_id
stringlengths 40
40
| text
stringlengths 0
9.56k
|
|---|---|
d1ee87290fa827f1217b8fa2bccb3485da1a300e | बॅगिंग प्रिडिक्टर्स ही एक पद्धत आहे ज्यामध्ये एका प्रिडिक्टर्सच्या अनेक आवृत्त्या तयार केल्या जातात आणि एकत्रीत प्रिडिक्टर्स मिळवण्यासाठी यांचा वापर केला जातो. एकूणच एकूण संख्यात्मक परिणामाचा अंदाज लावताना आवृत्त्यांवर सरासरी असते आणि वर्ग अंदाज लावताना बहुमताचा मत देतो. अनेक आवृत्त्या लर्निंग सेटच्या बूटस्ट्रॅप प्रतिकृती बनवून आणि या नवीन लर्निंग सेट म्हणून वापरून तयार केल्या जातात. वर्गीकरण आणि पुनरावृत्ती झाडे आणि रेखीय पुनरावृत्ती मध्ये उपसमूह निवड वापरून वास्तविक आणि अनुकरण डेटा संच चाचण्या bagging अचूकता मध्ये लक्षणीय लाभ देऊ शकता की दाखवा. महत्वाचा घटक म्हणजे अंदाज पद्धतीची अस्थिरता. जर शिकण्याच्या संचामध्ये व्यत्यय आणल्यास बांधलेल्या भविष्यवाणीमध्ये महत्त्वपूर्ण बदल होऊ शकतात, तर बॅगिंग अचूकता सुधारू शकते. |
649197627a94fc003384fb743cfd78cdf12b3306 | |
0b440695c822a8e35184fb2f60dcdaa8a6de84ae | किनेक्ट सेन्सरसारख्या उदयोन्मुख आरजीबी-डी कॅमेर्यांचा अलीकडील यश 3-डी डेटा-आधारित संगणक अनुप्रयोगांची विस्तृत संभावना दर्शवितो. मात्र, या अद्ययावत इमेजिंग सेन्सरचा चेहरा ओळखण्याच्या तंत्रज्ञानाला कसा फायदा होऊ शकतो, हे मूल्यांकन करणे कठीण आहे. किनेक्ट आणि चेहर्यावरील ओळख संशोधन यांच्यातील संबंध प्रस्थापित करण्यासाठी, या पेपरमध्ये, आम्ही किनेक्ट सेन्सरवर आधारित प्रथम सार्वजनिकपणे उपलब्ध चेहरा डेटाबेस (म्हणजेच, किनेक्टफेसडीबी 1) सादर करतो. या डेटाबेसमध्ये वेगवेगळ्या प्रकारच्या डेटा (अत्यंत सुसंगत आणि प्रक्रिया केलेले 2-डी, 2.5-डी, 3-डी आणि व्हिडिओ-आधारित चेहरा डेटा) आणि अनेक चेहर्याचे बदल आहेत. आम्ही प्रस्तावित डेटाबेसवर मानक चेहर्यावरील ओळख पद्धतींचा वापर करून बेंचमार्क मूल्यांकन केले आणि स्कोअर-स्तरीय फ्यूजनद्वारे आरजीबी डेटासह खोली डेटा एकत्रित केल्यावर कामगिरीत वाढ झाली. आम्ही Kinect च्या 3D प्रतिमांची (KinectFaceDB मधून) पारंपारिक उच्च दर्जाच्या 3D स्कॅनशी (FRGC डेटाबेस मधून) तुलना केली. चेहऱ्याच्या बायोमेट्रिक्सच्या संदर्भात, ज्यामुळे चेहऱ्याच्या ओळख संशोधनसाठी प्रस्तावित डेटाबेसची अत्यावश्यक आवश्यकता दिसून येते. |
a85275f12472ecfbf4f4f00a61514b0773923b86 | वायरलेस तंत्रज्ञान आणि आधारभूत संरचना यांचा विकास वापरकर्त्याच्या क्रियाकलापांना प्रतिबंधित न करता सर्वत्र वास्तविक-वेळ आरोग्य सेवा आणि फिटनेस मॉनिटरिंगची अभूतपूर्व संधी प्रदान करते. शरीरात, वर आणि आसपास ठेवलेले वायरलेस कनेक्ट केलेले लघुसंकेतित सेन्सर्स आणि एक्ट्युएटर्स वैद्यकीय, जीवनशैली आणि मनोरंजन अनुप्रयोगांना समर्थन देण्यासाठी शारीरिक लक्षणांचे सतत, स्वयंचलित आणि अनाहूत देखरेखीसाठी एक शरीर क्षेत्र नेटवर्क तयार करतात. BAN तंत्रज्ञान विकासाच्या सुरुवातीच्या टप्प्यात आहे आणि त्याचा व्यापक स्वीकृतीसाठी अनेक संशोधन आव्हानांना सामोरे जावे लागेल. या लेखात आम्ही BAN च्या अनुप्रयोग, कार्यात्मक आणि तांत्रिक आवश्यकतांचा मुख्य संच अभ्यास करतो. आम्ही मूलभूत संशोधन आव्हानांवर देखील चर्चा करतो जसे की स्केलेबिलिटी (डेटा रेट, वीज वापर आणि ड्युटी सायकलच्या बाबतीत), अँटेना डिझाइन, व्यत्यय कमी करणे, सहअस्तित्व, क्यूओएस, विश्वासार्हता, सुरक्षा, गोपनीयता आणि ऊर्जा कार्यक्षमता. यामध्ये नव्याने उदयास आलेल्या BAN बाजाराला सामोरे जाण्यासाठी तयार असलेल्या अनेक तंत्रज्ञानाचे मूल्यांकन केले गेले आहे आणि त्यांचे फायदे आणि तोटे अधोरेखित केले आहेत. यामध्ये बीएएन संबंधित मानकीकरण कार्यांचा संक्षिप्त आढावा दिला आहे. |
f4abebef4e39791f358618294cd8d040d7024399 | या अहवालात फिटबिट फ्लेक्स इकोसिस्टमचे विश्लेषण केले आहे. आमचे उद्दिष्टे (1) फिटबिट त्याच्या वापरकर्त्यांकडून गोळा करते, (2) फिटबिट त्याच्या वापरकर्त्यांना प्रदान करते आणि (3) डिव्हाइस मालकांना उपलब्ध नसलेल्या डेटाची पुनर्प्राप्ती करण्याच्या पद्धतींचे वर्णन करणे आहे. आमच्या विश्लेषणात चार वेगवेगळ्या हल्ल्याच्या वेक्टरचा समावेश आहे. प्रथम, आम्ही फिटबिट डिव्हाइसच्या सुरक्षिततेचे आणि गोपनीयतेचे विश्लेषण करतो. पुढे, आम्ही ब्लूटूथ ट्रॅफिक पाहतो जो फिटबिट डिव्हाइस आणि स्मार्टफोन किंवा पर्सनल कॉम्प्युटर दरम्यान सिंक करताना पाठवला जातो. तिसरे, आम्ही फिटबिट अँड्रॉईड अॅपची सुरक्षा तपासतो. शेवटी, आम्ही फिटबिट स्मार्टफोन किंवा संगणक अनुप्रयोग आणि फिटबिट वेब सेवा यांच्यातील नेटवर्क रहदारीच्या सुरक्षा गुणधर्मांचा अभ्यास करतो. आम्ही पुरावा प्रदान करतो की फिटबिट काही परिस्थितीत जवळच्या फ्लेक्स उपकरणांची माहिती अनावश्यकपणे मिळवते. आम्ही हे दाखवून देतो की फिटबिट डिव्हाइस मालकांना सर्व डेटा एकत्रित करत नाही. प्रत्यक्षात, आम्हाला प्रति मिनिट क्रियाकलाप डेटाचा पुरावा सापडला जो फिटबिट वेब सेवेला पाठवला जातो पण मालकाला दिला जात नाही. आम्हाला हेही आढळले की फिटबिट डिव्हाइसवरील एमएसी पत्ते कधीही बदलले जात नाहीत, जे वापरकर्त्याच्या संबंधांवर हल्ला करण्यास सक्षम करते. टीएलएसवर डिव्हाइस जोडणी दरम्यान बीटीएलई क्रेडेंशियल देखील नेटवर्कवर उघड होतात, जे एमआयटीएम हल्ल्यांद्वारे अडविले जाऊ शकते. शेवटी, आम्ही हे दाखवतो की वास्तविक वापरकर्त्याच्या क्रियाकलाप डेटाची सत्यता तपासली जाते आणि डिव्हाइसवरून फिटबिट वेब सेवेला एंड-टू-एंड आधारावर साध्या मजकूरात प्रदान केली जात नाही. |
3007a8f5416404432166ff3f0158356624d282a1 | ग्राफ अॅब्स्ट्रॅक्शन हे अनेक अनुप्रयोगांसाठी आवश्यक आहे. कच्च्या डेटापासून विविध अनुप्रयोगांसाठी आलेख बांधणे आव्हानात्मक होत आहे, कारण डेटामध्ये घातीय वाढ तसेच मोठ्या प्रमाणात आलेख प्रक्रियेची आवश्यकता आहे. आलेख बांधणी ही डेटा-समानांतर समस्या असल्याने, मॅपरेड्यूस हे या कामासाठी योग्य आहे. आम्ही ग्राफ बिल्डर विकसित केले, ग्राफ एक्सट्रॅक्ट-ट्रान्सफॉर्म-लोड (ईटीएल) साठी एक स्केलेबल फ्रेमवर्क, ग्राफ निर्मिती, टॅब्युलेशन, ट्रान्सफॉर्मेशन, विभाजन, आउटपुट स्वरूपन आणि अनुक्रमांकन यासह ग्राफ बांधणीच्या बर्याच गुंतागुंत दूर करण्यासाठी. ग्राफबिल्डर हे जावामध्ये लिहिलेले आहे, प्रोग्रामिंग सुलभतेसाठी, आणि ते मॅपरेड्यूस मॉडेलचा वापर करून स्केल करते. या लेखात, आम्ही ग्राफबिल्डरची प्रेरणा, त्याचे आर्किटेक्चर, मॅपरेड्यूस अल्गोरिदम आणि फ्रेमवर्कचे कार्यप्रदर्शन मूल्यांकन यांचे वर्णन करतो. मोठ्या ग्राफ्सना स्टोरेज आणि प्रोसेसिंगसाठी क्लस्टरमध्ये विभाजन केले पाहिजे आणि विभाजन पद्धतींचा कामगिरीवर महत्त्वपूर्ण परिणाम होतो, आम्ही अनेक ग्राफ विभाजन पद्धती विकसित करतो आणि त्यांच्या कामगिरीचे मूल्यांकन करतो. आम्ही फ्रेमवर्कचे स्रोत https://01.org/graphbuilder/ वर देखील उघडले आहे. |
2e526c2fac79c080b818b304485ddf84d09cf08b | कालबाह्य डेटा खननचा उद्देश ऐतिहासिक डेटामध्ये नमुने शोधणे आहे. आमच्या कामात डेटामधून तात्पुरती नमुने काढण्याची पद्धत प्रस्तावित केली आहे, ज्यामुळे लक्ष्यित घटनांची, जसे की होस्ट नेटवर्कवर संगणकीय हल्ले किंवा वित्तीय संस्थांमध्ये फसव्या व्यवहारांची भविष्यवाणी करता येते. आमच्या समस्येचे सूत्र दोन प्रमुख आव्हाने दर्शविते: 1) आम्ही असे गृहीत धरतो की घटनांना वर्गीकृत वैशिष्ट्ये दर्शविली जातात आणि असमान अंतराळ वेळ प्रदर्शित करतात; अशी गृहीत धरणे शास्त्रीय वेळ-मालिका विश्लेषणाच्या व्याप्तीच्या बाहेर येते, 2) आम्ही असे गृहीत धरतो की लक्ष्य घटना अत्यंत दुर्मिळ आहेत; भविष्यवाणी तंत्राने वर्ग-असंतुलन समस्येचा सामना करावा लागतो. आम्ही एक कार्यक्षम अल्गोरिदम प्रस्तावित करतो जो वरील आव्हानांना सामोरे जातो इव्हेंट पूर्वानुमान समस्येचे लक्ष्य इव्हेंटच्या आधीच्या सर्व वारंवार इव्हेंटसेटच्या शोधात रूपांतर करून. वर्ग असंतुलनाची समस्या केवळ अल्पसंख्याक वर्गावर नमुन्यांचा शोध लावून सोडली जाते; नमुन्यांची भेदभाव शक्ती नंतर इतर वर्गांविरुद्ध मान्य केली जाते. त्यानंतर नमुने नियमांवर आधारित मॉडेलमध्ये एकत्रित केले जातात. आमचे प्रयोगात्मक विश्लेषण घटनांच्या अनुक्रमाचे प्रकार दर्शविते ज्यात लक्ष्य घटनांचे अचूकपणे अंदाज लावले जाऊ शकतात. |
0a54d2f49bda694071bbf43d8e653f5adf85be19 | डेटा मायनिंग सिस्टिमचा उद्देश डेटाबेसमध्ये नोंदवलेल्या तथ्यांकातून नमुने शोधणे आणि उपयुक्त माहिती काढणे हा आहे. या उद्दीष्ट्यासाठी व्यापकपणे स्वीकारलेला दृष्टिकोन उपलब्ध डेटाचे वर्णनात्मक मॉडेल संगणित करण्यासाठी विविध मशीन लर्निंग अल्गोरिदम लागू करणे आहे. येथे, आम्ही या संशोधन क्षेत्रातील मुख्य आव्हानांपैकी एक शोधतो, तंत्रज्ञानाचा विकास जो मोठ्या आणि शक्यतो भौतिकरित्या वितरित डेटाबेसपर्यंत वाढतो. मेटा-लर्निंग ही एक अशी तंत्र आहे जी उच्च-स्तरीय वर्गीकरणकर्ते (किंवा वर्गीकरण मॉडेल) गणना करण्याचा प्रयत्न करते, ज्याला मेटा-क्लासिफायर म्हणतात, जे वेगवेगळ्या डेटाबेसवर स्वतंत्रपणे गणना केलेल्या एकाधिक वर्गीकरणकर्त्यांना काही मूलभूत पद्धतीने समाकलित करतात. या अभ्यासामध्ये मेटा-लर्निंगचे वर्णन केले आहे आणि JAM प्रणाली (मेटा-लर्निंगसाठी जावा एजंट्स) सादर केली आहे, जी मोठ्या प्रमाणात डेटा खाण अनुप्रयोगांसाठी एजंट-आधारित मेटा-लर्निंग प्रणाली आहे. यामध्ये केंद्रीकृत किंवा होस्ट आधारित प्रणालींच्या तुलनेत अतिरिक्त जटिलतेमुळे वितरित डेटा खनन प्रणालींसाठी अनेक महत्वाच्या गरजा ओळखल्या जातात आणि त्या सोडवल्या जातात. वितरित प्रणालींना विषम प्लॅटफॉर्म, एकाधिक डेटाबेस आणि (शक्यतो) भिन्न योजना, डेटा साइट्स दरम्यान संवाद साधण्यासाठी स्केलेबल आणि प्रभावी प्रोटोकॉलचे डिझाइन आणि अंमलबजावणी आणि इतर पीअर डेटा साइट्समधून गेटेड माहितीचा निवडक आणि कार्यक्षम वापर यासह सामोरे जावे लागेल. इतर महत्त्वाच्या समस्या, अंतर्निहित समस्या डेटा माइनिंग सिस्टम्सकडे दुर्लक्ष केले जाऊ नये, यामध्ये प्रथम, मॉडेल संगणित केल्यावर पूर्वी उपलब्ध नसलेल्या नवीन माहितीचा फायदा घेण्याची आणि विद्यमान मॉडेलसह एकत्रित करण्याची क्षमता आणि दुसरे म्हणजे, नवीन मशीन लर्निंग पद्धती आणि डेटा माइनिंग तंत्रज्ञान समाविष्ट करण्याची लवचिकता समाविष्ट आहे. आम्ही या समस्यांचा शोध जेएएमच्या संदर्भात घेतो आणि व्यापक प्रायोगिक अभ्यासाद्वारे विविध प्रस्तावित उपाययोजनांचे मूल्यांकन करतो . |
b00672fc5ff99434bf5347418a2d2762a3bb2639 | एम्बेडेड डिव्हाइसेस सर्वत्र उपलब्ध झाले आहेत आणि ते गोपनीयता-संवेदनशील आणि सुरक्षा-महत्वपूर्ण अनुप्रयोगांमध्ये वापरले जातात. यापैकी बहुतेक उपकरणे मालकीचे सॉफ्टवेअर चालवतात आणि सॉफ्टवेअरच्या अंतर्गत कार्याबद्दल थोडेसे दस्तऐवजीकरण उपलब्ध आहे. काही प्रकरणांमध्ये हार्डवेअर आणि संरक्षण यंत्रणेची किंमत उपकरणांमध्ये प्रवेश करणे अशक्य करते. अशा वातावरणात उपस्थित असलेल्या सॉफ्टवेअरचे विश्लेषण करणे आव्हानात्मक आहे, परंतु सॉफ्टवेअर बग आणि असुरक्षिततेशी संबंधित जोखीम टाळली पाहिजेत. प्रत्यक्षात, अलीकडील अभ्यासानुसार बाजारात उपलब्ध असलेल्या अनेक एम्बेडेड उपकरणांमध्ये बॅकडोरची उपस्थिती दिसून आली आहे. या पेपरमध्ये, आम्ही फर्मलाइज सादर करतो, जे एम्बेडेड डिव्हाइसेसवर चालणार्या फर्मवेअरचे विश्लेषण करण्यासाठी बायनरी विश्लेषण फ्रेमवर्क आहे. फर्मलायस हे सिंबॉलिक एक्झिक्युशन इंजिनवर आधारित आहे. आणि त्याचे स्केलेबिलिटी वाढविण्यासाठी प्रोग्राम स्लाइसिंग सारख्या तंत्रावर आधारित आहे. याव्यतिरिक्त, फर्मलायस प्रमाणीकरण बायपास त्रुटींचे एक नवीन मॉडेल वापरते, जे विशेषाधिकार प्राप्त ऑपरेशन्स करण्यासाठी आवश्यक इनपुट निर्धारित करण्यासाठी आक्रमणकर्त्याच्या क्षमतेवर आधारित आहे. आम्ही तीन व्यावसायिक उपकरणांच्या फर्मवेअरवर फर्मलाइकचे मूल्यांकन केले आणि त्यापैकी दोनमध्ये प्रमाणीकरण बायपास बॅकडोर शोधण्यात सक्षम झालो. याव्यतिरिक्त, फर्मवेअरच्या तिसऱ्या नमुन्यातील बॅकडोरचा उपयोग एखाद्या अनधिकृत क्रेडेंशियलच्या संचाची माहिती नसताना एखाद्या आक्रमणकर्त्याद्वारे केला जाऊ शकत नाही हे ठरविण्यात फर्मलायसे सक्षम होते. |
6949a33423051ce6fa5b08fb7d5f06ac9dcc721b | खरेदी प्रक्रियेत फसव्या वर्तनाचा शोध घेण्यासाठी प्रक्रिया खाण वापरण्याच्या सैद्धांतिक आणि व्यावहारिक मूल्याचा एक केस अभ्यास सारांश हा प्रबंध प्रक्रिया खाण आणि फसवणूक शोधण्याच्या सहा महिन्यांच्या संशोधन कालावधीचे परिणाम सादर करतो. या प्रबंधाचा उद्देश हा होता की, प्रक्रिया खनन पद्धतीचा उपयोग फसवणूक शोधण्यासाठी कसा केला जाऊ शकतो आणि फसवणूक शोधण्यासाठी प्रक्रिया खनन पद्धतीचा वापर करण्याचे काय फायदे आहेत या संशोधनाच्या प्रश्नाचे उत्तर देणे. यामध्ये प्रक्रिया खाण आणि त्याचे विविध पैलू आणि तंत्रांचा सिद्धांत आणि अनुप्रयोग याविषयी चर्चा केली आहे. साहित्य अभ्यास आणि एखाद्या क्षेत्रातील तज्ञाशी मुलाखत या दोन्ही गोष्टींचा वापर करून फसवणूक आणि फसवणूक शोधण्याच्या संकल्पनांवर चर्चा केली जाते. या परिणामांना प्रक्रिया खनन आणि फसवणूक शोधण्याच्या अनुप्रयोगाबद्दलच्या विद्यमान केस स्टडीजच्या विश्लेषणासह एकत्रित केले जाते जेणेकरून दोन केस स्टडीजची प्रारंभिक स्थापना केली जाते, ज्यामध्ये प्रक्रिया खनन खरेदी प्रक्रियेत संभाव्य फसवणूक करणारे वर्तन शोधण्यासाठी लागू केले जाते. या प्रकरण अभ्यासातील अनुभव आणि परिणामांच्या आधारे, 1+5+1 पद्धतीला फसवणूक शोधण्याच्या प्रयत्नात प्रक्रिया खाण तंत्रज्ञानाचा सराव कसा वापर केला जाऊ शकतो याबद्दल सल्ला देऊन तत्त्वांचे कार्यप्रणालीकरण करण्याच्या दिशेने पहिले पाऊल म्हणून सादर केले जाते. या प्रबंधात तीन निष्कर्ष मांडले गेले आहेत: (1) प्रक्रिया खनन हे फसवणूक शोधण्यासाठी एक मौल्यवान जोड आहे, (2) 1 + 5 + 1 संकल्पनेचा वापर करून संभाव्य फसवणूक करणाऱ्या वर्तनाचे सूचक शोधणे शक्य झाले आहे (3) फसवणूक शोधण्यासाठी प्रक्रिया खननचा व्यावहारिक वापर सध्याच्या साधनांच्या खराब कामगिरीमुळे कमी झाला आहे. कार्यक्षमतेच्या समस्यांमुळे ग्रस्त नसलेले तंत्र आणि साधने ही प्रक्रिया आणि संभाव्य फसव्या वर्तनाची नवीन, वेगवान किंवा अधिक सहजपणे प्राप्त होणारी अंतर्दृष्टी प्रदान करून नियमित डेटा विश्लेषण तंत्राची जागा घेण्याऐवजी एक जोडणी आहे. iii ओकॅमचा रेझर: "कोणत्याही गोष्टीचे स्पष्टीकरण देण्यासाठी आवश्यक असलेल्या घटकांची संख्या आवश्यकतेपेक्षा जास्त वाढवू नये" iv सामग्री |
8aef832372c6e3e83f10532f94f18bd26324d4fd | ज्ञानावर आधारित प्रश्न-उत्तर प्रणाली अनेकदा लहान सविस्तर प्रशिक्षण डेटा अवलंबून असतात. जरी संबंध काढणे यासारख्या उथळ पद्धती डेटाच्या कमतरतेसाठी मजबूत आहेत, परंतु ते सिमेंटिक पार्सिंग सारख्या खोल अर्थ प्रतिनिधित्व पद्धतींपेक्षा कमी अभिव्यक्तीपूर्ण आहेत, ज्यामुळे एकाधिक निर्बंधांचा समावेश असलेल्या प्रश्नांची उत्तरे देण्यात अपयशी ठरले. येथे आम्ही विकिपीडियावरील अतिरिक्त पुराव्यांसह संबंध काढण्याची पद्धत सक्षम करून ही समस्या कमी करतो. आम्ही प्रथम न्यूरल नेटवर्क आधारित संबंध काढणारा सादर करतो जे फ्रीबेस मधून उमेदवार उत्तरे मिळवते, आणि नंतर या उत्तरे सत्यापित करण्यासाठी विकिपीडियावर अनुमान लावते. वेबक्वेस्ट्सच्या प्रश्न-उत्तर डेटासेटवरील प्रयोगांमधून असे दिसून आले आहे की, आमची पद्धत 53.3% ची एफ 1 प्राप्त करते, जी अत्याधुनिक पद्धतीपेक्षा लक्षणीय सुधारणा आहे. |
16edc3faf625fd437aaca1527e8821d979354fba | कल्याण ही एक जटिल रचना आहे जी इष्टतम अनुभव आणि कार्य करण्याशी संबंधित आहे. कल्याणविषयक सध्याचे संशोधन दोन सामान्य दृष्टीकोनातून घेतले गेले आहे: आनंदी दृष्टिकोन, जे आनंदावर लक्ष केंद्रित करते आणि आनंद प्राप्ती आणि वेदना टाळण्याच्या दृष्टीने कल्याण परिभाषित करते; आणि यूडॅमोनिक दृष्टिकोन, जे अर्थ आणि स्वतः ची पूर्तता यावर लक्ष केंद्रित करते आणि एखाद्या व्यक्तीने पूर्णपणे कार्यरत असलेल्या अंशाच्या दृष्टीने कल्याण परिभाषित करते. या दोन दृष्टिकोनामुळे वेगवेगळ्या संशोधन केंद्रांना जन्म मिळाला आहे आणि काही क्षेत्रांमध्ये विसंगत आणि इतर क्षेत्रांमध्ये पूरक असलेल्या ज्ञानाचा एक समूह आहे. बहुस्तरीय मॉडेलिंग आणि बांधकामांच्या तुलनेत नवीन पद्धतींचा विकास संशोधकांना या क्षेत्रासाठी नवीन प्रश्न तयार करण्यास अनुमती देत आहे. या पुनरावलोकनात कल्याण, त्याचे पूर्ववर्ती आणि वेळ आणि संस्कृतीमध्ये त्याची स्थिरता या दोन्ही दृष्टीकोनातून संशोधनाचा विचार केला जातो. |
ac8c2e1fa35e797824958ced835257cd49e1be9c | माहिती तंत्रज्ञान आणि संघटनात्मक शिक्षण या विषयावर संशोधन साहित्य या लेखात आढावा आणि मूल्यमापन केले आहे. अर्थ आणि मोजमापाच्या मुद्द्यांवर चर्चा केल्यानंतर, आम्ही संशोधनाच्या दोन मुख्य प्रवाह ओळखले आणि त्याचे मूल्यांकन केलेः संस्थांमध्ये माहिती तंत्रज्ञानाची अंमलबजावणी आणि वापरण्याच्या प्रक्रियेसाठी संस्थात्मक शिक्षण संकल्पना लागू करणारे अभ्यास; आणि संस्थात्मक शिक्षणास समर्थन देण्यासाठी माहिती तंत्रज्ञानाच्या अनुप्रयोगांच्या डिझाइनशी संबंधित अभ्यास. आधीच्या संशोधन प्रवाहावरून, आम्ही असा निष्कर्ष काढतो की अंमलबजावणीच्या यशात अनुभव महत्वाची, परंतु अनिश्चित भूमिका बजावतो; औपचारिक प्रशिक्षण आणि सराव मध्ये सहभाग या दोन्हीद्वारे शिक्षण प्राप्त होते; इतर संस्थांकडून शिकून संस्थात्मक ज्ञान अडथळे दूर केले जाऊ शकतात; आणि नवीन तंत्रज्ञान शिकणे ही एक गतिमान प्रक्रिया आहे जी संधींच्या तुलनेने अरुंद खिडक्यांनी दर्शविली जाते. नंतरच्या प्रवाहातून, आम्ही असा निष्कर्ष काढतो की संस्थात्मक स्मृती माहिती प्रणालीसाठी संकल्पनात्मक डिझाईन्स हे कलाकृतीच्या विकासासाठी मौल्यवान योगदान आहे; संप्रेषण आणि प्रवचनास समर्थन देणारी प्रणालीद्वारे शिकणे वाढविले जाते; आणि माहिती तंत्रज्ञानामध्ये संस्थात्मक शिक्षण सक्षम आणि अक्षम करण्याची क्षमता आहे. सध्या हे दोन प्रवाह एकमेकांपासून स्वतंत्रपणे वाहतात, त्यांचे जवळचे संकल्पनात्मक आणि व्यावहारिक संबंध असूनही. आम्ही सल्ला देतो की माहिती तंत्रज्ञान आणि संस्थात्मक शिक्षणावर भविष्यातील संशोधन अधिक एकात्मिक पद्धतीने चालते, संस्थात्मक शिक्षणाचे स्थानिक स्वरूप ओळखते, वितरित संस्थात्मक स्मृतीवर लक्ष केंद्रित करते, सरावात कलाकृतींची प्रभावीता दर्शवते आणि संबंधित क्षेत्रात संबंधित संशोधन निष्कर्षांची शोध घेते. |
654d129eafc136bf5fccbc54e6c8078e87989ea8 | या कामात 77-GHz वारंवारता-संरचित सतत-लहरी रडार प्रणाली सादर केली आहे. चार ट्रान्ससीव्हर चिप्स ज्यात ट्रान्समिट पाथमध्ये इंटिग्रेटेड इनफेस / क्वाड्रेट मॉड्युलेटर समाविष्ट आहेत, एकाच वेळी शॉर्ट-रेंज फ्रीक्वेंसी-डिव्हिजन मल्टीपल-एक्सेस (एफडीएमए) मल्टीपल-इनपुट मल्टीपल-आउटपुट (एमआयएमओ) आणि लांब-रेंज ट्रान्समिट फेज्ड-अॅरे (पीए) रडार सिस्टम एकाच वेळी साकार करण्यासाठी वापरले जातात. यामध्ये एफडीएमए एमआयएमओ रडारचे उच्च कोनात्मक रिझोल्यूशन आणि पीए ट्रान्समिट अँटेनाचा उच्च-गॅनिंग आणि स्टिरिबल बीम एकत्रित केले आहे. या संकल्पनेचा वापर करून चार अँटेना आणि डिजिटल बीमफॉर्मिंगच्या पद्धतींचा वापर करून या संकल्पनेचा वापर करून काय फायदे मिळू शकतात हे दाखवण्यासाठी अनेक मोजमाप केले गेले. |
60611349d1b6d64488a5a88a9193e62d9db27b71 | या अहवालात सध्या अस्तित्वात असलेल्या थकवा ओळखणे आणि अंदाज लावणे या तंत्रज्ञानाचा आढावा घेण्यात आला आहे. उपलब्ध असलेल्या विविध तंत्रज्ञानाशी संबंधित माहिती जगभरातील विविध स्त्रोतांकडून गोळा करण्यात आली. या अहवालाच्या पहिल्या सहामाहीत तंत्रज्ञानाच्या संशोधन आणि विकासाची सद्यस्थिती आणि संवेदनशीलता, विश्वासार्हता, वैधता आणि स्वीकार्यता या प्रमुख मुद्द्यांबाबत तंत्रज्ञानाची स्थिती सारांशित केली आहे. दुसऱ्या भागात वाहतूक क्षेत्रात तंत्रज्ञानाची भूमिका आणि इतर अंमलबजावणी आणि नियामक आराखड्यांच्या तुलनेत तंत्रज्ञानाच्या स्थानाबद्दल विशेषतः ऑस्ट्रेलिया आणि न्यूझीलंडमध्ये भाष्य केले आहे. या अहवालात असे म्हटले आहे की हार्डवेअर तंत्रज्ञानाचा वापर कंपनीच्या थकवा व्यवस्थापन प्रणाली म्हणून केला जाऊ नये. हार्डवेअर तंत्रज्ञान हे केवळ शेवटच्या सुरक्षितता उपकरणाचे साधन बनण्याची क्षमता आहे. तरीही हार्डवेअर तंत्रज्ञानाचा उत्पादन कंपनीच्या थकवा व्यवस्थापन प्रणालीमध्ये वास्तविक वेळ जोखीम मूल्यांकन प्रदान करण्यासाठी उपयुक्त ठरू शकेल. मात्र, हार्डवेअर तंत्रज्ञानाचा आउटपुट हा कधीही व्यवस्थापन प्रणालीमध्ये एकमेव इनपुट असू नये. इतर माहिती किमान वैध सॉफ्टवेअर तंत्रज्ञान, कामासाठी योग्यतेचे परस्पर मूल्यांकन आणि कामाचे ओझे, वेळापत्रक आणि रोस्टरच्या इतर जोखीम मूल्यांकनांमधून मिळणे आवश्यक आहे. उद्देश: माहितीसाठी: अवजड वाहनांच्या चालकांच्या थकवाच्या व्यवस्थापनात थकवा ओळखणे आणि अंदाज लावणे तंत्रज्ञानाचे स्थान समजून घेणे. |
d26c517baa9d6acbb826611400019297df2476a9 | |
0ee1916a0cb2dc7d3add086b5f1092c3d4beb38a | पास्कल व्हिज्युअल ऑब्जेक्ट क्लासेस (व्हीओसी) आव्हान हे व्हिज्युअल ऑब्जेक्ट श्रेणी ओळख आणि शोधण्याचे एक बेंचमार्क आहे, जे व्हिजन आणि मशीन लर्निंग समुदायांना प्रतिमा आणि एनोटेशनचा मानक डेटासेट आणि मानक मूल्यांकन प्रक्रिया प्रदान करते. २००५ पासून दरवर्षी आयोजित केले जाणारे हे आव्हान आणि संबंधित डेटासेट ऑब्जेक्ट शोधण्यासाठी बेंचमार्क म्हणून स्वीकारले गेले आहेत. या पेपरमध्ये डेटासेट आणि मूल्यांकन प्रक्रियेचे वर्णन केले आहे. आम्ही वर्गीकरण आणि शोध दोन्हीसाठी मूल्यमापन केलेल्या पद्धतींच्या अत्याधुनिक स्थितीचा आढावा घेतो, पद्धती सांख्यिकीयदृष्ट्या भिन्न आहेत की नाही हे विश्लेषण करतो, ते प्रतिमांकडून काय शिकत आहेत (उदा. ऑब्जेक्ट किंवा त्याचा संदर्भ), आणि काय पद्धती सोपे किंवा गोंधळात टाकणारे शोधतात. या आव्हानाच्या तीन वर्षांच्या इतिहासात शिकलेल्या धडे आणि भविष्यातील सुधारणा आणि विस्तारासाठी प्रस्तावित दिशानिर्देश या निबंधात समाविष्ट आहेत. |
981fef7155742608b8b6673f4a9566158b76cd67 | |
a6eb10b1d30b4547b04870a82ec0c65baf2198f8 | |
40e06608324781f6de425617a870a103d4233d5c | त्यानंतर, केएम यंत्रणा कार्यान्वित करण्यासाठी, सतत नवकल्पना प्रक्रियेत ज्ञानाच्या मालमत्तेचे तीन स्रोत, मेटा-मॉडेल आणि मॅक्रो प्रक्रिया एकत्रित करून एक श्रेणीबद्ध मॉडेल तयार केले जाते. या मॉडेलमध्ये ज्ञान आणि नाविन्य यांच्यातील जटिल संबंधांचे चार स्तरांमध्ये विभाजन केले आहे. व्यावहारिक परिणाम - मागील संशोधनातून ज्ञान व्यवस्थापन पद्धतींबद्दल शिकलेल्या धडेानुसार, नाविन्यासाठी ज्ञान व्यवस्थापन प्रकल्पांच्या यशस्वी अंमलबजावणीसाठी ज्ञान व्यवस्थापनचे तीन दृष्टीकोन एकमेकांशी सहयोग करणे आवश्यक आहे; आणि पदानुक्रमित मॉडेल नाविन्यासाठी ज्ञान व्यवस्थापन प्रणाली अंमलबजावणी करण्यासाठी एक योग्य आर्किटेक्चर प्रदान करते. मूळपणा/मूल्य - तंत्रज्ञानाचे मेटा-मॉडेल आणि मॅक्रो प्रक्रिया स्पष्ट करते की तंत्रज्ञानाची पुढील पिढी मूल्य निर्मितीला कशी मदत करू शकते आणि सिस्टम थिंकिंगच्या दृष्टीकोनातून सतत नवकल्पनांना समर्थन देऊ शकते. या श्रेणीबद्ध मॉडेल सतत नवनिर्मितीच्या प्रक्रियेत जटिल ज्ञान गतिशीलतेचे उदाहरण देते. या संशोधनाचा उद्देश नाविन्यासाठी ज्ञान व्यवस्थापनाची यंत्रणा समजून घेणे आणि सतत नाविन्यपूर्णतेत ज्ञान व्यवस्थापनाच्या उपक्रमांचा फायदा घेण्यासाठी उद्योजकांना एक दृष्टिकोन प्रदान करणे हा आहे. डिझाईन/मेथडोलॉजी/पद्धती - बहुविषयक क्षेत्रांतील साहित्याचा आढावा घेऊन ज्ञान, ज्ञान व्यवस्थापन आणि नाविन्य या संकल्पनांचा अभ्यास केला जातो. ज्ञान निर्मिती आणि ज्ञान वापर या नाविन्यपूर्ण उपक्रमांच्या दोन मुख्य कार्ये ओळखून ज्ञान व्यवस्थापनाचे भौतिक, मानवी आणि तांत्रिक दृष्टीकोन वेगळे केले जाते. त्यानंतर सतत नवनिर्मितीसाठी आवश्यक असलेली एक मूलभूत आवश्यकता म्हणजे एक अंतर्ज्ञान टप्पा निश्चित केला जातो. तंत्रज्ञान आणि मानवी केंद्रित दृष्टीकोन यांचा अवलंब करून नाविन्यपूर्णतेसाठी केएमच्या यंत्रणेविषयी सर्वसमावेशक समज प्रदान केली जाते. निष्कर्ष - आंतरिककरणाच्या टप्प्याचा समावेश करून ज्ञानावर आधारित सतत नवनिर्मितीची नेटवर्किंग प्रक्रिया प्रस्तावित केली आहे. केएमच्या तीन दृष्टीकोनानुसार, नाविन्यपूर्णतेत संस्थात्मक ज्ञान मालमत्तेचे तीन स्रोत ओळखले जातात. त्यानंतर नाविन्यपूर्णतेच्या दोन मुख्य उपक्रमांच्या आधारे, सतत नाविन्यपूर्णतेसाठी केएमच्या यंत्रणांचे मॉडेलिंग करण्यासाठी केएमचे मेटा-मॉडेल आणि मॅक्रो प्रक्रिया प्रस्तावित केली जाते. |
1dba1fa6dd287fde87823218d4f03559dde4e15b | या लेखात स्टार्ट माहिती प्रवेश प्रणालीमध्ये प्रश्नांची उत्तरे देण्यास सुलभ करण्यासाठी नैसर्गिक भाषेच्या टिपण्णीच्या वापरापासून शिकलेले धोरण आणि धडे सादर केले आहेत. |
77fbbb9ff612c48dad8313087b0e6ed03c31812a | द्रव क्रिस्टल पॉलिमर (एलसीपी) एक अशी सामग्री आहे जी संभाव्य उच्च-कार्यक्षम मायक्रोवेव्ह सब्सट्रेट आणि पॅकेजिंग सामग्री म्हणून लक्ष वेधून घेत आहे. या तपासणीत मिलीमीटर-वेव्ह फ्रिक्वेन्सीसाठी एलसीपीचे विद्युत गुणधर्म निर्धारित करण्यासाठी अनेक पद्धतींचा वापर केला जातो. मायक्रोस्ट्रिप रिंग रेझोनॅटर आणि कॅव्हिटी रेझोनॅटरचे मोजमाप 30 जीएचझेडपेक्षा जास्त एलसीपीच्या डायलेक्ट्रिक स्थिर (/ स्प्ल एप्सि / सब आर /) आणि तोटा स्पर्श (टॅन / स्प्ल डेल्टा /) चे वर्णन करण्यासाठी केले जाते. मोजलेल्या डायलेक्ट्रिक स्थिर 3.16 च्या जवळ स्थिर असल्याचे दर्शविले जाते आणि नुकसान स्पर्श 0.0049 च्या खाली राहते. याव्यतिरिक्त, विविध प्रसारण लाइन वेगवेगळ्या एलसीपी सब्सट्रेट जाडीवर तयार केल्या जातात आणि नुकसान वैशिष्ट्ये 2 ते 110 गीगाहर्ट्झ प्रति सेंटीमीटर डेसिबलमध्ये दिली जातात. 110 गीगाहर्ट्झच्या प्रसारण लाइनचे पीक नुकसान 0.88-2.55 डीबी / सेमी दरम्यान बदलते, लाइन प्रकार आणि भूमितीवर अवलंबून असते. या परिणामांनी प्रथमच असे दिसून आले आहे की, एलसीपीमध्ये मिलिमीटर-वेव्ह फ्रिक्वेन्सीमध्ये विस्तारित अनुप्रयोगांसाठी उत्कृष्ट विद्युतरोधक गुणधर्म आहेत. |
cb84ef73db0a259b07289590f0dfcb9b8b9bbe79 | या पेपरमध्ये वेअरएबल उपकरणांसाठी हायब्रिड रेडिओ फ्रिक्वेन्सी (आरएफ) आणि पीझोइलेक्ट्रिक पातळ फिल्म पॉलीविनाइलिडेन फ्लोराईड (पीव्हीडीएफ) कंप ऊर्जा हार्वेस्टरचे वर्णन केले आहे. परजीवी क्षमतेचे आणि स्वतंत्र इंडक्टर्सच्या प्रतिरोध वैशिष्ट्यांचा फायदा घेत, प्रस्तावित हार्वेस्टर केवळ 15 हर्ट्झ कंप ऊर्जाच काढून घेत नाही तर 915 मेगाहर्ट्झ लवचिक सिल्वर-इंक आरएफ डायपोल अँटेना म्हणून देखील कार्य करते. याव्यतिरिक्त, हायब्रिड हार्वेस्टरच्या आरएफ आणि कंप आउटपुटला रेसिस्टिव्ह लोडवर पॉवर करण्यासाठी डीसी सिग्नलमध्ये रूपांतरित करण्यासाठी 6-चरण डिकसन आरएफ-टू-डीसी कनवर्टर आणि डायोड ब्रिज रेक्टिफायरसह इंटरफेस सर्किटचे मूल्यांकन केले जाते. आरएफ ते डीसी कनवर्टर आणि -8 डीबीएम इनपुट आरएफ पॉवर वापरताना, जास्तीत जास्त 20.9 μ ची सीसी आउटपुट पॉवर ओपन-सर्किट आउटपुट व्होल्टेजच्या 36% वर प्राप्त होते, तर 3 ग्रॅम कंपन उत्तेजनातून मिळणारी सीसी पॉवर जास्तीत जास्त 2.8 μW पर्यंत पोहोचते 51% ओपन-सर्किट व्होल्टेज. प्रयोगात्मक परिणामांनुसार, चाचणी केलेल्या हायब्रिड हार्वेस्टिंग सिस्टममध्ये 7.3 μW सीसी पॉवर एकाच वेळी निर्माण होते, जेव्हा हार्वेस्टरपासून 3 डब्ल्यू ईआयआरपी 915 मेगाहर्ट्झ ट्रान्समीटरपर्यंतचे अंतर 5.5 मीटर असते आणि 1.8 ग्रॅम कंपन प्रवेग पीकपासून 1.8 μW सीसी पॉवर असते. |
d8e8bdd687dd588b71d92ff8f6018a1084f85437 | इंटरनेटचा वापर करण्याच्या पद्धतीप्रमाणेच इंटरनेट ऑफ थिंग्स (आयओटी) इकोसिस्टममध्ये डिव्हाइसेस हे मुख्य वापरकर्ते असतील. त्यामुळे डिव्हाइस टू डिव्हाइस (डी2डी) कम्युनिकेशन हा आयओटीचा अविभाज्य भाग असेल अशी अपेक्षा आहे. केंद्रीकृत नियंत्रणाशिवाय डिव्हाइसेस एकमेकांशी स्वायत्तपणे संवाद साधतील आणि मल्टीहोप पद्धतीने माहिती गोळा करण्यासाठी, सामायिक करण्यासाठी आणि अग्रेषित करण्यासाठी सहयोग करतील. आयओटीच्या मूल्याचा लाभ घेण्यासाठी रिअल टाइममध्ये संबंधित माहिती गोळा करण्याची क्षमता महत्त्वाची आहे कारण अशा माहितीचे बुद्धिमत्तेत रूपांतर होईल, ज्यामुळे बुद्धिमान वातावरण तयार करणे सुलभ होईल. शेवटी, गोळा केलेल्या माहितीची गुणवत्ता ही साधने किती हुशार आहेत यावर अवलंबून असते. याव्यतिरिक्त, हे संप्रेषण करणारे डिव्हाइस वेगवेगळ्या नेटवर्किंग मानकांवर कार्य करतील, एकमेकांशी अधूनमधून कनेक्टिव्हिटी अनुभवू शकतात आणि त्यापैकी बरेच संसाधने मर्यादित असतील. या वैशिष्ट्यामुळे अनेक नेटवर्क आव्हाने उघडली जातात ज्या पारंपारिक रूटिंग प्रोटोकॉल सोडवू शकत नाहीत. परिणामी, डिव्हाइसेसना बुद्धिमान डी टू डी संप्रेषण साध्य करण्यासाठी बुद्धिमान रूटिंग प्रोटोकॉलची आवश्यकता असेल. आयओटी इकोसिस्टममध्ये बुद्धिमान डी2डी संप्रेषण कसे साध्य करता येईल याचे एक विहंगावलोकन आम्ही सादर करतो. विशेषतः, आम्ही अत्याधुनिक मार्गक्रमण अल्गोरिदम आयओटीमध्ये बुद्धिमान डी टू डी संप्रेषण कसे साध्य करू शकतात यावर लक्ष केंद्रित करतो. |
5e6035535d6d258a29598faf409b57a71ec28f21 | |
766c251bd7686dd707acd500e80d7184929035c6 | ट्रॅफिक लाइट डिटेक्शन (टीएलडी) हे स्मार्ट वाहने आणि ड्रायव्हिंग असिस्टन्स सिस्टीम (डीएएस) या दोन्हीचा एक महत्त्वाचा भाग आहे. बहुतेक टीडीओसाठी सामान्य म्हणजे त्यांचे मूल्यांकन लहान आणि खाजगी डेटासेटवर केले जाते ज्यामुळे दिलेल्या पद्धतीची अचूक कामगिरी निश्चित करणे कठीण होते. या पेपरमध्ये आम्ही अत्याधुनिक, रिअल-टाइम ऑब्जेक्ट डिटेक्शन सिस्टम यू ओनली लुक वन्स, (योलो) ला व्हीआयव्हीए-चॅलेंजद्वारे उपलब्ध असलेल्या सार्वजनिक लिसा ट्रॅफिक लाइट डेटासेटवर लागू करतो, ज्यामध्ये विविध प्रकाश आणि हवामान परिस्थितीत कॅप्चर केलेल्या मोठ्या संख्येने एनोटेड ट्रॅफिक लाइट्स असतात. , , , , , योलो ऑब्जेक्ट डिटेक्टरने डेसक्वेन्ससाठी 90.49% चे प्रभावी एयूसी प्राप्त केले आहे, जे व्हीआयव्हीएचे नवीनतम एसीएफ एंट्रीच्या तुलनेत 50.32% सुधारणा आहे. एसीएफ डिटेक्टरप्रमाणेच प्रशिक्षण कॉन्फिगरेशनचा वापर करून, योलो डिटेक्टर 58.3% एयूसीपर्यंत पोहोचते, जे 18.13% वाढते. |
136b9952f29632ab3fa2bbf43fed277204e13cb5 | दृश्यांचे वर्गीकरण ही संगणक दृष्टीतील मूलभूत समस्या आहे. तथापि, दृश्यांच्या समजूतदारतेचा शोध सध्या वापरल्या जाणाऱ्या डेटाबेसच्या मर्यादित व्याप्तीमुळे मर्यादित आहे, जे दृश्यांच्या श्रेणींची संपूर्ण विविधता पकडत नाहीत. ऑब्जेक्ट वर्गीकरणासाठी मानक डेटाबेसमध्ये शेकडो वेगवेगळ्या ऑब्जेक्ट्सचे वर्ग असतात, तर दृश्यांच्या श्रेणींच्या सर्वात मोठ्या उपलब्ध डेटासेटमध्ये केवळ 15 वर्ग असतात. या लेखात आम्ही 899 श्रेणी आणि 130,519 प्रतिमा असलेले व्यापक दृश्य UNderstanding (SUN) डेटाबेस प्रस्तावित करतो. आम्ही 397 चांगल्या प्रकारच्या श्रेणी वापरतो. दृश्यांच्या ओळखसाठी अनेक अत्याधुनिक अल्गोरिदम वापरतो. आणि कामगिरीची नवीन मर्यादा ठरवतो. आम्ही मानवी दृश्यांच्या वर्गीकरणाची कामगिरी मोजतो. सन डेटाबेसवर आणि त्याची तुलना संगणकीय पद्धतींशी करतो. याव्यतिरिक्त, आम्ही एक बारीक-ग्रॅन्ड देखावा प्रतिनिधित्व अभ्यास मोठ्या दृश्यांच्या आत एम्बेड दृश्यांना शोधण्यासाठी. |
eb06182a2817d06e82612a0c32a6c843f01c6a03 | या पेपरमध्ये तालिका आधारित नैसर्गिक भाषेची वाक्य तयार करण्यासाठी एक न्यूरल जनरेटिव्ह मॉडेल, म्हणजेच टेबल 2 सेक प्रस्तावित आहे. या मॉडेलमध्ये सतत वेक्टरमध्ये टेबल मॅप केले जाते आणि त्यानंतर टेबलच्या सिमेंटिक्सचा वापर करून नैसर्गिक भाषेचा वाक्य तयार केला जातो. दुर्मिळ शब्द, उदा. संस्था आणि मूल्ये, सहसा टेबलमध्ये दिसतात, आम्ही एक लवचिक कॉपी यंत्रणा विकसित करतो जी निवडकपणे सारणीमधून आउटपुट अनुक्रमामध्ये सामग्रीची पुनरावृत्ती करते. आम्ही आमच्या टेबल 2 सेक मॉडेलची कार्यक्षमता आणि डिझाइन केलेल्या कॉपीिंग यंत्रणेची उपयुक्तता दर्शविण्यासाठी व्यापक प्रयोग करतो. WIKIBIO आणि SIMPLEQUESTIONS डेटासेटवर, टेबल 2 सेक मॉडेलने ब्ल्यू -4 स्कोअरच्या बाबतीत अनुक्रमे 34.70 ते 40.26 आणि 33.32 ते 39.12 पर्यंत अत्याधुनिक परिणामांमध्ये सुधारणा केली. याशिवाय, आम्ही एक ओपन-डोमेन डेटासेट विकिटॅबलटेक्स्ट तयार करतो ज्यात 4962 सारण्यांसाठी 13 318 वर्णनात्मक वाक्ये समाविष्ट आहेत. आमच्या टेबल 2 सेक मॉडेलने 38.23 चा ब्ल्यू -4 स्कोअर विकिटॅबलटेक्स्टवर साचा-आधारित आणि भाषा मॉडेल-आधारित पध्दतींवर मात केली. याव्यतिरिक्त, शोध इंजिनच्या 1 एम टेबल-क्वेरी जोड्यांवर प्रयोगांद्वारे, टेबलचे संरचित भाग, म्हणजेच टेबलचे गुणधर्म आणि टेबल पेशी विचारात घेतलेले आमचे टेबल 2 सेक मॉडेल अतिरिक्त माहिती म्हणून केवळ टेबलच्या अनुक्रमांकित भागाचा विचार करून अनुक्रमांक-ते-अनुक्रमांक मॉडेलपेक्षा चांगले कार्य करते, म्हणजेच टेबलचे शीर्षक. |
ea951c82efe26424e3ce0d167e01f59e5135a2da | टाइम्ड अप अँड गो ही वृद्ध आणि पार्किन्सन रोगाच्या रुग्णांची हालचाल तपासण्यासाठी एक क्लिनिकल चाचणी आहे. या चाचणीच्या अलिकडच्या साधनांच्या आवृत्त्यांचा विचार केला जात आहे, ज्यामध्ये जडत्वीय सेन्सर्स हालचालीचे मूल्यांकन करतात. सर्वव्यापीता, वापर सुलभता आणि खर्च सुधारण्यासाठी, आम्ही स्मार्टफोनच्या अॅक्सेलेरोमीटरला मोजमाप प्रणाली म्हणून मानतो. चाचणी दरम्यान नोंदवलेल्या सिग्नलमधून अनेक मापदंड (सामान्यतः अत्यंत परस्परसंबंधित) गणना करता येतात. अतिरेक टाळण्यासाठी आणि लोकोमोटिव कामगिरीसाठी सर्वात संवेदनशील वैशिष्ट्ये मिळविण्यासाठी, मुख्य घटक विश्लेषण (पीसीए) द्वारे परिमाण कमी केले गेले. वेगवेगळ्या वयोगटातील ४९ निरोगी व्यक्तींची चाचणी घेण्यात आली. पीसीए नवीन वैशिष्ट्ये (मुख्य घटक) काढण्यासाठी केली गेली होती जी मूळ मापदंडांची अनावश्यक जोडणी नसतात आणि बहुतेक डेटा भिन्नतेसाठी जबाबदार असतात. ते शोधक विश्लेषण आणि बाह्य आढळण्यासाठी उपयुक्त ठरू शकतात. त्यानंतर, मुख्य घटकांच्या सहसंबंध विश्लेषणाद्वारे मूळ मापदंडांचा कमी सेट निवडला गेला. निरोगी प्रौढांवर आधारित अभ्यासात या संचची शिफारस केली जाऊ शकते. प्रस्तावित प्रक्रियेचा वापर वर्गीकरण अभ्यासामध्ये प्रथम-स्तरीय वैशिष्ट्य निवड म्हणून केला जाऊ शकतो (म्हणजे. यामध्ये एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूणच एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण एकूण |
e467278d981ba30ab3b24235d09205e2aaba3d6f | या अभ्यासाचे उद्दीष्ट अनुक्रमे मध्यस्थी मॉडेल विकसित करणे आणि त्याची चाचणी करणे होते जे निष्क्रिय नेतृत्वाचा कर्मचार्यांच्या कल्याणाशी नकारात्मक संबंध स्पष्ट करते. भूमिका तणाव सिद्धांताच्या आधारे, आम्ही असे मानतो की निष्क्रीय नेतृत्व भूमिका अस्पष्टता, भूमिका संघर्ष आणि भूमिका अतिभार यांचे उच्च पातळीचे अंदाज लावेल. संसाधनांच्या संवर्धनाच्या सिद्धांताचा अवलंब करून, आम्ही आणखी असे गृहीत धरतो की या भूमिका तणावग्रस्त व्यक्ती अप्रत्यक्षपणे आणि नकारात्मकपणे कर्मचार्यांच्या कल्याणाच्या दोन पैलूंवर परिणाम करतील, म्हणजेच एकूण मानसिक आरोग्य आणि एकूण कामकाजाची वृत्ती, मानसिक कामकाजाच्या थकवामुळे. 2467 अमेरिकन कामगारांच्या संभाव्य नमुन्याचा वापर करून, स्ट्रक्चरल समीकरण मॉडेलिंगने हे मॉडेलचे समर्थन केले की भूमिका तणाव आणि मानसिक काम थकवा अंशतः निष्क्रिय नेतृत्व आणि कर्मचार्यांच्या कल्याणाच्या दोन्ही पैलूंमधील नकारात्मक संबंधांमध्ये मध्यस्थी केली. अनुक्रमे अप्रत्यक्ष संबंधांनी निष्क्रीय नेतृत्व आणि मानसिक आरोग्यामधील एकूण संबंधांपैकी 47.9% आणि निष्क्रीय नेतृत्व आणि एकूण काम करण्याच्या वृत्तीमधील एकूण संबंधांपैकी 26.6% स्पष्ट केले. कॉपीराईट © 2016 जॉन विले अँड सन्स, लिमिटेड |
9a86ae8e9b946dc6d957357e0670f262fa1ead9d | लेख इतिहास: प्राप्त झाले 22 ऑगस्ट 2007 स्वीकारले 29 फेब्रुवारी 2008 ऑनलाइन उपलब्ध xxxx |
f8acaabc99801a89baa5a9eff445fc5922498dd0 | डीप डोमेन अॅडप्टेशन पद्धती डोमेन-अपरिवर्तनीय एम्बेडिंग शिकून वितरण विसंगती कमी करू शकतात. तथापि, ही पद्धती केवळ संपूर्ण डेटा वितरण संरेखित करण्यावर लक्ष केंद्रित करते, स्त्रोत आणि लक्ष्य प्रतिमांमधील वर्ग-स्तरीय संबंधांचा विचार न करता. अशा प्रकारे, पक्ष्याचे लक्ष्य एम्बेड केलेले विमान विमानाच्या स्त्रोत एम्बेड केलेल्या संरेखनसह संरेखित केले जाऊ शकते. या सिमेंटिक विसंगतीमुळे लक्ष्य डेटासेटवरील वर्गीकरणकर्त्याची कार्यक्षमता थेट कमी होऊ शकते. या समस्येला दूर करण्यासाठी, आम्ही एक समानता प्रतिबंधित संरेखित (एससीए) पद्धत अनसुप्रिव्हिएटेड डोमेन अनुकूलनासाठी सादर करतो. एम्बेडिंग स्पेसमध्ये वितरण संरेखित करताना, एससीए स्रोत आणि लक्ष्य प्रतिमांमध्ये वर्ग-स्तरीय संबंध राखण्यासाठी एक समानता-संरक्षण प्रतिबंध लागू करते, म्हणजेच, जर स्त्रोत प्रतिमा आणि लक्ष्य प्रतिमा समान वर्ग लेबलची असेल तर त्यांचे संबंधित एम्बेड जवळपास संरेखित केले जाणे अपेक्षित आहे आणि उलट. लक्ष्य लेबल नसताना, आम्ही लक्ष्य प्रतिमांना छद्म लेबल देतो. लेबल केलेली स्त्रोत प्रतिमा आणि छद्म-लेबल केलेली लक्ष्य प्रतिमा दिल्यास, ट्रिपलट नुकसान कमी करून समानता-संरक्षण प्रतिबंध लागू केला जाऊ शकतो. डोमेन संरेखन नुकसान आणि समानता-संरक्षण प्रतिबंधाच्या संयुक्त देखरेखीसह, आम्ही दोन गंभीर वैशिष्ट्यांसह डोमेन-अपरिवर्तनीय एम्बेडमेंट मिळविण्यासाठी नेटवर्कचे प्रशिक्षण देतो, आंतर-वर्ग संक्षिप्तता आणि आंतर-वर्ग पृथक्करण. दोन डेटा सेटवर केलेल्या व्यापक प्रयोगांमुळे एससीएची कार्यक्षमता स्पष्टपणे दिसून येते. |
a3c3c084d4c30cf40e134314a5dcaf66b4019171 | |
21aebb53a45ccac7f6763d9c47477092599f6be1 | |
12e1923fb86ed06c702878bbed51b4ded2b16be1 | या लेखात, आम्ही पोर्टेबल स्मार्ट रडार सेन्सरच्या स्वाक्षरीच्या नमुन्यांच्या ओळखीवर आधारित मानवी हावभाव ओळख प्रणालीच्या डिझाइनचा विचार करतो. एएए बॅटरीद्वारे समर्थित, स्मार्ट रडार सेन्सर 2.4 जीएचझेड औद्योगिक, वैज्ञानिक आणि वैद्यकीय (आयएसएम) बँडमध्ये कार्य करते. आम्ही दोन वेगवेगळ्या इशारांच्या संचासाठी रडार सिग्नलमधून काढलेल्या मुख्य घटकांचा आणि अनुप्रयोग-विशिष्ट वेळ आणि वारंवारता डोमेन वैशिष्ट्यांचा वापर करून वैशिष्ट्य जागाचे विश्लेषण केले. आम्ही दाखवतो की जवळच्या शेजारी आधारित वर्गीकरणकर्ता बहु-वर्ग वर्गीकरणासाठी 95% पेक्षा जास्त अचूकता प्राप्त करू शकतो जेव्हा वैशिष्ट्ये परिमाण फरक आणि डॉप्लर शिफ्टच्या आधारे काढली जातात तेव्हा ऑर्थोगोनल रूपांतरणाद्वारे काढलेल्या वैशिष्ट्यांच्या तुलनेत 10 पट क्रॉस व्हॅलिडेशन वापरून. या अहवालात नमूद केलेल्या परिणामांमध्ये स्मार्ट होम आणि आरोग्य देखरेखीच्या उद्देशाने उच्च अचूकतेच्या नमुना ओळख प्रणालीसह समाकलित केलेल्या बुद्धिमान रडारची क्षमता दर्शविली गेली आहे. |
25b87d1d17adabe2923da63e0b93fb7d2bac73f7 | नेटवर्क आणि त्यांच्या संसाधनांवर होणाऱ्या हल्ल्यांमध्ये सतत वाढ होत आहे (जसे की कोडरेड वर्मने नुकतेच दाखवले आहे) यामुळे या मौल्यवान मालमत्तेचे संरक्षण करण्याची गरज निर्माण झाली आहे. फायरवॉल हे आता सर्वसामान्यपणे स्थापित केले गेले आहे जेणेकरून प्रथमच घुसखोरीच्या प्रयत्नांना रोखता येईल. घुसखोरी शोध प्रणाली (आयडीएस), ज्या दुर्भावनायुक्त क्रियाकलापांना रोखण्याऐवजी त्यांना शोधण्याचा प्रयत्न करतात, जेव्हा प्रथम संरक्षण परिमितीमध्ये प्रवेश केला जातो तेव्हा अतिरिक्त संरक्षण प्रदान करते. आयडी सिस्टम संकलन केलेल्या डेटाची तुलना पूर्वनिर्धारित स्वाक्षर्यांसह (हस्ताक्षर आधारित) किंवा कायदेशीर वर्तनाच्या मॉडेलशी (अनामिकता आधारित) तुलना करून हल्ले कमी करण्याचा प्रयत्न करतात. अनोमली आधारित प्रणालींचा पूर्वी अज्ञात हल्ले शोधण्यात सक्षम होण्याचा फायदा आहे परंतु त्यांना स्वीकार्य वर्तनाचे एक ठोस मॉडेल तयार करणे आणि असामान्य परंतु अधिकृत क्रियाकलापांमुळे उद्भवणार्या अलार्मची संख्या वाढवणे कठीण आहे. आम्ही एक दृष्टिकोन सादर करतो जो संरक्षित केले पाहिजे अशा नेटवर्क सेवांच्या अनुप्रयोग विशिष्ट ज्ञानाचा वापर करतो. या माहितीमुळे सध्याचे, साधे नेटवर्क ट्रॅफिक मॉडेल वाढवून, अॅप्लिकेशन मॉडेल तयार करण्यात मदत होते, जे सिंगल नेटवर्क पॅकेटमध्ये लपलेली दुर्भावनायुक्त सामग्री शोधण्यास मदत करते. आम्ही आमच्या प्रस्तावित मॉडेलची वैशिष्ट्ये वर्णन करतो आणि प्रयोगात्मक डेटा सादर करतो जे आमच्या प्रणालीच्या कार्यक्षमतेवर प्रकाश टाकतात. |
10338babf0119e3dba196aef44fa717a1d9a06df | |
36e41cdfddd190d7861b91b04a515967fd1541d9 | प्राप्त: 20 जुलै 2012 सुधारित: 18 फेब्रुवारी 2013 दुसरी पुनरावृत्ती: 28 जून 2013 तिसरी पुनरावृत्ती: 20 सप्टेंबर 2013 चौथी पुनरावृत्ती: 7 नोव्हेंबर 2013 स्वीकारलेः 1 फेब्रुवारी 2014 सारांश सोशल नेटवर्किंग साइट्स (एसएनएस) मध्ये एम्बेड केलेल्या संदेशांची आणि सामाजिक संबंधांची संख्या वाढत असताना, व्यक्तींकडून प्रतिक्रिया मागणारी सामाजिक माहितीची संख्या देखील वाढते. याचा परिणाम म्हणून, एसएनएस वापरकर्त्यांना वाटते की ते इतर एसएनएस वापरकर्त्यांना जास्त सामाजिक पाठिंबा देत आहेत. सामाजिक समर्थन सिद्धांत (एसएसटी) वर आधारित, आम्ही एसएनएस वापराशी या नकारात्मक संबंधाला सामाजिक ओव्हरलोड म्हणतो आणि ते मोजण्यासाठी एक लॅटेंट व्हेरिएबल विकसित करतो. मग आम्ही सामाजिक ओव्हरलोडचे सैद्धांतिक पूर्ववर्ती आणि परिणाम ओळखतो आणि 12 मुलाखती आणि 571 फेसबुक वापरकर्त्यांच्या सर्वेक्षणातून सामाजिक ओव्हरलोड मॉडेलचे अनुभवजन्य मूल्यांकन करतो. या परिणामांमध्ये असे दिसून आले आहे की वापर, मित्रांची संख्या, व्यक्तिपरक सामाजिक समर्थन नियम आणि नातेसंबंधांचे प्रकार (केवळ ऑनलाइन-ऑफलाइन मित्र) हे घटक आहेत जे थेट सामाजिक ओव्हरलोडमध्ये योगदान देतात तर वयाचा केवळ अप्रत्यक्ष परिणाम होतो. सामाजिक ओव्हरलोडचे मानसिक आणि वर्तनविषयक परिणाम म्हणजे एसएनएस वापरकर्त्यांकडून थकवा जाणवणे, वापरकर्त्यांचे समाधान कमी होणे आणि एसएनएस वापर कमी करणे किंवा थांबविण्याचा उच्च हेतू. एसएसटी आणि एसएनएस स्वीकृती संशोधनासाठी परिणामी सैद्धांतिक परिणामांवर चर्चा केली जाते आणि संस्था, एसएनएस प्रदाता आणि एसएनएस वापरकर्त्यांसाठी व्यावहारिक परिणाम काढले जातात. युरोपियन जर्नल ऑफ इन्फॉर्मेशन सिस्टम्स अग्रिम ऑनलाइन प्रकाशन, 4 मार्च 2014; doi:10.1057/ejis.2014.3; ऑनलाइन सुधारित 11 मार्च 2014 |
ffcb7146dce1aebf47a910b51a873cfec897d602 | स्कॅन आणि सेगमेंटेड स्कॅन हे विविध प्रकारच्या अनुप्रयोगांसाठी महत्वाचे डेटा-समानान्तर आदिम आहेत. आम्ही ग्राफिक्स प्रोसेसिंग युनिट्स (जीपीयू) वर या आदिम गोष्टींसाठी वेगवान, कार्य-कार्यक्षम अल्गोरिदम सादर करतो. आम्ही नवीन डेटा प्रतिनिधित्व वापरतो जी जीपीयू आर्किटेक्चरशी जुळते. आमचे अल्गोरिदम स्मृती कार्यक्षमता सुधारण्यासाठी सामायिक स्मृतीचा वापर करतात. आम्ही आमच्या अल्गोरिदमची कार्यक्षमता आणखी सुधारित करतो सामायिक-स्मृती बँक संघर्ष दूर करून आणि पूर्वीच्या सामायिक-स्मृती GPU अल्गोरिदममधील ओव्हरहेड कमी करून. याशिवाय, आमचे अल्गोरिदम हे सर्वसाधारण डेटा सेटवर चांगले काम करण्यासाठी डिझाइन केलेले आहेत, ज्यात अनियमित सेगमेंट लांबीसह विभाजीत अॅरे समाविष्ट आहेत. आम्ही सेगमेंट लांबीवर आधारित सेगमेंट स्कॅनची कार्यक्षमता सुधारण्यासाठी ऑप्टिमायझेशन देखील सादर करतो. आम्ही आमचे अल्गोरिदम एनव्हीआयडीए जीफोर्स 8800 जीपीयू असलेल्या पीसीवर लागू केले आणि आमच्या परिणामांची तुलना मागील जीपीयू-आधारित अल्गोरिदमशी केली. आमचे परिणाम दर्शवतात की लाखो घटकांसह इनपुट अनुक्रमांवर मागील अल्गोरिदमपेक्षा 10 पट जास्त कामगिरी आहे. |
6a640438a4e50fa31943462eeca716413891a773 | आम्ही एक नवीन रँकिंग अल्गोरिदम सादर करतो जो दोन मागील पद्धतींची ताकद एकत्र करतोः बूस्ट केलेले झाड वर्गीकरण आणि लॅम्ब्डाआर, जे मोठ्या प्रमाणात वापरल्या जाणार्या माहिती पुनर्प्राप्ती उपाययोजनासाठी अनुभवजन्यपणे इष्टतम असल्याचे दर्शविले गेले आहे. या अल्गोरिदमचा आधार बस्ट रेग्रेशन ट्रीवर आहे, जरी या कल्पना कोणत्याही कमकुवत विद्यार्थ्यांसाठी लागू होतात आणि तांत्रिकदृष्ट्या तुलनात्मक अचूकतेसाठी हे प्रशिक्षण आणि चाचणी दोन्ही टप्प्यांमध्ये अत्याधुनिकतेपेक्षा लक्षणीय वेगवान आहे. आम्ही हे देखील दाखवतो की कोणत्याही दोन रँकर्ससाठी इष्टतम रेषेचा संयोजन कसा शोधायचा आणि आम्ही या पद्धतीचा वापर रेषा शोध समस्येचे निराकरण करण्यासाठी करतो. याव्यतिरिक्त, आम्ही दाखवतो की आधीपासूनच प्रशिक्षित मॉडेलसह प्रारंभ करणे आणि त्याचे अवशेष वापरणे, मॉडेल अनुकूलनासाठी एक प्रभावी तंत्रज्ञान प्रदान करते आणि आम्ही मोठ्या बाजारपेठेतील बर्याच डेटावर प्रशिक्षित केलेल्या रँकरला दिलेला वेब शोध प्रशिक्षण रँकरसाठी विशेषतः तातडीची समस्या दर्शवितो. |
72691b1adb67830a58bebdfdf213a41ecd38c0ba | आम्ही एक खोल नेटवर्क आर्किटेक्चर सादर करतो ज्याला डेरेननेट म्हणतात. जे इमेजमधून पावसाच्या रेषा काढून टाकते. डीप कन्वॉल्युशनल न्यूरल नेटवर्क (सीएनएन) वर आधारित, आम्ही थेट पावसाळी आणि स्वच्छ प्रतिमा तपशील स्तर यांच्यातील मॅपिंग संबंध डेटामधून शिकतो. कारण आपल्याकडे वास्तविक जगाच्या पावसाच्या प्रतिमांशी संबंधित मूलभूत सत्य नाही, आम्ही प्रशिक्षणासाठी पावसासह प्रतिमा संश्लेषित करतो. नेटवर्कची खोली किंवा रुंदी वाढवणाऱ्या इतर सामान्य धोरणांपेक्षा, आम्ही प्रतिमा प्रक्रिया डोमेन ज्ञान वापरतो जेणेकरून उद्दीष्ट कार्य सुधारित केले जाऊ शकते आणि विनम्र आकाराच्या सीएनएनसह ड्रेअरिंग सुधारित केले जाऊ शकते. विशेष म्हणजे, आम्ही आमच्या डेरेननेटला चित्र क्षेत्रापेक्षा तपशील (हाय-पास) थरावर प्रशिक्षित करतो. जरी डेरेननेटला कृत्रिम डेटावर प्रशिक्षण दिले गेले असले तरी आम्हाला आढळले की शिकलेले नेटवर्क चाचणीसाठी वास्तविक जगाच्या प्रतिमांमध्ये फार प्रभावीपणे भाषांतरित करते. याशिवाय, आम्ही सीएनएन फ्रेमवर्कला इमेज एन्हांसमेंटने वाढवले आहे जेणेकरून व्हिज्युअल परिणाम सुधारतील. अत्याधुनिक सिंगल इमेज डी रेनिंग पद्धतींच्या तुलनेत, आमच्या पद्धतीमुळे पाऊस काढून टाकणे सुधारले आहे आणि नेटवर्क प्रशिक्षणानंतर अधिक वेगवान संगणकीय वेळ आहे. |
34d1ba9476ae474f1895dbd84e8dc82b233bc32e | |
1cdc4ad61825d3a7527b85630fe60e0585fb9347 | शिक्षण विश्लेषण हे तंत्रज्ञान-वर्धित शिक्षणाचे एक महत्त्वपूर्ण क्षेत्र आहे जे गेल्या दशकात उदयास आले आहे. या क्षेत्राचा आढावा शैक्षणिक सेटिंग्जमध्ये विश्लेषणाच्या विकासाला चालना देणारे तंत्रज्ञान, शैक्षणिक आणि राजकीय घटकांच्या तपासणीसह सुरू होतो. यामध्ये शिक्षण विश्लेषणाचे उदय, 20 व्या शतकातील त्यांचे मूळ, डेटा-ड्राइव्ह्ड विश्लेषणाचा विकास, शिक्षण-केंद्रित दृष्टीकोनांचा उदय आणि राष्ट्रीय आर्थिक चिंतेचा प्रभाव यांचा समावेश आहे. यामध्ये शिक्षण विश्लेषण, शैक्षणिक डेटा खनन आणि शैक्षणिक विश्लेषण यांच्यातील संबंधांवर लक्ष केंद्रित केले आहे. यामध्ये शिक्षण विश्लेषणाच्या संशोधनाच्या विकासाच्या क्षेत्रांची तपासणी केली असून भविष्यातील आव्हानांची ओळखही केली आहे. |
f3ac0d94ba2374e46dfa3a13effcc540205faf21 | |
49fd00a22f44a52f4699730403033416e0762e6d | |
860d3d4114711fa4ce9a5a4ccf362b80281cc981 | मात्र, जागेच्या अभावामुळे हा विभाग मोठ्या प्रमाणात कमी करण्यात आला आहे. याव्यतिरिक्त, उपयुक्तता ऑन्टोलॉजीज जे वेळ, भू-स्थानिक, व्यक्ती, घटना आणि नेटवर्क ऑपरेशन्सवर केंद्रित आहेत त्यांचे थोडक्यात वर्णन केले आहे. या उपयोगिता ऑन्टोलॉजीजला विशेषीकृत सुपर-डोमेन किंवा अगदी मध्यम-स्तरीय ऑन्टोलॉजीज म्हणून पाहिले जाऊ शकते, कारण ते बहुतेक ऑन्टोलॉजीज नसतील तर - कोणत्याही सायबर ऑन्टोलॉजीसह. व्यापार अभ्यासात वापरल्या जाणाऱ्या ऑन्टोलॉजिकल आर्किटेक्चरचे एकूण दृश्य देखील दिले आहे. व्यापार अभ्यासावरील अहवालाचा निष्कर्ष पुढील काही प्रस्तावित पावले या पेपरमध्ये आम्ही सुरूवातीच्या मालवेअर ऑन्टोलॉजीमधून सायबर ऑन्टोलॉजीच्या विकासासाठी केलेल्या व्यापार अभ्यासावर अहवाल दिला आहे. सायबर ऑन्टोलॉजी प्रयत्नांचे उद्दिष्टे प्रथम वर्णन केले आहेत, त्यानंतर ऑन्टोलॉजी विकास पद्धतीची चर्चा केली आहे. या पेपरचे मुख्य भाग पुढीलप्रमाणे आहे, जे संभाव्य ऑन्टोलॉजीज आणि मानकांचे वर्णन आहे जे सायबर ऑन्टोलॉजीला त्याच्या सुरुवातीच्या मर्यादित मालवेअर फोकसपासून विस्तारित करण्यासाठी वापरले जाऊ शकते. या संसाधनांमध्ये विशेषतः सायबर आणि मालवेअर मानके, योजना आणि शब्दावली यांचा समावेश आहे ज्याने मालवेअर ऑन्टोलॉजीच्या सुरुवातीच्या प्रयत्नांना थेट योगदान दिले. इतर संसाधने म्हणजे वरच्या (कधीकधी आधारभूत असे म्हटले जाते) ऑन्टोलॉजीज. कोणत्याही सायबर ऑन्टोलॉजीचा विस्तार करणारी मूलभूत संकल्पना या मूलभूत ऑन्टोलॉजीमध्ये आधीच ओळखली गेली आहेत आणि कठोरपणे परिभाषित केली गेली आहेत. |
4767a0c9f7261a4265db650d3908c6dd1d10a076 | ट्रॅकिंग-बाय-डिटेक्शन हे असंख्य टार्गेट्स ट्रॅक करण्याच्या कामासाठी सर्वात यशस्वी धोरण असल्याचे सिद्ध झाले आहे. ४०, ५३, ५५] पारंपारिकपणे, पूर्व-प्रक्रिया चरणात व्युत्पन्न झालेल्या विरळ शोधांचा एक संच उच्च-स्तरीय ट्रॅकरला इनपुट म्हणून काम करतो ज्याचे उद्दीष्ट हे आहे की वेळोवेळी या डॉट्स बरोबर जोडणे. या दृष्टिकोनाचा एक स्पष्ट दोष म्हणजे प्रतिमा अनुक्रमांमध्ये उपलब्ध असलेल्या बहुतेक माहितीकडे दुर्लक्ष केले जाते. आम्ही एकाधिक-लक्ष्य ट्रॅकरचा प्रस्ताव करतो जो कमी स्तरीय प्रतिमा माहितीचा फायदा घेतो आणि प्रत्येक (सुपर) पिक्सेलला विशिष्ट लक्ष्यशी जोडतो किंवा पार्श्वभूमी म्हणून वर्गीकृत करतो. परिणामी, आपल्याला अबाधित, वास्तविक जगाच्या व्हिडिओंमध्ये क्लासिक बाउंडिंग-बॉक्स प्रतिनिधित्व व्यतिरिक्त व्हिडिओ विभाजन मिळते. आमच्या पद्धतीमुळे अनेक मानक बेंचमार्क अनुक्रमांवर उत्साहवर्धक परिणाम दिसून येतात आणि दीर्घकालीन आंशिक आच्छादन असलेल्या गर्दीच्या दृश्यांमध्ये अत्याधुनिक ट्रॅकिंग-बाय-डिटेक्शन पद्धतींपेक्षा लक्षणीयरीत्या अधिक कार्यक्षम आहे. |
8eefd28eb47e72794bb0355d8abcbebaac9d8ab1 | अनेक दशकांपासून, सांख्यिकीशास्त्रज्ञांनी पुनरावृत्तीच्या अपेक्षेनुसार-मॅक्सिमायझेशन (ईएम) तंत्राद्वारे जनरेटिव्ह मॉडेलचे मापदंड अंदाज करून वर्गीकरणकर्त्यांना प्रशिक्षित करण्यासाठी लेबल केलेले आणि लेबल नसलेले डेटा वापरण्याचा सल्ला दिला आहे. या अध्यायात मजकूर वर्ग आयफिकेशनच्या क्षेत्रात लागू केल्यावर या दृष्टिकोनाची कार्यक्षमता तपासली जाते. मजकूर दस्तऐवज येथे शब्द-पिशवी मॉडेलसह दर्शविले गेले आहेत, ज्यामुळे बहुपद मिश्रणावर आधारित जनरेटिव्ह वर्गीकरण मॉडेल तयार होते. हे मॉडेल लिखित मजकुराच्या गुंतागुंतीचे एक अत्यंत साधे प्रतिनिधित्व आहे. या अध्यायात, जनरेटिव्ह मॉडेलच्या सहाय्याने मजकूर वर्गीकरणासाठी अर्ध-पर्यवेक्षित शिक्षणाबद्दलचे तीन मुख्य मुद्दे स्पष्ट केले आणि स्पष्ट केले आहेत. प्रथम, साधेपणा असूनही, काही मजकूर मॉडेल संभाव्यता आणि वर्गीकरण अचूकता दरम्यान उच्च सकारात्मक संबंध आहे. या क्षेत्रात, बेयझ टेक्स्ट मॉडेलसह ईएमचा सरळसाधा अनुप्रयोग चांगला काम करतो. दुसरे, काही मजकूर डोमेनमध्ये हे संबंध नाही. येथे आपण अधिक अभिव्यक्तीपूर्ण आणि योग्य जनरेटिव्ह मॉडेल निवडू शकतो ज्यात सकारात्मक सहसंबंध आहे. या क्षेत्रात, अर्ध-पर्यवेक्षित शिक्षणाने पुन्हा वर्गीकरण आणि अचूकता सुधारते. शेवटी, ईएमला स्थानिक कमालची समस्या आहे, विशेषतः मजकूर वर्गीकरणासारख्या उच्च आयामी नेटवर्कमध्ये. आम्ही हे दाखवून देतो की ईएमचे एक प्रकार म्हणजे डेटर्मिनेस्टिक एनीलिंग, स्थानिक कमालच्या समस्येवर मात करण्यास मदत करू शकते आणि जनरेटिव्ह मॉडेल योग्य असल्यास वर्गीकरण अचूकता आणखी वाढवू शकते. |
696ad1c38b588dae3295668a0fa34021c4481030 | आम्ही मल्टी-लेबल, मोठ्या प्रमाणात मल्टी-क्लास प्रतिमा वर्गीकरण मॉडेल प्रशिक्षण देण्यासाठी एक पद्धत सादर करतो, जी सिग्मोइड क्रॉस-एन्ट्रोपी नुकसान (लॉजिस्टिक रेग्रेशन) द्वारे पर्यवेक्षणापेक्षा वेगवान आणि अधिक अचूक आहे. आमची पद्धत म्हणजे युनिट-नॉर्मेड वेक्टरच्या कमी-आयामी दाट गोलाकार वर उच्च-आयामी विरळ लेबल एम्बेड करणे आणि या गोलाकार वर कोसिनस प्रॉक्सिमिटी रेग्रेशन समस्या म्हणून वर्गीकरण समस्या हाताळणे. आम्ही आमच्या पद्धतीची चाचणी 300 दशलक्ष उच्च-रिझोल्यूशन प्रतिमांच्या डेटासेटवर 17,000 लेबल्ससह करतो, जिथे हे लक्षणीयरीत्या जलद अभिसरण देते, तसेच लॉजिस्टिक रिग्रेशनच्या तुलनेत 7% जास्त सरासरी अचूकता. |
ad5974c04b316f4f379191e4dbea836fd766f47c | या लेखात मशीन भाषांतरात मोठ्या प्रमाणात सांख्यिकीय भाषा मॉडेलिंगचे फायदे सांगण्यात आले आहेत. एक वितरित पायाभूत सुविधा प्रस्तावित आहे जी आपण 2 ट्रिलियन टोकनवर प्रशिक्षित करण्यासाठी वापरतो, परिणामी भाषेच्या मॉडेलमध्ये 300 अब्ज एन-ग्राम पर्यंत आहे. हे वेगवान, सिंगल-पास डीकोडिंगसाठी गुळगुळीत संभाव्यता प्रदान करण्यास सक्षम आहे. आम्ही एक नवीन सरळ पद्धत आणली, ज्याला मूर्ख बॅकऑफ असे नाव देण्यात आले आहे, जी मोठ्या डेटा सेटवर प्रशिक्षित करण्यासाठी स्वस्त आहे आणि प्रशिक्षण डेटाची संख्या वाढत असताना क्नेसर-नेय सरळ करण्याच्या गुणवत्तेच्या जवळ येते. |
6cb45af3db1de2ba5466aedcb698deb6c4bb4678 | या प्रकल्पात, आम्हाला सुप्रसिद्ध स्टॅनफोर्ड प्रश्न उत्तर डेटासेट (एसक्यूएडी) वर प्रश्न उत्तर देण्याच्या कामासाठी एंड-टू-एंड न्यूरल नेटवर्क आर्किटेक्चर तयार करण्यात रस आहे. आमची अंमलबजावणी ही अलिकडच्या उच्च कार्यक्षमतेच्या प्राप्ती पद्धतीवर आधारित आहे जी डायनॅमिक कोएटेंशन नेटवर्क म्हणून ओळखल्या जाणार्या डायनॅमिक पॉईंटिंग डिकोडरसह कोएटेंशन एन्कोडरला जोडते. आम्ही विविध प्रकारच्या तंत्रज्ञानाचा शोध घेतला आणि त्यांची चाचणी केली ज्यामुळे अशा प्रणालींची कार्यक्षमता सुधारेल. |
e11d5a4edec55f5d5dc8ea25621ecbf89e9bccb7 | आपल्या समाजात नेटवर्कवर आधारित संगणकांवर असलेले अवलंबित्व भयभीत करणारे बनले आहे. अर्थव्यवस्थेत, सर्व डिजिटल नेटवर्क सुलभकर्त्यांपासून ड्रायव्हर्सकडे वळले आहेत. सायबर-फिजिकल सिस्टम प्रौढ होत असल्याने, संगणक नेटवर्क आता आपल्या भौतिक जगाची केंद्रीय तंत्रिका प्रणाली बनत आहेत - अगदी वीज नेटवर्कसारख्या अत्यंत गंभीर पायाभूत सुविधांची. त्याचबरोबर, नेटवर्कवर जोडलेल्या संगणकांची 24/7 उपलब्धता आणि योग्य कार्यक्षमता याला अधिक धोका निर्माण झाला आहे. आयटी प्रणालीवर अत्याधुनिक आणि अत्यंत सुव्यवस्थित हल्ल्यांची संख्या लक्षणीयरीत्या वाढली आहे. घुसखोरी शोध प्रणाली (आयडीएस) संबंधित संरक्षण उपायांचा एक महत्त्वाचा घटक आहे; यापूर्वी त्यांचा मोठ्या प्रमाणात अभ्यास केला गेला आहे आणि त्यांचा वापर केला गेला आहे. पारंपरिक आयडीएस मोठ्या कंपनीच्या नेटवर्क आणि त्यापलीकडे किंवा मोठ्या प्रमाणात समांतर हल्ल्यांसाठी स्केलेबल नसल्यामुळे, कोलाबोरेटिव्ह आयडीएस (सीआयडीएस) उदयास आले आहेत. यामध्ये अनेक मॉनिटरिंग घटक असतात जे डेटा गोळा करतात आणि देवाणघेवाण करतात. विशिष्ट सीआयडीएस आर्किटेक्चरवर अवलंबून, केंद्रीय किंवा वितरित विश्लेषण घटक हल्ले ओळखण्यासाठी एकत्रित डेटा खाण करतात. परिणामी अलर्टचे अनेक मॉनिटर्समध्ये परस्पर संबंध आहेत जेणेकरून मॉनिटर्ड नेटवर्कचे समग्र दृश्य तयार केले जाईल. या लेखात सर्वप्रथम सीआयडीएससाठी संबंधित आवश्यकता निश्चित केल्या आहेत; त्यानंतर सीआयडीएस डिझाइन स्पेसची ओळख करुन देण्यासाठी आणि आवश्यकतांबाबत चर्चा करण्यासाठी आधार म्हणून वेगवेगळ्या बिल्डिंग ब्लॉक्समध्ये फरक केला आहे. या डिझाईन स्पेसच्या आधारे, सीआयडीएस टाळणारे हल्ले आणि सीआयडीएसच्या उपलब्धतेवर हल्ले याबद्दल चर्चा केली जाते. आवश्यकता, बिल्डिंग ब्लॉक्स आणि हल्ल्यांचा संपूर्ण फ्रेमवर्क सहकार्याने घुसखोरी शोधण्याच्या कलात्मकतेच्या व्यापक विश्लेषणासाठी वापरला जातो, ज्यात विशिष्ट सीआयडीएस पध्दतींचा तपशीलवार सर्वेक्षण आणि तुलना समाविष्ट आहे. |
720158a53b79667e39c2caf2f7ebb2670b848693 | बॉडी सेन्सर नेटवर्क (बीएसएन) सारख्या जीव वाचविणाऱ्या पायाभूत सुविधांसाठी एखाद्या व्यक्तीची गोपनीयता प्रभावीपणे राखणे खूप महत्वाचे आहे. या पेपरमध्ये एक नवीन की करार योजना सादर केली आहे जी बीएसएन मधील दोन सेन्सर्सना इलेक्ट्रोकार्डियोग्राम (ईकेजी) सिग्नल वापरून व्युत्पन्न केलेल्या सामान्य कीवर सहमत करण्यास अनुमती देते. ईकेजी-आधारित की करार (ईकेए) योजनेचा उद्देश बीएसएन सुरक्षेसाठी "प्लग-एन-प्ले" नमुना आणणे आहे ज्याद्वारे केवळ विषयावर सेन्सर तैनात केल्याने पूर्व तैनातीसारख्या कोणत्याही प्रकारच्या आरंभाची आवश्यकता न घेता सुरक्षित संप्रेषण शक्य होते. वास्तविक ईकेजी डेटा (एमआयटी फिझियोबँक डेटाबेसमधून प्राप्त) वर आधारित योजनेचे विश्लेषण दर्शविते की ईकेएमुळे उद्भवणारी की आहेतः यादृच्छिक, वेळ भिन्नता, अल्प कालावधीच्या ईकेजी मोजमापांवर आधारित तयार केली जाऊ शकते, दिलेल्या विषयासाठी समान आणि स्वतंत्र व्यक्तींसाठी भिन्न. |
f692c692d3426cc663f3ec9be0c7025b670b2e5c | अनेक वर्षांपासून आयटी उद्योगाने विद्यमान सॉफ्टवेअर मालमत्तांमधून नवीन अनुप्रयोग एकत्रित करून सॉफ्टवेअर विकास प्रक्रियेला गती देण्याचा प्रयत्न केला आहे. तथापि, 1960 च्या दशकात डग्लस मॅकलरोयने विचारलेल्या फॉर्मचा खरा घटक-आधारित पुनर्वापर हा नियम नसून अपवाद आहे आणि आज सराव केलेल्या बहुतेक पद्धतशीर सॉफ्टवेअर पुनर्वापरामध्ये उत्पादनांच्या ओळ अभियांत्रिकी किंवा डोमेन-विशिष्ट फ्रेमवर्क सारख्या हेवीवेट पध्दतींचा वापर केला जातो. घटक म्हणजे सॉफ्टवेअर कार्यक्षमतेचा एक सुसंगत आणि संक्षिप्त युनिट ज्यात एक स्पष्टपणे परिभाषित इंटरफेस आहे - साध्या प्रोग्रामिंग भाषा वर्गापासून वेब सर्व्हिसेस आणि एंटरप्राइझ जावा बीन्स सारख्या अधिक जटिल वस्तूपर्यंत. |
96ea8f0927f87ab4be3a7fd5a3b1dd38eeaa2ed6 | या पत्रात एक ब्रॉडबँड आणि साधी टॉरस नोड मोनोपोल अँटेना सादर केली आहे. अॅड्टीव्ह मॅन्युफॅक्चरिंग तंत्रज्ञानाचा वापर करून हे अँटेना तयार केले जाते, ज्याला सामान्यतः 3-डी प्रिंटिंग म्हणून ओळखले जाते. या अँटेनाची रचना यांत्रिकदृष्ट्या सोपी आहे आणि त्यात स्थिर रेडिएशन पॅटर्न तसेच इनपुट रिफ्लेक्शन गुणांक -१० डीबीपेक्षा कमी आहे. मापन आणि अनुकरण केलेल्या कामगिरीची तुलना देखील प्रस्तुत केली जाते. |
206b204618640917f278e72bd0e2a881d8cec7ad | नमुना ओळखण्यासाठी बेयसियन पद्धती वापरण्यासाठी एक प्रमुख अडथळा म्हणजे त्याचा संगणकीय खर्च. हे प्रबंध एक अंदाजे तंत्र सादर करते जे पूर्वीपेक्षा वेगाने आणि अधिक अचूकपणे बेयसीयन अनुमान करू शकते. "अपेक्षित प्रसार" ही पद्धत दोन मागील तंत्रांना एकत्रित करते आणि सामान्य करते: गृहित घनता फिल्टरिंग, कल्मन फिल्टरचा विस्तार आणि बेयसीयन नेटवर्कमधील विश्वास प्रसारणाचा विस्तार. एकत्रीकरण हे दर्शविते की या दोन्ही अल्गोरिदमला साध्या वितरणाने खरे मागील वितरण कसे जवळपास पाहिले जाऊ शकते, जे केएल-विवर्तनच्या अर्थाने जवळ आहे. अपेक्षा प्रसार दोन्ही अल्गोरिदमचा सर्वोत्तम वापर करतो: गृहित घनतेचे फिल्टरिंगची सर्वसाधारणता आणि लूप विश्वास प्रसारची अचूकता. पळवाट विश्वास प्रसार, कारण तो अचूक विश्वास राज्ये प्रसारित करतो, हे मर्यादित प्रकारच्या विश्वास नेटवर्कसाठी उपयुक्त आहे, जसे की पूर्णपणे असतत नेटवर्क. अपेक्षा प्रसार विश्वास राज्ये अपेक्षा, जसे की अर्थ आणि फरक, तो खूपच व्यापक व्याप्ती देत जवळपास. अपेक्षा प्रसार देखील उलट दिशेने विश्वास प्रसार वाढवितो-अधिक समृद्ध विश्वास राज्ये प्रसारित करते ज्यात चलकांमधील संबंध समाविष्ट असतात. या आराखड्याचे प्रदर्शन कृत्रिम आणि वास्तविक जगाच्या डेटाचा वापर करून विविध सांख्यिकीय मॉडेलमध्ये केले जाते. गॉसियन मिश्रण समस्यांवर, अपेक्षा प्रसार, गणना समान रक्कम, प्रतिस्पर्धी अंदाजे तंत्र पेक्षा खात्रीशीरपणे चांगले असल्याचे आढळले आहे: मोंटे कार्लो, लाप्लास पद्धत, आणि भिन्नता बेज. नमुना ओळखण्यासाठी, Expectation Propagation बेयस पॉईंट मशीन वर्गीकरणकर्त्यांना प्रशिक्षित करण्यासाठी एक अल्गोरिदम प्रदान करते जे पूर्वीच्या कोणत्याही ज्ञातपेक्षा वेगवान आणि अधिक अचूक आहे. परिणामी वर्गीकरणकर्ते तुलनात्मक प्रशिक्षण वेळेव्यतिरिक्त अनेक मानक डेटासेटवर सपोर्ट वेक्टर मशीनपेक्षा अधिक कार्य करतात. अपेक्षित प्रसार देखील वर्गीकरणासाठी योग्य वैशिष्ट्य संच निवडण्यासाठी वापरला जाऊ शकतो, बायसियन मॉडेल निवड द्वारे. प्रबंध पर्यवेक्षक: रोझलिंड पिकार्ड पदवी: मीडिया आर्ट्स आणि सायन्सचे सहयोगी प्राध्यापक |
ad40428b40b051164ade961bc841a0da2c44515d | |
e4bd80adc5a3486c3a5c3d82cef91b70b67ae681 | या लेखात कॉर्पोरेट बॉण्ड्सच्या किंमतीच्या पाच स्ट्रक्चरल मॉडेलची प्रायोगिक चाचणी केली आहे. मेर्टन (१९७४), गेस्के (१९७७), लॉन्गस्टाफ आणि श्वार्ट्ज (१९९५), लीलँड आणि टॉफ्ट (१९९६) आणि कोलिन-डफ्रेन आणि गोल्डस्टीन (२००१) यांचे मॉडेल. आम्ही १९८६ ते १९९७ या कालावधीत साध्या भांडवली संरचना असलेल्या कंपन्यांच्या १८२ बंधांच्या किंमतींच्या नमुन्याचा वापर करून मॉडेलची अंमलबजावणी करतो. पारंपरिक ज्ञान असे आहे की स्ट्रक्चरल मॉडेल बॉन्ड मार्केटमध्ये दिसून येण्याइतके उच्च स्प्रेड तयार करत नाहीत आणि अपेक्षांना खरे ठरवत, आम्हाला असे आढळले आहे की मर्टन मॉडेलच्या आमच्या अंमलबजावणीत अंदाज लावलेले स्प्रेड खूप कमी आहेत. मात्र, इतर संरचनात्मक मॉडेलमध्ये सरासरी जास्त स्प्रेडचा अंदाज आहे. तथापि, अचूकता ही एक समस्या आहे, कारण नवीन मॉडेल उच्च कर्ज किंवा अस्थिरता असलेल्या कंपन्यांच्या क्रेडिट जोखमीची गंभीरपणे अतिशयोक्ती करतात आणि तरीही अधिक सुरक्षित बॉन्डसह स्प्रेडच्या कमी अंदाज समस्या ग्रस्त आहेत. लीलँड आणि टॉफ्ट मॉडेल हे अपवाद आहे कारण ते बहुतेक बॉण्ड्सवर, विशेषतः उच्च कूपन असलेल्यांवर जास्त प्रमाणात वाढते. अधिक अचूक स्ट्रक्चरल मॉडेलने अशा वैशिष्ट्यांचा वापर टाळावा जो धोकादायक बॉण्ड्सवरील क्रेडिट जोखीम वाढवितो आणि सर्वात सुरक्षित बॉण्ड्सच्या स्प्रेडवर फारसा परिणाम करत नाही. |
da67375c8b6a250fbd5482bfbfce14f4eb7e506c | या सर्वेक्षणात संगणकीय एजंट्समध्ये मानसिक क्षमतांच्या स्वायत्त विकासाचे विहंगावलोकन सादर केले आहे. हे संज्ञानात्मक प्रणालीच्या वैशिष्ट्यावर आधारित आहे जे प्रणाली अनुकूलनशील, पूर्वानुमानात्मक आणि हेतू-दिग्दर्शित वर्तन प्रदर्शित करतात. आम्ही संज्ञानात्मक (भौतिक प्रतीक प्रणाली) दृष्टिकोन, उदयोन्मुख प्रणाली दृष्टिकोन, कनेक्शनवादी, गतिमान आणि सक्रिय प्रणाली समाविष्ट करून, संज्ञानात्मकतेच्या विविध पॅराडिग्मांचा विस्तृत आढावा सादर करतो आणि संकरित प्रणालींमध्ये या दोघांना एकत्र करण्याचा प्रयत्न करतो. मग आपण या नमुन्यांतून काढलेल्या अनेक संज्ञानात्मक वास्तूंचा आढावा घेतो. या प्रत्येक क्षेत्रात, आम्ही विकासात्मक दृष्टिकोन स्वीकारण्याच्या परिणामांवर आणि संबंधित समस्यांवर प्रकाश टाकतो, दोन्ही फिलोजेनेटिक आणि ऑन्टोजेनेटिक दृष्टीकोनातून. आपण मानसिक क्षमतांच्या स्वायत्त विकासासाठी सक्षम असलेल्या प्रणालींनी प्रदर्शित केलेल्या प्रमुख आर्किटेक्चरल वैशिष्ट्यांचा सारांश घेऊन आम्ही निष्कर्ष काढतो |
e7ee27816ade366584d411f4287e50bdc4771e56 | |
55289d3feef4bc1e4ff17008120e371eb7f55a24 | अलीकडेच एलएसटीएम-आधारित सशर्त भाषा मॉडेल (एलएम) विविध भाषा निर्मिती कार्यांमध्ये लागू केले गेले आहेत. या कामात आम्ही विविध मॉडेल आर्किटेक्चर आणि विविध मार्गांचा अभ्यास करतो ज्यामध्ये स्रोत माहितीचे प्रतिनिधित्व आणि एकत्रित करणे हे अंत-टू-एंड न्यूरल डायलॉग सिस्टम फ्रेमवर्कमध्ये आहे. एक पद्धत ज्याला स्नॅपशॉट लर्निंग म्हणतात ती देखील कंडिशनिंग वेक्टरला एक साथी क्रॉस-एन्ट्रोपी ऑब्जेक्टिव फंक्शन लागू करून पर्यवेक्षित अनुक्रमांकित सिग्नलमधून शिकणे सुलभ करण्यासाठी प्रस्तावित आहे. प्रायोगिक आणि विश्लेषणात्मक परिणामांनी प्रथम हे सिद्ध केले आहे की कंडिशनिंग वेक्टर आणि एलएम दरम्यान स्पर्धा होते आणि भिन्न आर्किटेक्चर या दोघांमध्ये भिन्न व्यापार-ऑफ प्रदान करतात. दुसरे म्हणजे, मॉडेलची व्याख्या आणि चांगली कामगिरी दोन्ही प्रदान करण्यासाठी कंडिशनिंग वेक्टरची भेदभाव शक्ती आणि पारदर्शकता ही महत्त्वाची आहे. तिसरे, स्नॅपशॉट लर्निंगमुळे कोणत्या आर्किटेक्चरचा वापर केला जातो यावर अवलंबून न राहता सातत्याने कामगिरी सुधारते. |
75c4b33059aa300e7b52d1b5dab37968ac927e89 | दोन वेळा एक दुहेरी-ध्रुवीकृत एल-सोंब स्टॅक पॅच अँटेना अॅरे सादर केले आहे. दोन इनपुट पोर्ट्समध्ये उच्च अलगाव साध्य करण्यासाठी यामध्ये एक नवीन तंत्रज्ञान वापरण्यात आले आहे. प्रस्तावित अँटेनामध्ये दोन्ही पोर्ट्ससाठी 14.8 टक्के रिटर्न लॉस बँडविड्थ आहे, जी 0.808 ते 0.986 जीएचझेड दरम्यान आहे. तसेच, या बँडविड्थवर इनपुट पोर्ट आयसोलेशन 30 डीबीपेक्षा जास्त आणि सरासरी 10.5 डीबीआयची वाढ आहे. याव्यतिरिक्त, दोन मुख्य विमानात त्याच्या किरणे नमुन्यांची क्रॉस-ध्रुवीकरण पातळी -15 डीबीपेक्षा कमी आहे. या वैशिष्ट्यांमुळे, हे अँटेना अॅरे बाह्य बेस स्टेशनसाठी अत्यंत योग्य आहे जे सीडीएमए 800 आणि जीएसएम 900 मोबाइल संप्रेषण प्रणालीच्या ऑपरेटिंग बँडविड्थला कव्हर करण्यासाठी आवश्यक आहे. |
b891a8df3d7b4a6b73c9de7194f7341b00d93f6f | वैयक्तिकृत आवडत्या सेवा प्रदान करण्यासाठी शिफारस प्रणाली आश्वासक आहेत. सहकार्यात्मक फिल्टरिंग (सीएफ) तंत्रज्ञान, वापरकर्त्यांच्या पूर्वीच्या वर्तनावर आधारित वापरकर्त्यांच्या पसंतीचा अंदाज लावणे, आधुनिक शिफारस प्रणाली तयार करण्यासाठी सर्वात यशस्वी तंत्रांपैकी एक बनले आहे. यापूर्वी प्रस्तावित सीएफ पद्धतींमध्ये अनेक आव्हानात्मक समस्या उद्भवतात: (1) बहुतेक सीएफ पद्धती वापरकर्त्यांच्या प्रतिसाद नमुन्यांकडे दुर्लक्ष करतात आणि पूर्वग्रहीय पॅरामीटर अंदाज आणि सबऑप्टिमाइझ कामगिरी मिळवू शकतात; (2) काही सीएफ पद्धती हेरिस्टिक वेट सेटिंग्ज स्वीकारतात, ज्यात पद्धतशीर अंमलबजावणीची कमतरता असते; आणि (3) मल्टीनोमियल मिश्रण मॉडेल डेटा मॅट्रिक्स तयार करण्यासाठी मॅट्रिक्स फॅक्टरायझेशनची संगणकीय क्षमता कमकुवत करू शकतात, ज्यामुळे प्रशिक्षण देण्याची संगणकीय किंमत वाढते. या समस्या सोडवण्यासाठी, आम्ही वापरकर्त्यांच्या प्रतिसाद मॉडेलला संभाव्य मॅट्रिक्स फॅक्टरायझेशन (पीएमएफ) मध्ये समाविष्ट करतो, जे एक लोकप्रिय मॅट्रिक्स फॅक्टरायझेशन सीएफ मॉडेल आहे, जे प्रतिसाद जागरूक संभाव्य मॅट्रिक्स फॅक्टरायझेशन (आरएपीएमएफ) फ्रेमवर्क स्थापित करते. अधिक विशेषतः, आम्ही वापरकर्त्याच्या प्रतिसादावर बर्नौली वितरण म्हणून गृहीत धरतो जे निरीक्षण केलेल्या रेटिंगसाठी रेटिंग स्कोअरद्वारे पॅरामीटर केले जाते तर निरीक्षण न केलेल्या रेटिंगसाठी चरण कार्य म्हणून. याव्यतिरिक्त, आम्ही अल्गोरिदमला वेगवान बनवतो. मिनी-बॅच अंमलबजावणी आणि क्राफ्टिंग शेड्यूलिंग धोरण. अखेरीस, आम्ही वेगवेगळ्या प्रायोगिक प्रोटोकॉलची रचना करतो आणि प्रस्तावित आरएपीएमएफ आणि त्याच्या मिनी-बॅच अंमलबजावणीचे गुणधर्म दर्शविण्यासाठी कृत्रिम आणि वास्तविक जगाच्या डेटासेटवर पद्धतशीर अनुभवजन्य मूल्यांकन करतो. |
1459d4d16088379c3748322ab0835f50300d9a38 | क्रॉस-डोमेन व्हिज्युअल डेटा जुळवणी ही वास्तविक जगातील अनेक व्हिजन कार्यांमधील मूलभूत समस्यांपैकी एक आहे, उदाहरणार्थ, आयडी फोटो आणि पाळत ठेवण्याच्या व्हिडिओंमधील व्यक्ती जुळवतात. या समस्येच्या पारंपरिक पद्धतींमध्ये साधारणतः दोन पावले असतात: i) वेगवेगळ्या क्षेत्रांमधील नमुने सामान्य जागेत प्रक्षेपित करणे आणि ii) या जागेत (असमानता) गणना करणे एका विशिष्ट अंतरावर आधारित. या लेखात, आम्ही एक नवीन जोडीबद्ध समानता उपाय सादर करतो जे विद्यमान मॉडेलला पुढे नेते i) पारंपारिक रेषेचा अंदाज एफिन रूपांतरणांमध्ये विस्तारित करणे आणि ii) डेटा-चालित संयोजनाद्वारे एफिन महालनोबिस अंतर आणि कोसिन समानता एकत्र करणे. याशिवाय, आम्ही आमच्या समानतेच्या मापाने सखोल संक्रमणीय मज्जासंस्थेच्या माध्यमातून वैशिष्ट्यपूर्ण प्रतिनिधित्व शिकण्याशी एकरुपता आणतो. विशेष म्हणजे, आम्ही सखोल आर्किटेक्चरमध्ये समानता मापन मॅट्रिक्सचा समावेश करतो, जे मॉडेल ऑप्टिमायझेशनचा एक अखंड मार्ग सक्षम करते. आम्ही आमच्या सामान्यीकृत समानता मॉडेलचे अनेक आव्हानात्मक क्रॉस-डोमेन जुळवणी कार्यात व्यापकपणे मूल्यांकन करतो: भिन्न दृश्याखाली व्यक्तीची पुन्हा ओळख आणि वेगवेगळ्या पद्धतींवर चेहरा सत्यापन (म्हणजेच, स्थिर प्रतिमा आणि व्हिडिओंमधील चेहरे, वृद्ध आणि तरुण चेहरे आणि स्केच आणि फोटो पोर्ट्रेट). प्रयोगात्मक परिणामांमध्ये इतर अत्याधुनिक पद्धतींपेक्षा आमच्या मॉडेलची उत्कृष्ट कार्यक्षमता दिसून आली आहे. |
03a00248b7d5e2d89f5337e62c39fad277c66102 | समस्या बहुपद-वेळ सोडवण्यायोग्य समस्यांचा वर्ग समजून घेण्यासाठी, आपल्याला प्रथम "समस्या" काय आहे याची औपचारिक कल्पना असणे आवश्यक आहे. आम्ही एक अमूर्त समस्या Q ला समस्यांच्या उदाहरणांच्या संच I आणि समस्यांच्या निराकरणांच्या संच S वर एक द्विआधारी संबंध म्हणून परिभाषित करतो. उदाहरणार्थ, SHORTEST-PATH चे उदाहरण म्हणजे एक ग्राफ आणि दोन वर्टीसचे ट्रिपल कॉन्सिस्टिंग. एक समाधान म्हणजे जी राफमध्ये वर्टिसेसचा एक क्रम, कदाचित रिक्त अनुक्रम दर्शवितो की कोणताही मार्ग अस्तित्वात नाही. SHORTEST-PATH ही समस्या स्वतःच एक संबंध आहे जी प्रत्येक ग्राफच्या ph आणि दोन वर्टीक्सला ग्राफमधील सर्वात लहान मार्गाशी जोडते जी दोन वर्टीक्सला जोडते. काही लहान मार्ग अपरिहार्यपणे अद्वितीय नसतात, एका समस्याच्या एकापेक्षा जास्त उपाय असू शकतात. एका अमूर्त समस्येचे हे सूत्र आपल्या हेतूंसाठी आवश्यक असलेल्यापेक्षा अधिक सामान्य आहे. जसे आपण वर पाहिले, एनपी-पूर्णता सिद्धांत निर्णय समस्यांकडे लक्ष वेधते: ज्यांचे उत्तर होय / नाही आहे. या प्रकरणात, आपण एक अमूर्त निर्णय समस्या म्हणून पाहू शकतो फंक्शन जे उदाहरण सेटला सोडवण्याच्या सेटवर मॅप करते {0, 1}. उदाहरणार्थ, शॉर्ट-पेथ i शी संबंधित एक निर्णय समस्या ही आधी आपण पाहिलेली PATH समस्या आहे. जर i = G,u,v,k हा PATH या निर्णय समस्येचा एक उदाहरण असेल तर PATH ((i)) = 1 (होय) जर u ते v पर्यंतचा सर्वात छोटा मार्ग जास्तीत जास्त k किनारा असेल तर आणि PATH (i ) = 0 (नाही) अन्यथा. अनेक अमूर्त समस्या निर्णय समस्या नसतात, तर त्याऐवजी ऑप्टिमायझेशन समस्या आहेत, ज्यात काही मूल्य कमीतकमी किंवा जास्तीत जास्त केले पाहिजे. परंतु, वर सांगितल्याप्रमाणे, ऑप्टिमायझेशनची समस्या ही निर्णय घेण्याची समस्या म्हणून बदलणे सोपे असते. 1हॉपक्रॉफ्ट आणि उलमन [156] किंवा लुईस आणि पपादिमिट्रीओ [20 4] पहा ट्युरिंग-मशीन मॉडेलच्या सखोल उपचारासाठी. ३४.१ बहुपद वेळ ९७३ |
9ac5b66036da98f2c1e62c6ca2bdcc075083ef85 | |
f45eb5367bb9fa9a52fd4321a63308a37960e93a | या पेपरच्या पहिल्या भागात एक विकास प्रक्रिया आणि वितरित प्रणाली आर्किटेक्चरवर आधारित स्वायत्त कारच्या विकासासाठी एक सिस्टम प्लॅटफॉर्म प्रस्तावित केला गेला आहे. प्रस्तावित विकास पद्धतीमुळे संगणकीय गुंतागुंत, दोष-सहिष्णु वैशिष्ट्ये आणि सिस्टम मॉड्यूलरिटी कमी करण्यासारख्या फायद्यांसह स्वायत्त कारची रचना आणि विकास शक्य झाला. या पेपरमध्ये (भाग II) प्रस्तावित विकास पद्धतीचा एक केस स्टडी हाताळला गेला आहे. अंमलबजावणी प्रक्रियेचे सहजतेने वर्णन करण्यासाठी, कोर स्वायत्त ड्रायव्हिंग अल्गोरिदम (स्थानिकरण, धारणा, नियोजन, वाहन नियंत्रण आणि सिस्टम व्यवस्थापन) थोडक्यात सादर केले जातात आणि स्वायत्त ड्रायव्हिंग सिस्टमच्या अंमलबजावणीवर लागू केले जातात. आम्ही एक स्वायत्त प्रणाली अंमलबजावणी एक केस स्टडी करून वितरित प्रणाली आर्किटेक्चर आणि प्रस्तावित विकास प्रक्रिया फायदे परीक्षण करण्यास सक्षम आहेत. प्रस्तावित पद्धतीची वैधता स्वयंचलित कार ए 1 द्वारे सिद्ध केली गेली आहे जी 2012 मध्ये कोरियामध्ये सर्व मिशन पूर्ण करून स्वयंचलित वाहन स्पर्धा जिंकली. |
db17a183cb220ae8473bf1b25d62d5ef6fcfeac7 | जरी सर्व विद्यमान एअर-फिल्ट सब्सट्रेट इंटिग्रेटेड वेव्हगाइड (एएफएसआयडब्ल्यू) टोपोलॉजीज सब्सट्रेट-स्वतंत्र विद्युत कार्यक्षमता देतात, तरीही ते विद्युत चुंबकीय क्षेत्र असलेल्या एअर-फिल्ट क्षेत्रांना तयार करण्यासाठी समर्पित, महागड्या, लॅमिनेटवर अवलंबून असतात. या पेपरमध्ये एक नवीन सब्सट्रेट-स्वतंत्र एएफएसआयडब्ल्यू उत्पादन तंत्रज्ञान प्रस्तावित केले गेले आहे, जे उच्च-कार्यक्षम मायक्रोवेव्ह घटकांना सामान्य-उद्देशनाच्या व्यावसायिकपणे उपलब्ध पृष्ठभागाच्या सामग्रीमध्ये मानक अॅडिटिव्ह (3-डी प्रिंटिंग) किंवा घट्ट (कंप्यूटर नियंत्रित अंकित मिलिंग / लेसर कटिंग) उत्पादन प्रक्रियेद्वारे थेट समाकलित करण्यास सक्षम करते. प्रथम, एक विश्लेषणात्मक सूत्र AFSIW वेव्हगाइड प्रभावी परवानगी आणि नुकसान स्पर्शरेषा मिळवला आहे. यामुळे डिझाइनरला सब्सट्रेटचे नुकसान कमी करण्यास परवानगी मिळते. मग, मायक्रोवेव्हचे अनेक घटक डिझाइन केले जातात आणि तयार केले जातात. अनेक AFSIW वेव्हगाईड्स आणि चार-मार्ग पॉवर डिवाइडर / कॉम्बाइनरचे मोजमाप, दोन्ही नवीन कोएक्सियल-टू-एअर-भरलेल्या एसआयडब्ल्यू ट्रान्झिशनवर अवलंबून आहेत, हे सिद्ध करते की हा नवीन दृष्टीकोन दररोजच्या पृष्ठभागांमध्ये थेट समाकलित करण्यासाठी योग्य मायक्रोवेव्ह घटक मिळवितो, कमी समाविष्टीकरणाच्या नुकसानीसह आणि संपूर्ण [5.15-5.85] जीएचझेड बँडवर उत्कृष्ट जुळणी आणि अलगाव. त्यामुळे हा अभिनव दृष्टिकोन दररोजच्या वस्तूंमध्ये उपलब्ध असलेल्या जागा आणि साहित्याचा प्रभावीपणे वापर करणाऱ्या, कमी खर्चात, उच्च कार्यक्षमतेच्या आणि अदृश्यपणे एकात्मिक स्मार्ट पृष्ठभाग प्रणालीच्या नवीन पिढीसाठी मार्ग मोकळा करतो. |
8216673632b897ec50db06358b77f13ddd432c47 | |
05eef019bac01e6520526510c2590cc1718f7fe6 | मोबाईल लाइव्ह स्ट्रीमिंग आता तिसऱ्या लाटेत आहे. बांबुसर आणि किक सारख्या सुरुवातीच्या प्रणालीपासून ते अधिक लोकप्रिय अॅप्स मिरकट आणि पेरिस्कोप, आजच्या फेसबुक आणि इन्स्टाग्राममधील समाकलित सोशल स्ट्रीमिंग वैशिष्ट्यांपर्यंत, तंत्रज्ञान आणि वापर दोन्हीमध्ये नाटकीय बदल झाले आहेत. थेट प्रवाहाच्या या शेवटच्या टप्प्यात कॅमेरे आतल्या दिशेने वळतात आणि आसपासच्या वातावरणावर लक्ष केंद्रित करण्याऐवजी प्रवाहावर लक्ष केंद्रित करतात. किशोरवयीन मुले या प्लॅटफॉर्मचा वापर मित्रमंडळींना मनोरंजन करण्यासाठी, नवीन लोकांना भेटण्यासाठी आणि समान आवडी असलेल्या इतर लोकांशी संपर्क साधण्यासाठी करत आहेत. आम्ही किशोरवयीन लोकांच्या लाइव्ह स्ट्रीमिंग वर्तनाचा आणि त्यांच्या प्रेरणांचा अभ्यास केला. 2,247 अमेरिकन लाइव्ह स्ट्रीमरनी केलेल्या सर्वेक्षणातून आणि 20 किशोरवयीन मुलाखतींमधून. बदलत्या पद्धती, किशोरवयीन लोकांमधील फरक आणि नवीन लाइव्ह स्ट्रीमिंग सेवांच्या डिझाइनसाठी होणारे परिणाम यावर प्रकाश टाकला. |
08c30bbfb9ff90884f9d1f873a1eeb6bb616e761 | अशक्यतेचे प्रमेय असे सुचवतात की संयोजक असाइनमेंटच्या समस्येसाठी एकमेव कार्यक्षम आणि धोरणप्रमाण यंत्रणा - उदाहरणार्थ, विद्यार्थ्यांना अभ्यासक्रमांचे वेळापत्रक देणे - हुकूमशाही आहेत. हुकूमशाहीला बहुतेकदा अन्यायकारक म्हणून नाकारले जाते: कोणत्याही दोन एजंट्ससाठी, एकाने इतर कोणत्याही गोष्टीची निवड करण्यापूर्वी सर्व वस्तू निवडल्या जातात. कोणत्याही उपाययोजनामध्ये कार्यक्षमता, प्रोत्साहन आणि निष्पक्षता या विचारांमध्ये तडजोड करणे आवश्यक आहे. या पेपरमध्ये संयोजक असाइनमेंट समस्येचे निराकरण प्रस्तावित केले आहे. हे चार टप्प्यात विकसित केले जाते. प्रथम, मी निष्पक्षतेचे दोन नवीन निकष मांडतो, जास्तीत जास्त हिस्सा आणि एकच वस्तू असलेली मत्सर, जे अविभाज्यता स्वीकारण्यासाठी सुप्रसिद्ध निकषांना कमकुवत करतात; निकष औपचारिक करतात की हुकूमशाही अन्यायकारक का आहे. दुसरे म्हणजे, मी समान उत्पन्नातून स्पर्धात्मक समतोलतेच्या जवळपास अस्तित्वाचे पुरावे देतो ज्यामध्ये (i) उत्पन्न असमान आहे परंतु मनमानीपणे जवळपास आहे; (ii) बाजार त्रुटीसह साफ करतो, जे मर्यादेत शून्याकडे जाते आणि वास्तववादी समस्यांसाठी लहान आहे. तिसरे, मी हे दाखवतो की हे अंदाजे सीईईआय निष्पक्षतेचे निकष पूर्ण करते. अखेरीस, मी अंदाजे सीईईआय वर आधारित एक यंत्रणा परिभाषित करतो जी शून्य-माप उपाय एजंट्स अर्थशास्त्रज्ञांना पारंपारिकपणे किंमत घेणारे मानतात. प्रस्तावित यंत्रणा वास्तविक डेटावर कॅलिब्रेट केली जाते आणि सिद्धांत आणि सराव पासून पर्यायी तुलनेत आहेः इतर सर्व ज्ञात यंत्रणा शून्य-माप एजंट्सद्वारे किंवा अन्यायकारक एक्स-पोस्टद्वारे हाताळल्या जाऊ शकतात आणि बहुतेक दोन्ही हाताळण्यायोग्य आणि अन्यायकारक आहेत. |
7d2c7748359f57c2b4227b31eca9e5f7a70a6b5c | |
0d1fd04c0dec97bd0b1c4deeba21b8833f792651 | तीन टप्प्यांचा, चार स्विच, सिंगल-स्टेज, पृथक शून्य-व्होल्टेज-स्विचिंग (ZVS) रेक्टिफायरचे डिझाइन विचार आणि कार्यक्षमता मूल्यांकन सादर केले आहेत. तीन-चरण, दोन-स्विच, झेडव्हीएस, खंडित-प्रवाह-मोड (डीसीएम), बूस्ट पॉवर-फॅक्टर-सुधार (पीएफसी) रेक्टिफायर, संक्षिप्तपणे ताईपीई रेक्टिफायर, झेडव्हीएस फुल-ब्रिज (एफबी) फेज-शिफ्ट डीसी / डीसी कनवर्टरसह एकत्रित करून सर्किट प्राप्त केले जाते. या तीन टप्प्यांच्या 2.7-किलोवॅटच्या प्रोटोटाइपवर कामगिरीचे मूल्यांकन करण्यात आले आहे. हे प्रोटोटाइप एचव्हीडीसी वितरण अनुप्रयोगांसाठी डिझाइन केलेले आहे. हे प्रोटोटाइप 180 व्हीआरएमएस ते 264 व्हीआरएमएस पर्यंत लाइन-टोलिन व्होल्टेज श्रेणीसह आणि 200 व्ही ते 300 व्ही पर्यंत कठोरपणे नियंत्रित व्हेरिएबल डीसी आउटपुट व्होल्टेजसह कार्य करते. हे प्रोटोटाइप संपूर्ण इनपुट-व्होल्टेज आणि लोड-वर्तमान श्रेणीवर झेडव्हीएससह कार्य करते आणि 95% श्रेणीमध्ये कार्यक्षमतेसह 5% इनपुट-वर्तमान टीएचडीपेक्षा कमी प्राप्त करते. |
5417bd72d1b787ade0c485f1188189474c199f4d | आम्ही जनरेटिव्ह अॅडव्हर्सियल नेटवर्क्स (जीएएन) साठी एक नवीन प्रशिक्षण प्रक्रिया प्रस्तावित करतो ज्यामध्ये अनुकूलनशील हिंज नुकसान उद्दीष्ट फंक्शनचा वापर करून स्थिरता आणि कार्यक्षमता सुधारली जाते. आम्ही लक्ष्य वितरण अपेक्षित ऊर्जा योग्य कंस नुकसान मार्जिन अंदाज, आणि मार्जिन अद्यतनित करण्यासाठी एक तत्त्व निकष आणि एक अंदाजे अभिसरण उपाय दोन्ही मिळवा. परिणामी प्रशिक्षण प्रक्रिया सोपी आहे परंतु विविध डेटासेटवर मजबूत आहे. आम्ही प्रस्तावित प्रशिक्षण प्रक्रियेचे मूल्यांकन करतो, ज्यामध्ये गुणवत्ता आणि प्रमाण दोन्ही सुधारणा दिसून येतात. |
007ee2559d4a2a8c661f4f5182899f03736682a7 | कंट्रोलर-एरिया नेटवर्क (सीएएन) बस प्रोटोकॉल [1] हा एक बस प्रोटोकॉल आहे जो रॉबर्ट बॉश जीएमबीएचने 1986 मध्ये शोधला होता, जो मूळतः ऑटोमोटिव्ह वापरासाठी होता. आता या बसला कार आणि ट्रकपासून ते लाइटिंग सेटअपपर्यंत औद्योगिक वातानुकूलन यंत्रांमध्ये शोधता येईल. त्याच्या स्वभावामुळे ही एक अशी प्रणाली आहे जी सुरक्षिततेवर लक्ष केंद्रित करते, म्हणजेच, विश्वासार्हता. दुर्दैवाने, सुरक्षा लागू करण्यासाठी कोणतेही अंगभूत मार्ग नाहीत, जसे की एन्क्रिप्शन किंवा प्रमाणीकरण. या पेपरमध्ये, आम्ही कॅन बसवर मागील सुसंगत संदेश प्रमाणीकरण प्रोटोकॉलची अंमलबजावणी करण्याशी संबंधित समस्यांची तपासणी करतो. अशा प्रोटोकॉलला कोणत्या मर्यादा पूर्ण कराव्या लागतात आणि हे का काढून टाकते हे आम्ही दर्शवितो, आमच्या माहितीनुसार, आतापर्यंत प्रकाशित केलेले सर्व प्रमाणीकरण प्रोटोकॉल. याव्यतिरिक्त, आम्ही एक संदेश प्रमाणीकरण प्रोटोकॉल, CANAuth सादर करतो, जे सर्व आवश्यकता पूर्ण करते आणि CAN बसच्या कोणत्याही निर्बंधांचे उल्लंघन करत नाही. कीवर्ड-सीएएन बस, एम्बेडेड नेटवर्क, ब्रॉडकास्ट प्रमाणीकरण, सममितीय क्रिप्टोग्राफी |
129359a872783b7c3a82c2c9dbef75df2956d2d3 | एक्सएफआय ही एक व्यापक संरक्षण प्रणाली आहे जी लवचिक प्रवेश नियंत्रण आणि मूलभूत अखंडता हमी दोन्ही देते, कोणत्याही विशेषाधिकार स्तरावर आणि अगदी कमोडिटी सिस्टममधील लेगसी कोडसाठी. यासाठी एक्सएफआय स्थिर विश्लेषण इनलाइन सॉफ्टवेअर गार्ड्स आणि दोन-स्टॅक अंमलबजावणी मॉडेलसह एकत्र करते. आम्ही x86 आर्किटेक्चरवर बायनरी रीराइटिंग आणि एक साधा, स्टँड-अलोन व्हेरिफायर वापरून विंडोजसाठी एक्सएफआय लागू केले आहे; अंमलबजावणीची शुद्धता व्हेरिफायरवर अवलंबून असते, परंतु रीराइटरवर नाही. आम्ही एक्सएफआयला डिव्हाइस ड्रायव्हर्स आणि मल्टीमीडिया कोडेक्स सारख्या सॉफ्टवेअरवर लागू केले आहे. परिणामी मॉड्यूल कर्नल आणि यूजर मोड अॅड्रेस स्पेसमध्ये सुरक्षितपणे कार्य करतात, केवळ विनम्र अंमलबजावणी ओव्हरहेडसह. |
3b938f66d03559e1144fa2ab63a3a9a076a6b48b | सिग्नल प्रोसेसिंग आणि सांख्यिकी यासारख्या अनुप्रयोगांमध्ये, अनेक समस्यांमध्ये समीकरणांच्या कमी-निश्चित रेषेच्या प्रणालींचे विरळ उपाय शोधणे समाविष्ट आहे. या समस्यांना संरचित नॉन-स्मूथ ऑप्टिमायझेशन समस्या म्हणून मांडले जाऊ शकते, म्हणजेच, `1-रेगुलायझ्ड रेषीय किमान चौरस समस्या कमीतकमी कमी करण्याच्या समस्या. या पेपरमध्ये, आम्ही एक ब्लॉक समन्वय ग्रेडियंट वंश पद्धत (सीजीडी म्हणून संक्षिप्त) प्रस्तावित करतो जेणेकरून अधिक सामान्य ∀१-नियमन केलेले उत्तल कमीतकमी समस्या सोडविल्या जातील, म्हणजेच ∀१-नियमन केलेले उत्तल गुळगुळीत कार्य कमीतकमी कमी करणे. जेव्हा आपल्या पद्धतीसाठी एक क्यू-रेखीय अभिसरण दर स्थापित केला जातो तेव्हा पुरेशी उतारा सुनिश्चित करण्यासाठी गॉस-साउथवेल प्रकारच्या नियमाद्वारे समन्वय ब्लॉक निवडला जातो. आम्ही सीजीडी पद्धतीची कार्यक्षम अंमलबजावणी प्रस्तावित करतो आणि डेटा वर्गीकरणात वैशिष्ट्य निवडण्यासाठी मोठ्या प्रमाणात ∀1-नियमन रेषीय किमान चौरस समस्या सोडविण्यासाठी तसेच मोठ्या प्रमाणात ∀1-नियमन लॉजिस्टिक रिग्रेशन समस्या सोडविण्यासाठी संख्यात्मक परिणाम अहवाल देतो. मोठ्या प्रमाणात ∀1-नियमन रेषीय किमान चौरस किंवा लॉजिस्टिक रिग्रेशन समस्या सोडविण्यासाठी विशेषतः डिझाइन केलेल्या अनेक अत्याधुनिक अल्गोरिदमशी तुलना केल्यास, प्रभावीपणे अंमलात आणलेली सीजीडी पद्धत या अल्गोरिदमपेक्षा अधिक कार्यक्षम असू शकते, जरी सीजीडी पद्धत केवळ या विशेष प्रकारच्या समस्या सोडविण्यासाठी डिझाइन केलेली नसली तरी. |
8ad03b36ab3cba911699fe1699332c6353f227bc | युनेस्कोच्या मते, शिक्षण हा मूलभूत मानवी हक्क आहे आणि प्रत्येक देशाच्या नागरिकांना समान दर्जासह सार्वत्रिक प्रवेश दिला पाहिजे. कारण हे लक्ष्य अद्याप बहुतेक देशांमध्ये, विशेषतः विकसनशील आणि अल्पविकसित देशांमध्ये साध्य झालेले नाही, शिक्षण सुधारण्यासाठी अधिक प्रभावी मार्ग शोधणे अत्यंत महत्वाचे आहे. या पेपरमध्ये संगणकीय बुद्धिमत्तेच्या (डेटा मायनिंग आणि डेटा सायन्स) अनुप्रयोगावर आधारित एक मॉडेल सादर केले आहे ज्यामुळे विद्यार्थ्यांच्या ज्ञान प्रोफाइलचा विकास होतो आणि जे शिक्षकांना त्यांच्या विद्यार्थ्यांना सर्वोत्तम मार्गदर्शन करण्यासाठी त्यांच्या निर्णय घेण्यात मदत करू शकते. या मॉडेलमध्ये प्रत्येक विद्यार्थ्यासाठी तयार केलेल्या वैयक्तिक धोरणात्मक नियोजनात उद्दीष्टांच्या प्राप्तीचे परीक्षण करण्यासाठी मुख्य कामगिरीचे निर्देशक स्थापित करण्याचा प्रयत्न केला जातो. या मॉडेलमध्ये वर्गीकरण आणि अंदाज, डेटा स्ट्रक्चर व्हिज्युअलायझेशनसाठी आलेख वर्णन आणि संबंधित माहिती हितधारकांना सादर करण्यासाठी शिफारस प्रणाली वापरली जाते. प्रस्तुत परिणाम ब्राझीलच्या खाजगी के-9 (प्राथमिक शाळा) मधून प्राप्त झालेल्या वास्तविक डेटासेटवर आधारित तयार केले गेले होते. यामध्ये मुख्य माहिती, विद्यार्थ्यांच्या कामगिरीचा अंदाज लावण्याचे मॉडेल आणि हितधारकांसाठी शिफारसींचा समावेश आहे. |
500923d2513d30299350a6a0e9b84b077250dc78 | माहिती पुनर्प्राप्ती आणि माहिती एकत्रीकरणात सिमेंटिक समानता उपाय महत्वाची भूमिका बजावतात. अर्थशास्त्रीय समानता मॉडेलिंगसाठी पारंपारिक दृष्टिकोन एकाच ऑन्टोलॉजीमधील परिभाषांमधील अर्थशास्त्रीय अंतर गणना करतात. हे एकमेव ऑन्टोलॉजी एकतर डोमेन-स्वतंत्र ऑन्टोलॉजी आहे किंवा विद्यमान ऑन्टोलॉजीजच्या एकत्रीकरणाचा परिणाम आहे. आम्ही सिमेंटिक समानता संगणनासाठी एक दृष्टिकोन सादर करतो जे एकाच ऑन्टोलॉजीची आवश्यकता कमी करते आणि वेगवेगळ्या ऑन्टोलॉजी वैशिष्ट्यांच्या स्पष्टतेच्या आणि औपचारिकतेच्या पातळीतील फरकांची खाती देते. एक समानता फंक्शन समान समकक्षतेच्या वर्गांना समान समकक्ष संच, सिमेंटिक शेजारी आणि भाग, फंक्शन्स आणि गुणधर्मांमध्ये वर्गीकृत केलेल्या वैशिष्ट्यांसह जुळणारी प्रक्रिया वापरून निर्धारित करते. वेगवेगळ्या ऑन्टोलॉजीजचे प्रयोगात्मक परिणाम असे दर्शवतात की जेव्हा ऑन्टोलॉजीजमध्ये एंटिटी क्लासेसचे पूर्ण आणि तपशीलवार प्रतिनिधित्व असते तेव्हा मॉडेल चांगले परिणाम देते. शब्द जुळवणी आणि सिमेंटिक शेजारच्या जुळवणीचे संयोजन समतुल्य अस्तित्व वर्गाचा शोध घेण्यासाठी पुरेसे आहे, वैशिष्ट्य जुळवणी आम्हाला समान, परंतु अपरिहार्यपणे समतुल्य, अस्तित्व वर्गांमध्ये भेदभाव करण्यास अनुमती देते. |
1c58b4c7adee37874ac96f7d859d1a51f97bf6aa | स्टॅक्ड जनरलरायझेशन ही एक सामान्य पद्धत आहे ज्यामध्ये उच्च-स्तरीय मॉडेलचा वापर कमी-स्तरीय मॉडेल एकत्रित करण्यासाठी केला जातो ज्यामुळे अधिक अंदाज अचूकता मिळते. या लेखात आम्ही दोन महत्त्वपूर्ण मुद्द्यांवर चर्चा करणार आहोत, जे वॉलपर्टने 1992 मध्ये स्टॅक्ड जनरलराइझेशनची सुरूवात केल्यापासून वर्गीकरण कार्यात ब्लॅक आर्ट मानले गेले आहेतः उच्च स्तरीय मॉडेल व्युत्पन्न करण्यासाठी योग्य सामान्यीकरणकर्ताचा प्रकार आणि त्याचे इनपुट म्हणून कोणत्या प्रकारचे गुणधर्म वापरले जावेत. आम्हाला असे आढळले आहे की जेव्हा उच्च स्तरीय मॉडेल कमी स्तरावरील मॉडेलची घनता (आणि केवळ अंदाज नाही) एकत्र करते तेव्हा सर्वोत्तम परिणाम मिळतात. वर्गीकरण कार्यांसाठी तीन वेगवेगळ्या प्रकारच्या शिक्षण अल्गोरिदम एकत्र करण्यासाठी आम्ही स्टॅक्ड जनरलइझेशनची कार्यक्षमता दर्शवितो. आम्ही बहुसंख्य मतांसह स्टॅक केलेल्या सामान्यीकरण आणि आर्किंग आणि बॅगिंगच्या प्रकाशित परिणामांची देखील तुलना करतो. |
017ee86aa9be09284a2e07c9200192ab3bea9671 | सशर्त जीएएन नैसर्गिक प्रतिमा संश्लेषणाच्या अग्रभागी आहेत. अशा मॉडेलचा मुख्य दोष म्हणजे लेबल केलेले डेटा असणे आवश्यक आहे. या कामात आम्ही दोन लोकप्रिय अनसुपरव्हेटेड लर्निंग तंत्रांचा वापर करतो, विरोधी प्रशिक्षण आणि स्वतः ची देखरेख, सशर्त आणि बिनशर्त जीएएनमधील अंतर कमी करण्यासाठी. आम्ही नेटवर्कला प्रतिनिधित्व शिकण्याच्या कार्यात सहकार्य करण्याची परवानगी देतो, तर क्लासिक जीएएन गेमच्या बाबतीत विरोधक आहोत. आत्म-निरीक्षण करण्याची भूमिका म्हणजे भेदभाव करणाऱ्याला अर्थपूर्ण वैशिष्ट्यपूर्ण प्रतिनिधित्व शिकण्यास प्रोत्साहित करणे जे प्रशिक्षण दरम्यान विसरले जात नाहीत. आम्ही अनुभवजन्य पद्धतीने शिकलेल्या प्रतिमांच्या गुणवत्तेची आणि संश्लेषित प्रतिमांच्या गुणवत्तेची चाचणी करतो. त्याच परिस्थितीत, स्वतः ची देखरेख असलेल्या जीएएनला अत्याधुनिक सशर्त समकक्षतेसारखेच कार्यक्षमता मिळते. अखेरीस, आम्ही दाखवतो की पूर्णपणे अनसुप्रिव्हिडंट लर्निंगचा हा दृष्टिकोन 33 च्या एफआयडीवर प्राप्त करण्यासाठी असीम इमेजेनेट निर्मितीवर स्केल केला जाऊ शकतो. |
5c695f1810951ad1bbdf7da5f736790dca240e5b | सोशल मीडियावर वापरकर्त्याने तयार केलेल्या सामग्रीचे विश्लेषण आणि उत्पादने आणि कार्यक्रमांबद्दल वापरकर्त्यांच्या मतांचे अचूक तपशीलवार वर्णन बर्याच अनुप्रयोगांसाठी खूप मौल्यवान आहे. वेब २.० च्या प्रसारामुळे आणि वेबवर वापरकर्त्याने तयार केलेल्या सामग्रीच्या वेगवान वाढीसह, परिमाण पातळीवरील भावना विश्लेषणाचे दृष्टिकोन जे बारीक माहिती देतात ते खूपच मनोरंजक आहेत. या कामात, पैलू आधारित भावना विश्लेषणासाठी वर्गीकरणकर्ता संच पद्धत सादर केली आहे. हा दृष्टिकोन सर्वसाधारण आहे आणि एखाद्या विषयाचे मॉडेलिंग करण्यासाठी आणि वापरकर्त्यांनी संबोधित केलेल्या मुख्य बाबी निर्दिष्ट करण्यासाठी लॅटेंट डायरिचलेट वाटप वापरते. त्यानंतर प्रत्येक भाष्य अधिक विश्लेषण केले जाते आणि शब्दांमधील आणि पैलूंमधील परस्परसंवादाचे संकेत देणारे शब्द अवलंबित्व काढले जातात. एकूण वर्गीकरणकर्ता, जे नैव्ह बेय्स, कमाल एन्ट्रोपी आणि सपोर्ट वेक्टर मशीनद्वारे तयार केले गेले आहे, ते प्रत्येक पैलूच्या दिशेने वापरकर्त्याच्या टिप्पणीची ध्रुवीयता ओळखण्यासाठी डिझाइन केलेले आहे. मूल्यांकन परिणामांमध्ये वैयक्तिक वर्गीकरणाच्या तुलनेत चांगली सुधारणा झाली आहे आणि असे सूचित करते की वापरकर्त्याने व्युत्पन्न केलेल्या सामग्रीचे विश्लेषण करण्यात आणि वापरकर्त्यांच्या मते आणि वृत्ती निर्दिष्ट करण्यात एकत्रित प्रणाली स्केलेबल आणि अचूक आहे. |
4f1fe957a29a2e422d4034f4510644714d33fb20 | आम्ही विषयावर आधारित कागदपत्रांचे वर्गीकरण करण्याच्या समस्येवर विचार करीत नाही, परंतु एकूणच भावना, उदाहरणार्थ, पुनरावलोकन सकारात्मक किंवा नकारात्मक आहे हे निर्धारित करणे. चित्रपटांच्या पुनरावलोकनाचा डेटा वापरून, आम्हाला आढळले की मानक मशीन शिक्षण तंत्रज्ञान मानवी उत्पादनाच्या मूलभूत रेषांपेक्षा निश्चितपणे श्रेष्ठ आहे. तथापि, आम्ही वापरलेल्या तीन मशीन लर्निंग पद्धती (नवीन बेय्स, जास्तीत जास्त एन्ट्रोपी वर्गीकरण आणि समर्थन वेक्टर मशीन) पारंपरिक विषयावर आधारित वर्गीकरण म्हणून भावना वर्गीकरणावर चांगले काम करत नाहीत. भावना वर्गीकरण समस्या अधिक आव्हानात्मक बनविणार्या घटकांची तपासणी करून आम्ही निष्कर्ष काढतो. प्रकाशन माहिती: ईएमएनएलपीची कार्यवाही, 2002, पृ. ७९ ते ८६. |
722e2f7894a1b62e0ab09913ce9b98654733d98e | या प्रकाशनात पुनरुत्पादित लेख आहेत ज्यांचे कॉपीराइट आयईईईकडे नाहीत. या लेखांचा पूर्ण मजकूर आयईईई एक्सप्लोरवर उपलब्ध नाही. |
2485c98aa44131d1a2f7d1355b1e372f2bb148ad | या लेखात आम्ही चीनमधील मोठ्या प्रमाणात चेहऱ्यांच्या डेटाबेसचे संपादन आणि सामग्रीचे वर्णन करतो: CAS-PEAL चेहऱ्यांचा डेटाबेस. CAS-PEAL चेहर्याचा डेटाबेस तयार करण्याचे उद्दीष्ट खालीलप्रमाणे आहेतः 1) चेहरा ओळखण्याच्या जगभरातील संशोधकांना भिन्न भिन्न स्रोतांसह, विशेषतः मुद्रा, अभिव्यक्ती, उपकरणे आणि प्रकाश (पीईएएल) आणि संपूर्ण आधार-सत्य माहिती एका समान डेटाबेसमध्ये प्रदान करणे; 2) ऑफ-द-शेल्फ इमेजिंग उपकरणे वापरून आणि डेटाबेसमध्ये सामान्य चेहरा बदल डिझाइन करून व्यावहारिक अनुप्रयोगांना लक्ष्य करणार्या अत्याधुनिक चेहरा ओळख तंत्रज्ञानाचा विकास करणे; आणि 3) मंगोलियन चेहर्याचा मोठ्या प्रमाणात डेटाबेस प्रदान करणे. सध्या CAS-PEAL चेहऱ्याच्या डेटाबेसमध्ये 1040 व्यक्तींचे 99 594 प्रतिमा आहेत (595 पुरुष आणि 445 महिला). एकूण नऊ कॅमेरे एका आर्क बाजूंवर क्षैतिजपणे बसवलेले आहेत जेणेकरून वेगवेगळ्या पोझमध्ये एकाच वेळी प्रतिमा कॅप्चर करता येतील. प्रत्येक व्यक्तीला सरळ पुढे, वर आणि खाली बघायला सांगितले जाते. पाच चेहर्यावरील भाव, सहा अॅक्सेसरीज आणि 15 प्रकाश बदल देखील डेटाबेसमध्ये समाविष्ट आहेत. डेटाबेसचा निवडलेला उपसंच (सीएएस-पीएएल-आर 1, ज्यामध्ये 1040 विषयांची 30 863 प्रतिमा आहेत) आता इतर संशोधकांना उपलब्ध आहे. आम्ही CAS-PEAL-R1 डेटाबेसवर आधारित मूल्यांकन प्रोटोकॉलवर चर्चा करतो आणि खालील गोष्टी करण्यासाठी बेसलाइन म्हणून चार अल्गोरिदमची कार्यक्षमता सादर करतोः 1) चेहर्यावरील ओळख अल्गोरिदमसाठी डेटाबेसची अडचण मूलभूतपणे मूल्यांकन करा; 2) डेटाबेस वापरणार्या संशोधकांसाठी पसंती मूल्यांकन परिणाम; आणि 3) सामान्यतः वापरल्या जाणार्या अल्गोरिदमची ताकद आणि कमकुवतपणा ओळखणे. |
a0456c27cdd58f197032c1c8b4f304f09d4c9bc5 | एकत्रित पद्धती म्हणजे असेल्बम शिकणारे अल्गोरिदम जे वर्गीकरणाचा एक संच तयार करतात आणि नंतर त्यांच्या अंदाजानुसार वजनदार मत घेऊन नवीन डेटा पॉईंट्स वर्गीकृत करतात. मूळ एकत्रित पद्धत बेयसियन सरासरी आहे परंतु अलीकडील अल्गोरिदममध्ये त्रुटी सुधारणे आउटपुट कोडिंग बॅगिंग आणि बूस्टिंग यांचा समावेश आहे. या पेपरमध्ये या पद्धतींचा आढावा घेतला आहे आणि स्पष्ट केले आहे की एकत्रित पद्धती कोणत्याही एकल वर्गीकरणापेक्षा अधिक चांगले काम का करतात. एकत्रित पद्धतींची तुलना करणारे काही मागील अभ्यास आढावा घेण्यात आले आहेत आणि काही नवीन प्रयोग सादर केले आहेत जेणेकरून अडॅबस्ट त्वरीत वाढत नाही याची कारणे शोधण्यासाठी |
9a292e0d862debccffa04396cd5bceb5d866de18 | |
610bc4ab4fbf7f95656b24330eb004492e63ffdf | आम्ही नॉन-नेगेटिव्ह मॅट्रिक्स फॅक्टरायझेशन समस्येचा अभ्यास करतो जे कमी रँक फॅक्टरायझेशनद्वारे नॉन-नेगेटिव्ह मॅट्रिक्सचे अनुमान लावते. मशीन लर्निंगमध्ये ही समस्या विशेषतः महत्वाची आहे आणि ती मोठ्या संख्येने अनुप्रयोगांमध्ये आढळते. दुर्दैवाने, मूळ सूत्र चुकीचे आहे आणि एनफार्ड. या पेपरमध्ये, आम्ही एनएमएफ समस्येचे निराकरण करण्यासाठी पंक्ती एन्ट्रोपी कमीतकमी आधारित पंक्ती विरळ मॉडेलचा प्रस्ताव ठेवतो. आपण एन्ट्रोपी फंक्शनची एकाग्रता आणि `∞ नियम वापरतो जेणेकरून आपण कमीतकमी लॅटेंट व्हेरिएबल्सवर ऊर्जा केंद्रित करू. आम्ही हे सिद्ध करतो की पृथक्करण गृहीतकाखाली, आमचे प्रस्तावित मॉडेल डेटा कॉलम मजबूतपणे पुनर्प्राप्त करते जे डेटासेट व्युत्पन्न करते, जरी डेटा गोंधळाने दूषित झाला असेल. आम्ही प्रस्तावित मॉडेलची मजबुती अनुभवजन्यपणे सिद्ध करतो आणि हे दर्शवितो की ते अत्याधुनिक विभाज्य एनएमएफ अल्गोरिदमपेक्षा लक्षणीयरीत्या अधिक मजबूत आहे. |
f829fa5686895ec831dd157f88949f79976664a7 | अनुक्रमिक बेझियन पद्धती अनुभवजन्य विपणनात मध्यवर्ती भूमिका बजावतात कारण ते वैयक्तिक-स्तरीय पॅरामीटर अंदाज देतात जे लक्ष्यित निर्णयांसाठी वापरले जाऊ शकतात. एमसीएमसी पद्धती हीर्र्केकल बेझियन मॉडेलचे मूल्यांकन करण्यासाठी निवडलेल्या पद्धती आहेत कारण ते अचूक वैयक्तिक-स्तरीय अंदाज प्रदान करण्यास सक्षम आहेत. तथापि, एमसीएमसी पद्धती संगणकीयदृष्ट्या प्रतिबंधात्मक आहेत आणि सध्याच्या बिग डेटा युगात सामान्य झालेल्या मोठ्या डेटा सेटवर लागू केल्यावर ते चांगले प्रमाणात नाहीत. आम्ही विपणन साहित्यात वैरिएशनल बेयसीयन (व्हीबी) अनुमान म्हणून ओळखल्या जाणार्या बेयसीयन अंदाज तंत्राचा एक नवीन वर्ग सादर करतो. या पद्धतीमुळे मागील वितरण अंदाजे करण्यासाठी निर्धारात्मक ऑप्टिमायझेशन दृष्टिकोनाद्वारे स्केलेबिलिटी आव्हानाचा सामना करावा लागतो आणि सिम्युलेशन-आधारित एमसीएमसी पद्धतींशी संबंधित संगणकीय खर्चाच्या तुलनेत अचूक अंदाज लावला जातो. आम्ही भिन्नतावादी बेझियन निष्कर्षामध्ये अलीकडील घडामोडींचा फायदा घेत आहोत आणि दोन व्हीबी अंदाज पद्धती - मध्यम-फील्ड व्हीबी (जे गिब्स सॅम्पलिंगसारखेच आहे) जोडलेल्या मॉडेलसाठी आणि फिक्स्ड-फॉर्म व्हीबी (जे मेट्रोपोलिस-हॅस्टिंगसारखेच आहे) नॉन-संयुक्त मॉडेलसाठी - जटिल विपणन मॉडेलचे मूल्यांकन करण्यासाठी प्रभावीपणे एकत्र केले जाऊ शकते. आम्ही हे देखील दाखवतो की, समांतर संगणकीय आणि स्टोकास्टिक ऑप्टिमायझेशनमधील अलीकडील प्रगती या व्हीबी पद्धतींच्या गतीमध्ये आणखी वाढ करण्यासाठी कशी वापरली जाऊ शकते. अनुकरण तसेच वास्तविक डेटा सेटचा वापर करून, आम्ही व्हीबी पद्धतींचा वापर अनेक सामान्यतः वापरल्या जाणार्या विपणन मॉडेलवर (उदा. मिश्र रेषेचा, लॉजिट, निवड आणि पदानुक्रमित ऑर्डिनेबल लॉजिट मॉडेल) आणि विपणन समस्यांसाठी व्हीबी अनुमान कसे व्यापकपणे लागू आहे हे दर्शवितात. |
bf8a0014ac21ba452c38d27bc7d930c265c32c60 | उच्च स्तरीय संलयन पद्धतींचा वापर मल्टी सेन्सर डेटा संलयनमध्ये महत्त्वपूर्ण फायद्यांची मालिका दर्शवितो आणि ऑटोमोटिव्ह सेफ्टी फ्यूजन सिस्टम याला अपवाद नाहीत. उच्च स्तरीय संलयन ऑटोमोटिव्ह सेन्सर नेटवर्कवर पूरक किंवा / आणि अनावश्यक दृश्यांच्या क्षेत्रासह लागू केले जाऊ शकते. या पद्धतीचा फायदा हा आहे की तो प्रणाली मॉड्यूलरिटी सुनिश्चित करतो आणि बेंचमार्किंगला परवानगी देतो, कारण तो प्रक्रियामध्ये फीडबॅक आणि लूपला परवानगी देत नाही. या पेपरमध्ये दोन विशिष्ट उच्च स्तरीय डेटा फ्यूजन पध्दतींचे वर्णन केले आहे ज्यात एक संक्षिप्त आर्किटेक्चरल आणि अल्गोरिदम सादरीकरण आहे. या पद्धती मुख्यतः त्यांच्या डेटा असोसिएशन भागात भिन्न आहेत: (अ) ट्रॅक लेव्हल फ्यूजन पद्धत ऑब्जेक्ट सातत्य आणि बहुआयामी असाइनमेंटवर भर देऊन पॉईंट टू पॉईंट असोसिएशनसह निराकरण करते आणि (ब) ग्रिड आधारित फ्यूजन पद्धत जी पर्यावरण मॉडेलिंगचा एक सामान्य मार्ग प्रस्तावित करते आणि सेन्सर डेटा फ्यूजन करते. या दृष्टिकोनासाठी चाचणी प्रकरण म्हणजे मल्टी सेन्सरसह सुसज्ज PREVENT/ProFusion2 ट्रक प्रदर्शन वाहन आहे. |
c8cc94dd21d78f4f0d07ccb61153bfb798aeef2c | |
4152070bd6cd28cc44bc9e54ab3e641426382e75 | वर्गीकरणाच्या समस्येचा डेटा खनन, मशीन लर्निंग, डेटाबेस आणि माहिती पुनर्प्राप्ती समुदायांमध्ये मोठ्या प्रमाणात अभ्यास केला गेला आहे, ज्यात लक्ष्यित विपणन, वैद्यकीय निदान, बातम्या गट फिल्टरिंग आणि दस्तऐवज संघटना यासारख्या विविध डोमेनमध्ये अनुप्रयोग आहेत. या लेखात आपण विविध प्रकारच्या मजकूर वर्गीकरणाचा आढावा देऊ |
e050e89d01afffd5b854458fc48c9d6720a8072c | |
8bf72fb4edcb6974d3c4b0b2df63d9fd75c5dc4f | अशा पद्धती संभाव्यतः उच्च कार्यक्षमता देऊ शकतात, कारण ते नैसर्गिक भाषेच्या संकल्पनांशी संबंधित अंतर्निहित, सिमेंटिक्स वैशिष्ट्यांचे विश्लेषण करण्यास देखील सक्षम आहेत. या पेपरमध्ये, आम्ही सिमेंटिक सेन्टिमेंट विश्लेषण चॅलेंजची चौथी आवृत्ती सादर करतो, ज्यामध्ये सिमेंटिक वैशिष्ट्यांची अंमलबजावणी करणारी किंवा त्यावर अवलंबून असलेल्या प्रणालींचे मूल्यांकन मोठ्या चाचणी संचासह आणि भिन्न सेन्टिमेंट टास्कवर केले जाते. केवळ वाक्यरचना/शब्द-गणना किंवा फक्त शब्दसंग्रहावर आधारित पद्धतींवर आधारित प्रणालींना या मूल्यांकनातून वगळण्यात आले आहे. मग, आम्ही प्रत्येक कामासाठी मूल्यांकनाचे परिणाम सादर करतो आणि सर्वात नाविन्यपूर्ण दृष्टिकोन पुरस्काराचा विजेता दर्शवितो, जो भावना विश्लेषणाच्या कामाला सामोरे जाण्यासाठी अनेक ज्ञान तत्त्वांचा एकत्रित करतो. भावना विश्लेषण हे संशोधन आणि उद्योग या दोन्ही क्षेत्रात व्यापकपणे अभ्यास केलेले संशोधन क्षेत्र आहे आणि भावना विश्लेषणाशी संबंधित कार्ये हाताळण्यासाठी वेगवेगळे दृष्टिकोन आहेत. भावना विश्लेषण इंजिन शब्दकोश-आधारित तंत्रांपासून मशीन लर्निंगपर्यंत किंवा वाक्यरचना नियम विश्लेषण यांचा समावेश असलेल्या पध्दती अंमलात आणतात. अशा प्रणालींचे मूल्यांकन आंतरराष्ट्रीय संशोधन आव्हानांमध्ये आधीच केले गेले आहे. तथापि, सिमेंटिक सेन्टिमेंट विश्लेषण दृष्टिकोन, जे मोठ्या सिमेंटिक ज्ञान तत्त्वांचा विचार करतात किंवा त्यावर अवलंबून असतात आणि सिमेंटिक वेब सर्वोत्तम पद्धती लागू करतात, इतर आंतरराष्ट्रीय आव्हानांद्वारे विशिष्ट प्रायोगिक मूल्यांकन आणि तुलना अंतर्गत नाहीत. |
21da9ece5587df5a2ef79bf937ea19397abecfa0 | या पेपरमध्ये अंदाज आणि समज वर्गीकरण ही एक अनुमान समस्या मानली जाते जी मेंदूद्वारे सोडवली जाते. आपण असे मानतो की मेंदू जगातील मॉडेल बनवतो. एक पदानुक्रम किंवा गतिशील प्रणालींची एक श्रेणी जी संवेदनाशाळेत कारणे रचना एन्कोड करते. अनुभूती ही या अंतर्गत मॉडेलच्या ऑप्टिमायझेशन किंवा उलटीशी संबंधित आहे, जे संवेदी डेटा स्पष्ट करते. संवेदी माहिती कशी निर्माण होते याचे एक मॉडेल दिलेले आहे, आम्ही मॉडेलच्या पुराव्यावर आधारित मुक्त उर्जेवर आधारित मॉडेल उलटा करण्यासाठी एक सामान्य दृष्टिकोन लागू करू शकतो. खालील मुक्त ऊर्जा सूत्रे समीकरणे प्रदान करतात जी ओळखण्याची प्रक्रिया दर्शविते, म्हणजेच न्यूरोनल क्रियाकलापाची गतिशीलता जे संवेदी इनपुटचे कारण दर्शविते. येथे आपण एका सर्वसाधारण मॉडेलवर लक्ष केंद्रित करतो, ज्याची श्रेणीबद्ध आणि गतिमान रचना अनुकरण केलेल्या मेंदूला संवेदी अवस्थेच्या ट्रॅजेक्टरीज किंवा अनुक्रमांची ओळख आणि अंदाज लावण्यास सक्षम करते. आम्ही प्रथम श्रेणीबद्ध गतिशील मॉडेल आणि त्यांच्या उलटा पुनरावलोकन करतो. मग आपण दाखवतो की मेंदूमध्ये हे उलटा बदल करण्यासाठी आवश्यक पायाभूत सुविधा आहेत आणि या गोष्टीचे उदाहरण म्हणून आपण कृत्रिम पक्षी वापरतो ज्यांना पक्ष्यांच्या गाण्यांची ओळख आणि त्यांची श्रेणी ठरवता येते. |
38a935e212c8e10460545b74a7888e3966c03e74 | या पेपरमध्ये थ्रीडी ऑब्जेक्ट डिटेक्शनच्या अमोडल पर्सेप्शनच्या समस्येवर लक्ष केंद्रित केले आहे. हे काम केवळ 3 डी जगात ऑब्जेक्ट स्थान शोधणे नाही तर त्यांचे भौतिक आकार आणि पोझचे अंदाज देखील आहे, जरी त्यांचे काही भाग आरजीबी-डी प्रतिमेमध्ये दृश्यमान असले तरीही. अलीकडील दृष्टिकोनाने 3 डी स्पेसमध्ये थेट 3 डी वैशिष्ट्यांचा फायदा घेण्यासाठी खोली चॅनेलमधून पॉईंट क्लाउडचा वापर करण्याचा प्रयत्न केला आहे आणि पारंपारिक 2.5 डी प्रतिनिधित्व दृष्टिकोनापेक्षा श्रेष्ठता दर्शविली आहे. आम्ही अमोडल 3 डी डिटेक्शन समस्येवर 2.5 डी प्रतिनिधित्व फ्रेमवर्कवर चिकटून राहून आणि 2.5 डी व्हिज्युअल स्वरूप थेट 3 डी ऑब्जेक्टशी संबंधित करतो. आम्ही एक नवीन 3 डी ऑब्जेक्ट डिटेक्शन सिस्टीम प्रस्तावित करतो जी एकाच वेळी ऑब्जेक्ट्स 3 डी स्थाने, भौतिक आकार आणि इनडोअर दृश्यांमधील दिशांचा अंदाज लावते. NYUV2 डेटासेटवरील प्रयोगांमुळे आमचे अल्गोरिदम अत्याधुनिकतेपेक्षा जास्त कार्यक्षम असल्याचे दिसून आले आहे आणि 2.5D प्रतिनिधित्व 3D अमोडल ऑब्जेक्ट शोधण्यासाठी वैशिष्ट्ये एन्कोड करण्यास सक्षम आहे. सर्व स्रोत कोड आणि डेटा https://github.com/phoenixnn/Amodal3Det वर उपलब्ध आहे. |
4d7a8836b304a1ecebee19ff297f1850e81903b4 | |
461ebcb7a274525b8efecf7990c85994248ab433 | कमी-शक्ती आणि लॉसी नेटवर्कसाठी रूटिंग प्रोटोकॉल (आरपीएल) हा 6 लोड वॅपॅन नेटवर्कसारख्या मर्यादित वातावरणासाठी प्रमाणित केलेला एक नवीन रूटिंग प्रोटोकॉल आहे. आयपीव्ही६/आरपीएल कनेक्ट केलेल्या ६ लोवपॅनमध्ये सुरक्षा प्रदान करणे आव्हानात्मक आहे कारण उपकरणे अविश्वसनीय इंटरनेटशी जोडलेली आहेत आणि संसाधनांची मर्यादा आहे, संप्रेषण दुवे हानीकारक आहेत आणि उपकरणे आरपीएल, ६ लोवपॅन आणि सीओएपी/सीओएपी सारख्या नवीन आयओटी तंत्रज्ञानाचा वापर करतात. या लेखात आम्ही आयओटी तंत्रज्ञानाचे आणि त्यांच्या नवीन सुरक्षा क्षमतांचे व्यापक विश्लेषण करतो जे हल्लेखोरांनी किंवा आयडीएसद्वारे शोषण केले जाऊ शकते. या पेपरमध्ये एक प्रमुख योगदान म्हणजे आम्ही राउटिंग प्रोटोकॉल म्हणून आरपीएल चालवणाऱ्या 6 लोवपॅन नेटवर्कवर राउटिंग हल्ल्यांची अंमलबजावणी आणि प्रात्यक्षिक दाखवले आहे. आम्ही हे हल्ले कॉन्टिकी ऑपरेटिंग सिस्टममध्ये आरपीएलच्या अंमलबजावणीत राबवितो आणि कूजा सिम्युलेटरमध्ये हे हल्ले दाखवतो. याशिवाय, आम्ही आयपीव्ही 6 प्रोटोकॉलमधील नवीन सुरक्षा वैशिष्ट्यांचा उल्लेख करतो आणि या वैशिष्ट्यांचा वापर हलके हार्टबीट प्रोटोकॉल लागू करून आयओटीमध्ये घुसखोरी शोधण्यासाठी करतो. |
5b8869bb7afa5d8d3c183dfac0d0f26c2e218593 | आजच्या उच्च कार्यक्षम प्रोसेसरमध्ये प्रचलित कॅश पदानुक्रम विचारात घेणे आवश्यक आहे जेणेकरून सराव मध्ये चांगले कार्य करणारे अल्गोरिदम डिझाइन केले जाऊ शकतात. या पेपरमध्ये बाह्य मेमरी अल्गोरिदम या हेतूने अनुकूलित करण्याचे समर्थन केले आहे. या कल्पना आणि व्यावहारिक समस्यांचे उदाहरण म्हणजे बाह्य मेमरी आणि कॅशे मेमरीसाठी अनुकूल एक वेगवान प्राधान्य रांग ज्यावर आधारित आहे. हे पूर्वीच्या बाह्य मेमरी अल्गोरिदममध्ये सुधारणा करते जे कॅशे मेमरीमध्ये हस्तांतरित करण्यासाठी महत्त्वपूर्ण आहे. वर्कस्टेशनच्या कॅशे पदानुक्रमात चालविणे अल्गोरिदम मोठ्या इनपुटसाठी बायनरी हॅप्स आणि 4-अरी हॅप्सच्या ऑप्टिमाइझ केलेल्या अंमलबजावणीपेक्षा कमीतकमी दोनपट वेगवान आहे. |
1f6ba0782862ec12a5ec6d7fb608523d55b0c6ba | आम्ही वाक्य-स्तरीय वर्गीकरण कार्यांसाठी पूर्व-प्रशिक्षित शब्द वेक्टरच्या वर प्रशिक्षित केलेल्या कन्वॉल्युशनल न्यूरल नेटवर्क (सीएनएन) सह प्रयोगांच्या मालिकेचा अहवाल देतो. आम्ही दाखवतो की साध्या सीएनएन थोड्या हायपरपॅरामीटर ट्युनिंग आणि स्थिर वेक्टरसह अनेक बेंचमार्कवर उत्कृष्ट परिणाम प्राप्त करतात. कार्य-विशिष्ट वेक्टर शिकणे, परिष्कृत ट्युनिंगद्वारे कामगिरीमध्ये आणखी वाढ होते. आम्ही शिवाय आर्किटेक्चरमध्ये एक साधे बदल प्रस्तावित करतो जेणेकरून टास्क-विशिष्ट आणि स्थिर वेक्टर दोन्हीचा वापर करता येईल. येथे चर्चा केलेल्या सीएनएन मॉडेलमध्ये सातपैकी चार कार्यांमध्ये अत्याधुनिक सुधारणा करण्यात आली आहे, ज्यात भावना विश्लेषण आणि प्रश्न वर्गीकरण समाविष्ट आहे. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.