_id
stringlengths 40
40
| text
stringlengths 0
9.56k
|
|---|---|
45c56dc268a04c5fc7ca04d7edb985caf2a25093 | भिन्न संभाव्यता वितरण सह सामान्य पॅरामीटर अंदाज पद्धती सादर करते, जे मजकूर मॉडेलिंगमध्ये विशेष स्वारस्य आहे. जास्तीत जास्त संभाव्यता, एपोस्टेरिओरी आणि बेयसीयन अंदाजानुसार सुरू होणारी, मध्यवर्ती संकल्पना जसे की संयुग्मित वितरण आणि बेयसीयन नेटवर्कचे पुनरावलोकन केले जाते. एक अनुप्रयोग म्हणून, लॅटेंट डिरिचलेट वाटप (एलडीए) चे मॉडेल गिब्स सॅम्पलिंगवर आधारित अंदाजे अनुमान अल्गोरिदमच्या संपूर्ण व्युत्पत्तीसह तपशीलवारपणे स्पष्ट केले आहे, ज्यात डिरिचलेट हायपरपॅरामीटर अंदाज याविषयी चर्चा आहे. इतिहास: आवृत्ती १ मे २००५, आवृत्ती २.४: ऑगस्ट २००८. |
9e463eefadbcd336c69270a299666e4104d50159 | |
2e268b70c7dcae58de2c8ff7bed1e58a5e58109a | डायनॅमिक प्रोग्रामिंग अँड ऑप्टिमाइझ कंट्रोल, खंड. II, चौथी आवृत्ती, एथेना सायंटिफिक, २०१२. यामध्ये नवीन सामग्री समाविष्ट आहे आणि त्यात लक्षणीय सुधारणा आणि विस्तार करण्यात आला आहे (त्याचा आकार दुप्पट झाला आहे). नवीन साहित्याचा उद्देश अनेक मॉडेलचे एकसंध उपचार करणे आहे, ज्यात सर्व मॉडेलमध्ये अनुबंधात्मक रचना नसते जी अध्याय 1 आणि 2 च्या सवलतीच्या समस्यांची वैशिष्ट्यपूर्ण आहेः सकारात्मक आणि नकारात्मक खर्च मॉडेल, निर्धारात्मक इष्टतम नियंत्रण (अनुकूली डीपीसह), स्टोकास्टिक शॉर्टस्ट पाथ मॉडेल आणि जोखीम-संवेदनशील मॉडेल. नवीन साहित्याचा सारांश पुढीलप्रमाणे: |
6d596cb55d99eae216840090b46bc5e49d7aeea5 | आम्ही दोन नवीन तंत्र सुचवितो ज्यामुळे रेषेच्या प्रणालीच्या समाधानासाठी संबंधित घन मॅट्रिक्स फॅक्टरायझेशनमध्ये तथाकथित लुक-आऊट यंत्रणा लागू करताना आढळलेल्या लोड-असंतुलनावर मात करता येईल. दोन्ही तंत्रे अशा परिस्थितीला लक्ष्य करतात जिथे दोन थ्रेड टीम तयार केले जातात / कारणांच्या दरम्यान सक्रिय केले जातात, प्रत्येक टीम स्वतंत्र कार्य / अंमलबजावणीची शाखा करण्यास जबाबदार असते. पहिल्या तंत्रामुळे दोन कामांमध्ये कामगारांचे वाटप (डब्ल्यूएस) वाढते, ज्यामुळे प्रथम काम पूर्ण करणाऱ्या कामाचे धागे अधिक महागड्या कामासाठी वापरण्यासाठी पुन्हा वाटप केले जाऊ शकतात. दुसरा तंत्र वेगवान कार्यास पूर्ण होण्याच्या मंद कार्यास सतर्क करण्यास परवानगी देतो, दुसर्या कार्याची लवकर समाप्ती (ईटी) लागू करते आणि पुढील पुनरावृत्तीमध्ये फॅक्टरायझेशन प्रक्रियेचा सुरळीत संक्रमण करते. या दोन यंत्रणा मूलभूत रेषेच्या बीजगणित उपप्रक्रमांच्या नवीन लवचिक धागा-स्तरीय अंमलबजावणीद्वारे उदाहरणार्थ आहेत आणि त्यांचे फायदे आंशिक पिव्हेटिंगसह लुक-आगाऊ वर्धित असलेल्या एलयू फॅक्टरायझेशनच्या अंमलबजावणीद्वारे स्पष्ट केले गेले आहेत. 12 कोर असलेल्या इंटेल-क्सिऑन सिस्टमवर आमचे प्रायोगिक परिणाम WS+ET एकत्रित करण्याचे फायदे दर्शवतात, टास्क-समानांतर रनटाइम-आधारित सोल्यूशनच्या तुलनेत स्पर्धात्मक कामगिरीची नोंद करतात. |
7157dda72073ff66cc2de6ec5db056a3e8b326d7 | 25 26 27 28 29 30 31 32 33 34 35 36 लेख इतिहास: प्राप्त 13 फेब्रुवारी 2012 सुधारित स्वरूपात प्राप्त 18 मार्च 2013 स्वीकारले 4 एप्रिल 2013 ऑनलाईन उपलब्ध xxxx |
66903e95f84767a31beef430b2367492ac9cc750 | न्यूझीलंडमधील १,००० पेक्षा जास्त मुलांच्या जन्माच्या वेळी झालेल्या लैंगिक शोषणाच्या प्रभावाचे, संबंधांचे आणि परिणामांचे वर्णन करणाऱ्या लेखांच्या मालिकेतील हा दुसरा लेख आहे. या लेखात १८ व्या वर्षी सीएसए आणि १८ व्या वर्षी डीएसएम-४ निदान वर्गीकरणाच्या अहवालांमधील संबंधांची तपासणी केली आहे. पद्धत न्यूझीलंडमधील मुलांच्या जन्माच्या वेळी जन्मापासून ते 16 वर्षांच्या वयापर्यंत दरवर्षी अभ्यास केला गेला. वयाच्या 18 व्या वर्षी 16 व्या वर्षापूर्वीच्या सीएसए आणि एकाच वेळी मोजलेल्या मानसिक लक्षणांचे मागील अहवाल प्राप्त झाले. परिणाम ज्यांनी सीएसएची नोंद केली त्यांच्यामध्ये सीएसएची नोंद न करणाऱ्यांपेक्षा मोठ्या प्रमाणात नैराश्य, चिंता विकार, आचरण विकार, पदार्थांचा वापर विकार आणि आत्महत्या करण्याच्या प्रवृत्तीचे प्रमाण जास्त होते (p < . 002). CSA आणि विकाराचा धोका यांच्यात सुसंगत संबंध होते, ज्यात CSA समागमाने संबंधित विकाराचा धोका सर्वाधिक होता. जेव्हा शोध संभाव्यपणे मोजलेल्या बालपणातील कुटुंब आणि संबंधित घटकांसाठी समायोजित केले गेले तेव्हा हे परिणाम कायम राहिले. CSA आणि नॉन- समवर्तीपणे मोजलेल्या विकारांमधील समान परंतु कमी स्पष्ट संबंध आढळले. निष्कर्ष निष्कर्ष असे सूचित करतात की सीएसए आणि विशेषतः गंभीर सीएसए, तरुण प्रौढांमध्ये मानसिक विकाराचा धोका वाढल्याने संबंधित होते, जरी संभाव्यपणे मोजलेल्या संभ्रम करणारे घटक योग्य प्रमाणात दिले गेले असले तरीही. |
8df383aae16ce1003d57184d8e4bf729f265ab40 | नवीन मायक्रोस्ट्रिप-लाइन-फेड वाइडबँड सर्कुलरली पोलराइज्ड (सीपी) रिंग-रिंग स्लॉट अँटेना (एआरएसए) ची रचना प्रस्तावित आहे. सध्याच्या रिंग स्लॉट अँटेनाच्या तुलनेत, येथे डिझाइन केलेल्या एआरएसएमध्ये सीपी बँडविड्थ जास्त आहे. प्रस्तावित डिझाइनच्या मुख्य वैशिष्ट्यांमध्ये एक विस्तृत रिंग स्लॉट, एक जोडी टोपी-आकाराच्या पॅचची जोडणी आणि विकृत वक्र फीडिंग मायक्रोस्ट्रिप लाइन समाविष्ट आहे. एल आणि एस बँडमध्ये एफआर 4 सब्सट्रेटचा वापर करून डिझाइन केलेल्या एआरएसएमध्ये 3-डीबी अक्षीय-अनुपात बँडविड्थ (एआरबीडब्ल्यू) अनुक्रमे 46% आणि 56% इतकी मोठी आहे, तर एल बँडमध्ये आरटी 5880 सब्सट्रेट वापरणारी एक 65% आहे. या 3-डीबी अक्षीय-अनुपात बँडमध्ये, व्हीएसडब्ल्यूआर ≤ 2 सह प्रतिरोध जुळवणी देखील प्राप्त होते. |
95e873c3f64a9bd8346f5b5da2e4f14774536834 | एक सब्सट्रेट इंटिग्रेटेड वेव्हगाइड (SIW) एच-प्लेन सेक्टरल हॉर्न अँटेना, ज्यामध्ये बँडविड्थमध्ये लक्षणीय सुधारणा झाली आहे. एकाधिक लेयर सब्सट्रेटच्या आत साइड फ्लेअर केलेल्या भिंतीवर वायसची सोपी व्यवस्था असलेली एक कॉनफ्रेड रिज, ऑपरेशनल बँडविड्थ वाढविण्यासाठी समाविष्ट केली जाते. अँटेनाच्या संरचनेसाठी प्रसारित होणारी लाट प्रदान करण्यासाठी एक साधी फीड कॉन्फिगरेशन सुचविली जाते. प्रस्तावित अँटेनाचे अनुकरण दोन सुप्रसिद्ध फुल वेव्ह पॅकेजेस, एनसॉफ्ट एचएफएसएस आणि सीएसटी मायक्रोवेव्ह स्टुडिओ यांनी केले आहे. अनुकरण परिणामांमध्ये जवळचा सहमती आहे. डिझाइन केलेले अँटेना 18-40 जीएचझेडच्या संपूर्ण वारंवारता श्रेणीसाठी चांगले विकिरण वैशिष्ट्ये आणि कमी व्हीएसडब्ल्यूआर दर्शविते, जे 2.5 पेक्षा कमी आहे. |
12a376e621d690f3e94bce14cd03c2798a626a38 | या पेपरमध्ये व्हिज्युअल ऑब्जेक्ट डिटेक्शनसाठी मशीन लर्निंग पद्धतीचे वर्णन केले आहे जे प्रतिमा अत्यंत वेगाने प्रक्रिया करण्यास आणि उच्च शोध दर प्राप्त करण्यास सक्षम आहे. या कामामध्ये तीन प्रमुख योगदान आहेत. पहिला म्हणजे इंटिग्रल इमेज नावाच्या नवीन प्रतिमेचे प्रतिनिधित्व ज्यामुळे आपल्या डिटेक्टरद्वारे वापरल्या जाणाऱ्या वैशिष्ट्यांची गणना अतिशय जलदगतीने केली जाऊ शकते. दुसरा एक शिकणारा अल्गोरिदम आहे, जो AdaBoost वर आधारित आहे, जो मोठ्या संचामधून कमी प्रमाणात गंभीर व्हिज्युअल वैशिष्ट्ये निवडतो आणि अत्यंत कार्यक्षम वर्गीकरणकर्ते मिळवितो. तिसरा योगदान म्हणजे वाढत्या जटिल वर्गीकरणाला कॅस्केड मध्ये एकत्रित करण्याची एक पद्धत आहे जी प्रतिमेच्या पार्श्वभूमीच्या क्षेत्रांना त्वरित फेकून देण्यास परवानगी देते आणि आश्वासक ऑब्जेक्ट-सारख्या क्षेत्रांवर अधिक गणना खर्च करते. कॅस्केडला ऑब्जेक्ट-विशिष्ट फोकस-ऑफ-एटेंशन यंत्रणा म्हणून पाहिले जाऊ शकते जे मागील दृष्टिकोनांपेक्षा सांख्यिकीय हमी देते की फेकलेल्या क्षेत्रांमध्ये स्वारस्य असलेल्या वस्तू असण्याची शक्यता नाही. चेहऱ्याचा शोध घेण्याच्या क्षेत्रात ही प्रणाली मागील सर्वोत्तम प्रणालींच्या तुलनेत शोधण्याचे दर देते. रिअल-टाइम अॅप्लिकेशन्समध्ये वापरला जाणारा हा डिटेक्टर प्रति सेकंद 15 फ्रेम चालवतो. प्रतिमा फरक किंवा त्वचेचा रंग शोधण्याशिवाय. |
51f0e3fe5335e2c3a55e673a6adae646f0ad6e11 | ■ अमूर्त समाजशास्त्रज्ञ अनेकदा सामाजिक प्रक्रियांचे मॉडेलिंग व्हेरिएबल्समधील परस्परसंवादाप्रमाणे करतात. आम्ही एक पर्यायी दृष्टिकोन पुनरावलोकन करतो जे सामाजिक जीवनाचे मॉडेलिंग करते जे अनुकूली एजंट्समधील परस्परसंवादासारखे आहे जे त्यांना प्राप्त झालेल्या प्रभावाच्या प्रतिसादात एकमेकांवर प्रभाव पाडतात. एजंट-आधारित मॉडेल (एबीएम) हे दर्शविते की साध्या आणि अंदाज लावता येण्याजोग्या स्थानिक परस्परसंवादामुळे माहितीचे प्रसार, निकषांचे उदय, अधिवेशनांचे समन्वय किंवा सामूहिक कृतीत सहभाग यासारख्या परिचित परंतु गूढ जागतिक नमुन्यांची निर्मिती कशी केली जाऊ शकते. उदयोन्मुख सामाजिक नमुने देखील अनपेक्षितपणे दिसून येऊ शकतात आणि मग तशाच नाटकीय पद्धतीने बदलू शकतात किंवा अदृश्य होऊ शकतात, जसे क्रांती, बाजारातील कोसळणे, फॅड आणि खाद्य उन्माद यामध्ये घडते. एबीएम सैद्धांतिक उत्तेजन प्रदान करतात जेथे व्याजचे जागतिक नमुने वैयक्तिक गुणधर्मांच्या संचयनापेक्षा अधिक असतात, परंतु त्याच वेळी, रिलेशनल स्तरावर सूक्ष्म पायांचे तळापासून वरच्या डायनॅमिक मॉडेलशिवाय उदयोन्मुख नमुना समजू शकत नाही. संगणकीय समाजशास्त्रातील कारकांपासून अभिनेत्यांपर्यंतच्या बदलांची आम्ही थोडक्यात ऐतिहासिक रेखाटन करून सुरुवात करतो जी एजंट-आधारित मॉडेलिंग संगणकीय अनुकरणातील पूर्वीच्या समाजशास्त्रीय वापरापेक्षा मूलभूतपणे भिन्न आहे हे दर्शवते. त्यानंतर आम्ही स्थानिक परस्परसंवादाच्या बाहेर सामाजिक रचना आणि सामाजिक व्यवस्थेच्या उदयावर लक्ष केंद्रित केलेल्या अलीकडील योगदानाचा आढावा घेतला. या नव्या पद्धतीचा अभ्यास करताना समाजशास्त्र इतर सामाजिक विज्ञानात मागे पडले असले तरी, आम्ही पुनरावलोकन केलेल्या कागदपत्रांमध्ये एक विशिष्ट समाजशास्त्रीय योगदान स्पष्ट आहे. प्रथम, सैद्धांतिक व्याज गतिमान सामाजिक नेटवर्कवर लक्ष केंद्रित करते जे एजंट परस्परसंवादाद्वारे आकार आणि आकार घेतात. दुसरे म्हणजे, एबीएमचा उपयोग आभासी प्रयोग करण्यासाठी केला जातो जे नेटवर्क टोपोलॉजी, सामाजिक स्तरीकरण किंवा अवकाशीय गतिशीलता यासारख्या संरचनात्मक घटकांच्या हाताळणीद्वारे मॅक्रोसोशियोलॉजिकल सिद्धांतांची चाचणी घेतात. या दृष्टिकोनाचे समृद्ध समाजशास्त्रीय संभाव्य साकार करण्यासाठी आम्ही आमच्या पुनरावलोकनाची समाप्ती एका सिरीज शिफारसींसह करतो. |
b73cdb60b2fe9fb317fca4fb9f5e1106e13c2345 | |
aa0c01e553d0a1ab40c204725d13fe528c514bba | मनुष्य आणि रोबोट यांच्यात सुलभ आणि सुरक्षित संवाद साधण्यासाठी दोन्ही भागीदारांना एकमेकांच्या कृतींचा अंदाज घेणे आवश्यक आहे. मानवी हेतू निष्कर्षासाठी एक सामान्य दृष्टीकोन म्हणजे पर्यवेक्षित वर्गीकरणकर्त्यांसह ज्ञात उद्दीष्टांच्या दिशेने विशिष्ट ट्रॅजेक्टरी मॉडेल करणे. तथापि, या पद्धतींमध्ये भविष्यातील संभाव्य हालचालींचा विचार केला जात नाही किंवा ते गतिशील संकेत वापरत नाहीत, जसे की वाचनीय आणि अंदाज लावता येण्याजोगी हालचाल. या पद्धतींचा अडथळा म्हणजे सामान्य मानवी हालचालींचे अचूक मॉडेल नसणे. या कामात, आम्ही एक सशर्त भिन्नता ऑटोएन्कोडर सादर करतो जो भूतकाळातील फ्रेमच्या खिडकीच्या भविष्यातील मानवी हालचालीची भविष्यवाणी करण्यासाठी प्रशिक्षित केला जातो. आरजीबी खोलीच्या प्रतिमांमधून मिळवलेल्या कंकाल डेटाचा वापर करून, आम्ही हे दर्शवितो की हा अनसुपरवेटेड दृष्टीकोन 1660 एमएस पर्यंत ऑनलाइन हालचालीच्या अंदाजसाठी कसा वापरला जाऊ शकतो. याव्यतिरिक्त, आम्ही लक्ष्य-विशिष्ट प्रशिक्षण डेटाचा वापर न करता हालचाली सुरू झाल्यानंतर पहिल्या 300-500 एमएसमध्ये ऑनलाइन लक्ष्य अंदाज दर्शवितो. आपल्या संभाव्य दृष्टिकोनाचा फायदा म्हणजे भविष्यातील संभाव्य हालचालींचे नमुने काढण्याची शक्यता आहे. शेवटी, आपण शिकलेल्या कमी आयामी विविधता वर हालचाली आणि गतिज संकेत कसे दर्शविले जातात याचा शोध घेतो. |
cbbf72d487f5b645d50d7d3d94b264f6a881c96f | या पेपरमध्ये प्रथमच पूर्णतः चिपवर एकात्मिक ऊर्जा हार्वेस्टर आणि रेक्टिना 65 एनएम सीएमओएस तंत्रज्ञानात डब्ल्यू-बँडमध्ये सादर केले गेले आहेत. डिझाईन एक टप्प्यातील डिकसन व्होल्टेज गुणकवर आधारित आहेत. रेक्टिनामध्ये चिपवर एकात्मिक डायपोल अँटेना आहे ज्यामध्ये सब्सट्रेटच्या खाली रिफ्लेक्टर आहे जेणेकरून दिशात्मकता आणि लक्षात आलेली वाढ वाढेल. ऊर्जा संकलक आणि रेक्टिना 94GHz वर क्रमशः 10% आणि 2% ची उर्जा रूपांतरण कार्यक्षमता प्राप्त करतात. यामध्ये केवळ 0.0945 मिमी2 क्षेत्रफळ आहे. |
30667550901b9420e02c7d61cdf8fa7d5db207af | |
6cdb6ba83bfaca7b2865a53341106a71e1b3d2dd | सोशल मीडिया सर्वत्र पसरत आहे आणि संघटना त्यांच्या उद्दीष्टांची पूर्तता करण्यासाठी वापरत असलेल्या इतर सर्व प्रकारच्या माध्यमांसारखेच व्यवस्थापित करणे आवश्यक आहे. मात्र, सोशल मीडिया हे त्यांच्या सामाजिक नेटवर्कची रचना आणि समतावादी स्वभावामुळे कोणत्याही पारंपारिक किंवा इतर ऑनलाइन माध्यमांपेक्षा मूलतः वेगळे आहे. या फरकासाठी योग्य विश्लेषण आणि त्यानंतरच्या व्यवस्थापनासाठी पूर्व शर्ती म्हणून एक वेगळा मोजमाप दृष्टिकोन आवश्यक आहे. योग्य सोशल मीडिया मेट्रिक्स विकसित करण्यासाठी आणि त्यानंतर योग्य डॅशबोर्ड तयार करण्यासाठी, आम्ही तीन नवीन घटकांपासून बनलेला एक टूल किट प्रदान करतो. प्रथम, आम्ही सैद्धांतिकदृष्ट्या एक समग्र फ्रेमवर्क तयार करतो आणि प्रस्तावित करतो ज्यामध्ये सोशल मीडियाचे मुख्य घटक समाविष्ट आहेत, विपणन, मानसशास्त्र आणि समाजशास्त्राच्या सिद्धांतांवर आधारित. आम्ही या घटकांना - म्हणजेच प्रेरणे, सामग्री, नेटवर्क संरचना, आणि सामाजिक भूमिका आणि परस्परसंवाद - अलीकडील संशोधन अभ्यासाने समर्थन आणि तपशीलवारपणे सुरू ठेवतो. दुसरे, आमच्या सैद्धांतिक चौकटीवर आधारित, साहित्य आढावा, आणि व्यावहारिक अनुभव, आम्ही नऊ मार्गदर्शक तत्त्वे सुचवितो जी योग्य सोशल मीडिया मेट्रिक्स डिझाइन करण्यासाठी आणि एक सुज्ञ सोशल मीडिया डॅशबोर्ड तयार करण्यासाठी मौल्यवान ठरू शकतात. तिसरे, फ्रेमवर्क आणि मार्गदर्शक तत्त्वांवर आधारित आम्ही व्यवस्थापन परिणाम काढतो आणि भविष्यातील संशोधनासाठी कार्यक्रमाची शिफारस करतो. © २०१३ डायरेक्ट मार्केटिंग एज्युकेशनल फाउंडेशन, इंक. एल्सेव्हर इंक. द्वारा प्रकाशित सर्व हक्क राखीव आहेत. |
3c9598a2be80a88fccecde80e6f266af7907d7e7 | |
ab3d0ea202b2641eeb66f1d6a391a43598ba22b9 | यामध्ये मशीनच्या न्यूरल कंट्रोलरच्या अनुकूलन तंत्राचा वापर केला जातो. उद्देश म्हणजे अतिरिक्त पार्श्वभूमी गणनेच्या किंमतीवर समान गुणवत्तेची धोरणे मिळविण्यासाठी अभिनेता-आलोचक अल्गोरिदमला कमी एजंट-पर्यावरण परस्परसंवादाची आवश्यकता असते. अनुभव पुनरावृत्तीच्या भावनेने हे लक्ष्य साध्य करण्याचा आमचा प्रस्ताव आहे. बदलत्या धोरणाच्या सुधारणा दिशेचा अंदाज घेण्याची पद्धत, पूर्वीच्या अनुभवावर आधारित, येथे आवश्यक आहे. आम्ही एक प्रस्ताव मांडतो ज्यामध्ये कमी महत्त्व नमुना वापरला जातो. आम्ही त्या प्रकारच्या अंदाजकारांच्या पूर्वाग्रह सीमा काढतो आणि हे पूर्वाग्रह असंबद्धपणे नाहीसे होते हे सिद्ध करतो. प्रयोगात्मक अभ्यासात आम्ही क्लासिक अॅक्टरक्रिटिकवर आपला दृष्टिकोन लागू करतो आणि शिकण्याच्या गतीमध्ये 20 पट वाढ मिळवतो. |
71e258b1aeea7a0e2b2076a4fddb0679ad2ecf9f | "इंटरनेट ऑफ थिंग्ज" (आयओटी)मुळे उपकरणे आणि सॉफ्टवेअरला अभूतपूर्व प्रमाणात माहिती सामायिक करण्याची संधी मिळते. मात्र, इतक्या मोठ्या प्रमाणात एकमेकांशी जोडलेले जाळे प्रणाली विकासक आणि वापरकर्त्यांसाठी नवीन आव्हाने निर्माण करते. या लेखात, आम्ही आयओटी प्रणालीची एक स्तरित आर्किटेक्चर प्रस्तावित करतो. या मॉडेलचा वापर करून, आम्ही प्रत्येक लेयरच्या आव्हानांची ओळख करून त्यांना मूल्यमापन करण्याचा प्रयत्न करतो. आम्ही सध्याच्या तंत्रज्ञानाबद्दलही चर्चा केली आहे ज्याचा वापर करून हे आर्किटेक्चर सुरक्षित करता येईल. |
61f4f67fc0e73fa3aef8628aae53a4d9b502d381 | माहिती जास्तीत जास्त करणे जीएएन (इन्फोजीएएन) जनरेटरच्या आउटपुटला त्याच्या इनपुटच्या घटकाशी जोडते ज्याला लॅटेंट कोड म्हणतात. आउटपुटला इनपुट घटकाशी जोडण्याची सक्ती करून, आपण आउटपुटच्या काही गुणधर्मांवर नियंत्रण ठेवू शकतो. जीएएनमध्ये भेदभाव करणारा आणि जनरेटरला एकत्रितपणे प्रशिक्षण देताना नॅश समतोल शोधणे अत्यंत कठीण आहे. इन्फोगॅन वापरून प्रतिमा निर्माण करण्यासाठी काही यशस्वी आणि अयशस्वी कॉन्फिगरेशनचा आम्ही शोध घेतला. अर्थ लावता येणारे चल जनरेटिव्ह मॉडेलमध्ये उपयुक्त आहेत. जनरेटिव्ह अॅडव्हर्सियल नेटवर्क (जीएएन) हे जनरेटिव्ह मॉडेल आहेत जे त्यांच्या इनपुटमध्ये लवचिक आहेत. |
41289566ac0176dced2312f813328ad4c0552618 | मोबाईल प्लॅटफॉर्मचा प्रचलन, अँड्रॉइडचा मोठा बाजार हिस्सा आणि अँड्रॉइड मार्केटची खुलापणा यामुळे हे मालवेअर हल्ल्यांचे एक प्रमुख लक्ष्य बनते. एकदा मालवेअरचे नमुना ओळखले गेले की, त्याचा दुर्भावनापूर्ण हेतू आणि अंतर्गत कार्य लवकर उघड करणे महत्वाचे आहे. या लेखात आम्ही DroidScope, एक Android विश्लेषण प्लॅटफॉर्म सादर करतो जे वर्च्युअलायझेशन-आधारित मालवेअर विश्लेषणाची परंपरा कायम ठेवते. सध्याच्या डेस्कटॉप मालवेअर विश्लेषण प्लॅटफॉर्मच्या विपरीत, ड्रॉइडस्कोप एकाच वेळी आणि अखंडपणे ओएस लेव्हल आणि जावा लेव्हल सिमेंटिक्सची पुनर्रचना करते. सानुकूल विश्लेषण सुलभ करण्यासाठी, ड्रॉइडस्कोप तीन स्तरीय एपीआय निर्यात करते जे Android डिव्हाइसच्या तीन स्तरांचे प्रतिबिंबित करतेः हार्डवेअर, ओएस आणि डॅल्विक व्हर्च्युअल मशीन. DroidScope वरून आम्ही अनेक विश्लेषण साधने विकसित केली ज्यामध्ये तपशीलवार नेटिव्ह आणि डॅल्विक इंस्ट्रक्शन ट्रॅक, प्रोफाइल एपीआय-स्तरीय क्रियाकलाप आणि जावा आणि नेटिव्ह दोन्ही घटकांमधून माहिती गळतीचा मागोवा घेण्यासाठी वापरले जाते. हे साधन वास्तविक जगाच्या मालवेअर नमुन्यांचे विश्लेषण करण्यात प्रभावी असल्याचे सिद्ध झाले आहे आणि वाजवीपणे कमी कामगिरीचे ओव्हरहेड आहेत. |
05ca17ffa777f64991a8da04f2fd03880ac51236 | या लेखात आपण असुरक्षिततेच्या चिन्हे तयार करण्याच्या समस्येचा अभ्यास करतो. एखाद्या असुरक्षिततेच्या स्वाक्षरीची जुळणी एका विशिष्ट असुरक्षिततेच्या सर्व शोषणाशी केली जाते, अगदी बहुरूपी किंवा रूपांतरित रूपे देखील. आमचे काम मागील दृष्टिकोनातून वेगळे आहे कारण आम्ही प्रोग्रामच्या सिमेंटिक्सवर आणि शोषणाच्या सिंटॅक्स किंवा सिंटॅक्सऐवजी नमुना शोषणाद्वारे वापरल्या जाणार्या असुरक्षिततेवर लक्ष केंद्रित केले आहे. आम्ही दाखवतो की, एखाद्या कमकुवतपणाच्या सिमेंटिक्समध्ये अशी भाषा असते ज्यामध्ये सर्व आणि फक्त ते इनपुट असतात जे कमकुवतपणाचा फायदा घेतात. असुरक्षितता स्वाक्षरी असुरक्षितता भाषेचे प्रतिनिधित्व (उदाहरणार्थ, नियमित अभिव्यक्ती) आहे. एक्सप्लोइट-आधारित स्वाक्षर्यांच्या विपरीत ज्यांची त्रुटी दर केवळ ज्ञात चाचणी प्रकरणांसाठी अनुभवजन्यपणे मोजली जाऊ शकते, असुरक्षिततेच्या स्वाक्षरीची गुणवत्ता सर्व संभाव्य इनपुटसाठी औपचारिकपणे मोजली जाऊ शकते. आम्ही असुरक्षिततेच्या स्वाक्षरीची औपचारिक व्याख्या प्रदान करतो आणि असुरक्षिततेच्या स्वाक्षरी तयार करणे आणि जुळवण्याच्या संगणकीय गुंतागुंतीची तपासणी करतो. आम्ही व्यवस्थितपणे डिझाईन स्पेसची तपासणी करतो. आम्ही भेद्यता-हस्ताक्षर निर्मितीमध्ये तीन केंद्रीय समस्या ओळखतो: भेद्यता स्वाक्षरी हे इनपुटच्या संचाचे प्रतिनिधित्व कसे करते जे भेद्यता वापरू शकते, भेद्यता कव्हरेज (म्हणजेच, भेद्य प्रोग्राम मार्गांची संख्या) जे स्वाक्षरी निर्मिती दरम्यान आमच्या विश्लेषणाच्या अधीन आहे आणि एखाद्या विशिष्ट प्रतिनिधित्व आणि कव्हरेजसाठी भेद्यता स्वाक्षरी कशी तयार केली जाते. आम्ही नवीन डेटा-प्रवाह विश्लेषण आणि विद्यमान तंत्रज्ञानाचा नवीन अवलंब करण्याचा प्रस्ताव ठेवतो जसे की स्वयंचलितपणे असुरक्षितता स्वाक्षरी व्युत्पन्न करण्यासाठी निर्बंध सोडवणे. आम्ही आमच्या तंत्राची चाचणी घेण्यासाठी एक प्रोटोटाइप प्रणाली तयार केली आहे. आमच्या प्रयोगांमधून हे दिसून आले आहे की आपण एकाच शोषणाने स्वयंचलितपणे असुरक्षितता स्वाक्षरी तयार करू शकतो जी पूर्वीच्या शोषण-आधारित स्वाक्षरींपेक्षा खूपच उच्च दर्जाची आहे. याव्यतिरिक्त, आमच्या तंत्रज्ञानाचे इतर अनेक सुरक्षा अनुप्रयोग आहेत, आणि अशा प्रकारे स्वतंत्र स्वारस्य असू शकते |
6fece3ef2da2c2f13a66407615f2c9a5b3737c88 | या पेपरमध्ये डायनॅमिक कंट्रोलर स्ट्रक्चर आणि डिस्क्रीट-टाइम हायब्रिड सिस्टम्स स्थिर करण्यासाठी एक पद्धतशीर डिझाइन प्रक्रिया प्रस्तावित केली आहे. प्रस्तावित दृष्टिकोन नियंत्रण ल्यपुनोव्ह फंक्शन्स (सीएलएफ) च्या संकल्पनेवर आधारित आहे, जे उपलब्ध असल्यास, स्थिरता-राज्य-प्रतिसाद नियंत्रण कायद्याची रचना करण्यासाठी वापरले जाऊ शकते. सामान्यतः, सतत आणि स्वतंत्र दोन्ही राज्यांमध्ये समाविष्ट असलेल्या संकरित गतिशील प्रणालींसाठी सीएलएफची निर्मिती अत्यंत गुंतागुंतीची असते, विशेषतः गैर-तपशीलशील असमान गतिशीलतेच्या उपस्थितीत. म्हणून, आम्ही एक संकरित नियंत्रण ल्यपुनोव्ह फंक्शनची नवीन संकल्पना सादर करतो, जी सीएलएफच्या स्वतंत्र आणि सतत भागाची रचना रचना करण्यास अनुमती देते आणि आम्ही औपचारिकपणे सिद्ध करतो की संकरित सीएलएफचे अस्तित्व शास्त्रीय सीएलएफचे अस्तित्व हमी देते. एक संकरित CLF संश्लेषण करण्यासाठी एक रचनात्मक प्रक्रिया प्रदान केली आहे, संकरित प्रणालीची गतिशीलता विशिष्ट नियंत्रक गतिशीलतेसह विस्तारित करून. आम्ही हे दाखवतो की या संश्लेषण प्रक्रियेमुळे डायनॅमिक कंट्रोलरची निर्मिती होते जे रिसीडिंग होरिझन कंट्रोल स्ट्रॅटेजीद्वारे अंमलात आणले जाऊ शकते आणि संबंधित ऑप्टिमायझेशन समस्या संख्येने संकरित प्रणालींच्या सामान्य वर्गासाठी व्यवहार्य आहे, वास्तविक जगातील अनुप्रयोगांमध्ये उपयुक्त आहे. क्लासिक हायब्रिड रिसीडिंग होरिझन कंट्रोल अल्गोरिदमच्या तुलनेत, प्रस्तावित दृष्टिकोनासाठी सामान्यतः क्लोज-लूप सिस्टमची असिम्प्टोटिक स्थिरता सुनिश्चित करण्यासाठी कमी अंदाज क्षितिजाची आवश्यकता असते, ज्यामुळे संगणकीय ओझे कमी होते, जसे दोन उदाहरणांद्वारे स्पष्ट केले आहे. |
3b3c153b09495e2f79dd973253f9d2ee763940a5 | मशीन लर्निंग पद्धतींची लागूता उपलब्ध लेबल केलेल्या डेटाच्या प्रमाणात आणि इनपुट डेटा वेक्टरसाठी चांगले अंतर्गत प्रतिनिधित्व आणि चांगले समानता उपाय तयार करण्यासाठी डिसीग्नरची क्षमता (किंवा अक्षमतेने) मर्यादित असते. या प्रबंधाचा उद्देश या दोन मर्यादा कमी करणे आहे. यामध्ये आंतरिक प्रतिनिधित्व आणि अपरिवर्तनीय वैशिष्ट्य श्रेणीक्रम यांचा वापर करून लेबल केलेल्या डेटामधून शिकण्यासाठी अल्गोरिदम प्रस्तावित केले आहेत. या पद्धती पारंपारिक देखरेख केलेल्या शिक्षण अल्गोरिदमच्या पलीकडे जातात आणि देखरेख नसलेल्या आणि अर्ध-नियंत्रित शिक्षणावर अवलंबून असतात. या कामामध्ये विशेषकरून दीप लर्निंग पद्धतीवर लक्ष केंद्रित केले आहे. पदानुक्रमित मॉडेल वैशिष्ट्य पदानुक्रम तयार करतात जे निरीक्षण केलेल्या डेटा व्हेरिएबल्समधील जटिल नॉन-रेखीय अवलंबन संक्षिप्त आणि कार्यक्षम पद्धतीने कॅप्चर करू शकतात. प्रशिक्षणानंतर, हे मोड रिअल-टाइम सिस्टीममध्ये वापरले जाऊ शकतात कारण ते नॉन-लाइनर ट्रान्सफॉर्मेशनच्या अनुक्रमाद्वारे इनपुटच्या अतिशय वेगवान फॉरवर्ड प्रमोशनद्वारे प्रतिनिधित्व करतात. जेव्हा लेबल केलेले डेटा कमी असतात तेव्हा पारंपारिक पर्यवेक्षकीय अल्गोरिदमचा वापर करण्याची परवानगी नसते, तेव्हा श्रेणीबद्धतेच्या प्रत्येक थराला अनुक्रमे प्रशिक्षण दिले जाऊ शकते. एकदा प्रत्येक थर प्रशिक्षित झाल्यावर, संपूर्ण प्रणालीला अंत-टू-एंड फॅशनमध्ये बारीक-ट्यून केले जाऊ शकते. आम्ही अनेक अपरिचित अल्गोरिदम प्रस्तावित करतो जे अशा वैशिष्ट्य श्रेणीबद्धता प्रशिक्षित करण्यासाठी बिल्डिंग ब्लॉक म्हणून वापरले जाऊ शकतात. आम्ही अशा अल्गोरिदमची तपासणी करतो जे विरळ अतिपूर्ण प्रतिनिधित्व आणि काही प्रकार तयार करतात जे ज्ञात आणि शिकलेल्या रूपांतरणांमध्ये अपरिवर्तनीय असतात. या अल्गोरिदमची रचना एनर्जी- |
447ce2aecdf742cf96137f8bf7355a7404489178 | या पत्रात, मिलिमीटर वेव्ह (एमएमडब्ल्यू) साठी नवीन प्रकारच्या ब्रॉडबँड सब्सट्रेट इंटिग्रेटेड वेव्हगाइड (एसआयडब्ल्यू) पोकळी-समर्थित पॅच अँटेना आणि अॅरेची तपासणी आणि अंमलबजावणी केली जाते. प्रस्तावित अँटेना एक आयताकृती पॅच आहे ज्यामध्ये एक एसआयडब्ल्यू पोकळी आहे. बँडविड्थ आणि रेडिएशन कार्यक्षमता वाढविण्यासाठी, गुहा त्याच्या टीई 210 मोडमध्ये प्रतिध्वनी करण्यासाठी डिझाइन केली गेली आहे. प्रस्तावित अँटेनाच्या आधारे, 4 × 4 अॅरे देखील डिझाइन केले आहे. प्रस्तावित अँटेना आणि अॅरे दोन्ही मानक प्रिंटेड सर्किट बोर्ड (पीसीबी) प्रक्रियेद्वारे तयार केले गेले आहेत, ज्यामध्ये सपाट सर्किटसह सुलभ एकत्रीकरणाचा फायदा आहे. मापाच्या बँडविड्थ (gadS11gad ≤ -10 डीबी) ची अॅन्टेना घटक 15% पेक्षा जास्त आहे, आणि अॅन्टेना अॅरेची सुमारे 8.7% आहे. मापन केलेले पीक गॅन्स घटक साठी 6.5 dBi आणि अॅरे साठी 17.8 dBi आहेत, आणि संबंधित अनुकरण केलेले किरणे कार्यक्षमता अनुक्रमे 83.9% आणि 74.9% आहेत. प्रस्तावित अँटेना आणि अॅरे हे मिलिमीटर वेव्ह अनुप्रयोगांसाठी आशादायक आहेत कारण त्याचे फायदे म्हणजे विस्तृत बँड, उच्च कार्यक्षमता, कमी किंमत, कमी प्रोफाइल इ. |
429d0dd7192450e2a52a8ae7f658a5d99222946e | कॉम्पॅक्ट, कमी किमतीची आणि उच्च रेडिएशन कार्यक्षमतेची अँटेना रचना, प्लॅनर वेव्हगाइड, सब्सट्रेट इंटिग्रेटेड वेव्हगाइड (SIW), डायलेक्ट्रिक रेझोनॅटर अँटेना (DRA) या लेखात सादर केले आहेत. एसआयडब्ल्यू हा उच्च क्यू वेव्हगाइड आहे आणि डीआरए हा कमी नुकसान रेडिएटर आहे, तर एसआयडब्ल्यू-डीआरए एक उत्कृष्ट अँटेना सिस्टम बनवते ज्यामध्ये मिलीमीटर वेव्ह बँडमध्ये उच्च विकिरण कार्यक्षमता असते, जिथे कंडक्टर नुकसान वर्चस्व आहे. अँटेनाच्या कामगिरीवर वेगवेगळ्या अँटेना पॅरामीटर्सचा परिणाम अभ्यास केला जातो. दोन वेगवेगळ्या स्लॉट ऑरिअंटिशनवर आधारित, मिलिमीटर-वेव्ह बँडवर एसआयडब्ल्यू-डीआरएसाठी प्रयोगात्मक डेटा सादर केला जातो आणि आमच्या प्रस्तावित अँटेना मॉडेलची पडताळणी करण्यासाठी सिम्युलेटेड एचएफएसएस परिणामांशी तुलना केली जाते. एक चांगला करार प्राप्त होतो. एसआयडब्ल्यू-डीआरए सिंगल एलिमेंटसाठी मोजलेल्या गॅनिंगने 5.51 डीबी, -19 डीबी कमाल क्रॉस-पोलराइज्ड रेडिएशन लेव्हल आणि एकूणच गणना (एचएफएसएस वापरून अनुकरण केलेले) 95% पेक्षा जास्त रेडिएशन कार्यक्षमता दर्शविली. |
0cb2e8605a7b5ddb5f3006f71d19cb9da960db98 | आधुनिक खोल न्यूरल नेटवर्कमध्ये मोठ्या संख्येने मापदंड असतात, ज्यामुळे त्यांना प्रशिक्षित करणे फार कठीण होते. आम्ही डीएसडी, एक घन-विरल-घन प्रशिक्षण प्रवाह, डीप न्यूरल नेटवर्क नियमित करण्यासाठी आणि चांगल्या ऑप्टिमायझेशन कामगिरीसाठी प्रस्तावित करतो. पहिल्या डी (डेन्से) टप्प्यात, आम्ही घन नेटवर्कला शिकवतो कनेक्शनचे वजन आणि महत्त्व. एस (स्पार्स) टप्प्यात, आम्ही लहान वजनासह महत्व नसलेल्या कनेक्शनचे कापून काढून आणि स्परसिटी निर्बंधामुळे नेटवर्कचे पुन्हा प्रशिक्षण देऊन नेटवर्क नियमित करतो. अंतिम डी (री-डेन्से) टप्प्यात, आम्ही स्परसिटी प्रतिबंध काढून मॉडेलची क्षमता वाढवतो, शून्य पासून कटाक्ष केलेले मापदंड पुन्हा सुरू करतो आणि संपूर्ण घन नेटवर्क पुन्हा प्रशिक्षित करतो. प्रयोगांमधून असे दिसून आले आहे की डीएसडी प्रशिक्षण सीएनएन, आरएनएन आणि एलएसटीएमच्या विस्तृत श्रेणीसाठी प्रतिमा वर्गीकरण, कॅप्शन निर्मिती आणि भाषण ओळखण्याच्या कार्यांवर कामगिरी सुधारू शकते. इमेजनेटवर, डीएसडीने अनुक्रमे गुगलनेटची टॉप 1 अचूकता 1.1%, व्हीजीजी -16 4.3%, रेसनेट -18 1.2% आणि रेसनेट -50 1.1% ने सुधारली. डब्ल्यूएसजे९३ डेटासेटवर डीएसडीने डीपस्पीच आणि डीपस्पीच२ डब्ल्यूईआरमध्ये अनुक्रमे २.०% आणि १.१% सुधारणा केली. फ्लिकर-8K डेटासेटवर, डीएसडीने न्यूरलटाक ब्ल्यू स्कोअरमध्ये 1.7 पेक्षा जास्त सुधारणा केली. डीएसडीचा वापर सराव मध्ये करणे सोपे आहे: प्रशिक्षण वेळेत, डीएसडीमध्ये फक्त एक अतिरिक्त हायपर-पॅरामीटर आहेः एस चरणातील स्परसिटी रेशो. चाचणीच्या वेळी, डीएसडी नेटवर्क आर्किटेक्चर बदलत नाही किंवा कोणत्याही अनुमान ओव्हरहेडला सामोरे जात नाही. डीएसडी प्रयोगांच्या सुसंगत आणि लक्षणीय कार्यक्षमतेत वाढ ही सर्वोत्तम स्थानिक इष्टतम शोधण्यासाठी सध्याच्या प्रशिक्षण पद्धतींची अपुरी क्षमता दर्शवते, तर डीएसडी प्रभावीपणे एक चांगले समाधान शोधण्यासाठी उत्कृष्ट ऑप्टिमायझेशन कार्यक्षमता प्राप्त करते. डीएसडी मॉडेल https://songhan.github.io/DSD वर डाउनलोड करण्यासाठी उपलब्ध आहेत. |
6fd329a1e7f513745e5fc462f146aa80c6090a1d | पोर्टेबल सेन्सर वापरून प्राप्त केलेल्या रेकॉर्डिंगमध्ये अवैध डेटाची ओळख करणे विशेष महत्त्व आहे कारण मोबाइल रुग्णांपासून प्राप्त केलेले डेटा, सामान्यतः नॉनमोबिल रुग्णांपासून प्राप्त केलेल्या डेटापेक्षा जास्त आवाज आहे. या पेपरमध्ये, आम्ही सिग्नल क्वालिटी इंडेक्स (एसक्यूआय) सादर करतो, ज्याचा हेतू आहे की वेअरेबल सेन्सरचा वापर करून इलेक्ट्रोकार्डियोग्राम (ईसीजी) आणि फोटोप्लेटिसमोग्राम (पीपीजी) सिग्नलमधून विश्वसनीय हृदय गती (एचआर) मिळवता येते की नाही. या अल्गोरिदमची वैधता हाताने लेबल केलेल्या डेटावर केली गेली. ईसीजीसाठी 94% आणि 97% आणि पीपीजीसाठी 91% आणि 95% ची संवेदनशीलता आणि विशिष्टता प्राप्त झाली. याव्यतिरिक्त, आम्ही एसक्यूआयचे दोन अनुप्रयोग प्रस्तावित करतो. प्रथम, आम्ही हे दाखवतो की, एसक्यूआयचा वापर करून ऊर्जा-बचत धोरणासाठी ट्रिगर म्हणून, ईसीजीसाठी 94% पर्यंत आणि पीपीजीसाठी 93% पर्यंत रेकॉर्डिंग वेळ कमी करणे शक्य आहे. दुसरे म्हणजे, पीपीजीमधून श्वसन गती (आरआर) च्या अंदाजातील त्रुटी कमी करण्यासाठी एसक्यूआय कसा वापरला जाऊ शकतो हे आम्ही दर्शवितो. या दोन्ही अनुप्रयोगांच्या कार्यक्षमतेचे मूल्यांकन रुग्णालयातील रुग्णांवर केलेल्या क्लिनिकल अभ्यासातून गोळा केलेल्या डेटावर केले गेले होते जे स्वतः चालत होते. |
ef8070a37fb6f0959acfcee9d40f0b3cb912ba9f | गेल्या तीन दशकांमध्ये माहिती प्रणाली (आयएस) संशोधनात पद्धतीचा बहुलवाद विकसित झाला आहे. या चर्चेमध्ये विविध विषय आणि अनेक संशोधन समुदायांचे योगदान आहे. तथापि, समान संशोधन विषयावर काम करणे किंवा समान घटनांचा अभ्यास करणे आवश्यक आहे हे परस्पर समजून घेणे आवश्यक नाही. या बहुविषयक आणि आंतरराष्ट्रीय संदर्भात, वेगवेगळ्या संशोधकांनी केलेल्या ज्ञानशास्त्रीय गृहीतकामध्ये मूलभूत फरक असू शकतो. या गृहीतकांचा संशोधनाची वैधता, विश्वासार्हता, गुणवत्ता आणि कठोरता या संकल्पना कशा समजल्या जातात यावर मोठा परिणाम होतो. अशा प्रकारे, ज्ञानशास्त्रीय गृहीतकांचे व्यापक प्रकाशन, प्रत्यक्षात, जवळजवळ अनिवार्य आहे. म्हणूनच, या पेपरचा उद्देश एक ज्ञानशास्त्रीय फ्रेमवर्क विकसित करणे आहे जो आयएस संशोधनात ज्ञानशास्त्रीय गृहीतकांचे पद्धतशीरपणे विश्लेषण करण्यासाठी वापरला जाऊ शकतो. आयएस संशोधन पॅराडाइम ओळखण्याचा आणि वर्गीकरण करण्याचा प्रयत्न करण्याऐवजी, या संशोधनाचा उद्देश आयएसच्या संदर्भात ज्ञानशास्त्राची व्यापक चर्चा करणे आहे. या अभ्यासात विविध आयएस पद्धती आणि पद्धतींमधील समानता तसेच फरक ओळखण्यासाठी आधार तयार करण्यात मदत केली जाईल. ज्ञानशास्त्रीय चौकटीचे प्रदर्शन करण्यासाठी, संकल्पनात्मक मॉडेलिंगसाठी एकमत-उन्मुख व्याख्यावादी दृष्टिकोन उदाहरण म्हणून वापरला जातो. |
25e989b45de04c6086364b376d29ec11008360a3 | मानव त्यांच्या विकासाच्या सुरुवातीच्या काळात त्यांच्या सर्वात मूलभूत भौतिक संकल्पना प्राप्त करतात आणि संपूर्ण जीवनात त्यांच्या अंतर्ज्ञानी भौतिकशास्त्राची समृद्धी आणि विस्तार करत राहतात कारण ते अधिक आणि विविध गतिशील वातावरणात उघड होतात. आम्ही एक श्रेणीबद्ध बेझियन फ्रेमवर्क सादर करतो जेणेकरून लोकांना अनेक स्तरांवर भौतिक मापदंड कसे शिकता येतील हे समजेल. यापूर्वीच्या सिद्धांत प्राप्तीच्या बेयसियन मॉडेलच्या (टेनबॉम, केम्प, ग्रिफिथ्स आणि गुडमन, २०११) विपरीत, आम्ही अधिक अभिव्यक्तीवादी संभाव्य प्रोग्रामिंग प्रतिनिधित्व सह कार्य करतो जे वेळोवेळी घडणार्या गतिमान दृश्यांमध्ये वस्तू कशा प्रकारे संवाद साधतात हे नियंत्रित करणारे शक्ती आणि गुणधर्म शिकण्यासाठी योग्य आहेत. आम्ही आमच्या मॉडेलची तुलना मानवी शिक्षकांशी करतो. जे लघुपट दाखवल्याने नव्या सूक्ष्म जगामध्ये अनेक भौतिक मापदंडांचा अंदाज लावतात. या कामासाठी लोकांना एकाच वेळी अनेक भौतिक नियम आणि गुणधर्मांबद्दल विचार करायला हवा. लोक साधारणपणे अशा वातावरणात शिकू शकतात आणि त्यांच्या निर्णयामध्ये सुसंगत असतात. पण ते पद्धतशीर त्रुटी देखील करतात ज्यामुळे लोक या संगणकीयदृष्ट्या मर्यादित संगणकीय संसाधनांसह ही संगणकीयदृष्ट्या मागणी करणारी समस्या सोडविण्यास सक्षम आहेत. आम्ही दोन अंदाजे प्रस्तावित करतो जे वरून खाली बेयसीयन दृष्टिकोन पूर्ण करतात. एक अंदाजे मॉडेल अधिक तळापासून वर वैशिष्ट्य-आधारित अनुमान योजनेवर अवलंबून आहे. दुसरा अंदाजाचा वापर शारीरिक-पॅरामीटर स्पेसमध्ये शोध घेण्यासाठी वैशिष्ट्य-आधारित अनुमान म्हणून घेऊन, तळापासून वर आणि वरच्या-खाली दृष्टिकोनाची ताकद एकत्र करते. |
6f0144dc7ba19123ddce8cdd4ad0f6dc36dd4ef2 | आंतरराष्ट्रीय मार्गदर्शक सूचनांनुसार, लैंगिक डिसफोरिया (जीडी) असलेल्या किशोरवयीन मुलांमध्ये पौगंडावस्थेला आळा घालण्यासाठी गोनाडोट्रोपिन- रिलीझिंग हार्मोन (जीएनआरएच) अॅगोनिस्ट्सचा वापर करण्याची शिफारस केली जाते. लैंगिक डिसफोरिक किशोरवयीन स्वतः या लवकर वैद्यकीय हस्तक्षेप बद्दल कसे विचार करतात याबद्दल थोडेसे ज्ञात आहे. या अभ्यासाचा उद्देश हा होता की (1) नेदरलँड्समधील लिंग डिसफोरिक किशोरवयीन मुलांच्या किशोरावस्थेच्या दडपशाहीच्या वापरासंदर्भात विचार स्पष्ट करणे; (2) लैंगिक डिसफोरिक किशोरवयीन मुलांचे विचार उपचार कार्यसंघांमध्ये काम करणाऱ्या व्यावसायिकांपेक्षा वेगळे आहेत का आणि जर तसे असेल तर कोणत्या अर्थाने. लैंगिक विषमता असलेल्या किशोरवयीन मुलांच्या लवकर उपचाराबाबत विचार करण्याच्या हेतूने हा एक गुणात्मक अभ्यास होता. एका वगळता सर्व 13 किशोरवयीन मुलांवर पौगंडावस्थेच्या दडपशाहीचा उपचार करण्यात आला; पाच किशोरवयीन मुली ट्रान्स आणि आठ मुले ट्रान्स होत्या. त्यांचे वय 13 ते 18 वर्षांच्या दरम्यान होते, सरासरी वय 16 वर्षे आणि 11 महिने होते आणि सरासरी वय 17 वर्षे आणि 4 महिने होते. त्यानंतर, किशोरवयीन मुलांच्या विचारांची तुलना जीडी असलेल्या तरुणांवर उपचार करणाऱ्या क्लिनिकच्या मताशी केली गेली. लिंग डिसफोरिक किशोरवयीन मुलाखतींमधून तीन थीम समोर आल्याः (1) पौगंडावस्थेच्या दडपशाहीसाठी योग्य वयाची मर्यादा काय आहे हे ठरविण्याची अडचण. बहुतेक किशोरवयीन मुलांसाठी योग्य वयोमर्यादा निश्चित करणे कठीण होते आणि ते एक दुविधा म्हणून पाहिले; बहुतेक किशोरवयीन मुलांनी सांगितले की दीर्घकालीन डेटाचा अभाव त्यांना पौगंडावस्थेच्या दडपशाहीपासून रोखू शकत नाही आणि रोखणार नाही; (3) सामाजिक संदर्भातील भूमिका, ज्यासाठी दोन उप-विषय होतेः (अ) प्रसारमाध्यमांचे वाढलेले लक्ष, दूरदर्शन आणि इंटरनेटवर; (ब) एक लादलेला रूढी. काही किशोरवयीन मुलांनी सामाजिक परिस्थितीच्या भूमिकेबद्दल सकारात्मक विचार केला, परंतु इतरांनी त्याबद्दल शंका व्यक्त केली. क्लिनिकमधील डॉक्टरांच्या तुलनेत, किशोरवयीन मुले त्यांच्या उपचारांच्या दृश्यांमध्ये अधिक सावध होते. जीडीमध्ये पौगंडावस्थेतील दडपशाहीच्या वापरावर चर्चा करताना लिंग डिसफोरिक किशोरवयीन मुलांना आवाज देणे महत्वाचे आहे. अन्यथा, व्यावसायिक त्यांच्या वास्तविक विचारांच्या ऐवजी किशोरवयीन लोकांच्या मतांच्या आधारावर कारवाई करू शकतात. आम्ही इतर देशांमधील लैंगिक विषमतेच्या किशोरवयीन मुलांकडून अधिक गुणात्मक संशोधन डेटा गोळा करण्यास प्रोत्साहित करतो. |
446573a346acdbd2eb8f0527c5d73fc707f04527 | |
6e6f47c4b2109e7824cd475336c3676faf9b113e | आम्ही असे मानतो की दृश्य वर्णन भाषा संगणक दृष्टी संशोधकांना जगाबद्दल माहिती आणि लोक जगाचे वर्णन कसे करतात याबद्दल माहिती दोन्ही देते. या स्त्रोताचा संभाव्य लाभ आज सहज उपलब्ध असलेल्या भाषेच्या डेटाच्या प्रचंड प्रमाणात अधिक महत्त्वपूर्ण बनला आहे. आम्ही एक प्रणाली सादर करतो जी प्रतिमांमधून नैसर्गिक भाषेचे वर्णन स्वयंचलितपणे व्युत्पन्न करते जी मोठ्या प्रमाणात मजकूर डेटा आणि संगणक दृष्टीच्या ओळख अल्गोरिदमच्या विश्लेषणाद्वारे एकत्रित केलेली आकडेवारी दोन्ही वापरते. प्रतिमांसाठी संबंधित वाक्ये तयार करण्यात ही प्रणाली खूप प्रभावी आहे. यामध्ये पूर्वीच्या कामापेक्षा विशिष्ट प्रतिमेच्या सामग्रीशी अधिक प्रामाणिक वर्णन तयार केले जाते. |
9a0fff9611832cd78a82a32f47b8ca917fbd4077 | |
9e5a13f3bc2580fd16bab15e31dc632148021f5d | या पेपरमध्ये कमी प्रोफाइल सब्सट्रेट इंटिग्रेटेड वेव्हगाइड (SIW) कॅव्हिटी-बॅक्ड स्लॉट अँटेनाची बँडविड्थ वर्धित पद्धत सादर केली आहे. बँडविड्थ वाढीसाठी एसआयडब्ल्यू समर्थित गुहामध्ये दोन संकरित रीती एकाच वेळी उत्तेजित केल्या जातात आणि आवश्यक वारंवारता श्रेणीमध्ये एकत्रित केल्या जातात. या दोन संकरित रीती, ज्यांचे प्रमुख क्षेत्र एसआयडब्ल्यू पोकळीच्या वेगवेगळ्या अर्ध्या भागांमध्ये आहेत, ते दोन भिन्न संयोजन आहेत. या रचना पद्धतीला प्रयोगांद्वारे मान्यता देण्यात आली आहे. यापूर्वी सादर केलेल्या एसआयडब्ल्यू गुहा-समर्थित स्लॉट अँटेनाच्या तुलनेत प्रस्तावित अँटेनाची फ्रॅक्शनल इम्पॅडन्स बँडविड्थ 1.4% वरून 6.3% पर्यंत वाढविण्यात आली आहे, त्याची वाढ आणि किरणेची कार्यक्षमता देखील किंचित सुधारली आहे 6.0 डीबीआय आणि 90% पर्यंत आणि त्याची एसआयडब्ल्यू गुहा आकार सुमारे 30% कमी केला आहे. प्रस्तावित अँटेनामध्ये कमी क्रॉस पोलरायझेशन पातळी आणि उच्च फ्रंट टू बॅक रेशो आहे. यामध्ये अजूनही कमी प्रोफाइल, कमी उत्पादन खर्च आणि सपाट सर्किटसह सुलभ एकत्रीकरण यांचे फायदे आहेत. |
4c68e7eff1da14003cc7efbfbd9a0a0a3d5d4968 | अंमलबजावणीचे विज्ञान, अंमलबजावणी कशी आणि का यशस्वी होते किंवा अपयशी होते याचे अधिक चांगले समजून घेण्यासाठी आणि स्पष्टीकरण देण्यासाठी सैद्धांतिक दृष्टिकोनांचा वापर वाढवण्याच्या दिशेने प्रगती केली आहे. या लेखाचा उद्देश अंमलबजावणी विज्ञानातील सिद्धांत, मॉडेल आणि फ्रेमवर्कच्या वेगवेगळ्या श्रेणींमध्ये फरक करणारा वर्गीकरण प्रस्तावित करणे, अंमलबजावणी संशोधन आणि सरावातील संबंधित दृष्टिकोनांची योग्य निवड आणि अनुप्रयोग सुलभ करणे आणि अंमलबजावणी संशोधकांमधील आंतर-शास्त्रीय संवाद वाढविणे हा आहे. अंमलबजावणी विज्ञानात वापरल्या जाणाऱ्या सैद्धांतिक दृष्टिकोनाचे तीन मुख्य उद्दिष्टे आहेतः संशोधनाचे सराव (प्रक्रिया मॉडेल) मध्ये भाषांतर करण्याची प्रक्रिया वर्णन करणे आणि / किंवा मार्गदर्शन करणे; अंमलबजावणीच्या परिणामांवर काय प्रभाव पडतो हे समजून घेणे आणि / किंवा स्पष्ट करणे (निर्धारक फ्रेमवर्क, क्लासिक सिद्धांत, अंमलबजावणी सिद्धांत); आणि अंमलबजावणीचे मूल्यांकन करणे (मूल्यांकन फ्रेमवर्क). या लेखात तीन मुख्य उद्दीष्टे साध्य करण्यासाठी सैद्धांतिक दृष्टिकोनाच्या पाच श्रेणी प्रस्तावित केल्या आहेत. या श्रेणी नेहमी साहित्य मध्ये दृष्टिकोन स्वतंत्र प्रकार म्हणून ओळखले जात नाहीत. काही सिद्धांत, मॉडेल आणि फ्रेमवर्कमध्ये आच्छादन असले तरी, संबंधित दृष्टिकोनांची निवड सुलभ करण्यासाठी फरक जागरूकता महत्वाची आहे. बहुतेक निर्धारक चौकटी अंमलबजावणीच्या प्रयत्नांना "कसे करावे" यासाठी मर्यादित समर्थन प्रदान करतात कारण निर्धारक सहसा अंमलबजावणी प्रक्रियेचे मार्गदर्शन करण्यासाठी पुरेसे तपशील प्रदान करण्यासाठी खूप सामान्य असतात. आणि संशोधन प्रत्यक्षात आणण्यासाठी अडथळे आणि सक्षम करणाऱ्यांना संबोधित करण्याच्या प्रासंगिकतेचा उल्लेख अनेक प्रक्रिया मॉडेलमध्ये केला जातो, परंतु हे मॉडेल अंमलबजावणीच्या यशाशी संबंधित विशिष्ट निर्धारकांना ओळखत नाहीत किंवा पद्धतशीरपणे रचना देत नाहीत. याव्यतिरिक्त, प्रक्रिया मॉडेल अंमलबजावणीच्या प्रयत्नांची एक काळाची अनुक्रम ओळखतात, तर निर्धारक फ्रेमवर्क स्पष्टपणे अंमलबजावणीची प्रक्रिया दृष्टीकोन घेत नाहीत. |
00a7370518a6174e078df1c22ad366a2188313b5 | ऑप्टिकल प्रवाह स्थानिक पातळीवर गणना करता येत नाही, कारण एका बिंदूवर प्रतिमा अनुक्रमामधून केवळ एक स्वतंत्र मापन उपलब्ध आहे, तर प्रवाह गतीचे दोन घटक आहेत. दुसरा निर्बंध आवश्यक आहे. ऑप्टिकल फ्लो पॅटर्न शोधण्याची एक पद्धत सादर केली आहे जी असे गृहीत धरते की प्रतिमेतील जवळजवळ सर्वत्र चमक पॅटर्नची स्पष्ट वेग सहजतेने बदलते. एक पुनरावृत्ती अंमलबजावणी दर्शविली आहे जी अनेक कृत्रिम प्रतिमा अनुक्रमांसाठी ऑप्टिकल प्रवाह यशस्वीरित्या गणना करते. अल्गोरिदम हे मजबूत आहे कारण ते प्रतिमा अनुक्रमांना हाताळू शकते जे जागा आणि वेळेत अगदी मोठ्या प्रमाणात क्वांटिज केलेले आहेत. ते चमक पातळी आणि अॅडिटिव्ह ध्वनीच्या क्वांटिझेशनला देखील असंवेदनशील आहे. उदाहरणे समाविष्ट आहेत जिथे प्रतिमेतील एकवचनी बिंदूंवर किंवा ओळींमध्ये गुळगुळीतपणाची गृहीतकाचे उल्लंघन केले जाते. |
2315fc6c2c0c4abd2443e26a26e7bb86df8e24cc | आम्ही एक मोठे, खोल संकुचित तंत्रिका नेटवर्क प्रशिक्षित केले इमेजनेट एलएसव्हीआरसी -२०१० स्पर्धेत १.२ दशलक्ष उच्च-रिझोल्यूशन प्रतिमांचे वर्गीकरण करण्यासाठी १००० वेगवेगळ्या वर्गांमध्ये. चाचणीच्या आकडेवारीवर आम्ही अनुक्रमे 37.5% आणि 17.0% च्या अव्वल- 1 आणि अव्वल- 5 त्रुटी दर गाठले, जे मागील अत्याधुनिक स्थितीपेक्षा लक्षणीय चांगले आहे. न्यूरल नेटवर्कमध्ये ६० दशलक्ष पॅरामीटर्स आणि ६५०,००० न्यूरॉन्स आहेत, ज्यात पाच कन्वॉल्युशनल लेयर्स आहेत, त्यातील काही कमाल-पूलिंग लेयर्स आणि तीन पूर्णपणे जोडलेले लेयर्स आहेत ज्यात अंतिम १०००-वे सॉफ्टमॅक्स आहे. प्रशिक्षण जलद करण्यासाठी आम्ही नॉन-सॅच्युरेटिंग न्यूरॉन्स वापरले आणि गुंडाळीच्या ऑपरेशनची एक अतिशय कार्यक्षम जीपीयू अंमलबजावणी केली. पूर्णतः जोडलेल्या थरांमध्ये अतिसंयोजन कमी करण्यासाठी आम्ही नुकतीच विकसित केलेली "ड्रॉपआउट" नावाची नियमित पद्धत वापरली जी खूप प्रभावी असल्याचे सिद्ध झाले. आम्ही या मॉडेलच्या एका प्रकाराला आयएलएसव्हीआरसी २०१२ स्पर्धेतही सामील केले आणि दुसऱ्या क्रमांकाच्या प्रविष्टीने २६.२% च्या तुलनेत १५.३% चा अव्वल-५ चाचणी त्रुटी दर प्राप्त केला. |
1bc49abe5145055f1fa259bd4e700b1eb6b7f08d | आम्ही SummaRuNNer, एक पुनरावृत्ती न्यूरल नेटवर्क (आरएनएन) आधारित अनुक्रम मॉडेल सादर करतो आणि दर्शवितो की ते कागदपत्रांचे निष्कर्षण सारांश मिळविते आणि अत्याधुनिकपेक्षा चांगले किंवा तुलनेत कार्यक्षमता प्राप्त करते. आपल्या मॉडेलला खूपच अर्थ लावता येण्यासारखा अतिरिक्त फायदा आहे, कारण तो त्याच्या अंदाजानुसार अमूर्त वैशिष्ट्यांद्वारे खंडित केलेल्या अंदाजानुसार व्हिज्युअलायझेशन करण्यास परवानगी देतो जसे की माहिती सामग्री, वैशिष्ट्य आणि नवीनता. आमच्या कामाचा आणखी एक नवीन योगदान म्हणजे आमच्या निष्कर्षण मॉडेलचे अमूर्त प्रशिक्षण जे केवळ मानव निर्मित संदर्भ सारांशावर प्रशिक्षण देऊ शकते, वाक्य-स्तरीय निष्कर्षण लेबल्सची आवश्यकता दूर करते. |
3e4bd583795875c6550026fc02fb111daee763b4 | या लेखात, आम्ही खोल न्यूरल नेटवर्कचा वापर चेहरा स्केचेस उलटा करण्यासाठी फोटोरिअलिस्टिक चेहरा प्रतिमा संश्लेषित करण्यासाठी करतो. आम्ही प्रथम एक अर्ध-अनुकरण केलेला डेटासेट तयार करतो ज्यामध्ये संगणकाद्वारे तयार केलेल्या चेहऱ्याच्या स्केचेसची संख्या असते. वेगवेगळ्या शैली आणि संबंधित चेहऱ्याच्या प्रतिमा विद्यमान अप्रत्यक्ष चेहऱ्याच्या डेटासेटचा विस्तार करून. मग आम्ही मॉडेलला प्रशिक्षित करतो. संगणकाने तयार केलेल्या स्केचेस आणि हाताने काढलेल्या स्केचेस दोन्हीवर अत्याधुनिक परिणाम मिळवून देण्यासाठी. सखोल शिकण्यात अलीकडील प्रगतीचा फायदा घेऊन जसे बॅच नॉर्मलायझेशन, सखोल अवशिष्ट शिक्षण, धारणा नुकसान आणि स्टोकेस्टिक ऑप्टिमायझेशन आमच्या नवीन डेटासेटसह एकत्रितपणे. आम्ही शेवटी आमच्या मॉडेलचे ललित कला आणि फोरेंसिक कला मध्ये संभाव्य अनुप्रयोग प्रदर्शित केले. सध्याच्या पॅच-आधारित पद्धतींच्या विरूद्ध, आमच्या खोल-न्यूरलनेटवर्क-आधारित पद्धतीचा वापर नैसर्गिक परिस्थितीत चेहऱ्याच्या स्केचचे उलटा चित्र तयार करून फोटोरिअलिस्टिक चेहऱ्याच्या प्रतिमा तयार करण्यासाठी केला जाऊ शकतो. |
2fd9f4d331d144f71baf2c66628b12c8c65d3ffb | वर्गीकरण पद्धतीतील सर्वात महत्वाच्या अलीकडील घडामोडींपैकी एक म्हणजे बूस्टिंग. प्रशिक्षण डेटाच्या पुनरुत्पादित आवृत्त्यांवर अनुक्रमे वर्गीकरण अल्गोरिदम लागू करून आणि त्यानंतर अशा प्रकारे तयार केलेल्या वर्गीकरणकर्त्यांच्या अनुक्रमाचा वजनदार बहुमताने मतदान करून काम करणे. अनेक वर्गीकरण अल्गोरिदमसाठी, या सोप्या धोरणामुळे कामगिरीमध्ये नाट्यमय सुधारणा होते. आम्ही दाखवतो की ही रहस्यमय घटना सर्वज्ञात सांख्यिकीय तत्त्वांच्या संदर्भात समजू शकते, म्हणजेच अॅडिटिव्ह मॉडेलिंग आणि जास्तीत जास्त संभाव्यता. दोन-वर्ग समस्येसाठी, बस्टिंगला लॉजिस्टिक स्केलवर अॅडिटिव्ह मॉडेलिंगचे अंदाजे मानले जाऊ शकते. आम्ही अधिक थेट अंदाजे विकसित करतो आणि ते दर्शवितो की ते वाढीसाठी जवळजवळ समान परिणाम दर्शवतात. बहुपद संभाव्यतेवर आधारित थेट बहुवर्गीय सामान्यीकरण प्राप्त केले जाते जे बहुतेक परिस्थितींमध्ये वाढीच्या इतर अलीकडेच प्रस्तावित बहुवर्गीय सामान्यीकरण आणि काही बाबतीत बरेच चांगले कामगिरी दर्शविते. आम्ही सुचवितो की, बूस्टिंगमध्ये एक छोटासा बदल केला जाऊ शकतो ज्यामुळे गणना कमी होऊ शकते, अनेकदा १० ते ५० च्या गुणांनी. शेवटी, आम्ही या अंतर्दृष्टीचा वापर निर्णय वृक्षांना चालना देण्यासाठी पर्यायी सूत्र तयार करण्यासाठी करतो. बेस्ट-फर्स्ट ट्रंक ट्री इंडक्शनवर आधारित हा दृष्टिकोन अनेकदा चांगल्या कामगिरीकडे नेतो आणि एकूण निर्णय नियमाचे स्पष्टीकरण देऊ शकतो. हे संगणकीयदृष्ट्या देखील बरेच वेगवान आहे, जे मोठ्या प्रमाणात डेटा खनन अनुप्रयोगांसाठी अधिक योग्य आहे. |
573ae3286d050281ffe4f6c973b64df171c9d5a5 | आपण गोंधळलेल्या दृश्यांमध्ये मोठ्या संख्येने वेगवेगळ्या प्रकारच्या वस्तू शोधण्याच्या समस्येचा विचार करतो. पारंपारिक पद्धतींमध्ये प्रतिमेला विविध वर्गीकरणांची बॅटरी लागू करणे आवश्यक आहे, एकाधिक ठिकाणी आणि स्केलवर. हे धीमे असू शकते आणि प्रशिक्षण डेटा भरपूर आवश्यक असू शकते कारण प्रत्येक वर्गीकरणकर्त्यास बर्याच भिन्न प्रतिमा वैशिष्ट्यांची गणना करणे आवश्यक आहे. स्वतंत्रपणे प्रशिक्षित डिटेक्टरसाठी, (रनटाइम) संगणकीय जटिलता आणि (प्रशिक्षण-वेळ) नमुना जटिलता स्केल रेषेच्या अनुषंगाने शोधल्या जाणा classes्या वर्गांच्या संख्येसह. आम्ही एकाधिक-कार्य शिकण्याची प्रक्रिया सादर करतो, जी निर्णय स्टंप्सवर आधारित आहे, जी सर्व वर्गांमध्ये (आणि / किंवा दृश्ये) सामायिक केले जाऊ शकतील अशी सामान्य वैशिष्ट्ये शोधून संगणकीय आणि नमुना जटिलता कमी करते. प्रत्येक वर्गासाठी डिटेक्टर स्वतंत्रपणे प्रशिक्षित करण्याऐवजी एकत्रितपणे प्रशिक्षित केले जातात. दिलेल्या कामगिरीच्या पातळीसाठी, आवश्यक वैशिष्ट्यांची एकूण संख्या आणि म्हणूनच, वर्गीकरणकर्त्याची रनटाइम किंमत, वर्गांच्या संख्येसह अंदाजे लॉगरिदमिक पद्धतीने स्केल केली जाते. संयुक्त प्रशिक्षणाने निवडलेले वैशिष्ट्ये सर्वसाधारण किनार-सारखी वैशिष्ट्ये आहेत, तर प्रत्येक वर्ग स्वतंत्रपणे प्रशिक्षण देऊन निवडलेले वैशिष्ट्ये अधिक ऑब्जेक्ट-विशिष्ट असतात. जेनेरिक वैशिष्ट्ये अधिक चांगल्या प्रकारे सामान्य करतात आणि मल्टीक्लास ऑब्जेक्ट डिटेक्शनची संगणकीय किंमत लक्षणीयरीत्या कमी करतात |
1e75a3bc8bdd942b683cf0b27d1e1ed97fa3b4c3 | गॉसियन प्रक्रिया राज्य जागा मॉडेलमध्ये अज्ञात प्रेरक शक्तीच्या पूर्व गृहीतकांच्या लवचिक तपशीलाची परवानगी देते. आम्ही गॉसियन प्रक्रिया राज्य जागा मॉडेलमध्ये कार्यक्षम बेझियन शिकण्याची प्रक्रिया सादर करतो, जिथे प्रतिनिधित्व मागील कोव्हॅरियन्स संरचनेतून प्राप्त झालेल्या अंदाजे इजेनफंक्शन्सच्या संचावर समस्या प्रोजेक्ट करून तयार केले जाते. मॉडेलच्या या कुटुंबाच्या अंतर्गत शिकणे काळजीपूर्वक तयार केलेल्या कण एमसीएमसी अल्गोरिदमचा वापर करून आयोजित केले जाऊ शकते. ही योजना संगणकीयदृष्ट्या कार्यक्षम आहे आणि तरीही समस्येचे पूर्णपणे बेयसीयन उपचार करण्यास अनुमती देते. पारंपरिक प्रणाली ओळख साधने किंवा विद्यमान शिक्षण पद्धतींच्या तुलनेत, आम्ही स्पर्धात्मक कामगिरी आणि मॉडेलमधील अनिश्चिततेचे विश्वासार्ह प्रमाण दर्शवितो. |
142a799aac35f3b47df9fbfdc7547ddbebba0a91 | आम्ही रंग डेटामध्ये मॉडेल-आधारित 6 डी पोज परिष्कृत करण्यासाठी एक नवीन दृष्टीकोन सादर करतो. कंटूर आधारित पोझ ट्रॅकिंगच्या प्रस्थापित कल्पनेवर आधारित, आम्ही एक खोल न्यूरल नेटवर्क शिकवतो ट्रान्सलेशनल आणि रोटेशनल अपडेटचा अंदाज लावण्यासाठी. मूलभूतपणे, आम्ही एक नवीन दृश्य नुकसान प्रस्तावित करतो जे वस्तूच्या आकड्यांना संरेखित करून पोझ अपडेट चालवते, अशा प्रकारे कोणत्याही स्पष्ट देखावा मॉडेलची व्याख्या टाळते. पूर्वीच्या कामाच्या विरूद्ध आमच्या पद्धतीमध्ये पत्रव्यवहार-मुक्त, खंड-मुक्त, आच्छादन हाताळू शकते आणि हे ज्यामितीय सममिती तसेच व्हिज्युअल अस्पष्टतेसाठी अज्ञेयवादी आहे. याव्यतिरिक्त, आम्ही कच्च्या आरंभिकरणकडे एक मजबूत दृढता पाहत आहोत. हा दृष्टिकोन रिअल-टाइममध्ये चालवता येतो आणि 3 डी आयसीपीच्या जवळ येणारी पोझ अचूकता निर्माण करते ज्यासाठी खोली डेटाची आवश्यकता नसते. याशिवाय, आमच्या नेटवर्कला केवळ कृत्रिम डेटावरुन प्रशिक्षण दिले जाते आणि http://campar.in.tum येथे परिष्कृत कोडसह प्रकाशित केले जाईल. डी/मेन/फॅबियन मानहार्ड्ट पुनरुत्पादकता सुनिश्चित करण्यासाठी. |
046bf6fb90438335eaee07594855efbf541a8aba | शहरीकरणाच्या वेगाने होणाऱ्या प्रगतीमुळे अनेकांचे जीवन आधुनिक झाले आहे. पण वाहतुकीची कोंडी, ऊर्जेचा वापर आणि प्रदूषण यासारख्या मोठ्या समस्याही निर्माण झाल्या आहेत. शहरी संगणनाचा उद्देश या समस्यांना तोंड देणे हा आहे. यामध्ये शहरांमध्ये तयार केलेले डेटा वापरले जातात. शहरी संगणकीय शहरी संवेदन, डेटा व्यवस्थापन, डेटा विश्लेषण आणि सेवा प्रदान करणे यांचा समावेश आहे. लोकांच्या जीवनात, शहर ऑपरेशन सिस्टम आणि पर्यावरणामध्ये एक अबाधित आणि सतत सुधारणा करण्यासाठी ही प्रक्रिया आहे. शहरी संगणन हे एक आंतरशास्त्रीय क्षेत्र आहे जेथे संगणक विज्ञान पारंपारिक शहर-संबंधित क्षेत्रांना भेटते, जसे की शहरी जागेच्या संदर्भात वाहतूक, सिव्हिल अभियांत्रिकी, पर्यावरण, अर्थव्यवस्था, पर्यावरणास आणि समाजशास्त्र. या लेखात प्रथम शहरी संगणनाची संकल्पना सादर केली आहे, संगणक विज्ञानाच्या दृष्टीकोनातून त्याच्या सामान्य चौकटी आणि मुख्य आव्हानांवर चर्चा केली आहे. दुसरे म्हणजे, आम्ही शहरी संगणनाचे अनुप्रयोग सात श्रेणींमध्ये वर्गीकृत करतो, ज्यात शहरी नियोजन, वाहतूक, पर्यावरण, ऊर्जा, सामाजिक, अर्थव्यवस्था आणि सार्वजनिक सुरक्षा आणि सुरक्षा यांचा समावेश आहे, प्रत्येक श्रेणीतील प्रतिनिधी परिस्थिती सादर करतात. तिसरे, आम्ही शहरी संगणनात आवश्यक असलेली ठराविक तंत्रज्ञान चार प्रकारात मांडतो, शहरी संवेदन, शहरी डेटा व्यवस्थापन, विविधीकृत डेटामधील ज्ञान संलयन आणि शहरी डेटा दृश्य. शेवटी, आम्ही शहरी संगणनाच्या भविष्याबद्दल एक दृष्टीकोन देतो, काही संशोधन विषयांचा सल्ला देतो जे काही प्रमाणात समाजात गहाळ आहेत. |
970b4d2ed1249af97cdf2fffdc7b4beae458db89 | दररोज जवळपास एक अब्ज ऑनलाईन व्हिडिओ पाहिल्या जातात. संगणक दृष्टी संशोधनात एक नवीन क्षेत्र म्हणजे व्हिडिओमध्ये ओळख आणि शोध. हजारो प्रतिमा श्रेणी असलेले मोठे स्केलेबल स्थिर प्रतिमा डेटासेट एकत्रित करणे आणि एनोटेशनसाठी बरेच प्रयत्न केले गेले आहेत, परंतु मानवी क्रिया डेटासेट खूप मागे आहेत. सध्याच्या कृती ओळख डेटाबेसमध्ये दहा वेगवेगळ्या कृती श्रेणी आहेत ज्यांना नियंत्रित परिस्थितीत गोळा केले गेले आहे. या डेटा सेटवर अत्याधुनिक कामगिरी आता कमाल मर्यादेच्या जवळ आहे आणि म्हणूनच नवीन बेंचमार्क तयार करण्याची आणि तयार करण्याची आवश्यकता आहे. या समस्येवर उपाय म्हणून आम्ही 51 अॅक्शन कॅटेगरीज असलेला आतापर्यंतचा सर्वात मोठा अॅक्शन व्हिडिओ डेटाबेस गोळा केला आहे, ज्यात एकूण सुमारे 7,000 मॅन्युअली एनोटेट केलेले क्लिप आहेत, जे डिजिटल चित्रपटांपासून ते यूट्यूबपर्यंत विविध स्त्रोतांमधून काढले गेले आहेत. आम्ही या डेटाबेसचा वापर अॅक्शन रिकग्निशनसाठी दोन प्रतिनिधी संगणक दृष्टी प्रणालीच्या कामगिरीचे मूल्यांकन करण्यासाठी करतो आणि कॅमेरा मोशन, व्ह्यूपॉईंट, व्हिडिओ गुणवत्ता आणि ऑक्ल्यूशन यासारख्या विविध परिस्थितींमध्ये या पद्धतींची मजबुती तपासतो. |
3087289229146fc344560478aac366e4977749c0 | माहिती सिद्धांत अलीकडेच काही संवेदी, अनुभूती आणि अनुभूती-मोटर फंक्शन्समध्ये मनुष्याची क्षमता पूर्वीपेक्षा अधिक अचूकपणे निर्दिष्ट करण्यासाठी वापरली गेली आहे (5, 10, 13, 15, 17, 18). या पेपरमध्ये नमूद केलेल्या प्रयोगांमुळे मानवी मोटर प्रणालीवर ही सिद्धांताचा विस्तार होतो. केवळ मूलभूत संकल्पना, माहितीचा आकार, आवाज, चॅनेल क्षमता आणि माहिती प्रसारणाचा दर यांची लागूता या वेळी तपासली जाईल. या संकल्पनांची सामान्य माहिती अलीकडील लेखकांनी (4,11, 20, 22) मांडली आहे. खरे सांगायचे तर, आपण माणसाच्या मोटर सिस्टीमचा अभ्यास त्याच्या संवेदनात्मक यंत्रणेपासून वेगळ्या पद्धतीने करू शकत नाही. आपण केवळ संपूर्ण रिसेप्टर-न्यूरल-इफेक्टर प्रणालीच्या वर्तनाचे विश्लेषण करू शकतो. कसं- |
64305508a53cc99e62e6ff73592016d0b994afd4 | आरडीएफचा वापर सिमेंटिक वेब आणि डेटा एक्सचेंजसाठी डेटा एन्कोड करण्यासाठी वाढत्या प्रमाणात केला जात आहे. आरडीएफ डेटा मॅनेजमेंटवर विविध पद्धतींनुसार काम केले गेले आहे. या लेखात आपण या कामांचा आढावा घेऊ. या पुनरावलोकनात केंद्रीकृत उपाय (ज्याला वेअरहाउसिंग पद्धती असे म्हणतात), वितरित उपाय आणि लिंक केलेल्या डेटाची चौकशी करण्यासाठी विकसित केलेली तंत्रे विचारात घेण्यात आली आहेत. प्रत्येक श्रेणीमध्ये, पुढील वर्गीकरण दिले गेले आहे जे वाचकांना वेगवेगळ्या दृष्टिकोनाची ओळखण्याची वैशिष्ट्ये समजून घेण्यास मदत करेल. |
6162ab446003a91fc5d53c3b82739631c2e66d0f | |
29f5ecc324e934d21fe8ddde814fca36cfe8eaea | परिचय स्तनाचा कर्करोग (बीसी) हा स्त्रियांमध्ये होणारा सर्वात सामान्य कर्करोग आहे, ज्यामुळे त्यांच्या आयुष्याच्या काही टप्प्यात सर्व स्त्रियांपैकी सुमारे 10% प्रभावित होतात. अलिकडच्या वर्षांत, रुग्णसंख्या वाढतच आहे आणि आकडेवारीनुसार निदानानंतर पाच वर्षांनी जगण्याची दर 88% आणि निदानानंतर 10 वर्षांनी 80% आहे [1]. स्तन कर्करोगाचा लवकर अंदाज घेणे ही पाठपुरावा प्रक्रियेतील सर्वात महत्वाची कामे आहेत. डेटा माइनिंग पद्धती चुकीच्या सकारात्मक आणि चुकीच्या नकारात्मक निर्णयांची संख्या कमी करण्यास मदत करू शकतात [2,3]. परिणामी, डेटाबेसमध्ये ज्ञान शोध (केडीडी) सारख्या नवीन पद्धती वैद्यकीय संशोधकांसाठी एक लोकप्रिय संशोधन साधन बनले आहेत जे मोठ्या संख्येने चलकांमधील नमुने आणि संबंध ओळखण्याचा आणि त्यांचा फायदा घेण्याचा प्रयत्न करतात आणि डेटासेटमध्ये संग्रहित ऐतिहासिक प्रकरणांचा वापर करून रोगाचा निकाल अंदाज लावतात. |
261e841c8e0175586fb193b1a199cefaa8ecf169 | एखाद्याने मॉर्फोलॉजिकल रीइन्फ्लेक्शन सारख्या कामांसाठी खोल शिक्षण कसे लागू करावे, जे स्टोकेस्टिकली एका स्ट्रिंगला दुसर्या मिळविण्यासाठी संपादित करते? अशा अनुक्रमाच्या अनुक्रमाच्या कामासाठी अलीकडील दृष्टिकोन म्हणजे इनपुट स्ट्रिंगला वेक्टरमध्ये संकुचित करणे जे नंतर पुनरावृत्ती तंत्रिका नेटवर्कचा वापर करून आउटपुट स्ट्रिंग व्युत्पन्न करण्यासाठी वापरले जाते. याउलट, आम्ही पारंपारिक आर्किटेक्चर ठेवण्याचा प्रस्ताव ठेवतो, जे सर्व संभाव्य आउटपुट स्ट्रिंग्स स्कोअर करण्यासाठी परिमित-राज्य ट्रान्सड्यूसर वापरते, परंतु पुनरावृत्ती नेटवर्कच्या मदतीने स्कोअरिंग फंक्शन वाढविण्यासाठी. द्विदिशात्मक एलएसटीएमचा स्टॅक इनपुट स्ट्रिंग डावीकडून उजवीकडे आणि उजवीकडून डावीकडे वाचतो, ज्यामध्ये ट्रान्सड्यूसर आर्क लागू केला जातो त्या इनपुट संदर्भात सारांश करण्यासाठी. आम्ही हे शिकलेले गुणधर्म ट्रान्सड्यूसरशी जोडतो. एक संभाव्यता वितरण परिभाषित करण्यासाठी. यामुळे वैशिष्ट्यांचे हाताने अभियांत्रिकी कमी होते, शिकलेल्या वैशिष्ट्यांना इनपुट स्ट्रिंगमधील अमर्यादित संदर्भ तपासण्याची परवानगी मिळते आणि तरीही डायनॅमिक प्रोग्रामिंगद्वारे अचूक अनुमान लावण्याची परवानगी मिळते. आम्ही मॉर्फोलॉजिकल रीइन्फ्लेक्शन आणि लेमिटीझेशनच्या कार्यांवर आमची पद्धत स्पष्ट करतो. |
8f69384b197a424dfbd0f60d7c48c110faf2b982 | |
014b191f412f8496813d7c358ddd11d8512f2005 | उच्च रिझोल्यूशनच्या इमेज रडारमुळे वेग आणि दिशेने अंदाजे अंदाज लावण्याची नवीन संधी मिळते. रडार सेन्सर केवळ रेडियल वेल्सिटी मोजतात, म्हणून ट्रॅकिंग सिस्टम सामान्यतः ऑब्जेक्टचा वेल्सिटी वेक्टर निर्धारित करण्यासाठी वापरला जातो. स्थिर वेगाने अनेक फ्रेम नंतर लवकरात लवकर अंदाज लावला जातो, ज्यामुळे क्रॉस-ट्रॅफिकसारख्या काही परिस्थितीत प्रतिक्रिया देण्यासाठी वेळ कमी होतो. खालील कागद विस्तारित लक्ष्य गती वेक्टर निर्धारित करण्यासाठी एक मजबूत आणि मॉडेल-मुक्त दृष्टिकोन सादर करतो. कल्मन फिल्टरच्या विरूद्ध, त्याला वेळ आणि जागेत डेटा असोसिएशनची आवश्यकता नसते. त्याच्या वेग वेक्टरचा त्वरित (~ 50 ms) आणि पूर्वग्रह मुक्त अंदाज शक्य आहे. आमचा दृष्टिकोन सिग्नलमध्ये आवाज आणि पद्धतशीर बदल (उदाहरणार्थ, चाकांचा मायक्रो-डॉप्लर) हाताळू शकतो. हे केवळ रेडियल वेल्सिटीमध्येच नव्हे तर अझिमथ स्थितीतही रडार सेन्सरच्या मोजमापांच्या त्रुटींशी सामना करण्यासाठी अनुकूलित केले गेले आहे. या पद्धतीची अचूकता अनेक रडार सेन्सरच्या संलयनाने वाढते. |
ad6d5e4545c60ec559d27a09fbef13fa538172e1 | प्रगत ड्रायव्हर सहाय्यक प्रणाली आणि स्वायत्त वाहन चालविण्यामध्ये, रडारवर आधारित विश्वासार्ह पर्यावरण समज आणि ऑब्जेक्ट ट्रॅकिंग मूलभूत आहे. उच्च रिझोल्यूशन रडार सेन्सर अनेकदा प्रति ऑब्जेक्ट अनेक मोजमाप प्रदान करतात. या प्रकरणात पारंपारिक पॉईंट ट्रॅकिंग अल्गोरिदम यापुढे लागू होत नसल्यामुळे, विस्तारित ऑब्जेक्ट ट्रॅकिंगसाठी नवीन दृष्टीकोन गेल्या काही वर्षांत उदयास आले आहेत. तथापि, ते प्रामुख्याने लीडर अनुप्रयोगांसाठी डिझाइन केलेले आहेत किंवा रडारची अतिरिक्त डॉप्लर माहिती वगळतात. डोप्लर माहिती वापरून क्लासिक रडार आधारित ट्रॅकिंग पद्धती बहुतेक समांतर वाहतुकीच्या बिंदू ट्रॅकिंगसाठी डिझाइन केल्या आहेत. या पेपरमध्ये सादर केलेले मापन मॉडेल समानांतर आणि क्रॉस ट्रॅफिकसह मनमानी वाहतूक परिस्थितीत अंदाजे आयताकृती आकाराच्या वाहनांचा मागोवा घेण्यासाठी विकसित केले गेले आहे. गतीशील स्थिती व्यतिरिक्त, हे ऑब्जेक्टची भूमितीय स्थिती निर्धारित आणि ट्रॅक करण्यास अनुमती देते. डॉप्लर माहिती वापरणे हे मॉडेलमधील एक महत्त्वाचा घटक आहे. याशिवाय, या पद्धतीमध्ये मापन पूर्व प्रक्रिया, डेटा क्लस्टरिंग किंवा स्पष्टपणे डेटा जोडणीची आवश्यकता नसते. ऑब्जेक्ट ट्रॅकिंगसाठी, मापन मॉडेलशी जुळवून घेतलेला राओ-ब्लॅकवेलाइज्ड पार्टिकल फिल्टर (आरबीपीएफ) सादर केला जातो. |
965f8bb9a467ce9538dec6bef57438964976d6d9 | मेकअप आणि वेशभूषा अंतर्गत समान विषयांना ओळखताना स्वयंचलित मानवी चेहरा ओळखण्याचे अल्गोरिदमची अचूकता लक्षणीयरीत्या कमी होऊ शकते. वाढत्या सुरक्षा आणि देखरेखीसाठी वाढत्या मर्यादांमुळे मुखवटा घातलेल्या आणि/किंवा मेकअप केलेल्या चेहऱ्यांसाठी चेहऱ्याची ओळख पटवण्याच्या अल्गोरिदमची अचूकता वाढवणे आवश्यक आहे. या पेपरमध्ये मुखवटा घातलेल्या आणि मेकअप केलेल्या चेहऱ्यांच्या प्रतिमांसाठी एक नवीन डेटाबेस सादर केला आहे. अशा कोव्हॅरिअट्स अंतर्गत चेहरा ओळखण्याचे अल्गोरिदम विकसित करणे. या डेटाबेसमध्ये 410 वेगवेगळ्या विषयांवरील 2460 प्रतिमा आहेत आणि वास्तविक वातावरणात प्राप्त केल्या आहेत, मेकअपवर लक्ष केंद्रित करते आणि कोव्हॅरिअट्स लपवते आणि प्रत्येक प्रतिमेसाठी ग्राउंड सत्य (आंख, गॉगल, मुसळ, दाढी) देखील प्रदान करते. यामुळे विकसित अल्गोरिदम चेहर्यावरील ओळख दरम्यान अशा महत्त्वपूर्ण मुखवटा गुणधर्म ओळखण्यासाठी त्यांची क्षमता स्वयंचलितपणे मोजू शकतात आम्ही दोन लोकप्रिय व्यावसायिक जुळवणीकर्त्यांचे आणि अलीकडील प्रकाशनांमधील तुलनात्मक प्रयोगात्मक परिणाम देखील सादर करतो. आमच्या प्रयोगाच्या परिणामांमध्ये या चेहऱ्यांना स्वयंचलितपणे ओळखण्याच्या क्षमतेत लक्षणीय कामगिरीची हानी असल्याचे सूचित केले आहे. आम्ही या मॅचर्सच्या चेहऱ्याची ओळख पटवण्याच्या अचूकतेचे विश्लेषणही करतो. या प्रयोगाच्या परिणामांवरून या सह-परिवर्तनांनुसार चेहऱ्यांना ओळखण्यात आलेल्या आव्हानांना अधोरेखित केले आहे. या नवीन डेटाबेसची सार्वजनिक क्षेत्रात उपलब्धता केल्याने मेकअप आणि मुखवटा घातलेल्या चेहऱ्यांना ओळखण्यात आवश्यक संशोधन आणि विकासात प्रगती होण्यास मदत होईल. |
f8e32c5707df46bfcd683f723ad27d410e7ff37d | |
32c8c7949a6efa2c114e482c830321428ee58d70 | या लेखात अत्याधुनिक GPU-आधारित उच्च-प्रवाह संगणकीय प्रणालींच्या क्षमतांवर चर्चा केली आहे आणि संगणकीय संशोधन समुदायाला संबोधित करू शकणार्या उच्च-प्रभाव क्षेत्रांना हायलाइट करून सिंगल-चिप समांतर-संगणकीय प्रणाली वाढविण्याच्या आव्हानांचा विचार केला आहे. एनव्हीडिया रिसर्च हे एक विषम उच्च-कार्यक्षमता संगणकीय प्रणालीसाठी एक आर्किटेक्चर तपासत आहे जे या आव्हानांना सामोरे जाण्याचा प्रयत्न करते. |
8890bb44abb89601c950eb5e56172bb58d5beea8 | ध्येय-उन्मुख संवाद धोरण शिकणे सामान्यतः पर्यवेक्षित शिक्षण अल्गोरिदम किंवा प्रबलित शिक्षण (आरएल) सह ऑनलाइन ऑफलाइन केले जाते. याव्यतिरिक्त, कंपन्या ग्राहकांमध्ये आणि प्रशिक्षित मानवी एजंट्समध्ये मोठ्या प्रमाणात संवाद प्रतिलेख जमा करतात, एन्कोडर-डेकोडर पद्धती लोकप्रिय झाल्या आहेत कारण एजंटच्या वक्तव्यांना थेट निरीक्षणाशिवाय वक्तव्य-स्तरीय टिपण्णीची आवश्यकता नसलेल्या पर्यवेक्षणाप्रमाणे मानले जाऊ शकते. तथापि, अशा पद्धतींचा एक संभाव्य तोटा म्हणजे ते संवाद-स्तरीय विचारांचा विचार न करता पुढील एजंट उच्चार तयार करतात. या समस्येचे निराकरण करण्यासाठी, या पेपरमध्ये अननोटेड कॉर्पोरापासून शिकण्यासाठी ऑफलाइन आरएल पद्धतीचे वर्णन केले आहे जे उद्दीष्ट-देणारं धोरण वक्तव्य आणि संवाद स्तरावर दोन्ही प्रकारे अनुकूलित करू शकते. आम्ही एक नवीन बक्षीस कार्य सादर करतो आणि ऑन-पॉलिसी आणि ऑफ-पॉलिसी दोन्ही धोरण ग्रेडियंट वापरतो जेणेकरून ऑनलाईन वापरकर्त्याची परस्परसंवाद किंवा स्पष्ट स्टेट स्पेस व्याख्या न करता धोरण ऑफलाइन शिकता येईल. |
589d84d528d353a382a42e5b58dc48a57d332be8 | रटगर्स एंकल हे एक स्टीवर्ट प्लॅटफॉर्म-प्रकार स्पर्श इंटरफेस आहे जे पुनर्वसन मध्ये वापरण्यासाठी डिझाइन केलेले आहे. या यंत्रणेने रुग्णाच्या पायावर सहा अंशांच्या स्वातंत्र्याचे (डीओएफ) प्रतिरोधक शक्ती पुरवतात, आभासी वास्तव-आधारित व्यायामांना प्रतिसाद म्हणून. रटगर्स एंकल कंट्रोलरमध्ये एक एम्बेडेड पेंटियम बोर्ड, वायवीय सोलेनोइड वाल्व्ह, वाल्व्ह कंट्रोलर आणि संबंधित सिग्नल कंडिशनिंग इलेक्ट्रॉनिक्स आहेत. आमच्या केस स्टडीमध्ये वापरण्यात आलेल्या पुनर्वसन अभ्यासामध्ये लूपद्वारे आभासी विमान चालविणे समाविष्ट आहे. या लूपची संख्या आणि स्थान, आभासी वातावरणातील विमानाचा वेग आणि स्पर्श इंटरफेसद्वारे प्रदान केलेल्या प्रतिकारची डिग्री यावर आधारित व्यायाम अडचणीची निवड केली जाऊ शकते. या अभ्यासाचे डेटा पारदर्शकपणे, रिअल टाइममध्ये, ओरेकल डेटाबेसमध्ये साठवले जातात. या डेटामध्ये व्यायाम करताना आणि त्यानंतरच्या पुनर्वसन सत्रांमध्ये गुडघ्याची स्थिती, शक्ती आणि यांत्रिक काम यांचा समावेश आहे. पूर्ण झालेल्या लूपची संख्या आणि ते करण्यासाठी लागणारा वेळ देखील ऑनलाइन संग्रहित केला जातो. या प्रणालीचा वापर करून स्ट्रोकनंतर नऊ महिन्यांच्या रुग्णाचा एक केस स्टडी सादर केला आहे. परिणामांनी दर्शविले की, सहा पुनर्वसन सत्रांमध्ये, रूग्णाची शक्ती आणि सहनशक्तीच्या क्लिनिकल मोजमापांमध्ये सुधारणा झाली, जी रटगर्स टखनेने मोजलेल्या टॉर्क आणि पॉवर आउटपुट वाढीसह चांगली होती. अनुकरण दरम्यान कार्ये अचूकता आणि समन्वय आणि रुग्णाची चालण्याची आणि पायऱ्या चढण्याची क्षमता देखील लक्षणीय सुधारणा झाली. |
67161d331d496ad5255ad8982759a1c853856932 | पूर आपत्तीपासून नागरिकांना सावध करण्यासाठी पूर पूर्वसूचना प्रणालीची रचना या लेखात मांडण्यात आली आहे. धोकादायक परिस्थितीचा अंदाज घेण्यासाठी अचूक डेटा संकलन करणे, धोक्याची माहिती देण्यासाठी सेवा विकसित करणे, धोक्याशी संबंधित माहितीची माहिती देणे आणि समुदायाला प्रतिसाद देण्याची क्षमता असणे या चार घटकांच्या दरम्यान संबंध तयार करून एक प्रभावी लवकर चेतावणी प्रणाली विकसित करणे आवश्यक आहे. या प्रकल्पामध्ये वायरलेस सेन्सर नेटवर्कचा वापर करून पाण्याच्या पातळीवर दूरस्थपणे देखरेख ठेवण्यावर भर देण्यात आला आहे. या प्रकल्पामध्ये ग्लोबल सिस्टम फॉर मोबाइल कम्युनिकेशन (जीएसएम) आणि शॉर्ट मेसेज सर्व्हिस (एसएमएस) चा वापर केला जातो. या सेन्सरमधून डेटा संगणकावर पाठविला जातो किंवा संबंधित पीडितांना त्यांच्या मोबाइल फोनद्वारे थेट सतर्क केले जाते. या वास्तूला पुढे विकसित करून काम करणारी प्रणाली बनवण्यात येईल, जी समुदायाला लाभदायक ठरेल आणि पूर आपत्तीच्या वेळी जीव वाचविण्यासाठी खबरदारीची कारवाई करेल अशी आशा आहे. |
a5de09243b4b12fc4bcf4db56c8e38fc3beddf4f | अलीकडील अभ्यासातून असे दिसून आले आहे की एंटरप्राइझ सोशल सिस्टम्स (ईएसएस) ची अंमलबजावणी संस्थांना सामाजिक व्यवसायाच्या नवीन नमुन्यामध्ये स्थानांतरित करेल ज्यामुळे प्रचंड आर्थिक परतावा आणि स्पर्धात्मक फायदा होईल. सामाजिक व्यवसाय हे काम आणि संघटना करण्याचे एक पूर्णपणे नवीन मार्ग निर्माण करते ज्याचे वैशिष्ट्य सामाजिक सहकार्य, अंतर्निहित ज्ञान सामायिकरण, स्वयंसेवीपणे जनसहभाग, फक्त काही नाव देणे. त्यामुळे ईएसएसच्या अंमलबजावणीत काम आणि संघटनेच्या नव्या पद्धतीच्या वैशिष्ट्याचा विचार केला पाहिजे. मात्र, मोठ्या उद्योगांमध्ये या प्रणालींच्या अंमलबजावणीबाबत माहितीचा अभाव आहे. या अभ्यासाचा उद्देश ईएसएसच्या अंमलबजावणीच्या शासन पद्धतीचा अभ्यास करणे हा आहे. नॉर्वेतील जगातील आघाडीची ऊर्जा कंपनी असलेल्या स्टेटक्राफ्टमध्ये स्ट्रीम नावाच्या सोशल इंट्रानेटच्या अंमलबजावणीचा तपास करण्यासाठी एक केस स्टडी केली जाते. स्ट्रीम च्या शासन पद्धतीमध्ये कॉर्पोरेट कम्युनिकेशन, मानव संसाधन आणि आयटी यांच्यात घनिष्ठ सहकार्य आणि जबाबदारीवर भर दिला जातो, ज्यामुळे ईएसएसच्या अंमलबजावणीच्या शासन पद्धतीत बदल होतो. अंमलबजावणीचे फायदे आणि आव्हानेही यात नमूद करण्यात आली आहेत. अभ्यासात मिळालेल्या माहिती आणि अंतर्दृष्टीच्या आधारे, ईएसएसच्या अंमलबजावणीचे शासन सुधारण्यासाठी कंपनीला मदत करण्यासाठी शिफारसी प्रस्तावित केल्या आहेत. या अभ्यासामुळे ईएसएसच्या अंमलबजावणीच्या शासनविषयक ज्ञान/कौशल्याचा समावेश होतो. |
5ca6217b3e8353778d05fe58bcc5a9ea79707287 | ई-गव्हर्नमेंट हा प्रत्येक सरकारच्या अजेंड्याचा अविभाज्य भाग बनला आहे. अनेक सरकारांनी सरकारी कारभारावर त्याचा महत्त्वपूर्ण परिणाम आणि प्रभाव स्वीकारला आहे. तंत्रज्ञानाचा मंत्र जसा सर्वत्र पसरला आहे, तसाच सेवांची गुणवत्ता, अधिक पारदर्शकता आणि अधिक जबाबदारी वाढविण्यासाठी सरकारने आपल्या संस्था आणि विभागांमध्ये ई-सरकार धोरणाचे उद्घाटन करण्याचा निर्णय घेतला आहे. मलेशियाच्या बाबतीत, ई-गव्हर्नमेंटच्या लाटेने सरकारला प्रेरणा मिळाली आहे, कारण त्याची स्थापना सार्वजनिक सेवा पुरवठ्याची गुणवत्ता आणि अंतर्गत ऑपरेशन्समध्ये सुधारणा करू शकते. या गुणात्मक अभ्यासात ई-गव्हर्नमेंट उपक्रमांच्या अंमलबजावणीची स्थिती एक केस स्टडी म्हणून तपासली जाईल आणि ई-गव्हर्नमेंटमध्ये उत्कृष्ट कामगिरी केल्यामुळे दक्षिण कोरिया सरकारचा बेंचमार्क अभ्यास म्हणून वापर करून या निष्कर्षांचे तुलनात्मक मूल्यांकन देखील केले जाईल. या अभ्यासाच्या निष्कर्षांतून सार्वजनिक प्रशासनाच्या दृष्टीकोनातून सुधारणा करण्याच्या संभाव्य क्षेत्रांवर प्रकाश टाकला जाईल आणि या तुलनात्मक दृष्टिकोनातूनही, ई-गव्हर्नमेंट प्रकल्पांचे यश सुनिश्चित करण्यासाठी मलेशिया दक्षिण कोरियाच्या पद्धतींमधून काही धडे घेऊ शकेल. |
2b2c30dfd3968c5d9418bb2c14b2382d3ccc64b2 | डीबीपीडिया हे विकिपीडिया वरून संरचित माहिती काढण्यासाठी आणि ही माहिती वेबवर उपलब्ध करण्यासाठी एक समुदाय प्रयत्न आहे. डीबीपीडिया तुम्हाला विकिपीडियावरून मिळवलेल्या डेटासेटच्या विरोधात गुंतागुंतीची क्वेरी विचारण्याची आणि वेबवरील इतर डेटासेटला विकिपीडिया डेटाशी जोडण्याची परवानगी देते. आम्ही डीबीपीडिया डेटासेटचे निष्कर्षण कसे केले आणि परिणामी माहिती मानवी आणि मशीन वापरासाठी वेबवर कशी प्रकाशित केली जाते याचे वर्णन करतो. आम्ही डीबीपीडिया समुदायाकडून काही उदयोन्मुख अनुप्रयोगांचे वर्णन करतो आणि वेबसाइट लेखक त्यांच्या साइट्समध्ये डीबीपीडिया सामग्री कशी सुलभ करू शकतात हे दर्शवितो. अखेरीस, आम्ही वेबवरील इतर मुक्त डेटासेटसह डीबीपीडियाला जोडण्याची सध्याची स्थिती सादर करतो आणि डीबीपीडिया उभरत्या वेबच्या मुक्त डेटासाठी कसे केंद्रस्थानी राहू शकते याचे वर्णन करतो. |
92930f4279b48f7e4e8ec2edc24e8aa65c5954fd | आम्ही बँक ग्राहकांच्या प्रोफाइलिंगसाठी डेटा मायनिंगचा एक दृष्टिकोन सादर करतो जेणेकरून मनी लॉन्ड्रिंगच्या विरोधात ऑपरेशन्स शोधण्याच्या प्रक्रियेस समर्थन मिळेल. आम्ही सर्वप्रथम एकूणच प्रणाली आर्किटेक्चर सादर करतो आणि नंतर या पेपरसाठी संबंधित घटकावर लक्ष केंद्रित करतो. आम्ही एका वित्तीय संस्थेच्या वास्तविक जगाच्या डेटावर केलेल्या प्रयोगांचे तपशीलवार वर्णन केले. ज्यामुळे आम्हाला ग्राहकांना क्लस्टरमध्ये गटबद्ध करण्याची आणि नंतर वर्गीकरण नियमांचा संच तयार करण्याची परवानगी मिळाली. आम्ही स्थापित क्लायंट प्रोफाइल आणि व्युत्पन्न वर्गीकरण नियमांच्या प्रासंगिकतेबद्दल चर्चा करतो. एजंट आधारित आर्किटेक्चरनुसार संशयास्पद व्यवहारांच्या सिग्नलसाठी जबाबदार असलेल्या बुद्धिमान एजंट्सच्या ज्ञानात हे नियम समाविष्ट केले जातील. |
8985000860dbb88a80736cac8efe30516e69ee3f | स्मार्ट होम सेन्सरचा वापर करून मानवी क्रियाकलाप ओळखणे हा स्मार्ट वातावरणात सर्वत्र संगणनाचा आधार आहे आणि वातावरणीय सहाय्यक जगण्याच्या क्षेत्रात तीव्र संशोधन केले जात आहे. डेटा सेटची वाढती संख्या मशीन लर्निंग पद्धतींची आवश्यकता आहे. या लेखात, आम्ही एक खोल शिक्षण मॉडेल सादर करतो जे कोणत्याही पूर्व ज्ञान वापरल्याशिवाय मानवी क्रियाकलापांचे वर्गीकरण करण्यास शिकते. या कारणासाठी, लॉन्ग शॉर्ट टर्म मेमरी (एलएसटीएम) रिकर्सिव्ह न्यूरल नेटवर्क तीन वास्तविक जगाच्या स्मार्ट होम डेटासेटवर लागू केले गेले. या प्रयोगांच्या परिणामांमधून असे दिसून आले आहे की प्रस्तावित पद्धत अचूकता आणि कामगिरीच्या बाबतीत विद्यमान पद्धतींपेक्षा चांगली आहे. |
b31f0085b7dd24bdde1e5cec003589ce4bf4238c | डोमेन अनुकूलन (डीए) हे हस्तांतरण शिक्षण आहे ज्याचे उद्दीष्ट स्रोत आणि लक्ष्य दरम्यान डेटा वितरण असंगतता असूनही स्रोत डेटामधून लक्ष्य डेटावर प्रभावी भविष्यवाणी करणे आहे. या लेखात आम्ही एका नवीन अनसुप्रिव्हेटेड डीए पद्धतीची माहिती देत आहोत. विशेषतः, प्रस्तावित डीए पद्धत पुनरावृत्तीपूर्वक लॅटेंट सामायिक वैशिष्ट्य उप-जागा शोधते जिथे स्त्रोत डोमेन आणि लक्ष्य डोमेनमधील डेटा वितरणातील भिन्नता केवळ कमी होत नाही, जसे बहुतेक अत्याधुनिक डीए पद्धती करतात, परंतु भेदभावपूर्ण शिक्षणास सुलभ करण्यासाठी इंटर-क्लास अंतर देखील वाढविले जाते. याव्यतिरिक्त, प्रस्तावित डीए पद्धत सामायिक उप-जागामध्ये प्राप्त केलेल्या वैशिष्ट्यांमधून वर्ग लेबल्स कमी करते आणि स्त्रोत डेटावरील अंदाज त्रुटी कमी करते आणि स्त्रोत आणि लक्ष्य दरम्यान लेबल सुसंगतता सुनिश्चित करते. नकारात्मक ज्ञान हस्तांतरण टाळण्यासाठी डेटा आऊटलाईर्स देखील खात्यात घेतले जातात. व्यापक प्रयोग आणि सखोल विश्लेषणाने प्रस्तावित डीए पद्धतीची प्रभावीता तपासली जाते जी मानक डीए बेंचमार्कवर, म्हणजेच 12 क्रॉस-डोमेन प्रतिमा वर्गीकरण कार्ये, अत्याधुनिक डीए पद्धतींपेक्षा सातत्याने उत्कृष्ट आहे. |
b9bc9a32791dba1fc85bb9d4bfb9c52e6f052d2e | उच्च-आयामी कॉन्फिगरेशन स्पेसमध्ये सिंगल-क्वेरी पथ नियोजन समस्या सोडविण्यासाठी एक सोपा आणि कार्यक्षम यादृच्छिक अल्गोरिदम सादर केला आहे. ही पद्धत दोन रॅपिड-एक्सप्लोरिंग रँडम ट्री (आरआरटी) तयार करून कार्य करते. झाडे प्रत्येकाने आपल्या आजूबाजूची जागा शोधली आणि एका साध्या लोभी युरिस्टिकच्या वापराद्वारे एकमेकांकडेही पुढे गेली. मूलतः मानवी हातासाठी हालचाली नियोजित करण्यासाठी डिझाइन केलेले असले तरी (7-डीओएफ किनेमेटिक चेन म्हणून मॉडेल केलेले) टक्कर-मुक्त पकडणे आणि हाताळणी कार्ये स्वयंचलित ग्राफिक अॅनिमेशनसाठी, अल्गोरिदम यशस्वीरित्या विविध मार्गांच्या नियोजन समस्यांवर लागू केले गेले आहे. संगणकीय उदाहरणामध्ये 2 डी आणि 3 डी मध्ये कठोर वस्तूंसाठी टक्कर-मुक्त हालचाली निर्माण करणे आणि 3 डी वर्कस्पेसमध्ये 6-डीओएफ पुमा बाहूसाठी टक्कर-मुक्त हेरफेर हालचाली समाविष्ट आहेत. काही मूलभूत सैद्धांतिक विश्लेषण देखील सादर केले आहे. |
d967d9550f831a8b3f5cb00f8835a4c866da60ad | |
6a686b525a84a87ca3e4d90a6704da8588e84344 | या कम्युनिकेशनमध्ये एक ब्रॉडबँड सर्कुलरली पोलराइज्ड (सीपी) 2 × 2 पॅच अॅरे सादर केले आहे जे अनुक्रमे-चरण फीडिंग नेटवर्क वापरते. तीन ऑपरेटिंग मोड एकत्र करून, अक्षीय प्रमाण (एआर) आणि प्रतिरोध बँडविड्थ दोन्ही सुधारित केले जातात आणि पूर्वी प्रकाशित अनुक्रमे-आधारित सिंगल-लेयर पॅच अॅरेच्या तुलनेत विस्तृत असतात. या तीन सीपी ऑपरेटिंग मोड ट्यून केले जातात आणि पॅच घटकांच्या ट्रंक केलेल्या कोपऱ्यांचे आणि अनुक्रमे-चरण फीडिंग नेटवर्कचे अनुकूलन करून जुळतात. प्रस्तावित पॅच अॅरेचा एक नमुना प्रयोगात्मकरित्या डिझाइनची पडताळणी करण्यासाठी तयार केला जातो. मोजलेली -१०-डीबी प्रतिरोधक बँडविड्थ १.०३ गीगाहर्ट्झ (५.२०-६.२३ गीगाहर्ट्झ) आहे आणि मोजलेली ३-डीबी एआर बँडविड्थ ०.७ गीगाहर्ट्झ (५.२५-५.९५ गीगाहर्ट्झ) आहे, किंवा १२.७% जी ५.५ गीगाहर्ट्झच्या मध्यवर्ती वारंवारतेशी संबंधित आहे. मोजलेल्या पीक गॅनिंगची संख्या १२ डीबीआयसी आहे आणि गॅनिंगचे बदल एआर बँडविड्थमध्ये ३ डीबीआयसीपेक्षा कमी आहेत. |
d97e3655f50ee9b679ac395b2637f6fa66af98c7 | ऊर्जा संवर्धनासाठी 30 वर्षांहून अधिक काळ फीडबॅकचा अभ्यास केला गेला आहे, ज्यात अभ्यास मोठ्या प्रमाणात भिन्न परिणाम नोंदवतात. साहित्याचा आढावा सुचवितो की अभिप्रायाची कार्यक्षमता कशी आणि कोणाला दिली जाते यावर अवलंबून असते; परंतु प्रदान केलेल्या अभिप्रायाचा प्रकार आणि अभ्यास पद्धती या दोन्ही प्रकारांमधील फरक यामुळे निष्कर्ष काढणे कठीण झाले आहे. या लेखात, पूर्वसूचना आणि पर्यावरणास अनुकूल वर्तन या दोन्ही विषयांवर मागील सैद्धांतिक आणि अनुभवजन्य संशोधनाचे विश्लेषण केले आहे. यामध्ये, निराकरण न झालेल्या समस्या ओळखण्यासाठी आणि 1976 ते 2010 दरम्यान प्रकाशित झालेल्या 42 पूर्वसूचना अभ्यासातील मेटा-विश्लेषणाचा वापर केला आहे. परिणाम दर्शवतात की अभिप्राय एकूणच प्रभावी आहे, आर = .071, पी <.001, परंतु प्रभावांमध्ये लक्षणीय फरक आहे (आर -.080 ते .480 पर्यंत बदलला आहे). या संबंधामध्ये वारंवारता, माध्यम, तुलना संदेश, कालावधी आणि इतर हस्तक्षेप (उदाहरणार्थ, ध्येय, प्रोत्साहन) सह संयोजन यासह अनेक उपचार व्हेरिएबल्स नियंत्रित केल्याचे आढळले. एकूणच, परिणाम ऊर्जा संवर्धनास प्रोत्साहन देण्यासाठी एक आश्वासक धोरण म्हणून अभिप्रायाचा आणखी पुरावा प्रदान करतात आणि भविष्यातील संशोधनावर लक्ष केंद्रित करणारे क्षेत्र सुचवतात ज्यामध्ये अभिप्राय कसा आणि कोणासाठी सर्वात प्रभावी आहे याचा शोध घेण्यासाठी. |
697754f7e62236f6a2a069134cbc62e3138ac89f | |
ee654db227dcb7b39d26bec7cc06e2b43b525826 | |
54e7e6348fc8eb27dd6c34e0afbe8881eeb0debd | विज्ञान, कला आणि संस्कृतीच्या सीमांच्या पलीकडे विस्तारत, सामग्री-आधारित मल्टीमीडिया माहिती पुनर्प्राप्ती जगभरातील असंख्य विविध माध्यमांद्वारे शोधण्यासाठी नवीन नमुने आणि पद्धती प्रदान करते. या सर्वेक्षणात सामग्री-आधारित मल्टिमिडीया माहिती पुनर्प्राप्तीवरील 100+ अलीकडील लेखांचा आढावा घेतला गेला आहे आणि सध्याच्या संशोधन दिशानिर्देशांमध्ये त्यांच्या भूमिकेवर चर्चा केली गेली आहे ज्यात ब्राउझिंग आणि शोध नमुने, वापरकर्ता अभ्यास, भावनिक संगणन, शिक्षण, सिमेंटिक क्वेरी, नवीन वैशिष्ट्ये आणि मीडिया प्रकार, उच्च कार्यक्षमता निर्देशांक आणि मूल्यांकन तंत्र यांचा समावेश आहे. आजच्या तंत्रज्ञानाच्या आधारे भविष्यातील प्रमुख आव्हानांचा आम्ही विचार करतो. |
2902e0a4b12cf8269bb32ef6a4ebb3f054cd087e | कार्य-संबंधित गणितीय मॉडेलचे ऑप्टिमायझेशन ही सांख्यिकी आणि शिक्षण क्षेत्रातील सर्वात मूलभूत पद्धतींपैकी एक आहे. तथापि, सामान्यतः डिझाइन केलेले स्कीमॅटिक पुनरावृत्ती वास्तविक-जगातील अनुप्रयोगांमध्ये जटिल डेटा वितरण तपासणे कठीण असू शकते. अलीकडेच, प्रशिक्षण सखोल प्रसार (म्हणजेच, नेटवर्क) काही विशिष्ट कार्यांमध्ये आशादायक कामगिरी प्राप्त केली आहे. दुर्दैवाने, विद्यमान नेटवर्क अनेकदा हेरिस्टिक पद्धतीने तयार केले जातात, त्यामुळे तत्त्वनिष्ठ अर्थ लावणे आणि ठोस सैद्धांतिक आधार नसतात. या कामात, आम्ही या भिन्न यंत्रणा (म्हणजेच, मॉडेल ऑप्टिमायझेशन आणि खोल प्रसार) दरम्यान अंतर कमी करण्यासाठी प्रजनन आणि ऑप्टिमायझेशन आधारित डीप मॉडेल (पीओडीएम) नावाचे एक नवीन नमुना प्रदान करतो. एकीकडे, आम्ही मॉडेल ऑप्टिमायझेशनसाठी एक सखोल प्रशिक्षित सोलव्हर म्हणून पीओडीएमचा वापर करतो. या विद्यमान नेटवर्क आधारित पुनरावृत्तींपेक्षा भिन्न, ज्यात बर्याचदा सैद्धांतिक तपासणीची कमतरता असते, आम्ही आव्हानात्मक नॉन-उंच आणि नॉन-स्मूथ परिस्थितींमध्ये पीओडीएमसाठी कठोर अभिसरण विश्लेषण प्रदान करतो. दुसरीकडे, मॉडेलची मर्यादा कमी करून आणि एंड-टू-एंड प्रशिक्षण देऊन, आम्ही डोमेन ज्ञान (मॉडेल म्हणून तयार केलेले) आणि वास्तविक डेटा वितरण (नेटवर्कद्वारे शिकलेले) समाकलित करण्यासाठी एक PODM आधारित धोरण देखील विकसित करतो, ज्यामुळे वास्तविक-जागतिक अनुप्रयोगांना आव्हान देण्यासाठी एक सामान्य संच फ्रेमवर्क तयार होते. व्यापक प्रयोगांमुळे आमच्या सैद्धांतिक परिणामांची पडताळणी होते आणि या अत्याधुनिक पद्धतींपेक्षा पीओडीएमचे श्रेष्ठत्व सिद्ध होते. |
5dca5aa024f513801a53d9738161b8a01730d395 | अज्ञात वातावरणाचा नकाशा तयार करणे आणि त्याच वेळी त्या नकाशाचा वापर नेव्हिगेट करण्यासाठी करणे ही मोबाइल रोबोटिक्स संशोधनातील एक केंद्रीय समस्या आहे. या पेपरमध्ये सोनरचा वापर करून समवर्ती मॅपिंग आणि स्थानिकीकरण (सीएमएल) कसे करावे या समस्येवर लक्ष केंद्रित केले आहे. स्टोकेस्टिक मॅपिंग हा सीएमएलचा एक वैशिष्ट्य-आधारित दृष्टीकोन आहे जो वाहनाचे स्थानिकीकरण आणि पर्यावरणीय मॅपिंग समाविष्ट करण्यासाठी विस्तारित कलमन इटरचा सामान्यीकरण करतो. आम्ही स्टोकास्टिक मॅपिंगची अंमलबजावणी वर्णन करतो जे नकाशात नवीन वैशिष्ट्ये सुरू करण्यासाठी, नकाशा वैशिष्ट्यांशी जुळणारे मोजमाप आणि कालबाह्य वैशिष्ट्ये हटविण्यासाठी विलंबित जवळच्या शेजारी डेटा असोसिएशन धोरण वापरते. आम्ही अनुकूली संवेदनासाठी एक मेट्रिक सादर करतो जो फिशर माहितीच्या दृष्टीने परिभाषित केला जातो आणि वाहनाच्या त्रुटी दीर्घवृत्तांच्या क्षेत्रांची बेरीज आणि नकाशावरील वैशिष्ट्यांचा अंदाज दर्शवितो. अंदाज सेन्सर वाचन आणि अपेक्षित मृत-गणना त्रुटींचा वापर रोबोटच्या प्रत्येक संभाव्य कृतीसाठी मेट्रिकचा अंदाज लावण्यासाठी केला जातो आणि सर्वात कमी किंमत (म्हणजेच जास्तीत जास्त माहिती) देणारी कृती निवडली जाते. हे तंत्र अनुकरण, हवेतील सोनार प्रयोग आणि पाण्याच्या खाली सोनार प्रयोगांद्वारे दर्शविले जाते. परिणाम दर्शविले आहेत 1) हालचालीचे अनुकूली नियंत्रण आणि 2) हालचालीचे अनुकूली नियंत्रण आणि स्कॅनिंग. या वाहनाचा उपयोग पर्यावरणामध्ये वेगवेगळ्या वस्तू निवडकपणे शोधण्यासाठी केला जातो. या अनुकूली अल्गोरिदमची कार्यक्षमता सरळ रेषेतील हालचाल आणि यादृच्छिक हालचालीपेक्षा श्रेष्ठ असल्याचे दर्शविले जाते. |
5eb1e4bb87b0d99d62f171f1eede90c98bf266ab | वायरलेस सेन्सर नेटवर्कमध्ये उर्जा समस्या सोडविण्यासाठी वायरलेस पॉवर ट्रान्सफर हे एक आशादायक तंत्रज्ञान आहे. अशा तंत्रज्ञानाला प्रभावीपणे काम करण्यासाठी, नेटवर्कमध्ये प्रवास करण्यासाठी चार्जर घेऊन जाण्यासाठी वाहनाची आवश्यकता असते. दुसरीकडे, हे सर्वस्वी मान्य आहे की, मोबाइल बेस स्टेशनला निश्चित स्टेशनपेक्षा लक्षणीय फायदे आहेत. या पेपरमध्ये, आम्ही वायरलेस चार्जिंग वाहनावर मोबाइल बेस स्टेशनचे सह-स्थान शोधण्याच्या मनोरंजक समस्येची तपासणी करतो. आम्ही एक ऑप्टिमायझेशन समस्या अभ्यासतो जी प्रवास मार्ग, थांबण्याचे ठिकाणे, चार्जिंग वेळापत्रक आणि प्रवाह मार्गक्रमण एकत्रितपणे ऑप्टिमाइझ करते. आमचा अभ्यास दोन टप्प्यात होतो. प्रथम, आपण एक आदर्श समस्या अभ्यास करतो जी शून्य प्रवासाची वेळ गृहीत धरते, आणि या आदर्श समस्येसाठी एक सिद्ध जवळ-सकारात्मक उपाय विकसित करतो. दुसऱ्या टप्प्यात, आम्ही शून्य प्रवास वेळेसह व्यावहारिक उपाय कसा विकसित करायचा हे दर्शवितो आणि या सोल्यूशन आणि मूळ समस्येचे अज्ञात इष्टतम उपाय यांच्यातील कार्यक्षमतेचे अंतर मोजू. |
229547ed3312ee6195104cdec7ce47578f92c2c6 | या लेखात, एखाद्या उद्योगात वेगळ्या फर्मच्या कामगिरीची उत्पत्ती फर्मच्या गतिशील क्षमता कशा प्रकारे होऊ शकते याचे विश्लेषण केले आहे. धोरणात्मक आणि संघटनात्मक सिद्धांत या दोन्ही गोष्टींचा अंतर्दृष्टी एकत्रित करून, गतिशील क्षमतांच्या चार कामगिरी-संबंधित गुणधर्मांचा प्रस्ताव आहे: गतिशील क्षमता उपयोजन करण्याची वेळ, पर्यायी स्त्रोत कॉन्फिगरेशनच्या शोधात भाग म्हणून नक्कल, गतिशील क्षमता उपयोजन खर्च, आणि गतिशील क्षमता उपयोजित करणे शिकणे. या गुणधर्मांमुळे कंपनीच्या कामगिरीत फरक कसा निर्माण होतो, याबाबत सैद्धांतिक प्रस्ताव तयार केले जातात. एक औपचारिक मॉडेल सादर केले आहे ज्यामध्ये गतिमान क्षमता बदलण्याच्या फर्मच्या उत्क्रांती प्रक्रियांचे मार्गदर्शन करणारे नियमांचे संच म्हणून मॉडेल केले जाते. मॉडेलचे अनुकरण डायनॅमिक क्षमता तैनात करून बदल प्रक्रियेची अंतर्दृष्टी देते आणि सैद्धांतिक प्रस्तावांचे परिष्कृत करण्यास परवानगी देते. या अभ्यासाचा एक मनोरंजक निष्कर्ष असा आहे की डायनॅमिक क्षमता कंपन्यांमध्ये समान असली तरीही, डायनॅमिक क्षमता तैनात करण्याच्या खर्च आणि वेळेनुसार कंपन्या भिन्न असतील तर कंपन्यांमध्ये कार्यक्षमतेत मोठे फरक उद्भवू शकतात. |
b533b13910cc0de21054116715988783fbea87cc | आजकाल इंटरनेटच्या माध्यमातून अधिकाधिक सार्वजनिक आणि व्यावसायिक सेवा वापरल्या जातात. त्यामुळे माहिती सुरक्षा ही माहिती समाजात महत्वाची बाब बनते. काही डेटा मायनिंग तंत्र देखील घुसखोरी शोधण्यात मदत करतात. घुसखोरी शोधण्यासाठी वापरल्या जाणाऱ्या काही डेटा मायनिंग तंत्रांचे दोन वर्गात वर्गीकरण केले जाऊ शकते: गैरवापर घुसखोरी शोधणे आणि विसंगती घुसखोरी शोधणे. दुरुपयोग हा नेहमी ज्ञात हल्ले आणि हानिकारक क्रियाकलापांचा संदर्भ देतो जे प्रणालीच्या ज्ञात संवेदनशीलतेचा फायदा घेतात. असामान्य म्हणजे सामान्यतः अशी क्रिया, जी एखाद्या घुसखोरीचे संकेत देण्यास सक्षम असते. या पेपरमध्ये, घुसखोरी शोधण्यासाठी डेटा खनन तंत्राचा वापर करण्याच्या 23 संबंधित पेपरमध्ये तुलना केली गेली. आमच्या कामामुळे डेटा मायनिंग आणि सॉफ्ट कंप्यूटिंग तंत्रज्ञानावर एक आढावा मिळतो जसे की आर्टिफिशियल न्यूरल नेटवर्क (एएनएन), सपोर्ट वेक्टर मशीन (एसव्हीएम) आणि मल्टीव्हॅरिएट अॅडॅप्टिव्ह रिग्रेशन स्प्लाईन (एमएआरएस) इत्यादी. या पेपरमध्ये आयडीएस डेटा माइनिंग तंत्र आणि घुसखोरी शोधण्यासाठी वापरल्या जाणार्या ट्यूपल्सची तुलना दर्शविली आहे. त्या 23 संबंधित कागदपत्रांमध्ये, 7 संशोधन पेपर एएनएन वापरतात आणि 4 एसव्हीएम वापरतात, कारण एएनएन आणि एसव्हीएम इतर मॉडेल आणि संरचनांपेक्षा अधिक विश्वासार्ह आहेत. याव्यतिरिक्त, 8 संशोधन DARPA1998 ट्यूपल्स वापरतात आणि 13 संशोधन KDDCup1999 वापरतात, कारण मानक ट्यूपल्स इतरांपेक्षा अधिक विश्वासार्ह आहेत. सध्याच्या काळात घुसखोरी शोधण्याचे कोणतेही उत्तम मॉडेल नाही. मात्र, भविष्यात घुसखोरी शोधण्याच्या संशोधनाच्या दिशेने या लेखात लक्ष वेधले पाहिजे. कीवर्ड- घुसखोरीचा शोध, डेटा मायनिंग, एएनएन |
a69fd2ad66791ad9fa8722a3b2916092d0f37967 | याशिवाय, शहरी लेआउटचे उदाहरण एकत्रित करण्याची क्षमता नवीन कृत्रिम सामग्री तयार करण्याचा एक प्रभावी मार्ग प्रदान करते. आम्ही आमच्या प्रणालीचे प्रदर्शन शहरातील आराखडे तयार करून करतो. वास्तविक जगातील शहरांचे उदाहरण वापरून, प्रत्येक शंभर ते हजारो शहर ब्लॉक आणि पार्सल. आम्ही उदाहरणार्थ शहरी लेआउट संश्लेषण करण्यासाठी एक परस्पर प्रणाली सादर करतो. आमची पद्धत एकाच वेळी रचना-आधारित संश्लेषण आणि प्रतिमा-आधारित संश्लेषण दोन्ही करते. एक संपूर्ण शहरी मांडणी तयार करण्यासाठी एक विश्वासार्ह रस्त्यांचे जाळे आणि हवाई-दृश्य प्रतिमा. आमच्या दृष्टिकोनातून वास्तविक जगाच्या शहरी भागांची रचना आणि प्रतिमा डेटा आणि संश्लेषण अल्गोरिदमचा वापर करून अनेक उच्च-स्तरीय ऑपरेशन्स प्रदान करण्यासाठी उदाहरणार्थ जटिल लेआउट सहज आणि परस्परसंवादीपणे तयार केले जातात. कमी स्तरावरील संरचनात्मक तपशीलांची चिंता न करता वापरकर्ता नवीन शहरी लेआउट तयार करू शकतो जसे की ऑपरेशन्सचा एक क्रम जसे की सामील व्हा, विस्तार करा आणि मिश्रित करा. |
9b8be6c3ebd7a79975067214e5eaea05d4ac2384 | आपण दाखवतो की ग्रेडियंट उतरती कडे स्थानिक कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमी डायनॅमिक सिस्टम्स थिअरी मधून स्थिर मनिफोल्ड प्रमेय लागू करून हे सिद्ध केले जाते. |
75235e03ac0ec643e8a784f432e6d1567eea81b7 | मागील दशकात खाण डेटा प्रवाह हा संशोधनाच्या स्वारस्याचा केंद्रबिंदू आहे. हार्डवेअर आणि सॉफ्टवेअरच्या प्रगतीमुळे या संशोधन क्षेत्राचे महत्त्व वाढले आहे. या वेगाने तयार होणाऱ्या डेटाला डेटा स्ट्रीम असे म्हणतात. क्रेडिट कार्ड व्यवहार, गुगल सर्च, शहरातील फोन कॉल आणि इतर अनेक सामान्य डेटा प्रवाह आहेत. अनेक महत्वाच्या अनुप्रयोगांमध्ये, या स्ट्रीमिंग डेटाचे रिअल टाइममध्ये विश्लेषण करणे अपरिहार्य आहे. डेटा स्ट्रीम मायनिंगच्या गरजा पूर्ण करण्यासाठी पारंपरिक डेटा मायनिंग तंत्रज्ञान अपुरे ठरले आहे. नवीन तंत्र विकसित करण्यासाठी किंवा स्ट्रीमिंग वातावरणात कार्य करण्यास सक्षम होण्यासाठी बाहेर पडणारे तंत्र अवलंबण्यासाठी यादृच्छिकरण, अंदाजे आणि अनुकूलन मोठ्या प्रमाणात वापरले गेले आहे. या लेखात डेटा स्ट्रीम मायनिंग क्षेत्रातल्या महत्त्वाच्या टप्प्यांचा आणि तांत्रिक स्थितीचा आढावा घेण्यात आला आहे. भविष्यातील अंतर्दृष्टी देखील सादर केली जाईल. C © 2011 विले पेरीडिकल्स, इंक. |
2327ad6f237b37150e84f0d745a05565ebf0b24d | बिटकॉइन हे सर्वप्रथम मोठ्या प्रमाणात स्वीकारले जाणारे डिजिटल चलन आहे. पेमेंट्स छद्म नावे वापरून केले जातात, बिटकोइन मजबूत गोपनीयता हमी देऊ शकत नाही: पेमेंट व्यवहार सार्वजनिक विकेंद्रीकृत खात्यात नोंदवले जातात, ज्यातून बरीच माहिती काढली जाऊ शकते. शून्य नाणे (मिअर्स व इतर, आयईईई एस अँड पी 2013) यापैकी काही गोपनीयता समस्यांना पेमेंटच्या उत्पत्तीपासून व्यवहार विभक्त करून सोडवते. तरीही, हे अद्याप देयकेचे उद्देश आणि रक्कम प्रकट करते आणि कार्यक्षमतेत मर्यादित आहे. या लेखात, आम्ही एक पूर्ण-स्तरीय, खाते-आधारित डिजिटल चलन तयार करतो ज्यात मजबूत गोपनीयता हमी आहे. आमचे परिणाम शून्य-ज्ञान संक्षिप्त नॉन-इंटरएक्टिव आर्गुमेंट्स ऑफ नॉलेज (झ्क-एसएनएआरके) मधील अलीकडील प्रगतीचा फायदा घेतात. प्रथम, आम्ही विकेंद्रीकृत अनामिक पेमेंट स्कीम (डीएपी स्कीम) तयार करतो आणि तयार करतो. डीएपी योजना वापरकर्त्यांना थेट एकमेकांना खाजगीरित्या पैसे देण्यास सक्षम करते: संबंधित व्यवहार पेमेंटची उत्पत्ती, गंतव्यस्थान आणि हस्तांतरित रक्कम लपवते. आम्ही औपचारिक व्याख्या आणि बांधकामाच्या सुरक्षिततेचे पुरावे प्रदान करतो. दुसरे म्हणजे, आम्ही शून्य रोख रक्कम तयार करतो, आमच्या डीएपी योजनेच्या बांधकामाचे व्यावहारिक उदाहरण. झिरो कॅशमध्ये, व्यवहार 1 केबीपेक्षा कमी असतात आणि सत्यापित करण्यासाठी 6 एमएसपेक्षा कमी वेळ लागतो - कमी-अनामिक झिरो नाण्यापेक्षा अधिक कार्यक्षम आणि साध्या बिट नाण्याशी स्पर्धात्मक. |
3d08280ae82c2044c8dcc66d2be5a72c738e9cf9 | मी एक संकरित मॅट्रिक्स फॅक्टरायझेशन मॉडेल सादर करतो जे वापरकर्ते आणि आयटम त्यांच्या सामग्री वैशिष्ट्यांचे रेषीय जोड्या म्हणून दर्शविते. या मॉडेलमध्ये कोल्ड स्टार्ट किंवा स्पर इंटरॅक्शन डेटाच्या परिस्थितीत (वापरकर्ता आणि आयटम मेटाडेटा दोन्ही वापरून) सहकार्यात्मक आणि सामग्री-आधारित दोन्ही मॉडेलची कामगिरी चांगली आहे आणि कमीतकमी एक शुद्ध सहकार्यात्मक मॅट्रिक्स फॅक्टराइझेशन मॉडेल देखील करते जिथे परस्परसंवादाची माहिती भरपूर आहे. याव्यतिरिक्त, मॉडेलद्वारे तयार केलेल्या वैशिष्ट्य एम्बेडिंग शब्द एम्बेडिंग दृष्टिकोनाची आठवण करून देणारी सिमेंटिक माहिती एन्कोड करते, ज्यामुळे ते टॅग शिफारसीसारख्या संबंधित कार्ये श्रेणीसाठी उपयुक्त ठरतात. |
25d1a2c364b05e0db056846ec397fbf0eacdca5c | मॅट्रिक्स फॅक्टरायझेशनवर आधारित पद्धती डायडिक डेटा विश्लेषणामध्ये लोकप्रिय होतात, जिथे मूलभूत समस्या, उदाहरणार्थ, टर्म-डॉक्युमेंट मॅट्रिक्स दिलेले शब्द आणि कागदपत्रे दस्तऐवज क्लस्टरिंग किंवा सह-क्लस्टरिंग करणे आहे. नॉन-नेगेटिव्ह मॅट्रिक्स ट्री-फॅक्टरायझेशन (एनएमटीएफ) सह-क्लस्टरिंगसाठी एक आश्वासक साधन म्हणून उदयास येते, ज्यामध्ये सर्व फॅक्टर मॅट्रिक्स नॉन-नेगेटिव्ह होण्यासाठी प्रतिबंधित असलेल्या एक्स यूएसव्हीच्या 3-फॅक्टर विघटनचा शोध आहे, म्हणजेच, यू पी 0; एस पी 0; व्ही पी 0: या पेपरमध्ये आम्ही ऑर्थोगोनल एनएमटीएफसाठी गुणक अद्यतने विकसित करतो जिथे एक्स यूएसव्ही ऑर्थोगोनालिटी निर्बंधांसह पाठपुरावा केला जातो, यूयू 1⁄4 आय; आणि व्ही 1⁄4 आय, स्टीफेल मॅनिफोल्ड्सवर खरे ग्रेडियंट्सचा फायदा घेत. विविध दस्तऐवज डेटा सेटवरील प्रयोगांमुळे हे सिद्ध झाले आहे की आमची पद्धत दस्तऐवज क्लस्टरिंगसाठी चांगली कार्य करते आणि शब्द आणि दस्तऐवजांच्या सह-क्लस्टरिंगद्वारे बहुभाषिक शब्द प्रकट करण्यात उपयुक्त आहे. २०१० एल्सवियर लिमिटेड सर्व हक्क राखीव आहेत. |
461ac81b6ce10d48a6c342e64c59f86d7566fa68 | या प्रकाशनात पुनरुत्पादित लेख आहेत ज्यांचे कॉपीराइट आयईईईकडे नाहीत. या लेखांचा पूर्ण मजकूर आयईईई एक्सप्लोरवर उपलब्ध नाही. |
c03fb606432af6637d9d7d31f447e62a855b77a0 | जरी असे पुरावे आहेत की शैक्षणिकदृष्ट्या यशस्वी विद्यार्थी त्यांच्या अभ्यासामध्ये गुंतलेले आहेत, परंतु विद्यार्थ्यांच्या प्रतिबद्धतेची स्पष्ट व्याख्या करणे कठीण आहे. विद्यार्थ्यांच्या सहभागात सामाजिक आणि शैक्षणिक अशा दोन आयाम असतात. सोशल मीडिया आणि डिजिटल तंत्रज्ञानाचा वेगाने अवलंब केल्यामुळे विद्यार्थ्यांच्या सहभागात सुधारणा करण्यासाठी त्यांचा वापर करण्यात वाढती रस सुनिश्चित झाला आहे. या लेखात पहिल्या वर्षाच्या मानसशास्त्र विद्यार्थ्यांच्या फेसबुक वापराची तपासणी करण्यात आली आहे आणि असे म्हटले आहे की, बहुसंख्य विद्यार्थ्यांचे (94%) फेसबुक खाते असून ते दररोज सरासरी एक तास फेसबुकवर घालवतात, परंतु त्यांचा वापर प्रामुख्याने सामाजिक असल्याचे आढळून आले आहे. व्यक्तिमत्त्वाच्या घटकांचा वापर करण्याच्या पद्धतीवर प्रभाव पडतो, ज्यामध्ये अधिक विवेकशील विद्यार्थी कमी विवेकशील विद्यार्थ्यांपेक्षा फेसबुक कमी वापरतात. या पेपरमध्ये असा तर्क आहे की, शैक्षणिक सहभाग वाढविण्याच्या मार्गावर सामाजिक प्रतिबद्धतेला प्रोत्साहन देण्याऐवजी, असे दिसते की फेसबुक एक विचलित करणारा प्रभाव म्हणून कार्य करण्याची अधिक शक्यता आहे. |
171071069cb3b58cfe8e38232c25bfa99f1fbdf5 | ऑनलाईन सोशल नेटवर्किंग साइट्सने स्वतःची ओळख करून देण्याची एक पूर्णपणे नवीन पद्धत उघड केली आहे. हे सायबर सामाजिक साधन व्यक्तिमत्व आणि ओळख तपासण्यासाठी एक नवीन विश्लेषण साइट प्रदान करते. फेसबुक डॉट कॉम या सोशल नेटवर्किंग साईटवर स्वतःवर प्रेम करणारे आणि स्वतःची प्रशंसा करणारे लोक कसे दिसतात याचा अभ्यास या संशोधनात करण्यात आला आहे . यॉर्क विद्यापीठातल्या १०० फेसबुक युजर्सकडून आत्मसन्मान आणि स्वार्थी व्यक्तिमत्त्वाची आत्म-अहवाल गोळा करण्यात आली. सहभागी वेब पृष्ठांना स्वतः ची जाहिरात सामग्री वैशिष्ट्यांवर आधारित कोड देखील देण्यात आले. परस्परसंबंधाच्या विश्लेषणातून असे दिसून आले की, व्यक्तींमध्ये जास्त नार्सिझम आणि कमी आत्मसन्मान असणे हे अधिक ऑनलाइन क्रियाकलापांशी तसेच काही स्वयं-प्रचारात्मक सामग्रीशी संबंधित होते. लैंगिक फरक वैयक्तिक फेसबुक वापरकर्त्यांद्वारे सादर केलेल्या स्वयं-प्रचार सामग्रीच्या प्रकारावर प्रभाव पाडतात. यामध्ये सोशल नेटवर्किंग वेबसाईटवरील नार्सिझम आणि स्वाभिमान यांचा परिणाम आणि भविष्यातील संशोधनाच्या दिशेने चर्चा केली आहे. |
5e30227914559ce088a750885761adbb7d2edbbf | इंटरनेटवर सोशल नेटवर्किंगमध्ये सामील होण्यासाठी किशोरवयीन मुले स्वतंत्रपणे वैयक्तिक माहिती देतील. नंतर, जेव्हा त्यांच्या पालकांनी त्यांची पत्रिका वाचली तेव्हा ते आश्चर्यचकित झाले. तरुणांनी ऑनलाईन पोस्ट केलेल्या वैयक्तिक माहितीमुळे समाजात संताप आहे आणि महाविद्यालये विद्यार्थ्यांच्या कॅम्पसमध्ये आणि बाहेरच्या क्रियाकलापांचा मागोवा ठेवतात. किशोरवयीन आणि विद्यार्थ्यांनी वैयक्तिक माहिती पोस्ट केल्यास त्याचे परिणाम होतात. या लेखात, गोपनीयता विरोधाभास, खाजगी विरुद्ध सार्वजनिक जागा आणि सोशल नेटवर्किंग गोपनीयता समस्या यांचे वर्णन करून सोशल नेटवर्किंगमधील गोपनीयता समस्यांविषयी चर्चा केली जाईल. यामध्ये खासगीपणाच्या मुद्द्यावर चर्चा केली जाईल. |
6c394f5eecc0371b43331b54ed118c8637b8b60d | एकाधिक-विभागाच्या पॉवर डिवाइडरचे एक नवीन डिझाइन सूत्र विस्तृत अलगाव कार्यक्षमता प्राप्त करण्यासाठी प्राप्त केले जाते. या डिझाईनचे सूत्र सिंगल टर्मिनेटेड फिल्टर डिझाईन थिअरीवर आधारित आहे. प्रस्तावित डिझाईन फॉर्म्युलाची वैधता दर्शविण्यासाठी या पेपरमध्ये मल्टी-सेक्शन पॉवर डिवाइडरचे अनेक सिम्युलेशन आणि प्रायोगिक परिणाम सादर केले आहेत. प्रयोगांमुळे मल्टी-सेक्शन पॉवर डिवाइडरची उत्कृष्ट कामगिरी दिसून आली आहे. |
d12e3606d94050d382306761eb43b58c042ac390 | प्रवेश परीक्षेत विद्यार्थ्यांच्या यशाकडे (किंवा अपयशाकडे) नेणारे घटक समजून घेणे ही एक मनोरंजक आणि आव्हानात्मक समस्या आहे. केंद्रीकृत प्लेसमेंट चाचण्या आणि भविष्यातील शैक्षणिक यशांना संबंधित संकल्पना मानल्या जात असल्याने, प्लेसमेंट चाचण्यांमागील यश घटकांचे विश्लेषण शैक्षणिक यशाचे समजून घेण्यास आणि संभाव्यतः सुधारण्यास मदत करू शकते. या अभ्यासात, तुर्कीमधील माध्यमिक शिक्षण संक्रमण प्रणालीच्या मोठ्या आणि वैशिष्ट्यपूर्ण डेटासेटचा वापर करून आम्ही माध्यमिक शिक्षण प्लेसमेंट चाचणी निकालांचा अंदाज लावण्यासाठी मॉडेल विकसित केले आणि त्या अंदाज मॉडेलवरील संवेदनशीलता विश्लेषणाचा वापर करून आम्ही सर्वात महत्वाचे भविष्यवाणी करणारे घटक ओळखले. परिणामांनी दर्शविले की सी 5 निर्णय वृक्ष अल्गोरिदम हा 95% अचूकतेसह होल्ड-आउट नमुनावर सर्वोत्तम भविष्यवाणी करणारा आहे, त्यानंतर समर्थन वेक्टर मशीन (91% अचूकतेसह) आणि कृत्रिम तंत्रिका नेटवर्क (89% अचूकतेसह) आहेत. लॉजिस्टिक रिग्रेशन मॉडेल हे चारपैकी सर्वात कमी अचूक ठरले आणि एकूण अचूकता ८२% आहे. संवेदनशीलता विश्लेषणामुळे असे दिसून आले की, परीक्षेचा मागील अनुभव, विद्यार्थ्याला शिष्यवृत्ती आहे की नाही, विद्यार्थ्याचे भावंड आहेत की नाही, मागील वर्षांची ग्रेड पॉईंट सरासरी ही प्रवेश परीक्षेच्या गुणांच्या सर्वात महत्वाच्या भविष्यवाणी करणाऱ्यांपैकी एक आहेत. २०१२ एल्सव्हिअर लिमिटेड सर्व हक्क राखीव आहेत. |
75859ac30f5444f0d9acfeff618444ae280d661d | बहु-बायोमेट्रिक प्रणाली मोठ्या प्रमाणात बायोमेट्रिक अनुप्रयोगांमध्ये (उदाहरणार्थ, एफबीआय-आयएएफआयएस, भारतातील यूआयडीएआय प्रणाली) वाढत्या प्रमाणात वापरली जात आहेत कारण त्यांच्यात युनिबायोमेट्रिक प्रणालीच्या तुलनेत त्रुटीचे प्रमाण कमी आणि लोकसंख्येचा मोठा समावेश आहे. तथापि, मल्टीबायोमेट्रिक प्रणालींना प्रत्येक वापरकर्त्यासाठी एकाधिक बायोमेट्रिक टेम्पलेट्स (उदाहरणार्थ, फिंगरप्रिंट, इरिस आणि चेहरा) संचयित करण्याची आवश्यकता असते, ज्यामुळे वापरकर्त्याच्या गोपनीयता आणि सिस्टम सुरक्षिततेस धोका वाढतो. वैयक्तिक टेम्पलेट्सचे संरक्षण करण्यासाठी एक पद्धत म्हणजे बायोमेट्रिक क्रिप्टोसिस्टमचा वापर करून संबंधित टेम्पलेटमधून तयार केलेला केवळ सुरक्षित स्केच संग्रहित करणे. यासाठी अनेक स्केचेस साठवण्याची गरज आहे. या पेपरमध्ये, आम्ही एका सुरक्षित स्केच म्हणून एका वापरकर्त्याच्या एकाधिक टेम्पलेट्सचे एकाच वेळी संरक्षण करण्यासाठी वैशिष्ट्य-स्तरीय फ्यूजन फ्रेमवर्कचा प्रस्ताव करतो. आमच्या मुख्य योगदानामध्ये खालील गोष्टींचा समावेश आहे: (1) दोन सुप्रसिद्ध बायोमेट्रिक क्रिप्टोसिस्टम, म्हणजेच, फजी व्होल्ट आणि फजी कमिटमेंटचा वापर करून प्रस्तावित वैशिष्ट्य-स्तरीय फ्यूजन फ्रेमवर्कची व्यावहारिक अंमलबजावणी आणि (2) दोन भिन्न डेटाबेसवर आधारित प्रस्तावित मल्टीबायोमेट्रिक क्रिप्टोसिस्टममधील जुळणारी अचूकता आणि सुरक्षिततेमधील तडजोडीचे तपशीलवार विश्लेषण (एक वास्तविक आणि एक आभासी मल्टीमोडल डेटाबेस), प्रत्येकात तीन सर्वात लोकप्रिय बायोमेट्रिक पद्धती, म्हणजे फिंगरप्रिंट, इरिस आणि चेहरा. प्रायोगिक परिणामांमधून असे दिसून आले आहे की येथे प्रस्तावित दोन्ही मल्टीबायोमेट्रिक क्रिप्टोसिस्टममध्ये त्यांच्या युनिबायोमेट्रिक समकक्षांच्या तुलनेत उच्च सुरक्षा आणि जुळणारी कार्यक्षमता आहे. |
98e03d35857f66c34fa79f3ea0dd2b4e3b670044 | |
65227ddbbd12015ba8a45a81122b1fa540e79890 | एखाद्या वेब पेजचे महत्त्व ही एक अंतर्निहित विषय आहे, जी वाचकांच्या आवडी, ज्ञान आणि वृत्तीवर अवलंबून असते. पण वेब पेजच्या सापेक्ष महत्त्वाविषयी अजून बरेच काही सांगता येईल. या लेखात पेज रँक या पद्धतीचे वर्णन केले आहे, जी वेब पृष्ठांना वस्तुनिष्ठपणे आणि यांत्रिकरित्या रेटिंग देण्याची पद्धत आहे, जे त्यास समर्पित मानवी व्याज आणि लक्ष प्रभावीपणे मोजते. आम्ही पेजरँकची तुलना एका आदर्श वेब सर्फरशी करतो. मोठ्या संख्येने पृष्ठांसाठी PageRank कसे गणना करावे हे आम्ही दाखवतो. आणि, आम्ही दर्शवितो की PageRank चा वापर कसा करायचा शोध आणि वापरकर्त्याच्या नेव्हिगेशनसाठी. |
0a202f1dfc6991a6a204eaa5e6b46d6223a4d98a | कोणतीही फीचर-आधारित व्हिजन प्रणाली काम करू शकत नाही जर चांगल्या वैशिष्ट्यांची ओळख पटली नाही आणि फ्रेम-टू-फ्रेम ट्रॅक केली गेली नाही. जरी स्वतः चे ट्रॅकिंग ही एक मोठी समस्या आहे, परंतु असे वैशिष्ट्ये निवडणे जे चांगले ट्रॅक केले जाऊ शकतात आणि जगातील भौतिक बिंदूंशी संबंधित आहेत ते अद्याप कठीण आहे. आम्ही एक वैशिष्ट्य निवड निकष प्रस्तावित करतो जो बांधकामाद्वारे इष्टतम आहे कारण तो ट्रॅकर कसे कार्य करतो यावर आधारित आहे आणि एक वैशिष्ट्य देखरेख पद्धत जी जगातील बिंदूंशी संबंधित नसलेली ऑक्लूशन, डिसोक्ल्यूशन आणि वैशिष्ट्ये शोधू शकते. या पद्धती नवीन ट्रॅकिंग अल्गोरिदमवर आधारित आहेत ज्यामध्ये पूर्वीच्या न्यूटन-रॅफसन शैलीतील शोध पद्धतींचा विस्तार केला गेला आहे. आम्ही अनेक सिमुलेशन आणि प्रयोगांच्या माध्यमातून कामगिरीची चाचणी घेतो. |
4f640c1338840f3740187352531dfeca9381b5c3 | खाण अनुक्रमांकित नमुन्यांची समस्या अलीकडेच [AS95] मध्ये सादर करण्यात आली. आपल्याला अनुक्रमांची माहिती दिली जाते, जिथे प्रत्येक अनुक्रम म्हणजे व्यवहारांची यादी असते, व्यवहाराच्या वेळेनुसार क्रमवारी लावली जाते, आणि प्रत्येक व्यवहार म्हणजे आयटमचा संच असतो. या समस्येचे उत्तर म्हणजे सर्व अनुक्रमांकित नमुने शोधणे ज्यामध्ये वापरकर्त्याने निर्दिष्ट केलेला किमान आधार असेल, जिथे नमुन्याचा आधार म्हणजे नमुना असलेल्या डेटा-अनुक्रमांची संख्या. एका अनुक्रमाच्या नमुन्याचे उदाहरण म्हणजे, %% ग्राहकांनी एका व्यवहारात नवीन फाउंडेशन आणि रिंगवर्ल्ड खरेदी केले, त्यानंतर दुसरा फाउंडेशन नंतरच्या व्यवहारात. आपण खालीलप्रमाणे समस्येचे सामान्यीकरण करतो. प्रथम, आपण वेळ मर्यादा जोडतो जी नमुन्यातील समीप घटकांमधील किमान आणि / किंवा जास्तीत जास्त कालावधी निर्दिष्ट करते. दुसरे म्हणजे, अनुक्रमांकित नमुन्यातील घटकांची संख्या एकाच व्यवहारापासून येणे आवश्यक आहे, त्याऐवजी आम्ही घटकांना व्यवहारांच्या संचामध्ये उपस्थित राहण्याची परवानगी देतो ज्यांचे व्यवहार-वेळ वापरकर्त्याद्वारे निर्दिष्ट केलेल्या वेळ विंडोमध्ये असतात. तिसरे, आयटमवर वापरकर्त्याने परिभाषित केलेल्या वर्गीकरण (एक पदानुक्रम) दिलेला, आम्ही अनुक्रमांकित नमुन्यांना वर्गीकरणाच्या सर्व स्तरांवर आयटम समाविष्ट करण्याची परवानगी देतो. आम्ही जीएसपी सादर करतो, एक नवीन अल्गोरिदम जो या सर्वसाधारण अनुक्रमांकित नमुन्यांचा शोध घेतो. कृत्रिम आणि वास्तविक जीवनातील डेटाचा वापर करून अनुभवजन्य मूल्यांकन दर्शविते की जीएसपी [AS95] मध्ये सादर केलेल्या अप्रीओरीअल अल्गोरिदमपेक्षा बरेच जलद आहे. जीएसपी डेटा-क्रमांच्या संख्येनुसार रेषात्मकपणे स्केल करते आणि सरासरी डेटा-क्रमाच्या आकाराच्या संदर्भात त्याचे स्केल-अप गुणधर्म खूप चांगले आहेत. तसेच, संगणक विज्ञान विभाग, विस्कॉन्सिन विद्यापीठ, मॅडिसन. |
4282abe7e08bcfb2d282c063428fb187b2802e9c | फिलर वापरणाऱ्या रुग्णांची संख्या हळूहळू वाढत असताना, गैरवैद्यकीय व्यावसायिकांनी किंवा अनुभवहीन डॉक्टरांनी उपचार केलेल्या रुग्णांच्या बाबतीतही गुंतागुंत वाढत आहेत. आम्ही येथे 2 रुग्णांची नोंद करतो ज्यांना फिलर इंजेक्शन घेतल्यानंतर तीव्र गुंतागुंत झाली आणि त्यांना एडीपोज- व्युत्पन्न स्टेम सेल (एडीएससी) थेरपीने यशस्वीरित्या उपचार केले गेले. केस १ ही एक २३ वर्षांची महिला रुग्ण होती ज्याला तिच्या कपाळावर, गुब्बल्यात आणि नाकात एक फिलर (रेस्टिलाईन) इंजेक्शन देण्यात आले. इंजेक्शनच्या दुसऱ्या दिवशी, 3×3 सेंटीमीटर त्वचेचा नाश झाल्याने सूज दिसून आली. केस २ ही ३० वर्षांची एक महिला होती, ज्याला एका खाजगी क्लिनिकमध्ये हायअल्युरोनिक acidसिड जेल (जुवेडरम) चे फिलर इंजेक्शन तिच्या नाकच्या डोरसम आणि टिपवर देण्यात आले. प्रत्येक रुग्णाच्या पोटातील त्वचेखालील ऊतीमधून काढलेल्या एडीएससी असलेला एक उपाय त्वचेखालील आणि त्वचेच्या पातळीवर घावात इंजेक्ट करण्यात आला. अतिरिक्त उपचाराशिवाय जखमा बरे झाल्या. सततच्या देखरेखीखाली, दोन्ही रुग्णांना शस्त्रक्रियेनंतर ६ महिन्यांनी फक्त बारीक रेषेच्या जखमा झाल्या. वसायुक्त स्टेम सेलचा वापर करून, आम्ही फिलर इंजेक्शननंतर त्वचेच्या नेक्रोसिसच्या तीव्र गुंतागुंतावर यशस्वीपणे उपचार केले, परिणामी कमी स्कारिंग होते, आणि अधिक समाधानकारक परिणाम केवळ जखमेच्या उपचारातच नव्हे तर सौंदर्यातही साध्य केले गेले. |
3198e5de8eb9edfd92e5f9c2cb325846e25f22aa | |
bdf434f475654ee0a99fe11fd63405b038244f69 | पुनरावृत्ती पूर्वानुमान स्कोअरचा वापर संपूर्ण यूएसएमध्ये शेकडो हजारो कैद्यांसाठी शिक्षा आणि देखरेख निश्चित करण्यासाठी केला जातो. अशा पुनरावृत्तीच्या अंदाज अंदाज स्कोअरचे जनरेटर नॉर्थपॉइंटचे सुधारक अपराधी व्यवस्थापन प्रोफाइलिंग फॉर अल्टरनेटिव्ह सॅन्क्शन (कॉम्पस) स्कोअर आहे, कॅलिफोर्निया आणि फ्लोरिडासारख्या राज्यांमध्ये वापरले जाते, जे मागील संशोधनात निष्पक्षतेच्या काही उपाययोजनांनुसार काळ्या कैद्यांविरूद्ध पक्षपाती असल्याचे दर्शविले आहे. या जातीच्या पूर्वग्रहाचा प्रतिकार करण्यासाठी, आम्ही एक विरोधी प्रशिक्षित न्यूरल नेटवर्क सादर करतो जो पुनरावृत्तीचा अंदाज लावतो आणि जातीच्या पूर्वग्रहाला दूर करण्यासाठी प्रशिक्षित आहे. जेव्हा आपण आपल्या मॉडेलचे परिणाम कॉम्पसशी तुलना करतो, तेव्हा आपल्याला अंदाज घेण्याची अचूकता मिळते आणि न्याय्यतेच्या तीन पैकी दोन मापदंडांची पूर्तता करण्याच्या जवळ जाता येते: समता आणि शक्यतांची समानता. आमचे मॉडेल कोणत्याही अंदाज आणि लोकसंख्याशास्त्रावर सामान्य केले जाऊ शकते. या संशोधनातून पुनरावृत्तीच्या अंदाजानुसार उच्च-धोका असलेल्या वास्तविक-जगातील अनुप्रयोगामध्ये वैज्ञानिक प्रतिकृती आणि सरलीकरणाचे उदाहरण दिले आहे. |
33fad977a6b317cfd6ecd43d978687e0df8a7338 | या पेपरमध्ये स्थानिक बायनरी नमुने आणि नमुना आणि नमुना वितरणातील नॉनपॅरामेट्रिक भेदभाव यावर आधारित ग्रे-स्केल आणि रोटेशन इन्व्हॅरिएंट पोत वर्गीकरणासाठी सैद्धांतिकदृष्ट्या अत्यंत सोपा, परंतु कार्यक्षम, मल्टी-रिझोल्यूशन दृष्टिकोन सादर केला आहे. ही पद्धत काही स्थानिक बायनरी नमुन्यांना ओळखण्यावर आधारित आहे, ज्याला एकसमान म्हणतात, स्थानिक प्रतिमा पोतचे मूलभूत गुणधर्म आहेत आणि त्यांचे घटना हिस्टोग्राम एक अतिशय शक्तिशाली पोत वैशिष्ट्य असल्याचे सिद्ध झाले आहे. आम्ही एक सामान्यीकृत ग्रे-स्केल आणि रोटेशन इन्व्हॅरिअंट ऑपरेटर सादरीकरण काढतो जे कोनातली जागेच्या कोणत्याही क्वांटिझेशनसाठी आणि कोणत्याही अवकाशीय रिझोल्यूशनसाठी एकसमान नमुने शोधण्याची परवानगी देते आणि मल्टी-रिझोल्यूशन विश्लेषणासाठी एकाधिक ऑपरेटर एकत्रित करण्याची पद्धत सादर करते. ग्रे स्केलच्या बदलांच्या बाबतीत प्रस्तावित दृष्टिकोन अतिशय मजबूत आहे कारण ऑपरेटर, व्याख्यानुसार, ग्रे स्केलच्या कोणत्याही एकसमान रूपांतरणाच्या विरोधात अपरिवर्तनीय आहे. आणखी एक फायदा म्हणजे संगणकीय साधेपणा आहे कारण ऑपरेटरला लहान शेजारच्या आणि शोध सारणीमध्ये काही ऑपरेशन्ससह साकार केले जाऊ शकते. रोटेशन इन्व्हॅरियन्सच्या वास्तविक समस्यांमध्ये उत्कृष्ट प्रयोगात्मक परिणाम प्राप्त झाले आहेत, जिथे वर्गीकरणकर्त्यास एका विशिष्ट रोटेशन कोनवर प्रशिक्षित केले जाते आणि इतर रोटेशन कोनवरील नमुन्यांसह चाचणी केली जाते, हे दर्शविते की साध्या रोटेशन इन्व्हॅरिएंट स्थानिक बायनरी नमुन्यांच्या घटनांच्या आकडेवारीसह चांगला भेदभाव केला जाऊ शकतो. या ऑपरेटर स्थानिक प्रतिमा पोत अवकाशासंबंधीचे संरचना वैशिष्ट्यपूर्ण आणि कार्यक्षमता त्यांना स्थानिक प्रतिमा पोत तीव्रता वैशिष्ट्यपूर्ण रोटेशन अपरिवर्तनीय फरक उपाय एकत्र करून आणखी सुधारित केले जाऊ शकते. या ऑर्थोगोनल उपाययोजनांचे संयुक्त वितरण रोटेशन इन्व्हॅरिएंट पोत विश्लेषणासाठी खूप शक्तिशाली साधने असल्याचे दर्शविले गेले आहे. निर्देशांक शब्द: नॉनपॅरामेट्रिक, पोत विश्लेषण, आउटटेक्स, ब्रॉडॅट्झ, वितरण, हिस्टोग्राम, कॉन्ट्रास्ट. |
8ade5d29ae9eac7b0980bc6bc1b873d0dd12a486 | |
12a97799334e3a455e278f2a995a93a6e0c034bf | या लेखात चीनी शब्द विभाजनासाठी एक एम्बेडिंग जुळणारे दृष्टिकोन प्रस्तावित केले आहे, जे पारंपारिक अनुक्रम लेबलिंग फ्रेमवर्कचे सामान्यीकरण करते आणि वितरित प्रतिनिधित्वाचा फायदा घेते. प्रशिक्षण आणि अंदाज अल्गोरिदममध्ये रेषेचा वेळ जटिलता आहे. प्रस्तावित मॉडेलच्या आधारे, एक लोभी सेगमेंटर विकसित केला जातो आणि बेंचमार्क कॉर्पोरावर मूल्यांकन केले जाते. प्रयोगांमधून हे दिसून आले आहे की, आमचा लालची सेगमेंटर पूर्वीच्या न्यूरल नेटवर्कवर आधारित वर्ड सेगमेंटरपेक्षा चांगले परिणाम मिळवितो आणि त्याची कार्यक्षमता अत्याधुनिक पद्धतींशी स्पर्धात्मक आहे, त्याच्या सोप्या वैशिष्ट्यांचा संच असूनही आणि प्रशिक्षणासाठी बाह्य संसाधनांचा अभाव आहे. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.