या निदानात डेटा वापरण्यासाठी काही टप्प्यात डिक्रिप्ट करू शकतात, किंवा वैद्यकीय संशोधक गट ए, बी, सी त्यांचा तपासणीसाठी वापरू शकतात, किंवा तृतीय पक्ष यू, व्ही, डब्ल्यू अतिरिक्त सेवांसाठी वापरू शकतात इ. ३. एखाद्या विशिष्ट पक्षाद्वारे हे डीक्रिप्ट करण्यायोग्य करण्यासाठी एन्क्रिप्टेड डेटाचे हे ट्वीक अंध पद्धतीने केले जाऊ शकते. हे एखाद्या विश्वासार्ह व्यक्तीने करावे लागेल ज्याला माहित असेल की कोणासाठी कोड कसा बदलायचा. या पीईपी तंत्रज्ञानामुळे मोठ्या प्रमाणात डेटा विश्लेषणासाठी आवश्यक सुरक्षा आणि गोपनीयता पायाभूत सुविधा उपलब्ध होऊ शकतात. लोक त्यांचे डेटा पॉलिमोर्फिकली एन्क्रिप्टेड स्वरूपात सोपवू शकतात आणि प्रत्येक वेळी नंतर विशिष्ट विश्लेषणाच्या उद्देशाने विशिष्ट पक्षांसाठी (भाग) उपलब्ध (डी-क्रिप्टेबल) करण्याचा निर्णय घेतात. अशा प्रकारे वापरकर्ते नियंत्रणात राहतात आणि त्यांचे कोणते डेटा कोणत्या उद्देशाने वापरले जातात हे पाहू शकतात. ती . . . |
0426408774fea8d724609769d6954dd75454a97e | विविधतापूर्ण ऑटोएन्कोडर हे विना पर्यवेक्षकाच्या शिक्षणासाठी एक शक्तिशाली आराखडा आहे. तथापि, पूर्वीचे काम पूर्णपणे घटकांच्या स्टोकास्टिक लॅटेंट व्हेरिएबल्सच्या एक किंवा दोन थरांसह उथळ मॉडेलवर मर्यादित होते, जे लॅटेंट प्रतिनिधित्वाची लवचिकता मर्यादित करते. आम्ही तीन प्रगती प्रस्तावित करतो बदलशील ऑटोकोडरच्या प्रशिक्षण अल्गोरिदममध्ये, प्रथमच पाच स्टोकेस्टिक लेयर्सच्या सखोल मॉडेल्सचे प्रशिक्षण देण्याची परवानगी, (1) सीडी नेटवर्कसारख्या संरचनाचा वापर करून अनुमान मॉडेल म्हणून, (2) स्टोकेस्टिक युनिट्सला प्रारंभिक प्रशिक्षणात सक्रिय राहण्यास समर्थन देण्यासाठी उबदार कालावधी आणि (3) बॅच सामान्यीकरण वापरणे. या सुधारणांचा वापर करून आम्ही अनेक बेंचमार्क डेटासेटवर जनरेटिव्ह मॉडेलिंगसाठी अत्याधुनिक लॉग-संभाव्यता परिणाम दर्शवितो. |
feebbb3378245c28c708a290a888248026b06ca8 | एकाधिक हात तंत्रज्ञानावर आधारित एका नवीन बहु-वारंवारता मुद्रित चतुष्पाद हेलिक्स अँटेनाचा या लेखात उल्लेख केला आहे. दुहेरी वारंवारता आणि समाधानकारक अँटेना वैशिष्ट्ये साध्य केली जातात. या अँटेनाचा आकार तुलनेने लहान आहे आणि हेमिस्फेरिकल नमुना उत्कृष्ट परिपत्रक ध्रुवीकृत कव्हरेजसह आहे. एचएफएसएस सॉफ्टवेअरच्या वापरासह अँटेनाची रचना आणि अनुकरण केले जाते. यामध्ये सिमुलेशनचे परिणाम आणि विश्लेषण सादर केले आहे. |
1ee72ed1db4ddbc49922255194890037c7a2f797 | या पत्रात गॅस प्रक्रियेवर आधारित ब्रॉडबँड मोनोपल्सेस तुलनेत एमएमआयसी (मोनोलिथिक मायक्रोवेव्ह इंटिग्रेटेड सर्किट) सादर केले आहे. तीन मॅजिक टी आणि एक गटबद्ध पॉवर डिव्हिडरने बनवलेले तुलनात्मक नेटवर्क एक बेरीज चॅनेल आणि दोन डेल्टा चॅनेलसाठी प्रस्तावित आहे. मोजमापांच्या परिणामांमधून असे दिसून आले आहे की, 15 ते 30 गीगाहर्ट्झ (66.7% सापेक्ष वारंवारता बँडविड्थ) पर्यंत 2.5-डीबीपेक्षा कमी नुकसानीसह बेरीज चॅनेलसाठी खूप विस्तृत वारंवारता मिळू शकते. आणि शून्य खोली दोन डेल्टा चॅनेलसाठी 15-27GHz मध्ये 22 डीबी पेक्षा जास्त आणि 27-30GHz मध्ये 17 डीबी आहे. एकूण चिपचा आकार 3.4 mm आहे. (<इनलाइन-फॉर्मूला> <टेक्स-मॅथ नोटेशन="लाटेक्स">$0.26\lambda _{0}~0.26\lambda _{0}$ </text-math></inline-formula> 22.5 GHz च्या मध्यवर्ती वारंवारतेवर). |
202b3b3bb4a5190ce53b77564f9ae1dc65f3489b | |
8eea0da60738a54c0fc6a092aecf0daf0c51cee3 | या अभ्यासामध्ये वापरकर्त्यांची स्वीकृती, चिंता आणि अंशतः, अत्यंत आणि पूर्णपणे स्वयंचलित वाहने खरेदी करण्याची इच्छा यांचा तपास करण्यात आला. 63 प्रश्नांच्या इंटरनेट आधारित सर्वेक्षणातून 109 देशांतील (कमीत कमी 25 प्रतिसादकर्त्यांसह 40 देश) 5000 प्रतिसाद आम्ही गोळा केले. आम्ही आंतर-राष्ट्रीय फरक निश्चित केले आणि वैयक्तिक चलनांसह संबंधांचे मूल्यांकन केले, जसे की वय, लिंग आणि व्यक्तिमत्व वैशिष्ट्ये जसे की बिग फाइव्ह इन्व्हेंटरीच्या छोट्या आवृत्तीद्वारे मोजले गेले. या सर्वेक्षणात सहभागी झालेल्यांनी सांगितले की, त्यांना सर्वात जास्त आनंद हा मॅन्युअल ड्रायव्हिंगचाच अनुभव आहे. प्रतिसाद वेगवेगळे होते: 22% प्रतिसादकर्त्यांना पूर्णपणे स्वयंचलित ड्रायव्हिंग सिस्टमसाठी $ 0 पेक्षा जास्त पैसे द्यायचे नव्हते, तर 5% लोकांनी असे म्हटले की ते $ 30,000 पेक्षा जास्त पैसे देण्यास तयार असतील आणि 33% लोकांनी असे म्हटले की पूर्णपणे स्वयंचलित ड्रायव्हिंग अत्यंत आनंददायक असेल. 69% प्रतिसादकर्त्यांनी अंदाज व्यक्त केला की आतापासून 2050 पर्यंत पूर्णपणे स्वयंचलित वाहनचालनाचा 50% बाजार हिस्सा असेल. प्रतिसादकर्त्यांना सॉफ्टवेअर हॅकिंग/दुरुपयोग याविषयी सर्वाधिक चिंता असल्याचे आढळून आले आणि कायदेशीर समस्या आणि सुरक्षिततेबद्दलही ते चिंतित होते. न्यूरोटिसिझमवर जास्त गुण मिळवणारे प्रतिसादकर्ते डेटा प्रसारित करण्याबद्दल थोडेसे कमी आरामदायक होते, तर सहानुभूतीवर जास्त गुण मिळवणारे प्रतिसादकर्ते याबद्दल थोडेसे अधिक आरामदायक होते. अधिक विकसित देशांतील (कमी अपघात आकडेवारी, उच्च शिक्षण आणि उच्च उत्पन्नाच्या दृष्टीने) प्रतिसादकर्ते त्यांच्या वाहनाद्वारे डेटा पाठविण्याबद्दल कमी आरामदायक होते, ज्यामध्ये क = 0.80 आणि क = 0.90 दरम्यान आंतर-राष्ट्रीय संबंध आहेत. या निकालांमुळे आंतरराष्ट्रीय जनतेत आशा आणि चिंतेची प्रमुख क्षेत्रे दिसून आली आहेत आणि वाहन विकासक आणि इतर भागधारकांसाठी ती उपयुक्त ठरू शकतात. 2015 Elsevier लिमिटेड सर्व हक्क राखीव आहेत. |
2d4f10ccd2503c37ec32aa0033d3e5b3559f4404 | परिस्थितीची जाणीव ही उड्डाण सुरक्षा आणि ऑपरेशनल कामगिरीसाठी योगदान देणारा एक महत्त्वाचा घटक बनला आहे आणि आधुनिक विमानांमध्ये प्रगत एव्हिओनिक्स सिस्टमच्या स्थापनेशी संबंधित मानवी कामगिरीच्या आव्हानांना तोंड देण्यासाठी संशोधन वाढले आहे. परिस्थितीची जाणीव असलेला अभ्यास आणि त्याचा वापर कॉकपिटच्या पलीकडे जाऊन इतर जटिल, अत्यंत परिणामी कामाच्या क्षेत्रात काम करणारे हवाई वाहतूक नियंत्रक आणि कर्मचारी यांचा समावेश केला आहे. या खंडात निबंधांचे संग्रह आहे ज्यांनी परिस्थिती जागरूकता संशोधन आणि सराव मध्ये महत्त्वपूर्ण योगदान दिले आहे. या उद्देशाने, हे परिस्थिती जागरूकता, त्याच्या मूल्यांकनासाठी पद्धती आणि प्रशिक्षण आणि डिझाइनद्वारे परिस्थिती जागरूकता वाढविण्यासाठी अनुप्रयोगांच्या संकल्पनात्मक विकासाशी संबंधित प्रमुख वाचनांकडे अद्वितीय प्रवेश प्रदान करते. |
a7621b4ec18719b08f3a2a444b6d37a2e20227b7 | संगणक दृष्टी आणि मशीन लर्निंगमध्ये सर्वात जास्त प्रमाणात वापरल्या जाणाऱ्या आर्किटेक्चरपैकी एक म्हणजे संक्रमणीय नेटवर्क. जटिल फंक्शन्स शिकण्याची त्यांची क्षमता वाढविण्यासाठी, प्रशिक्षणासाठी मोठ्या प्रमाणात डेटा आवश्यक आहे. अत्याधुनिक परिणाम तयार करण्यासाठी मोठ्या संकुचित नेटवर्कला प्रशिक्षण देण्यासाठी आधुनिक GPU वापरतानाही आठवडे लागू शकतात. प्रशिक्षित नेटवर्कचा वापर करून लेबल तयार करणे देखील वेब-स्केल डेटासेटशी संबंधित असताना महाग असू शकते. या कामात, आम्ही एक साधा अल्गोरिदम सादर करतो जो प्रशिक्षण आणि निष्कर्षांना लक्षणीय घटकाद्वारे वेगवान करतो आणि विद्यमान अत्याधुनिक अंमलबजावणीच्या तुलनेत परिमाणच्या क्रमांकापेक्षा सुधारणा करू शकतो. हे फ्युरियर डोमेनमध्ये पॉइंटवाईज प्रॉडक्ट्स म्हणून कॉन्वॉल्यूशनची गणना करून केले जाते, त्याच रूपांतरित वैशिष्ट्य नकाशाचा अनेक वेळा पुन्हा वापर केला जातो. अल्गोरिदम जीपीयू आर्किटेक्चरवर अंमलात आणले गेले आहे आणि अनेक संबंधित आव्हानांना संबोधित केले आहे. |
0ee6f663f89e33eb84093ea9cd94212d1a8170c9 | एका लीक-वेव्ह अँटेना (एलडब्ल्यूए) चा शोध घेण्यात आला आहे आणि त्यास एकत्रित उजव्या/डाव्या (सीआरएलएच) सब्सट्रेट इंटिग्रेटेड वेव्हगाइड (एसआयडब्ल्यू) वर आधारित परिपत्रक ध्रुवीकरण आहे. सीरीज इंटरडिजिटल कॅपेसिटरला वेव्हगाइडच्या पृष्ठभागावर स्लॉट बनवून सर्किटमध्ये समाविष्ट केले गेले आहे. दोन सममितीय लीक ट्रॅव्हलिंग-वेव्ह ट्रान्समिशन लाइन ऑर्थोगोनल ध्रुवीकरणासह बाजूला ठेवल्या जातात आणि 90 ° टप्प्यातील फरकासह शुद्ध परिपत्रक ध्रुवीकरण मोड व्युत्पन्न करतात. या अँटेनाचा मुख्य बीम सतत बदलता येऊ शकतो व त्याच वेळी मुख्य बीम दिशेने कमी अक्षीय प्रमाण (3 डीबीपेक्षा कमी) राखले जाऊ शकते. या एलडब्ल्यूएची कामगिरी पूर्ण-लहरी सिम्युलेशन आणि चांगल्या कराराचे प्रदर्शन दर्शविणार्या तयार केलेल्या नमुन्याच्या मोजमापाद्वारे सत्यापित केली जाते. |
50bc77f3ec070940b1923b823503a4c2b09e9921 | |
48b38420f9c39c601dcf81621609d131b8035f94 | गेल्या दोन दशकांमध्ये आरोग्य देखरेख प्रणाली वेगाने विकसित झाल्या आहेत आणि सध्या आरोग्य सेवा देण्याची पद्धत बदलण्याची क्षमता आहे. जरी स्मार्ट आरोग्य देखरेख प्रणाली रुग्णांच्या देखरेखीच्या कार्ये स्वयंचलित करतात आणि अशा प्रकारे रुग्णांच्या वर्कफ्लो व्यवस्थापनात सुधारणा करतात, तरीही क्लिनिकल सेटिंग्जमध्ये त्यांची कार्यक्षमता अद्याप वादग्रस्त आहे. या लेखात स्मार्ट हेल्थ मॉनिटरिंग सिस्टिमचा आढावा आणि त्यांच्या डिझाईन आणि मॉडेलिंगचा आढावा दिला आहे. याशिवाय, सध्याच्या आरोग्य देखरेख प्रणाली सुधारण्यासाठी कार्यक्षमता, क्लिनिकल स्वीकार्यता, धोरणे आणि शिफारसी यांचे गंभीर विश्लेषण सादर केले जाईल. या अभ्यासाचे मुख्य उद्दिष्ट म्हणजे अत्याधुनिक मॉनिटरिंग सिस्टिमची समीक्षा करणे आणि स्मार्ट हेल्थ मॉनिटरिंग सिस्टिमच्या क्षेत्रात आढळलेल्या निष्कर्षांचे व्यापक आणि सखोल विश्लेषण करणे. यासाठी पन्नासहून अधिक वेगवेगळ्या मॉनिटरिंग सिस्टिमची निवड, वर्गीकरण, वर्गीकरण आणि तुलना करण्यात आली आहे. या योजनेत आरोग्य सेवा पुरवठादारांना भेडसावणाऱ्या समस्या आणि आरोग्य देखरेखीच्या क्षेत्रात येणाऱ्या संभाव्य आव्हानांची ओळख करून घेण्यात आली आहे. |
66336d0b89c3eca3dec0a41d2696a0fda23b6957 | उच्च-लाभ, ब्रॉडबँड आणि लो-प्रोफाइल सतत अनुप्रस्थ स्टब अँटेना अॅरे ई-बँडमध्ये सादर केले आहे. या अॅरेमध्ये 32 लांब स्लॉट्स समांतरपणे उत्तेजित केले जातात ज्यात एकसमान कॉर्पोरेट समांतर-प्लेट-वेव्हगाइड बीमफॉर्मिंग नेटवर्क एकत्रित केले जाते. रेडिएटिंग स्लॉट आणि कॉर्पोरेट फीड नेटवर्क अॅल्युमिनियममध्ये बनविलेले आहेत तर पिलबॉक्स कप्लर आणि त्याचे फोकल स्रोत प्रिंटेड सर्किट बोर्ड तंत्रज्ञानात तयार केले गेले आहेत. दोन्ही उत्पादन तंत्रज्ञानाचे संयोजन करण्यासाठी विशिष्ट संक्रमण तयार केले गेले आहेत. डिझाईन, फॅब्रिकेशन आणि मोजमापांचे परिणाम सविस्तर आहेत आणि एक सोपी डिझाइन पद्धत प्रस्तावित आहे. 71 ते 86 GHz दरम्यान अँटेनाची जुळणी चांगली आहे (S < -13.6 dB) आणि सिमुलेशन आणि मोजमापांमध्ये एक उत्कृष्ट करार आढळला आहे, ज्यामुळे प्रस्तावित डिझाइनचे प्रमाणीकरण केले गेले आहे. अँटेनाची वाढ संपूर्ण बँडविड्थवर 29.3 डीबीआयपेक्षा जास्त आहे, ज्यामध्ये 30.8 डीबीआयची पीक वाढ 82.25 जीएचझेडवर आहे आणि ई आणि एच प्लेनमध्ये अंदाजे समान अर्धा-शक्ती बीमविड्थ असलेला बीम आहे. या अँटेना आर्किटेक्चरला ई-बँडमध्ये पाचव्या पिढीतील बॅकहाऊलिंगसारख्या लांब पल्ल्याच्या मिलिमीटर-वेव्ह टेलिकम्युनिकेशन अनुप्रयोगांसाठी एक नाविन्यपूर्ण उपाय म्हणून मानले जाते. |
07d9dd5c25c944bf009256cdcb622feda53dabba | मार्कोव्ह चेन मोंटे कार्लो (उदाहरणार्थ, मेट्रोपोलिस अल्गोरिदम आणि गिब्स सॅम्पलर) हे अनेक प्रकारच्या सांख्यिकीय निष्कर्षांमध्ये उपयुक्त जटिल स्टोकास्टिक प्रक्रियेचे अनुकरण करण्यासाठी एक सामान्य साधन आहे. मार्कोव्ह चेन मॉन्टे कार्लोच्या मूलभूत गोष्टींचा आढावा घेतला जातो, ज्यात अल्गोरिदमची निवड आणि भिन्नता अंदाज समाविष्ट आहे आणि काही नवीन पद्धती सादर केल्या आहेत. मार्कोव्ह चेन मॉन्टे कार्लोचा वापर जास्तीत जास्त संभाव्यतेच्या अंदाजानुसार केला जातो आणि त्याची कामगिरी जास्तीत जास्त छद्म संभाव्यतेच्या अंदाजानुसार केली जाते. |
2ffd5c401a958e88c80291c48738d21d96942c1a | परवडण्याच्या संकल्पनेने स्वायत्त रोबोट नियंत्रणाबद्दलच्या आपल्या दृश्यावर कसा परिणाम होऊ शकतो आणि स्वायत्त रोबोटिक्समधून मिळवलेले परिणाम परवडण्याच्या संकल्पनेवर चर्चा आणि अभ्यासावर कसा प्रतिबिंबित होऊ शकतात याबद्दल आम्हाला स्वारस्य आहे. या लेखात आम्ही अभ्यास केला आहे की, 3 डी लेझर स्कॅनरने सुसज्ज असलेला एक मोबाइल रोबोट, ट्रॅव्हरेबिलिटी अॅफॉर्डन्स समजण्यास शिकू शकतो आणि त्याचा वापर गोलाकार, सिलेंडर आणि बॉक्स असलेल्या खोलीत फिरण्यासाठी करतो. या यंत्रणेने शिकल्यानंतर, नॉन-ट्रॅव्हर्सबल ऑब्जेक्ट्स (म्हणजेच, नॉन-ट्रॅव्हर्सबल ऑब्जेक्ट्स) च्या संपर्कात येण्यापासून रोबोट दूर फिरू शकतो. बॉक्स, उभ्या सिलेंडर, किंवा काही विशिष्ट दिशेने पडलेले सिलेंडर), परंतु ट्रॅव्हर्सल ऑब्जेक्ट्सवर (जसे की गोलाकार, आणि रोबोटच्या संदर्भात रोल करण्यायोग्य दिशेने पडलेले सिलेंडर) त्यांना त्याच्या मार्गातून बाहेर काढत आहेत. आम्ही हे दाखवून दिले आहे की प्रत्येक कृतीसाठी अंदाजे 1% समजण्यायोग्य वैशिष्ट्ये हे ठरविण्यासाठी महत्त्वपूर्ण आहेत की ते दिले गेले आहेत की नाही आणि हे संबंधित वैशिष्ट्ये श्रेणी प्रतिमेच्या काही विशिष्ट क्षेत्रांमध्ये आहेत. भौतिकशास्त्रावर आधारित सिम्युलेटर आणि खऱ्या रोबोटवर हे प्रयोग केले जातात. |
788121f29d86021a99a4d1d8ba53bb1312334b16 | या पेपरमध्ये ट्युटोरियल प्रक्रियेच्या स्वरूपाचा विचार केला आहे; ज्याद्वारे एक प्रौढ किंवा "तज्ज्ञ" कमी प्रौढ किंवा कमी तज्ज्ञ असलेल्या एखाद्यास मदत करतो. त्याचा उद्देश सर्वसाधारण असला तरी तो एका विशिष्ट कार्याच्या दृष्टीने व्यक्त केला जातो. एक शिक्षक 3, 4 आणि 5 वर्षांच्या मुलांना विशिष्ट त्रि-आयामी रचना तयार करण्यास शिकवण्याचा प्रयत्न करतो ज्यासाठी त्यांच्यापेक्षा जास्त कौशल्य आवश्यक आहे. हे सामान्य प्रकारचे ट्युटरिंग परिस्थिती आहे ज्यामध्ये एक सदस्य "उत्तर माहित आहे" आणि दुसरा नाही, त्याऐवजी "व्यावहारिक" सारखे ज्यामध्ये केवळ प्रशिक्षक "कसे माहित आहे". शिक्षक आणि मुलांच्या बदलत्या संवादामुळे आम्हाला माहिती मिळाली. विकसित होणाऱ्या मुलाच्या समस्या सोडवण्याच्या लवकरात लवकर मोठ्या प्रमाणात या क्रमवारीत आहे. आयुष्याच्या सुरुवातीच्या महिन्यांपासून तो स्वतःच "नैसर्गिक" समस्या सोडवणारा आहे (उदा. ब्रुनेर, 1973) हे सहसा सहजतेने होते की त्याचे प्रयत्न इतरांपेक्षा अधिक कुशल असलेल्यांना मदत करतात आणि त्यांना प्रोत्साहन देतात (के, 1970). तो उपस्थिती, संवाद, वस्तू हाताळणे, लोकोमोटिव्हिंग, किंवा, खरोखरच, समस्या सोडविण्याच्या अधिक प्रभावी प्रक्रियेची कौशल्ये शिकत आहे, सामान्यतः इतर उपस्थित असतात जे त्याला त्याच्या मार्गावर मदत करतात. थोडक्यात, शिक्षणप्रणालीतील संवाद हे बालपण आणि बालपणातील एक महत्त्वाचे वैशिष्ट्य आहे. आपल्या प्रजातीमध्ये, याव्यतिरिक्त, असे दिसते की केवळ एकमेव आहे ज्यामध्ये "वैयक्तिक" शिकवणी चालू आहे (ब्रूनर, 1972; हिंडे, 1971). उच्च प्राण्यांच्या प्रजाती त्यांच्या वडीलधाऱ्या प्राण्यांच्या निरीक्षणाद्वारे शिकतात हे खरे असले तरी (हॅम्बर्ग, 1968; व्हॅन लॅविक-गुडॉल, 1968), या वडीलधारी प्राण्यांनी त्यांच्या मुलांना या कौशल्याच्या कामगिरीमध्ये शिकवण्यासाठी काहीही केले नाही याचा पुरावा नाही. माणूस हा एक प्रजाती आहे हे केवळ शिकण्याची क्षमता नाही तर शिकवण्याची क्षमता देखील आहे. या पेपरचा मुख्य उद्देश आहे की, विकासशील मुलाच्या व त्याच्या वडीलधाऱ्या लोकांमधील या परस्परसंवादी, शिकवणीच्या संबंधाचे कौशल्य संपादन आणि समस्या सोडवण्याच्या अभ्यासासाठी काही प्रमुख परिणाम तपासणे. मानवी मुलामध्ये कौशल्याची प्राप्ती ही एक श्रेणीबद्ध कार्यक्रम म्हणून कल्पित केली जाऊ शकते ज्यामध्ये घटक कौशल्ये नवीन, अधिक जटिल कामाच्या आवश्यकता पूर्ण करण्यासाठी योग्य ऑर्केस्ट्रेशनद्वारे "उच्च कौशल्ये" मध्ये एकत्र केली जातात (ब्रूनर, 1973). ही प्रक्रिया समस्या सोडवण्याच्या प्रक्रियेशी संबंधित आहे ज्यामध्ये "निचऱ्या क्रमांकाच्या" किंवा घटक समस्यांचे प्रभुत्व हे मोठ्या प्रमाणात यशासाठी एक आवश्यक गोष्ट आहे, प्रत्येक पातळीवर इतरांवर प्रभाव पडतो - जसे वाचनात जेथे शब्दांचे डीसीफायरिंग शक्य होते वाक्यांचे डीसीफायरिंग आणि नंतर वाक्यांचे मदत विशिष्ट शब्दांचे डीसीफायरिंग (एफ. स्मिथ, 1971). तरुण शिक्षकामध्ये सततचा हेतू, घटक कौशल्यांचा "शब्दकोश" दिलेला, महत्त्वपूर्ण कार्य अनेकदा कॉम्पॅक्ट आणि सहजतेने शिकण्याची क्षमता आहे. |
13eba30632154428725983fcd8343f3f1b3f0695 | जवळजवळ सर्व वर्तमान अवलंबन पार्सर लाखो विरळ निर्देशक वैशिष्ट्यांवर आधारित वर्गीकरण करतात. या वैशिष्ट्यांचा सामान्यीकरण केवळ खराबच नाही तर वैशिष्ट्यांच्या संगणनाची किंमत पार्सिंग गती लक्षणीय मर्यादित करते. या कामात, आम्ही एक नवीन मार्ग सुचवतो तंत्रिका नेटवर्क वर्गीकरणकर्त्याचा उपयोग लोभी, संक्रमण-आधारित अवलंबन विश्लेषक मध्ये. कारण हा वर्गीकरणकर्ता फक्त थोड्या संख्येने घन वैशिष्ट्ये शिकतो आणि वापरतो, तो खूप वेगाने कार्य करू शकतो, तर इंग्रजी आणि चीनी डेटासेटवर लेबल नसलेल्या आणि लेबल केलेल्या संलग्नक स्कोअरमध्ये सुमारे 2% सुधारणा प्राप्त करते. आमच्या विश्लेषकाद्वारे प्रति सेकंद 1000 पेक्षा जास्त वाक्ये विश्लेषित केली जातात. 92.2% लेबल नसलेले संलग्नक इंग्रजी पेन ट्रीबँकवर. |
c22f9e2f3cc1c2296f7edb4cf780c6503e244a49 | |
3dd9793bc7b1f97115c45e90c8874f786262f466 | डेटा ट्रॅफिकला सेल्युलरवरून वायफायवर ढकलणे हे इंटर रेडिओ अॅक्सेस टेक्नॉलॉजी (आरएटी) ऑफलोडिंगचे उदाहरण आहे. यामुळे अतिभारित सेल्युलर नेटवर्कवरील गर्दी कमी होते, परंतु अशा प्रकारच्या ओव्हरलोडिंगची अंतिम क्षमता आणि त्याचा एकूणच सिस्टम कामगिरीवर होणारा परिणाम चांगल्या प्रकारे समजला जात नाही. या समस्येवर तोडगा काढण्यासाठी आम्ही एक सामान्य आणि व्यवहार्य मॉडेल विकसित करतो ज्यात एम वेगवेगळ्या आरएटी असतात, प्रत्येकात के पर्यंत प्रवेश बिंदू (एपी) चे वेगवेगळे स्तर तैनात केले जातात, जिथे प्रत्येक स्तरावर प्रेषण शक्ती, पथ नुकसान घाटे, तैनाती घनता आणि बँडविड्थमध्ये फरक असतो. प्रत्येक वर्गातील एपी स्वतंत्र पोयसन पॉईंट प्रोसेस (पीपीपी) म्हणून मॉडेल केले जातात, मोबाइल वापरकर्त्यांचे स्थान दुसर्या स्वतंत्र पीपीपी म्हणून मॉडेल केले जाते, सर्व चॅनेलमध्ये आयआयडी देखील असतात. रेले फेल होत आहे. त्यानंतर संपूर्ण नेटवर्कवर रेटचे वितरण वजनदार संघटनेच्या धोरणासाठी केले जाते, जिथे अशा वजन एका विशिष्ट उद्दीष्ट्याचे अनुकूलन करण्यासाठी ट्यून केले जाऊ शकते. आम्ही दर्शवितो की एसआयएनआर कव्हरेज जास्तीत जास्त करण्यासाठी ओप्टीमम फ्रॅक्शन ऑफ ऑफलोड केलेला रहदारी सामान्यतः समान नसते ज्यामुळे दर कव्हरेज जास्तीत जास्त होते, जे वापरकर्त्यांच्या तुलनेत निश्चित दर साध्य करतात. |
e7b4ea66dff3966fc9da581f32cb69132a7bbd99 | मॅक्रोसेल नेटवर्कमध्ये फेमटोसेलचा वापर करणे ही नेटवर्कची क्षमता आणि कव्हरेज वाढवण्याचा एक आर्थिक आणि प्रभावी मार्ग आहे. तथापि, इंटर-टियर आणि इंट्रा-टियर हस्तक्षेप आणि फेमटोसेलच्या अॅड-हॉक ऑपरेशनमुळे अशा तैनात करणे आव्हानात्मक आहे. ओएफडीएमएच्या लवचिक सबकॅनेल वाटप क्षमतेमुळे प्रेरित होऊन आम्ही द्विस्तरीय नेटवर्कमध्ये स्पेक्ट्रम वाटपाच्या परिणामाची तपासणी करतो, जिथे मॅक्रोसेल बंद प्रवेश धोरण वापरतात आणि फेमटोसेल खुले किंवा बंद प्रवेशामध्ये कार्य करू शकतात. एक सुलभ मॉडेल सादर करून, आम्ही वेगवेगळ्या स्पेक्ट्रम वाटप आणि फेमटोसेल प्रवेश धोरणांतर्गत प्रत्येक स्तरासाठी यशाची संभाव्यता प्राप्त करतो. आम्ही विशेषतः संयुक्त उप-चॅनेल वाटपाचा विचार करतो, ज्यामध्ये दोन्ही स्तरांद्वारे संपूर्ण स्पेक्ट्रम सामायिक केला जातो, तसेच विभक्त उप-चॅनेल वाटप, ज्याद्वारे उप-चॅनेलचे विभक्त संच दोन्ही स्तरांना दिले जातात. आम्ही सेवा गुणवत्तेच्या मर्यादांच्या अधीन असलेल्या यशस्वी संभाव्यतेच्या आणि प्रति-स्तरीय किमान दरांच्या दृष्टीने थ्रूपुट जास्तीत जास्त समस्या तयार करतो आणि इष्टतम स्पेक्ट्रम वाटपाची अंतर्दृष्टी प्रदान करतो. आमचे निष्कर्ष असे दर्शवतात की बंद प्रवेश असलेल्या फेमटोसेलसह, अनुकूलित संयुक्त आणि असंबद्ध सबकॅनेल वाटप अनुक्रमे विरळ आणि दाट फेमटोसेल नेटवर्कमधील सर्व योजनांमध्ये सर्वाधिक थ्रूपुट प्रदान करते. ओपन एक्सेस फेमटोसेलमध्ये, ऑप्टिमाइझ्ड जॉइंट सब-चॅनेल अॅलोकेशन सर्व फेमटोसेल डेन्सिटीसाठी सर्वाधिक संभाव्य थ्रूपुट प्रदान करते. |
09168f7259e0df1484115bfd44ce4fdcafdc15f7 | दोन स्तरीय सेल्युलर नेटवर्कमध्ये - कमी अंतराच्या फेमटोसेल हॉटस्पॉट्ससह अंतर्भूत असलेल्या मध्यवर्ती मॅक्रोसेलचा समावेश आहे - क्रॉस-लेयर इंटरफेरेन्स सार्वत्रिक वारंवारतेच्या पुनर्वापरासह एकूण क्षमता मर्यादित करते. युनिव्हर्सल फ्रिक्वेन्सीच्या पुनर्वापरासह जवळ-दूरच्या प्रभावांची संख्या निश्चित करण्यासाठी, हे पेपर एक मूलभूत संबंध प्राप्त करते जे शक्य सेल्युलर सिग्नल-टू-इंटरफेरेन्स-प्लस-आवाज गुणोत्तर (एसआयएनआर) प्रदान करते, कोणत्याही शक्य फेमटोसेल एसआयएनआरच्या सेटला दिले जाते. आम्ही दुवा बजेट विश्लेषण प्रदान करतो जे दुहेरी नेटवर्कमध्ये साध्या आणि अचूक कामगिरीची अंतर्दृष्टी सक्षम करते. कोकॅनल फेमटोसेल्सच्या मॅक्रोसेलमध्ये क्रॉस- लेयर इंटरफेरेन्स कमी करण्यासाठी फेमटोसेल्समध्ये वितरित उपयुक्तता-आधारित एसआयएनआर अनुकूलन प्रस्तावित केले आहे. फॉस्चिनी-मिलजॅनिक (एफएम) अल्गोरिदम हा अनुकूलनचा एक विशेष प्रकार आहे. प्रत्येक फेमटोसेल त्यांच्या वैयक्तिक उपयोगिताला जास्तीत जास्त करते ज्यात एसआयएनआर आधारित बक्षीस कमी केलेली किंमत (मॅक्रोसेलमध्ये हस्तक्षेप) असते. एफएमच्या तुलनेत फेमटोसेल एसआयएनआरमध्ये ३०% पेक्षा जास्त सुधारणा झाली आहे. जर क्रॉस-टियर इंटरफेरेन्स सेल्युलर वापरकर्त्याला एसआयएनआर लक्ष्य प्राप्त करण्यास प्रतिबंधित करते, तर एक अल्गोरिदम प्रस्तावित केला जातो जो सर्वात मजबूत फेमटोसेल इंटरफेरेर्सची प्रसारण शक्ती कमी करतो. अल्गोरिदम हे सुनिश्चित करते की सेल्युलर वापरकर्त्याने 100 फेमटोसेल / सेल-साइट (सामान्य सेल्युलर पॅरामीटर्ससह) सह देखील एसआयएनआर लक्ष्य गाठले आहे आणि फेमटोसेलमध्ये फक्त 16% च्या सर्वात वाईट परिस्थितीत एसआयएनआर कमी करणे आवश्यक आहे. या परिणामामुळे वीज नियंत्रण योजना तयार करण्यासाठी प्रेरणा मिळते ज्यात सामायिक स्पेक्ट्रम असलेल्या दुहेरी नेटवर्कमध्ये कमीतकमी नेटवर्क ओव्हरहेडची आवश्यकता असते. |
5309b8f4723d44de2fa51cd2c15bffebf541ef57 | पारंपारिक प्लॅनर प्रिंटेड क्वॉझी-यागी अँटेनाची साधेपणा आणि अंतर्ज्ञानी डिझाइनमुळे त्याच्या चांगल्या दिशात्मकतेसाठी व्यापक लोकप्रियता मिळू लागली आहे. या पेपरमध्ये, एस-बँडमध्ये कार्यरत, सिंगल डायरेक्टर आणि एक शंभरभुजाकृती पॅराबोलिक रिफ्लेक्टर असलेले एक नवीन अर्ध-यागी अँटेना प्रस्तावित केले आहे. प्रतिरोधक वैशिष्ट्य आणि किरणे वैशिष्ट्य सीएसटी-मायक्रोवेव्ह स्टुडिओसह अनुकरण केले जाते आणि अँटेना तयार केले जाते आणि मोजले जाते. मोजमापांचे परिणाम असे दर्शवतात की 2.28-2.63GHz वर काम करू शकणारा अँटेना ऑपरेटिंग फ्रिक्वेन्सी रेंजमध्ये 6.5dBi ची सरासरी वाढ मिळवू शकतो, विशेषतः 2.5GHz वर 7.5dBi ची सर्वात जास्त वाढ. प्रस्तावित अँटेनाचा वापर WLAN/TD-LTE/BD1 आणि अशाच इतर क्षेत्रात मोठ्या प्रमाणात केला जाऊ शकतो. |
c03c3583153d213f696f1cbd4cd65c57437473a5 | या पेपरमध्ये एलएलसी रेझोनंट कनवर्टरवर आधारित एलईडी (लाइट इमिटिंग डायोड) दिवा ड्रायव्हरचा प्रस्ताव आहे ज्यामध्ये उच्च पॉवर फॅक्टर आहे. प्रस्तावित सर्किटमध्ये पीएफसी (पॉवर फॅक्टर करेक्शन) साठी बूस्ट कन्वर्टर वापरला जातो जो सतत प्रवाह मोड (सीसीएम) मध्ये कार्य करतो आणि एलईडी दिवा भार चालविण्यासाठी अर्ध ब्रिज रेझोनंट कन्वर्टर वापरला जातो. एलएलसी कनवर्टर अशा प्रकारे डिझाइन केलेले आहे की क्वॅसी हाफ ब्रिजचे सॉलिड स्टेट स्विच स्विचिंग नुकसान कमी करण्यासाठी शून्य व्होल्टेज स्विचिंग (झेडव्हीएस) अंतर्गत कार्यरत आहेत. 50 वॅटच्या एलईडी ड्रायव्हरचे विश्लेषण, डिझाइन, मॉडेलिंग आणि सिम्युलेशन सर्वसाधारण एसी मेनसाठी मॅटॅब / सिम्युलिंक टूलचा वापर करून केले जाते. प्रस्तावित एलईडी दिवा चालकच्या कामगिरीचे मूल्यांकन करण्यासाठी वीज गुणवत्ता निर्देशांक जसे की एसी मेन वर्तमान (THDi), पॉवर फॅक्टर (PF) आणि क्रेस्ट फॅक्टर (CF) ची एकूण हार्मोनिक विकृती गणना केली जाते. |
94a62f470aeea69af436e2dd0b54cd50eaaa4b23 | शिफारस प्रणाली तयार करण्यासाठी सर्वात यशस्वी पध्दतींपैकी एक म्हणून, सहयोगी फिल्टरिंग (सीएफ) वापरकर्त्यांच्या गटाच्या ज्ञात प्राधान्यांचा वापर इतर वापरकर्त्यांसाठी अज्ञात प्राधान्यांची शिफारसी किंवा अंदाज करण्यासाठी करते. या पेपरमध्ये आम्ही प्रथम सीएफ कार्ये आणि त्यांच्या मुख्य आव्हानांची ओळख करून देतो, जसे की डेटा स्पायरिटी, स्केलेबिलिटी, समानार्थी, ग्रे शेप, शिलिंग हल्ले, गोपनीयता संरक्षण इ. आणि त्यांचे संभाव्य उपाय. आम्ही सीएफ तंत्रांच्या तीन मुख्य श्रेणी सादर करतोः मेमरी-आधारित, मॉडेल-आधारित आणि संकरित सीएफ अल्गोरिदम (जे सीएफला इतर शिफारसी तंत्रांसह एकत्र करतात), प्रत्येक श्रेणीच्या प्रतिनिधी अल्गोरिदमची उदाहरणे आणि त्यांच्या भविष्यवाणी कामगिरीचे विश्लेषण आणि आव्हानांना सामोरे जाण्याची त्यांची क्षमता. मूलभूत तंत्रांपासून ते अत्याधुनिक तंत्रज्ञानापर्यंत, आम्ही एफ. सी. तंत्रांचा एक व्यापक आढावा सादर करण्याचा प्रयत्न करतो, जो या क्षेत्रात संशोधन आणि सराव करण्यासाठी एक रोडमॅप म्हणून काम करू शकतो. |
ced981c28215dd218f05ecbba6512671b22d1cc6 | सारांश-आजकाल सोशल मीडियावर बातम्या, दुवे, प्रतिमा किंवा व्हीडीओ सारख्या माहिती मोठ्या प्रमाणात शेअर केल्या जातात. मात्र सोशल मीडियाच्या माध्यमातून माहिती प्रसारित करण्याच्या गुणवत्तेमध्ये कमीपणा आहे. अनेक संशोधकांनी ट्विटरवरील विश्वासार्हतेचा शोध घेतला आहे, पण फेसबुकवरील विश्वासार्हतेच्या माहितीचा कोणताही शोध अहवाल नाही. या लेखात फेसबुकवरील माहितीची विश्वासार्हता मोजण्यासाठी वैशिष्ट्ये मांडली आहेत. आम्ही फेसबुकवर विश्वासार्हतेसाठी ही प्रणाली विकसित केली. प्रथम, आम्ही प्रत्येक पोस्टची विश्वासार्हता मोजण्यासाठी मॅन्युअल मानवी लेबलिंगद्वारे एफबी विश्वासार्हता मूल्यांकनकर्ता विकसित केला आहे. त्यानंतर आम्ही सपोर्ट वेक्टर मशीन (एसव्हीएम) वापरून मॉडेल तयार करण्यासाठी प्रशिक्षण डेटा गोळा केला. दुसरे म्हणजे, आम्ही प्रत्येक पोस्टची विश्वासार्हता मोजण्यासाठी फेसबुक वापरकर्त्यांसाठी एफबी विश्वासार्हतेचा क्रोम विस्तार विकसित केला. आमच्या एफबी क्रेडिबिलिटी क्रोम एक्सटेंशनच्या वापर विश्लेषणाच्या आधारे, सुमारे 81% वापरकर्त्यांची उत्तरे सुचविलेल्या विश्वासार्हतेशी सहमत आहेत जी प्रस्तावित प्रणालीद्वारे स्वयंचलितपणे गणना केली जाते. |
1b2a8dc42d6eebc937c9642799a6de87985c3da6 | सोशल मीडिया नेटवर्कची ही घटना मोठ्या प्रमाणात मौल्यवान डेटा तयार करते जे ऑनलाइन उपलब्ध आहे आणि सहज उपलब्ध आहे. अनेक वापरकर्ते वेगवेगळ्या सोशल नेटवर्किंग साईट्सवर फोटो, व्हिडिओ, कमेंट्स, रिव्ह्यू, बातम्या आणि मते शेअर करतात. ट्विटर हे सर्वात लोकप्रिय आहे. ट्विटरवरून गोळा केलेले डेटा अत्यंत अव्यवस्थित आहेत आणि ट्विटमधून उपयुक्त माहिती काढणे हे एक आव्हानात्मक काम आहे. ट्विटरवर अरबी वापरकर्त्यांची संख्या मोठी आहे, जे अरबी भाषेत ट्विट करतात. भावना विश्लेषणाबाबत इंग्रजीत बरेच संशोधन झाले असले तरी अरबी भाषेत संशोधन आणि डेटासेटची संख्या मर्यादित आहे. या लेखात, आरोग्य सेवांविषयीच्या मतांबद्दलचा अरबी भाषेतील डेटासेटचा परिचय दिला आहे. या लेखात ट्विटरवरून माहिती गोळा करण्याच्या प्रक्रियेचा तपशील देण्यात आला आहे. तसेच अरबी भाषेतील मजकूर फिल्टर करणे, पूर्व-प्रक्रिया करणे आणि टिप्पणी देणे या प्रक्रियेचा तपशील देण्यात आला आहे. आमच्या आरोग्य डेटासेटवरील भावना विश्लेषणाच्या प्रयोगांमध्ये डीप आणि कन्व्हॉल्यूशनल न्यूरल नेटवर्क्ससह अनेक मशीन लर्निंग अल्गोरिदम (नाइव्ह बेज, सपोर्ट वेक्टर मशीन आणि लॉजिस्टिक रिग्रेशन) वापरण्यात आले. |
d228e3e200c2c6f757b9b3579fa058b2953083c0 | |
f87b713182d39297e930c41e23ff26394cbdcade | |
838ec45eeb7f63875742a76aa1080563f44af619 | या लेखाचा निष्कर्ष अशा काही संशोधन क्षेत्रांच्या उदाहरणांसह दिला जातो जे केस रिसर्च पद्धतीचा वापर करून तपासणीसाठी उपयुक्त आहेत. एसीएम श्रेणी: एच. ओ. , जे. ओ. या लेखात या गुणात्मक पद्धतींपैकी एक म्हणजे केस रिसर्चची रणनीती यांची व्याख्या आणि चर्चा केली आहे. या पद्धतीचा वापर करून संशोधन करू इच्छिणाऱ्या संशोधकांसाठी सूचना देण्यात आल्या आहेत. केस रिसर्चच्या मूल्यांकनासाठी निकष निश्चित केले गेले आहेत आणि अभ्यास वर्गीकरण करण्यासाठी उपयुक्त अनेक वैशिष्ट्ये ओळखली गेली आहेत. माहिती प्रणालीच्या जर्नल्समधून घेतलेल्या कागदपत्रांचा नमुना आढावा घेतला जातो. |
9cf2c6d3ab15c1f23fc708e74111324fa82a8169 | या लेखात शिक्षणात माहिती आणि तंत्रज्ञानाच्या भूमिकेवर चर्चा करण्यात आली आहे. माहिती आणि संप्रेषण तंत्रज्ञान (आयसीटी) सध्या मानवी जीवनाच्या प्रत्येक पैलूवर प्रभाव पाडत आहे. [२ पानांवरील चित्र] याव्यतिरिक्त, अनेक लोक आयसीटीला परिवर्तनासाठी उत्प्रेरक म्हणून ओळखतात; कामाच्या परिस्थितीत बदल, माहिती हाताळणे आणि देवाणघेवाण करणे, शिक्षण पद्धती, शिक्षण पद्धती, वैज्ञानिक संशोधन आणि माहितीमध्ये प्रवेश. म्हणूनच, या आढावा लेखात आयसीटीची भूमिका, आश्वासने, मर्यादा आणि शिक्षण प्रणालीमध्ये समाकलनाच्या मुख्य आव्हानांचा अभ्यास केला जाईल. या पुनरावलोकनात पुढील प्रश्नांची उत्तरे देण्याचा प्रयत्न केला गेला आहे: काही विकसनशील देशांच्या शिक्षण प्रणालीमध्ये आयसीटीचा वापर करण्याचे सध्याचे आश्वासन काय आहे? 3) शिक्षण प्रणालीमध्ये आयसीटीचा समावेश करण्याच्या मर्यादा आणि मुख्य आव्हाने कोणती आहेत? या आढावा मध्ये असे निष्कर्ष काढले गेले आहेत की, सर्व मर्यादा असूनही, आयसीटी शिक्षण प्रणालीला फायदा होतो, जेणेकरून शिक्षणातील आधुनिक पद्धतीनुसार, रचनात्मकतेनुसार दर्जेदार शिक्षण दिले जाऊ शकते. |
bb73ea8dc36030735c1439acf93a0e77ac8a907c | हे पत्र टॅब्लेट/लॅपटॉप संगणकासाठी एक अंतर्गत एकसमान लहान आकाराचे मल्टीबँड अँटेना सादर करते. प्रस्तावित अँटेना सामान्य एलटीई/डब्ल्यूडब्ल्यूएएन वाहिन्यांव्यतिरिक्त व्यावसायिक जीपीएस/ग्लोनास फ्रिक्वेन्सी बँड्सवरही कार्य करते. अँटेनामध्ये तीन भाग असतात: जोडलेले-पोषित, शॉर्टिंग आणि कमी वारंवारता असलेल्या स्पाइरल पट्ट्यांचा आकार 50 × 11 × 0.8 मिमी 2 असतो. स्पायरल स्ट्रिपच्या मदतीने 900 मेगाहर्ट्झवर कमी बँड ऑपरेशन मिळते. दोन ऑपरेटिंग फ्रिक्वेन्सी बँड 870-965 आणि 1556-2480 MHz कव्हर करतात. अनुकरण परिणामांना मान्य करण्यासाठी, प्रस्तावित छापील अँटेनाचा एक नमुना तयार केला जातो आणि त्याची चाचणी केली जाते. यामध्ये सिमुलेशन आणि मोजमापाच्या परिणामांमध्ये चांगली सुसंगतता आढळते. |
8308e7b39d1f556e4041b4630a41aa8435fe1a49 | एमआयएमओ (मल्टीपल-इनपुट मल्टीपल-आउटपुट) रडार एका आर्किटेक्चरचा संदर्भ देते ज्यामध्ये एकाधिक, अवकाशीय वितरित ट्रान्समीटर आणि रिसीव्हर्स वापरतात. एकूणच, एमआयएमओ रडारला मल्टीस्टॅटिक रडारचा एक प्रकार म्हणून पाहिले जाऊ शकते, परंतु स्वतंत्र नामकरणात असे अद्वितीय वैशिष्ट्ये आहेत जे एमआयएमओ रडारला मल्टीस्टॅटिक रडार साहित्यापासून वेगळे करतात आणि ज्यांचा एमआयएमओ संप्रेषणाशी जवळचा संबंध आहे. या लेखात एमआयएमओ रडारवर अलीकडील काही कामांचा आढावा घेण्यात आला आहे. मोठ्या प्रमाणात विभक्त प्रेषण / प्राप्त अँटेना लक्ष्य रडार क्रॉस सेक्शन (आरसीएस) च्या अवकाशीय विविधता कॅप्चर करतात. एमआयएमओ रडारची वैशिष्ट्ये स्पष्ट केली गेली आहेत आणि उदाहरणांद्वारे स्पष्ट केली गेली आहेत. हे दर्शविले जाते की नॉनकोहेरेन्सी प्रोसेसिंगसह, लक्ष्यित आरसीएसच्या अवकाशीय बदलणा-या लक्ष्य शोधण्यासाठी आणि आगमन कोन आणि डॉप्लर सारख्या विविध मापदंडांच्या अंदाजानुसार विविधता मिळविण्यासाठी शोषण केले जाऊ शकते. लक्ष्य स्थानासाठी, हे दर्शविले गेले आहे की सुसंगत प्रक्रिया रडारच्या तरंगरूपाने समर्थित केलेल्या रिझोल्यूशनपेक्षा जास्त रिझोल्यूशन प्रदान करू शकते. |
958d165f8bb77838ec915d4f214a2310e3adde19 | तुलनेने कमी आकाराच्या जागेत शब्द वास्तविक-मूल्यवान वेक्टर म्हणून वितरित केलेले प्रतिनिधित्व मोठ्या मजकूर कॉर्पोरामधून वाक्यरचना आणि सिमेंटिक वैशिष्ट्ये काढण्याचे उद्दीष्ट आहे. word2vec नावाचे नुकतेच सादर केलेले न्यूरल नेटवर्क (Mikolov et al., 2013a; Mikolov et al., 2013b), शब्द वेक्टरच्या दिशेने सिमेंटिक माहिती एन्कोड करण्यासाठी दर्शविले गेले. या संक्षिप्त अहवालात, शब्दसंग्रहातील शब्दांच्या महत्त्वचे मापन म्हणून शब्द वारंवारतेसह वेक्टरची लांबी वापरण्याचा प्रस्ताव आहे. या प्रस्तावाला समर्थन देण्यासाठी डोमेन-विशिष्ट सारांश कॉर्पसचा वापर करून प्रायोगिक पुरावा सादर केला आहे. मजकूर कॉर्पोरासाठी एक उपयुक्त व्हिज्युअलायझेशन तंत्र उदयास येते, जिथे शब्द दोन-आयामी विमानावर मॅप केले जातात आणि स्वयंचलितपणे महत्त्वानुसार क्रमवारी लावले जातात. |
bb9e418469d018be7f5ac2c4b2435ccac50088a3 | मल्टीमीडिया समुदायामध्ये मल्टीमीडिया सामग्रीचे अधिक प्रभावीपणे विश्लेषण करण्यासाठी खोल शिक्षण-आधारित तंत्रांचा उदय झाला आहे. गेल्या दशकात, डीप-लर्निंग आणि मल्टीमीडिया विश्लेषणाच्या अभिसरणाने वर्गीकरण, शोध आणि पुनरावृत्ती यासारख्या अनेक पारंपारिक कामांची कार्यक्षमता वाढविली आहे आणि सिमेंटिक सेगमेंटेशन, कॅप्शन आणि सामग्री निर्मिती यासारख्या बर्याच तुलनेने नवीन क्षेत्रांच्या लँडस्केपमध्ये मूलभूत बदल केले आहेत. या लेखाचा उद्देश मल्टीमीडिया विश्लेषणाच्या प्रमुख कामांच्या विकासाचा आढावा घेणे आणि भविष्यातील दिशानिर्देशांवर एक नजर टाकणे हा आहे. आम्ही मल्टिमिडीया विश्लेषणाशी संबंधित मूलभूत गहन तंत्रांचा सारांश देऊन प्रारंभ करतो, विशेषतः व्हिज्युअल डोमेनमध्ये आणि नंतर अलीकडील प्रगतीद्वारे समर्थित उच्च-स्तरीय प्रतिनिधी कार्यांचा आढावा घेतो. याव्यतिरिक्त, लोकप्रिय बेंचमार्कच्या कामगिरीचा आढावा तंत्रज्ञानाच्या प्रगतीचा मार्ग प्रदान करतो आणि माईलस्टोन कामे आणि भविष्यातील दिशानिर्देश दोन्ही ओळखण्यास मदत करतो. |
c481fb721531640e047ac7f598bd7714a5e62b33 | पारंपरिक शिक्षण पद्धतीमध्ये शालेय पुस्तकांबरोबरच शाब्दिक सूचना देऊन शिक्षकांनी विद्यार्थ्यांना शिकवण्याचा प्रयत्न केला आहे. मात्र, माहिती आणि संप्रेषण तंत्रज्ञानाच्या विकासासाठी शिक्षण आणि शिक्षण पद्धती बदलल्या जाऊ शकतात. आता वेळ आली आहे विद्यार्थ्यांना इंटरएक्टिव्ह लर्निंग सिस्टम देण्याची जेणेकरून ते त्यांचे शिक्षण, पकडणे आणि लक्षात ठेवण्याची क्षमता सुधारू शकतील. विद्यार्थ्यांसाठी उच्च दर्जाचे आणि वास्तववादी वातावरण तयार करणे अत्यावश्यक आहे. दृश्य शिक्षण हे त्यांच्या शिकण्याला समजणे आणि सामोरे जाणे सोपे असू शकते. आम्ही प्राथमिक स्तरावरील विद्यार्थ्यांसाठी व्हिडिओच्या स्वरूपात विविध मल्टीमीडिया अॅप्लिकेशन टूल्सचा वापर करून व्हिज्युअल लर्निंग मटेरियल (सौर यंत्रणेचा आढावा) विकसित केला. या पेपरचे उद्दीष्ट व्हिज्युअल लर्निंग मटेरियल आणि मिश्रित आघाडीद्वारे नवीन ज्ञान किंवा कौशल्ये प्राप्त करण्यासाठी विद्यार्थ्यांच्या क्षमतेचा परिणाम तपासणे आहे जे शिक्षकांच्या सूचनांसह व्हिज्युअल लर्निंग मटेरियलचे एकत्रीकरण आहे. आम्ही या अभ्यासासाठी ढाका शहरातील एका प्राथमिक शाळेत गेलो होतो आणि विद्यार्थ्यांच्या तीन वेगवेगळ्या गटांसह शिक्षण घेतले होते (i) शिक्षक विद्यार्थ्यांना समान साहित्यावरील पारंपारिक पद्धतीने शिकवत होते आणि विद्यार्थ्यांच्या अनुकूलतेची पातळी प्रश्नांच्या संचाद्वारे चिन्हांकित केली गेली होती (ii) दुसर्या गटाला केवळ दृश्य शिक्षण सामग्रीसह शिकवले गेले आणि 15 प्रश्नावलींसह मूल्यांकन केले गेले, (iii) तिसऱ्या गटाला शिक्षकांच्या सूचनांसह एकत्रित सौर यंत्रणेचा व्हिडिओ शिकविण्यात आला आणि त्याच प्रश्नावलींसह मूल्यांकन केले गेले. तोंडी सूचनांसह दृश्य सामग्री (सौर प्रणाली) या एकत्रीकरणामुळे शिकण्याची मिश्रित पद्धत आहे. या अभ्यासामुळे विद्यार्थ्यांच्या ज्ञान आणि कौशल्य प्राप्तीच्या क्षमतेला चालना मिळाली. इतर दोन पद्धतींपेक्षा मिश्रित तंत्राकडे विद्यार्थ्यांचे प्रतिसाद आणि समज खूप सकारात्मक होते. ही परस्परसंवादी मिश्रण झुकाव प्रणाली विशेषतः शालेय मुलांसाठी योग्य पद्धत असू शकते. |
bde40c638fd03b685114d8854de2349969f2e091 | शहरी ब्लॅक होल, एक वाहतूक विसंगती म्हणून, आजकाल अनेक मोठ्या शहरांमध्ये अनेक विनाशकारी अपघातांना कारणीभूत ठरले आहे. पारंपारिक पद्धती केवळ एकल स्त्रोत डेटावर अवलंबून असतात (उदाहरणार्थ, टॅक्सी ट्रॅजेक्टरीज) एका दृष्टीकोनातून ब्लॅकहोल शोधणे अल्गोरिदम डिझाइन करण्यासाठी, जे प्रादेशिक गर्दीच्या प्रवाहाचे वर्णन करण्यासाठी अपूर्ण आहे. या लेखात, आम्ही न्यूयॉर्क शहरातील (एनवायसी) प्रत्येक प्रदेशातील शहरी ब्लॅक होलचे मॉडेलिंग केले आहे. टेन्सरच्या गहाळ नोंदींना पूरक करून संदर्भ-जागरूक टेन्सर विघटन दृष्टिकोनाद्वारे, आम्ही भौगोलिक वैशिष्ट्यांचे ज्ञान, 311 तक्रार वैशिष्ट्ये आणि मानवी गतिशीलता वैशिष्ट्ये NYC मध्ये ब्लॅकहोल परिस्थिती पुनर्प्राप्त करण्यासाठी. या माहितीमुळे स्थानिक रहिवासी आणि अधिकाऱ्यांना निर्णय घेण्यास मदत होईल. आम्ही आमच्या मॉडेलचे मूल्यांकन न्यूयॉर्कशी संबंधित पाच डेटासेटसह करतो, शहरी ब्लॅक होलचे निदान करतो ज्यांची ओळख एकाच डेटासेटद्वारे करता येत नाही (किंवा आढळलेल्यापेक्षा आधी). प्रायोगिक परिणामांमध्ये चार मूलभूत पद्धतींपेक्षा अधिक फायदे दिसून आले आहेत. |
09f83b83fd3b0114c2c902212101152c2d2d1259 | |
e905396dce34e495b32e40b93195deeba7096476 | या कम्युनिकेशनमध्ये एक ब्रॉड-बँड आणि लो-प्रोफाइल एच-प्लेन हॉर्न अँटेना सादर केला आहे जो मोठ्या चालविण्याच्या जमिनीसह रिगेड सब्सट्रेट इंटिग्रेटेड वेव्हगाइड (एसआयडब्ल्यू) वर आधारित आहे. हॉर्न अँटेना एका सब्सट्रेटमध्ये 0.13 λ0 च्या मध्यवर्ती वारंवारतेसह अंमलात आणले जाते. कमी प्रोफाइल असूनही, नवीन एच-प्लेन हॉर्न अँटेना विस्तारित डायलेक्ट्रिक स्लॅबवर छापलेल्या कर्ण-आकारातील तांबे कॉपर आणि तीन-चरण रेटेड एसआयडब्ल्यू संक्रमणाचा वापर करून खूप विस्तृत बँडविड्थ प्राप्त करते. ऑपरेशन बँडविड्थ वाढविण्यासाठी आणि वैशिष्ट्यपूर्ण प्रतिरोध कमी करण्यासाठी रिड्ड एसआयडब्ल्यू महत्त्वपूर्ण आहे जेणेकरून कोएक्सियल प्रोबपासून अरुंद एसआयडब्ल्यूपर्यंत विस्तृत वारंवारता श्रेणीवर उत्कृष्ट प्रतिरोध जुळवून घेता येईल. मोजलेल्या व्हीएसडब्ल्यूआरची निर्मिती केलेली हॉर्न अँटेना 2.5 पेक्षा कमी आहे 6.6 GHz ते 18 GHz पर्यंत. त्याच वारंवारता श्रेणीवरही हे अँटेना स्थिर किरणे देणारे बीम दाखवते. असे दिसून आले आहे की मोजलेल्या परिणामांचे अनुकरण केलेल्या परिणामांशी चांगले साम्य आहे. |
a33a1c0f69327b9bc112ee4857112312c41b13ff | आम्ही शैली वाढीचा परिचय देतो, डेटा वाढीचा एक नवीन प्रकार यादृच्छिक शैली हस्तांतरणावर आधारित आहे, वर्गीकरण आणि पुनरावृत्ती आधारित कार्ये दोन्हीवर कन्वॉल्यूशनल न्यूरल नेटवर्क (सीएनएन) ची मजबुती सुधारण्यासाठी. प्रशिक्षणादरम्यान, आमच्या शैलीतील वाढीमुळे पोत, फरक आणि रंग यादृच्छिक होतात, तर आकार आणि अर्थपूर्ण सामग्री टिकून राहते. शैली यादृच्छिकरण करण्यासाठी मनमानी शैली हस्तांतरण नेटवर्कचे अनुकूलन करून, शैली प्रतिमेमधून निष्कर्ष काढण्याऐवजी बहु-परिवर्तनीय सामान्य वितरणातून इनपुट शैली एम्बेड केल्याचे नमुना घेतल्याने हे साध्य केले जाते. मानक वर्गीकरण प्रयोगांव्यतिरिक्त, आम्ही डोमेन हस्तांतरण कार्यांवर शैली वाढीचा (आणि सामान्यतः डेटा वाढीचा) परिणाम तपासतो. आम्हाला आढळले की डेटा वाढीमुळे डोमेन शिफ्टची मजबुती लक्षणीय वाढते आणि डोमेन अनुकूलनासाठी एक साधे, डोमेन अज्ञेयवादी पर्याय म्हणून वापरले जाऊ शकते. सात पारंपरिक वर्धित तंत्रज्ञानाच्या मिश्रणाशी शैली वर्धिततेची तुलना करताना, आम्हाला आढळले की नेटवर्कची कार्यक्षमता सुधारण्यासाठी हे सहजपणे एकत्र केले जाऊ शकते. आम्ही वर्गीकरण आणि मोनोक्युलर खोलीच्या अंदाजानुसार डोमेन हस्तांतरण प्रयोगांसह आमच्या तंत्राची कार्यक्षमता प्रमाणित करतो, सामान्यीकरणात सातत्याने सुधारणा दर्शवितो. |
91acde3f3db1f793070d9e58b05c48401ff46925 | निर्णय झाडे हे सांख्यिकीय डेटा वर्गीकरणातील एक लोकप्रिय तंत्र आहे. ते पुनरावृत्तीने वैशिष्ट्य स्पेसला विभक्त उप-प्रदेशात विभागतात जोपर्यंत प्रत्येक उप-प्रदेश विशिष्ट वर्गाच्या संदर्भात एकसमान होत नाही. मूलभूत वर्गीकरण आणि पुनरावृत्ती वृक्ष (सीएआरटी) अल्गोरिदम अक्ष समांतर विभाजन वापरून वैशिष्ट्य जागा विभाजीत करते. जेव्हा वास्तविक निर्णय सीमा वैशिष्ट्य अक्षांसह संरेखित होत नाहीत, तेव्हा हा दृष्टिकोन एक जटिल सीमा रचना तयार करू शकतो. ओबलीक निर्णय झाडे संभाव्यपणे सीमा संरचना सुलभ करण्यासाठी ओबलीक निर्णय सीमा वापरतात. या पद्धतीची मुख्य मर्यादा म्हणजे झाडाच्या प्रेरणेचा अल्गोरिदम संगणकीयदृष्ट्या महाग आहे. या लेखात आम्ही एक नवीन निर्णय वृक्ष अल्गोरिदम, एचएचसीएआरटी नावाचा सादर करतो. या पद्धतीमध्ये वृक्ष निर्मिती दरम्यान प्रत्येक नोडवर प्रशिक्षण डेटा प्रतिबिंबित करण्यासाठी गृहस्थ मॅट्रिक्सची मालिका वापरली जाते. प्रत्येक प्रतिबिंब प्रत्येक वर्ग सहप्रतिकार मॅट्रिक्सच्या स्वतः च्या वेक्टरच्या दिशानिर्देशांवर आधारित आहे. प्रतिबिंबित प्रशिक्षण डेटामध्ये अक्ष समांतर विभाजन विचारात घेतल्यास प्रतिबिंबित नसलेल्या प्रशिक्षण डेटामध्ये तिरकस विभाजन शोधण्याचा एक प्रभावी मार्ग उपलब्ध होतो. प्रयोगात्मक परिणामांवरून असे दिसून येते की एचएचसीएआरटी वृक्षांची अचूकता आणि आकार साहित्यातील काही बेंचमार्क पद्धतींशी तुलना करता येतील. एचएचसीएआरटीचे आकर्षक वैशिष्ट्य म्हणजे ते एकाच तिरपे विभागात गुणात्मक आणि संख्यात्मक वैशिष्ट्ये दोन्ही हाताळू शकते. |
896e160b98d52d13a97caa664038e37e86075ee4 | प्रतिमांसाठी स्वयंचलितपणे शिकलेले गुणवत्ता मूल्यांकन अलीकडेच विविध प्रकारच्या अनुप्रयोगांमध्ये उपयुक्ततेमुळे एक गरम विषय बनला आहे, जसे की प्रतिमा कॅप्चर पाइपलाइन, स्टोरेज तंत्र आणि मीडिया सामायिकरण मूल्यांकन करणे. या समस्येचे व्यक्तिपरक स्वरूप असूनही, बहुतेक विद्यमान पद्धती केवळ एव्हीए आणि टीआयडी २०१३ सारख्या डेटा सेटद्वारे प्रदान केलेल्या सरासरी मताची भविष्यवाणी करतात. आमचा दृष्टिकोन इतरांपेक्षा वेगळा आहे कारण आम्ही मानवी मतांच्या स्कोअरच्या वितरणाचा अंदाज बांधतो एक संक्रमणीय न्यूरल नेटवर्क वापरून. आमच्या आर्किटेक्चरला देखील याचा फायदा आहे की तुलनात्मक कामगिरीसह इतर पद्धतींपेक्षा हे खूपच सोपे आहे. आमचा प्रस्तावित दृष्टीकोन सिद्ध, अत्याधुनिक, खोल ऑब्जेक्ट ओळख नेटवर्कच्या यशावर (आणि पुन्हा प्रशिक्षणावर) अवलंबून आहे. या नेटवर्कचा वापर केवळ प्रतिमांना विश्वासार्हतेने आणि मानवी आकलनाशी उच्च संबंध ठेवण्यासाठीच केला जाऊ शकत नाही तर फोटोग्राफिक पाइपलाइनमध्ये फोटो संपादन / सुधारित अल्गोरिदमचे अनुकूलन आणि ऑप्टिमायझेशन करण्यास मदत करण्यासाठी देखील केला जाऊ शकतो. या सर्व गोष्टींना गोल्डन संदर्भ प्रतिमेची आवश्यकता नसते, परिणामी एकल-चित्र, सिमेंटिक- आणि अनुभूती-जागरूक, संदर्भ नसलेल्या गुणवत्तेचे मूल्यांकन करणे शक्य होते. |
8cfb316b3233d9b598265e3b3d40b8b064014d63 | व्हिडिओ वर्गीकरणातील सध्याची अत्याधुनिक स्थिती स्थानिक व्हिज्युअल डिस्क्रिप्टर्सचा वापर करून बॅग-ऑफ-वर्डवर आधारित आहे. बहुतेकदा हे अभिमुख ग्रेडियंट्स (एचओजी), ऑप्टिकल फ्लो (एचओएफ) आणि मोशन बॉर्डर हिस्टोग्राम (एमबीएच) चे वर्णन करणारे हिस्टोग्राम असतात. असा दृष्टिकोन वर्गीकरणासाठी खूप शक्तिशाली आहे, परंतु संगणकीयदृष्ट्या देखील महाग आहे. या पेपरमध्ये संगणकीय कार्यक्षमतेची समस्या आहे. विशेषतः: (1) आम्ही घनदाट नमुना HOG, HOF आणि MBH वर्णनकर्त्यांसाठी अनेक वेगवान-अप प्रस्तावित करतो आणि मॅटलाब कोड सोडतो; (2) आम्ही फ्रेम सॅम्पलिंग रेट आणि प्रकारच्या ऑप्टिकल फ्लो पद्धतीच्या दृष्टीने वर्णनकर्त्यांच्या अचूकता आणि संगणकीय कार्यक्षमतेमधील तडजोडीची तपासणी करतो; (3) आम्ही वैशिष्ट्य शब्दसंग्रह गणना करण्यासाठी अचूकता आणि संगणकीय कार्यक्षमता यांच्यातील तडजोडीची तपासणी करतो, सामान्यतः स्वीकारलेल्या वेक्टर क्वांटिझेशन तंत्रांचा वापर करून आणि तुलना करूनः $ $ k $ k -means, पदानुक्रमित $ $ k $ k -means, रँडम फॉरेस्ट, फिशर वेक्टर आणि व्हीएलएडी. |
9992626e8e063c1b23e1920efd63ab4f008710ac | |
1a8fd4b2f127d02f70f1c94f330628be31d18681 | |
d880d303ee0bfdbc80fc34df0978088cd15ce861 | सारांश- आम्ही केवळ सामान्य नमुने वापरून व्हिडिओ विसंगती शोधणे आणि स्थानिकीकरण करण्यासाठी एक नवीन एंड-टू-एंड अंशतः देखरेख केलेला खोल शिक्षण दृष्टिकोन सादर करतो. या अभ्यासाला प्रेरणा देणारी अंतर्दृष्टी अशी आहे की सामान्य नमुने गॉसियन मिश्रण मॉडेल (जीएमएम) च्या कमीतकमी एका गॉसियन घटकाशी संबंधित असू शकतात, तर विसंगती कोणत्याही गॉसियन घटकाशी संबंधित नाहीत. ही पद्धत गॉसियन मिश्रण व्हेरिएशनल ऑटोएनकोडरवर आधारित आहे, जी सामान्य नमुन्यांची वैशिष्ट्यपूर्ण प्रतिनिधित्व गॉसियन मिश्रण मॉडेल म्हणून खोल शिक्षण वापरून प्रशिक्षित केली जाऊ शकते. इनपुट इमेज आणि आउटपुट फीचर मॅप दरम्यान सापेक्ष अवकाशीय समन्वय राखण्यासाठी एन्कोडर-डेकोडर स्ट्रक्चरसाठी पूर्णपणे जोडलेले लेयर नसलेले एक पूर्णपणे कॉन्व्होल्युशनल नेटवर्क (एफसीएन) वापरले जाते. प्रत्येक गॉसियन मिश्रण घटकांच्या संयुक्त संभाव्यतेवर आधारित, आम्ही प्रतिमा चाचणी पॅचच्या विसंगतीचे गुणक करण्यासाठी नमुना ऊर्जा आधारित पद्धत सादर करतो. दोन-प्रवाह नेटवर्क फ्रेमवर्क वापरले जाते, जे दृश्य आणि हालचालीतील विकृतींना एकत्र करते, पूर्वीच्या आणि डायनॅमिक फ्लो प्रतिमांसाठी आरजीबी फ्रेम वापरते. आम्ही आमच्या दृष्टिकोनाची चाचणी दोन लोकप्रिय बेंचमार्कवर (यूसीएसडी डेटासेट आणि अॅवेन्यू डेटासेट) करतो. प्रयोगात्मक परिणामांनी आपल्या पद्धतीची श्रेष्ठता कलात्मक स्थितीच्या तुलनेत सत्यापित केली आहे. |
09f02eee625b7aa6ba7e6f31cfb56f6d4ddd0fdd | वर्ल्ड वाइड वेब (डब्ल्यूडब्ल्यूडब्ल्यू) आणि स्मार्टफोन तंत्रज्ञानाच्या उत्क्रांतीमुळे आपल्या दैनंदिन जीवनात क्रांती घडवून आणण्यात महत्त्वाची भूमिका बजावली आहे. स्थान आधारित सामाजिक नेटवर्क (एलबीएसएन) उदयास आले आहेत आणि वापरकर्त्यांना चेक-इन माहिती आणि मल्टिमिडीया सामग्री सामायिक करण्यास सुलभ केले आहे. पॉईंट ऑफ इंटरेस्ट (पीओआय) शिफारस प्रणाली चेक-इन माहितीचा वापर सर्वात संभाव्य चेक-इन स्थळांचा अंदाज लावण्यासाठी करते. चेक-इन माहितीचे विविध पैलू, उदाहरणार्थ, भौगोलिक अंतर, श्रेणी आणि पीओआयची काळाची लोकप्रियता; आणि काळाची चेक-इन ट्रेंड आणि वापरकर्त्याची सामाजिक (मैत्री) माहिती कार्यक्षम शिफारसीमध्ये महत्त्वपूर्ण भूमिका बजावते. या लेखात आम्ही एक एकत्रित शिफारस मॉडेल प्रस्तावित करतो ज्याला एमएपीएस (मल्टी-एस्पेक्ट पर्सनलाइज्ड पीओआय रेकमेंडर सिस्टम) असे म्हणतात, जे आपल्या ज्ञानानुसार प्रथम श्रेणी, तात्पुरते, सामाजिक आणि अवकाशीय पैलू एकाच मॉडेलमध्ये एकत्रित करेल. या पेपरचे मुख्य योगदान असे आहे: (i) हे श्रेणी आणि अंतर पैलूंवर निर्बंध असलेल्या स्थान नोड्सच्या आलेख म्हणून समस्येचे साकार करते (म्हणजेच. दोन ठिकाणांच्या दरम्यानची सीमा एका उंबरठ्यावरील अंतरावर आणि ठिकाणांच्या श्रेणीने मर्यादित आहे), (ii) हे एकाधिक-आयामी फ्यूज्ड पीओआय शिफारस मॉडेलचा प्रस्ताव देते आणि (iii) हे मॉडेलचे दोन वास्तविक जगाच्या डेटा सेटसह विस्तृतपणे मूल्यांकन करते. |
04d7b7851683809cab561d09b5c5c80bd5c33c80 | प्राथमिक विज्ञान परीक्षेच्या आव्हानात्मक क्षेत्रात गुणवत्ता नियंत्रण यंत्रणा सातत्याने प्रगती करत आहे. या कामात, आम्ही ज्ञान आणि निष्कर्षांच्या आवश्यकतांचे स्पष्टीकरण-आधारित विश्लेषण विकसित करतो, जे आव्हानांचे बारीक-तणावलेले वैशिष्ट्य समर्थन करते. विशेषतः, आम्ही गुणवत्ता आश्वासन कार्यासाठी वापरल्या जाणाऱ्या पुराव्यांच्या योग्य स्रोतांवर आधारित आवश्यकतांचे मॉडेल तयार करतो. आम्ही प्रथम योग्य उत्तराचे समर्थन करणारे ज्ञान आधारातील योग्य वाक्ये ओळखून आवश्यकता तयार करतो, नंतर या स्पष्टीकरणासाठी वापरतो, आवश्यक असलेली कोणतीही माहिती गहाळ आहे. या स्पष्टीकरणाचा उपयोग आवश्यकतांचे बारीक वर्गीकरण तयार करण्यासाठी केला जातो. या आवश्यकतांचा वापर करून, आम्ही २१२ प्रश्नांवरील पुनर्प्राप्ती आणि अनुमान सोडवणाराची तुलना करतो. विश्लेषण निष्कर्षाच्या सोल्व्हरच्या फायद्यांना मान्यता देते, हे दर्शविते की हे जटिल निष्कर्षाची आवश्यकता असलेल्या अधिक प्रश्नांची उत्तरे देते, तसेच सोल्व्हर आणि ज्ञान स्त्रोतांच्या सापेक्ष सामर्थ्याची अंतर्दृष्टी देखील प्रदान करते. आम्ही विज्ञान परीक्षेच्या QA साठी विस्तृत उपयोगितासह संसाधन म्हणून एनोटेटेड प्रश्न आणि स्पष्टीकरण सोडतो, ज्यात ज्ञान बेस बांधकामाचे लक्ष्य निश्चित करणे तसेच स्वयंचलित अनुमानात माहिती एकत्रित करण्यास समर्थन देणे समाविष्ट आहे. |
248040fa359a9f18527e28687822cf67d6adaf16 | आम्ही रोबोट लर्निंग फ्रॉम डेमोन्स्ट्रेशन (एलएफडी) चा एक व्यापक सर्वेक्षण सादर करतो, जो एक तंत्र आहे जो उदाहरण राज्यातून कृती मॅपिंगपर्यंत धोरणे विकसित करतो. आम्ही एलएफडी डिझाइन निवडींचे प्रदर्शन, समस्या जागा, धोरण व्युत्पन्न आणि कार्यक्षमतेच्या दृष्टीने परिचय देतो आणि एलएफडी संशोधनाचे वर्गीकरण करण्यासाठी संरचनेसाठी पाया घालतो. विशेष म्हणजे, आम्ही अनेक प्रकारे उदाहरणे गोळा केली जातात, ज्यात टेलिऑपरेशनपासून ते अनुकरण करण्यापर्यंत, तसेच धोरण व्युत्पन्न करण्यासाठी विविध तंत्रे, ज्यात जुळणारे फंक्शन्स, डायनॅमिक्स मॉडेल आणि योजना समाविष्ट आहेत, त्यांचे विश्लेषण आणि वर्गीकरण करतो. या लेखाच्या शेवटी आपण एलएफडीच्या मर्यादा आणि भविष्यातील संशोधनासाठी संबंधित आशादायक क्षेत्रांबद्दल चर्चा करू. |
38b1eb892e51661cd0e3c9f6c38f1f7f8def1317 | स्मार्टफोन आणि "अॅप" बाजारपेठांमुळे तृतीय-पक्ष अनुप्रयोग वापरकर्त्यांच्या गोपनीयता-संवेदनशील डेटाचा गैरवापर किंवा अयोग्यरित्या हाताळणी कशी करू शकतात याबद्दल चिंता वाढत आहे. सुदैवाने, पीसीच्या विपरीत, आपल्याकडे मोबाईल अॅप्लिकेशन्सची सुरक्षा सुधारण्याची अनोखी संधी आहे. लोकप्रिय अॅप मार्केटच्या माध्यमातून अॅप वितरणाच्या केंद्रीकृत स्वरूपामुळे. अॅप मार्केट प्रवेशाच्या प्रक्रियेचा भाग म्हणून लागू केलेल्या अॅप्सची सखोल पडताळणी केल्याने मोबाइल डिव्हाइसची सुरक्षा लक्षणीय वाढण्याची क्षमता आहे. या लेखात आम्ही अॅपइन्स्पेक्टरची शिफारस करतो, एक स्वयंचलित सुरक्षा सत्यापन प्रणाली जी अॅप्सचे विश्लेषण करते आणि संभाव्य सुरक्षा आणि गोपनीयता उल्लंघनाची अहवाल तयार करते. आम्ही स्वयंचलित सत्यापनाद्वारे स्मार्टफोन अॅप्स अधिक सुरक्षित बनविण्याच्या आमच्या दृष्टीकोनाचे वर्णन करतो आणि सुरक्षा आणि गोपनीयता उल्लंघनाचा शोध घेणे आणि त्यांचे विश्लेषण करणे, कसून चाचणी कव्हरेज सुनिश्चित करणे आणि मोठ्या संख्येने अॅप्सवर स्केल करणे यासारख्या मुख्य आव्हानांची रूपरेषा मांडतो. |
74640bdf33a1e8b7a319fbbbaeccf681f80861cc | |
b7634a0ac84902b135b6073b61ed6a1909f89bd2 | |
c7b007d546d24322152719898c2836910f0d3939 | या संशोधनात असेही दिसून आले आहे की, विद्यार्थी फेसबुकसारख्या साइट्सचा वापर प्रामुख्याने विद्यमान वैयक्तिक संबंध टिकवून ठेवण्यासाठी करतात आणि एसएनएसवर स्वतःचे सादरीकरण नियंत्रित करण्यासाठी निवडकपणे गोपनीयता सेटिंग्ज वापरतात. या अभ्यासाचे निष्कर्ष महाविद्यालयीन विद्यार्थ्यांच्या एसएनएसवरील स्व-प्रकटीकरणास समजून घेण्यास मदत करतात, व्यक्तिमत्व आणि स्व-प्रकटीकरणाबद्दलच्या साहित्यात भर घालतात आणि ऑनलाईन स्व-प्रस्तुतीकरणावर संशोधन आणि सराव करण्यासाठी भविष्यातील दिशानिर्देश तयार करतात. एल्सेवियर लिमिटेड द्वारे प्रकाशित. या संशोधनातून उच्च शिक्षण संस्थांमधील ऑनलाईन क्षेत्रामध्ये आत्म-प्रकटीकरणाच्या विद्यमान सिद्धांताचा विस्तार करण्याचा आणि महाविद्यालयीन विद्यार्थ्यांद्वारे लोकप्रिय सोशल नेटवर्किंग साइट (एसएनएस), फेसबुकच्या वापराबद्दल ज्ञान आणि समज वाढविण्याचा प्रयत्न केला जात आहे. आम्ही एक प्रयोगात्मक अभ्यास केला ज्यामध्ये विद्यापीठातील विद्यार्थी (एन = 463) फेसबुक कसे वापरतात याचा अभ्यास केला आणि ऑनलाइन एसएनएस-आधारित वातावरणात माहिती उघड करण्यात व्यक्तिमत्व आणि संस्कृतीची भूमिका तपासली. परिणाम असे दिसून आले की व्यक्ती ऑनलाइन आणि वैयक्तिकरित्या भिन्नपणे उघड करतात आणि संस्कृती आणि व्यक्तिमत्व दोन्ही महत्त्वाचे आहेत. विशेष म्हणजे, असे आढळून आले की, बाहेरगावीपणा कमी असलेले आणि ऑनलाइन वातावरणात संवाद साधणारे सामूहिक व्यक्ती इतरांपेक्षा कमी प्रामाणिक आणि प्रेक्षकांशी संबंधित माहिती उघड करतात. |
c83abfeb5a2f7d431022cd1f8dd7da41431c4810 | आम्ही चौकात चालकांच्या वर्तनाचा अंदाज लावण्यासाठी एक फ्रेमवर्क सादर करतो, ज्यात ऑटोमोटिव्ह ड्रायव्हिंग आणि वाहनांच्या सुरक्षिततेसाठी अनुप्रयोग आहेत. या फ्रेमवर्कमध्ये ड्रायव्हरचे वर्तन आणि वाहनाची गतिशीलता ही हायब्रिड-स्टेट सिस्टम (एचएसएस) म्हणून मॉडेलिंग केली जाते. ड्रायव्हरच्या निर्णयांचे मॉडेलिंग डिसक्रिट-स्टेट सिस्टम म्हणून केले जाते आणि वाहनाची गतिशीलता सतत-स्टेट सिस्टम म्हणून मॉडेल केली जाते. प्रस्तावित अंदाज पद्धतीमध्ये निरीक्षण करण्यायोग्य मापदंडांचा वापर करून त्वरित सतत स्थितीचा मागोवा घेतला जातो आणि या निरीक्षणांच्या आधारे चालकाच्या सर्वात संभाव्य वर्तनाचा अंदाज लावला जातो. या पेपरमध्ये एक फ्रेमवर्क वर्णन केले आहे ज्यामध्ये वाहन-ड्राइव्हर कपलिंगची संकरित रचना समाविष्ट आहे आणि फिल्टर केलेल्या सतत निरीक्षणांमधून ड्रायव्हर वर्तनाचा अंदाज लावण्यासाठी लपविलेले मार्कोव्ह मॉडेल (एचएमएम) वापरते. अशा पद्धतीमुळे इतर वाहनांच्या अज्ञात निर्णयांसह परिस्थितीत बदल होऊ शकतो, जसे की लेन बदलणे किंवा चौकात प्रवेश करणे. अशा प्रकारच्या चौकटीसाठी व्यापक डेटा संकलनाची आवश्यकता असते आणि लेखकांनी वाहन चालविण्याच्या डेटाचे संकलन आणि विश्लेषण करण्यासाठी वापरल्या जाणार्या प्रक्रियेचे वर्णन केले आहे. उदाहरणार्थ, प्रस्तावित हायब्रिड आर्किटेक्चर आणि ड्रायव्हर वर्तन अंदाज तंत्र प्रशिक्षित आणि आकृती परिणाम प्रदान सह छेदनबिंदू जवळ चाचणी केली जाते. प्रस्तावित फ्रेमवर्क, साधे वर्गीकरणकर्ते आणि नैसर्गिक ड्रायव्हर अंदाज यांच्यात तुलना केली जाते. एचएसएस-एचएमएम फ्रेमवर्कचा वापर करण्यासाठी प्राप्त परिणाम आशादायक आहेत. |
a8c1347b82ba3d7ce03122955762db86d44186d0 | या पेपरमध्ये मोठ्या प्रमाणात व्हिडिओ पुनर्प्राप्तीसाठी एक नवीन फ्रेमवर्क विकसित केले आहे. आम्ही उच्च स्तरीय समानतांनुसार व्हिडिओ शोधण्याचा प्रयत्न करतो, जे पारंपारिक जवळजवळ डुप्लिकेट शोधाच्या व्याप्तीच्या पलीकडे आहे. लोकप्रिय हॅशिंग तंत्राचे अनुसरण करून आम्ही जवळच्या शेजाऱ्याचा शोध घेण्यासाठी कॉम्पॅक्ट बायनरी कोड वापरतो. मागील पद्धतींप्रमाणे ज्यामध्ये पुनर्प्राप्तीसाठी फक्त एका प्रकारच्या हॅश कोडचा वापर केला जातो, या पेपरमध्ये व्हिडिओंमधील विविध आणि बहु-स्केल व्हिज्युअल सामग्रीचे प्रभावीपणे वर्णन करण्यासाठी विषम हॅश कोड एकत्र केले जातात. आमची पद्धत फीचर पूलिंग आणि हॅशिंगला एकाच फ्रेमवर्कमध्ये समाकलित करते. एकत्रित करण्याच्या टप्प्यात, आम्ही व्हिडिओ फ्रेम पूर्वनिर्धारित घटकांच्या संचामध्ये टाकतो, जे व्हिडिओ सामग्रीच्या विविध सिमेंटिक्सला कॅप्चर करतात. हॅशिंग स्टेजमध्ये, आम्ही प्रत्येक व्हिडिओ घटक कॉम्पॅक्ट हॅश कोड म्हणून प्रतिनिधित्व करतो, आणि प्रभावी शोधासाठी एकाधिक हॅश कोड हॅश टेबलमध्ये एकत्र करतो. माहितीपूर्ण कोड कायम ठेवून पुनर्प्राप्तीला गती देण्यासाठी, आम्ही ग्राफ-आधारित प्रभाव जास्तीत जास्त पद्धत प्रस्तावित करतो पूलिंग आणि हॅशिंग टप्प्यांचा पूल करण्यासाठी. आपण दाखवतो की प्रभाव जास्तीत जास्त समस्या सबमॉड्यूलर आहे, जी लोभी ऑप्टिमायझेशन पद्धतीला जवळजवळ इष्टतम समाधान मिळविण्यास अनुमती देते. आमची पद्धत खूप कार्यक्षमतेने कार्य करते, TRECVID डेटासेटमधून हजारो व्हिडिओ क्लिप सुमारे 0.001 सेकंदात पुनर्प्राप्त करते. 1M नमुन्यांसह मोठ्या प्रमाणात संश्लेषित डेटासेटसाठी, 100 क्वेरीला प्रतिसाद देण्यासाठी 1 सेकंदापेक्षा कमी वेळ लागतो. आमच्या पद्धतीचे व्यापकपणे मूल्यांकन केले जाते आणि TRECVID मल्टीमीडिया इव्हेंट डिटेक्शन आणि कोलंबिया कंज्यूमर व्हिडिओ डेटासेटवर परिणाम आमच्या प्रस्तावित तंत्राच्या यशाचे प्रदर्शन करतात. |
0faccce84266d2a8f0c4fa08c33b357b42cf17f2 | अनेक भाषा निर्मिती कार्यासाठी संरचित आणि असंरचित इनपुट दोन्हीवर आधारित मजकूर तयार करणे आवश्यक असते. आम्ही एक नवीन न्यूरल नेटवर्क आर्किटेक्चर सादर करतो जे इनपुट फंक्शन्सच्या मनमानी संख्येवर आधारित आउटपुट अनुक्रम तयार करते. महत्त्वाचे म्हणजे, आमचा दृष्टिकोन संदर्भ आणि निर्मितीची निवड, उदाहरणार्थ वर्ण किंवा टोकन, हाताळण्याची परवानगी देतो, अशा प्रकारे स्केलेबल आणि प्रभावी प्रशिक्षण देणे शक्य होते. या फ्रेमवर्कचा वापर करून, आम्ही मिश्रित नैसर्गिक भाषा आणि संरचित तपशीलापासून प्रोग्रामिंग कोड तयार करण्याच्या समस्येचे निराकरण करतो. आम्ही या नमुन्यासाठी दोन नवीन डेटा सेट तयार केले आहेत जे मॅजिक द गॅथरिंग आणि हार्टस्टोन या संग्रहणीय ट्रेडिंग कार्ड गेममधून आले आहेत. या आणि तिसऱ्या आधीपासून अस्तित्वात असलेल्या कॉर्पसवर आम्ही दाखवतो की अनेक भविष्यवाणी करणाऱ्यांना बाजूला ठेवून आमच्या मॉडेलला मजबूत बेंचमार्कपेक्षा अधिक कामगिरी करण्याची परवानगी मिळते. |
ac569822882547080d3dc51fed10c746946a6cfd | |
e70ea58d023df2c31325a9b409ee4493e38b6768 | |
3895912b187adee599b1ea662da92865dd0b197d | आरोग्य सेवा क्षेत्रात मोठ्या प्रमाणात माहितीचे विश्लेषण करण्याचे आश्वासन आणि संभाव्य वर्णन करणे. पद्धती या लेखात आरोग्य सेवा क्षेत्रातील मोठ्या डेटा विश्लेषणाच्या नव्या क्षेत्राचे वर्णन केले आहे, त्याचे फायदे, आर्किटेक्चरल फ्रेमवर्क आणि पद्धतीची रूपरेषा, साहित्यात नोंदवलेल्या उदाहरणांचे वर्णन केले आहे, आव्हानांवर थोडक्यात चर्चा केली आहे आणि निष्कर्ष दिले आहेत. परिणामी, हे कागद आरोग्यसेवा संशोधक आणि व्यावसायिकांसाठी मोठ्या डेटा विश्लेषणाचे व्यापक विहंगावलोकन प्रदान करते. निष्कर्ष आरोग्य सेवा क्षेत्रात मोठ्या प्रमाणात डेटा विश्लेषणामुळे मोठ्या प्रमाणात डेटा सेटमधून अंतर्दृष्टी प्रदान करणे आणि खर्च कमी करताना परिणाम सुधारणे हा एक आशादायक क्षेत्र बनत आहे. या क्षेत्रात खूप मोठी क्षमता आहे; मात्र, यापुढेही अनेक आव्हाने आहेत. |
73a19026fb8a6ef5bf238ff472f31100c33753d0 | या पेपरमध्ये, आम्ही असोसिएशन नियम खाण बद्दल मूलभूत संकल्पनांची पूर्वतयारी प्रदान करतो आणि विद्यमान असोसिएशन नियम खाण तंत्रांची यादी पाहतो. अर्थात, एका लेखात सर्व अल्गोरिदमचा संपूर्ण आढावा घेता येणार नाही, तरीही आम्हाला आशा आहे की उद्धृत केलेल्या संदर्भात प्रमुख सैद्धांतिक समस्यांचा समावेश असेल, संशोधकांना अद्याप शोधले नसलेल्या मनोरंजक संशोधन दिशानिर्देशांमध्ये मार्गदर्शन करेल. |
75e5ba7621935b57b2be7bf4a10cad66a9c445b9 | आम्ही एक पॅरामीटर-मुक्त चेहर्यावरील ओळख अल्गोरिदम विकसित करतो जो प्रकाश, अभिव्यक्ती, आच्छादन आणि वयामध्ये मोठ्या प्रमाणात बदल करण्यासाठी संवेदनशील नाही. प्रति विषय एकच गॅलरी नमुना वापरून. आपण या निरीक्षणाचा फायदा घेत आहोत की समदूरच्या प्रोटोटाइप एम्बेडिंग ही एक इष्टतम एम्बेडिंग आहे जी किमान एक-विरोधी-अन्य मार्जिन वर्गांमधील जास्तीत जास्त करते. प्रशिक्षण डेटाची जागतिक किंवा स्थानिक रचना टिकवून ठेवण्याऐवजी, आमची पद्धत, ज्याला रेषीय पुनरावृत्ती विश्लेषण (एलआरए) म्हणतात, प्रशिक्षण डेटाच्या वास्तविक संरचनेकडे दुर्लक्ष करून, गॅलरी नमुने समान अंतरावर असलेल्या ठिकाणी मॅप करण्यासाठी किमान-वर्ग पुनरावृत्ती तंत्र लागू करते. याव्यतिरिक्त, एलआरएची सामान्यीकरण क्षमता वाढविण्यासाठी एक नवीन सामान्य शिक्षण पद्धत समाविष्ट केली गेली आहे, जी सामान्य चेहऱ्यांच्या शून्य वेक्टरच्या वर्गातील अंतर अंतर नकाशे तयार करते. या नवीन पद्धतीचा वापर करून, केवळ काही सामान्य वर्गांवर आधारित शिक्षणाने चेहर्याची ओळख कार्यक्षमता मोठ्या प्रमाणात सुधारू शकते, जरी सामान्य डेटा वेगळ्या डेटाबेस आणि कॅमेरा सेटअपमधून गोळा केला गेला तरीही. ग्रेविल अल्गोरिदमवर आधारित वाढीव शिक्षण नवीन येणाऱ्या गॅलरी वर्ग, प्रशिक्षण नमुने किंवा सर्वसाधारण भिन्नतेपासून मॅपिंग मॅट्रिक्स कार्यक्षमतेने अद्यतनित करते. जरी हे अगदी सोपे आणि पॅरामीटर-मुक्त असले तरी, एलआरए, सामान्यतः वापरल्या जाणार्या स्थानिक वर्णनकर्त्यांसह, जसे की गॅबोर प्रतिनिधित्व आणि स्थानिक बायनरी नमुने, विस्तारित येल बी, सीएमयू पीआयई, एआर आणि संबंधित लेखकांच्या अनेक मानक प्रयोगांसाठी अत्याधुनिक पद्धतींपेक्षा अधिक कार्य करते. टेलिफोन: +86 10 62283059 फॅक्स: +86 10 62285019 ई-मेल पत्ता: [email protected] (वेईहोंग डेंग) प्रिप्रिंट एल्सव्हिअरला 28 मार्च 2014 रोजी पाठविण्यात आला. |
b1cfe7f8b8557b03fa38036030f09b448d925041 | - या पेपरमध्ये मानवी दृश्य प्रणालीच्या सुरुवातीच्या टप्प्यात व्हिज्युअल माहिती प्रक्रियेसाठी मल्टी-चॅनेल फिल्टरिंग सिद्धांताद्वारे प्रेरित एक पोत विभाजन अल्गोरिदम सादर केला आहे. गॅबोर फिल्टरच्या बँकेद्वारे चॅनेलची वैशिष्ट्यीकृत आहे जी जवळजवळ एकसमानपणे अवकाशीय-वारंवार डोमेन व्यापते आणि एक पद्धतशीर फिल्टर निवड योजना प्रस्तावित केली गेली आहे, जी फिल्टर केलेल्या प्रतिमांमधून इनपुट प्रतिमेच्या पुनर्रचनेवर आधारित आहे. प्रत्येक (निवडलेल्या) फिल्टर केलेल्या प्रतिमेला एक नॉन-लाइनियर रूपांतरणाच्या अधीन ठेवून आणि प्रत्येक पिक्सेलच्या आसपासच्या विंडोमध्ये "ऊर्जा" मोजण्याचे गणना करून पोत वैशिष्ट्ये मिळविली जातात. नंतर फीचर इमेजेस एकत्रित करण्यासाठी आणि सेगमेंटेशन तयार करण्यासाठी स्क्वेअर-एरर क्लस्टरिंग अल्गोरिदम वापरला जातो. क्लस्टरिंग प्रक्रियेत स्थानिक माहिती समाविष्ट करण्यासाठी एक सोपी प्रक्रिया प्रस्तावित केली आहे. एक सापेक्ष निर्देशांक पोत श्रेणी " खरे" संख्या अंदाज करण्यासाठी वापरले जाते. पोत विभागणी बहु-चॅनेल फिल्टरिंग क्लस्टरिंग क्लस्टरिंग निर्देशांक गॅबोर फिल्टर वेव्हलेट ट्रान्सफॉर्म I. I N T R O D U C I O N अनेक प्रतिमा विश्लेषण किंवा संगणक दृष्टी अनुप्रयोगांमध्ये प्रतिमा विभाजन एक कठीण परंतु अतिशय महत्वाचे कार्य आहे. छोट्या छोट्या शेजारच्या भागात सरासरी ग्रे लेव्हल किंवा रंगात फरक नेहमीच प्रतिमा विभाजनासाठी पुरेसे नसतात. त्याऐवजी, शेजारच्या पिक्सेलच्या राखाडी मूल्यांच्या अवकाशाच्या व्यवस्थेतील फरकावर अवलंबून रहावे लागेल - म्हणजेच, पोतातील फरकावर. मजकूर संकेतानुसार प्रतिमा विभागण्याची समस्या मजकूर विभागणी समस्या म्हणून ओळखली जाते. टेक्सचर सेगमेंटेशनमध्ये दिलेल्या प्रतिमेमध्ये "एकसमान" पोत असलेल्या क्षेत्रांची ओळख करणे समाविष्ट आहे. एखाद्या विशिष्ट प्रदेशात एकसमान पोत आहे की नाही हे ठरविण्यासाठी पोतचे योग्य उपाय आवश्यक आहेत. स्क्लांस्की (o) यांनी टेक्स्चरची खालील व्याख्या सुचविली आहे जी सेगमेंटेशन संदर्भात योग्य आहे: "इमेजमधील एका क्षेत्रामध्ये स्थिर टेक्स्चर आहे जर स्थानिक आकडेवारीचा एक संच किंवा चित्राचे इतर स्थानिक गुणधर्म स्थिर, हळूहळू बदलणारे किंवा अंदाजे नियतकालिक असतील. त्यामुळे, पोत, स्थानिक आणि जागतिक दोन्ही अर्थ आहेत - ते प्रतिमा प्रदेशात काही स्थानिक उपाय किंवा गुणधर्मांच्या अपरिवर्तनीयतेद्वारे दर्शविले जाते. नैसर्गिक आणि कृत्रिम पोत यांची विविधता पोत यांची सार्वत्रिक व्याख्या करणे अशक्य करते. गेल्या दोन दशकांमध्ये प्रतिमेच्या पोत विश्लेषणासाठी मोठ्या संख्येने तंत्रे प्रस्तावित केली गेली आहेत. या पेपरमध्ये आम्ही पोत विश्लेषणासाठी एका विशिष्ट दृष्टिकोनावर लक्ष केंद्रित केले आहे ज्याला या कामाला नॅशनल सायन्स फाउंडेशन इन्फ्रास्ट्रक्चर अनुदान सीडीए -8806599 आणि ई. आय. ड्यु पोंट डी नेमोर्स अँड कंपनी इंक. मल्टि-चॅनेल फिल्टरिंग पद्धत. हा दृष्टिकोन मानवी दृश्य प्रणालीच्या सुरुवातीच्या टप्प्यात दृश्य माहितीवर प्रक्रिया करण्यासाठी मल्टी-चॅनेल फिल्टरिंग सिद्धांताद्वारे प्रेरित आहे. कॅम्पबेल आणि रॉबसन यांनी प्रथम प्रस्तावित केलेले सिद्धांत (4) असे मानले जाते की दृश्य प्रणाली रेटिना प्रतिमेला अनेक फिल्टर केलेल्या प्रतिमांमध्ये विघटन करते, त्या प्रत्येकात वारंवारता (आकार) आणि अभिमुखतेच्या अरुंद श्रेणीमध्ये तीव्रतेचे बदल असतात. अशा प्रकारच्या विघटनाने सुचवलेल्या मानसशास्त्रीय प्रयोगांमध्ये उत्तेजना म्हणून विविध जाळीच्या नमुन्यांचा वापर केला गेला आणि ते अनुकूलन तंत्रावर आधारित होते. त्यानंतरच्या मनोवैज्ञानिक प्रयोगांनी या सिद्धांताला आधार देणारे अतिरिक्त पुरावे दिले. डी वालोइस व इतर. उदाहरणार्थ, मॅकॅक माकडच्या दृश्यात्मक कॉर्टेक्समधील साध्या पेशींच्या प्रतिसादाची नोंद वेगवेगळ्या वारंवारता आणि अभिमुखता असलेल्या सिनसॉइडल ग्रीटिंग्जवर केली गेली. प्रत्येक पेशी केवळ संकीर्ण वारंवारता आणि अभिमुखतेच्या श्रेणीला प्रतिसाद देते हे लक्षात आले. त्यामुळे असे दिसते की सस्तन प्राण्यांच्या दृश्यात्मक कॉर्टेक्समध्ये अशी यंत्रणा आहे जी संकुचित श्रेणीतील वारंवारता आणि अभिमुखतेच्या संयोजनांवर ट्यून केली जाते. या यंत्रणांना अनेकदा चॅनेल म्हणून संबोधले जाते आणि बँड-पास फिल्टर म्हणून योग्यरित्या अर्थ लावला जातो. बहु-चॅनेल फिल्टरिंग पद्धत सहजतेने आकर्षक आहे कारण ती आपल्याला भिन्न आकारांच्या प्रमुख आकार आणि अभिमुखतेतील फरक शोषण्यास अनुमती देते. आज, पोत विश्लेषणासाठी एकाधिक-रिझोल्यूशन दृष्टिकोनाची आवश्यकता चांगलीच ओळखली जाते. या पॅराडाइमच्या अनुषंगाने पोत विश्लेषणाच्या इतर पद्धतींचा विस्तार करावा लागला आहे, तर मल्टी-चॅनेल फिल्टरिंग दृष्टिकोन, मूळतः बहु-रिझोल्यूशन आहे. आणखी एक महत्त्वाचा |
5757dd57950f6b3c4d90a342a170061c8c535536 | या लेखात स्टिरिओ व्हिजनसाठी जुळणारी किंमत मोजण्याच्या समस्येचा एक नवीन दृष्टीकोन सादर केला आहे. हा दृष्टिकोन एक संक्रमणीय न्यूरल नेटवर्कवर आधारित आहे जो स्टिरिओ प्रतिमा जोड्यांकडून इनपुट पॅचची समानता मोजण्यासाठी वापरला जातो. अत्याधुनिक स्टीरियो पाइपलाइनच्या चरणांसह एकत्रितपणे, ही पद्धत प्रमुख स्टीरियो बेंचमार्कमध्ये उत्कृष्ट परिणाम प्राप्त करते. या लेखात स्टिरिओ मॅचिंगची समस्या मांडण्यात आली आहे, प्रस्तावित पद्धतीवर चर्चा करण्यात आली आहे आणि अलीकडील स्टिरिओ डेटासेटचे परिणाम दर्शविले आहेत. |
4b65024cd376067156a5ac967899a7748fa31f6f | जागतिक स्तरावरील डेटासेटचा वापर वाढत चालला आहे. वेब लॉग, मोबाईल वापर आकडेवारी आणि सेन्सर नेटवर्क). त्याच वेळी, या डेटासेटच्या ग्राहकांनी अत्याधुनिक आवश्यकता विकसित केल्या आहेत, जसे की इव्हेंट-टाइम ऑर्डर करणे आणि डेटाच्या वैशिष्ट्यांद्वारे विंडो करणे, जलद उत्तरांच्या अतुलनीय भूक व्यतिरिक्त. दरम्यान, व्यावहारिकता हे सांगते की या प्रकारच्या इनपुटसाठी अचूकता, विलंब आणि किंमतीच्या सर्व आयामांवर कधीही पूर्णपणे ऑप्टिमाइझ करता येत नाही. परिणामी, डेटा प्रोसेसिंग प्रॅक्टिशनर्सना या स्पर्धात्मक प्रस्तावांच्या दरम्यान तणाव कसा सुलझावा याबद्दल अडचणीत सापडले आहे, ज्यामुळे बर्याचदा विसंगत अंमलबजावणी आणि प्रणाली उद्भवतात. आधुनिक डेटा प्रोसेसिंगमध्ये या विकसित गरजा पूर्ण करण्यासाठी दृष्टिकोनात मूलभूत बदल करणे आवश्यक आहे. आपण या क्षेत्रात असंख्य डेटासेटला संपन्न माहितीच्या मर्यादित संचामध्ये बदलण्याचा प्रयत्न करणे थांबवावे. त्याऐवजी आपण हे समजून जगूया की आपण सर्व डेटा कधी पाहिला हे आपल्याला कधीच कळणार नाही. नवीन डेटा येईल, जुना डेटा परत घेता येईल. आणि ही समस्या सोडविण्याचा एकमेव मार्ग आहे तत्त्वनिष्ठ अमूर्तता ज्यामुळे अभ्यासक योग्य व्यापार निवडू शकतो. व्याज अक्ष बाजूनेः अचूकता, विलंब आणि किंमत. या पेपरमध्ये, आम्ही अशाच एका दृष्टिकोनाची, डेटाफ्लो मॉडेलची, त्याद्वारे सक्षम केलेल्या सिमेंटिक्सची सविस्तर तपासणी, त्याच्या डिझाइनला मार्गदर्शन करणाऱ्या मूलभूत तत्त्वांचा आढावा आणि त्याच्या विकासाला कारणीभूत असलेल्या वास्तविक जगाच्या अनुभवांद्वारे मॉडेलची पडताळणी करतो. आम्ही डेटाफ्लो मॉडेल हा शब्द Google क्लाउड डेटाफ्लोच्या प्रोसेसिंग मॉडेलचे वर्णन करण्यासाठी वापरतो [20], जे फ्लुमेजावा [12] आणि मिलव्हील [2] च्या तंत्रज्ञानावर आधारित आहे. हे काम क्रिएटिव्ह कॉमन्स अॅट्रिब्यूशन-नॉन कमर्शियल-नोडेरिव्ह 3.0 अनपोर्ट लायसन्स अंतर्गत परवानाकृत आहे. या परवान्याची प्रत पाहण्यासाठी, http://creativecommons.org/licenses/by-nc-nd/3.0/ ला भेट द्या. परवाना अंतर्गत नसलेल्या कोणत्याही वापरासाठी आधी परवानगी घ्या. [email protected] या ई-मेल पत्त्यावर कॉपीराइट धारकाशी संपर्क साधा. या खंडातील लेखांना 31 ऑगस्ट ते 4 सप्टेंबर 2015 या कालावधीत कोहला कोस्ट, हवाई येथे झालेल्या 41 व्या आंतरराष्ट्रीय कॉन्फरन्स ऑन व्हीएलबीडी डेटाबेसमध्ये आपले परिणाम सादर करण्यासाठी आमंत्रित केले गेले होते. व्हीएलडीबी एंडोव्हेशनची कार्यवाही, खंड. ८, नाही. 12 कॉपीराइट 2015 व्हीएलडीबी एंडोव्हेशन 2150-8097/15/08. |
40c3b350008ada8f3f53a758e69992b6db8a8f95 | ऑब्जेक्ट डिटेक्शनने गेल्या काही वर्षांत एचओजी वैशिष्ट्यांपेक्षा रेषेचा एसव्हीएम वापरण्यावर लक्ष केंद्रित केले आहे. मात्र, रेषेवर आधारित एसव्हीएमचे प्रशिक्षण घेणे खूपच महागडे आहे आणि श्रेणींची संख्या वाढत असताना ते अवघड होऊ शकते. या लेखात आपण जुन्या पद्धतीचा वापर करतो. रेषेचा भेदभाव करणारा विश्लेषण, आणि हे दाखवते की एलडीए मॉडेल जवळजवळ क्षुल्लकपणे प्रशिक्षित केले जाऊ शकतात, आणि कामगिरीमध्ये कमी किंवा कमी नुकसान होऊ शकते. आम्ही ज्या कोव्हॅरियन्स मॅट्रिक्सचा अंदाज लावला आहे, त्यामध्ये नैसर्गिक प्रतिमांचे गुणधर्म आहेत. या सह-असंतुलन असलेल्या एचओजी वैशिष्ट्यांचे व्हाइटनिंग केल्याने एचओजी वैशिष्ट्यांमधील नैसर्गिकरित्या होणारे संबंध काढून टाकले जातात. आम्ही हे दाखवतो की हे व्हाइट केलेले फीचर्स (ज्याला आम्ही डब्ल्यूएचओ म्हणतो) हे ओरिजिनल एचओजी फीचर्सपेक्षा बर्यापैकी चांगले आहेत आणि क्लस्टरिंगमध्ये त्यांची उपयुक्तता सिद्ध करतात. शेवटी, आम्ही आमच्या निष्कर्षांचा उपयोग ऑब्जेक्ट डिटेक्शन सिस्टम तयार करण्यासाठी करतो जे पास्कल व्हीओसी 2007 वर स्पर्धात्मक आहे आणि प्रशिक्षण आणि चाचणी करणे खूप सोपे आहे. |
28e0c6088cf444e8694e511148a8f19d9feaeb44 | या लेखात क्यूबसॅटसाठी स्व-वितरण हेलिकल पँटोग्राफ अँटेनाच्या वर्तनाचा अभ्यास केला आहे. यामध्ये हेलिकल पँटोग्राफची संकल्पना आणि सॅटेलाईट बसशी जोडण्याची संकल्पना यांचा समावेश आहे. या लेखात आठ हेलिक्स असणाऱ्या पँटोग्राफच्या परिमित घटक फोल्डिंग सिमुलेशनची माहिती दिली आहे आणि एका प्रोटोटाइप अँटेनावर केलेल्या कॉम्पॅक्टिंग फोर्स प्रयोगांशी त्याची तुलना केली आहे. प्रतिबिंब गुणांक चाचण्या देखील सादर केल्या आहेत, जे प्रोटोटाइप अँटेनाच्या ऑपरेटिंग फ्रिक्वेन्सी रेंजचे प्रदर्शन करतात. सध्याच्या छोट्या उपग्रह अँटेनाच्या सोल्यूशन्ससाठी हेलिकल पँटोग्राफ हा एक आशादायक पर्याय असल्याचे सिद्ध झाले आहे. |
1aad2da473888cb7ebc1bfaa15bfa0f1502ce005 | या लेखात प्रथम व्यक्तीच्या दृष्टिकोनातून परस्परसंवादाच्या पातळीवरील मानवी क्रियाकलापांना ओळखण्याची समस्या आहे. याचा उद्देश एक निरीक्षक (उदाहरणार्थ, रोबोट किंवा वेअर करण्यायोग्य कॅमेरा) ला सतत व्हिडिओ इनपुटमधून इतर काय क्रियाकलाप करीत आहेत हे समजून घेण्यास सक्षम करणे आहे. यामध्ये मैत्रीपूर्ण परस्परसंवादाचा समावेश आहे जसे की एक व्यक्ती निरीक्षकाला मिठी मारत आहे तसेच निरीक्षकाला चापट मारणे किंवा निरीक्षकाला वस्तू फेकणे यासारख्या शत्रुत्वाच्या परस्परसंवादाचा समावेश आहे, ज्याच्या व्हिडिओंमध्ये मोठ्या प्रमाणात कॅमेरा अहंकार-गती शारीरिक परस्परसंवादामुळे उद्भवते. जागतिक आणि स्थानिक हालचालीची माहिती एकत्रित करण्यासाठी बहु-चॅनेल कर्नलची तपासणी केली जाते आणि प्रथम व्यक्ती क्रियाकलाप व्हिडिओंमध्ये प्रदर्शित केलेल्या तात्पुरत्या रचनांचा स्पष्टपणे विचार करणारी एक नवीन क्रियाकलाप शिक्षण / ओळख पद्धती सादर केली जाते. आमच्या प्रयोगांमध्ये, आम्ही केवळ विभाजीत व्हिडिओंचे वर्गीकरण परिणाम दाखवत नाही, तर हे देखील पुष्टी करतो की आमचा नवीन दृष्टिकोन सतत व्हिडिओंमधून क्रियाकलाप विश्वासार्हतेने शोधण्यात सक्षम आहे. |
97876c2195ad9c7a4be010d5cb4ba6af3547421c | |
259c25242db4a0dc1e1b5e61fd059f8949bdb79d | सामायिक मेमरी वापरणारे एकाधिक प्रोसेसर कोर असलेले संगणक आता सर्वत्र उपलब्ध आहेत. या पेपरमध्ये, आम्ही अनेक समांतर भूमितीय अल्गोरिदम सादर करतो जे विशेषतः या वातावरणास लक्ष्य करतात, अतिरिक्त संगणकीय शक्तीचा शोषण करण्याच्या उद्देशाने. आम्ही वर्णन केलेले डी-आयामी अल्गोरिदम (अ) बिंदूंचे अवकाशीय क्रमवारी लावणे, जसे की वाढीव अल्गोरिदम वापरण्यापूर्वी पूर्व-प्रक्रिया करण्यासाठी वापरले जाते, (ब) केडी-ट्री कन्स्ट्रक्शन, (क) अक्ष-संरेखित बॉक्स इंटरसेक्शन गणना, आणि शेवटी (ड) जाळी निर्मिती अल्गोरिदम किंवा फक्त डेलाउनी त्रिकोणात बिंदूंचे मोठ्या प्रमाणात समाविष्ट करणे. आम्ही संगणकीय भूमिती अल्गोरिदम लायब्ररी (सीजीएएल, http://www.cgal.org/) वर आधारित आमच्या अंमलबजावणीचा वापर करून, या अल्गोरिदमचे प्रयोगात्मक परिणाम 3 डी मध्ये दर्शवितो. हे काम सीजीएएलसाठी एक समांतर मोड बनण्याची आमची आशा आहे, जिथे अल्गोरिदम वापरकर्त्याच्या महत्त्वपूर्ण हस्तक्षेपाची आवश्यकता न बाळगता उपलब्ध समांतर संसाधनांचा स्वयंचलितपणे वापर करतात. |
ac4a2337afdf63e9b3480ce9025736d71f8cec1a | पार्श्वभूमी प्रगत पार्किन्सन रोग (पीडी) असलेल्या सुमारे 50% रुग्णांना चालण्याची गति (एफओजी) थंड होणे, जे अचानक आणि क्षणिक चालण्याची अक्षमता आहे. यामुळे अनेकदा पडणे, दैनंदिन कामात अडथळा येणे आणि जीवनाची गुणवत्ता कमी होणे हे घडते. पीडी रुग्णांमध्ये चालण्याची कमतरता अनेकदा औषधी उपचारांना प्रतिरोधक असते, म्हणून प्रभावी औषधी नसलेली उपचार विशेष स्वारस्यपूर्ण असतात. उद्दिष्टे आमच्या अभ्यासाचे ध्येय हे आहे की, अशा पोशाखयोग्य उपकरणाची संकल्पना मूल्यांकन करणे, जे रिअल-टाइम चालण्याच्या डेटा प्राप्त करू शकेल, प्रक्रिया करू शकेल आणि पूर्वनिर्धारित वैशिष्ट्यांवर आधारित मदत प्रदान करेल. आम्ही रिअल-टाइम वेअर करण्यायोग्य एफओजी डिटेक्शन सिस्टम विकसित केली आहे जी एफओजी आढळल्यास स्वयंचलितपणे एक क्यूइंग ध्वनी प्रदान करते आणि जोपर्यंत विषय पुन्हा चालणे सुरू करत नाही तोपर्यंत राहतो. आम्ही आमच्या पोशाख सहाय्यक तंत्रज्ञानाचे मूल्यांकन 10 पीडी रुग्णांवर केलेल्या अभ्यासात केले. आठ तासांहून अधिक काळ डेटा रेकॉर्ड करण्यात आला आणि प्रत्येक रुग्णाला एक प्रश्नावली भरण्यात आली. परिणाम पोस्ट-हॉक व्हिडिओ विश्लेषणात व्यावसायिक फिजिओथेरपिस्ट्सनी दोनशे तीस-सात एफओजी घटना ओळखल्या आहेत. या उपकरणाद्वारे फोग इव्हेंट्स ऑनलाईन 73.1% संवेदनशीलतेसह आणि 81.6% विशिष्टतेसह 0.5 सेकंद फ्रेम-आधारित मूल्यांकन केले गेले. या अभ्यासामुळे आम्ही दाखवतो की पीडी रुग्णांसाठी ऑनलाइन सहाय्यक अभिप्राय शक्य आहे. आम्ही परिधान करण्यायोग्य सहाय्यकाची पोशाख आणि कार्यक्षमता तसेच सहाय्यकाचा वापर करताना त्यांच्या चालण्याच्या कार्यक्षमतेबद्दल रुग्ण आणि फिजिओथेरपिस्टच्या दृष्टीकोनाची माहिती आणि चर्चा करतो आणि पुढील संशोधन चरणांची माहिती देतो. आमच्या परिणामांमध्ये अशा संदर्भ-जागरूक प्रणालीचा फायदा दिसून येतो आणि पुढील अभ्यासाला प्रेरणा देते. |
2a68c39e3586f87da501bc2a5ae6138469f50613 | पर्यवेक्षित शिक्षणाच्या संशोधनातील एक मोठा भाग सिंगल लेबल डेटाच्या विश्लेषणाशी संबंधित आहे, जिथे प्रशिक्षण उदाहरणे विभक्त लेबल्सच्या संचामधून एकल लेबल λ शी संबंधित आहेत. तथापि, अनेक अनुप्रयोग डोमेनमधील प्रशिक्षण उदाहरणे बर्याचदा लेबल्सच्या संचाशी संबंधित असतात. दस्तऐवज आणि वेब पृष्ठे यासारख्या मजकूर डेटाला बर्याचदा एकापेक्षा जास्त लेबलसह टिप्पणी दिली जाते. उदाहरणार्थ, द विंची कोड चित्रपटाच्या रिलीजवर ख्रिश्चन चर्चच्या प्रतिक्रियांबद्दलच्या बातम्यांचा लेख हा धर्म आणि चित्रपट या दोन्ही प्रकारचा असू शकतो. मजकूर डेटाचे वर्गीकरण हे बहु-लेबल अनुप्रयोगाचे कदाचित प्रमुख आहे. अलीकडे, मल्टी-लेबल डेटामधून शिकण्याच्या मुद्द्याने बर्याच संशोधकांकडून लक्षणीय लक्ष वेधले गेले आहे, ज्यामुळे प्रतिमा [1, 2, 3] आणि व्हिडिओ [4, 5], फंक्शनल जीनोमिक्स [6, 7, 8, 9, 10], संगीत भावनांमध्ये वर्गीकरण [11, 12, 13, 14] आणि निर्देशित विपणन [15] सारख्या नवीन अनुप्रयोगांची संख्या वाढत आहे. तक्ता १ मध्ये साहित्यिक पद्धतीने वापरल्या जाणाऱ्या विविध प्रकारच्या साधनांचा उल्लेख केला आहे. या अध्यायात मल्टी लेबल डेटा मायनिंगच्या वेगाने विकसित होणाऱ्या संशोधन क्षेत्रावरील मागील आणि अलीकडील कामांचा आढावा घेतला आहे. भाग २ मध्ये मल्टी लेबल डेटामधून शिकण्याच्या दोन प्रमुख कार्ये निश्चित केली आहेत आणि शिकण्याच्या पद्धतींची एक मोठी संख्या सादर केली आहे. कलम ३ मध्ये मल्टी लेबल डेटासाठी आयाम कमी करण्याच्या पद्धतींचा उल्लेख केला आहे. भाग ४ आणि ५ मध्ये दोन महत्त्वाच्या संशोधन आव्हानांचा विचार केला गेला आहे, ज्यांना यशस्वीपणे पूर्ण केल्यास, मल्टी-लेबल लर्निंग पद्धतींचे वास्तविक जगातील अनुप्रयोग लक्षणीय प्रमाणात वाढू शकतातः अ) लेबल स्ट्रक्चरचा वापर करणे आणि ब) मोठ्या संख्येने लेबल्स असलेल्या डोमेनपर्यंत स्केल करणे. खंड 6 मध्ये बेंचमार्क मल्टीलेबल डेटासेट आणि त्यांची आकडेवारी सादर केली आहे, तर विभाग 7 मध्ये मल्टीलेबल लर्निंगसाठी सर्वाधिक वेळा वापरल्या जाणार्या मूल्यांकन उपाययोजना सादर केल्या आहेत. |
60686a80b91ce9518428e00dea95dfafadadd93c | या कम्युनिकेशनमध्ये 2.4 जीएचझेडसाठी ध्रुवीकरण विविधतेसह दुहेरी-पोर्ट रीकॉन्फिगर करण्यायोग्य स्क्वेअर पॅच अँटेना सादर केला आहे. पॅचवर चार पी-आय-एन डायोडच्या स्थितीवर नियंत्रण ठेवून, प्रस्तावित अँटेनाचे ध्रुवीकरण रेषेचा ध्रुवीकरण (एलपी), डाव्या किंवा उजव्या बाजूच्या परिपत्रक ध्रुवीकरण (सीपी) दरम्यान प्रत्येक पोर्टवर स्विच केले जाऊ शकते. एअर सब्सट्रेट आणि एपर्चर-कपल्ड फीड स्ट्रक्चरचा वापर पी-आय-एन डायोडच्या बायस सर्किटला सुलभ करण्यासाठी केला जातो. उच्च अलगाव आणि एलपी मोडमध्ये कमी क्रॉस-ध्रुवीकरण पातळीसह, दोन्ही पोर्ट्स polarimetric रडारसाठी दुहेरी रेषेच्या ध्रुवीकृत अँटेना म्हणून एकाच वेळी कार्य करू शकतात. प्रत्येक बंदरात वेगवेगळ्या सीपी लाटा मिळतात, ज्या गतिशीलता, प्रतिकूल हवामान आणि दृष्टीक्षेपाच्या बाहेरच्या अनुप्रयोगांपासून सुरू असलेल्या आव्हानांना सामोरे जाण्यासाठी उपयुक्त आहेत. या अँटेनामध्ये साधे बायसिंग नेटवर्क, सोपी निर्मिती आणि समायोजन यांचे फायदे आहेत, जे ध्रुवीकरण विविधता अनुप्रयोगांमध्ये मोठ्या प्रमाणात लागू केले जाऊ शकतात. |
0d11248c42d5a57bb28b00d64e21a32d31bcd760 | १९ जुलै २००१ रोजी, इंटरनेटशी जोडलेल्या ३५९,००० हून अधिक संगणकांना कोड-रेड (सीआरव्ही२) या वर्मने १४ तासांच्या आत संसर्ग झाला. या महामारीचा खर्च, त्यानंतरच्या कोड-रेडच्या जातींचा समावेश करून, २.६ अब्ज डॉलर्सपेक्षा जास्त असल्याचे अंदाज आहे. या हल्ल्यामुळे जागतिक स्तरावर नुकसान झाले असले तरी, या वर्माच्या प्रसाराचे वर्णन करण्यासाठी फारच कमी गंभीर प्रयत्न केले गेले आहेत, याचे कारण म्हणजे वर्मांबद्दल जागतिक माहिती गोळा करणे हे आव्हान आहे. कृमीच्या प्रसाराचा जागतिक स्तरावर शोध घेण्यास सक्षम असणाऱ्या तंत्राचा वापर करून, आम्ही 2 जुलै 2001 पासून 45 दिवसांच्या कालावधीत डेटा गोळा केला आणि त्याचे विश्लेषण केले. इंटरनेटवर कोड-रेडच्या प्रसाराची वैशिष्ट्ये निश्चित करण्यासाठी. या पेपरमध्ये, आम्ही कोड-रेडच्या प्रसाराचा मागोवा घेण्यासाठी वापरत असलेल्या पद्धतीचे वर्णन करतो आणि नंतर आमच्या ट्रेस विश्लेषणाचे परिणाम वर्णन करतो. प्रथम आपण कोड-रेड आणि कोड-रेड-II वर्म्सच्या संसर्ग आणि निष्क्रियतेच्या दराच्या दृष्टीने प्रसारित होण्याचा तपशील पाहू. संसर्गाच्या प्रसारासाठी अनुकूल नसले तरी कोड-रेड संसर्ग दर प्रति मिनिट 2,000 पेक्षा जास्त होस्ट्सवर पोहोचला. मग आम्ही संसर्गित होस्ट लोकसंख्येची वैशिष्ट्ये तपासतो, ज्यात भौगोलिक स्थान, साप्ताहिक आणि दिवसाचा वेळ, टॉप लेव्हल डोमेन आणि आयएसपी समाविष्ट आहेत. आम्ही हे दाखवून देतो की हा कीट आंतरराष्ट्रीय घटना होता, संसर्ग क्रियाकलाप दिवसाच्या वेळी परिणाम दर्शवितो, आणि असे आढळले की, जरी बहुतेक लक्ष मोठ्या कंपन्यांवर केंद्रित केले गेले असले तरी, कोड-रेड कीट प्रामुख्याने घरगुती आणि लहान व्यवसाय वापरकर्त्यांवर शिकार करते. आम्ही संक्रमित होस्ट्सच्या मोजमापांवर डीएचसीपीच्या प्रभावांचेही मूल्यांकन केले आणि हे निश्चित केले की आयपी पत्ते 24 तासांपेक्षा जास्त काळ वर्मच्या प्रसाराचे अचूक मापन नाहीत. कोड-रेड वर्मच्या अनुभवावरून हे सिद्ध होते की इंटरनेट होस्टमधील व्यापक असुरक्षितता जलद आणि नाटकीय पद्धतीने शोषली जाऊ शकते आणि इंटरनेट वर्म्स कमी करण्यासाठी होस्ट पॅचिंग व्यतिरिक्त इतर तंत्रांची आवश्यकता आहे. |
0462a4fcd991f8d6f814337882da182c504d1d7b | आम्ही गुगल बुक्स नग्राम कॉर्पसची नवीन आवृत्ती सादर करतो, जी पाच शतकांमध्ये आठ भाषांमध्ये शब्द आणि वाक्ये किती वेळा वापरली गेली हे वर्णन करते; हे आतापर्यंत प्रकाशित झालेल्या सर्व पुस्तकांपैकी 6% दर्शवते. या नव्या आवृत्तीत वाक्यरचनात्मक टिपण्णी देण्यात आली आहे: शब्दांना त्यांच्या भाषणाच्या भागासह टॅग केले गेले आहे आणि हेडमोडिफायर संबंध नोंदवले गेले आहेत. ऐतिहासिक मजकूराशी संबंधित असलेल्या सांख्यिकीय मॉडेलद्वारे एनोटेशन स्वयंचलितपणे तयार केले जातात. या संचिकामुळे भाषिक प्रवृत्तींचा अभ्यास करणे सोपे होईल, विशेषतः वाक्यरचनाच्या उत्क्रांतीशी संबंधित. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.