_id
stringlengths 40
40
| text
stringlengths 0
9.54k
|
|---|---|
26d9c40e8a6099ce61a5d9a6afa11814c45def01 | हामी एउटा नयाँ दृष्टिकोण प्रस्ताव गर्छौं जुन विशेष खोज स्थानमा आधारित हुन्छ जसले प्रभावकारी रूपमा सम्भावित मार्गहरू कोड गर्दछ। पथहरू राज्यहरू बीचको जडानको रूपमा अप्रत्यक्ष रूपमा एन्कोड गरिएको छ, तर केवल सम्भावित र स्थानीय जडानहरू समावेश छन्। एक पटक यो खोज स्थान विकसित भएपछि, हामी व्यवस्थित रूपमा स्थानिक रूपमा भिन्न पथ आदिमहरूको लगभग न्यूनतम सेट उत्पन्न गर्दछौं। यस सेटले सीमित गतिहरूको स्थानीय कनेक्टिविटी व्यक्त गर्दछ र रिडन्डन्सहरू पनि हटाउँछ। आदिमहरूको सेट हेरिस्टिक खोजी परिभाषित गर्न प्रयोग गरिन्छ, र यसैले छनौट गरिएको रिजोल्युसनमा धेरै कुशल मार्ग योजनाकार सिर्जना गर्दछ। हामी अन्तरिक्ष र जमिनमा रोबोटिक अनुप्रयोगहरूको विस्तृत विविधतामा पनि छलफल गर्छौं जहाँ यो गति योजनाकार विशेष गरी उपयोगी हुन सक्छ। |
51fea461cf3724123c888cb9184474e176c12e61 | छवि रेजिष्ट्रेसनले कम्प्युटर भिजनमा विभिन्न प्रकारका अनुप्रयोगहरू फेला पार्दछ। दुर्भाग्यवश, परम्परागत छवि रेजिष्ट्रेसन प्रविधिहरू महँगो हुन्छन्। हामी एउटा नयाँ छवि दर्ता प्रविधिको प्रस्तुत गर्दछौं जसले छविहरूको स्थानिक तीव्रता ढाँचाको प्रयोग गर्दछ एक प्रकारको न्यूटन-राफसन पुनरावृत्ति प्रयोग गरेर राम्रो मिलान पाउन। हाम्रो प्रविधि छिटो छ किनकि यसले विद्यमान प्रविधिहरू भन्दा छविहरू बीच धेरै कम सम्भावित मेलहरू जाँच गर्दछ। यसबाहेक, यो रेजिष्ट्रेसन प्रविधिको प्रयोग घुमाउने, स्केलिङ र कटाउने काममा गर्न सकिन्छ। हामीले देखाएका छौं कि हाम्रो प्रविधिको प्रयोग स्टेरियो भिजन प्रणालीमा गर्न सकिन्छ। |
91a613ed06c4654f38f5c2e7fe6ebffeec53d887 | अतिशयोक्तिपूर्ण सिकाइ मेसिन (ईएलएम) एक प्रतिस्पर्धी मेसिन सिकाइ प्रविधि हो, जुन सिद्धान्तमा सरल र कार्यान्वयनमा छिटो छ। नेटवर्क प्रकारहरू "सामान्यीकृत" एकल लुकेका तह फिडफर्वर्ड नेटवर्कहरू हुन्, जुन सुविधा म्यापि functions कार्यहरू वा कर्नेलहरूमा विविधताको रूपमा धेरै विविधतापूर्ण हुन्छन्। असंतुलित वर्ग वितरणको साथ डाटासँग व्यवहार गर्न, एक भारित ELM प्रस्ताव गरिएको छ जुन सक्षम छ (१) यो सिद्धान्तमा सरल र कार्यान्वयनमा सुविधाजनक छ; (२) प्रस्तावित ढाँचाको लागि सुविधा म्यापि functions प्रकार्य वा कर्नेलहरूको एक विस्तृत प्रकार उपलब्ध छ; (३) प्रस्तावित विधि बहु-वर्ग वर्गीकरण कार्यहरूमा सीधा लागू गर्न सकिन्छ। यसबाहेक, वजन योजना संग एकीकरण पछि, (1) वजन ELM असंतुलित वर्ग वितरण संग डाटा संग व्यवहार गर्न सक्षम छ जबकि असंतुलित ELM को रूप मा राम्रो सन्तुलित डाटा मा राम्रो प्रदर्शन कायम; (2) प्रयोगकर्ताहरु को आवश्यकताहरु अनुसार प्रत्येक उदाहरण को लागी फरक वजन निर्दिष्ट गरेर, वजन ELM लागत संवेदनशील शिक्षा को लागी सामान्यीकृत गर्न सकिन्छ। & २०१२ एल्सभियर बी.भी. सबै अधिकार सुरक्षित। |
055d55726d45406a6f115c4d26f510bade021be3 | यस परियोजनाको उद्देश्य एक मोनोकुलर दृष्टि स्वायत्त कार प्रोटोटाइप निर्माण गर्नु हो जुन रास्पबेरी पाईलाई प्रोसेसिंग चिपको रूपमा प्रयोग गर्दछ। कारमा वास्तविक संसारबाट आवश्यक डाटा प्रदान गर्न अल्ट्रासोनिक सेन्सरको साथमा एचडी क्यामेरा प्रयोग गरिन्छ। कार सुरक्षित र बुद्धिमानीपूर्वक दिइएको गन्तव्यमा पुग्न सक्षम छ यसैले मानव त्रुटिहरूको जोखिमबाट बच्न। धेरै विद्यमान एल्गोरिदम जस्तै लेन डिटेक्शन, बाधा डिटेक्शन एकसाथ जोडिएर कारलाई आवश्यक नियन्त्रण प्रदान गर्नका लागि प्रयोग गरिन्छ। |
b39e5f7217abae9e2c682ee5068a11309631b93b | जीपीएस, मोबाइल कम्प्युटर र वायरलेस संचार उपकरण जस्ता प्रविधिमा निरन्तर प्रगति भएका कारण डाटा खानी समुदायका लागि चलिरहेको वस्तुहरू बढ्दो आकर्षक हुँदै गइरहेका छन्। खानी स्थानिक-समय डाटा धेरै फरक प्रकार्यहरू लाभ उठाउन सक्छः सही समयमा सही ग्राहकहरू पहिचान गर्न मार्केटिंग टीम प्रबन्धकहरू, संसाधन आवंटन अनुकूलन गर्न सेलुलर कम्पनीहरू, डाटा आवंटन मामिलाहरूको लागि वेबसाइट प्रशासकहरू, प्रवासन ढाँचा बुझ्नको लागि पशु माइग्रेसन अनुसन्धानकर्ताहरू, र मौसम पूर्वानुमानको लागि मौसम विज्ञहरू। यस अनुसन्धानमा हामी एक चल ट्रेजेक्टरीको कम्प्याक्ट प्रतिनिधित्व प्रयोग गर्छौं र ट्रेजेक्टरीहरू बीचको समानताको नयाँ उपाय परिभाषित गर्दछौं। हामी अन्तरिक्ष-समयिक डाटामा समान गतिशील वस्तुहरूको विकासशील समूहहरू फेला पार्नका लागि वृद्धिशील क्लस्टरिङ एल्गोरिथ्म पनि प्रस्ताव गर्दछौं। एल्गोरिथ्मको मूल्यांकन वस्तु समूहहरूको गुणस्तर (डन्न र रान्ड अनुक्रमणिका प्रयोग गरेर), मेमोरी स्पेस दक्षता, कार्यान्वयन समय, र स्केलेबिलिटी (रन समय बनाम वस्तुहरूको संख्या) द्वारा अनुभवजन्य रूपमा गरिन्छ। |
2c3dffc38d40b725bbd2af80694375e6fc0b1b45 | कम रिजोल्युसन भिडियोको सुपर रिजोल्युसन, अर्थात् भिडियो सुपर रिजोल्युसन (एसआर), सामान्यतया एकल-छवि एसआर वा बहु-फ्रेम एसआर द्वारा ह्यान्डल गरिन्छ। एकल-छवि एसआरले प्रत्येक भिडियो फ्रेमलाई स्वतन्त्र रूपमा व्यवहार गर्दछ, र भिडियो फ्रेमहरूको आन्तरिक temporal निर्भरतालाई वेवास्ता गर्दछ जुन वास्तवमा भिडियो एसआरमा धेरै महत्त्वपूर्ण भूमिका खेल्दछ। बहु-फ्रेम एसआरले सामान्यतया गति जानकारी निकाल्छ, उदाहरणका लागि, अप्टिकल प्रवाह, temporal निर्भरता मोडेल गर्न, तर प्रायः उच्च कम्प्युटेशनल लागत देखाउँदछ। पुनरावर्ती न्यूरल नेटवर्क (आरएनएन) ले भिडियो अनुक्रमको दीर्घकालीन काल निर्भरतालाई राम्रोसँग मोडेल गर्न सक्छ भन्ने कुरालाई ध्यानमा राख्दै, हामी कुशल बहु-फ्रेम एसआरको लागि द्विदिशात्मक पुनरावर्ती कन्भोल्युसनल नेटवर्क नामको पूर्ण कन्भोल्युसनल आरएनएन प्रस्ताव गर्दछौं। भानिल आरएनएनहरू भन्दा फरक, १) सामान्यतया प्रयोग हुने पूर्ण फिडफोरवर्ड र पुनरावर्ती जडानहरू वजन-साझेदारी कन्भोल्युसनल जडानहरूसँग प्रतिस्थापन गरिन्छ। त्यसैले तिनीहरू ठूलो संख्यामा नेटवर्क प्यारामिटरहरू कम गर्न सक्दछन् र समय निर्भरतालाई अझ राम्रो स्तरमा मोडेल गर्न सक्दछन्, अर्थात्, प्याच-आधारित फ्रेम-आधारित भन्दा, र २) हालको लुकेको तहमा अघिल्लो समयका इनपुट तहहरूबाट जडानहरू थ्रीडी फिडफोरवर्ड कम्भोलुसनहरू द्वारा थपिन्छन्, जसको उद्देश्य स्थानीय छिमेकी फ्रेमहरूमा अल्पकालीन द्रुत-परिवर्तनशील गतिहरूको लागि भेदभावपूर्ण स्थान-समय ढाँचाहरू कब्जा गर्नु हो। सस्तो कन्भोल्युसनल अपरेसनका कारण हाम्रो मोडेलमा कम कम्प्युटेशनल जटिलता छ र अन्य बहु-फ्रेम एसआर विधिहरू भन्दा परिमाणको अर्डर छिटो चल्छ। शक्तिशाली समय निर्भरता मोडलिङको साथ, हाम्रो मोडेलले जटिल गतिहरू भएका भिडियोहरू सुपर रिजोल्युसन गर्न सक्छ र राम्रो प्रदर्शन प्राप्त गर्न सक्छ। |
8dc7cc939af832d071c2a050fd0284973ac70695 | कम्प्युटिशनल आरएफआईडी (सीआरएफआईडी) प्लेटफर्मले लगभग एक दशकदेखि पुनः कन्फिगर गर्न सकिने, ब्याट्री-रहित अनुप्रयोगहरू सक्षम पारेको छ। तथापि, धेरै कारकहरूले उनीहरूको व्यापक रूपमा अपनाउन बाधा पुर्याएको छ: कम संचार दायरा, कम थ्रूपुट, र महँगो पूर्वाधार - सीआरएफआईडी पाठकहरूको सामान्यतया $ १,००० भन्दा बढी खर्च हुन्छ। यस लेखमा लोरेया नामक ब्याकस्केटर रिडर प्रस्तुत गरिएको छ, जुन विद्यमान सीआरएफआईडी रिडरको तुलनामा धेरै बढी रेन्ज प्राप्त गर्दछ, जबकि यसको मूल्य यसको मूल्यको एक अंश मात्र हो। लोरीले यसलाई सीआरएफआईडी पाठकहरूको अवस्थित डिजाइनबाट अलग गरेर प्राप्त गर्दछ र विशेष गरी, कसरी आत्म-हस्तक्षेपलाई सम्बोधन गरिन्छ। लो-रे हालैको काममा आधारित छ जसले स्वतः हस्तक्षेप कम गर्नका लागि वाहक संकेतबाट फ्रिक्वेन्सी-बैकस्केटर प्रसारणलाई हटाउँछ। लो-रेले वाहक उत्पादनलाई पाठकबाट अलग गर्दछ, जसले आत्म-हस्तक्षेपलाई थप कम गर्न मद्दत गर्दछ। डिस्कप्लइङ क्यारियर जेनरेशनले क्यारियर सिग्नल प्रदान गर्न स्मार्टफोन र सेन्सर नोडहरूको तैनाथ पूर्वाधारको प्रयोग पनि सक्षम गर्दछ। यी विधिहरू मिलेर पाठकको लागत र जटिलता कम गर्दछन्। लो-रे पनि हालको ब्याकस्केटर प्रणालीको तुलनामा कम बिटरेटमा काम गर्दछ जसले उच्च संवेदनशीलता र लामो दायरा सक्षम गर्दछ। हामीले प्रयोगात्मक रूपमा लो-रेको मूल्यांकन गर्यौं र पत्ता लगायौं कि यसले दृश्य रेखा परिदृश्यहरूमा २२५ मिटरसम्मको सञ्चार दायरा प्राप्त गर्दछ। इनडोर वातावरणमा, जहाँ सिग्नलले पाठक र ब्याकस्केटर ट्यागलाई अलग गर्ने धेरै पर्खालहरू पार गर्दछ, लोरेले 30 m को दायरा प्राप्त गर्दछ। यी परिणामहरूले कसरी लोरे अत्याधुनिक ब्याकस्केटर प्रणाली र सीआरएफआईडी प्लेटफर्महरू भन्दा राम्रो प्रदर्शन गर्दछ भनेर देखाउँदछ। |
b348042a91beb4fa0c60fd94f27cf0366d5f9630 | अन्य ट्राफिक सहभागीहरूको आवागमनको सम्बन्धमा स्वायत्त कारहरूको योजनाबद्ध मार्गहरूको सुरक्षालाई ध्यानमा राखिएको छ। त्यसैले, अन्य सवारी साधन द्वारा सडक को stochastic कब्जा भविष्यवाणी गरिएको छ। भविष्यवाणी मापन र अन्य यातायात सहभागीहरू को सम्भव व्यवहार देखि उत्पन्न अनिश्चितता विचार गर्दछ। यसबाहेक, ट्राफिक सहभागीहरूको अन्तरक्रिया, साथै सडक ज्यामितिको कारण ड्राइभिङ्ग युद्धाभ्यासको सीमालाई पनि विचार गरिन्छ। प्रस्तुत दृष्टिकोणको परिणाम स्वचालित कारको एक विशिष्ट प्रक्षेपवक्रको लागि दुर्घटनाको सम्भावना हो। प्रस्तुत दृष्टिकोण कुशल छ किनकि धेरै जसो गहन गणनाहरू अफलाइन गरिन्छ, जसको परिणामस्वरूप वास्तविक समय अनुप्रयोगको लागि एक दुबला अनलाइन एल्गोरिथ्म हुन्छ। |
f69c83aab19183795af7612c3f224b5e116f242a | |
fda1e13a2eaeaa0b4434833d3ee0eb8e79b0ba94 | मानव संज्ञानात्मक प्रक्रियाको एउटा आधारभूत भाग समस्या समाधान हो। उच्च तहको संज्ञानात्मक प्रक्रियाको रूपमा, समस्या समाधानले अन्य धेरै संज्ञानात्मक प्रक्रियाहरूसँग अन्तर्क्रिया गर्दछ जस्तै अमूर्त, खोजी, शिक्षा, निर्णय लिने, अनुमान, विश्लेषण, र संश्लेषण वस्तु-गुण-सम्बन्ध (OAR) मोडेल द्वारा आन्तरिक ज्ञान प्रतिनिधित्वको आधारमा। समस्या समाधान मस्तिष्कको एक संज्ञानात्मक प्रक्रिया हो जसले दिइएको समस्याको समाधान खोज्छ वा दिइएको लक्ष्यमा पुग्नको लागि बाटो खोज्छ। जब समस्या वस्तुको पहिचान हुन्छ, समस्या समाधानलाई मेमोरी स्पेसमा समाधान लक्ष्यहरूको सेट र वैकल्पिक मार्गहरूको सेट बीचको सम्बन्ध खोज्नको लागि खोजी प्रक्रियाको रूपमा बुझ्न सकिन्छ। यस लेखमा समस्या समाधान प्रक्रियाको एक संज्ञानात्मक मोडेल र एक गणितीय मोडेल दुवै प्रस्तुत गरिएको छ। मस्तिष्कको संज्ञानात्मक संरचना र समस्या समाधानको संज्ञानात्मक प्रक्रियाको पछाडि आन्तरिक ज्ञान प्रतिनिधित्वको संयन्त्रको व्याख्या गरिएको छ। संज्ञानात्मक प्रक्रियालाई औपचारिक रूपमा वास्तविक समय प्रक्रिया बीजगणित (आरटीपीए) र अवधारणा बीजगणितको प्रयोग गरेर वर्णन गरिएको छ। यो काम संज्ञानात्मक कम्प्युटिङ परियोजनाको एक हिस्सा हो जुन वाङको मस्तिष्कको स्तरित सन्दर्भ मोडेल (एलआरएमबी) अनुसार मस्तिष्कको मौलिक संयन्त्र र प्रक्रियाहरू प्रकट गर्न र अनुकरण गर्न डिजाइन गरिएको हो, जसले संज्ञानात्मक कम्प्युटिङ र उपन्यास संज्ञानात्मक कम्प्युटरहरूको लागि भविष्यको पुस्ताको पद्धतिहरूको विकासको नेतृत्व गर्ने अपेक्षा गरिएको छ जुन सोच्न, सिक्न र बुझ्न सक्षम छन्। २००८ एल्सभियर बी.भी.द्वारा प्रकाशित |
f6284d750cf12669ca3bc12a1b485545af776239 | विगत केही वर्षदेखि, गहन सिकाइ प्रविधिहरूले छविहरू चित्रण गर्नमा उल्लेखनीय सुधार ल्याएको छ। यद्यपि, यी प्रविधिहरू मध्ये धेरैले उचित संरचनाहरू पुनः निर्माण गर्न असफल हुन्छन् किनकि तिनीहरू सामान्यतया अति-सुचारु र / वा धुंधला हुन्छन्। यस लेखमा चित्रमा चित्रण गर्ने नयाँ तरिकाको बारेमा चर्चा गरिएको छ जसले राम्रो विवरणहरू प्रदर्शन गर्ने भरिएका क्षेत्रहरूको राम्रोसँग पुनः उत्पादन गर्दछ। हामी दुई-चरणको प्रतिद्वन्द्वी मोडेल एजकनेक्ट प्रस्ताव गर्दछौं जुन एक किनारा जेनरेटरको साथ छ छवि पूरा गर्ने नेटवर्कको साथ। किनारा जनरेटरले छविको हराइरहेको क्षेत्रको किनारहरू (दुबै नियमित र अनियमित) लाई भ्रममा पार्छ, र छवि पूरा गर्ने नेटवर्कले हराइरहेको क्षेत्रहरू भरिएको छ जुन पूर्वनिर्धारित रूपमा भ्रमयुक्त किनारहरूको प्रयोग गर्दछ। हामीले हाम्रो मोडेलको सार्वजनिक रूपमा उपलब्ध डाटासेट सेलेबए, प्लेस२ र पेरिस स्ट्रीटभ्यूमा अन्त-देखि अन्तसम्मको मूल्यांकन गर्यौं र देखाइदियौं कि यसले हालको अत्याधुनिक प्रविधिहरूलाई गुणात्मक र गुणात्मक रूपमा पार गर्छ। |
04f4679765d2f71576dd77c1b00a2fd92e5c6da4 | वर्तमान ठीक-अनाकार वर्गीकरण दृष्टिकोण अक्सर भेदभावको लागि उपयुक्त स्थानीयकृत सुविधा प्रतिनिधित्वहरू निकाल्न वस्तु भागहरूको एक मजबूत स्थानीयकरणमा निर्भर गर्दछ। तर, भाग स्थानीयकरण उपस्थिति र मुद्रा को ठूलो भिन्नता को कारण एक चुनौतीपूर्ण कार्य हो। यस कागजातमा, हामी देखाउँदछौं कि कसरी पूर्व प्रशिक्षित कन्भोलुसनल न्यूरल नेटवर्कहरू वर्तमान डाटासेटमा नेटवर्कलाई वास्तवमा प्रशिक्षण दिन आवश्यक बिना बलियो र कुशल वस्तु भाग खोज र स्थानीयकरणको लागि प्रयोग गर्न सकिन्छ। हाम्रो दृष्टिकोणलाई भाग डिटेक्टर डिस्कवरी (पीडीडी) भनिन्छ, यो नेटवर्क आउटपुटको ग्रेडियन्ट नक्साको विश्लेषण र एनोटेटेड सिमेन्टिक पार्ट्स वा बाउन्डिंग बक्ससँग स्थानिक रूपमा सम्बन्धित सक्रियता केन्द्रहरू फेला पार्नमा आधारित छ। यसले हामीलाई CUB2002011 डाटासेटमा उत्कृष्ट प्रदर्शन प्राप्त गर्न मात्र अनुमति दिँदैन, तर अघिल्लो दृष्टिकोणहरूको विपरीत परीक्षणको समयमा दिइएको सीमा बक्स एनोटेशन र प्रशिक्षणको समयमा ग्राउन्ड-सत्य भागहरू आवश्यक बिना संयुक्त रूपमा पत्ता लगाउने र चरा वर्गीकरण गर्न पनि अनुमति दिन्छ। कोड http://www.inf-cv.uni-jena.de/part_ discovery र https://github.com/cvjena/PartDetectorDisovery मा उपलब्ध छ। |
9f3f6a33eb412d508da319bb270112075344abd0 | हामी एउटा नयाँ सम्भावनावादी प्रविधिको प्रस्ताव गर्छौं जसले ठूलो कागजात संग्रहबाट प्रमुख संरचनाको मोडेलिङ र निकासी गर्न सक्छ। क्लस्टरिङ र विषय मोडलिङमा जस्तै हाम्रो लक्ष्य जानकारीको अन्यथा भारी मात्रामा संगठित परिप्रेक्ष्य प्रदान गर्नु हो। हामी विशेष गरी दस्तावेजहरू बीचको सम्बन्ध प्रकट गर्न र प्रयोग गर्नमा रुचि राख्छौं। यस उद्देश्यका लागि हामी विभिन्न थ्रेडहरू निकाल्ने कुरामा ध्यान केन्द्रित गर्छौं - महत्त्वपूर्ण कागजातहरूको एकल लिङ्क, सुसंगत श्रृंखलाहरू। उदाहरणका लागि, हामी उद्धरण ग्राफबाट अनुसन्धान थ्रेड निकाल्छौं र समाचार लेखहरूबाट समयरेखा बनाउँछौं। हाम्रो विधि अत्यधिक स्केलेबल छ, ३० करोड भन्दा बढी शब्दको कोर्पसमा करिब चार मिनेटमा चल्छ, गतिशील विषय मोडेल भन्दा ७५ गुणा छिटो। अन्तमा, हाम्रो मोडेलको नतिजा धेरै मेट्रिक्स अनुसार मानव समाचार सारांशसँग नजिकबाट मिल्दोजुल्दो छ र मानव न्यायाधीशहरू द्वारा पनि रुचाइएको छ। |
057d5f66a873ec80f8ae2603f937b671030035e6 | यस लेखमा हामी स्थिर चित्रहरूमा वस्तुहरूको गतिशीलता भविष्यवाणी गर्ने चुनौतीपूर्ण समस्याको अध्ययन गर्नेछौं। एउटा छविमा क्वेरी वस्तु दिइएको छ, हाम्रो लक्ष्य वस्तुको भौतिक समझ प्रदान गर्नु हो यसमा कार्य गर्ने शक्तिहरूको सन्दर्भमा र ती शक्तिहरूको प्रतिक्रियाको रूपमा यसको दीर्घकालीन गति। एक छविबाट वस्तुहरूको बल र गतिको प्रत्यक्ष र स्पष्ट अनुमान अत्यन्तै चुनौतीपूर्ण छ। हामी मध्यवर्ती भौतिक अमूर्ततालाई परिभाषित गर्छौं जसलाई न्युटनियन परिदृश्य भनिन्छ र न्युटनियन न्यूरल नेटवर्क (एन३) लाई प्रस्तुत गर्छौं जसले न्युटनियन परिदृश्यमा एउटा अवस्थाको लागि एउटा छवि नक्साङ्कन गर्न सिक्छ। हाम्रो मूल्यांकनले देखाउँछ कि हाम्रो विधिले एकल छविबाट क्वेरी वस्तुको गतिशीलतालाई विश्वसनीय रूपमा भविष्यवाणी गर्न सक्छ। यसको अतिरिक्त, हाम्रो दृष्टिकोणले भौतिक तर्क प्रदान गर्न सक्छ जसले वेग र बल वेक्टरहरूको सन्दर्भमा पूर्वानुमानित गतिशीलतालाई समर्थन गर्दछ। यस दिशामा अनुसन्धानलाई प्रोत्साहित गर्न हामीले भिजुअल न्यूटनियन डायनामिक्स (भिन्ड) डाटासेट संकलन गरेका छौं जसमा खेल इन्जिनहरू प्रयोग गरेर प्रतिनिधित्व गरिएको न्यूटनियन परिदृश्यहरूसँग मिल्दोजुल्दो 6000 भन्दा बढी भिडियोहरू र उनीहरूको आधारभूत सत्य गतिशीलताका साथ 4500 भन्दा बढी स्थिर छविहरू समावेश छन्। |
c4f7d2ca3105152e5be77d36add2582977649b1d | इन्टरनेट अफ थिंग्स (आईओटी) निरन्तर बढ्दै गएको छ किनकि इन्टरनेटमा विशिष्ट रूपमा पहिचान योग्य वस्तुहरू थपिएका छन्। यी उपकरणहरुको अतिरिक्त, र तिनीहरुको रिमोट कनेक्टिभिटी, ले हाम्रो जीवनमा नयाँ स्तरको दक्षता ल्याएको छ। तर, यी उपकरणहरूको सुरक्षाबारे प्रश्न उठेको छ। धेरै सुरक्षित हुन सक्छन्, तर धेरै संख्यामा असुरक्षित उपकरणहरूको सानो प्रतिशतले पनि महत्वपूर्ण कमजोरीहरू सिर्जना गर्न सक्छ। यस लेखमा केही नयाँ कमजोर ठाउँहरूको मूल्याङ्कन गरिएको छ र खतराको मात्राको बारेमा केही तथ्याङ्कहरू प्रस्तुत गरिएको छ। |
8671518a43bc7c9d5446b49640ee8783d5b580d7 | |
e5f67b995b09e750bc1a32293d5a528de7f601a9 | आधुनिक प्रणालीहरू झन् झन् जटिल हुँदै गएपछि, वर्तमान सुरक्षा अभ्यासहरूमा प्रणाली सुरक्षालाई पर्याप्त रूपमा सम्बोधन गर्न प्रभावकारी विधिहरूको अभाव छ। यस कागजातले प्रणाली सुरक्षा ईन्जिनियरिङ् (एसएसई) प्रक्रियाहरू, गतिविधिहरू, र कार्यहरू हालै जारी गरिएको राष्ट्रिय मानक र टेक्नोलोजी संस्थान (एनआईएसटी) विशेष प्रकाशन 800-160 मा परिभाषित रूपमा लागू गर्न मद्दत गर्न एक दोहोर्याउन योग्य र टेलरयोग्य ढाँचा प्रस्ताव गर्दछ। पहिलो, प्रणाली-उन्मुख सुरक्षा पद्धतिहरूको संक्षिप्त समीक्षा प्रदान गरिएको छ। त्यसपछि, एनआईएसटीद्वारा परिभाषित एसएसई प्रक्रियाहरू बीचको सम्बन्धको परीक्षा ईन्जिनियरिङ् समस्याको लागि सन्दर्भ प्रदान गर्न गरिन्छ। यी निष्कर्षहरूले एनआईएसटी एसएसई प्रक्रियाहरूको सात प्रणाली-अज्ञेय सुरक्षा डोमेनहरूमा म्यापिङको जानकारी दिन्छ जसले तीन प्रकारका प्रणालीहरूको लागि प्राथमिकता निर्धारण गर्न सक्षम गर्दछ (परम्परागत आईटी, साइबर-भौतिक, र रक्षा) । यी ठोस उदाहरणहरूले एसएसई प्रयासको कार्यान्वयन र प्राथमिकता निर्धारणको लागि थप समझ प्रदान गर्दछ। यस कागजको लक्ष्य एनआईएसटी एसपी ८००-१६० मा परिभाषित ३० प्रक्रिया, १११ गतिविधि र ४२८ कार्यहरूको कुशल अनुप्रयोगको जानकारी दिएर व्यवसायीहरूलाई सहयोग गर्नु हो। अनुकूलन योग्य ढाँचा उपकरण अनलाइन उपलब्ध छ विकासकर्ताहरूको लागि प्रयोग गर्न, परिमार्जन गर्न, र उनीहरूको आवश्यकताहरू पूरा गर्नका लागि। |
1beeb25756ea352634e0c78ed653496a3474925e | |
fac5a9a18157962cff38df6d4ae69f8a7da1cfa8 | यस कागजमा, हामी गोलाकार हार्मोनिक्स इल्युमिनेशन प्रतिनिधित्व प्रयोग गरेर मनमाने अज्ञात प्रकाश अन्तर्गत अनुहार पहिचानको लागि दुई उपन्यास विधिहरू प्रस्ताव गर्दछौं, जसलाई प्रति विषय केवल एक प्रशिक्षण छवि चाहिन्छ र कुनै थ्रीडी आकार जानकारी आवश्यक पर्दैन। हाम्रो विधिहरू परिणाममा आधारित छन् जसले देखाए कि एक उत्तल लाम्बर्टियन वस्तुको छविहरूको सेट जुन धेरै प्रकारका प्रकाश अवस्थाहरूमा प्राप्त हुन्छ यसलाई कम आयाम रैखिक उप-स्थान द्वारा सही रूपमा अनुमान गर्न सकिन्छ। हामी दुई विधिहरू प्रदान गर्दछौं गोलाकार हार्मोनिक आधार छविहरू अनुमान गर्न केवल एक छविबाट यो ठाउँ फैलाउन। हाम्रो पहिलो विधिले २ डी आधारभूत छविहरूको संग्रहमा आधारित सांख्यिकीय मोडेल निर्माण गर्दछ। हामीले यो देखाउँछौं कि, सिकेका तथ्याङ्कहरू प्रयोग गरेर, हामी गोलाकार हर्मोनिक आधार छविहरू अनुमान गर्न सक्छौं केवल एक छविबाट जुन मनमाने रोशनीको अवस्थामा लिइएको छ यदि त्यहाँ कुनै पोज परिवर्तन छैन भने। पहिलो विधिको तुलनामा, दोस्रो विधिले गोलाकार हार्मोनिक इल्युमिनेशन प्रतिनिधित्व र मानव अनुहारहरूको थ्रीडी मोर्फबल मोडेललाई संयोजन गरेर आधारभूत छविहरू दुबै पोज र इल्युमिनेशनहरूमा छविहरूबाट पुनः प्राप्त गर्न थ्रीडी स्पेसमा सीधा तथ्या .्कगत मोडेलहरू निर्माण गर्दछ। आधार छविहरूको अनुमान गरेपछि, हामी दुवै विधिहरूको लागि एउटै पहिचान योजना प्रयोग गर्छौं: हामी अनुहारलाई पहिचान गर्छौं जसको लागि आधार छविहरूको भारित संयोजन छ जुन परीक्षण अनुहार छविसँग सबैभन्दा नजिक छ। हामी प्रयोगको एक श्रृंखला प्रदान गर्दछौं जसले उच्च पहिचान दरहरू प्राप्त गर्दछ, प्रकाशको विस्तृत दायरा अन्तर्गत, प्रकाशको बहु स्रोतहरू सहित। हाम्रो विधिले तुलनात्मक स्तरको सटीकता प्राप्त गर्दछ जुन विधिहरूसँग धेरै अधिक बोझिल प्रशिक्षण डाटा आवश्यकताहरू छन्। यी दुई विधिहरूको तुलना पनि यहाँ दिइएको छ। |
6831db33ea9db905b66b09f476c429f085ebb45f | वर्तमान अध्ययनले दैनिक शारीरिक गतिविधि मूल्याङ्कन गर्नका लागि ट्राइअक्सिअल एक्सेलेरोमिटर (टीए) र पोर्टेबल डाटा प्रोसेसिंग युनिटको विकासको वर्णन गर्दछ। टीए तीन ओर्थोगोनल माउन्ट गरिएको युनिअक्सिअल पिजोरिसिटिभ एक्सेलेरोमिटरहरू मिलेर बनेको छ र यसको प्रयोग मानव शरीरको एक्सेलेरेशनको आयाम र फ्रिक्वेन्सी दायरालाई समेट्ने एक्सेलेरेशनहरू रेकर्ड गर्न प्रयोग गर्न सकिन्छ। उपकरणहरू र परीक्षण-पुनः परीक्षण प्रयोगहरूले देखाए कि प्रत्येक मापन दिशाको लागि टीएको अफसेट र संवेदनशीलता बराबर थियो र दुई मापन दिनहरूमा स्थिर रह्यो। प्रत्येक मापन दिशाको लागि ट्रान्सभर्सल संवेदनशीलता महत्त्वपूर्ण रूपमा फरक थियो, तर एक्सेलेरोमीटर आउटपुटलाई असर गरेन (मुख्य अक्षमा संवेदनशीलताको <%%) । यो डाटा युनिटले एक्सेलेरोमिटरको आउटपुटलाई अनलाईन प्रोसेस गर्न र आठ दिनको अवधिमा शारीरिक गतिविधिलाई विश्वसनीय रूपमा अनुमान गर्न सक्षम बनाउँछ। प्रयोगशालामा मानक गतिविधिहरूको समयमा १३ पुरुषहरूमा प्रणालीको प्रारम्भिक मूल्यांकनले शारीरिक गतिविधि, शारीरिक गतिविधि (r=०.८९) को लागि मानक सन्दर्भको कारण एक्सेलेरोमीटर आउटपुट र ऊर्जा खर्चको बीचमा महत्त्वपूर्ण सम्बन्ध देखाएको छ। प्रणालीको कमजोरीहरू यसको कम संवेदनशीलता हो जुन गतिविधिको लागि र स्थिर व्यायाम रेकर्ड गर्न असमर्थता हो। सामान्य दैनिक शारीरिक गतिविधि र प्रयोगशाला बाहिरका विशिष्ट गतिविधिहरूको मूल्याङ्कन गर्नका लागि प्रणालीको वैधतालाई स्वतन्त्र जीवनका विषयहरूमा अध्ययन गर्नुपर्छ। |
f6cd444c939c0b5c08b07bb35fd694a45e07b97e | लक गरिएको तुलनाकर्ता लगभग सबै एनालग-देखि-डिजिटल कन्भर्टर आर्किटेक्चरमा प्रयोग गरिन्छ। यसले एनालग इनपुट सिग्नललाई पूर्ण-स्केल डिजिटल स्तरमा पुनः उत्पन्न गर्न सकारात्मक प्रतिक्रिया संयन्त्र प्रयोग गर्दछ। पुनरुत्थान नोडहरूमा यस्तो उच्च भोल्टेज भिन्नता इनपुट भोल्टेज - किकब्याक हल्लासँग जोडिएको छ। यस लेखमा, रिब्याक शोर कम गर्नका लागि विद्यमान समाधानहरूको समीक्षा गरिएको छ र दुई नयाँ समाधानहरूको प्रस्ताव गरिएको छ। एचएसपीआईएस सिमुलेसनले हाम्रो प्रविधिको प्रभावकारिता प्रमाणित गर्छ। |
043afbd936c95d0e33c4a391365893bd4102f1a7 | हालै ठूला गहिरा न्युरोनल नेटवर्क मोडेलहरूले कठिन दृश्य पहिचान कार्यहरूमा अत्याधुनिक शुद्धता प्रदर्शन गरेका छन्। दुर्भाग्यवश यस्ता मोडेलहरू प्रशिक्षण गर्न अत्यन्त समय खपत गर्ने हुन्छन् र ठूलो मात्रामा कम्प्युटिङ चक्रको आवश्यकता पर्दछ। हामी एडम नामक वितरित प्रणालीको डिजाइन र कार्यान्वयनको वर्णन गर्दछौं जुन वस्तु सर्भर मेशिनहरू समावेश गर्दछ जुन यस्तो मोडेलहरू प्रशिक्षण गर्नका लागि विश्व-स्तरीय प्रदर्शन, स्केलि and र कार्य सटीकता प्रदर्शन गर्दछ दृश्य मान्यता कार्यहरूमा। एडमले सम्पूर्ण प्रणाली सह-डिजाइन मार्फत उच्च दक्षता र मापन क्षमता प्राप्त गर्दछ जसले कार्यभार गणना र सञ्चारलाई अनुकूलित र सन्तुलित गर्दछ। हामी प्रणालीमा असिन्क्रोनसको उपयोग गर्छौं प्रदर्शन सुधार गर्न र यो पनि देखाउँछौं कि यसले प्रशिक्षित मोडेलको शुद्धतामा सुधार ल्याउँछ। एडम पहिले भन्दा धेरै कुशल र स्केलेबल छ र 30x कम मेसिनहरू प्रयोग गरी ठूलो 2 बिलियन जडान मोडेललाई ImageNet 22,000 श्रेणी छवि वर्गीकरण कार्यमा तुलनात्मक समयमा 2x उच्च शुद्धतामा प्रशिक्षित गर्न प्रयोग गरिएको छ जुन प्रणालीले पहिले यो बेन्चमार्कको लागि रेकर्ड राखेको थियो। हामी यो पनि देखाउँछौं कि कार्यको शुद्धता ठूलो मोडेलको साथ सुधार हुन्छ। हाम्रो परिणामहरूले वितरित प्रणाली-संचालित दृष्टिकोणलाई वर्तमान प्रशिक्षण एल्गोरिदमहरू प्रयोग गरेर गहिरो शिक्षाको लागि पछ्याउन लायक छ भन्नेमा सम्मोहक प्रमाण प्रदान गर्दछ। |
63d630482d59e83449f73b51c0efb608e662d3ef | भविष्यमा इन्टरनेट अफ थिंग्स (आईओटी) अवधारणा भित्र प्रिन्ट गरिएको इलेक्ट्रोनिक्सलाई वायरलेस इलेक्ट्रोनिक ट्याग र सेन्सरको लागि विचार गरिन्छ। वर्तमान प्रिन्ट गर्न सकिने अर्गानिक र अर्गानिक सेमीकन्डक्टरहरूको लो चार्ज क्यारियर गतिशीलताको परिणामको रूपमा, मुद्रित रेक्टिफायरहरूको अपरेटिंग फ्रिक्वेन्सी मोबाइल फोन र मुद्रित ई-ट्यागहरू बीच प्रत्यक्ष सञ्चार र पावर सक्षम गर्न पर्याप्त उच्च छैन। यहाँ, हामी १.६ गीगाहर्जसम्म काम गर्ने सबै छापिएको डायोडको रिपोर्ट गर्छौं। सिए र एनबीएसआई २ कणहरूको दुई तहमा आधारित उपकरण कम तापक्रममा र परिवेशको वातावरणमा लचिलो सब्सट्रेटमा निर्मित छ। सियालियम माइक्रो पार्टिकल्सको उच्च चार्ज वाहक गतिशीलताले चार्ज इन्जेक्शन-सीमित शासनमा उपकरण सञ्चालन गर्न अनुमति दिन्छ। नतिजा उपकरण स्ट्याकमा अक्साइड तहहरूको असममितिको कारण टनेलिंग वर्तमानको सुधार हुन्छ। छापिएको डायोडहरू एन्टेना र इलेक्ट्रोक्रोमिक डिस्प्लेहरूसँग मिलेर एउटा पूर्ण छापिएको ई-ट्याग बनाइएको थियो। मोबाइल संचारको लागि ग्लोबल सिस्टम मोबाइल फोनबाट सङ्कलन गरिएको सिग्नलको प्रयोग प्रदर्शन अपडेट गर्नका लागि गरिएको थियो। हाम्रा निष्कर्षहरूले आईओटी अनुप्रयोगहरूमा मुद्रित इलेक्ट्रोनिक्सका लागि नयाँ सञ्चार मार्ग देखाउँछन्। |
c15c068ac4b639646a74ad14fc994016f8925901 | ए-सिः एच टीएफटीहरू परम्परागत रूपमा सक्रिय म्याट्रिक्स डिस्प्लेको लागि ब्याकप्लेन एर्रेमा प्रयोग गरिन्छ र कहिलेकाँही प row्क्ति वा स्तम्भ ड्राइभ इलेक्ट्रोनिक्समा हालका प्रयासहरू लचिलो डिस्प्ले र ड्राइभरहरूमा केन्द्रित हुन्छन्। यस कागजातले लचिलो स्टेनलेस स्टील र प्लास्टिक सब्सट्रेटहरूमा a-Si: H TFTs का लागि एक मानक सेल लाइब्रेरी डिजाइन गरेर जटिल डिजिटल सर्किट्रीमा लचिलो इलेक्ट्रोनिक्स विस्तार गर्दछ। मानक सेल लाइब्रेरीले मानक सेल स्थान र मार्ग उपकरणको साथ लेआउट स्वचालन सक्षम गर्दछ, ब्याकप्लेनमा ए-सिः एच डिजिटल सर्किटको लेआउटलाई प्रदर्शन कार्यक्षमता बढाउनको लागि उल्लेखनीय रूपमा गति दिन्छ। केवल एन-च्यानल ट्रान्जिस्टरहरू उपलब्ध भएकाले, गेटहरू राम्रो आउटपुट भोल्टेज स्विंगहरू सुनिश्चित गर्न बुटस्ट्र्याप पुल-अप नेटवर्कको साथ डिजाइन गरिएको छ। विकसित पुस्तकालयमा ७ वटा गेट छन्: ५ वटा संयोजन गेट (इन्भर्टर, एनएन्ड२, एनओआर२, एनओआर३ र एमयूएक्स२) र २ वटा अनुक्रमिक गेट (लच र डी फ्लिप-फ्लप) । परीक्षण संरचनाहरू प्रयोगात्मक रूपमा मानक कक्षहरूको विलम्ब बनाम फ्यान-आउटको विशेषता गर्नका लागि बनाइएको छ। विद्युतीय अन्तरसम्पर्कहरूको स्वचालित निकासी लेआउटबाट, लेआउट बनाम स्कीम्याटिक (LVS) सक्षम पार्दै तल गेट a-Si: H TFTs को लागि अवस्थित उपकरण सूटमा पनि समावेश गरिएको छ। मानक सेल लाइब्रेरी प्रदर्शन गर्नका लागि ३ बिट काउन्टर डिजाइन, निर्माण र परीक्षण गरिएको थियो। |
d1bf0962711517cff15205b1844d6b8d625ca7da | सामाजिक उद्यमशीलता, एक अभ्यास र विद्वान अनुसन्धानको लागि एक क्षेत्रको रूपमा, व्यवस्थापन र व्यापार अनुसन्धानको विभिन्न क्षेत्रहरूबाट अवधारणा र धारणाहरूलाई चुनौती, प्रश्न र पुनः विचार गर्न एक अनौंठो अवसर प्रदान गर्दछ। यस लेखले सामाजिक उद्यमशीलतालाई एक प्रक्रियाको रूपमा प्रस्तुत गर्दछ जसले सामाजिक परिवर्तनलाई उत्प्रेरित गर्दछ र महत्त्वपूर्ण सामाजिक आवश्यकताहरूलाई सम्बोधन गर्दछ जुन उद्यमीहरूका लागि प्रत्यक्ष वित्तीय लाभको प्रभुत्वमा छैन। सामाजिक उद्यमशीलतालाई उद्यमशीलताको अन्य रूपहरू भन्दा फरक मानिएको छ किनकि यसले आर्थिक मूल्यको तुलनामा सामाजिक मूल्य र विकासलाई बढावा दिन अपेक्षाकृत उच्च प्राथमिकता दिन्छ। भविष्यमा अनुसन्धानलाई प्रोत्साहित गर्न लेखकहरूले सामाजिक उद्यमशीलताको अध्ययनका लागि सैद्धान्तिक दृष्टिकोणहरू बीचको सम्बन्धको रूपमा एम्बेडेडको अवधारणा प्रस्तुत गर्छन्। # २००५ एल्सभियर इंक. सबै अधिकार सुरक्षित। |
58461d01e8b6bd177d26ee17f9cf332cb8ca286a | हामी अन्तरिक्ष-समय ब्लक कोडिङको परिचय दिन्छौं, रेलेइ फ्याडिङ च्यानलहरू मार्फत बहु प्रसारण एन्टेनाहरू प्रयोग गरी सञ्चारको लागि नयाँ प्रतिमान। डाटालाई स्पेस-टाइम ब्लक कोडको प्रयोग गरेर एन्कोड गरिन्छ र एन्कोड गरिएको डाटालाई स्ट्रीममा विभाजन गरिन्छ जुन एकै साथ n ट्रान्समिट एन्टेनाको प्रयोग गरेर प्रसारित गरिन्छ। प्रत्येक प्राप्त एन्टेनामा प्राप्त सिग्नल शोर द्वारा विचलित n प्रसारित संकेतहरूको एक रैखिक सुपरपोजिशन हो। अधिकतम सम्भावना डिकोडिङ संयुक्त पत्ता लगाउने भन्दा विभिन्न एन्टेनाबाट प्रसारित संकेतहरूको decoupling मार्फत एक सरल तरिकामा प्राप्त गरिन्छ। यसले अन्तरिक्ष-समय ब्लक कोडको अर्थागोनल संरचना प्रयोग गर्दछ र अधिकतम सम्भावना डिकोडिङ एल्गोरिथ्म दिन्छ जुन केवल रिसीभरमा रैखिक प्रशोधनमा आधारित हुन्छ। स्पेस-टाइम ब्लक कोडहरू दिइएको संख्याको लागि अधिकतम विविधता अर्डर प्राप्त गर्न डिजाइन गरिएको छ र सरल डिकोडिंग एल्गोरिथ्मको बाध्यतामा पठाउने र एन्टेनाहरू प्राप्त गर्दछ। ओर्थोगोनल डिजाइनको शास्त्रीय गणितीय ढाँचा अन्तरिक्ष-समय ब्लक कोडहरू निर्माण गर्न लागू गरिन्छ। यो देखाइएको छ कि यस तरिकाले निर्माण गरिएको स्पेस-टाइम ब्लक कोडहरू केवल केहि छिटपुट मानहरूको लागि मात्र अवस्थित छन्। यसपछि, ओर्थोगोनल डिजाइनको सामान्यीकरणले कुनै पनि संख्याको प्रसारण एन्टेनाहरूको लागि वास्तविक र जटिल तारामंडल दुवैको लागि अन्तरिक्ष-समय ब्लक कोडहरू प्रदान गर्न देखाइएको छ। यी कोडहरू कुनै पनि मनमानी वास्तविक तारामण्डल जस्तै PAM प्रयोग गरेर कुनै पनि संख्याको प्रसारण एन्टेनाहरूको लागि अधिकतम सम्भावित प्रसारण दर प्राप्त गर्दछ। PSK र QAM जस्ता मनमानी जटिल तारामण्डलको लागि, स्पेस-टाइम ब्लक कोडहरू डिजाइन गरिएका छन् जुन कुनै पनि संख्याको प्रसारण एन्टेनाहरूको लागि अधिकतम सम्भावित प्रसारण दरको १ = २ प्राप्त गर्दछ। दुई, तीन, र चार प्रसारण एन्टेनाको विशिष्ट केसहरूको लागि, स्पेस-टाइम ब्लक कोडहरू डिजाइन गरिएका छन् जुन क्रमशः सबै, 3 = 4, र 3 = 4 अधिकतम सम्भावित प्रसारण दरको मनमानी जटिल तारामंडल प्रयोग गरेर प्राप्त गर्दछ। डिकोडिङ ढिलाइ र प्रसारण एन्टेनाहरूको संख्या बीचको उत्तम व्यापार पनि गणना गरिएको छ र यो देखाइएको छ कि यहाँ प्रस्तुत गरिएका धेरै कोडहरू यस अर्थमा पनि इष्टतम छन्। |
25a7b5d2db857cd86692c45d0e5376088f51aa12 | भूमिकामा आधारित पहुँच नियन्त्रण (आरबीएसी) मोडेलहरूको परिवार, यहाँ RBAC96 मोडेलहरू भनेर उल्लेख गरिएको छ, हालसालै लेखक र उनका सहकर्मीहरू द्वारा प्रकाशित गरिएको थियो। यस लेखमा हामीले यी मोडेलहरू विकास गर्ने प्रमुख निर्णयहरूको लागि तर्क दिएका छौं र विचार गरिएका विकल्पहरूको बारेमा छलफल गरेका छौं। |
771b52e7c7d0a4ac8b8ee0cdeed209d1c4114480 | हामी शुद्ध कार्यात्मक भाषामा निर्णायक समानांतर गणनाको लागि नयाँ प्रोग्रामिङ मोडेल प्रस्तुत गर्दछौं। यो मोडेल मोनाडिक हो र यसमा स्पष्ट ग्रान्युलरिटी छ, तर यसले डाटा फ्लो नेटवर्कको गतिशील निर्माणलाई अनुमति दिन्छ जुन रनटाइममा तालिकाबद्ध हुन्छ, जबकि निर्धारात्मक र शुद्ध रहन्छ। कार्यान्वयन मोनाडिक समवर्तीतामा आधारित छ, जुन अहिले सम्म मात्र समवर्तीता अनुकरण गर्न प्रयोग गरिएको छ। हामी एपीआईलाई यसको अर्थशास्त्रको साथ प्रस्तुत गर्दछौं, र तर्क गर्छौं कि समानान्तर कार्यान्वयन निर्धारणात्मक छ। यसबाहेक, हामी एउटा पूर्ण कार्य-चोरी अनुसूचक प्रस्तुत गर्दछौं जुन हस्केल लाइब्रेरीको रूपमा लागू गरिएको छ, र हामी देखाउँछौं कि यसले कम्तिमा पनि हस्केलमा अवस्थित समानान्तर प्रोग्रामिंग मोडेलहरू प्रदर्शन गर्दछ। |
29cd61d634786dd3b075eeeb06349a98ea0535c6 | उद्देश्य यो अध्ययनले ६ देखि ११ वर्ष र १२ देखि १६ वर्षका अमेरिकी बालबालिका र किशोरकिशोरीहरूमा खाद्य अपर्याप्तता र संज्ञानात्मक, शैक्षिक र मनोसामाजिक परिणामहरू बीचको सम्बन्धको अनुसन्धान गर्दछ। तेस्रो राष्ट्रिय स्वास्थ्य र पोषण परीक्षा सर्वेक्षण (एनएचएएनईएस-३) को तथ्याङ्कको विश्लेषण गरिएको थियो। परिवारका सदस्यहरूले कहिलेकाहीँ वा प्रायः पर्याप्त खाना नपाएको बताएमा बालबालिकाहरूलाई खाद्य अभावको रूपमा वर्गीकृत गरिएको थियो। सामान्यतया र त्यसपछि कम जोखिम र उच्च जोखिम समूहहरूमा खाद्य अपर्याप्तता र संज्ञानात्मक, शैक्षिक, र मनोसामाजिक उपायहरू बीचको सम्बन्धको परीक्षण गर्न प्रतिगमन विश्लेषणहरू गरिएको थियो। खाद्य अपर्याप्तताका लागि प्रतिगमन गुणांक र सम्भावना अनुपातहरू गरिबी स्थिति र अन्य सम्भावित भ्रम कारकहरूको लागि समायोजित रिपोर्ट गरिएको छ। परिणामहरू ६ देखि ११ वर्षका खानाको अभाव भएका बालबालिकाको अंकगणितमा स्कोर निकै कम थियो। [पृष्ठ २३-मा भएको चित्र] थप विश्लेषणहरूले बच्चाहरूलाई कम जोखिम र उच्च जोखिम समूहमा विभाजन गरे। खाद्य अपर्याप्तता र बालबालिकाको परिणामबीचको सम्बन्ध जोखिमको स्तर अनुसार फरक-फरक थियो। निष्कर्ष परिणामहरूले देखाउँछ कि नकारात्मक शैक्षिक र मनोसामाजिक परिणामहरू परिवार स्तरको खाद्य अपर्याप्ततासँग सम्बन्धित छन् र अमेरिकी परिवारहरूको खाद्य सुरक्षा बढाउन सार्वजनिक स्वास्थ्य प्रयासहरूलाई समर्थन गर्दछ। |
001ffbeb63dfa6d52e9379dae46e68aea2d9407e | |
7e383307edacb0bb53e57772fdc1ffa2825eba91 | वास्तविक संसारका अनुप्रयोगहरूमा धेरै समस्याहरूमा धेरै अनियमित चरहरूको भविष्यवाणी समावेश हुन्छ जुन सांख्यिकीय रूपमा सम्बन्धित छ। मार्कोभ र्यान्डम फिल्ड (एमआरएफ) यस्तो निर्भरतालाई एन्कोड गर्नको लागि एक महान गणितीय उपकरण हो। यस कागजको लक्ष्य एमआरएफहरू गहिरो शिक्षाको साथ संयोजन गर्नु हो जटिल प्रतिनिधित्वहरूको अनुमान गर्न आउटपुट अनियमित चरहरू बीचको निर्भरतालाई ध्यानमा राख्दै। यस लक्ष्यको लागि, हामी एक प्रशिक्षण एल्गोरिथ्म प्रस्ताव गर्दछौं जुन संरचनात्मक मोडेलहरू सँगै गहिरो सुविधाहरूसँग सिक्न सक्षम छ जुन एमआरएफ क्षमताहरू बनाउँदछ। हाम्रो दृष्टिकोण कुशल छ किनकि यसले सिकाइ र अनुमानलाई मिलाउँछ र GPU त्वरणको प्रयोग गर्दछ। हामी हाम्रो एल्गोरिथ्मको प्रभावकारितालाई ध्वनीयुक्त चित्रबाट शब्दहरूको भविष्यवाणी गर्ने कार्यमा देखाउँछौं, साथै फ्लिकर फोटोहरूको ट्यागिंग पनि गर्छौं। हामी देखाउँछौं कि गहिरो विशेषताहरु र एमआरएफ मापदण्डहरु को संयुक्त शिक्षा महत्वपूर्ण प्रदर्शन लाभ मा परिणाम। |
444b9f2fff2132251a43dc4a4f8bd213e7763634 | उद्देश्य: हाम्रो उद्देश्य भनेको प्रमाणमा आधारित दृष्टिकोणबाट सफ्टवेयर इन्जिनियरिङले कसरी फाइदा लिन सक्छ भन्ने वर्णन गर्नु र यस दृष्टिकोणसँग सम्बन्धित सम्भावित कठिनाइहरू पहिचान गर्नु हो। विधिः हामीले सफ्टवेयर इन्जिनियरिङको अवस्थासँग प्रमाणमा आधारित चिकित्सा (ईबीएम) लाई समर्थन गर्ने संगठन र प्राविधिक पूर्वाधारको तुलना गरेका छौं। हामीले सफ्टवेयर इन्जिनियरिङका लागि विशेष कारकहरूको प्रभावलाई विचार गर्यौं। परिणाम: ईबीएसईले अनुसन्धान परिणामहरूको एकीकरणलाई प्रोत्साहन दिँदै धेरै फरक-फरक सरोकारवाला समूहहरूको आवश्यकताहरूलाई समर्थन गर्ने उद्देश्यले धेरै फाइदाहरूको प्रतिज्ञा गर्दछ। तर, अहिले हामीसँग ईबीएसईको व्यापक प्रयोगका लागि आवश्यक पूर्वाधार छैन। जीवन चक्रको कारकले गर्दा एक पटक प्रविधिहरू कसरी सञ्चालन हुन्छन् भनेर निर्धारण गर्न गाह्रो हुन्छ। निष्कर्षः सफ्टवेयर इन्जिनियरिङले प्रमाणको दृष्टिकोणबाट जे गर्न सक्छ त्यसलाई अपनाउनु लाभदायक हुनेछ, बशर्ते यसले सफ्टवेयर इन्जिनियरिङको प्रकृतिबाट उत्पन्न हुने विशिष्ट समस्याहरूको सामना गर्दछ। |
cf234668399ff2d7e5e5a54039907b0fa7cf36d3 | तीन आयामिक हातको इशारा पहिचानले कम्प्युटर भिजन, ढाँचा पहिचान, र मानव-कम्प्युटर अन्तरक्रियामा बढ्दो अनुसन्धान रुचिहरू आकर्षित गरेको छ। उभरिरहेको गहिराई सेन्सरले विभिन्न हात इशारा पहिचान दृष्टिकोण र अनुप्रयोगहरूलाई ठूलो प्रेरणा दियो, जुन परम्परागत क्यामेराको साथ २ डी डोमेनमा गम्भीर रूपमा सीमित थियो। यस लेखमा थ्रीडी गहिराई सेन्सर प्रयोग गरेर हातको इशारा पहिचान गर्ने केही हालसालैका कामहरूको समीक्षा प्रस्तुत गरिएको छ। हामी पहिले व्यावसायिक गहिराइ सेन्सर र सार्वजनिक डाटा सेटहरू समीक्षा गर्दछौं जुन यस क्षेत्रमा व्यापक रूपमा प्रयोग गरिन्छ। त्यसपछि, हामी चार पक्षमा थ्रीडी हात इशारा पहिचानको लागि अत्याधुनिक अनुसन्धानको समीक्षा गर्छौं: १) थ्रीडी हात मोडलिङ; २) स्थिर हात इशारा पहिचान; ३) हातको चाल इशारा पहिचान; र ४) निरन्तर हात इशारा पहिचान। यद्यपि थ्रीडी हात इशारा पहिचान दृष्टिकोणमा जोड दिइएको छ, सम्बन्धित अनुप्रयोगहरू र विशिष्ट प्रणालीहरू पनि चिकित्सकहरूको लागि संक्षिप्त रूपमा सारांशित छन्। |
33da83b54410af11d0cd18fd07c74e1a99f67e84 | हामी मूल्यांकन गर्छौं कि गहिरो कन्भोलुसनल नेटवर्कको सक्रियताबाट निकालेका सुविधाहरू पूर्ण रूपमा पर्यवेक्षित तरिकामा प्रशिक्षित वस्तु पहिचान कार्यहरूको ठूलो, निश्चित सेटमा नयाँ जेनेरिक कार्यहरूमा पुनः प्रयोग गर्न सकिन्छ कि भनेर। हाम्रा सामान्य कार्यहरू मूल रूपमा प्रशिक्षित कार्यहरू भन्दा फरक फरक हुन सक्छन् र त्यहाँ परम्परागत रूपमा नयाँ कार्यहरूमा गहिरो वास्तुकलालाई अनुकूलन गर्न वा अनुकूलन गर्न पर्याप्त लेबल गरिएको वा लेबल गरिएको डाटा नहुन सक्छ। हामी गहिरो कन्भोल्युसनल सुविधाहरूको अर्थपूर्ण क्लस्टरिंगको अनुसन्धान र दृश्यको पहिचान, डोमेन अनुकूलन, र ठीक-अन्न पहिचान चुनौतीहरू सहित विभिन्न कार्यहरूको सम्बन्धमा दृश्य दृश्यको विश्लेषण गर्दछौं। हामी विभिन्न नेटवर्क स्तरहरूमा निर्भर रहँदा निश्चित सुविधा परिभाषित गर्ने प्रभावकारिताको तुलना गर्छौं, र नयाँ नतिजाहरू रिपोर्ट गर्छौं जुन धेरै महत्त्वपूर्ण दृष्टि चुनौतीहरूमा अत्याधुनिक भन्दा बढी प्रदर्शन गर्दछ। हामी DeCAF, यी गहिरो कन्भोल्युसनल सक्रियता सुविधाहरूको खुला स्रोत कार्यान्वयन जारी गर्दैछौं, सबै सम्बन्धित नेटवर्क प्यारामिटरहरूसँगसँगै दृष्टि अनुसन्धानकर्ताहरूलाई विभिन्न दृश्य अवधारणा सिकाउने प्रतिमानहरूमा गहिरो प्रतिनिधित्वको साथ प्रयोग गर्न सक्षम पार्न। |
b6011390c08d7982bdaecb60822e72ed7c751ea4 | |
609ab78579f2f51e4677715c32d3370899bfd3a7 | JSTOR अभिलेखको तपाईंको प्रयोगले संकेत गर्दछ कि तपाईं JSTOR को प्रयोगका सर्तहरू र शर्तहरू स्वीकार गर्नुहुन्छ, http://www.jstor.org/about/terms.html मा उपलब्ध छ। JSTOR को प्रयोगका नियम र सर्तहरूले आंशिक रूपमा प्रदान गर्दछ कि तपाईंले पूर्व अनुमति प्राप्त नगरेसम्म, तपाईं एक joumal को सम्पूर्ण मुद्दा वा लेखहरूको बहु प्रतिलिपिहरू डाउनलोड गर्न सक्नुहुन्न, र तपाईं JSTOR अभिलेखमा सामग्री तपाईंको व्यक्तिगत, गैर-व्यावसायिक प्रयोगको लागि मात्र प्रयोग गर्न सक्नुहुनेछ। |
7abeaf172af1129556ee8b3fcbb2139172e50bdf | JSTOR अभिलेखको तपाईंको प्रयोगले JSTOR को प्रयोगका नियम र सर्तहरू, http://www.jstor.org/page/info/about/policies/terms.jsp मा उपलब्ध तपाईंको स्वीकृतिलाई संकेत गर्दछ। JSTOR को प्रयोगका नियम र सर्तहरूले आंशिक रूपमा प्रदान गर्दछ कि तपाईंले पूर्व अनुमति प्राप्त नगरेसम्म, तपाईं पत्रिकाको सम्पूर्ण अंक वा लेखहरूको बहु प्रतिलिपिहरू डाउनलोड गर्न सक्नुहुन्न, र तपाईं JSTOR अभिलेखमा सामग्री तपाईंको व्यक्तिगत, गैर-व्यावसायिक प्रयोगको लागि मात्र प्रयोग गर्न सक्नुहुनेछ। |
93dbcdc45336f4d26575e8273b3d70f7a1a260b2 | सूचना प्रणालीको क्षेत्र दैनिक सामाजिक-आर्थिक जीवनमा सूचना प्रविधिको केन्द्रीयतामा आधारित छ। यद्यपि, सूचना प्रणाली अनुसन्धान (आईएसआर) मा विगत दश वर्षमा प्रकाशित लेखहरूको पूर्ण सेटको समीक्षामा आधारित, हामी तर्क गर्छौं कि यस क्षेत्रले यसको मुख्य विषय - सूचना प्रविधि (आईटी) कृत्रिम वस्तुमा गहिरो संलग्नता लिएको छैन। यसको सट्टामा, हामी फेला पार्दछौं कि आईएस अनुसन्धानकर्ताहरूले सन्दर्भलाई केन्द्रीय सैद्धान्तिक महत्त्व दिन्छन् (जसमा केही सामान्यतया निर्दिष्ट टेक्नोलोजी सञ्चालनको लागि देखिएको छ), कलाकृतिको असतत प्रशोधन क्षमताहरू (यसको सन्दर्भ वा प्रयोगबाट अलग गर्न सकिने रूपमा), वा निर्भर चर (जुन टेक्नोलोजीको रूपमा प्रभावित वा परिवर्तन गर्न सकिन्छ भन्ने धारणा राखिएको छ) विकसित, कार्यान्वयन, र प्रयोग गरियो। आईटी आर्टिफ्याक्ट आफै दृश्यबाट गायब हुन्छ, स्वीकृत हुन्छ, वा यो निर्माण र स्थापना भएपछि समस्याग्रस्त मानिन्छ। हाम्रा निष्कर्षहरूको प्रभावको बारेमा छलफल गरेपछि, हामी आईएस क्षेत्रको लागि अनुसन्धान दिशा प्रस्ताव गर्दछौं जसले यसको प्रभाव, सन्दर्भ र क्षमताको रूपमा गम्भीरतापूर्वक टेक्नोलोजी लिन थाल्छ। विशेष गरी, हामी प्रस्ताव गर्दछौं कि आईएस अनुसन्धानकर्ताहरूले आईटी कलाकृतिको बारेमा विशेष रूपमा सिद्धान्त बनाउन शुरू गर्छन्, र त्यसपछि यी सिद्धान्तहरूलाई उनीहरूको अध्ययनमा स्पष्ट रूपमा समावेश गर्दछन्। हामी विश्वास गर्छौं कि यस्तो अनुसन्धान दिशा महत्वपूर्ण छ यदि आईएस अनुसन्धानले एक विश्वलाई बुझ्नको लागि महत्वपूर्ण योगदान पुर्याउँछ जुन बढ्दो, अन्तरनिर्भर र उदीयमान सूचना प्रविधिहरूको साथ बढ्दो छ। (सूचना प्रणाली अनुसन्धान; सूचना प्रविधि; सूचना प्रविधि अनुसन्धान; सूचना प्रविधि सिद्धान्त; प्राविधिक कलाकृतियाँ; प्राविधिक परिवर्तन) |
bc5e20c9e950a5dcedbe1caacc39afe097e3a6b0 | सामान्यीकरण अनुसन्धान गर्ने र प्रयोग गर्नेहरूका लागि एउटा प्रमुख चिन्ताको विषय हो। सांख्यिकीय, नमूना आधारित सामान्यीकरण राम्रोसँग ज्ञात छ, तर विधिशास्त्रीहरू लामो समयदेखि सांख्यिकीय भन्दा बाहिरको सामान्यीकरणको अवधारणाको बारेमा सचेत छन्। यस निबन्धको उद्देश्य यसको प्रकृतिलाई आलोचनात्मक रूपमा जाँच्न, यसको प्रयोग र दुरुपयोगको चित्रण गरेर, र यसको विभिन्न रूपहरू वर्गीकरण गर्नका लागि एक ढाँचा प्रस्तुत गरेर सामान्यीकरणको अवधारणा स्पष्ट पार्नु हो। ढाँचाले विभिन्न प्रकारका चार प्रकारहरूमा व्यवस्थित गर्दछ, जुन अनुभवजन्य र सैद्धान्तिक प्रकारका कथनहरू बीचको भिन्नताद्वारा परिभाषित गरिन्छ। एकातिर, ढाँचाले सीमाहरू पुष्टि गर्दछ जसमा भित्र तथ्याङ्क, नमूना आधारित सामान्यीकरण वैध छ। अर्कोतर्फ, ढाँचाले सूचना प्रणाली र अन्य क्षेत्रका अनुसन्धानकर्ताहरूले सामान्यीकरणको दाबी गर्न सक्ने तरिकाहरू देखाउँदछ, र यसैले व्यापक प्रासंगिकता, जब उनीहरूको अनुसन्धान नमूना आधारित अनुसन्धानको सीमा बाहिर पर्दछ। (अनुसन्धान पद्धति; सकारात्मक अनुसन्धान; व्याख्यात्मक अनुसन्धान; मात्रात्मक अनुसन्धान; गुणात्मक अनुसन्धान; केस स्टडी; अनुसन्धान डिजाइन; सामान्यीकरण) |
2e5f2b57f4c476dd69dc22ccdf547e48f40a994c | |
14b5e8ba23860f440ea83ed4770e662b2a111119 | हालै ठूलो कन्भोल्युसनल नेटवर्क मोडेलहरूले इमेजनेट बेन्चमार्कमा प्रभावशाली वर्गीकरण प्रदर्शन प्रदर्शन गरेका छन् (Krizhevsky et al., 2012) । तर, किन यस्तो राम्रो काम गर्छ वा कसरी यसलाई सुधार गर्न सकिन्छ भन्नेबारे स्पष्ट जानकारी छैन। यस लेखमा हामी यी दुवै विषयबारे छलफल गर्नेछौं। हामी एउटा नयाँ दृश्य प्रविधिको परिचय दिन्छौं जसले मध्यवर्ती विशेषता तहहरूको कार्य र वर्गीकरणकर्ताको सञ्चालनमा अन्तरदृष्टि दिन्छ। निदान भूमिकामा प्रयोग गरिएका यी दृश्यले हामीलाई मोडेल आर्किटेक्चरहरू फेला पार्न अनुमति दिन्छ जुन क्रिजेभस्की एट अल भन्दा राम्रो प्रदर्शन गर्दछ। ImageNet वर्गीकरण मापदण्डमा हामी विभिन्न मोडेल तहहरूबाट प्रदर्शन योगदान पत्ता लगाउन एक अपहरण अध्ययन पनि गर्छौं। हामी हाम्रो इमेजनेट मोडेललाई अन्य डाटासेटमा सामान्यीकरण गर्छौं: जब सफ्टमेक्स वर्गीकरणकर्तालाई पुनः प्रशिक्षित गरिन्छ, यसले क्याल्टेक-१०१ र क्याल्टेक-२५६ डाटासेटमा हालको अत्याधुनिक नतिजालाई विश्वासयोग्य रूपमा हराउँछ। |
424561d8585ff8ebce7d5d07de8dbf7aae5e7270 | अत्याधुनिक वस्तु पत्ता लगाउने सञ्जालहरू वस्तु स्थानहरूको परिकल्पना गर्न क्षेत्र प्रस्ताव एल्गोरिदममा निर्भर हुन्छन्। एसपीपीनेट र फास्ट आर-सीएनएन जस्ता विकासले यी पत्ता लगाउने नेटवर्कहरूको चालु समय घटाएको छ, क्षेत्र प्रस्ताव गणनालाई एक बाधाको रूपमा उजागर गर्दै। यस कार्यमा, हामी एक <cursive> क्षेत्र प्रस्ताव नेटवर्क</cursive> (RPN) परिचय दिन्छौं जसले पूर्ण-छवि कन्भोल्युसनल सुविधाहरू पत्ता लगाउने नेटवर्कसँग साझा गर्दछ, यसैले लगभग लागत-रहित क्षेत्र प्रस्तावहरू सक्षम गर्दछ। आरपीएन पूर्ण रूपले कन्भोल्युसनल नेटवर्क हो जसले एकै साथ प्रत्येक स्थानमा वस्तु सीमा र वस्तु स्कोरको भविष्यवाणी गर्दछ। आरपीएनलाई उच्च गुणस्तरको क्षेत्र प्रस्तावहरू उत्पन्न गर्न अन्त-देखि-अन्तसम्म प्रशिक्षण दिइएको छ, जुन फास्ट आर-सीएनएनले पत्ता लगाउन प्रयोग गर्दछ। हामी आरपीएन र फास्ट आर-सीएनएनलाई एकल नेटवर्कमा मर्ज गर्छौं उनीहरूको कन्भोल्भलल सुविधाहरू साझा गरेर - हालसालै लोकप्रिय शब्दावली प्रयोग गरेर ध्यान संयन्त्रको साथ न्यूरोनल नेटवर्कहरू, आरपीएन कम्पोनेन्टले एकीकृत नेटवर्कलाई कहाँ हेर्ने भनेर बताउँछ। धेरै गहिरो VGG-16 मोडेलको लागि, हाम्रो पत्ता लगाउने प्रणालीको GPU मा 5 fps को फ्रेम दर छ, जबकि PASCAL VOC 2007, 2012, र MS COCO डाटासेटमा प्रति छवि केवल 300 प्रस्तावहरूको साथ अत्याधुनिक वस्तु पत्ता लगाउने सटीकता प्राप्त गर्दै। आईएलएसवीआरसी र कोको २०१ 2015 प्रतियोगिताहरूमा, छिटो आर-सीएनएन र आरपीएन धेरै ट्र्याकहरूमा पहिलो स्थान विजेता प्रविष्टिहरूको आधार हो। कोड सार्वजनिक रूपमा उपलब्ध गराइएको छ। |
cddb9e0effbc56594049c9e7d788b0df2247b1e5 | |
7908a8d73c9164ddfa6eb3f355494dfc849dc98f | यस कागजमा, मूल सामान्य डाइकस्ट्रा एल्गोरिथ्मबाट नयाँ-डिजस्ट्र्रा एल्गोरिथ्मलाई प्रमाणित गर्न गणितीय गणनाको दिशामा जाँदै गरेको प्रयासहरू संक्षिप्त रूपमा [1] एक सुधारिएको डाइकस्ट्राको रूपमा। यो सुधारिएको डिजस्ट्रको परिणामको प्रयोग अग्निशमन इकाईलाई आगोको स्थानमा पुग्नको लागि सबैभन्दा छोटो मार्ग पत्ता लगाउन प्रयोग गरिएको थियो। यो विचार मार्गमा मोडहरूको प्रभावमा निर्भर गर्दछ, जबकि त्यहाँ दुई बराबर मार्गहरू छन्, मोडहरूको संख्या जति बढी हुन्छ, यसलाई पार गर्न बढी समय लाग्छ र कम संख्यामा मोडहरू यसलाई पार गर्न कम समय लिन्छ। यो परिदृश्यलाई व्यावहारिक रूपमा लागू गर्न हामी दक्षिण खार्तूमको एउटा सानो वास्तविक क्षेत्र लिन्छौं। परिणामले बलियो औचित्य दिन्छ जसले हाम्रो पद्धतिलाई प्रमाणित गर्दछ र जियो-डिक्स्ट्रा जस्ता आगो निभाउने सुधारिएको डिजक्स्ट्रा एल्गोरिथ्ममा स्पष्ट योगदानको साथ प्रमाणित गर्दछ। यसबाहेक, माथि उल्लेखित एल्गोरिदमको मूल्यांकन गरिएको छ जसले धेरै आशाजनक र यथार्थपरक परिणामहरू देखाउँदछ। |
0fccd6c005fc60153afa8d454e056e80cca3102e | सरकारी तथा औद्योगिक कम्प्युटिङ पूर्वाधारको सुरक्षाका लागि सञ्जाल सुरक्षा प्रविधि अत्यावश्यक भएको छ। आधुनिक घुसपैठ पत्ता लगाउने अनुप्रयोगहरू जटिल आवश्यकताहरूको सामना गर्छन्; तिनीहरू विश्वसनीय, विस्तार योग्य, व्यवस्थापन गर्न सजिलो, र कम मर्मत लागत हुनु आवश्यक छ। हालैका वर्षहरूमा, मेशिन लर्निंगमा आधारित घुसपैठ पत्ता लगाउने प्रणालीले उच्च सटीकता, नयाँ प्रकारको घुसपैठमा राम्रो सामान्यीकरण, र परिवर्तनशील वातावरणमा बलियो व्यवहार प्रदर्शन गरेको छ। यस कार्यको उद्देश्य भविष्यमा घुसपैठ पत्ता लगाउने प्रणाली स्थापना गर्न सन्दर्भ प्रदान गर्ने आशामा कृत्रिम न्यूरल नेटवर्क र समर्थन भेक्टर मेसिन सहित घुसपैठ पत्ता लगाउने प्रणालीमा मेशिन लर्निंग विधिहरूको दक्षताको तुलना गर्नु हो। मेशिन लर्निंगमा आधारित इन्ट्रूजन डिटेक्टरहरूमा अन्य सम्बन्धित कार्यहरूसँग तुलना गर्दा, हामी प्रत्येक मापनका लागि सामान्य डाटाको विभिन्न अनुपातको नमूनाको माध्यमबाट औसत मान गणना गर्ने प्रस्ताव गर्दछौं, जसले हामीलाई वास्तविक संसारमा अवलोकन डाटाको लागि राम्रो शुद्धता दरमा पुग्न मद्दत गर्दछ। हामी चार प्रकारका आक्रमणको लागि सटीकता, पत्ता लगाउने दर, गलत अलार्म दरको तुलना गर्छौं। KDD-cup घुसपैठ पत्ता लगाउने बेन्चमार्क डाटासेटमा व्यापक प्रयोगात्मक परिणामहरूले देखाउँदछ कि प्रस्तावित दृष्टिकोणले KDD विजेता भन्दा उच्च प्रदर्शन उत्पादन गर्दछ, विशेष गरी U2R र U2L प्रकारका आक्रमणहरूको लागि। |
86ab4cae682fbd49c5a5bedb630e5a40fa7529f6 | हामी हस्तलिखित अंक पहिचान गर्न ब्याक-प्रोपागनेशन नेटवर्कको एक अनुप्रयोग प्रस्तुत गर्दछौं। डाटाको न्यूनतम पूर्वप्रक्रिया आवश्यक थियो, तर नेटवर्कको वास्तुकला अत्यधिक सीमित थियो र विशेष गरी कार्यको लागि डिजाइन गरिएको थियो। नेटवर्कको इनपुटमा अलग-अलग अंकहरूको सामान्यीकृत छविहरू हुन्छन्। यो विधिमा १ प्रतिशत त्रुटि दर छ र अमेरिकाले उपलब्ध गराएको जिपकोड अंकहरूमा लगभग ९ प्रतिशत अस्वीकार दर छ। डाक सेवा। |
3c5ba48d25fbe24691ed060fa8f2099cc9eba14f | अनुहार पहिचान (एफआर) मा गहिरो शिक्षाले हासिल गरेको प्रगतिको बाबजुद, अधिक र अधिक व्यक्तिहरूले पत्ता लगाउँछन् कि नस्लीय पूर्वाग्रहले स्पष्ट रूपमा यथार्थवादी एफआर प्रणालीमा प्रदर्शनलाई गिराउँछ। तालिम र परीक्षणको डाटाबेस लगभग काकेशियन विषयहरूबाट बनेको छ भन्ने तथ्यलाई सामना गर्दै, अझै पनि कुनै स्वतन्त्र परीक्षण डाटाबेस छैन जातीय पूर्वाग्रहको मूल्या to्कन गर्न र कुनै प्रशिक्षण डाटाबेस र यसलाई कम गर्न विधिहरू पनि छैनन्। यी अनुचित मुद्दाहरूलाई परास्त गर्ने दिशामा अनुसन्धानलाई सजिलो बनाउन, यस कागजातले दुई महत्त्वपूर्ण प्रयोगहरूको साथ र्यासल फेस इन-द-वाइल्ड (आरएफडब्ल्यू) डाटाबेस भनिने नयाँ डाटासेट योगदान गर्दछ, १) जातीय पूर्वाग्रह परीक्षणः चार परीक्षण उपसमूहहरू, अर्थात् काकेशियन, एशियाई, भारतीय र अफ्रिकी, निर्माण गरिएको छ, र प्रत्येकमा अनुहार प्रमाणीकरणको लागि 6000 छवि जोडीहरूको साथ 3000००० व्यक्तिहरू छन्, २) जातीय पूर्वाग्रह घटाउनेः काकेशियनको साथ एक लेबल प्रशिक्षण उपसमूह र एशियाई, भारतीय र अफ्रिकीहरूको साथ तीन लेबल प्रशिक्षण उपसमूहहरू एफआर पहिचान ज्ञानलाई काकेशियनबाट अन्य जातिहरूमा हस्तान्तरण गर्न एल्गोरिदमहरूलाई प्रोत्साहित गर्न प्रस्ताव गरिएको छ। हामी सबैलाई थाहा छ, आरएफडब्लु एफआर एल्गोरिदममा जातीय पूर्वाग्रहको मापन गर्ने पहिलो डेटाबेस हो। विभिन्न जातजातिबीचको डोमेन ग्यापको अस्तित्व र एफआर एल्गोरिदममा जातीय पूर्वाग्रहको अस्तित्व प्रमाणित गरेपछि, हामी यस डोमेन ग्यापलाई पूर्वाधार बनाउनको लागि गहिरो सूचना अधिकतमकरण अनुकूलन नेटवर्क (आईएमएएन) को प्रस्ताव गर्दछौं, र व्यापक प्रयोगहरूले देखाउँदछ कि जातीय पूर्वाग्रहलाई संकुचित गर्न सकिन्छ हाम्रो एल्गोरिथ्म द्वारा। |
0f9b608cd19afeb083e0244df4cd0db1a00e029b | हामी प्रशिक्षण नमूनाहरूको सेटबाट अनियमित ईएलडीहरू निर्माण गर्न एक प्रविधि प्रस्तुत गर्दछौं। सिकाइ प्रतिमानले बढ्दो जटिल क्षेत्रहरू निर्माण गर्दछ जसले सम्भावित कार्यहरू, वा सुविधाहरू अनुमति दिन्छ, जुन बढ्दो ठूलो उपग्राफहरू द्वारा समर्थित छ। प्रत्येक विशेषताको एक वजन छ जुन प्रशिक्षण डेटाको मोडेल र अनुभवजन्य वितरणको बीचमा कुलब्याक-लेइबलर विचलनलाई कम गरेर प्रशिक्षित गरिन्छ। एक लोभी एल्गोरिथ्मले निर्धारण गर्दछ कि कसरी सुविधाहरू वृद्धिशील रूपमा एल्डमा थपिएका छन् र एक पुनरावर्ती स्केलि algorithm एल्गोरिथ्म तौलको इष्टतम मानहरूको अनुमान गर्न प्रयोग गरिन्छ। यस कागजमा प्रस्तुत अनियमित क्षेत्र मोडेल र प्रविधिहरू कम्प्युटर भिजन साहित्यको धेरै जसोमा सामान्य भन्दा फरक छन् कि अन्तर्निहित अनियमित क्षेत्रहरू गैर-मार्कोभियन हुन् र ठूलो संख्यामा प्यारामिटरहरू छन् जुन अनुमान गर्नुपर्दछ। निर्णय रूखहरू र बोल्ट्जमन मेसिनहरू सहित अन्य सिकाउने दृष्टिकोणहरूसँग सम्बन्धहरू दिइएका छन्। यस विधिको प्रदर्शनको रूपमा, हामी प्राकृतिक भाषा प्रसंस्करणमा स्वचालित शब्द वर्गीकरणको समस्यामा यसको अनुप्रयोग वर्णन गर्दछौं। |
5a0e84b72d161ce978bba66bfb0e337b80ea1708 | आरएफआईडीहरू इन्टरनेट अफ थिंग्सको एउटा महत्वपूर्ण घटकको रूपमा देखा पर्दैछन्। सन् २०१२ मा, उपकरणको स्थान निर्धारण गर्न, औषधिहरू ट्र्याक गर्न, खुद्रा सामानहरू ट्याग गर्न, आदिका लागि अरबौं आरएफआईडीहरू प्रयोग गरिएका छन्। तर, हालको आरएफआईडी प्रणालीले मात्र ट्याग गरिएको वस्तु रेडियो दायराभित्र छ कि छैन भनेर पहिचान गर्न सक्छ (जुन दर्जनौं मिटरसम्म हुन सक्छ), तर यसको सही स्थान पत्ता लगाउन सक्दैन। यस सीमिततालाई सम्बोधन गर्नका लागि विगतका प्रस्तावहरू दृश्य रेखा मोडेलमा निर्भर छन् र यसैले बहु-पथ प्रभाव वा गैर-दृश्य-रेखाको सामना गर्दा खराब प्रदर्शन गर्दछ, जुन वास्तविक विश्व तैनातीमा विशिष्ट छ। यस कागजातले पहिलो सफा-ग्रान्ड आरएफआईडी स्थिति निर्धारण प्रणाली प्रस्तुत गर्दछ जुन बहु-पथ र गैर-रेखा-को-दृश्य परिदृश्यहरूमा बलियो छ। विगतका कामहरू भन्दा फरक, जुन बहुपथलाई हानिकारक मान्दछ, हाम्रो डिजाइनले बहुपथलाई प्रयोग गरेर आरएफआईडीको सही स्थान निर्धारण गर्दछ। हाम्रो डिजाइनको अन्तर्ज्ञान भनेको नजिकैको आरएफआईडीले समान बहुपथ वातावरण (उदाहरणका लागि वातावरणमा परावर्तनकर्ताहरू) अनुभव गर्दछ र यसैले समान बहुपथ प्रोफाइलहरू प्रदर्शन गर्दछ। हामी एन्टेनाको गतिबाट सिर्जना गरिएको सिंथेटिक एपर्चर रडार (एसएआर) को प्रयोग गरेर यी बहुपथ प्रोफाइलहरू क्याप्चर र निकाल्छौं। त्यसपछि हामी गतिशील समय विकृति (डीटीडब्लु) प्रविधिहरू प्रयोग गरेर ट्यागको स्थान पत्ता लगाउँछौं। हामीले युएसआरपी सफ्टवेयर रेडियोको प्रयोग गरेर हाम्रो डिजाइनको एउटा प्रोटोटाइप बनाएका थियौं। हाम्रो विश्वविद्यालयको पुस्तकालयमा २०० व्यावसायिक आरएफआईडीको प्रयोगबाट प्राप्त परिणामले नयाँ डिजाइनले ११ सेन्टिमिटरको औसत शुद्धताका साथ हराएका पुस्तकहरू पत्ता लगाउन सक्छ भन्ने देखाउँछ। |
ddedb83a585a53c8cd6f3277cdeaa367b526173f | |
79fe72080be951cf096524fd54c33402387c8e8f | क्रिप्टोकरन्सीको अवधारणा अनुसन्धान साहित्यमा बिर्सिएका विचारबाट निर्माण गरिएको हो। |
691e9e6f09e8a98b6e81c9d9986605d21c56ca21 | |
bb9419100e83f9257b1ba1658b95554783a13141 | उर्जाको अभाव र बढ्दो गम्भीर वातावरणीय प्रदूषणका कारण शून्य उत्सर्जन र उच्च दक्षताका साथ ईन्धन सेल इलेक्ट्रिक वाहनहरू (एफसीईभी) परम्परागत सवारी साधनहरूको प्रतिस्थापन गर्न सबैभन्दा सम्भावित उम्मेद्वार हुने अपेक्षा गरिएको छ। सीसी/सीसी कन्भर्टर ईन्धन सेल (एफसी) र एफसीईभीको ड्राइभलाइन बीचको इन्टरफेस हो। यसलाई व्यापक एफसी भोल्टेजलाई उपयुक्त भोल्टेज स्तरमा रूपान्तरण गर्न उच्च भोल्टेज लाभ मात्र चाहिन्छ, तर प्रणालीको विश्वसनीयता बढाउन गल्ती सहनशीलताको क्षमता पनि चाहिन्छ। यस कारणका लागि, फ्लोटिंग इन्टरलेभ्ड बूस्ट कन्भर्टर (एफआईबीसी) इष्टतम छनौट जस्तो देखिन्छ। यस टोपोलोजीको बाबजुद पनि उचित नियन्त्रण योजनाको कार्य अन्तर्गत बिना रुकावट काम गर्न जारी राख्न सक्दछ पावर स्विच खुला सर्किट दोष (ओसीएफ) को मामलामा, बिग्रेको मोडमा काम गर्दा घटक तनाव र इनपुट वर्तमान लहरमा प्रतिकूल प्रभाव पार्दछ। यसैले, यस कागजको उद्देश्य DC बस भोल्टेज स्थिर राख्नको लागि एक प्रभावकारी नियन्त्रक डिजाइन गर्नु हो र यी अवांछनीय प्रभावहरूको पूर्ण सैद्धान्तिक विश्लेषण र सिमुलेशन प्रमाणीकरण प्रदर्शन गर्नु हो। |
ede851351f658426e77c72e7d1989dda970c995a | यस लेखमा अल्ट्रा-ब्रडब्यान्ड अल्ट्रा कम्प्याक्ट बटलर म्याट्रिक्स डिजाइन योजना प्रस्तुत गरिएको छ। यसको डिजाइनमा स्ट्याक्ड ट्रान्सफार्मर आधारित कपलर र एलसी π-नेटवर्क चरण शिफ्टर प्रयोग गरिएको छ। एक प्रूफ-अफ-कन्सेप्ट डिजाइनको रूपमा, एक 4 × 4 बटलर म्याट्रिक्स मानक 130nm बल्क सीएमओएस प्रक्रियामा 2.0 GHz को केन्द्र आवृत्तिमा लागू गरिएको छ। सीएमओएसमा रिपोर्ट गरिएको पूर्ण एकीकृत २.० गीगाहर्ट्ज ४×४ बटलर म्याट्रिक्स डिजाइनको तुलनामा, प्रस्तावित डिजाइनले १.१० डीबीको सबैभन्दा कम सम्मिलन घाटा, ०.३ डीबीको सबैभन्दा सानो आयाम असंगति, ३४.६% को सबैभन्दा ठूलो अंशात्मक ब्यान्डविथ, र ०.६३५×१.१२२ एमएम २ को सबैभन्दा सानो चिप कोर क्षेत्र प्राप्त गर्दछ। मापन गरिएको एस-पारामिटरहरूको आधारमा, बटलर म्याट्रिक्सका चार समान विद्युतीय एरे ढाँचाहरूले २.० गीगाहर्ट्जमा २.५ डीबीको एरे पीक-टु-नल अनुपात (पीएनआर) प्राप्त गर्दछ र १.५५ गीगाहर्ट्ज र २.५० गीगाहर्ट्ज बीच १.० डीबी भन्दा राम्रो हुन्छ। |
33b04c2ca92aac756b221e96c1d2b4b714cca409 | लामो समयसम्म ईसीजी निगरानी धेरै दैनिक स्वास्थ्य हेरचाहको अवस्थामा चाहिन्छ जहाँ एक पहिरन योग्य उपकरण आवश्यक छ जसले निरन्तर ईसीजी संकेतहरू रेकर्ड गर्न सक्छ। यस कार्यमा हामीले एम्बुलेन्ट ईसीजी अनुगमनका लागि एक पहिरनयोग्य मुटुको धड्कनको बेल्ट प्रस्ताव गरेका छौं जुन छाती वा कम्मरमा आरामसँग लगाउन सकिन्छ। सक्रिय कपडा इलेक्ट्रोडहरू ईसीजी रेकर्डिङका लागि डिजाइन गरिएको थियो। र ब्याट्री संचालित सर्किट बोर्ड विकसित गरिएको थियो जसमा ईसीजी सिग्नल कन्डिसन सर्किट, शरीरको गति पत्ता लगाउनका लागि ३ अक्षीय एक्सेलेरेटर, १२ बिट एडी कन्भर्टर, सिग्नल प्रोसेसिंगका लागि डीएसपी र डाटा भण्डारणका लागि एसडी कार्ड समावेश छ। प्रणालीमा एक वायरलेस कम्युनिकेशन मोड्युल पनि समावेश छ जसले हृदय गति डेटा प्रदर्शन गर्नका लागि खेल घडीमा पठाउन सक्छ। प्रयोगहरू गरिएका छन् जसले प्रस्तावित प्रणालीलाई सहज र सहज रूपमा दैनिक गतिविधिहरूमा प्रयोग गर्न सकिन्छ भन्ने देखाउँछ। कम्मरमा लगाउँदा आराम र हिँड्ने अवस्थामा उचित गुणस्तरको ईसीजी संकेत प्राप्त भयो। प्रस्तावित प्रणालीले दीर्घकालीन एम्बुलेन्ट ईसीजी अनुगमनको लागि आशा देखाउँछ। |
845111f92b5719197a74d20dd0e050c65d4b8635 | पानी वितरण प्रणालीबाट संकलन गरिएको समय श्रृंखला डेटाको नमूना आवृत्ति र मात्रा हालका वर्षहरूमा बढ्दै गएको छ, यदि उपयुक्त स्वचालित प्रविधिहरू लागू गर्न सकिन्छ भने प्रणाली ज्ञान सुधार गर्ने सम्भावनालाई जन्म दिँदै, विशेष गरी मेशिन लर्निंग। नवीनता (वा विसंगति) पत्ता लगाउने भनेको ठूलो मात्रामा "सामान्य" डाटामा समावेश गरिएको नयाँ वा असामान्य ढाँचाहरूको स्वचालित पहिचानलाई जनाउँछ। समय श्रृंखला डेटा (भेक्टरहरूमा रूपान्तरित) सँग व्यवहार गर्दा, यसको अर्थ धेरै सामान्य समय श्रृंखला बिन्दुहरू बीचमा एम्बेडेड असामान्य घटनाहरू हुन्। समर्थन भेक्टर मेसिन एक डाटा-संचालित सांख्यिकीय प्रविधि हो जुन वर्गीकरण र प्रतिगमनको लागि एक उपकरणको रूपमा विकसित गरिएको छ। प्रमुख विशेषताहरू गैर-गौसियन त्रुटिहरू र आउटलिअरहरूको सन्दर्भमा सांख्यिकीय स्थिरता, निर्णय सीमाको छनौट सिद्धान्तबद्ध तरिकामा, र कर्नेल प्रकार्यहरूको माध्यमबाट स्पष्ट रूपमा गैर-रेखीय एल्गोरिथ्मको आवश्यकता बिना सुविधा स्पेसमा गैर-रेखीयताको परिचय समावेश गर्दछ। यस अनुसन्धानमा पानीको प्रवाह र दबाव समय श्रृंखला डेटाबाट विसंगति पत्ता लगाउनको लागि सिकाउने विधिको रूपमा समर्थन भेक्टर प्रतिगमन प्रयोग गरिएको छ। विगतका घटनाहरूको इतिहासको कुनै प्रयोग गरिएको छैन जुन अन्य सूचना स्रोतहरू मार्फत संकलन गरिएको छ। समर्थन वेक्टर प्रतिगमन विधि, जसको बलियोता प्रशिक्षण त्रुटि समारोह बाट प्राप्त हुन्छ, लागू हुन्छ |
5d9a3036181676e187c9c0ff995d8bed1db3557d | डोमेन अनुकूलन कम्प्युटर दृष्टिमा एउटा महत्त्वपूर्ण उदीयमान विषय हो। यस लेखमा, हामी वस्तु पहिचानको सन्दर्भमा डोमेन शिफ्टको पहिलो अध्ययन प्रस्तुत गर्दछौं। हामी एउटा विधि प्रस्तुत गर्छौं जसले विशेष दृश्य डोमेनमा प्राप्त वस्तु मोडेलहरूलाई नयाँ इमेजिङ सर्तहरूमा अनुकूलन गर्दछ जसले फिचर वितरणमा डोमेन-प्रेरित परिवर्तनहरूको प्रभावलाई कम गर्दछ। परिवर्तन एक पर्यवेक्षित तरिकामा सिकिएको छ र श्रेणीहरूमा लागू गर्न सकिन्छ जसको लागि नयाँ डोमेनमा कुनै लेबल उदाहरणहरू छैनन्। हामी वस्तु पहिचान कार्यमा हाम्रो मूल्यांकन केन्द्रित गर्दा, हामी विकास परिवर्तन आधारित अनुकूलन प्रविधी सामान्य छ र गैर-छवि डाटा लागू गर्न सकिन्छ। अर्को योगदान नयाँ बहु-डोमेन वस्तु डेटाबेस हो, जुन डाउनलोडका लागि निःशुल्क उपलब्ध छ। हामीले प्रयोगात्मक रूपमा हाम्रो विधिले थोरै वा कुनै लक्षित डोमेन लेबलहरू र इमेजिंग सर्तहरूमा मध्यमदेखि ठूलो परिवर्तनको साथ कोटीहरूमा पहिचान सुधार गर्ने क्षमता प्रदर्शन गरेका छौं। |
95ded03f3eb9d60b3e3d51931147d5049be4ba5e | यस लेखमा Ku-ब्यान्डमा काम गर्ने पुनः कन्फिगर योग्य रिफ्लेक्टेरे एन्टेना प्रस्तुत गरिएको छ। पहिलो, एक उपन्यास बहुपरत एकाइ-सेल ध्रुवीकरण मोड अवधारणामा आधारित छ जुन पुनः कन्फिगर योग्य रिफ्लेक्टेरे अनुप्रयोगहरूको लागि आवश्यक एकल-बिट चरण शिफ्ट प्राप्त गर्न प्रस्ताव गरिएको छ। युनिट-सेलको सिद्धान्तको बारेमा वर्तमान मोडेल र स्पेस म्याच सर्तको प्रयोग गरेर छलफल गरिएको छ, डिजाइन र प्रदर्शन मापदण्डको पुष्टि गर्न सिमुलेशनको साथ। त्यसपछि, एन्टेना अनुप्रयोगमा युनिट-सेलको प्रदर्शन प्रमाणित गर्न अफसेट-फिड कन्फिगरेसन विकसित गरिएको छ, र यसको ध्रुवीकरण रूपान्तरण सम्पत्ति विस्तृत गरिएको छ। अन्तमा, १० × १० तत्वहरूको साथ अफसेट-फ्रेड रिफ्लेक्टर एरे विकसित र निर्माण गरिएको छ। दोहोरो ध्रुवीकृत एन्टेनाले नियन्त्रण कोड म्याट्रिक्स प्रयोग गर्दछ व्यापक कोण बीम-स्क्यान पूरा गर्न। पूर्ण तरंग विश्लेषण रिफ्लेक्टर एरेमा लागू हुन्छ, र विस्तृत परिणामहरू प्रस्तुत र छलफल गरिन्छ। यस इलेक्ट्रोनिक रूपमा निर्देशित रिफ्लेक्टेरे एन्टेनाको व्यापक अपरेटिङ ब्यान्ड, सरल नियन्त्रण र बीम-स्क्यान क्षमताका कारण उपग्रह अनुप्रयोगहरूको लागि महत्त्वपूर्ण सम्भावना छ। |
318cb91c41307135781a0a01bc9e0b6a6e123b0f | हामी एक ठूलो डाटासेट प्रदान गर्दछौं जसमा आरजीबी-डी छवि अनुक्रम र ग्राउन्ड-सत्य क्यामेरा ट्र्याजेक्टरीहरू दृश्य एसएलएएम प्रणालीहरूको मूल्यांकनको लागि बेन्चमार्क स्थापना गर्ने लक्ष्यको साथ। हाम्रो डाटासेटमा माइक्रोसफ्ट किनेक्ट सेन्सरको रङ र गहिराइ छविहरू र क्यामेरा पोजहरूको ग्राउन्ड ट्रुथ ट्र्याजेक्टरी समावेश छ। डाटा पूर्ण फ्रेम दर (३० हर्ट्ज) र सेन्सर रिजोल्युसन (६४०x४८०) मा रेकर्ड गरिएको थियो। ग्राउन्ड-ट्रुथ ट्रयाक्टरी आठ उच्च-स्पीड ट्र्याकिङ क्यामेराहरू (१०० हर्ट्ज) को साथ उच्च-सटीक गति-क्याप्चर प्रणालीबाट प्राप्त गरिएको थियो। यसबाहेक, हामी किनेक्टबाट एक्सेलेरोमिटर डाटा प्रदान गर्दछौं। अन्तमा, हामी दृश्य SLAM प्रणालीको अनुमानित क्यामेरा ट्रयाजेक्टरीको गुणस्तर मापन गर्नका लागि मूल्यांकन मापदण्ड प्रस्ताव गर्दछौं। |
318ada827c5273a6998cfa84e57801121ce04ddc | एचएएल वैज्ञानिक अनुसन्धान कागजातहरूको भण्डारण र प्रसारको लागि एक बहु-विषयक खुला पहुँच अभिलेख हो, चाहे तिनीहरू प्रकाशित छन् वा छैनन्। यी कागजातहरू फ्रान्स वा विदेशमा रहेका शिक्षण तथा अनुसन्धान संस्थाहरूबाट वा सार्वजनिक वा निजी अनुसन्धान केन्द्रहरूबाट प्राप्त गर्न सकिन्छ। एचएएलको खुला बहु-विषयक अभिलेखालय, सार्वजनिक वा निजी प्रयोगशालाहरूबाट फ्रान्सेली वा विदेशी शिक्षा र अनुसन्धान संस्थाहरूबाट प्रकाशित वा प्रकाशित नभएका अनुसन्धान स्तरका वैज्ञानिक कागजातहरूको भण्डारण र प्रसारको लागि हो। संगठनात्मक परिवर्तनलाई बुझ्नको लागि संगठनात्मक दिनचर्याहरू लागू गर्दै मार्कस बेकर, नताली लाजारिक, रिचर्ड नेल्सन, सिड्नी जी. विन्टर |
327acefe53c09b40ae15bfac9165b5c8f812d158 | यस अध्ययनमा लेखकहरूले विगत ४ दशकमा नेतृत्वमा विश्वासको बारेमा गरिएको अनुसन्धानको निष्कर्ष र प्रभावको अध्ययन गरेका छन्। पहिलो, अध्ययनले नेतृत्वमा विश्वास र मुख्य परिणामहरू, पूर्ववर्तीहरू, र सहसंबद्धहरू (के = १०६) बीचको प्राथमिक सम्बन्धहरूको अनुमान प्रदान गर्दछ। दोस्रो, अध्ययनले वैकल्पिक नेतृत्व सन्दर्भहरू (प्रत्यक्ष नेताहरू बनाम संगठनात्मक नेतृत्व) र परिभाषाहरू (विश्वासका प्रकारहरू) को साथ निर्माणको निर्दिष्ट गर्ने क्रममा नेतृत्वमा विश्वास र परिणामहरू र पूर्ववर्तीहरू बीच व्यवस्थित रूपमा फरक सम्बन्धहरू कसरी हुन्छ भनेर अन्वेषण गर्दछ। प्रत्यक्ष नेताहरू (उदाहरणका लागि, पर्यवेक्षकहरू) विश्वासको विशेष महत्त्वपूर्ण सन्दर्भकर्ता जस्तो देखिन्छ। अन्तमा, नेतृत्वमा विश्वास निर्माण र यसको सञ्चालनमा विभिन्न दृष्टिकोण स्पष्ट पार्न विस्तृत साहित्यलाई एक सैद्धान्तिक ढाँचा प्रदान गर्न प्रस्ताव गरिएको छ। |
6b8fe767239a34e25e71e99bd8b8a64f8279d7f4 | सूचना प्रविधिको अध्ययनका लागि संस्कृतिलाई बुझ्नु महत्त्वपूर्ण छ किनकि राष्ट्रिय, संगठनात्मक र समूह सहित विभिन्न स्तरहरूमा संस्कृतिले सूचना प्रविधिको सफल कार्यान्वयन र प्रयोगलाई प्रभाव पार्न सक्छ। संस्कृतिले पनि व्यवस्थापन प्रक्रियामा भूमिका खेल्छ जसले प्रत्यक्ष वा अप्रत्यक्ष रूपमा आईटीलाई प्रभाव पार्न सक्छ। संस्कृति अनुसन्धानको लागि चुनौतीपूर्ण चर हो, आंशिक रूपमा संस्कृति को धेरै भिन्न परिभाषा र उपायहरूको कारण। यद्यपि, सूचना प्रविधि र संस्कृतिको सम्बन्धबारे धेरै लेखिएका छन्। यस लेखमा सूचना प्रविधि र संस्कृतिबीचको सम्बन्धबारे हाम्रो बुझाइलाई थप प्रकाश पार्न यसबारेको साहित्यको समीक्षा गरिएको छ। हामी संस्कृतिलाई अवधारणामा रूपान्तरण गरेर आईटी र संस्कृतिको अध्ययनमा मूल्यमा आधारित दृष्टिकोणको लागि आधार तयार गर्न सुरु गर्छौं। यस दृष्टिकोणको प्रयोग गरेर, हामी त्यसपछि संगठनात्मक र क्रस-सांस्कृतिक आईटी साहित्यको एक व्यापक समीक्षा प्रदान गर्दछौं जुन यी दुई परम्परागत रूपमा अनुसन्धानको अलग प्रवाहलाई जोड्छ। हाम्रो विश्लेषणबाट, हामी आईटी-संस्कृति अनुसन्धानको छवटा विषयवस्तुहरू विकास गर्दछौं जसले आईटीमा संस्कृतिको प्रभाव, संस्कृतिमा आईटीको प्रभाव, र आईटी संस्कृतिमा जोड दिन्छ। यी विषयवस्तुहरूमा आधारित भएर हामी आईटी, मूल्य र द्वन्द्वको सिद्धान्त विकास गर्छौं। यस सिद्धान्तको आधारमा हामी तीन प्रकारका सांस्कृतिक द्वन्द्व र ती द्वन्द्वहरूको परिणामबारे प्रस्तावहरू विकास गर्छौं। अन्ततः, यो सिद्धान्तले यी द्वन्द्वहरूको मेलमिलापले मूल्यहरूको पुनः अभिमुखीकरणमा परिणाम दिन्छ। हामी अनुसन्धानको यस लाइनमा विशेष अनुसन्धान चुनौतीहरूको साथ निष्कर्ष निकाल्छौं। |
9f720a880fe4c99557c4bdfe0e3595ea60902055 | |
1a8c33f9e51ba01e1cdade7029f96892c7c7087b | शब्दहरूको अर्थ सम्बन्धी सम्बन्धको गणना गर्ने यसअघिको कामले शब्दहरू बीचको सम्बन्धलाई प्रभावकारी रूपमा बेवास्ता गर्दै उनीहरूको अर्थलाई अलग्गै प्रतिनिधित्व गर्ने कुरामा केन्द्रित थियो। हामी शब्द-शब्द सम्बन्धिता सिक्नको लागि ठूलो मात्रामा डाटा माइनिङको दृष्टिकोण प्रस्ताव गर्छौं, जहाँ सम्बन्धित शब्दहरूको ज्ञात जोडीले सिकाइ प्रक्रियामा प्रतिबन्धहरू लगाउँछ। हामी प्रत्येक शब्दको लागि एक कम आयामी प्रतिनिधित्व सिक्छौं, जसले शब्दको सम्भावनालाई अधिकतम बनाउन प्रयास गर्दछ जुन सन्दर्भमा यो देखा पर्दछ। हाम्रो विधि, जसलाई CLEAR भनिन्छ, पहिले प्रकाशित दृष्टिकोण भन्दा धेरै राम्रो प्रदर्शन गर्न देखाइएको छ। प्रस्तावित विधि पहिलो सिद्धान्तहरूमा आधारित छ, र विभिन्न प्रकारका पाठ कर्पोरेसहरूको शोषण गर्न पर्याप्त सामान्य छ, जबकि व्युत्पन्न शब्द समानताहरूमा प्रतिबन्ध लगाउन लचिलोपन छ। हामी शब्द सम्बन्धी एल्गोरिदमको मूल्याङ्कन गर्नका लागि नयाँ लेबल गरिएको डाटासेट पनि सार्वजनिक रूपमा उपलब्ध गराउँछौं, जुन हामी विश्वास गर्छौं कि अहिलेसम्मको सबैभन्दा ठूलो डाटासेट हो। |
2c90cf37144656775a7f48f70f908f72bdb58ed8 | स्मार्ट संसारलाई एउटा युगको रूपमा कल्पना गरिएको छ जसमा वस्तुहरू (जस्तै, घडीहरू, मोबाइल फोनहरू, कम्प्युटरहरू, कारहरू, बसहरू, र रेलहरू) स्वचालित रूपमा र बुद्धिमानीपूर्वक सहयोगी तरिकामा मानिसहरूलाई सेवा गर्न सक्दछन्। स्मार्ट संसारको लागि मार्ग प्रशस्त गर्दै, इन्टरनेट अफ थिंग्स (आईओटी) ले स्मार्ट संसारमा सबै कुरा जोड्छ। यस लेखमा हरित आईओटी सम्बन्धी विभिन्न प्रविधि र मुद्दाहरूको बारेमा छलफल गरिएको छ। विशेष गरी, आईओटी र हरियो आईओटीको बारेमा एक सिंहावलोकन पहिले गरिन्छ। त्यसपछि हरियो सूचना तथा सञ्चार प्रविधि (आईसीटी) (जस्तै हरियो रेडियो फ्रिक्वेन्सी पहिचान, हरियो वायरलेस सेन्सर नेटवर्क, हरियो क्लाउड कम्प्युटिङ, हरियो मेसिन-मेसिन र हरियो डाटा सेन्टर) लाई हरियो आईओटी सक्षम पार्ने अध्ययन गरिन्छ र सामान्य हरियो आईसीटी सिद्धान्तहरूको सारांश दिइन्छ। यसबाहेक, हरियो आईओटीमा नयाँ प्रतिमानको रूपमा रहेको सेन्सर क्लाउडको बारेमा पछिल्लो विकास र भविष्यको दर्शनको समीक्षा र परिचय दिइन्छ। अन्तमा, भविष्यका अनुसन्धान दिशाहरू र हरियो आईओटीको बारेमा खुला समस्याहरू प्रस्तुत गरिएको छ। हाम्रो कामको लक्ष्य हरियो आईओटी र स्मार्ट संसारको सम्बन्धमा अनुसन्धानको लागि एक ज्ञानवर्धक र नवीनतम मार्गदर्शन हो। |
d7260b8cf64aca3f538080369390490830a1e248 | यस लेखमा कम लागतको का-ब्यान्ड एरे एन्टेनाको लागि बहुपरत एन्टेना प्यानलका मुख्य विशेषताहरू वर्णन गरिएको छ। लोकोमो स्याटकम टर्मिनल ट्रान्समिट/रिसेभ र आरएचसीपी/एलएचसीपी स्विचिंग क्षमता भएको दोहोरो ध्रुवीकृत कम प्रोफाइल एन्टेनामा आधारित छ। |
ecda3cc93064bb274eecd94d06b47945bb672ca4 | हामी विद्युतीय-steerable holographic एन्टेना लागि डिजाइन प्रस्तुत ध्रुवीकरण नियन्त्रण Ku-ब्यान्ड, विद्युतीय-steerable, सतह-लहर लहर गाइड (SWG) कृत्रिम-अवरोध-सतह एन्टेना (AISA) को एक रेडियल सरणी बनेको। एन्टेनाले प्रत्येक एसडब्ल्यूजीमा केन्द्रीय फीड नेटवर्क मार्फत सतह तरंगहरू प्रक्षेपण गरेर काम गर्दछ। सतह-लहर प्रतिबाधा इलेक्ट्रोनिक रूपमा varactor-tuned प्रतिबाधा प्याचहरू द्वारा नियन्त्रण गरिन्छ। एन्टेनाको उचाइ, अजिमुथ र ध्रुवीकरणमा स्क्यान गर्न प्रतिरोध समायोजन गरिन्छ। रेडियल सममितिले 360° अजिमुथल स्टीयरिंगको लागि अनुमति दिन्छ। यदि यो पूर्व प्रदर्शन गरिएको SWG AISAs सँग निर्माण गरिएको हो भने, यो -75° देखि 75° सम्मको उचाइमा स्क्यान गर्न सक्षम छ 3 dB भन्दा कमको लाभ परिवर्तनको साथ। ध्रुवीकरण V-Pol, H-Pol, LHCP र RHCP बीचमा इच्छा अनुसार स्विच गर्न सकिन्छ। |
31632b27bc8a31b1fbb7867656b8e3ca840376e0 | डाटासेट बढ्दै जाँदा र विश्लेषणात्मक एल्गोरिदमहरू अधिक जटिल हुँदै जाँदा, विश्लेषकहरूले विश्लेषणात्मक सुरू गर्ने, यसको पूरा हुने प्रतीक्षा गर्ने, परिणामहरूको निरीक्षण गर्ने, र त्यसपछि समायोजित प्यारामिटरहरूको साथ गणना पुनः सुरु गर्ने सामान्य कार्यप्रवाह धेरै वास्तविक-विश्व कार्यहरूको लागि यथार्थपरक छैन। यस कागजातले एक वैकल्पिक कार्यप्रवाह प्रस्तुत गर्दछ, प्रगतिशील दृश्य विश्लेषण, जसले विश्लेषकलाई एल्गोरिथ्मको आंशिक परिणामहरू निरीक्षण गर्न सक्षम गर्दछ किनकि तिनीहरू उपलब्ध हुन्छन् र रुचि उप-स्थानहरूलाई प्राथमिकता दिन एल्गोरिथ्मसँग अन्तर्क्रिया गर्दछ। प्रगतिशील दृश्य विश्लेषण विश्लेषणात्मक एल्गोरिदमलाई अर्थपूर्ण आंशिक परिणामहरू उत्पादन गर्न र गणना गतिलाई बलिदान नगरी विश्लेषक हस्तक्षेप सक्षम गर्न अनुकूलनमा निर्भर गर्दछ। यो परिदृश्य पनि जानकारी दृश्य प्रविधिको अनुकूलनमा निर्भर गर्दछ लगातार परिष्कृत परिणामहरू समाहित गर्न विश्लेषकहरूलाई भारी नपार्न र विश्लेषणात्मक निर्देशन गर्ने विश्लेषकलाई समर्थन गर्न अन्तर्क्रिया प्रदान गर्न। यस कागजको योगदानमा समावेश छः प्रगतिशील दृश्य विश्लेषण प्रतिमानको वर्णन; प्रगतिशील दृश्य विश्लेषण प्रणालीमा एल्गोरिदम र दृश्य दुवैको लागि डिजाइन लक्ष्यहरू; घटना अनुक्रमको संग्रहमा सामान्य ढाँचाहरूको विश्लेषण गर्न उदाहरण प्रगतिशील दृश्य विश्लेषण प्रणाली (प्रगतिशील अन्तरदृष्टि); र प्रगतिशील अन्तरदृष्टि र क्लिनिकल अनुसन्धानकर्ताहरूले इलेक्ट्रोनिक मेडिकल रेकर्डहरूको विश्लेषण गर्ने प्रगतिशील दृश्य विश्लेषण प्रतिमानको मूल्यांकन। |
0d57d7cba347c6b8929a04f7391a25398ded096c | हामी पुनरावर्ती न्यूरल नेटवर्क (आरएनएन) को कम्प्रेसनको समस्याको अध्ययन गर्छौं। विशेष गरी, हामी आरएनएन ध्वनिक मोडेलहरूको कम्प्रेसनमा ध्यान केन्द्रित गर्दछौं, जुन कम्प्याक्ट र सटीक भाषण मान्यता प्रणाली निर्माण गर्ने लक्ष्यबाट प्रेरित हुन्छ जुन मोबाइल उपकरणहरूमा कुशलतापूर्वक चलाउन सकिन्छ। यस कार्यमा, हामी सामान्य पुनरावर्ती मोडेल कम्प्रेसनको लागि एक प्रविधि प्रस्तुत गर्दछौं जसले संयुक्त रूपमा दुबै पुनरावर्ती र गैर-पुनरावर्ती इन्टर-लेयर तौल म्याट्रिक्सलाई संकुचित गर्दछ। हामीले पत्ता लगायौं कि प्रस्तावित प्रविधिले हामीलाई हाम्रो लामो छोटो अवधिको मेमोरी (एलएसटीएम) ध्वनिक मोडेलको आकारलाई यसको मूल आकारको एक तिहाइमा घटाउन अनुमति दिन्छ जुन शुद्धतामा नगण्य हानि हो। |
779cbb350c11a5b24a8a17114cff0c26fe3747e6 | हामी एउटा अमूर्त अर्थ प्रतिनिधित्व (एएमआर) को लागि पार्सर प्रस्तुत गर्दछौं। हामी अंग्रेजी-एएमआर रूपान्तरणलाई स्ट्रिंग-टु-ट्री, सिन्ट्याक्स-आधारित मेशिन ट्रान्सलेसन (एसबीएमटी) को ढाँचा भित्र व्यवहार गर्छौं। यो काम गर्नको लागि, हामी एएमआर संरचनालाई एसबीएमटीको मेकानिक्सका लागि उपयुक्त र मोडेलिंगका लागि उपयोगी रूपमा परिवर्तन गर्दछौं। हामी एएमआर-विशिष्ट भाषा मोडेल प्रस्तुत गर्छौं र अर्थिक स्रोतहरूबाट लिइएको डाटा र सुविधाहरू थप्छौं। हाम्रो एएमआर पार्सरले अत्याधुनिक परिणाममा उल्लेखनीय सुधार ल्याएको छ। |
40f6207b722c739c04ba5a41f7b22d472aeb08ec | हामी फास्ट फूडको पहिलो भिजुअल डाटासेट प्रस्तुत गर्दछौं जसमा कुल ४,५४५ स्थिर छविहरू, ६०६ स्टेरियो जोडीहरू, ३०३ ३६० डिग्री भिडियोहरू गतिबाट संरचनाका लागि, र २७ स्वयंसेवकहरूको खाना खाने घटनाहरूको गोपनीयता-संरक्षण भिडियोहरू छन्। यो काम आहारको मूल्याङ्कनका लागि फास्ट फूड पहिचानको अनुसन्धानबाट प्रेरित थियो। ११ वटा लोकप्रिय फास्ट फूड चेनबाट १०१ वटा खाद्य पदार्थको तीनवटा उदाहरणहरू प्राप्त गरेर र रेस्टुरेन्टको अवस्था र नियन्त्रित प्रयोगशाला सेटिंग दुवैमा छविहरू र भिडियोहरू खिच्दै डाटा स collected्कलन गरिएको थियो। हामी डेटासेटलाई दुई मानक दृष्टिकोणहरू प्रयोग गरेर बेन्चमार्क गर्छौं, रंग हिस्टोग्राम र SIFT सुविधाहरूको झोला एक भेदभाव वर्गीकरणकर्ताको साथ संयोजनमा। हाम्रो डाटासेट र बेन्चमार्कहरू यस क्षेत्रमा अनुसन्धानलाई प्रोत्साहित गर्न डिजाइन गरिएको हो र अनुसन्धान समुदायलाई स्वतन्त्र रूपमा जारी गरिनेछ। |
54dd77bd7b904a6a69609c9f3af11b42f654ab5d | |
62f9c50666152cca170619bab5f2b4da17bc15e1 | यस लेखमा हामी डीप कन्भोल्युसनल न्युरल नेटवर्कबाट प्राप्त गरिएको सुविधाले खाना पहिचानको शुद्धतालाई बढाउँछ र यसलाई परम्परागत हातले बनाइएको छवि सुविधाहरू, फिशर भेक्टरहरू र रंग प्याचहरूसँग एकीकृत गरेर। प्रयोगमा हामीले १०० वर्गको खाद्य डेटासेट, यूईसी-फूड १०० को लागि शीर्ष-१ शुद्धताको रूपमा ७२.२६% र शीर्ष-५ शुद्धताको रूपमा ९२.००% प्राप्त गरेका छौं, जुन अहिलेसम्म रिपोर्ट गरिएको यस डाटासेटको सर्वश्रेष्ठ वर्गीकरण शुद्धता, ५९.६% भन्दा धेरै राम्रो छ। |
46319a2732e38172d17a3a2f0bb218729a76e4ec | यस कार्यमा, सानो र सरल राज्य परिवर्तन सेन्सरहरूको सेट प्रयोग गरेर घरको सेटिंगमा गतिविधिहरू पहिचान गर्न प्रणाली प्रस्तुत गरिएको छ। यी सेन्सरहरू टेप अन र फोरगेट उपकरणहरू हुन् जसलाई घरको वातावरणमा छिटो र सबै ठाउँमा जडान गर्न सकिन्छ। प्रस्तावित सेन्सिङ प्रणालीले क्यामेरा र माइक्रोफोन जस्ता कहिलेकाहीँ आक्रामक मानिने सेन्सरहरूको विकल्प प्रस्तुत गर्दछ। यसअघि गरिएको कामको विपरीत, यो प्रणाली धेरै आवासीय वातावरणमा प्रयोग गरिएको छ जहाँ अनुसन्धानकर्ता नभएका मानिसहरु बस्छन्। सानो डाटासेटमा प्रारम्भिक नतिजाले देखाउँछ कि यो प्रयोग गरिएको मूल्यांकन मापदण्डमा निर्भर गर्दै २%% देखि% 25% सम्मको पत्ता लगाउने सटीकताका साथ शौचालय, नुहाउने र सौन्दर्य प्रसाधन जस्ता चिकित्सा पेशेवरहरूको रुचि गतिविधिहरू पहिचान गर्न सम्भव छ। |
56cf75f8e34284a9f022e9c49d330d3fc3d18862 | व्याकरणिक त्रुटि सुधार (GEC) लिखित पाठमा व्याकरणिक त्रुटिहरू स्वचालित रूपमा सच्याउने कार्य हो। व्याकरणिक त्रुटि सुधारको प्रारम्भिक प्रयासहरूमा नियम-आधारित र वर्गीकरणकर्ता दृष्टिकोणहरू समावेश छन् जुन वाक्यमा केही विशेष प्रकारका त्रुटिहरू मात्र सुधार गर्न सीमित छन्। वाक्यहरूमा विभिन्न प्रकारका धेरै त्रुटिहरू हुन सक्छन्, त्यसैले एउटा व्यावहारिक त्रुटि सुधार प्रणालीले सबै त्रुटिहरू पत्ता लगाउन र सच्याउन सक्षम हुनुपर्दछ। यस रिपोर्टमा, हामी गलत अंग्रेजीबाट सही अंग्रेजीमा अनुवाद कार्यको रूपमा जीईसीको अनुसन्धान गर्छौं र सबै प्रकारका त्रुटिहरूको लागि अन्त-देखि-अन्त जीईसी प्रणालीहरू विकास गर्न केही मेशिन अनुवाद दृष्टिकोणहरू अन्वेषण गर्दछौं। हामी जीईसीमा सांख्यिकीय मेशिन अनुवाद (एसएमटी) र न्यूरल मेशिन ट्रान्सलेसन (एनएमटी) दृष्टिकोण लागू गर्छौं र देखाउँछौं कि उनीहरूले वाक्यमा विभिन्न प्रकारका बहु त्रुटिहरू सच्याउन सक्छन् जब पहिलेका विधिहरूसँग तुलना गरिन्छ जुन व्यक्तिगत त्रुटिहरूमा केन्द्रित हुन्छन्। हामी मेशिन अनुवादको दृष्टिकोणमा केही कमजोरीहरूको पनि चर्चा गर्छौं। अन्तमा, हामी मेसिन अनुवाद प्रणालीबाट उत्पन्न परिकल्पनाहरूलाई पुनः क्रमबद्ध गर्नका लागि उम्मेदवार पुनः क्रमबद्ध गर्ने प्रविधिको प्रयोग पनि गर्छौं। प्रतिगमन मोडेलको साथ, हामी प्रत्येक उम्मेदवार परिकल्पनाको लागि व्याकरणिकता स्कोरको भविष्यवाणी गर्ने प्रयास गर्छौं र स्कोर अनुसार तिनीहरूलाई पुनः क्रमबद्ध गर्दछौं। |
2e60c997eef6a37a8af87659798817d3eae2aa36 | ह्यामिल्टनियन मोन्टे कार्लो (एचएमसी) नमूना विधिहरूले मेट्रोपोलिस-हेस्टिंग्स फ्रेमवर्कमा उच्च स्वीकृति सम्भावनाको साथ टाढाका प्रस्तावहरू परिभाषित गर्नका लागि एक संयन्त्र प्रदान गर्दछ, जसले मानक अनियमित-चल्ने प्रस्तावहरू भन्दा राज्य स्थानको अधिक कुशल अन्वेषण सक्षम गर्दछ। [पृष्ठ २३-मा भएको चित्र] तर, एचएमसी विधिहरूको सीमितता भनेको ह्यामिल्टनियन गतिशील प्रणालीको सिमुलेसनका लागि आवश्यक ग्रेडियन्ट गणना हो - यस्तो गणना ठूलो नमूना आकार वा स्ट्रिमिङ डाटा समावेश गर्ने समस्याहरूमा असम्भव छ। यसको सट्टामा, हामीले डाटाको एउटा उपसमूहबाट गणना गरिएको शोर ग्रेडियन्ट अनुमानमा भर पर्नुपर्छ। यस लेखमा हामी स्टोकास्टिक ग्रेडियन्ट एचएमसी दृष्टिकोणको विशेषताहरू अन्वेषण गर्नेछौं। आश्चर्यजनक कुरा के छ भने, स्टोकास्टिक अनुमानको प्राकृतिक कार्यान्वयन मनमाने ढंगले खराब हुन सक्छ। यो समस्या समाधान गर्न हामी दोस्रो क्रमको ल्यान्जेभिन गतिशीलता प्रयोग गर्ने एक भिन्नता प्रस्तुत गर्दछौं जुन घर्षण शब्दको साथ हुन्छ जसले शोर ढाँचाको प्रभावलाई प्रतिरोध गर्दछ, इच्छित लक्ष्य वितरणलाई अपरिवर्तनीय वितरणको रूपमा कायम राख्दछ। सिमुलेसन डाटामा प्राप्त परिणामले हाम्रो सिद्धान्तलाई पुष्टि गर्छ। हामी पनि प्रदान एक आवेदन को हाम्रो विधि गर्न एक वर्गीकरण कार्य प्रयोग गरेर न्यूरल नेटवर्क र अनलाइन Bayesian म्याट्रिक्स factorization. |
d257ba76407a13bbfddef211a5e3eb00409dc7b6 | उपलब्ध सूचनाको बढ्दो मात्रा र यसको वितरित र विषम प्रकृतिले डाटा माइनिङको क्षेत्रमा ठूलो प्रभाव पार्छ। यस कागजमा, हामी समानान्तर र वितरित बढावा एल्गोरिदमहरूको लागि एक फ्रेमवर्क प्रस्ताव गर्दछौं जुन कुशलतापूर्वक एकीकृत गर्नका लागि विशेष वर्गीकरणकर्ताहरू धेरै ठूला, वितरित र सम्भवतः विषम डेटाबेसहरूमा सिकेका छन् जुन मुख्य कम्प्युटर मेमोरीमा फिट हुन सक्दैन। बूस्टिङ अत्यधिक सटीक वर्गीकरणकर्ता समूहहरू निर्माण गर्नका लागि एक लोकप्रिय प्रविधि हो, जहाँ वर्गीकरणकर्ताहरूलाई क्रमशः प्रशिक्षण दिइन्छ, प्रशिक्षण उदाहरणहरूमा तौलहरू अनुकूलन पूर्ववर्ती वर्गीकरणकर्ताहरूको प्रदर्शन अनुसार सेट गरिएको हुन्छ। हाम्रो समानान्तर बूस्टिङ एल्गोरिथ्म एउटा सानो सङ्ख्याको प्रोसेसरको साथ कडा रूपमा जोडिएको साझा मेमोरी प्रणालीहरूको लागि डिजाइन गरिएको हो, एउटा प्रोसेसरमा बूस्टिङ भन्दा कम पुनरावृत्तिको साथ अधिकतम भविष्यवाणी शुद्धता प्राप्त गर्ने उद्देश्यका साथ। सबै प्रोसेसरहरूले प्रत्येक बूस्टिङ राउन्डमा समानान्तर रूपमा वर्गीकरणकर्ताहरू सिकिसकेपछि, तिनीहरू आफ्नो भविष्यवाणीको विश्वास अनुसार संयोजन गरिन्छ। हाम्रो वितरित बढावा एल्गोरिथ्म मुख्यतया धेरै असंगत डाटा साइटहरूबाट सिक्नको लागि प्रस्ताव गरिएको छ जब डाटा सँगै मर्ज गर्न सकिदैन, यद्यपि यो समानान्तर सिक्नको लागि पनि प्रयोग गर्न सकिन्छ जहाँ एक विशाल डाटा सेट अधिक कुशल विश्लेषणको लागि धेरै असंगत उपसेटहरूमा विभाजन गरिएको छ। प्रत्येक बढाउने चरणमा, प्रस्तावित विधिले सबै साइटहरूबाट वर्गीकरणकर्ताहरूलाई मिलाउँछ र प्रत्येक साइटमा वर्गीकरणकर्ता एसेम्बल सिर्जना गर्दछ। अन्तिम वर्गीकरणकर्तालाई सबै वर्गीकरणकर्ता समूहहरूको समूहको रूपमा निर्माण गरिएको छ जुन असंगत डाटा सेटहरूमा निर्माण गरिएको छ। नयाँ प्रस्तावित विधिहरू धेरै डाटा सेटहरूमा लागू गरियो कि समानान्तर बूस्टिंगले मानक अनुक्रमिक बूस्टिंग भन्दा धेरै छिटो समान वा अझ राम्रो भविष्यवाणी सटीकता प्राप्त गर्न सक्छ। प्रयोगबाट प्राप्त परिणामले पनि देखाउँछ कि वितरित बूस्टिंगसँग तुलनात्मक वा केही सुधारिएको वर्गीकरण शुद्धता छ मानक बूस्टिंग भन्दा, जबकि धेरै कम मेमोरी र कम्प्युटेशनल समय चाहिन्छ किनकि यसले सानो डाटा सेट प्रयोग गर्दछ। |
6b7f27cff688d5305c65fbd90ae18f3c6190f762 | जनरेटिभ एडभर्सियल नेट (जीएएन) र भेरिएसनल अटो-एन्कोडर (वीएई) ले गॉसियन सेतो हल्लाबाट प्रभावशाली छवि उत्पादनहरू प्रदान गर्दछ, तर अन्तर्निहित गणित राम्रोसँग बुझिएको छैन। हामी गहिरो संकुचन नेटवर्क जनरेटरहरू गणना गर्दछौं एक निश्चित इम्बेडिंग अपरेटरलाई उल्टाएर। त्यसैले, तिनीहरूलाई एक भेदभावकर्ता वा एन्कोडर संग अनुकूलित गर्न आवश्यक छैन। इम्बेडिंग लिप्सचिट्ज विकृतिहरूको लागि निरन्तर छ ताकि जेनरेटरहरूले इनपुट सेतो हल्ला भेक्टरहरू बीचको रैखिक अन्तर्क्रियालाई आउटपुट छविहरू बीचको विकृतिमा रूपान्तरण गर्दछ। यो एम्बेडिंग एक वेभलेट स्क्याटरिंग ट्रान्सफर्मको साथ गणना गरिएको छ। संख्यात्मक प्रयोगहरूले देखाउँछ कि परिणामस्वरूप स्क्याटरिंग जेनरेटरहरू GANs वा VAEs को समान गुणहरू छन्, बिना भेदभाव नेटवर्क वा एन्कोडर सिक्न। |
44df79541fa068c54cafd50357ab78d626170365 | वास्तुकलाले पूर्ण रोबोटिक प्रणालीको मेरुदण्ड बनाउँछ। रोबोटिक प्रणालीको विशिष्टता, कार्यान्वयन र प्रमाणीकरणमा सहयोग पुर्याउन वास्तुकलाको सही छनौटले लामो यात्रा गर्न सक्छ। [पृष्ठ २३-मा भएको चित्र] हामी रोबोट प्रणालीका केही आवश्यकताहरू प्रस्तुत गर्छौं, रोबोट आर्किटेक्चरका केही सामान्य वर्गहरूको वर्णन गर्छौं, र ती आवश्यकताहरूलाई सम्बोधन गर्न विभिन्न वास्तुशिल्प शैलीहरूले कसरी मद्दत गर्न सक्छ भन्ने बारेमा छलफल गर्छौं। यस क्षेत्रको जस्तै यस लेख पनि केही हदसम्म प्रारम्भिक छ, तर यो आशा गरिन्छ कि यसले रोबोट आर्किटेक्चरको प्रयोग गर्ने वा विकास गर्नेहरूलाई मार्गदर्शन प्रदान गर्नेछ। |
5426559cc4d668ee105ec0894b77493e91c5c4d3 | |
ceb709d8be647b7fa089a63d0ba9d82b2eede1f4 | सब्सट्रेट एकीकृत वेभगाइड (एसआईडब्ल्यू) ले केही प्रकारका सपाट एन्टेनाहरूको निर्माण गर्न अनुमति दिन्छ जुन सब्सट्रेटमा परम्परागत रूपमा एकीकृत गर्न सकिदैन। तर, केही प्रविधिमा भएका सीमितताका कारण डिजाइन गरिएको एसआईडब्ल्यू हर्न एन्टेना सामान्यतया १० गीगाहर्जभन्दा माथि आवृत्तिमा काम गर्दछ । यस कागजले 6.8GHz कम प्रोफाइल एच-प्लेन हर्न एन्टेनालाई सिरेड एसआईडब्ल्यूमा आधारित प्रस्ताव गर्दछ, जसले λ0/10 भन्दा पातलो सब्सट्रेटहरूलाई अनुमति दिन्छ। प्रस्तावित एन्टेनाको राम्रो प्रदर्शनलाई प्रकट गर्नका लागि सुदूर क्षेत्र विकिरण ढाँचाहरू रिपोर्ट गरिएको छ। विभिन्न संख्यामा सिढी भएका एसआईडब्लु हर्न एन्टेनाको तुलना पनि मेल खाने सुधारहरू देखाउनका लागि गरिन्छ। |
a70e0ae7407d6ba9f2bf576dde69a0e109114af0 | |
0f060ec52c0f7ea2dde6b23921a766e7b8bf4822 | नवप्रवर्तन र रणनीतिक व्यवस्थापनको अनुसन्धान क्षेत्रका विद्वानहरू करिब ३० वर्ष वा सोभन्दा बढी समयदेखि यसको उपयुक्तताका बारेमा चिन्तित छन्। उनीहरूले उपयुक्तता अनुसन्धान र निरन्तर विकासमा ध्यान केन्द्रित गरे। यस लेखमा, हामी वेब अफ साइन्स कोर कलेक्सन डाटाबेसबाट उपयुक्तता अध्ययनमा 30 वर्ष (1986-2016) साहित्यको विश्लेषण गर्दछौं। विभिन्न कालखण्ड र शब्दहरूको सह-उपस्थिति नक्साको सन्दर्भ क्लस्टरिंग नक्शालाई ग्रन्थसूचक विश्लेषण र सामग्री विश्लेषणको प्रयोग गरेर उत्पन्न गरिएको छ। यस आधारमा हामी विकासको यात्रा, संयन्त्र र उपयुक्तता अनुसन्धानको सैद्धान्तिक वास्तुकलाको अध्ययन गर्छौं र थप अनुसन्धान दिशाहरू अन्वेषण गर्दछौं। यी परिणामहरूले संकेत गर्दछ कि उपयुक्तता अनुसन्धानको विकासको सार खुलापन र साझेदारी, मूल्य सिर्जना र मूल्य वृद्धिमा धारणा परिवर्तन हो, र भविष्यको अनुसन्धान प्लेटफर्म गभर्नन्स, जनरेटिभ एप्रोप्रिबिलिटी र समस्या समाधान संयन्त्रको विकासमा उपयुक्तताको भूमिकामा केन्द्रित छ। |
cd108ed4f69b754cf0a5f3eb74d6c1949ea6674d | छवि र अडियोमा उल्टो समस्याहरू, र विशेष गरी सुपर-रिजोलुसनलाई उच्च-आयामी संरचित भविष्यवाणी समस्याको रूपमा देख्न सकिन्छ, जहाँ लक्ष्य यसको कम रिजोलुसन बिग्रेको अवलोकनलाई उच्च-रिजोलुसन आउटपुटको सशर्त वितरणको विशेषता हो। जब स्केलिङ अनुपात सानो हुन्छ, बिन्दु अनुमानले प्रभावशाली प्रदर्शन प्राप्त गर्दछ, तर चाँडै तिनीहरू रिग्रेसन-टु-थीम समस्याबाट पीडित हुन्छन्, यस ससर्त वितरणको बहु-मोडालिटी कब्जा गर्न तिनीहरूको असमर्थताको परिणाम। उच्च-आयामिक छवि र अडियो वितरणको मोडेलिंग एक कठिन कार्य हो, जसलाई जटिल ज्यामितीय संरचना र बनावटयुक्त क्षेत्रहरूको मोडेल गर्ने क्षमता दुवै आवश्यक पर्दछ। यस कागजमा, हामी सशर्त मोडेलको रूपमा गिब्स वितरण प्रयोग गर्ने प्रस्ताव गर्दछौं, जहाँ यसको पर्याप्त तथ्या .्कहरू गहिरो कन्भोलुसनल न्यूरल नेटवर्कहरू द्वारा दिइन्छ। नेटवर्क द्वारा गणना गरिएको विशेषताहरू स्थानीय विकृतिमा स्थिर छन्, र इनपुट स्थिर बनावट हुँदा भिन्नता कम हुन्छ। यी गुणहरू संकेत गर्दछ कि परिणामी पर्याप्त तथ्याङ्कले अत्यन्त जानकारीपूर्ण हुँदाहुँदै पनि कमजोर अवलोकनहरूलाई दिईएको लक्ष्य संकेतहरूको अनिश्चिततालाई कम गर्दछ। सीएनएनका फिल्टरहरू बहु-स्तरिय जटिल वेभलेटद्वारा आरम्भ हुन्छन्, र त्यसपछि हामी ससर्त लग-सम्भाव्यताको ढाँचाको अनुमान गरेर तिनीहरूलाई ठीक गर्न एउटा एल्गोरिथ्म प्रस्ताव गर्छौं, जुन जनरेटिभ एडभर्सियल नेटवर्कसँग केही समानताहरू राख्दछ। हामी प्रयोगात्मक रूपमा छवि सुपर रिजोलुसन कार्यमा प्रस्तावित दृष्टिकोणको मूल्यांकन गर्दछौं, तर दृष्टिकोण सामान्य छ र अडियो ब्यान्डविथ विस्तार जस्ता अन्य चुनौतीपूर्ण समस्याहरूमा प्रयोग गर्न सकिन्छ। |
18b534c7207a1376fa92e87fe0d2cfb358d98c51 | एक विश्वास उत्पन्न भयो कि लेक्सिकलाइज्ड पीसीएफजी (जहाँ हेड शब्दहरूले फ्रेजल नोडहरू एनोटेट गर्छन्) उच्च प्रदर्शन पीसीएफजी पार्सि forको लागि प्रमुख उपकरण थियो। यो दृष्टिकोण भाषण पहिचानमा शब्द एन-ग्राम मोडेलको ठूलो सफलतासँग मिल्दोजुल्दो थियो, र लेक्सिकलाइज्ड व्याकरणमा व्यापक चासोबाट बलियो भयो, साथै प्रदर्शनहरू कि लेक्सिकल निर्भरताहरू एप्पल एट्याचमेन्टहरू जस्ता अस्पष्टताहरू समाधान गर्नका लागि प्रमुख उपकरण थिए (फोर्ड एट अल, १ 1982२; हिन्डल र रूथ, १ 1993) । निम्न दशकमा, विभिन्न लेक्सिकलाइज्ड पीसीएफजी मोडेलहरू द्वारा पार्स डिसाम्बिगुएसन र भाषा मोडेलिंगको सन्दर्भमा ठूलो सफलता प्राप्त भयो (मगरम्यान, १ 1995 1995;; Charniak, १ 1997;; कोलिन्स, १ 1999 1999; Charniak, २०००; Charniak, २००१) । तथापि, धेरै परिणामहरूले प्रश्न उठाएका छन् कि यस्तो पार्सरहरूमा लेक्सिकलाइजेशनले कत्तिको ठूलो भूमिका खेल्छ। जोन्सन (१९९८) ले देखाए कि पेन ट्री बैंकमा अनलेक्सिफाइड पीसीएफजीको प्रदर्शनलाई प्रत्येक नोडलाई यसको मूल श्रेणीद्वारा एनोटेट गरेर अत्यन्तै सुधार गर्न सकिन्छ। पेन ट्रीबैंकले पीसीएफजीलाई समेट्छ, यो विश्लेषणका लागि खराब उपकरण हो किनभने यसले समावेश गरेको सन्दर्भ-स्वतन्त्रता धारणाहरू धेरै नै बलियो छन्, र तिनीहरूलाई यस तरिकाले कमजोर पार्दा मोडेल धेरै राम्रो हुन्छ। हालै, गिल्डे (२००१) ले चर्चा गरेको छ कि कसरी राम्रो हालको लेक्सिकलाइज्ड पीसीएफजी पार्सरबाट बाइलिक्सिकल सम्भावनाहरू लिने कामले प्रदर्शनलाई हानी पुर्याउँछः प्रशिक्षण डाटाको समान डोमेनबाट परीक्षण पाठको लागि अधिकतम ०.%% ले, र फरक डोमेनबाट परीक्षण पाठको लागि बिल्कुलै होइन। तर यी नै द्विभाषी निर्भरताहरूले नै अन्तर्ज्ञानलाई समर्थन गरे कि लेक्सिकलाइज्ड पीसीएफजीहरू धेरै सफल हुनुपर्दछ, उदाहरणका लागि हेन्डल र रुथको प्रदर्शनमा पीपीटाचमेन्टबाट। हामी यसलाई पेन ट्रीबैंकमा उपलब्ध शब्दकोशिय निर्भरता जानकारीको मौलिक विरलैपनको प्रतिबिम्बको रूपमा लिन्छौं। एकजना भाषण जान्ने व्यक्तिले भन्नेछन्, एक लाख शब्दको प्रशिक्षण डाटा पर्याप्त छैन। यहाँसम्म कि स्टक जस्ता ट्रीबैंकको वाल स्ट्रीट जर्नल पाठको लागि केन्द्रीय विषयहरूको लागि पनि, धेरै धेरै सम्भावित निर्भरताहरू केवल एक पटक मात्र देखा पर्दछन्, उदाहरणका लागि स्टकहरू स्थिर हुन्छन्, जबकि अन्य धेरैहरू कहिले पनि देखा पर्दैन, उदाहरणका लागि स्टकहरू स्काइरोकेट हुन्छन्। यो अवलोकनले विभिन्न वर्ग वा समानतामा आधारित दृष्टिकोणहरूलाई कमजोरीको सामना गर्न प्रेरित गर्दछ, र यो कामको एक आशाजनक मार्ग हो, तर यस क्षेत्रमा सफलता केही हदसम्म अप्ठ्यारो साबित भएको छ, र कुनै पनि अवस्थामा, हालको लेक्सिकलाइज्ड पीसीएफजीले केवल सही शब्द मेल खाने प्रयोग गर्दछ यदि उपलब्ध छ भने, र सिन्ट्याक्स श्रेणीमा आधारित अनुमानहरूसँग अन्तर्क्रिया गर्दछ जब तिनीहरू छैनन्। यस लेखमा हामी उपश्रेणीकरण शब्दको प्रयोग चोम्स्की (१९६५) को मूल सामान्य अर्थमा गर्नेछौं, जहाँ पेन ट्रीबैंकमा वर्णमालागत वर्गीकरणको प्रयोग गरिएको छ। Charniak (2000) ले नोडहरूको प्यारेन्टोटेशनबाट आफ्नो पार्सरको लाभको मूल्य देखाउँदछ, सुझाव दिन्छ कि यो जानकारी कम्तिमा आंशिक रूपमा लेक्सिकलाइजेशनबाट प्राप्त हुने जानकारीको पूरक हो, र कोलिन्स (1999) ले भाषाई प्रेरित र सावधानीपूर्वक हात ईन्जिनियर उप-वर्गीकरणको दायरा प्रयोग गर्दछ। पीसीएफजी कभर गर्ने भोली पेन ट्रीबैंकको गलत सन्दर्भ-स्वतन्त्रता धारणाहरू तोड्न, जस्तै आधार नाम एनपीहरू वाक्यांशहरूसँग वाक्यांश परिमार्जकहरूबाट भिन्नता, र खाली विषयहरू भएका वाक्यहरू छुट्याउने जहाँ त्यहाँ खुला विषय एनपी छ। यद्यपि उनले प्रयोगात्मक परिणामहरूको बारेमा उनीहरूको प्रभावकारिताको बारेमा अपूर्ण परिणामहरू दिन्छन्, हामी यो मान्न सक्छौं कि यी सुविधाहरू पार्सिंगमा लाभदायक प्रभावहरूको कारण समावेश गरिएको थियो जुन लेक्सिकलाइजेशनको पूरक थियो। यस लेखमा, हामी देखाउँछौं कि एक अनलेक्सिकलाइज्ड पीसीएफजी द्वारा प्राप्त गर्न सकिने पार्सि performance प्रदर्शन पहिले देखाइएको भन्दा धेरै उच्च छ, र वास्तवमा समुदायको ज्ञानले सोचेको भन्दा धेरै उच्च छ। हामी धेरै सरल, भाषाई प्रेरित एनोटेशनहरू वर्णन गर्दछौं जसले भ्यानिला पीसीएफजी र राज्यको कला लेक्सिकलाइज्ड मोडेलहरू बीचको अन्तर कम गर्न धेरै गर्छ। विशेष गरी, हामी एक अनलेक्सिकलाइज्ड पीसीएफजी निर्माण गर्छौं जसले म्यागरम्यान (१९९५) र कोलिन्स (१९९६) को लेक्सिकलाइज्ड पीसीएफजीलाई पार गर्छ (यद्यपि हालका मोडेलहरू जस्तै चार्नियाक (१९९७) वा कोलिन्स (१९९९) भन्दा राम्रो छैन) । यस परिणामको एक लाभ भनेको एक unlexicalized PCFG को क्षमतामा धेरै प्रबलित तल्लो सीमा हो। जहाँसम्म यस्तो बलियो आधार रेखा प्रदान गरिएको छैन, समुदायले सम्भावनात्मक पार्सिंगमा लेक्सिकलाइजेशनको लाभदायक प्रभावलाई अत्यधिक मूल्याate्कन गर्ने प्रवृत्ति देखाएको छ, जहाँ लेक्सिकलाइज्ड सम्भावनाहरू दुबै सही निर्णय लिनको लागि आवश्यक छन् र प्रशिक्षण डाटामा उपलब्ध छन्। दोस्रो, यो परिणामले विशेषता खोजका लागि भाषाई विश्लेषणको मूल्यलाई पुष्टि गर्दछ। परिणामको अन्य प्रयोग र फाइदाहरू छन्: एक unlexicalized PCFG व्याख्या गर्न सजिलो छ, तर्क, र अधिक जटिल lexicalized मोडेल भन्दा सुधार। व्याकरण प्रतिनिधित्व धेरै अधिक कम्प्याक्ट छ, अब ठूलो संरचनाहरू आवश्यक छैन जुन लेक्सिकलाइज्ड सम्भावनाहरू भण्डार गर्दछ। पार्सिङ एल्गोरिदमहरू कम असम्प्रोटिक जटिलता4 र धेरै सानो व्याकरण छ। उदाहरणका लागि, क्रिया वाक्यांशहरूलाई परिमित र गैर-अन्त्य क्रिया वाक्यांशहरूमा विभाजन गर्ने, आधुनिक सीमित प्रयोगको तुलनामा जहाँ यो शब्द केवल भविष्यवाणीकर्ताहरूको वाक्यविन्यास तर्क फ्रेमहरूलाई मात्र बुझाउँछ। 4O(n3) बनाम O(n5) एक भोली कार्यान्वयनको लागि, वा बनाम O(n4) यदि Eisner र Satta (1999 को चतुर दृष्टिकोण प्रयोग गर्दै। स्थिरताहरू एक unlexicalizedPCFG पार्सर निर्माण र अनुकूलन गर्न धेरै सरल छ, दुवै मानक कोड अनुकूलन प्रविधिहरू र खोज स्पेस छँटाई लागि विधिहरू को अनुसन्धान सहित (Caraballo र Charniak, 1998; Charniak एट अल, 1998) । यो हाम्रो लक्ष्य उच्च प्रदर्शन सम्भावनात्मक पार्सिंगमा लेक्सिकलाइज्ड सम्भावनाहरूको प्रयोगको विरुद्ध तर्क गर्नु होइन। यो व्यापक रूपमा प्रदर्शन गरिएको छ कि लेक्सिकल निर्भरताहरू वाक्य अस्पष्टताहरूको प्रमुख वर्गहरू समाधान गर्न उपयोगी छन्, र एक पार्सरले सम्भव भएमा यस्तो जानकारीको प्रयोग गर्नुपर्दछ। हामी यहाँ अनलेक्सिफाइड, ट्रकचुरल सन्दर्भ प्रयोगमा ध्यान केन्द्रित गर्दछौं किनकि हामीलाई लाग्छ कि यो जानकारीलाई कम प्रयोग गरिएको छ र कम मूल्यांकन गरिएको छ। हामी यो अनुसन्धानलाई अत्याधुनिक पार्सिङको आधारको एउटा भाग मात्र मान्छौं जसले शाब्दिक र संरचनात्मक दुवै प्रकारको कन्डिसन प्रयोग गर्दछ। 1 प्रयोगात्मक सेटअप अघिल्लो कामसँग तुलना गर्न सजिलो बनाउन हामीले पेन ट्रीबैंकको डब्लुएसजे सेक्सनको सेक्सन २-२१ मा हाम्रा मोडेलहरूलाई प्रशिक्षण दियौं। हामीले धारा २२ को पहिलो २० फाइलहरू (३९३ वाक्यहरू) विकास सेट (devset) को रूपमा प्रयोग गर्यौं। यो सेट पर्याप्त सानो छ कि त्यहाँ व्यक्तिगत परिणामहरूमा ध्यान दिएर भिन्नता छ, तर यसले आंशिक रूपमा मैन्युअल पहाड-चढाईमा लगातार डिभसेट पुनः प्रयोग गरेर राम्रो सुविधाहरूको लागि द्रुत खोजीको अनुमति दियो। भाग २३ को सम्पूर्ण भाग अन्तिम मोडेलको लागि परीक्षण सेटको रूपमा प्रयोग गरिएको थियो। प्रत्येक मोडेलका लागि, इनपुट रूखहरू एनोटेट गरिएको थियो वा केही तरिकामा रूपान्तरण गरिएको थियो, जस्तै जोन्सन (१९९८) मा। परिवर्तन गरिएका रूखहरूको सेट दिइएको छ, हामीले स्थानीय रूखहरूलाई व्याकरणको रूपमा मानक तरिकामा नियमहरू पुनः लेख्ने रूपमा हेरेका छौं, र नियम सम्भावनाहरूको लागि (अनस्मुथ) अधिकतम सम्भावना अनुमानहरू प्रयोग गरेका छौं। 5 व्याकरणको विश्लेषण गर्न, हामीले एउटा सामान्यीकृत CKY पार्सरको साधारण एर्रे-आधारित जाभा कार्यान्वयन प्रयोग गर्यौं, जुन हाम्रो अन्तिम उत्तम मोडेलको लागि, १ जीबी मेमोरीमा सेक्सन २ 23 मा सबै वाक्यहरू पूर्ण रूपमा पार्स गर्न सक्षम थियो, औसत लम्बाई वाक्यहरूको लागि लगभग 3 सेकेन्ड लिदै। 5अज्ञात शब्दहरूलाई समाहित गर्न ट्यागिंग सम्भावनाहरू सुचारु गरियो। मात्राP(taggadgadword) को अनुमान निम्नानुसार गरिएको थियो: शब्दहरूलाई ठूला अक्षर, प्रत्यय, अंक, र अन्य वर्ण सुविधाहरूमा आधारित धेरै वर्ग wordclass मा विभाजित गरिएको थियो। यी प्रत्येक वर्गका लागि हामीले अधिकतम सम्भावनाको अनुमान P{tag "शब्द वर्ग"} लिएका छौं। यो वितरणलाई पूर्वरूपमा प्रयोग गरियो जसको विरुद्धमा अवलोकन गरिएको ट्यागिंग s, यदि कुनै हो भने, लिइएको थियो, P ((tag राखिएको शब्द) = [c ((ट्याग, शब्द) + κ P ((tag राखिएको शब्द वर्ग) ]/[c (शब्द) +κ] दिँदै। त्यसपछि यसलाई उल्टाएर P{\\displaystyle \\sigma } शब्दकोषको रूपमा प्रयोग गरियो । यो ट्यागिंग मोडेलको गुणस्तरले सबै संख्याहरूमा प्रभाव पार्छ; उदाहरणका लागि कच्चा ट्रीबैंक व्याकरणको डिभसेट एफ १ योसँग 72.62२.२२ र यो बिना 72.09२.०। छ। 6विश्लेषकलाई खुला स्रोतको रूपमा डाउनलोड गर्नका लागि उपलब्ध छः http://nlp.stanford.edu/downloads/lex-parser.shtml हामी देखाउँछौं कि एक अनलेक्सिकलाइज्ड पीसीएफजीले पहिले देखाइएको भन्दा धेरै सटीक पार्स गर्न सक्दछ, सरल, भाषिक रूपमा प्रेरित राज्य विभाजनको प्रयोग गरेर, जसले भानिल ट्रीबैंक व्याकरणमा लुकेका झूटा स्वतन्त्रता धारणाहरूलाई तोड्दछ। वास्तवमा, यसको प्रदर्शन 86.36% (एलपी/एलआर एफ 1) प्रारम्भिक-लेक्सिकलाइज्ड पीसीएफजी मोडेलहरूको भन्दा राम्रो छ, र आश्चर्यजनक रूपमा हालको राज्य-को-टेकको नजिक छ। यो परिणामको सम्भावित प्रयोगहरू छन् जुन अलेक्सिकलाइज्ड मोडेलहरूको अधिकतम सम्भावित शुद्धतामा बलियो तल्लो सीमा स्थापना गर्नु भन्दा पर जान्छ: एक अलेक्सिकलाइज्ड पीसीएफजी धेरै कम्प्याक्ट छ, प्रतिकृति गर्न सजिलो छ, र अधिक जटिल लेक्सिकल मोडेलहरू भन्दा व्याख्या गर्न सजिलो छ, र पार्सिंग एल्गोरिदमहरू सरल छन्, अधिक व्यापक रूपमा बुझिएको छ, कम एसिम्प्टोटिक जटिलताको, र अनुकूलन गर्न सजिलो छ। सन् १९९० को दशकको सुरुमा, सम्भाव्यतावादी विधिहरूले एनएलपीलाई समेट्ने क्रममा, पार्सिङ कार्यले सम्भाव्यतावादी सन्दर्भ-मुक्त व्याकरण (पीसीएफजी) को अनुसन्धानलाई पुनर्जीवित गर्यो (बुथ र थोमसन, १९७३; बेकर, १९७९) । यद्यपि, प्रारम्भिक परिणामहरू PCFGs को उपयोगितामा पार्स डिसाम्बिगुएसन र भाषा मोडेलिंगको लागि केही निराशाजनक थिए। |
0aac231f1f73bfaabb89ec8b7fdd47dcb288e237 | हामी एक उपन्यास l1 नियमित रूपले बाहिर-नीति कन्भर्जेन्ट टीडी-लर्निंग विधि (RO-TD भनिन्छ) प्रस्तुत गर्दछौं, जुन कम कम्प्युटेशनल जटिलताका साथ मान प्रकार्यहरूको स्पायर प्रतिनिधित्वहरू सिक्न सक्षम छ। ROTD अन्तर्गत रहेको एल्गोरिदम फ्रेमवर्कले दुई मुख्य विचारहरू एकीकृत गर्दछः अफ-पोलिसी कन्भर्जेन्ट ग्रेडियन्ट TD विधिहरू, जस्तै TDC, र गैर-स्मूथ कन्भर्जेन्ट अप्टिमाइजेसनको एक उत्तल-उपतल-सैडल-पोइन्ट फार्मूलेसन, जसले पहिलो-अर्डर समाधानकर्ताहरू र अनलाइन उत्तल नियमितकरण प्रयोग गरेर सुविधा चयन सक्षम गर्दछ। आरओ-टीडीको विस्तृत सैद्धान्तिक र प्रयोगात्मक विश्लेषण प्रस्तुत गरिएको छ। RO-TD एल्गोरिथ्मको अफ-पोलिसी कन्भर्जेन्स, स्पायर फीचर सिलेक्सन क्षमता र कम कम्प्युटेशनल लागतको चित्रण गर्न विभिन्न प्रयोगहरू प्रस्तुत गरिएको छ। |
33fa11ba676f317b73f963ade7226762b4f3f9c2 | |
08f410a5d6b2770e4630e3f90fb6f3e6b5bfc285 | यस लेखमा हामीले अरबी पाठ प्रतिनिधित्व र वर्गीकरण विधिहरूको लागि कलाको हालको अवस्थाको संक्षिप्त प्रस्तुतीकरण गरेका छौं। सर्वप्रथम हामी अरबी पाठमा वर्गीकरणमा लागू गरिएका केही एल्गोरिदमहरूको वर्णन गर्नेछौं। दोस्रो, हामी सबै प्रमुख कार्यहरू उद्धृत गर्दछौं जब अरबी पाठमा लागू वर्गीकरण एल्गोरिदमको तुलना गर्दछौं, यस पछि, हामी केही लेखकहरूको उल्लेख गर्दछौं जसले नयाँ वर्गीकरण विधिहरू प्रस्ताव गर्छन् र अन्तमा हामी अरबी टीसीमा प्रिप्रोसेसिंगको प्रभावको अनुसन्धान गर्दछौं। |
6ef78fdb3c54a847d665d006cf812d69326e70ed | यस लेखमा बक्स-बूस्ट कन्भर्टरमा केन्द्रित छ, जुन नन-इन्भर्टर बक्स वा बूस्ट कन्भर्टरको रूपमा सञ्चालित हुन्छ। यो देखाइएको छ कि एक पल्स-चौडाई मोडुलेशन (PWM) ब्रेकडाउनको वरिपरि बक / बूस्ट मोड संक्रमणको परिणाम स्वरूप आउटपुट भोल्टेज लहरमा पर्याप्त वृद्धि हुन सक्छ। पीडब्लुएमको गैररेखीयताको प्रभावलाई डिजाइन प्यारामिटरहरूको हिसाबले सबैभन्दा खराब केस लहर भोल्टेजको मात्रा निर्धारण गर्न आवधिक स्थिर अवस्था विश्लेषण प्रयोग गरेर अध्ययन गरिन्छ। यसबाहेक, एक द्विभाजन विश्लेषणले देखाउँदछ कि पीडब्लूएम अविरलताले अराजकतामा अर्ध- आवधिक मार्गमा पुर्याउँछ, जसको परिणामस्वरूप बक / बूस्ट मोड संक्रमणको वरिपरि अनियमित अपरेशन हुन्छ। बढेको लहर एक धेरै महत्वपूर्ण समस्या हो जब कन्भर्टर एक आरएफ पावर एम्पलीफायर को लागी एक पावर सप्लाई को रूप मा प्रयोग गरीन्छ, जस्तै WCDMA ह्यान्डसेट मा मामला हो। एक प्रयोगात्मक प्रोटोटाइपमा देखाइएको रूपमा कम दक्षताको खर्चमा, कम आउटपुट भोल्टेज लहरमा परिणाम हुने अवरोध हटाउनको लागि एक दृष्टिकोण प्रस्ताव गरिएको छ। |
4f22dc9084ce1b99bf171502174a992e502e32e1 | |
c7bd6ff231f5ca6051ebfe9fac1ecf209868bff6 | घुँडाको संयुक्त झुकाव/विस्तार कोणको अनुमान गर्न एउटा नयाँ विधि वर्णन गरिएको छ। यो दृष्टिकोणमा कल्मान फिल्टर र शरीर रचना विज्ञानमा आधारित जैव-यांत्रिक बाधाहरूको संयोजन प्रयोग गरिएको छ। हालै प्रकाशित भएका धेरै विधिहरूको विपरीत, प्रस्तावित दृष्टिकोणले पृथ्वीको चुम्बकीय क्षेत्रको प्रयोग गर्दैन र यसैले आधुनिक भवनहरूमा सामान्य रूपमा पाइने जटिल क्षेत्र विकृतिको लागि संवेदनशील छैन। यो विधि प्रयोगात्मक रूपमा परीक्षण गरियो र दुईवटा आईएमयूको मापनबाट घुँडाको कोणको गणना गरियो। धेरै अघिल्लो अध्ययनहरूको विपरीत जुन उनीहरूको दृष्टिकोणलाई तुलनात्मक रूपमा ढिलो गतिविधिहरू वा छोटो अवधिमा मान्य पारेको छ, एल्गोरिथ्मको प्रदर्शनको मूल्यांकन दुवै हिड्ने र 5 मिनेट अवधिको दौडने क्रममा गरिएको थियो। सात स्वस्थ व्यक्तिहरूमा १ देखि ५ माइल प्रतिघण्टाको विभिन्न गतिमा परीक्षण गरिएको थियो। १० क्यामेरा मोशन ट्रयाकिङ सिस्टम (क्वालिसिस) बाट एकैसाथ प्राप्त डाटासँग नतिजाको तुलना गरेर त्रुटिहरूको अनुमान गरिएको थियो। औसत मापन त्रुटि ढिलो हिँड्ने (१ मील प्रति घण्टा) को लागि ०.७ डिग्री देखि दौडने (५ मील प्रति घण्टा) को लागि ३.४ डिग्री सम्म थियो। आईएमयू विश्लेषणमा प्रयोग गरिएको संयुक्त बाध्यता क्वालिसिस डाटाबाट प्राप्त भएको थियो। यस विधिका सीमितताहरू, यसको क्लिनिकल अनुप्रयोग र यसको सम्भावित विस्तारबारे छलफल गरिएको छ। |
d6f073762c744bff5fe7562936d3aae4c2f7b67d | हालैका वर्षहरूमा हार्डवेयर प्रविधिको प्रगतिले धेरै घटनाहरूको वास्तविक समयमा अनुगमन गर्ने सम्भावनालाई जन्म दिएको छ। आउने डाटाको मात्रा यति ठूलो हुन सक्छ कि सबै व्यक्तिगत डाटाको अनुगमन गर्न कठिन हुन सक्छ। यस वातावरणमा कुनै विशेष रेकर्डको पुनरावलोकन पनि असम्भव हुन सक्छ। यसैले, धेरै डाटाबेस योजनाहरू, जस्तै एकत्रीकरण, जोड्ने, बारम्बार ढाँचा खानी, र अनुक्रमणिका, यस सन्दर्भमा अधिक चुनौतीपूर्ण हुन्छन्। यस लेखमा डाटा प्रवाहको प्रशोधनमा यी समस्याहरूको समाधान गर्न विगतका प्रयासहरूको समीक्षा गरिएको छ। स्लाइडिंग विन्डो क्वेरीहरू निर्दिष्ट गर्न र प्रशोधन गर्नमा जोड दिइएको छ, जुन धेरै स्ट्रीम प्रोसेसिंग इन्जिनहरूमा समर्थित छन्। हामी पनि सम्बन्धित कार्यको समीक्षा गर्छौं प्रवाह क्वेरी प्रोसेसिंग, सहित सारांश संरचना, योजना साझेदारी, अपरेटर तालिका, लोड शेडिंग, र विकार नियन्त्रण। श्रेणीः सर्वव्यापी कम्प्युटिङ |
cb745fd78fc7613f95bf5bed1fb125d2e7e39708 | विश्वासको आधारमा क्रस-ब्लकचेन ट्रेडिङ प्रोटोकल निर्माण गर्नु चुनौतीपूर्ण छ। यसैले, केन्द्रीकृत तरलता प्रदायकहरू श्रृंखलाहरू मार्फत स्थानान्तरणहरू कार्यान्वयन गर्न रुचाइएको मार्ग रहन्छ - जुन मौलिक रूपमा विश्वसनीय मध्यस्थहरूको प्रतिस्थापन गर्न अनुमति बिनाको खाताहरूको उद्देश्यको विरोधाभास हो। क्रसब्लकचेन ट्रेडलाई सक्षम पार्नाले हाल प्रतिस्पर्धा गर्ने ब्लकचेन प्रोजेक्टहरूलाई राम्रोसँग सहयोग गर्न सक्षम पार्न मात्र होइन, तर विकेन्द्रीकृत एक्सचेन्जहरूको लागि विशेष महत्त्वको देखिन्छ किनकि ती हाल उनीहरूको सम्बन्धित ब्लकचेन इकोसिस्टम भित्र डिजिटल सम्पत्तिहरूको व्यापारमा सीमित छन्। यस लेखमा हामी क्रिप्टोकरेन्सी समर्थित टोकनको अवधारणालाई व्यवस्थित गर्छौं, जुन विश्वासहीन क्रस-चेन संचारको दृष्टिकोण हो। हामी एक्सक्लाइम प्रस्ताव गर्छौं, जुन प्रोटोकल जारी गर्ने, कारोबार गर्ने र भुक्तानी गर्ने हो। इथरियममा बिटक्वाइन समर्थित टोकनहरू। हामी तीन सम्भावित प्रोटोकल संस्करणहरूको लागि कार्यान्वयनहरू प्रदान गर्दछौं र उनीहरूको सुरक्षा र अन-चेन लागतहरूको मूल्यांकन गर्दछौं। एक्सक्लेमको साथ, हालको ब्लकचेन लेनदेन शुल्कलाई ध्यानमा राख्दै, ईथरियममा बिटकॉइन समर्थित टोकनहरूको मनमानी रकम जारी गर्न अधिकतम १.१ USD डलर खर्च हुन्छ। हाम्रो प्रोटोकललाई बिटकॉइन र इथेरियमको सहमति नियममा कुनै परिमार्जनको आवश्यकता पर्दैन र अन्य क्रिप्टोकरन्सीहरूलाई समर्थन गर्न पर्याप्त सामान्य छ। |
0be0d781305750b37acb35fa187febd8db67bfcc | हामी शुद्धता अनुमान विधिहरू समीक्षा र दुई सबैभन्दा साधारण विधिहरू तुलना क्रस मान्यकरण र बूटस्ट्र्याप हाल प्रयोगात्मक परिणाम कृत्रिम डाटा र सीमित सेटिङहरू मा सैद्धान्तिक परिणाम मा देखाएका छन् कि वर्गीकरण मोडेल चयन दस गुना क्रस मान्यकरण एक राम्रो वर्गीकरण को एक सेट बाट चयन गर्न भन्दा राम्रो हुन सक्छ क्रस मान्यकरण बाहिर हामी सी को आधा लाख रन र वास्तविक संसार डाटासेट मा यी एल्गोरिदम मा विभिन्न मापदण्डहरु को प्रभाव अनुमान गर्न एक सरल बेय्स एल्गोरिथ्म मा एक ठूलो मात्रा प्रयोग मा रिपोर्ट क्रस मान्यकरण लागि हामी गुना संख्या भिन्न र हामी स्टार्टअप पट्टा लागि तह वा छैन कि हाम्रो परिणाम हाम्रो जस्तै वास्तविक शब्द डेटासेट लागि मोडेल चयन लागि प्रयोग गर्न सबै भन्दा राम्रो विधि छ कि संकेत दस गुना stratified क्रस प्रमाणीकरण गणना शक्ति अधिक तह प्रयोग अनुमति दिन्छ भने पनि |
2c10a1ee5039c2f145abab6d5cc335d58f161ef0 | |
160285998b31b11788182da282a1dc6f1e1b40f2 | माइक्रोसफ्ट रिसर्च रेडमन्डले यस वर्ष पहिलो पटक TREC मा भाग लिएको थियो, प्रश्न उत्तर ट्र्याकमा केन्द्रित। यस खण्डमा फिल्टरिङ र वेब ट्र्याकहरूको लागि माइक्रोसफ्ट रिसर्च क्याम्ब्रिज सबमिशनहरूमा एक अलग रिपोर्ट छ (रोबर्टसन एट अल, २००२) । हामीले वेब प्रश्न उत्तरका लागि डाटा संचालित प्रविधिहरूको खोजी गर्दै आएका छौं र TREC QA मा सहभागिताका लागि हाम्रो प्रणालीलाई केही हदसम्म परिमार्जन गरेका छौं। हामीले मुख्य गुणस्तर नियन्त्रण ट्रयाक (एस्कएमएसआर र एस्कएमएसआर२) का लागि दुईवटा ट्रायल पेश गरेका छौं । |
8213dbed4db44e113af3ed17d6dad57471a0c048 | |
0521ffc1c02c6a4898d02b4afcc7da162fc3ded3 | अल्ट्रा-वाइडब्यान्ड (यूडब्लुबी) माइक्रोस्ट्रिपबाट सीपीएस (कोप्लेनार स्ट्रिपलाइन) मा संक्रमणको नयाँ विधि विकसित गरिएको छ। यो संक्रमण वा बलुन संरचनामा धेरै आकर्षक फाइदाहरू छन् जस्तै राम्रो प्रतिरोध परिवर्तन, कम्प्याक्ट आकार र विस्तृत ब्यान्डविथ। माइक्रोस्ट्रिप लाइन र सीपीएस बीचको समानान्तर-युग्मित लाइन खण्ड विभिन्न ट्रान्सभर्सल आयामहरू अन्तर्गत अनुसन्धान गरेपछि, दुई प्रसारण पोलहरूको उदयको साथ एक विस्तृत प्रसारण ब्यान्ड राम्रोसँग प्राप्त हुन्छ। अर्को, यस्तो एकल संक्रमण सर्किट सम्पूर्ण UWB ब्यान्ड (3.1 GHz देखि 10.6 GHz) लाई कभर गर्नको लागि उत्तम तरिकाले डिजाइन गरिएको छ। प्रयोगमा पूर्वानुमानित परिणामहरू प्रमाणित गर्न, दुई पछाडि-पछाडि संक्रमणहरू समान 50 ओमेगा माइक्रोस्ट्रिप फिड लाइनहरू निर्माण र परीक्षण गरिन्छ। मापन परिणामहरूले ३.५ गीगाहर्जदेखि १०.० गीगाहर्जसम्मको ब्यान्डमा १०.० डीबी नजिकको रिटर्न लोस देखाउँछ। |
22ee2316b96c41f743082bd9de679104d79c683a | |
75041575e3a9fa92af93111fb0a93565efed4858 | यस लेखमा हरितगृह वातावरणमा मोबाइल मापन स्टेशनको कार्यान्वयनको बारेमा छलफल गरिएको छ। हरितगृहको काम भनेको बिरुवाहरूको पूर्ण जीवनका लागि उत्तम बढ्दो अवस्था सिर्जना गर्नु हो। स्वायत्त मापन प्रणालीको प्रयोगले हरितगृहमा इष्टतम वातावरण सिर्जना गर्नका लागि आवश्यक सबै मापदण्डहरूको अनुगमन गर्न मद्दत गर्दछ। सेन्सरले सुसज्जित यो रोबोट हरितगृहभित्रको बालीको पङ्क्तिमा गएर फर्कन सक्छ। यसले एक वायरलेस सेन्सर नेटवर्कको परिचय दिन्छ जुन ग्रीनहाउस अनुप्रयोगको मापन र नियन्त्रणको उद्देश्यका लागि प्रयोग गरिएको थियो। वायरलेस टेक्नोलोजी र लघुकरणमा निरन्तर प्रगतिले वातावरणको विभिन्न पक्षहरूको अनुगमन गर्न सेन्सर नेटवर्कहरूको प्रयोगलाई बढ्दो लचिलो बनाएको छ। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.