_id
stringlengths 40
40
| text
stringlengths 0
9.54k
|
|---|---|
798957b4bbe99fcf9283027d30e19eb03ce6b4d5 | हामी निर्भरता पार्सिङका लागि LR एल्गोरिथ्मको डाटा-संचालित भेरियन्ट प्रस्तुत गर्दछौं, र यसलाई सम्भावित सामान्यीकृत LR निर्भरता पार्सिङको लागि सर्वश्रेष्ठ-पहिलो खोजीको साथ विस्तार गर्दछौं। पार्सर कार्यहरू वर्गीकरणकर्ताद्वारा निर्धारण गरिन्छ, जुन पार्सरको वर्तमान अवस्थाको प्रतिनिधित्व गर्ने सुविधाहरूमा आधारित हुन्छ। हामी यो पार्सिङ फ्रेमवर्कलाई CoNLL 2007 साझा कार्यको दुवै ट्र्याकहरूमा लागू गर्छौं, प्रत्येक अवस्थामा विभिन्न सिक्नेहरूसँग प्रशिक्षित बहु मोडेलहरूको फाइदा लिन्छौं। बहुभाषी ट्र्याकमा हामी प्रत्येक १० भाषाका लागि तीनवटा एलआर मोडलहरू प्रशिक्षण दिन्छौं र प्रत्येक व्यक्तिगत मोडलको साथ प्राप्त विश्लेषणहरूलाई अधिकतम स्प्यानिंग ट्री भोटि scheme योजनाको साथ संयोजन गर्दछौं। डोमेन अनुकूलन ट्र्याकमा, हामी लक्ष्य डोमेनमा लेबल गरिएको आउट-अफ-डोमेन प्रशिक्षण सेटलाई पूरक बनाउन लक्षित डोमेनमा लेबल गरिएको डाटा पार्स गर्न दुई मोडेलहरू प्रयोग गर्दछौं, सह-प्रशिक्षणको एक पुनरावृत्ति जस्तै योजनामा। |
2b329183e93cb8c1c20c911c765d9a94f34b5ed5 | हामी एक नयाँ ढाँचाको प्रस्ताव गर्छौं जनरेटिभ मोडेलको अनुमान गर्नका लागि एक विरोधाभासी प्रक्रियाको माध्यमबाट, जसमा हामी एकै साथ दुई मोडेलहरू प्रशिक्षण दिन्छौं: एक जनरेटिभ मोडेल जी जसले डाटा वितरण कब्जा गर्दछ, र एक भेदभावपूर्ण मोडेल डी जसले सम्भावनाको अनुमान गर्दछ कि नमूना प्रशिक्षण डेटाबाट आएको हो G को सट्टा। G को लागि प्रशिक्षण प्रक्रिया D को गल्ती गर्ने सम्भावना अधिकतम गर्न हो। यो ढाँचा न्यूनतम दुई खेलाडी खेलसँग मेल खान्छ। मनमानी प्रकार्य G र D को अन्तरिक्षमा, एक अद्वितीय समाधान अवस्थित छ, जहाँ G प्रशिक्षण डेटा वितरण र D बराबर १२ जताततै पुनः प्राप्ति गर्दछ। यदि G र D बहुपरतिय पर्सेप्ट्रोनद्वारा परिभाषित गरिएका छन् भने, सम्पूर्ण प्रणालीलाई पछाडिबाट फैलाउनका लागि प्रशिक्षण दिन सकिन्छ। प्रशिक्षण वा नमूना उत्पादनको क्रममा कुनै मार्कोभ चेन वा अनरोल्ड अनुमानित अनुमान नेटवर्कको आवश्यकता पर्दैन। प्रयोगहरूले गुणात्मक र मात्रात्मक मूल्याङ्कनको माध्यमबाट ढाँचाको क्षमता प्रदर्शन गर्दछ। |
7e403d160f3db4a5d631ac450abcba190268c0e6 | यस लेखमा एकल पहुँच बिन्दुमा आधारित इनडोर लोकेसन प्रणाली SAIL प्रस्तुत गरिएको छ। वाइफाइमा आधारित पोजिसन टेक्निकमा प्रगति भए पनि हामीले पत्ता लगायौं कि विद्यमान समाधानहरूमा या त पहुँच पोइन्ट (एपी) को घना तैनाती, म्यानुअल फिंगरप्रिन्टिङ, ऊर्जाको लागि वाइफाइ स्क्यानिङ, वा परिष्कृत एपी हार्डवेयरको आवश्यकता छ। यी प्रतिबन्धहरुबाट बच्नका लागि हामीले सेइलको डिजाइन एकल वस्तु वाईफाई एपी प्रयोग गरेर गरेका छौं। सेलले ग्राहक र एपी बीचको दूरीको गणना गर्दछ जुन दुई बीचको संकेतको प्रसारण ढिलाइको प्रयोग गरेर हुन्छ, दूरीलाई स्मार्टफोनको मृत-गणना प्रविधिहरूसँग जोड्दछ, र ज्यामितीय विधिहरू प्रयोग गर्दछ जुन अन्ततः एकल एपी प्रयोग गरेर ग्राहकको स्थान उत्पन्न गर्दछ। सेइलले भौतिक तह (पीएचवाई) जानकारी र मानव गतिलाई संयोजन गरेर प्रत्यक्ष मार्गको प्रसारण ढिलाइको गणना गर्दछ, बहुपथको प्रतिकूल प्रभावलाई हटाउँदै र सब-मीटर दूरी अनुमान सटीकता प्रदान गर्दछ। यसबाहेक, सेलले स्मार्टफोन सेन्सर प्रयोग गरेर मृत गणनाको लागि केही सामान्य चुनौतीहरूको व्यवस्थित रूपमा सम्बोधन गर्दछ र अवस्थित प्रविधिहरूको तुलनामा २--5x शुद्धता सुधार गर्दछ। हामीले सेइललाई कमोडिटी वायरलेस एपी र स्मार्टफोनमा लागू गरेका छौं। १० जना मोबाइल प्रयोगकर्ता भएको ठूलो स्तरको उद्यम वातावरणमा गरिएको मूल्यांकनले देखाउँछ कि सेलले प्रयोगकर्ताको स्थानलाई २.३ मिटरको औसत त्रुटिसँग केवल एउटा एपी प्रयोग गरेर कब्जा गर्न सक्छ। |
649f417531ac7b1408b80fb35125319f86d00f79 | ग्रीन इलेक्ट्रोनिक्स एउटा नयाँ वैज्ञानिक शब्द मात्र होइन, प्राकृतिक स्रोतका यौगिकहरूको पहिचान गर्ने र वातावरणमा सुरक्षित (जैविक रूपमा विघटनयोग्य) र/वा जैव-अनुकूल उपकरणहरूमा प्रयोग गर्न सकिने सिंथेटिक सामग्रीहरूको उत्पादनका लागि आर्थिक रूपमा प्रभावकारी मार्गहरू स्थापित गर्ने उद्देश्यले अनुसन्धानको एउटा उदीयमान क्षेत्र पनि हो। यस अनुसन्धानको अन्तिम लक्ष्य मानव र वातावरण मैत्री इलेक्ट्रोनिक्सको उत्पादनको लागि सामान्य रूपमा र विशेष गरी जीवित ऊतकको साथ त्यस्ता इलेक्ट्रोनिक सर्किटहरूको एकीकरणको लागि मार्गहरू सिर्जना गर्नु हो। "हरित" इलेक्ट्रोनिक्सको उदीयमान वर्गमा अनुसन्धानले जैविक इलेक्ट्रोनिक्सको मूल प्रतिज्ञा मात्र पूरा गर्न मद्दत पुर्याउन सक्छ जुन कम लागत र ऊर्जा कुशल सामग्री र उपकरणहरू प्रदान गर्नु हो तर इलेक्ट्रोनिक्सका लागि अकल्पनीय कार्यक्षमताहरू पनि प्राप्त गर्न सक्छ, उदाहरणका लागि जीवन र वातावरणमा सौम्य एकीकरण। यस समीक्षामा यस उदीयमान समूहका सामग्रीहरूमा हालैका अनुसन्धान प्रगतिहरू र उनीहरूको अपरंपरागत जैविक इलेक्ट्रोनिक उपकरणहरूमा समावेशलाई हाइलाइट गरिनेछ। |
c8e424defb590f6b3eee659eb097ac978bf49348 | आत्म-नियन्त्रित सिकाइ सफल अनलाइन सिकाइको लागि एक महत्वपूर्ण कारकको रूपमा मान्यता प्राप्त छ, र विद्यार्थीहरूको कथित शैक्षिक नियन्त्रण र शैक्षिक भावनाहरू आत्म-नियन्त्रित सिकाइको महत्त्वपूर्ण पूर्ववर्ती हुन्। भावना र संज्ञानात्मक अन्तरसम्बन्धित छन्, स्व-नियन्त्रित सिक्ने मा कथित शैक्षिक नियन्त्रण र शैक्षिक भावना बीच संयुक्त सम्बन्ध अनुसन्धान आत्म-नियन्त्रित सिक्ने को प्रक्रिया बुझ्न को लागि मूल्यवान हुनेछ। यस अध्ययनले अनलाइन शिक्षामा शैक्षिक भावना (आनन्द, चिन्ता र बोरियत) को भूमिकालाई अध्ययन गरेको छ। शैक्षिक भावनाहरूको मध्यस्थता र मध्यम प्रभावहरूको परीक्षण गर्न मार्ग मोडेल प्रस्ताव गरिएको थियो। ४२६ जना कोरियाली कलेजका विद्यार्थीहरूबाट अनलाइन पाठ्यक्रममा दर्ता भएकाहरूको तथ्याङ्क सङ्कलन गरियो र उनीहरूको अध्ययनको विश्लेषण गरियो। परिणामले देखाएको छ कि आनन्दले कथित शैक्षिक नियन्त्रण र आत्म-नियन्त्रित शिक्षा बीचको सम्बन्धलाई मध्यस्थता गर्यो, तर आनन्दको मध्यम प्रभाव महत्त्वपूर्ण थिएन। बोरियत र चिन्ताले आत्म-नियन्त्रित सिक्नेमा महत्त्वपूर्ण मध्यस्थ प्रभाव पार्दैन, जबकि उनीहरूले कथित शैक्षिक नियन्त्रण र आत्म-नियन्त्रित सिक्ने बीचको सम्बन्धमा महत्त्वपूर्ण मध्यम प्रभाव देखाए। अध्ययनका निष्कर्षका आधारमा अनलाइन शिक्षामा विद्यार्थीको आत्म-नियन्त्रण सिकाइलाई सहज बनाउन सिकाइमा शैक्षिक भावनाको भूमिका र यसको प्रभावबारे छलफल गरिएको थियो। २०१४ एल्सभियर लिमिटेड सबै अधिकार सुरक्षित। |
82b2c431035e5c0faa20895fe9f002327c0994bd | इन्टरनेट अफ थिंग्सले अहिले जोडिएका वस्तु र मानिसलाई जोड्ने काम गर्छ। यो नयाँ युग हो, जुन समाजका लागि सेवाहरूको लागत प्रभावकारी गुणस्तर सुधार गर्न विद्यमान प्रणालीहरूलाई परिवर्तन गर्ने हो। स्मार्ट सिटीको दृष्टिकोणलाई समर्थन गर्नका लागि शहरी आईओटी डिजाइन योजनाहरूले नागरिकहरूका लागि थप मूल्य सेवाहरू र सबैभन्दा उन्नत संचार प्रविधिहरूको साथ शहरको प्रशासनको शोषण गर्दछ। आपतकालीन प्रतिक्रियालाई वास्तविक समयमा बनाउनका लागि, आईओटीले पहिलो प्रतिक्रियाकर्ताहरूको तरिकालाई सुधार गर्दछ र आपतकालीन प्रबन्धकहरूलाई ती सम्पत्तिहरूको प्रयोग गर्न आवश्यक अप-टु-डेट जानकारी र सञ्चार प्रदान गर्दछ। आईओटीले आपतकालीन प्रतिक्रियाका लागि धेरै चुनौतीहरूलाई कम गर्छ जसमा कमजोर सञ्चार सञ्जाल र सूचनाको विलम्ब जस्ता वर्तमान समस्याहरू समावेश छन्। यस लेखमा प्रस्ताव गरिएको छ कि आगोको खतराको लागि आपतकालीन प्रतिक्रिया प्रणाली आईओटी मानकीकृत संरचना प्रयोग गरेर डिजाइन गरिएको हो। प्रस्तावित योजना कार्यान्वयन गर्न कम लागतमा इस्प्रेसिभ वाई-फाई मोड्युल ईएसपी-३२, फ्लेम डिटेक्सन सेन्सर, धुवाँ डिटेक्सन सेन्सर (एमक्यू-५), ज्वलनशील ग्यास डिटेक्सन सेन्सर र एक जीपीएस मोड्युल प्रयोग गरिएको छ। सेन्सरले खतरा पत्ता लगाउँछ र स्थानीय आपतकालीन उद्धार संगठनहरू जस्तै अग्निशमन विभाग र पुलिसलाई खतराको स्थान पठाएर क्लाउड-सेवामा सचेत गराउँछ जसबाट सबै जडित छन्। समग्र नेटवर्कले छिटो र भरपर्दो सञ्चारका लागि हल्का डाटा-उन्मुख प्रकाशन-सदस्यता सन्देश प्रोटोकल एमक्यूटीटी सेवाहरूको उपयोग गर्दछ। यस प्रकार, एक बुद्धिमान एकीकृत प्रणाली आईओटीको मद्दतले डिजाइन गरिएको छ। |
95d2a3c89bd97436aac9c72affcd0edc5c7d2e58 | चाल पहिचान क्षेत्रमा टेम्प्लेटमा आधारित दृष्टिकोणहरू जस्तै चाल ऊर्जा छवि (जीईआई) र क्रोनो-गेट छवि (सीजीआई) कम कम्प्युटेशनल लागतको साथ राम्रो पहिचान प्रदर्शन प्राप्त गर्न सक्दछ। यसैबीच, सीजीआईले समयको जानकारीलाई जीईआईभन्दा राम्रोसँग सुरक्षित राख्न सक्छ। स्थानीय आकारका विशेषताहरूमा ध्यान दिन्छन् समयको जानकारी संरक्षण गर्न र अधिक प्रचुर मात्रामा स्थानीय आकार सुविधाहरू उत्पन्न गर्न, हामी GEI र CGI टेम्प्लेटहरूको अभिमुखीकृत ग्रेडियन्टहरूको हिस्टोग्राम (HOG) निकालेर बहु HOG टेम्प्लेटहरू उत्पन्न गर्दछौं। प्रयोगहरूले देखाउँछ कि धेरै प्रकाशित दृष्टिकोणहरूको तुलनामा, हाम्रो प्रस्तावित बहु HOG टेम्प्लेटहरूले पैदल पहिचानको लागि राम्रो प्रदर्शन प्राप्त गर्दछ। |
235723a15c86c369c99a42e7b666dfe156ad2cba | पूर्वानुमानात्मक घनत्वको एउटा वर्ग लग-सम्भाव्यता फंक्शनलाई अधिकतम बनाउन अवलोकन गरिएका नमूनाहरूलाई भारित गरेर प्राप्त गरिन्छ। यो दृष्टिकोण नमूना सर्वेक्षण वा प्रयोगको डिजाइन जस्ता केसहरूमा प्रभावकारी हुन्छ, जहाँ अवलोकन गरिएको कोभेरिएट सम्पूर्ण जनसंख्यामा भन्दा फरक वितरण अनुसरण गर्दछ। प्यारामिट्रिक मोडेलको गलत विनिर्देश अन्तर्गत, वजन फंक्शनको इष्टतम छनौट जनसंख्यामा कोभेरिएटको घनत्व फंक्शनको अनुपात अवलोकनमा देखाइएको छ। यो नमूना सर्वेक्षणको छद्म-अधिकतम सम्भावना अनुमान हो। इष्टतमता प्रत्याशित कुलब्याक-लाइबलर हानि द्वारा परिभाषित छ, र इष्टतम वजन महत्त्व नमूना पहिचान विचार गरेर प्राप्त हुन्छ। मोडेलको सही विशिष्टता अन्तर्गत, तथापि, सामान्य अधिकतम सम्भावना अनुमान (यानी यो एक समान वजन) asymptotically इष्टतम देखाइएको छ। मध्यम नमूना आकारको लागि, स्थिति दुई चरम अवस्थामा बीचमा छ, र वजन समारोह अपेक्षित हानि को एक अनुमान रूपमा व्युत्पन्न जानकारी मापदण्ड को एक संस्करण कम गरेर चयन गरिएको छ। यो विधि पनि बेयसियन भविष्यवाणी घनत्व को एक भारित संस्करण मा लागू गरिन्छ। बहुपद प्रतिगमनका लागि संख्यात्मक उदाहरणहरू साथै मोन्टे-कार्लो सिमुलेशनहरू देखाइएका छन्। बलियो मापदण्डिक अनुमानको साथ सम्बन्धको बारेमा छलफल गरिएको छ। c © 2000 Elsevier Science B.V. सबै अधिकार सुरक्षित। |
130dab15d243e5569925aa8d2eafb080078baf79 | हामी सीएमओएस परिचालन एम्पलीफायरहरूको लागि घटक र ट्रान्जिस्टर साइजिंग अनुकूलन र स्वचालित गर्न एक विधि प्रस्तुत गर्दछौं। हामी देख्छौं कि प्रदर्शन मापन को एक विस्तृत विविधता डिजाइन चर को posynomial कार्यहरु को रूप मा तैयार गर्न सकिन्छ। फलस्वरूप, एम्पलीफायर डिजाइन समस्याहरू ज्यामितीय कार्यक्रमको रूपमा तयार गर्न सकिन्छ, विशेष प्रकारको उत्तल अनुकूलन समस्या जसको लागि हालसालै धेरै कुशल वैश्विक अनुकूलन विधिहरू विकसित गरिएको छ। संश्लेषण विधि यसैले छिटो छ, र विश्वव्यापी इष्टतम डिजाइन निर्धारण गर्दछ; विशेष गरी अन्तिम समाधान सुरूवात बिन्दुबाट पूर्ण रूपमा स्वतन्त्र छ (जुन अव्यावहारिक पनि हुन सक्छ), र अव्यावहारिक विनिर्देशहरू स्पष्ट रूपमा पत्ता लगाइन्छ। संक्षिप्त विधि परिचय पछि, जुन एम हर्शेनसन एट अल द्वारा अधिक विस्तृत रूपमा वर्णन गरिएको छ, हामी देखाउँदछौं कि कसरी विधि छ वटा सामान्य ओप-एम्प आर्किटेक्चरमा लागू गर्न सकिन्छ, र धेरै उदाहरण डिजाइनहरू दिन्छौं। |
ccb2b479b2b430e284e1c3afb1f9362cd1c95119 | ग्राफको रूपमा प्रतिनिधित्व गरिएको डाटा खानी गर्ने क्षमता विभिन्न संरचनात्मक ढाँचाहरूको पत्ता लगाउन धेरै डोमेनहरूमा महत्त्वपूर्ण भएको छ। डाटा माइनिङको एउटा महत्त्वपूर्ण क्षेत्र विसंगति पत्ता लगाउने हो, तर ग्राफ-आधारित डाटामा विसंगति पत्ता लगाउने सन्दर्भमा थोरै काम गरिएको छ। यस लेखमा हामी अनुप्रयोगहरूमा विसंगतिहरू पत्ता लगाउन ग्राफ-आधारित दृष्टिकोण प्रस्तुत गर्दछौं जसले सम्भावित आन्तरिक खतरा गतिविधि प्रतिनिधित्व गर्ने जानकारी समावेश गर्दछः ई-मेल, सेलफोन कलहरू, र अर्डर प्रोसेसिंग। |
096e07ced8d32fc9a3617ff1f725efe45507ede8 | हामी विभिन्न लोकप्रिय सिकाइ विधिहरूको प्रयोगलाई मूल्यांकन गर्छौं जुन सामान्य दृश्य श्रेणीहरू पहिचान गर्ने समस्याको लागि हो जसमा अविरलता, प्रकाश र वरपरको अव्यवस्थाको स्थिति छ। एक ठूलो डाटासेट जसमा स्टेरियो छवि जोडीहरू समावेश छन् 50 समान रंगीन खेलौनाहरू 36 azimuths, 9 उचाइ, र 6 प्रकाश अवस्था अन्तर्गत संकलन गरिएको थियो (कुल 194,400 व्यक्तिगत छविहरूको लागि) । ती वस्तुहरू पाँचवटा सामान्य वर्गका १० वटा उदाहरणहरू थिए: चारखुट्टे जनावर, मानव आकृति, विमान, ट्रक, र कारहरू। प्रत्येक वर्गका पाँचवटा उदाहरण प्रशिक्षणका लागि प्रयोग गरियो र अन्य पाँचवटा परीक्षणका लागि। प्रशिक्षण र परीक्षणको लागि विभिन्न मात्रामा परिवर्तनशीलता र वरपरको गडबडीका साथ वस्तुहरूको कम रिजोलुसन ग्रेस्केल छविहरू प्रयोग गरियो। निकटतम छिमेकी विधिहरू, समर्थन भेक्टर मेशिनहरू, र कन्भोल्युसनल नेटवर्कहरू, कच्चा पिक्सेलहरूमा वा पीसीए-व्युत्पन्न सुविधाहरूमा सञ्चालन गरिएको परीक्षण गरिएको थियो। एसवीएमका लागि १३% र कन्भोल्युसनल नेटका लागि ७% परीक्षण त्रुटि दर थियो। अत्यधिक गडबडी भएका छविहरूको साथ विभाजन / मान्यता कार्यमा, एसवीएम अव्यावहारिक साबित भयो, जबकि कन्भोल्युसनल नेटले १ 16/7% त्रुटि प्रदान गर्यो। प्रणालीको वास्तविक समय संस्करण लागू गरिएको थियो जसले प्राकृतिक दृश्यहरूमा वस्तुहरू प्रति सेकेन्ड १० फ्रेममा पत्ता लगाउन र वर्गीकरण गर्न सक्दछ। |
0addfc35fc8f4419f9e1adeccd19c07f26d35cac | यस कागजातले वस्तु पत्ता लगाउनका लागि विभेदक रूपमा प्रशिक्षित, बहु-स्केल, विकृत भाग मोडेल वर्णन गर्दछ। हाम्रो प्रणालीले २००६ पास्कल व्यक्तिको पहिचानको चुनौतीमा सबैभन्दा राम्रो प्रदर्शनको तुलनामा औसत शुद्धतामा दुई गुणा सुधार हासिल गरेको छ। सन् २००७ को चुनौतीमा २० मध्ये १० वटा विधामा उत्कृष्ट प्रदर्शन गरेको थियो। प्रणालीमा विकृत भागहरूमा धेरै निर्भर छ। जबकि विकृत भाग मोडेलहरू धेरै लोकप्रिय भएका छन्, उनीहरूको मूल्य PASCAL चुनौती जस्ता कठिन बेन्चमार्कहरूमा प्रदर्शन गरिएको थिएन। हाम्रो प्रणाली पनि भेदभावपूर्ण प्रशिक्षणका लागि नयाँ विधिहरूमा धेरै निर्भर छ। हामी डाटा माइनिङ हार्ड नकारात्मक उदाहरणको लागि मार्जिन-संवेदनशील दृष्टिकोणलाई एउटा औपचारिकतासँग जोड्दछौं जसलाई हामी लुकेको एसवीएम भन्छौं। लुकेको एसवीएम, लुकेको सीआरएफ जस्तै, गैर-उपमण्डल प्रशिक्षण समस्यामा जान्छ। तर, लुकेको एसवीएम अर्ध-उपमण्डित हुन्छ र तालिम समस्या उत्तीर्ण हुन्छ जब सकारात्मक उदाहरणका लागि लुकेको जानकारी निर्दिष्ट हुन्छ। हामी विश्वास गर्छौं कि हाम्रो प्रशिक्षण विधिहरूले अन्ततः अधिक लुकेको जानकारीको प्रभावकारी प्रयोगलाई सम्भव बनाउनेछ जस्तै पदानुक्रमित (व्याकरण) मोडेलहरू र लुकेको त्रि-आयामिक पोज समावेश गर्ने मोडेलहरू। |
11540131eae85b2e11d53df7f1360eeb6476e7f4 | लामो छोटो अवधिको मेमोरी (एलएसटीएम; होच्राइटर र श्मिडहुबर, १९९७) ले धेरै कार्यहरू समाधान गर्न सक्छ जुन पुनरावर्ती न्यूरल नेटवर्क (आरएनएन) का लागि अघिल्लो सिकाउने एल्गोरिदमहरू द्वारा समाधान गर्न सकिदैन। हामी एलएसटीएम नेटवर्कको कमजोरी पहिचान गर्छौं जसले निरन्तर इनपुट स्ट्रिमहरू प्रशोधन गर्दछ जुन स्पष्ट रूपमा चिन्ह लगाइएको अन्त्यहरूसँग उप-अनुक्रमहरूमा विभाजन गरिएको छैन जसमा नेटवर्कको आन्तरिक राज्य रिसेट गर्न सकिन्छ। रिसेट बिना, राज्य अनिश्चित कालसम्म बढ्न सक्छ र अन्ततः नेटवर्कलाई बिग्रन सक्छ। हाम्रो उपचार एक नयाँ, अनुकूली भूल गेट हो जसले एल.एस.टी.एम. कोषलाई उचित समयमा आफैलाई रिसेट गर्न सिक्न सक्षम बनाउँछ, यसरी आन्तरिक स्रोतहरू मुक्त गर्दछ। हामी उदाहरणात्मक बेन्चमार्क समस्याहरूको समीक्षा गर्दछौं जसमा मानक LSTM अन्य RNN एल्गोरिदमहरू भन्दा राम्रो प्रदर्शन गर्दछ। सबै एल्गोरिदमहरू (एलएसटीएम सहित) यी समस्याहरूको निरन्तर संस्करणहरू समाधान गर्न असफल हुन्छन्। तर, एलएसटीएमले सजिलैसँग र सुरुचिपूर्ण तरिकाले समस्या समाधान गर्छ। |
b3eea1328c10455faa9b49c1f4aec7cd5a0b2d1a | |
03184ac97ebf0724c45a29ab49f2a8ce59ac2de3 | हालैका वर्षहरूमा छवि वर्गीकरणमा उल्लेखनीय प्रगति भएको छ। तर, ठूलो संख्यामा हुने एनोटेशनको लागतका कारण फाइन ग्रेनको वर्गीकरण ठूलो चुनौतीको रुपमा रहेको छ । यो परियोजनाले देखाउँछ कि यस्तो श्रेणीहरूमा लेबल प्रशिक्षण डेटा बिना पनि सम्मोहक वर्गीकरण प्रदर्शन प्राप्त गर्न सकिन्छ। छवि र वर्ग एम्बेडहरू दिएर, हामी एक अनुकूलता प्रकार्य सिक्छौं कि मिल्दो एम्बेडहरू असंगत भन्दा उच्च स्कोर तोकिएको छ; छविको शून्य-शट वर्गीकरण लेबल फेला पार्दै उच्चतम संयुक्त अनुकूलता स्कोर उत्पन्न गरेर अगाडि बढ्छ। हामी अत्याधुनिक छवि सुविधाहरू प्रयोग गर्छौं र विभिन्न पर्यवेक्षित विशेषताहरू र अनुगमन नभएको आउटपुट एम्बेडिंगमा ध्यान केन्द्रित गर्दछौं जुन या त पदानुक्रमबाट व्युत्पन्न हुन्छ वा लेबल नभएको पाठ कर्पोरेसबाट सिकिएको हुन्छ। हामी पशुहरूसँग विशेषताहरू र क्याल्टेक-यूसीएसडी चराहरूको डाटासेटमा अत्याधुनिक राज्यको सुधारको स्थापना गर्दछौं। सबैभन्दा उत्साहजनक कुरा, हामीले देखाएका छौं कि विशुद्ध रूपमा अनसुर्पेक्षित आउटपुट एम्बेडिङ (विकिपिडियाबाट सिकिएको र फाइन ग्रेनेड पाठको साथ सुधार गरिएको) ले आकर्षक परिणामहरू प्राप्त गर्दछ, र अघिल्लो पर्यवेक्षित राज्य-को-कला भन्दा पनि राम्रो प्रदर्शन गर्दछ। विभिन्न आउटपुट एम्बेडेड संयोजन गरेर, हामी परिणामहरू अझ सुधार गर्दछौं। |
4c648fe9b7bfd25236164333beb51ed364a73253 | प्रस्तुतीकरण आक्रमणहरू (प्रत्यक्ष आक्रमण वा स्पूफ आक्रमणहरू पनि भनिन्छ) को लागि अनुहार पहिचान प्रणालीको भेद्यताले बायोमेट्रिक समुदायबाट ठूलो चासो प्राप्त गरेको छ। वास्तविक समय अनुप्रयोगहरूमा अनुहार पहिचान प्रणालीको द्रुत विकासले उनीहरूको प्रस्तुतीकरण आक्रमणहरूको प्रतिरोध गर्ने क्षमताको बारेमा नयाँ चिन्ताहरू खडा गरेको छ, विशेष गरी स्वचालित सीमा नियन्त्रण जस्ता अनियन्त्रित अनुप्रयोग परिदृश्यहरूमा। प्रस्तुतीकरण आक्रमणको लक्ष्य अनुहारको बायोमेट्रिक आर्टिफ्याक्ट प्रस्तुत गरेर अनुहार पहिचान प्रणालीलाई खण्डन गर्नु हो। लोकप्रिय अनुहार बायोमेट्रिक कलाकृतिहरूमा मुद्रित फोटो, अनुहारको फोटोको इलेक्ट्रोनिक प्रदर्शन, इलेक्ट्रोनिक प्रदर्शनको प्रयोग गरेर भिडियो पुनः प्ले गर्ने, र थ्रीडी फेस मास्क समावेश छ। यी प्रणालीले अत्याधुनिक अनुहार पहिचान प्रणालीका लागि उच्च सुरक्षा जोखिम देखाएको छ। यद्यपि, धेरै प्रस्तुतीकरण आक्रमण पत्ता लगाउने (पीएडी) एल्गोरिदमहरू (प्रति-उपक्रम वा एन्टिस्पाउफिंग विधिहरू पनि भनिन्छ) प्रस्ताव गरिएको छ जुन स्वचालित रूपमा यस्ता लक्षित आक्रमणहरू पत्ता लगाउन र कम गर्न सक्दछ। यस सर्वेक्षणको लक्ष्य अनुहार प्रस्तुतीकरण आक्रमण पत्ता लगाउनेमा गरिएको विद्यमान कार्यको व्यवस्थित सिंहावलोकन प्रस्तुत गर्नु हो। यस कागजातले अनुहार प्रस्तुतीकरण आक्रमणका विभिन्न पक्षहरूको वर्णन गर्दछ, विभिन्न प्रकारका अनुहार कलाकृतिहरू, अत्याधुनिक पीएडी एल्गोरिदमहरू र यस डोमेनमा काम गर्ने सम्बन्धित अनुसन्धान प्रयोगशालाहरूको एक सिंहावलोकन, जोखिम मूल्यांकन र प्रदर्शन मूल्यांकन मेट्रिक्स, प्रतियोगिताको नतीजा, नयाँ पीएडी एल्गोरिदमहरूलाई पुनः उत्पादन गर्नका लागि सार्वजनिक डाटाबेसहरूको उपलब्धता, र अन्तमा यस क्षेत्रमा सम्बन्धित अन्तर्राष्ट्रिय मानकीकरणको सारांश। यसबाहेक, हामी बायोमेट्रिक्सको यो विकसित क्षेत्रमा सम्बोधन गर्न आवश्यक खुला चुनौतीहरू र भविष्यका कामहरूको बारेमा छलफल गर्नेछौं। |
ada07d84bf881daa4a7e692670e61ad766f692f3 | यस्तो समाधानको लाभ आउटपुट वर्तमान लहर र चरण-शिफ्ट नियन्त्रण अन्तरक्रिया र लोड-चरण भिन्नताहरूमा प्रभावमा पनि अनुसन्धान गरिएको छ। प्रोटोटाइपमा मापनहरू सिमुलेशनमा जोडिएका छन् जसमा दावी र प्रस्तावहरूको प्रमाणिकरण गरिएको छ। यस लेखमा बहु-चरण अन्तर-लेभर्ड एलएलसी रेजोनेन्ट कन्भर्टरको लागि एक उपन्यास दृष्टिकोण प्रस्तुत गरिएको छ। प्रस्तावित समाधान, तीन एलएलसी मोड्युलहरूको प्रयोगमा आधारित छ जुन ट्रान्सफार्मर प्राथमिक वाइन्डिंगको स्टार जडानको साथ छ, आउटपुट वर्तमान लहर र फलस्वरूप आउटपुट फिल्टर क्यापेसिटरको आकारको ठूलो कटौती गर्न अनुमति दिन्छ। अन्य बहु-चरण समाधानहरू भन्दा फरक, जुन वर्तमान असंतुलनको कारण प्रतिध्वनि घटकहरूको सहिष्णुतामा धेरै संवेदनशील हुन्छन्, प्रस्तावित टोपोलोजीले एक अंतर्निहित वर्तमान साझेदारी क्षमता प्रदर्शन गर्दछ। यसबाहेक, बन्द-लूप चरण-शिफ्ट नियन्त्रण थप वर्तमान असंगति को लागि क्षतिपूर्ति र पूर्णतया प्रत्येक मोड्युल द्वारा आपूर्ति वर्तमान सन्तुलनमा ल्याइन्छ। |
e7922d53216a4c234f601049ec3326a6ea5d5c7c | नयाँ संरचना, शीर्षक नौकरी एम्बेडेडनेस, प्रस्तुत गरिएको छ। काममा र बाहिरका कारकहरूको मूल्याङ्कन गर्दै यसले व्यक्तिलाई (क) अन्य व्यक्तिहरू, टोलीहरू र समूहहरूसँगको सम्बन्ध, (ख) आफ्नो काम, संगठन र समुदायसँग आफ्नो फिटको धारणा र (ग) उनीहरूले आफ्नो काम छोडे भने के त्याग गर्नुपर्दछ भनेर बताउँछन्। दुई नमूनाको साथ काम एम्बेडेड को एक उपाय विकसित गरिएको छ। परिणामले देखाउँछ कि जागिरमा समाहित हुनुले छोड्ने आशय र स्वैच्छिक रूपान्तरण दुवैको प्रमुख परिणामहरूको भविष्यवाणी गर्दछ, र कामको सन्तुष्टि, संगठनात्मक प्रतिबद्धता, कामका विकल्पहरू र काम खोज्ने भन्दा महत्त्वपूर्ण वृद्धिशील भिन्नतालाई व्याख्या गर्दछ। सिद्धान्त र अभ्यासका लागि प्रभावहरू छलफल गरिएका छन्। |
8de1c724a42d204c0050fe4c4b4e81a675d7f57c | विगत पाँच वर्षमा अनुहार पहिचानले ठूलो फड्को मारेको छ, जसमा नयाँ प्रविधिहरू प्रस्ताव गर्ने असंख्य प्रणालीहरू छन् जुन गहिरो कन्भोल्युसनल न्यूरल नेटवर्क (डीसीएनएन) द्वारा समर्थित छ। यद्यपि अनुहार पहिचान प्रदर्शन आकाशमा रकेट भयो क्लासिक डाटासेटमा गहिरो शिक्षा प्रयोग गरेर जस्तै LFW, यो प्रविधि मानव प्रदर्शनमा पुगेको विश्वासको लागि नेतृत्व गर्दै, यो अझै पनि खुला समस्या हो। खुला वातावरणमा नयाँ जारी गरिएको IJB डाटासेटले देखाए अनुसार। यस सर्वेक्षणको उद्देश्य गहिरो अनुहार पहिचानमा मुख्य प्रगतिहरूको सारांश र, सामान्यतया, प्रमाणीकरण र पहिचानको लागि अनुहार प्रतिनिधित्वहरू सिक्नेमा हो। सर्वेक्षणले विगत पाँच वर्षमा शीर्ष कम्प्युटर भिजन स्थलहरूमा देखा परेका प्रमुख, अत्याधुनिक (एसओटीए) अनुहार पहिचान प्रविधिहरूको स्पष्ट, संरचित प्रस्तुतीकरण प्रदान गर्दछ। सर्वेक्षणलाई धेरै भागमा विभाजित गरिएको छ जुन एक मानक अनुहार पहिचान पाइपलाइनको अनुसरण गर्दछः (a) SOTA प्रणालीहरू कसरी प्रशिक्षित छन् र कुन सार्वजनिक डाटा सेटहरू उनीहरूले प्रयोग गरेका छन्; (b) अनुहार पूर्व-प्रसंस्करण भाग (खोज, पign्क्तिबद्धता, आदि) । (घ) अनुहार पहिचानको लागि प्रमाणिकरण र पहिचान। सोटाको सर्वेक्षणको निष्कर्षमा सोटाको नतिजाको एक झलक र केही खुला मुद्दाहरू समाविष्ट छन् जुन समुदायले अहिले बेवास्ता गरेका छन्। |
289bdc364e2b8b03d0e52609dc6665a5f9d056c4 | हामी अमूर्त अर्थ प्रतिनिधित्व (एएमआर) ग्राफबाट अंग्रेजी वाक्यहरू उत्पन्न गर्नका लागि एक विधि प्रस्तुत गर्दछौं, एएमआर र अंग्रेजी वाक्यहरूको समानान्तर निकायको शोषण गर्दै। हामी एएमआर-देखि-अंग्रेजी पुस्तालाई वाक्यांश-आधारित मेशिन अनुवाद (पीबीएमटी) को रूपमा व्यवहार गर्छौं। हामी एउटा विधि प्रस्तुत गर्छौं जसले एएमआर ग्राफको टोकनलाई अंग्रेजी जस्तै क्रममा लाइनियरिज गर्न सिक्छ। हाम्रो रैखिकरणले पीबीएमटीमा विकृतिको मात्रा घटाउँछ र उत्पादन गुणस्तर बढाउँछ। हामी ब्लुको २६.८ को स्कोरको रिपोर्ट गर्छौं एएमआर/अङ्ग्रेजी परीक्षणको मानक सेटमा। |
0955315509ac15bb4f825dbcd1e51423c3781ce4 | हामी काठको ढेर छविहरू समावेश भएको डाटाबेस प्रस्तुत गर्दछौं, जुन काठको ढेर पत्ता लगाउने र सर्वेक्षण एल्गोरिदमको प्रदर्शनको मूल्या to्कन गर्न बेन्चमार्कको रूपमा प्रयोग गर्न सकिन्छ। हामी डाटाबेसका ६ वटा वर्गहरू छुट्याउँछौं जुन विभिन्न प्रकारका एल्गोरिदमका लागि प्रयोग गर्न सकिन्छ। वास्तविक र कृत्रिम दृश्यहरूको छविहरू प्रदान गरिएको छ, जुन 7655 छविहरू 354 डाटा सेटहरूमा विभाजित हुन्छन्। श्रेणी अनुसार डाटा सेटमा या त ग्राउन्ड ट्रुथ डाटा वा वन विशेष मापन समावेश हुन्छ जससँग एल्गोरिदमको तुलना गर्न सकिन्छ। |
bbf70ffe55676b34c43b585e480e8343943aa328 | आगामी पुस्ताको ५जी नेटवर्कको सन्दर्भमा, उपग्रह उद्योगले उपग्रह संचारको भूमिकालाई पुनः अवलोकन र पुनर्गठन गर्न स्पष्ट रूपमा प्रतिबद्ध छ। (पृथ्वीमा आधारित) फिक्स्ड र मोबाइल नेटवर्कको विकासका प्रमुख चालकका रूपमा सफ्टवेयर डिफाइन्ड नेटवर्किङ (एसडीएन) र नेटवर्क फंक्शन भर्चुअलाइजेशन (एनएफभी) प्रविधिहरू पनि उपग्रह र स्थलीय खण्डहरूको सुधारिएको र अधिक लचिलो एकीकरणको लागि केन्द्रीय प्रविधि सक्षमकर्ताको रूपमा स्थित छन्, उपग्रह नेटवर्क थप सेवा नवीनता र उन्नत नेटवर्क संसाधन व्यवस्थापन प्रविधिहरूको माध्यमबाट व्यापारको चपलता प्रदान गर्दै। यस लेखमा परिदृश्य र प्रयोगका घटनाहरूको विश्लेषण गरी एसडीएन/एनएफवी प्रविधिले उपग्रह संचारमा ५जीको लागि ल्याउन सक्ने फाइदाहरूको वर्णन गरिएको छ। भूउपग्रह खण्डमा एसडीएन/एनएफवी प्रविधिहरू प्रयोग गरेर विभिन्न सुधारका क्षेत्रहरू पहिचान गर्न तीनवटा परिदृश्य प्रस्तुत र विश्लेषण गरिएको छ। प्रत्येक परिदृश्य भित्र, विशिष्ट क्षमताहरु मा थप अन्तरदृष्टि प्राप्त गर्न र तिनीहरु बाट उत्पन्न प्राविधिक चुनौतीहरु पहिचान गर्न को लागी प्रयोग को एक संख्या को विकास गरीन्छ। |
1e42647ecb5c88266361c2e6ef785eeadf8dc9c3 | |
8d701bc4b2853739de4e752d879296608119a65c | वितरित डाटाबेस व्यवस्थापन प्रणालीमा आधार सम्बन्धहरूको टुक्राटुक्राले समवर्तीताको स्तर बढाउँछ र यसैले क्वेरी प्रशोधनको लागि प्रणाली थ्रूपुट। सम्बन्ध, वस्तु-उन्मुख र निष्कर्षमा आधारित डाटाबेसहरूमा सम्बन्धहरूको क्षैतिज र ठाडो टुक्रा टुक्राको लागि एल्गोरिदमहरू अवस्थित छन्; तथापि, हाइब्रिड टुक्रा टुक्रा प्रविधिहरू प्रयोगकर्ता क्वेरीहरूमा देखा पर्ने चर बाध्यताहरूमा आधारित छन् र क्वेरी-पहुँच-नियम निर्भरता निष्कर्षमा आधारित डाटाबेस प्रणालीहरूको लागि अभाव छ। यस लेखमा, हामी वितरित अनुमानित डाटाबेस प्रणालीहरूको लागि हाइब्रिड विखंडन दृष्टिकोण प्रस्ताव गर्दछौं। हाम्रो दृष्टिकोणले पहिले प्रयोगकर्ता क्वेरीहरूमा लगाइएको बाध्यता अनुसार आधार सम्बन्धहरूको तेर्सो विभाजनलाई विचार गर्दछ, र त्यसपछि क्षैतिज रूपमा विभाजन गरिएको सम्बन्ध र क्लस्टर नियमहरूको ठाडो टुक्रा उत्पन्न गर्दछ विशेषताहरूको आत्मीयता र क्वेरी र नियमहरूको पहुँच आवृत्ति प्रयोग गरेर। प्रस्तावित टुक्रा टुक्रा प्रविधिले वितरित अनुमानित डेटाबेस प्रणालीको डिजाइनलाई सजिलो बनाउँछ। |
1678a55524be096519b3ea71c9680ba8041a761e | मिश्रणको घनत्व निर्धारण गर्ने मापदण्डहरूको अनुमान गर्ने समस्या लगभग नब्बे वर्षको अवधिमा साहित्यको ठूलो, विविध निकायको विषय भएको छ। विगत दुई दशकमा, उच्च गतिको इलेक्ट्रोनिक कम्प्युटरहरूको आगमनको लागि धन्यवाद, अधिकतम सम्भावनाको विधि यस समस्याको लागि सबैभन्दा व्यापक रूपमा अनुसरण गरिएको दृष्टिकोण भएको छ। यहाँ, हामी पहिले यस समस्यामा निर्देशित साहित्यको संक्षिप्त सर्वेक्षण प्रस्ताव गर्दछौं र यसको लागि अधिकतम सम्भावना अनुमानको समीक्षा गर्दछौं। हामी त्यसपछि अन्तिम चासोको विषयलाई बदल्छौं, जुन मिश्रण घनत्व समस्याहरूको लागि अधिकतम सम्भावना अनुमानहरूको संख्यात्मक रूपमा अनुमानित गर्नको लागि विशेष पुनरावर्ती प्रक्रिया हो। यो प्रक्रिया, जसलाई ईएम एल्गोरिथ्म भनिन्छ, मिश्रण घनत्व सन्दर्भमा एक सामान्य एल्गोरिथ्मको एक विशिष्टता हो जुन अपूर्ण डाटा समस्याहरूको लागि अधिकतम सम्भावना अनुमान अनुमान गर्न प्रयोग गरिन्छ। हामी मिश्रण घनत्वका लागि ईएम एल्गोरिथ्मको सूत्र र सैद्धान्तिक र व्यावहारिक गुणहरूको बारेमा छलफल गर्छौं, विशेष गरी घातांक परिवारबाट घनत्वको मिश्रणमा केन्द्रित। |
ca5766b91da4903ad6f6d40a5b31a3ead1f7f6de | हामी छवि अपस्केलिङको समस्यालाई निम्न र उच्च रिजोल्युसनका उदाहरणहरूको शब्दकोशमा आधारित एकल छवि सुपर-रिजोल्युसनको रूपमा सम्बोधन गर्दछौं। हालै प्रस्तावित दुई विधिहरू, एङ्करिड नेबरहुड रिग्रेसन (एएनआर) र सिम्पल फंक्सन (एसएफ) ले अत्याधुनिक गुणस्तरको प्रदर्शन प्रदान गर्दछ। यसबाहेक, एएनआर सबैभन्दा छिटो ज्ञात सुपर-रिजोल्युसन विधिहरू मध्ये एक हो। एएनआरले विरल शब्दकोशहरू र शब्दकोश एटमहरूमा अङ्कित प्रतिगमनहरू सिक्छ। एसएफ क्लस्टर र सम्बन्धित सिकेका कार्यहरूमा निर्भर गर्दछ। हामी ए+ प्रस्ताव गर्छौं, एएनआरको सुधारिएको संस्करण, जसले एएनआर र एसएफको उत्कृष्ट गुणहरू संयोजन गर्दछ। ए+ एएनआरबाट सुविधाहरू र एङ्कर गरिएको रिग्रेसरहरूमा निर्माण गर्दछ तर शब्दकोशमा रिग्रेसरहरू सिक्नुको सट्टा यसले पूर्ण प्रशिक्षण सामग्री प्रयोग गर्दछ, एसएफ जस्तै। हामी हाम्रो विधिलाई मानक छविहरूमा प्रमाणित गर्छौं र अत्याधुनिक विधिहरूसँग तुलना गर्छौं। हामी सुधारिएको गुणस्तर (अर्थात् एएनआर भन्दा ०.२-०.७ डीबी पीएसएनआर) र उत्कृष्ट समय जटिलता, ए + लाई अहिलेसम्मको सबैभन्दा कुशल शब्दकोश-आधारित सुपर-रिजोलुसन विधि बनाउँदै। |
240cc2dbe027400957ed1f8cf8fb092a533c406e | नेटवर्कमा जडान भएका कम्प्युटरहरूको संख्या बढ्दै जाँदा, नेटवर्क सुरक्षित राख्नका लागि घुसपैठ पत्ता लगाउने एउटा महत्त्वपूर्ण तत्व हो। तथापि, दुरुपयोग पत्ता लगाउने प्रणालीको निर्माण र मर्मतसम्भार धेरै श्रम-गहन छ किनकि आक्रमण परिदृश्य र ढाँचाहरूको विश्लेषण र वर्गीकरण गर्न आवश्यक छ, र सम्बन्धित नियम र ढाँचाहरू सावधानीपूर्वक हात-कोड गर्न आवश्यक छ। यस प्रकार, डाटा माइनिङको प्रयोग यस असुविधालाई कम गर्नका लागि गर्न सकिन्छ। यस कागजातले बहु-स्तर हाइब्रिड वर्गीकरणकर्ता, एक घुसपैठ पत्ता लगाउने प्रणाली प्रस्ताव गर्दछ जसले घुसपैठ पत्ता लगाउन रूख वर्गीकरणकर्ता र क्लस्टरिंग एल्गोरिदमको संयोजन प्रयोग गर्दछ। यो नयाँ एल्गोरिथ्मको प्रदर्शनलाई अन्य लोकप्रिय दृष्टिकोणहरू जस्तै MADAM आईडी र 3-स्तर रूख वर्गीकरणकर्ताहरूसँग तुलना गरिएको छ, र उच्च घुसपैठ पत्ता लगाउने दर र उचित रूपमा कम गलत अलार्म दर दुवैको दृष्टिकोणबाट महत्त्वपूर्ण सुधार हासिल गरिएको छ। |
6c49508db853e9b167b6d894518c034076993953 | सामुदायिक संरचनाहरू धेरै सामाजिक, जैविक, र प्राविधिक सञ्जालहरूको महत्त्वपूर्ण विशेषता हो। यहाँ हामी गिरभान र न्यूम्यानले प्रस्ताव गरेको समुदायको पहिचान गर्ने विधिमा भिन्नता अध्ययन गर्छौं र समुदायको सीमा परिभाषित गर्न केन्द्रीयता मापनको प्रयोग गर्ने विचारमा आधारित छ [एम. गिरभान र एम.ई.जे. न्यूम्यान, प्रो. नाट्य अकादमिक विज्ञान। युएसए ९९, ७८२१ (२००२) । हामी पदानुक्रमित क्लस्टरिङको एउटा एल्गोरिथ्म विकास गर्छौं जुन सूचनाको उच्चतम केन्द्रियता भएको किनाराको खोजी र हटाउनेमा आधारित हुन्छ। हामीले कम्प्युटरमा उत्पन्न र वास्तविक संसारका नेटवर्कहरूमा एल्गोरिथ्मको परीक्षण गरेका छौं जसको समुदाय संरचना पहिले नै ज्ञात छ वा अन्य विधिहरूको माध्यमबाट अध्ययन गरिएको छ। हामी देखाउँछौं कि हाम्रो एल्गोरिथ्म, यद्यपि यो समय O ((n4) मा पूरा गर्न चल्छ, विशेष गरी जब समुदायहरू धेरै मिश्रित हुन्छन् र अन्य विधिहरू द्वारा पत्ता लगाउन गाह्रो हुन्छ। |
7e9bfb62ba48bbd8d9c13ef1dc7b93fcc58efea8 | यस लेखमा ग्लोबल नेभिगेसन स्याटेलाइट सिस्टम (जीएनएसएस) को लागि माइक्रो-स्ट्रिप सर्कुलर ध्रुवीकृत एन्टेनाको डिजाइन प्रस्तुत गरिएको छ। प्रस्तुत उपकरणमा रोजर्स आरओ३००६ सब्सट्रेटमा छापिएको माइक्रो-स्ट्रिप स्लोटेड प्याच एन्टेना, २ मिलिमिटर मोटो फोम लेयर र एक वाइडब्यान्ड वाणिज्यिक ३ डीबी एसएमटी कपलर समावेश छ। युग्मनको मापन गरिएको एस-पारामिटरहरूको साथ संयुक्त पूर्ण तरंग एन्टेना परिणामहरूले ठूलो ब्यान्डविड्थमा एन्टेना मिलान र अक्षीय अनुपातको सर्तमा धेरै राम्रो प्रदर्शन देखाउँदछ। |
64b3435826a94ddd269b330e6254579f3244f214 | |
ba6419a7a4404174ba95a53858632617c47cfff0 | |
6143217ceebc10506fd5a8073434cd6f83cf9a33 | नमूना जटिलता र सुरक्षा वास्तविक संसारका कार्यहरूको लागि सुदृढीकरण शिक्षाको साथ नीतिहरू सिक्ने क्रममा प्रमुख चुनौतीहरू हुन् - विशेष गरी जब नीतिहरू गहिरो न्यूरोनल नेटवर्कहरू जस्ता रिच फंक्शन एप्रोच्युटेटरहरू प्रयोग गरेर प्रतिनिधित्व गरिन्छ। मोडेलमा आधारित विधिहरू जहाँ वास्तविक-विश्व लक्ष्य डोमेन एक सिमुलेटेड स्रोत डोमेन प्रयोग गरेर अनुमानित छ वास्तविक डाटा सिमुलेटेड डाटा संग बढाएर माथिको चुनौतीहरूको सामना गर्न एक बाटो प्रदान गर्दछ। तर, सिमुलेटेड स्रोत डोमेन र लक्ष्य डोमेनबीचको भिन्नताले सिमुलेटेड प्रशिक्षणका लागि चुनौती खडा गर्छ। हामी ईपीओप्ट एल्गोरिथ्म प्रस्तुत गर्दछौं, जसले सिमुलेटेड स्रोत डोमेनहरूको एक समूह र विरोधाभासी प्रशिक्षणको एक रूप प्रयोग गर्दछ नीतिहरू सिक्नको लागि जुन बलियो छ र सम्भावित लक्षित डोमेनहरूको विस्तृत श्रृंखलामा सामान्यीकरण गर्दछ, अनमोडेल प्रभावहरू सहित। यसबाहेक, सम्मिलित स्रोत डोमेनहरूमा सम्भावना वितरण लक्षित डोमेन र अनुमानित बेइजियन विधिहरूबाट डाटा प्रयोग गरेर अनुकूलित गर्न सकिन्छ, यसलाई क्रमिक रूपमा राम्रो अनुमान बनाउन। यस प्रकार, मोडेल एसेम्बलमा सिक्ने, स्रोत डोमेन अनुकूलनको साथ, दुबै बलियो र सिक्ने / अनुकूलनको फाइदा प्रदान गर्दछ। |
2fb5c1fdfdf999631a30c09a3602956c9de084db | सामाजिक सञ्जालमा केन्द्रीयता मापन गर्न, विशेष गरी द्विपक्षीय मोडमा, धेरै चुनौतीहरू छन्, उदाहरणका लागि, नेटवर्क टोपोलोजीको पूर्ण ज्ञानको आवश्यकता, र शीर्ष-के व्यवहार प्रतिनिधि प्रयोगकर्ताहरूको उचित रूपमा पत्ता लगाउने अभाव। माथि उल्लेखित चुनौतीहरूलाई पार गर्न, हामी हेलरेन्क प्रस्ताव गर्दछौं, जुन द्विपक्षीय सामाजिक सञ्जालहरूमा केन्द्रीय नोडहरू पहिचान गर्नका लागि एक सही केन्द्रीयता मापन हो। हेल्र्यांक दुई पक्षीय नेटवर्कको एउटै पक्षमा दुई नोडहरू बीचको हेलिinger्गर दूरीमा आधारित छ। हामी सैद्धान्तिक रूपमा यो दूरीको प्रभावलाई विश्लेषण गर्छौं द्विपक्षीय नेटवर्कमा र यसको लागि माथिल्लो र तल्लो सीमाहरू फेला पार्दछौं। हेल्र्यांक केन्द्रियता मापनको गणना वितरण गर्न सकिन्छ, प्रत्येक नोडलाई यसको तत्काल छिमेकीहरूमा मात्र स्थानीय जानकारी प्रयोग गर्न दिएर। यसकारण, नेटवर्कको टोपोलोजिकल संरचनाको पूर्ण ज्ञान भएको केन्द्रीय संस्थाको आवश्यकता पर्दैन। हामी प्रयोगात्मक रूपमा हेल्र्यांक मापनको प्रदर्शनको मूल्यांकन गर्दछौं वास्तविक-विश्व नेटवर्कहरूमा अन्य केन्द्रियता मापनसँगको सम्बन्धमा। परिणामहरूले हेल्र्यांक र अन्य परम्परागत मेट्रिक्स बीच केन्डल र स्पीर्मन रैंक सहसंबंध गुणांक अनुसार आंशिक रैंकिंग समानता देखाउँदछ। |
af1745e54e256351f55da4a4a4bf61f594e7e3a7 | [पृष्ठ २-मा भएको चित्र] चालका ६ निर्धारकहरू चालका गतिजन्य विशेषताहरू हुन् जुन शरीरको केन्द्रको द्रव्यमान (सीओएम) को ठाडो विस्थापन घटाएर गतिशीलताको ऊर्जा लागतलाई कम गर्न प्रस्ताव गरिएको हो। उल्टो पेंडुलम समानताले प्रस्ताव गर्दछ कि यो पोष्ट लेगको लागि पेंडुलमको रूपमा व्यवहार गर्न लाभदायक छ, सीओएमको लागि तेर्सो मार्गको सट्टा अधिक गोलाकार आर्कको लागि निर्धारित गर्दछ। हालसालैका साहित्यहरूले छवटा निर्धारक सिद्धान्तको बिरूद्ध प्रमाण प्रस्तुत गर्दछन्, र एक साधारण गणितीय विश्लेषणले देखाउँदछ कि समतल COM प्रक्षेपवक्रले वास्तवमा मांसपेशी कार्य र बल आवश्यकताहरू बढाउँदछ। यस्तै प्रकारको विश्लेषणले उल्टो पेंडुलमले राम्रो काम गर्छ भन्ने देखाउँछ तर विडम्बनाको कुरा के छ भने यसले कुनै काम वा बलको आवश्यकताको भविष्यवाणी गर्दैन। यो विरोधाभासलाई गतिशील हिँड्ने दृष्टिकोणको माध्यमबाट समाधान गर्न सकिन्छ, जसले आवधिक चाललाई जनाउँछ जुन लगभग पूर्ण रूपमा खुट्टाको गतिशीलताले उत्पादन गर्दछ। प्रदर्शनमा निष्क्रिय गतिशील हिँड्ने मेसिनहरू छन् जुन एक कोमल ढलानमा तल झर्दछन्, र सक्रिय गतिशील हिँड्ने रोबोटहरू जुन समतल जमिनमा हिंड्छन्। गतिशील हिड्नेले उल्टो पेंडुलम मेकानिक्सको फाइदा लिन्छ, तर एक पेंडुलम पोजिशनको खुट्टाबाट अर्कोमा संक्रमण गर्न मेकानिकल कामको आवश्यकता पर्दछ। हामी कसरी कदम-देखि-चरण संक्रमण उल्टो पेंडुलम पैदल को एक अपरिहार्य ऊर्जावान परिणाम हो देखाउँछौं, र भविष्यवाणीहरू जन्म दिन्छ जुन मानिस र मेशिनहरूमा प्रयोगात्मक रूपमा परीक्षण गर्न योग्य छ। गतिशील पैदल दृष्टिकोणले नयाँ परिप्रेक्ष्य प्रदान गर्दछ, गतिशीलता वा पैदलको बल भन्दा मेकानिकल काममा ध्यान केन्द्रित गर्दै। यो मानव चालका विशेषताहरूलाई व्याख्यात्मक भन्दा पनि रचनात्मक तरिकाले व्याख्या गर्न उपयोगी छ। |
8bc68ff091ee873c797b8b2979139b024527cb59 | दुरुपयोग पत्ता लगाउने भनेको नेटवर्क आक्रमणको घटनाहरू पहिचान गर्ने प्रयास गर्ने प्रक्रिया हो जुन एक घुसपैठिको अपेक्षित कार्यहरूको बिरूद्ध हालको गतिविधि तुलना गरेर हो। दुरुपयोग पत्ता लगाउने सबैभन्दा हालको दृष्टिकोणमा ज्ञात आक्रमणहरूको संकेतहरू पहिचान गर्न नियममा आधारित विशेषज्ञ प्रणालीहरूको प्रयोग समावेश छ। तर, यी प्रविधिहरू अपेक्षित ढाँचाबाट भिन्न हुने आक्रमणहरू पहिचान गर्नमा कम सफल हुन्छन्। कृत्रिम तंत्रिका सञ्जालले सीमित, अपूर्ण र गैर-रेखीय डेटा स्रोतहरूमा आधारित सञ्जाल गतिविधि पहिचान र वर्गीकरण गर्ने क्षमता प्रदान गर्दछ। हामी दुरुपयोग पत्ता लगाउने प्रक्रियाको दृष्टिकोण प्रस्तुत गर्दछौं जसले न्यूरल नेटवर्कको विश्लेषणात्मक शक्ति प्रयोग गर्दछ, र हामी यस दृष्टिकोणको हाम्रो प्रारम्भिक विश्लेषणबाट परिणामहरू प्रदान गर्दछौं। |
4d58f886f5150b2d5e48fd1b5a49e09799bf895d | हामी टेक्सास थ्रीडी फेस रिकग्निशन डाटाबेसलाई तीन आयामी (थ्रीडी) फेस रिकग्निशन र अन्य सम्बन्धित क्षेत्रमा अनुसन्धानकर्ताहरूको लागि उपलब्ध गराउँछौं। यो डेटाबेसमा ११४९ जोडी उच्च रिजोल्युसन, सामान्यीकृत, पूर्व-प्रक्रिया, र पूर्ण रूपले पङ्क्तिबद्ध रंग र दायरा छविहरू छन् ११८ वयस्क मानव विषयहरू स्टेरियो क्यामेरा प्रयोग गरेर प्राप्त गरियो। यी तस्बिरहरूसँग व्यक्तिहरूको लिंग, जातीयता, अनुहारको भाव, र २५ वटा म्यानुअली पत्ता लगाइएका अनुहारका ट्रुडियल पोइन्टहरूको स्थानको बारेमा जानकारी छ। थ्रीडी अनुहार पहिचान एल्गोरिदमको विकास र मूल्याङ्कनका लागि डाटाको विशिष्ट विभाजनहरू पनि समावेश गरिएको छ। |
5f6b7fca82ff3947f6cc571073c18c687eaedd0d | ठूलो डाटाको व्यवस्थापन र विश्लेषण व्यवस्थित रूपमा ह्याडअप र अब स्पार्क फ्रेमवर्कमा डाटा वितरित आर्किटेक्चरसँग सम्बन्धित छ। यस लेखले तथ्याङ्ककारहरूलाई यी प्रविधिहरूको परिचय प्रदान गर्दछ, तीन सन्दर्भ वातावरणको प्रत्यक्ष प्रयोगबाट प्राप्त प्रदर्शनको तुलना गरेरः R, Python Scikit-learn, Université de Toulouse - INSA, Institut de Mathématiques, UMR CNRS 5219 †Institut de Mathématiques, UMR CNRS 5219 ‡Université de Toulouse - UT3, Institut de Mathématiques, UMR CNRS 5219 1 ar X iv:1 60 9. 09 61 9v 1 [ st at .A P] 3 0 Se p 20 16 स्पार्क एमएलआईबी तीन सार्वजनिक उपयोगका घटनाहरूमाः चरित्र पहिचान, चलचित्र सिफारिस गर्ने, उत्पादनहरूको वर्गीकरण गर्ने। यसको मुख्य परिणाम यो देखिन्छ कि यदि स्पार्क डाटा मनिग र सिफारिशको लागि सहयोगी फिल्टरिंग (नकारात्मक कारक) द्वारा धेरै कुशल छ भने, एमएललिब वा स्पार्कएमएलमा परम्परागत सिकाउने विधिहरू (लजिस्टिक रिग्रेसन, अनियमित वन) को हालको कार्यान्वयनले यी विधिहरूको सामान्य प्रयोगको साथ प्रतिस्पर्धा गर्दैन (आर, पाइथन स्किकिट-लर्न) एकीकृत वा गैर-वितरित वास्तुकलामा। |
ee61d5dbb2ff64995f1aeb81d94c0b55d562b4c9 | |
9b9bac085208271dfd33fd333dcb76dcde8332b8 | |
7f270d66e0e82040b82dfcef6ad90a1e78e13f04 | डेविस [१२] द्वारा प्रस्तुत गरिएको अनुमानित उपयोगिता र अनुमानित सहजताका लागि मापन स्केलहरू उदीयमान सूचना प्रविधिहरूको प्रयोगकर्ता स्वीकृति पूर्वानुमान गर्न व्यापक रूपमा प्रयोग गरिएको छ। वस्तुहरूको समूहले विश्वसनीयता र वैधता मापनको कृत्रिम मुद्रास्फीति गरायो कि भनेर जाँच्नको लागि एउटा प्रयोग गरिएको थियो। हामीले हाम्रो परिकल्पनाको समर्थन पाएका छौं कि विश्वसनीयता र वैधता वस्तु समूहबाट होइन तर वस्तुको स्पष्ट परिभाषाबाट उत्पन्न हुन्छ जुन अनुभूति गरिएको उपयोगिता र प्रयोगको सहजताको निर्माण हो, र प्रयोग गरिएका वस्तुहरूले यी प्रत्येक अवधारणालाई स्पष्ट रूपमा कब्जा गरेर अवधारणाको सारलाई मापन गर्दछन्। |
6373298f14c7472dbdecc3d77439853e39ec216f | असममित आधा-ब्रिज (एएचबी) फ्लाईब्याक कन्भर्टर उच्च स्विचिंग फ्रिक्वेन्सीहरूमा अपरेशनको लागि एक आकर्षक टोपोलोजी हो किनकि यसले प्राथमिक-साइड स्विचहरूको शून्य-भोल्टेज स्विचिंग र माध्यमिक-साइड रेक्टिफायरको शून्य-वर्तमान स्विचिंगको साथ काम गर्न सक्दछ। यस कागजातमा, सार्वभौमिक-लाइन-भोल्टेज-दायरा अनुप्रयोगहरूको लागि एएचबी फ्लाईब्याक कन्भर्टरको विस्तृत विश्लेषण र डिजाइन प्रक्रिया प्रस्तुत गरिएको छ। एएचबी फ्लाईब्याक कन्भर्टरको कार्यक्षमताको मूल्यांकन सिम्पलिसमा प्राप्त सिमुलेसन तरंग आकारमा आधारित हानि विश्लेषणद्वारा गरिन्छ र प्रयोगात्मक रूपमा ६५-डब्ल्यू (१९.५-भल्ट, ३.३३-ए) युनिभर्सल लाइन-भोल्टेज-रेंज एडाप्टरको प्रयोगशाला प्रोटोटाइपमा प्रमाणित गरिन्छ। |
587f6b97f6c75d7bfaf2c04be8d9b4ad28ee1b0a | स्क्यान मुख्य-स्मृति स्तम्भ भण्डारहरूमा एक महत्त्वपूर्ण कार्य हो। यसले एउटा स्तम्भ स्क्यान गर्छ र परिणाम बिट भेक्टर फर्काउँछ जसले फिल्टर प्रेडिक्याटलाई कुन रेकर्डले पूरा गर्छ भन्ने संकेत गर्छ। बाइटस्लाईस एक इन-मेमोरी डाटा लेआउट हो जसले डाटालाई बहु बाइटमा काट्छ र उच्च-अर्डर बाइट तुलना गरेर प्रारम्भिक स्टप क्षमताको शोषण गर्दछ। स्तम्भ चौडाइ सामान्यतया बाइटको गुणक हुँदैन, बाइटस्लाईसको अन्तिम बाइट ० को साथ प्याड गरिएको छ, मेमोरी ब्यान्डविथ र कम्प्युटि power पावर बर्बाद गर्दै। संसाधनहरूको पूर्ण लाभ उठाउन, हामी खाली बिटहरूमा माध्यमिक सूचकांक बुन्न प्रस्ताव गर्दछौं (जस्तै, बिटहरू मूल रूपमा ० को साथ प्याड गरिएको), हाम्रो नयाँ लेआउट कोन्डेड DIFusion (डाटा इन्डेक्स फ्यूजन) गठन गर्दै। DIFusion ले स्किप-स्क्यान सक्षम गर्दछ, नयाँ द्रुत स्क्यान जसले बाइटस्लाईसबाट प्रारम्भिक रोक्ने क्षमता पाउँदछ र एकै समयमा शून्य स्थान ओभरहेडको साथ अनुक्रमणिकाको डाटा-स्किपिंग क्षमताको स्वामित्व राख्दछ। अनुभविक परिणामहरूले देखाउँछ कि DIFusion मा स्किप-स्क्यानले बाइटस्लाईसमा स्क्यानलाई पार गर्छ। |
0e9741bc1e0c80520a8181970cd4f61caa00055a | चार आधारभूत एल्गोरिदमहरू वितरित साझा मेमोरी लागू गर्न तुलना गरिन्छ। अवधारणागत रूपमा, यी एल्गोरिदमहरूले स्थानीय क्षेत्र नेटवर्कद्वारा जडित बहु होस्टहरूलाई स्प्यान गर्न स्थानीय भर्चुअल ठेगाना स्पेस विस्तार गर्दछ, र ती मध्ये केही सजिलैसँग होस्टहरूको भर्चुअल मेमोरी प्रणालीसँग एकीकृत गर्न सकिन्छ। वितरित साझा मेमोरीको गुण र वातावरणको सम्बन्धमा गरिएका धारणाहरू जुन साझा मेमोरी एल्गोरिदमहरू कार्यान्वयन गरिन्छ वर्णन गरिएको छ। त्यसपछि एल्गोरिदमहरू वर्णन गरिएको छ, र अनुप्रयोग-स्तर पहुँच व्यवहारको सम्बन्धमा तिनीहरूको प्रदर्शनको तुलनात्मक विश्लेषण प्रस्तुत गरिएको छ। यो देखाइएको छ कि एल्गोरिथ्मको सही छनौट धेरै हदसम्म अनुप्रयोगहरूको मेमोरी पहुँच व्यवहार द्वारा निर्धारित गरिन्छ। आधारभूत एल्गोरिदमका दुई विशेष रोचक विस्तारहरू वर्णन गरिएको छ, र वितरित साझा मेमोरीका केही सीमितताहरू उल्लेख गरिएको छ। |
95a6d057b441396420ee46eca84dea47e4bf11e7 | विज्ञहरूको मूल्यांकन र प्रयोगकर्ता परीक्षणले आज प्रभावकारी प्रयोगयोग्य सुरक्षा उत्पादन गरिरहेको छ। सुरक्षित चरणबद्धता, प्रयोगमा असफलताका जोखिमहरूको सूची, एकीकृत सुरक्षा, पारदर्शी सुरक्षा र विश्वसनीय अधिकारीहरूमा निर्भरता जस्ता सिद्धान्तहरूले पनि सुधारिएको प्रणालीको आधार बनाउन सक्छ। सूचना सुरक्षा र आश्वासनमा प्रयोगकर्ता केन्द्रित सुरक्षालाई एउटा ठूलो चुनौतीको रूपमा पहिचान गरिएको छ। यो सुरक्षा र मानव/कम्प्युटर इन्टरफेस (एचसीआई) अनुसन्धान दुवैको एक स्थापित उप-क्षेत्र बन्नको लागि र उत्पादन विकास जीवन चक्रमा प्रभाव पार्ने कगारमा छ। सुरक्षा र एचसीआई दुवै प्रयोगकर्ताहरूसँगको अन्तरक्रियाको वास्तविकतामा निर्भर हुन्छन् जसले उनीहरूको कामको उपयोगिता र वैधता प्रमाणित गर्दछ। यी क्षेत्रका अभ्यासकर्ता र अनुसन्धानकर्ताको रूपमा हामी यी दुवै क्षेत्रमा प्रयोग हुने आधारभूत उपकरणहरू दुवैमा प्रयोग गर्दा पनि प्रमुख समस्याहरूको सामना गरिरहेका हुन्छौं। यस निबन्धले सामाजिक, प्राविधिक र व्यावहारिक स्तरमा प्रणालीगत अवरोधहरूको बारेमा छलफल गर्दछ जुन प्रयोगकर्ता-केन्द्रित सुरक्षाले पर्याप्त सफलता प्राप्त गर्न पार गर्नुपर्दछ। |
610b86da495e69a27484287eac6e79285513884f | यस लेखमा माइक्रोस्ट्रिपबाट वेव गाइडमा नयाँ फ्ल्यान ब्रोडब्यान्ड ट्रान्जिशनको प्रस्ताव गरिएको छ। सर्किट भनेको कुनै पनि वस्तुको सर्किट हो। यो संक्रमणमा खुल्ला सर्किट भएको माइक्रोस्ट्रिप क्वार्टर वेभलन्थ रेजोनेटर र सर्ट सर्किट भएको वेभगाइडको माथिल्लो ब्रोडसाइड पर्खालमा रहेको रेजोनेन्ट यू आकारको स्लट हुन्छ । भौतिक विज्ञानमा आधारित बराबर सर्किट मोडेल पनि काम गर्ने संयन्त्रको व्याख्या गर्न र ईन्जिनियरिङ् डिजाइनको लागि एक मोटा मोडेल प्रदान गर्न विकसित गरिएको छ। ब्रोडब्यान्ड संक्रमणलाई दुई ध्रुवको रेजोनेटर फिल्टरको रूपमा हेर्न सकिन्छ। प्रत्येक युग्मन सर्किट लगभग अलग-अलग डिजाइन गर्न सकिन्छ केन्द्र आवृत्तिमा समूह-विलंब जानकारी प्रयोग गरेर। यसको ब्रोडब्यान्ड विशेषताको अतिरिक्त, संक्रमण आकारमा कम्प्याक्ट छ, बिना, र यो योजनाबद्ध सर्किटसँग अत्यधिक मिल्दो छ। यी राम्रो सुविधाहरूले प्रणाली आर्किटेक्चरको लागि नयाँ संक्रमणलाई धेरै आकर्षक बनाउँदछ जहाँ वेभगाइड उपकरणहरू बहु-स्तरित प्लानर सर्किटमा सतह माउन्ट गर्न आवश्यक हुन्छ। दुई डिजाइन उदाहरणहरू संक्रमणको उपयोगिता प्रदर्शन गर्न दिइएको छः एक एक ब्रॉडब्यान्ड रिजेड वेव गाइड ब्यान्डपास फिल्टर हो र अर्को एक सतह माउन्ट गर्न योग्य ब्रॉडब्यान्ड कम तापमान सह-उत्प्रेरित सिरेमिक लेमिनेटेड वेव गाइड गुहा फिल्टर हो। दुवै फिल्टरहरू माइक्रोस्ट्रिप लाइनहरूसँग इन्टरफेस गर्न प्रस्तावित संक्रमणसँग छन्, व्यावहारिक अनुप्रयोगहरूमा आशाजनक सम्भावनाहरू देखाउँदै। |
6514d7eeb27a47f8b75e157aca98b177c38de4e9 | |
56debe08d1f3f0a149ef18b86fc2c6be593bdc03 | संगठनहरूले सूचना प्रणालीहरूको सुरक्षा गर्न प्राविधिक र प्रक्रियागत उपायहरू विकास गर्छन्। प्राविधिक आधारमा सुरक्षा समाधानमा मात्र भर पर्नु पर्याप्त हुँदैन। संगठनहरूले सामाजिक, मानवीय र संगठनात्मक कारकहरूसँग प्राविधिक सुरक्षा समाधानहरू पनि विचार गर्नुपर्दछ। मानव तत्वले कर्मचारी (अन्तर्मुखी) लाई प्रतिनिधित्व गर्दछ जसले आफ्नो दिन-देखि-दिनको सञ्चालनमा सूचना प्रणाली र अन्य प्रविधि स्रोतहरू प्रयोग गर्दछ। सस्थागत सूचना प्रणालीको सुरक्षाका लागि आईएसपीको जागरुकता आवश्यक छ। यस अध्ययनले आईएसपी जागरूकताको पूर्ववर्ती र आईएसपी र सुरक्षा अभ्यासहरूसँग सन्तुष्टिमा यसको प्रभावको अध्ययन गर्न इनोभेसन डिफ्युजन थ्योरीलाई अनुकूलन गर्दछ। अनुसन्धान मोडेलको मूल्याङ्कन गर्न संयुक्त राज्य अमेरिकाका विश्वविद्यालयहरूमा २३६ जना कर्मचारीहरूको नमूना संकलन गरिन्छ। परिणामहरूले संकेत गरे कि आईएसपी गुणस्तर, आत्म-प्रभावकारिता, र टेक्नोलोजी सुरक्षा जागरूकताले आईएसपी जागरूकतामा महत्त्वपूर्ण प्रभाव पार्दछ। हालको अध्ययनले आईएसपी जागरूकताको पूर्ववर्तीहरू बुझ्न महत्त्वपूर्ण योगदान प्रस्तुत गर्दछ र सूचना सुरक्षा व्यवहारिक डोमेनमा सन्तुष्टि पक्ष समावेश गर्ने दिशामा एक सुरूवात बिन्दु प्रदान गर्दछ। |
7917b89d0780decf7201aad8db9ed3cb101b24d7 | घुसखोरी पत्ता लगाउने प्रक्रियाले आक्रमणको पहिचान गर्दछ। आईडीएसको मुख्य उद्देश्य सामान्य र आक्रामक गतिविधिहरूको पहिचान गर्नु हो। हालैका वर्षहरूमा धेरै अनुसन्धानकर्ताहरूले आईडीएस निर्माण गर्न डाटा खानी प्रविधिहरू प्रयोग गरिरहेका छन्। यहाँ हामी एक नयाँ दृष्टिकोण प्रस्ताव गर्दछौं जसमा एसवीएम र पार्टिकल स्वर्म अप्टिमाइजेसन जस्ता डाटा माइनिङ प्रविधिको प्रयोग गरी उच्च पत्ता लगाउने दर प्राप्त गर्न सकिन्छ। प्रस्तावित प्रविधिको मुख्य चरणहरू छन्: पूर्व-प्रक्रिया, पीएसओ प्रयोग गरेर प्रशिक्षण, विभिन्न प्रशिक्षण उपसमूहहरू उत्पन्न गर्न के-उपकरण प्रयोग गरेर क्लस्टरिंग। त्यसपछि पछिल्लो प्रशिक्षण उपसमूहको आधारमा एसवीएम वर्गीकरणको लागि भेक्टर गठन गरिन्छ र अन्तमा, पीएसओ प्रयोग गरेर वर्गीकरण गरिन्छ। यस लेखमा पहिले सर्वेक्षण गरिएका कार्यहरूको सारांश अध्ययन र कमजोरीहरूको पहिचान गरिएको छ। कुञ्जी शब्दहरू-घुसपैठ पत्ता लगाउने प्रणाली; न्यूरो-फजी; समर्थन भेक्टर मेसिन (एसवीएम); पीएसओ; के-मध्यम |
414b7477daa7838b6bbd7af659683a965691272c | भिडियो सारांशले स्थिर छविहरू, भिडियो खण्डहरू, ग्राफिकल प्रतिनिधित्वहरू र पाठ वर्णनकर्ताहरूको संयोजनको माध्यमबाट भिडियो स्ट्रिमको सामग्रीको संक्षिप्त र संक्षिप्त प्रतिनिधित्व प्रदान गर्दछ। यस लेखमा अनुसन्धान साहित्यबाट व्युत्पन्न भिडियो सारांशको लागि एक वैचारिक ढाँचा प्रस्तुत गरिएको छ र अनुसन्धान साहित्यको सर्वेक्षणको लागि एक साधनको रूपमा प्रयोग गरिएको छ। यस ढाँचाले भिडियो सारांशकरण प्रविधिहरू (स्रोत भिडियो स्ट्रिमबाट सामग्रीलाई त्यो स्ट्रिमको सारांश प्राप्त गर्नका लागि प्रयोग गरिने विधिहरू) र भिडियो सारांशहरू (भिडियो सारांशकरण प्रविधिहरूको आउटपुटहरू) बीच भिन्नता गर्दछ। भिडियो सारांश प्रविधिहरू तीन व्यापक श्रेणीहरूमा विचार गरिन्छः आन्तरिक (भिडियो स्ट्रिमबाट सीधा स्रोतको विश्लेषण जानकारी), बाह्य (भिडियो स्ट्रिमबाट सीधा स्रोतको विश्लेषण जानकारी) र हाइब्रिड (आन्तरिक र बाह्य जानकारीको संयोजनको विश्लेषण) । भिडियो सारांशहरू सामग्रीको प्रकारको आधारमा विचार गरिन्छ जुन तिनीहरूबाट व्युत्पन्न हुन्छन् (वस्तु, घटना, धारणा वा सुविधामा आधारित) र प्रयोगकर्तालाई उनीहरूको उपभोगको लागि प्रस्ताव गरिएको कार्यक्षमता (अन्तरक्रियात्मक वा स्थिर, व्यक्तिगत वा जेनेरिक) । यो तर्क गरिएको छ कि भिडियो सारांश बाह्य जानकारीको अधिक समावेशबाट लाभान्वित हुनेछ, विशेष गरी प्रयोगकर्ता आधारित जानकारी जुन अप्रत्याशित रूपमा स्रोत हो, लामो समयदेखि चुनौतीहरू जस्तै अर्थपूर्ण अन्तर र व्यक्तिगत प्रयोगकर्ताहरूको लागि अधिक सान्दर्भिक भिडियो सारांश प्रदान गर्ने जस्ता चुनौतीहरूलाई पार गर्न। २००७ एल्सभियर इंक. सबै अधिकार सुरक्षित। |
5fc6817421038f21d355af7cee4114155d134f69 | |
f4ec256be284ff40316f27fa3b07531f407ce9fe | यस अध्ययनले ६ ओटाभ ब्यान्डविथ र ६० डिग्री स्क्यान गर्ने नयाँ टाइट-कपल्ड डाइपोल एरे एन्टेनाको रिपोर्ट गरेको छ। पाना पानामा रेडिएटरको अवधारणा प्रयोग गरेर पूर्ण-लहर ईएम सिमुलेशनको माध्यमबाट डिजाइन गरिएको थियो जुन एक उपन्यास एकीकृत फिड नेटवर्क द्वारा उन्नत गरिएको थियो। ०.३-२० गीगाहर्जमा अनेकौं प्लानर र कन्फर्मल एरेको प्रोटोटाइप निर्माण र परीक्षण गरिएको छ र सबै पूर्वानुमानित र मापन गरिएको टर्मिनल र विकिरण सुविधाहरू बीच राम्रो सम्झौता अवलोकन गरिएको छ। उदाहरणका रूपमा प्रस्तुत गरिएको एरेहरू १.२-६ गीगाहर्जका लागि डिजाइन गरिएको छ र रेडिएटरको सापेक्षिक उचाइ अधिकतम सञ्चालन तरंगदैर्ध्यको ०.१२ हो। |
0be360a2964c4bb91aaad0cc6d1baa6639746028 | मानिसले कुनै दृश्यमा अनुहारलाई सजिलै चिन्न सक्छ । तर, यो कार्य पूरा गर्ने स्वचालित प्रणाली निर्माण गर्न निकै कठिन छ । त्यहाँ धेरै सम्बन्धित उप-समस्याहरू छन्: अनुहारको रूपमा ढाँचाको पहिचान। अनुहारको पहिचान, अनुहारको अभिव्यक्तिहरूको विश्लेषण, र अनुहारको शारीरिक विशेषताहरूमा आधारित वर्गीकरण। यी कार्यहरू गर्ने प्रणालीले धेरै अनुप्रयोगहरू फेला पार्नेछ, उदाहरणका लागि। आपराधिक पहिचान, सुरक्षित प्रणालीमा प्रमाणीकरण, आदि। हालसम्मको अधिकांश काम पहिचानमा भएको छ । यो लेखले यी समस्याहरूको समाधान गर्ने विगतका कार्यहरूको समीक्षा गर्दछ । यी समस्याहरूको सम्बन्धमा मानव दृश्य प्रणालीको क्षमताको बारेमा पनि छलफल गरिएको छ । यो स्वचालित प्रणालीको लागि मार्गदर्शकको रूपमा सेवा गर्ने उद्देश्यले हो । यी समस्याहरूको समाधान गर्ने केही नयाँ तरिकाहरू पनि संक्षिप्त रूपमा छलफल गरिएका छन् । अनुहार पहिचान अनुहारको अभिव्यक्ति वर्गीकरण अनुहारको विशेषता |
4d899ebf7a3004fe550842830f06b4600d9c6230 | यस कागजमा संकेत पत्ता लगाउने समस्या निम्नानुसार छ: मानौं एक पर्यवेक्षकलाई एक निर्धारित अवलोकन अन्तरालको समयमा समयको साथ भिन्न हुने भोल्टेज दिइन्छ र निर्णय गर्न सोधिन्छ कि यसको स्रोत हल्ला हो वा संकेत र हल्ला हो। कुन विधिले अवलोकनकर्ताले यो निर्णय गर्न प्रयोग गर्नुपर्छ, र कुन प्राप्तकर्ता त्यो विधिको एक प्राप्ति हो? यस समस्याको सैद्धान्तिक पक्षहरूको चर्चा दिएपछि, कागजले व्यावहारिक चासोको धेरै केसहरूको लागि इष्टतम रिसीभरको विशिष्ट व्युत्पन्न प्रस्तुत गर्दछ। रिसीभर जसको आउटपुट अवलोकन अन्तरालमा इनपुट भोल्टेजको सम्भावना अनुपातको मान हो दोस्रो प्रश्नको उत्तर हो कुनै फरक पर्दैन कि साहित्यमा हालका विभिन्न इष्टतम विधिहरू मध्ये कुन नेमन पियर्सन पर्यवेक्षक, सिगर्टको आदर्श पर्यवेक्षक, र वुडवर्ड र डेभिसको टिएलओब्जर्भर सहित कार्यरत छन्। प्रत्येक यस्तो अपरेटिङ लेभलसँग सम्बन्धित सशर्त सम्भावनाहरू छन् कि उत्तर गलत अलार्म हो र पत्ता लगाउने सशर्त सम्भावना। यी परिमाणहरूको ग्राफहरू, रिसीभर अपरेटिङ विशेषता भनिन्छ, वा आरओसी, वक्रहरू रिसीभरको मूल्यांकन गर्नका लागि सुविधाजनक छन्। यदि पहिचान समस्या परिवर्तन गरी परिवर्तन गरिएको छ, उदाहरणका लागि, संकेत शक्ति, त्यसपछि आरओसी वक्रहरूको परिवार उत्पन्न हुन्छ। यस्तो परिवारबाट सट्टेबाजीको वक्र जस्ता कुराहरू सजिलै प्राप्त गर्न सकिन्छ। विशेष अवस्थामा प्रयोग गरिने अपरेटिङ लेभल अवलोकनकर्ताले नै रोज्नुपर्छ । गलत अलार्मको दर, पूर्वनिर्धारित सम्भावनाहरू, र त्रुटिहरूको सापेक्ष महत्व जस्ता कारकहरूमा निर्भर रहनेछ। यी सैद्धान्तिक पक्षहरूको परिचयको रूपमा सेवा गर्दै, सम्भावना अनुपातको लागि स्पष्ट सूत्रहरूको व्युत्पन्न गर्न ध्यान दिइन्छ, र पत्ता लगाउने सम्भावना र झूटा अलार्मको सम्भावनाको लागि, विशेष केसहरूको संख्याको लागि। स्थिर, ब्यान्ड-सीमित, सेतो गॉसियन हल्ला मानिन्छ .. उनले प्रस्तुत गरेका सात विशेष घटनाहरू सिग्नल पत्ता लगाउने सबैभन्दा सरल समस्याहरूबाट छनौट गरिएका थिए जुन व्यावहारिक अवस्थाहरूको नजिकबाट प्रतिनिधित्व गर्दछ। यी दुई घटनाहरू संकेतको सुरु हुने समय, संकेतको आवृत्ति वा दुवै हुँदा पत्ता लगाउने सम्भावना पत्ता लगाउने महत्त्वपूर्ण समस्याको लागि सबैभन्दा राम्रो उपलब्ध अनुमानको आधार हो। यसबाहेक, यी दुई अवस्थामा संकेतमा अनिश्चितता फरक हुन सक्छ, र अनिश्चितता र संकेत पत्ता लगाउने क्षमता बीचको मात्रात्मक सम्बन्ध यी दुई सामान्य सामान्य अवस्थामा प्रस्तुत गरिएको छ। प्रस्तुत उदाहरणहरूको विविधताले अन्य सरल संकेत पत्ता लगाउने समस्याहरूलाई आक्रमण गर्ने विधिहरू सुझाव दिन र प्रत्यक्ष समाधानको लागि अनुमति दिन धेरै जटिल समस्याहरूमा अन्तरदृष्टि दिनको लागि सेवा पुर्याउँछ। |
5140f1dc83e562de0eb409385480b799e9549d54 | बनावट एउटा छविमा रुचि राख्ने वस्तुहरू वा क्षेत्रहरू पहिचान गर्न प्रयोग गरिने महत्त्वपूर्ण विशेषताहरू मध्ये एक हो, चाहे छवि फोटोग्राफिक माइक्रोग्राफ, हवाई फोटोग्राफ, वा उपग्रह छवि हो। यस लेखमा ग्रेटोन स्थानिक निर्भरतामा आधारित केही सजिलै संगणनात्मक बनावट सुविधाहरूको वर्णन गरिएको छ, र तीन विभिन्न प्रकारका छवि डेटाको श्रेणी पहिचान कार्यहरूमा उनीहरूको अनुप्रयोगलाई चित्रण गर्दछः पाँच प्रकारका बलुवा पत्थरहरूको फोटोमिक्रोग्राफहरू, आठ भू-उपयोग कोटीहरूको १ः२०,००० प्यानक्रोमेटिक हवाई फोटोग्राफहरू, र सात भू-उपयोग कोटीहरू समावेश गर्ने पृथ्वी संसाधन टेक्नोलोजी उपग्रह (ईआरटीएस) बहु-विशेष छविहरू। हामी दुई प्रकारका निर्णय नियमहरू प्रयोग गर्छौं: एउटा जसको लागि निर्णय क्षेत्रहरू उत्तल बहुफलकहरू हुन् (एक टुक्रागत रैखिक निर्णय नियम), र अर्को जसको लागि निर्णय क्षेत्रहरू आयताकार समानांतर पाइपेडहरू हुन् (एक न्यूनतम-अधिकतम निर्णय नियम) । प्रत्येक प्रयोगमा डाटा सेटलाई दुई भागमा विभाजन गरिएको थियो, एक प्रशिक्षण सेट र एक परीक्षण सेट। परीक्षण सेटको पहिचानको शुद्धता फोटोमाइक्रोग्राफको लागि ८९ प्रतिशत, हवाई फोटोग्राफिक छविहरूको लागि ८२ प्रतिशत, र उपग्रह छविहरूको लागि ८३ प्रतिशत छ। यी परिणामहरूले संकेत गर्दछ कि सजिलै संगठित टेक्स्चरल सुविधाहरू सम्भवतः छवि-वर्गीकरण अनुप्रयोगहरूको विस्तृत विविधताका लागि सामान्य अनुप्रयोग हुन सक्छ। |
6513888c5ef473bdbb3167c7b52f0985be071f7a | छवि विश्लेषण, खण्डन र संकुचनका लागि सामान्यीकृत गैर-अर्थोगोनल २-डी गाबोर प्रतिनिधित्वमा दुई-आयामिक असतत संकेतहरू रूपान्तरण गर्नका लागि तीन-तहको न्यूरल नेटवर्क वर्णन गरिएको छ। यी रूपान्तरणहरू संयुक्त स्पट iahpectral प्रतिनिधित्वहरू [lo], [१] हुन्, जसले स्थानीय रूपमा विन्डो गरिएको २-डी स्पेक्ट्रल निर्देशांकहरूको सर्तमा पूर्ण छवि वर्णन प्रदान गर्दछ जुन ग्लोबल २-डी स्थानिक निर्देशांक भित्र इम्बेड गरिएको छ। छवि भित्रको आन्तरिक रिडन्डन्सिहरू पुनः निकालिने भएकाले, परिणाम स्वरूप छवि कोडहरू धेरै कम्प्याक्ट हुन सक्छन्। यद्यपि, यी संयुक्त रूपान्तरणहरू गणना गर्न स्वाभाविक रूपमा गाह्रो छ किनकि प्राथमिक विस्तार कार्यहरू पुनः orthogonal छैनन्। एक ओर्टागोनल दृष्टिकोण Bastiaans द्वारा 1-D संकेतहरूको लागि विकसित गरिएको छ [SI, biorthonormal विस्तारमा आधारित, संयुक्त नमूना दर र विन्डोइङ प्रकार्यको अपरिवर्तनीयतामा सीमितताहरू द्वारा सीमित छ, साथै सहायक orthogonalizing प्रकार्यहरू गैर-स्थानीय अनन्त श्रृंखलाहरू छन् भन्ने तथ्यले। हालको "न्युरोल नेटवर्क" दृष्टिकोणमा, दुई तहहरू सहित निश्चित वजन र एक तह समायोज्य वजनको साथ अन्तर्क्रियामा आधारित, नेटवर्कले यी प्रतिबन्धित सर्तहरू बिना पूर्ण संयुक्त २-डी ग्याबोर रूपान्तरणहरूको लागि गुणांकहरू फेला पार्दछ। मनमाने गैर-पूर्ण रूपान्तरणहरूको लागि, जसमा गुणांकहरू छविमा निश्चित सुविधाहरूको उपस्थितिलाई संकेत गर्ने रूपमा व्याख्या गर्न सकिन्छ, नेटवर्कले छवि प्रतिनिधित्व गर्दा न्यूनतम औसत-वर्ग-त्रुटिको अर्थमा इष्टतम गुणांकहरू फेला पार्दछ। एक बीजगणित पूर्ण योजनामा सटीक पुनर्निर्माणको अनुमति दिईन्छ, नेटवर्कले विस्तार गुणांकहरू फेला पार्दछ जुन पिक्सेल प्रतिनिधित्वमा 7.57 बाट पूर्ण २-डी ग्याबोर रूपान्तरणमा २.55 मा एन्ट्रोपी घटाउँछ। एक एकल अन्तर्निहित २-डी ग्याबोर वेभलेट टेम्प्लेटको विस्तार, घुमाव र अनुवादको जैविक प्रेरणाको लग-ध्रुवीय समूहमा आधारित "वेभलेट" विस्तारहरूमा, छवि कम्प्रेसन २०ः १ सम्मको अनुपातको साथ चित्रण गरिएको छ। पूर्ण २-डी गाबोर रूपान्तरणमा गुणांकहरूको समूहमा आधारित छवि विभाजन पनि देखाइएको छ। उपयोगी गैर-अर्थोगोनल छवि रूपान्तरणहरू कार्यान्वयन गर्नका लागि यो गुणांक खोज्ने नेटवर्कको न्यूरोसाइन्टिफिक प्रासंगिकता पनि हुन सक्छ, किनकि निश्चित तौल भएका नेटवर्क लेयरहरूले बिरालोको दृश्य कर्टेक्समा अभिमुखीकरण-चयनशील न्यूरन्सबाट प्राप्त अनुभवजन्य २-डी रिसेप्टिव फिल्ड प्रोफाइलहरू तौल कार्यहरूको रूपमा प्रयोग गर्दछन्, र परिणामस्वरूप रूपान्तरणले विश्वव्यापी स्थानिक निर्देशांक भित्रको ए ang्गुलर र स्पेक्ट्रल विश्लेषण इम्बेड गर्ने जैविक दृश्य रणनीतिलाई नक्कल गर्दछ। |
ba0164fe77d37786eca4cfe1a6fbc020943c91a2 | लीन व्यवस्थापन (एलएम) एक-अर्कासँग सम्बन्धित सामाजिक-प्राविधिक अभ्यासहरूको जटिल प्रणालीमा आधारित प्रक्रियाहरू सुधार गर्नका लागि प्रबन्धकीय दृष्टिकोण हो। हालै, बहस LM मा संगठनात्मक संस्कृति (OC) को भूमिका मा केन्द्रित छ। यस लेखमा एलएम सफलतापूर्वक लागू गर्ने संयंत्रहरू विशिष्ट ओसी प्रोफाइल द्वारा विशेषता छन् र व्यापक रूपमा नरम एलएम अभ्यासहरू अपनाउने छन् कि भनेर जाँच गरेर यस बहसमा योगदान पुर्याउने लक्ष्य राखिएको छ। उच्च प्रदर्शन निर्माण (एचपीएम) परियोजना डेटासेटबाट डाटाको विश्लेषण बहु-समूह दृष्टिकोण प्रयोग गरेर गरिएको थियो। परिणामले देखाउँछ कि एक विशिष्ट सीओ प्रोफाइलले सफल दुबला बिरुवाहरूको विशेषता दिन्छ; विशेष गरी, असफल दुबला बिरुवाहरूको तुलनामा, उनीहरूले उच्च संस्थागत सामूहिकता, भविष्य उन्मुखता, मानवीय अभिमुखीकरण, र कम स्तरको आश्वासन देखाउँछन्। संस्थागत सामूहिकता, भविष्यमुखीता र मानवीय अभिमुखीता उच्च प्रदर्शन गर्नेहरूको सामान्य विशेषता हो, तर कम स्तरको दृढता केवल सफल दुबला बोटबिरुवाहरूको लागि विशिष्ट छ। यसबाहेक, सफल दुबला संयंत्रहरूले असफल दुबला संयंत्रहरू भन्दा नरम एलएम अभ्यासहरू अधिक व्यापक रूपमा प्रयोग गर्दछन् (अर्थात्, मानिस र सम्बन्धहरू सम्बन्धी दुबला अभ्यासहरू, जस्तै सानो समूह समस्या समाधान, कर्मचारीहरू बहु कार्यहरू गर्न प्रशिक्षण, आपूर्तिकर्ता साझेदारी, ग्राहक संलग्नता, र निरन्तर सुधार), जबकि तिनीहरू कडा एलएम अभ्यासहरूको सर्तमा महत्त्वपूर्ण भिन्न हुँदैनन् (अर्थात्, दुबला प्राविधिक र विश्लेषणात्मक उपकरणहरू) । प्रबन्धकहरूका लागि, परिणामहरूले देखाउँछ कि सफलतापूर्वक एलएम लागू गर्नका लागि, सफ्ट अभ्यासहरू अपनाएर र उपयुक्त सीओ प्रोफाइलको विकासलाई बढावा दिँदै एलएम प्राविधिकताहरू भन्दा पर जानु आधारभूत छ। |
ab614b5712d41433e6341fd0eb465258f14d1f23 | पुनरावर्ती तंत्रिका सञ्जाल (आरएनएन) मोडेलहरू व्यापक रूपमा लुप्त वृक्ष संरचनाद्वारा शासित अनुक्रमिक डेटा प्रशोधन गर्न प्रयोग गरिन्छ। यसअघिको कामले देखाउँछ कि आरएनएन मोडेलहरू (विशेष गरी लामो छोटो अवधिको मेमोरी (एलएसटीएम) मा आधारित मोडेलहरू) अन्तर्निहित रूख संरचनाको शोषण गर्न सिक्न सक्छ। तर, यसको प्रदर्शन रूखमा आधारित मोडेलको भन्दा लगातार पछाडि छ। यस कार्यले नयाँ प्रेरक पूर्वाग्रह अर्डर गरिएको न्यूरन्स प्रस्ताव गर्दछ, जसले लुकेका राज्य न्यूरन्स बीच आवृत्तिहरू अपडेट गर्ने क्रम लागू गर्दछ। हामी देखाउँछौं कि क्रमबद्ध न्यूरोनहरूले स्पष्ट रूपमा लुकेको रूख संरचनालाई पुनरावर्ती मोडेलहरूमा एकीकृत गर्न सक्दछन्। यस उद्देश्यका लागि, हामी नयाँ आरएनएन एकाई प्रस्ताव गर्दछौं: ओएन-एलएसटीएम, जसले चार फरक कार्यहरूमा राम्रो प्रदर्शन प्राप्त गर्दछः भाषा मोडेलिंग, अनुगमन बिना पार्सिंग, लक्षित सिन्ट्याक्सिक मूल्यांकन, र तार्किक निष्कर्ष। |
a9f9a4dc25479e550ce1e0ddcbaf00743ccafc29 | सम्भवतः सम्भावनाको सबैभन्दा सरल र आधारभूत गुणात्मक नियम संयोजन नियम हो: संयोजनको सम्भावना, P ((A&B), यसको घटकहरूको सम्भावनाहरू, P ((A) र .P ((B) भन्दा बढी हुन सक्दैन, किनकि विस्तार (वा सम्भावना सेट) संयोजन यसको घटकहरूको विस्तारमा समावेश छ। अनिश्चितता अन्तर्गत निर्णयहरू, तथापि, प्रायः सहज ज्ञानयुक्त हेरिस्टिक्सद्वारा मध्यस्थ हुन्छन् जुन संयोजन नियमद्वारा बाध्य हुँदैनन्। एक संयोजन यसको घटकहरूको एक भन्दा बढी प्रतिनिधि हुन सक्छ, र एक विशिष्ट श्रेणीको उदाहरणहरू कल्पना गर्न सजिलो हुन सक्छ वा अधिक समावेशी श्रेणीको उदाहरणहरू भन्दा पुनः प्राप्ति गर्न। प्रतिनिधित्व र उपलब्धता हेरिस्टिक्सले यसैले यसको एक घटक भन्दा एक संयोजन अधिक सम्भावना देखाउन सक्छ। यो घटना शब्द आवृत्ति, व्यक्तित्व न्याय, चिकित्सा पूर्वानुमान, जोखिम अन्तर्गत निर्णय, आपराधिक कार्यहरूको शंका, र राजनीतिक पूर्वानुमान सहित विभिन्न सन्दर्भहरूमा प्रदर्शन गरिएको छ। संयोजन नियमको व्यवस्थित उल्लंघनहरू विषयहरू र विषय भित्र दुवै तुलनाहरूमा laypeople र विशेषज्ञहरूको निर्णयमा अवलोकन गरिन्छ। संयोजन भ्रमको वैकल्पिक व्याख्याहरू छलफल गरिन्छ र यसको विरुद्ध लड्ने प्रयासहरू अन्वेषण गरिन्छ। |
5dbb8f63e9ac926005037debc5496e9949a3885f | एक घुसपैठ पत्ता लगाउने मूल्यांकन परीक्षण बेड विकसित गरिएको थियो जसले सामान्य ट्राफिक उत्पन्न गर्यो जुन सरकारी साइटमा १०० प्रयोगकर्ताहरू सहित १००० होस्टहरूमा समान छ। ३८ विभिन्न स्वचालित आक्रमणको ३०० भन्दा बढी उदाहरणहरू पीडित युनिक्स होस्टहरू विरुद्ध सात हप्ताको प्रशिक्षण डेटा र दुई हप्ताको परीक्षण डेटामा सुरू गरिएको थियो। छ वटा अनुसन्धान समूहहरूले अन्धा मूल्याङ्कनमा भाग लिएका थिए र नतिजाको विश्लेषण सोन्ड, सेवा अस्वीकार (डीओएस), रिमोट-टु-लोकल (आर२एल), र प्रयोगकर्तादेखि रूट (यू२आर) आक्रमणका लागि गरिएको थियो। सबै भन्दा राम्रो प्रणालीले प्रशिक्षण डेटामा समावेश गरिएका पुराना आक्रमणहरू पत्ता लगायो, मध्यम पत्ता लगाउने दरहरू 63% देखि 93% सम्म प्रति दिन 10 गलत अलार्मको गलत अलार्मको दरमा। परीक्षण डेटामा मात्र समावेश गरिएका नयाँ र उपन्यास R2L र DoS आक्रमणहरूको लागि पत्ता लगाउने दरहरू धेरै खराब थिए। यी नयाँ आक्रमणहरूमध्ये लगभग आधालाई पत्ता लगाउन सबै भन्दा राम्रो प्रणालीहरू असफल भए जसमा रिमोट प्रयोगकर्ताहरू द्वारा रूट-स्तर विशेषाधिकारहरूमा हानिकारक पहुँच समावेश थियो। यी परिणामहरूले सुझाव दिन्छ कि थप अनुसन्धानले अवस्थित नियममा आधारित आक्रमणहरूको विस्तारको सट्टा नयाँ आक्रमणहरू फेला पार्नको लागि प्रविधिहरू विकास गर्नमा ध्यान केन्द्रित गर्नुपर्दछ। |
cd3f32418cbacc65357f7436a2d4186c634f024a | |
0d4fef0ef83c6bad2e14fe4a4880fa153f550974 | खुला डोमेन लक्षित भावना संयुक्त सूचना निकासी कार्य हो जुन पाठ कोर्पसबाट प्रत्येक उल्लेखको लागि भावनाको साथ लक्षित उल्लेखहरू फेला पार्दछ। कार्य सामान्यतया अनुक्रम लेबलिंग समस्याको रूपमा मोडेल गरिएको छ, र सीआरएफ जस्ता अत्याधुनिक लेबलरहरूको प्रयोग गरेर समाधान गरिएको छ। हामी शब्द एम्बेडिंग र स्वचालित सुविधा संयोजनको प्रभावलाई अनुभवजन्य रूपमा अध्ययन गर्दछौं। यसले भावना विश्लेषणको लागि ठूलो सम्भावनाहरू प्रदर्शन गरेको न्यूरल नेटवर्कहरू प्रयोग गरेर सीआरएफ आधार रेखा विस्तार गरेर। नतिजाले न्युरोल मोडेलले स्मरण क्षमतामा उल्लेखनीय वृद्धि गरेर राम्रो नतिजा दिन सक्ने देखाउँछ। यसको अतिरिक्त, हामी न्यूरल र डिस्क्रीट विशेषताहरूको एक उपन्यास एकीकरण प्रस्ताव गर्दछौं, जसले उनीहरूको सापेक्षिक लाभहरू संयोजन गर्दछ, दुवै आधारभूत रेखाहरूको तुलनामा उल्लेखनीय रूपमा उच्च परिणामहरू निम्त्याउँछ। |
00b69fcb15b6ddedd6a1b23a0e4ed3afc0b8ac49 | डोमेन अनुकूलन एल्गोरिदमले स्रोत डोमेनमा प्रशिक्षित मोडेललाई नयाँ लक्ष्य डोमेनमा सामान्यीकरण गर्न खोज्छ। धेरै व्यावहारिक अवस्थामा, स्रोत र लक्ष्य वितरणहरू पर्याप्त भिन्न हुन सक्छन्, र केही अवस्थामा महत्त्वपूर्ण लक्ष्य सुविधाहरू स्रोत डोमेनमा समर्थन नहुन सक्छ। यस कागजमा हामी एउटा एल्गोरिथ्म प्रस्तुत गर्दछौं जसले स्रोत र लक्ष्य डोमेनहरू बीचको खाडललाई पुल गर्दछ जुन प्रशिक्षण सेटमा बिस्तारै लक्ष्य सुविधाहरू र उदाहरणहरू दुवै थप्दछ जसमा हालको एल्गोरिथ्म सबैभन्दा विश्वस्त छ। हाम्रो एल्गोरिथ्म सह-प्रशिक्षणको एक प्रकार हो, र हामीले यसलाई CODA (डोमेन अनुकूलनको लागि सह-प्रशिक्षण) नाम दियौं। मूल सह-प्रशिक्षण कार्यको विपरीत, हामी कुनै विशेष विशेषता विभाजन मान्दैनौं। यसको सट्टामा, कोट्रेनिङको प्रत्येक पुनरावृत्तिका लागि, हामी एक एकल अनुकूलन समस्याको सूत्र गर्छौं जसले एकसाथ लक्ष्य भविष्यवाणीकर्ता, दृश्यमा सुविधा स्थानको विभाजन, र भविष्यवाणीकर्तामा समावेश गर्न स्रोत र लक्ष्य सुविधाहरूको उपसमूह सिक्छ। कोडाले ब्लिट्जर एट अलको १२ डोमेन बेन्चमार्क डाटा सेटमा अत्याधुनिक प्रदर्शन गर्दछ। [४] वास्तवमा, लक्ष्य पर्यवेक्षणको विस्तृत दायरा (६५ मध्ये ८४ तुलना) मा कोडाले सबैभन्दा राम्रो प्रदर्शन हासिल गरेको छ। |
2254a9c8e0a3d753ce25d4049e063e0e9611f377 | यस पत्रमा, एक स्लटलाइनलाई सब्सट्रेट एकीकृत वेवगाइड संक्रमणलाई सब्सट्रेट एकीकृत सर्किटको विकासको लागि प्रस्ताव गरिएको छ। ब्याक-टू-ब्याक ट्रान्जिशनको इन्सेर्सन नोक्सान १ डीबी भन्दा कम ८.७ देखि ९.० गीगाहर्जसम्म हुन्छ। यस संक्रमणको साथ, एक समतल जादू-टी अध्ययन र डिजाइन गरिएको छ। मापन परिणामहरूले देखाउँछ कि निर्माण गरिएको जादू-टीको धेरै राम्रो प्रदर्शन प्रयोगात्मक आवृत्ति दायरा 8.4-9.4 GHz भित्र अवलोकन गरिएको छ। आयाम र चरण असंतुलन क्रमशः ०.२ डीबी र १.५ डिग्री भन्दा कम छ। |
f98990356a62e05af16993a5fc355a7e675a3320 | उद्देश्य पेरोनी रोगको कारण हुने पेनिसको विकृति भएका पुरुषहरूको उपचारमा न्यूनतम आक्रमणकारी प्रविधिको प्रयोग गर्ने हाम्रो चार वर्षको अनुभव प्रस्तुत गर्ने। बिरामी र विधिहरू पेनिस घुमाउरोपन भएका ४८ जना पुरुष (औसत उमेर ५८.७ वर्ष) को पेनिस घुमाउरोपनको विपरीत ट्युनिका अल्बुगिनीयालाई बहु गैर- अवशोषित सिउचरहरूद्वारा पुनः निर्माण गरिएको थियो। सबै बिरामीहरू, वक्रताको डिग्री वा दिशाको पर्वाह नगरी, पेनिसको डिग्लोभ बिना नै सानो पेनोस्क्रोटल इन्सिजन मार्फत नजिकिएका थिए। पेनिल शाफ्ट कोण र पेनिल लम्बाइको विस्तृत मापन रेकर्ड गरियो र पुनर्निर्माण गर्नु अघि र पछि विश्लेषण गरियो, र सुधारको लागि आवश्यक सिटहरूको संख्या दस्तावेज गरिएको थियो। परिणाम लगभग सबै बिरामीहरूमा ढाड र/ वा पार्श्व विकृति थियो जुन भन्ट्रल पेनोस्क्रोटल इन्सिजनद्वारा सजिलै सच्याउन सकिन्थ्यो। मध्य (रेंज) सुधारको डिग्री २८ (१८-५५) डिग्री थियो र प्रयोग गरिएको टाँकाको संख्या ६ (४-१७) थियो। पिक्सीकरण अघि र पिक्सीकरण पछि लम्बाइ मापन गर्दा कुनै फरक नपरेको पाइयो। एक पटकको पीएसपी प्रक्रिया ४५/ ४८ (९३%) बिरामीहरूमा सफल भयो; दुई जना सुधारबाट असन्तुष्ट थिए, एक जनाले पुनरावृत्ति पिक्शन र अर्को पेनिल प्रोस्थेसिस थियो; अर्को एक जनालाई दुखाइको लागि सिउचर रिलीजको आवश्यकता थियो। निष्कर्ष पीएसपी सुरक्षित र प्रभावकारी छ र गम्भीर वा द्विपक्षीय वक्रता भएका बिरामीहरूको लागि पनि विचार गर्नुपर्छ। |
5264ae4ea4411426ddd91dc780c2892c3ff933d3 | परिवर्तनशील र विशेषता चयन अनुप्रयोगको क्षेत्रमा धेरै अनुसन्धानको फोकस भएको छ जसको लागि दशौं वा सयौं हजारौं भ्यारीएबलहरूको साथ डाटासेट उपलब्ध छन्। यी क्षेत्रहरूमा इन्टरनेट कागजातहरूको पाठ प्रसंस्करण, जीन अभिव्यक्ति र विश्लेषण, र संयोजन रसायन समावेश छ। परिवर्तनशील चयनको उद्देश्य तीनवटा हुन्छ: पूर्वानुमानकर्ताहरूको पूर्वानुमान प्रदर्शन सुधार गर्ने, छिटो र अधिक लागत-प्रभावी पूर्वानुमानकर्ताहरू प्रदान गर्ने, र डाटा उत्पन्न गर्ने आधारभूत प्रक्रियाको राम्रो समझ प्रदान गर्ने। यस विशेष अंकको योगदानले यस्ता समस्याहरूको विस्तृत दायरालाई समेट्छ: उद्देश्य कार्यको राम्रो परिभाषा प्रदान गर्ने, सुविधा निर्माण, सुविधा श्रेणीकरण, बहु-परिवर्तनीय सुविधा चयन, कुशल खोज विधिहरू, र सुविधा वैधता मूल्यांकन विधिहरू। |
a0a9390e14beb38c504473c3adc857f8faeaebd2 | यस लेखमा डिजिटल रङ्गीन चित्रहरूमा मानव अनुहारहरू स्वचालित रूपमा पत्ता लगाउने एउटा तरिका प्रस्तुत गरिएको छ। यो दुई चरणको प्रक्रिया हो जसले पहिले रङको तस्बिरमा मानव छाला भएको क्षेत्र पत्ता लगाउँछ र त्यसपछि यी क्षेत्रहरूबाट जानकारी निकाल्छ जसले तस्बिरमा अनुहारको स्थान संकेत गर्न सक्छ। छालाको पहिचान छालाको फिल्टर प्रयोग गरेर गरिन्छ जुन रंग र बनावट जानकारीमा निर्भर गर्दछ। अनुहार पत्ता लगाउने काम केवल पत्ता लगाइएको छालाको क्षेत्र मात्र समावेश गर्ने ग्रेस्केल छविमा गरिन्छ। थ्रेस होल्डिंग र गणितीय रूपविज्ञानको संयोजन वस्तु सुविधाहरू निकाल्न प्रयोग गरिन्छ जुन अनुहारको उपस्थितिलाई संकेत गर्दछ। परीक्षणको परिणामले देखाए अनुसार अनुहार पहिचान प्रक्रिया पूर्वानुमान गर्न सकिने र पर्याप्त भरपर्दो तरिकाले काम गर्छ। |
27f366b733ba0f75a93c06d5d7f0d1e06b467a4c | |
9b90cb4aea40677494e4a3913878e355c4ae56e8 | जोडीएको गतिशील प्रणालीको नेटवर्कहरू जैविक ओसिलेटरहरू, जोसेफसन जंक्शन एरेहरू, उत्तेजित मिडिया, न्यूरल नेटवर्कहरू, स्थानिक खेलहरू, आनुवंशिक नियन्त्रण नेटवर्कहरू र अन्य धेरै आत्म-संगठित प्रणालीहरूको मोडेल गर्न प्रयोग गरिएको छ। सामान्यतया, जडान टोपोलोजी पूर्ण रूपमा नियमित वा पूर्ण रूपमा अनियमित मानिन्छ। तर धेरै जैविक, प्राविधिक र सामाजिक सञ्जालहरू यी दुई चरम सीमाहरूको बीचमा छन्। यहाँ हामी नेटवर्कको सरल मोडेलको अन्वेषण गर्छौं जुन यो मध्यभूमि मार्फत ट्युन गर्न सकिन्छ: नियमित नेटवर्कहरू पुनः वायर्ड क्रमशः बढ्दो मात्रामा अव्यवस्था ल्याउन। हामीले पत्ता लगायौं कि यी प्रणालीहरू अत्यधिक समूहबद्ध हुन सक्छन्, नियमित जालीहरू जस्तै, तर सानो विशेषता पथ लम्बाईहरू छन्, अनियमित ग्राफहरू जस्तै। हामी तिनीहरूलाई "सानो संसार" नेटवर्क भन्छौं, सानो संसारको घटनासँग समानताको रूपमा, (छ डिग्रीको विभाजनको रूपमा लोकप्रिय रूपमा चिनिन्छ) । कृमि केनोरहाबिडिटिस एलेगन्सको तंत्रिका सञ्जाल, पश्चिमी संयुक्त राज्य अमेरिकाको विद्युत ग्रिड, र चलचित्र अभिनेताहरूको सहयोग ग्राफ सानो-विश्व सञ्जालहरू देखाइएका छन्। सानो-विश्व युग्मनको साथ गतिशील प्रणालीहरूको मोडेलले सुधारिएको संकेत-प्रसारण गति, कम्प्युटेशनल पावर, र सिnch्क्रोनाइजेबिलिटी प्रदर्शन गर्दछ। विशेष गरी, संक्रामक रोगहरू साधारण जालीहरूमा भन्दा साना-विश्व नेटवर्कहरूमा सजिलै फैलिन्छन्। |
00d23e5c06f90bed0c9d4aec22babb2f7488817f | हामी एक पर्यवेक्षित म्याट्रिक्स फैक्टरिजेसन दृष्टिकोण प्रयोग गरी ग्राफहरूमा लिंक भविष्यवाणी समस्या समाधान गर्न प्रस्ताव गर्दछौं। यो मोडेलले (सम्भवतः निर्देशित) ग्राफको टोपलोजिकल संरचनाबाट लुकेका विशेषताहरू सिक्छ, र लोकप्रिय अनसुर्पेक्षित स्कोरहरू भन्दा राम्रो भविष्यवाणी गर्न देखाइएको छ। हामी देखाउँछौं कि कसरी यी लुकेका सुविधाहरू नोडहरू वा किनारहरूको लागि वैकल्पिक स्पष्ट सुविधाहरूसँग संयोजन गर्न सकिन्छ, जसले विशेष प्रकारको सुविधा प्रयोग गर्नु भन्दा राम्रो प्रदर्शन गर्दछ। अन्तमा, हामी श्रेणी असंतुलन समस्यालाई सम्बोधन गर्न एक उपन्यास दृष्टिकोण प्रस्ताव गर्दछौं जुन लि predict्क भविष्यवाणीमा सामान्य छ रैंकिंग घाटाको लागि प्रत्यक्ष अनुकूलन गरेर। हाम्रो मोडेल स्टोकास्टिक ग्रेडियन्ट वंश र ठूलो ग्राफ मापन संग अनुकूलित छ। धेरै डाटासेटमा प्राप्त परिणामले हाम्रो दृष्टिकोणको प्रभावकारिता देखाउँछ। |
04fa47f1d3983bacfea1e3c838cf868f9b73dc58 | यस लेखमा, हामी एक नयाँ अनुहार पत्ता लगाउने दृष्टिकोण प्रस्तुत गर्दछौं जुन एक कन्भोल्युसनल न्यूरल आर्किटेक्चरमा आधारित छ, जुन अत्यधिक परिवर्तनशील अनुहार ढाँचाहरू पत्ता लगाउन डिजाइन गरिएको छ, छवि विमानमा /spl प्लसmn / २० डिग्री सम्म घुमाइएको छ र /spl प्लसmn / degrees० डिग्री सम्म घुमाइएको छ, जटिल वास्तविक विश्व छविहरूमा। प्रस्तावित प्रणालीले अनुहार र गैर-अनुहार ढाँचाहरूको प्रशिक्षण सेटबाट स्वचालित रूपमा सरल समस्या-विशिष्ट सुविधा निकायहरू संश्लेषण गर्दछ, कुनै पनि धारणाहरू बिना वा अनुहार ढाँचाको निकाल्न वा विश्लेषण गर्नका लागि अनुहार ढाँचाको क्षेत्रहरूको बारेमा कुनै पनि हस्तनिर्मित डिजाइन प्रयोग नगरी। अनुहार पत्ता लगाउने प्रक्रियाले साधारण कन्भोल्युसन र सबस्म्पलिंग मोड्युलहरूको पाइपलाइनको रूपमा कार्य गर्दछ जुन कच्चा इनपुट छविलाई सम्पूर्ण रूपमा व्यवहार गर्दछ। यसैले हामी देखाउँछौं कि एक कुशल अनुहार पहिचान प्रणाली छवि क्षेत्रहरूको वर्गीकरण अघि कुनै पनि महँगो स्थानीय पूर्वप्रसंस्करणको आवश्यकता पर्दैन। प्रस्तावित योजनाले धेरै उच्च पत्ता लगाउने दर प्रदान गर्दछ विशेष गरी कम स्तरको गलत सकारात्मक, कठिन परीक्षण सेटहरूमा प्रदर्शन गरिएको, कठिन केसहरू ह्यान्डल गर्न बहु नेटवर्कहरूको प्रयोगको आवश्यकता बिना। हामी विस्तृत प्रयोगात्मक परिणाम प्रस्तुत गर्दछौं जसले प्रस्तावित दृष्टिकोणको दक्षतालाई कठिन परीक्षण सेटहरूमा चित्रण गर्दछ र अनुहार ढाँचाको भिन्नता डिग्रीको सम्बन्धमा गहन संवेदनशीलता विश्लेषण समावेश गर्दछ। |
cf8f95458591e072835c4372c923e3087754a484 | हामी ग्यासियन प्रक्रिया मोडेलको एक उपन्यास मिश्रण प्रस्ताव गर्दछौं जसमा गेटिंग प्रकार्य एक सम्भावित तार्किक मोडेलसँग जोडिएको छ, हाम्रो मामलामा मार्कोभ तर्क नेटवर्कहरू। यस तरिकाले, परिणामस्वरूप मिश्रित ग्राफिकल मोडेल, मार्कोभ तर्क मिश्रणको ग्यासियन प्रक्रियाहरू (MLxGP) भनिन्छ, संयुक्त बेइजियन गैर-पैरामेट्रिक प्रतिगमन र सम्भावित सम्बन्धात्मक अनुमान कार्यहरू समाधान गर्दछ। यसको बदलामा, MLxGP ले नयाँ, रोचक कार्यहरू जस्तै तार्किक प्रतिबन्धहरूमा आधारित प्रतिगमन वा प्रतिगमन डेटाको बारेमा सम्भावित तार्किक निष्कर्षहरू निकाल्न सजिलो बनाउँदछ, यसैले मेशिनहरू प्रतिगमन डेटा पढ्ने पहुँचमा राख्दछ। |
548bc4203770450c21133bfb72c58f5fae0fbdf2 | हामी तीन आयामिक अन्तरिक्षमा वस्तुहरू पत्ता लगाउनको लागि एउटा प्रणालीको वर्णन गर्छौं जसमा भिडियो र जडत्विक सेन्सर (एक्सेलेरोमिटर र जाइरोमिटर) को प्रयोग गरिन्छ जुन फोनदेखि ड्रोनसम्मका आधुनिक मोबाइल प्लेटफर्महरूमा सर्वत्र उपलब्ध छन्। इनर्शियलले वस्तुहरूको लागि वर्ग-विशिष्ट स्केल प्रिअर्सहरू लगाउने क्षमता प्रदान गर्दछ, र एक वैश्विक अभिमुखीकरण सन्दर्भ प्रदान गर्दछ। एक न्यूनतम पर्याप्त प्रतिनिधित्व, ठाउँ मा वस्तुहरु को अर्थ (पहिचान) र syntactic (स्थिति) विशेषताहरु को पछाडि, एक ज्यामितीय शब्द मा विघटित गर्न सकिन्छ, जो एक स्थानीयकरण-र-मैपिंग फिल्टर द्वारा बनाए राखिन्छ, र एक सम्भावना समारोह, जो एक भेदभावपूर्ण प्रशिक्षित संवहनात्मक तंत्रिका नेटवर्क द्वारा अनुमानित गर्न सकिन्छ। परिणामस्वरूप प्रणाली वास्तविक समयमा कारण भिडियो प्रवाह प्रशोधन गर्न सक्छ, र दृष्यमा वस्तुहरूको प्रतिनिधित्व प्रदान गर्दछ जुन निरन्तर छ। वस्तुहरूको उपस्थितिमा विश्वास प्रमाणको साथ बढ्छ, र पहिले देखिएका वस्तुहरू मेमोरीमा राखिन्छन् जब अस्थायी रूपमा ओक्लड हुन्छन्, उनीहरूको दृश्यमा फिर्ताको साथ स्वचालित रूपमा प्राइम पुनः पत्ता लगाउनको लागि भविष्यवाणी गरिन्छ। |
e2176d557793b7e2b80d8e5ec945078441356eb8 | क्लस्टरिङ एल्गोरिथ्म ऊर्जा खपत कम गर्न प्रयोग गरिने एक प्रकारको प्रमुख प्रविधि हो। यसले नेटवर्कको स्केलेबिलिटी र जीवनकाल बढाउन सक्छ। ऊर्जा-कुशल क्लस्टरिंग प्रोटोकलहरू विविधीकृत वायरलेस सेन्सर नेटवर्कहरूको विशेषताको लागि डिजाइन गरिनु पर्छ। हामी नयाँ वितरित ऊर्जा-कुशल क्लस्टरिंग योजनाको मूल्यांकन गर्छौं जुन विषम वायरलेस सेन्सर नेटवर्कको लागि हो, जसलाई डीईईसी भनिन्छ। डीईईसीमा, क्लस्टर-हेडहरू प्रत्येक नोडको अवशिष्ट ऊर्जा र नेटवर्कको औसत ऊर्जाको बीचको अनुपातमा आधारित सम्भावना द्वारा चयन गरिन्छ। नोडहरूको लागि क्लस्टर-हेड हुने युगहरू उनीहरूको प्रारम्भिक र अवशिष्ट ऊर्जा अनुसार फरक हुन्छन्। उच्च प्रारम्भिक र अवशिष्ट ऊर्जा भएका नोडहरू कम ऊर्जा भएका नोडहरू भन्दा क्लस्टर-हेड हुने बढी सम्भावना हुन्छ। अन्तमा, सिमुलेसन परिणामले देखाउँछ कि डीईईसीले वर्तमान महत्त्वपूर्ण क्लस्टरिंग प्रोटोकलहरू भन्दा लामो जीवनकाल र अधिक प्रभावकारी सन्देशहरू प्राप्त गर्दछ। 2006 एल्सभियर B.V. सबै अधिकार सुरक्षित। |
5bc848fcbeed1cffb55098c4d7cef4596576e779 | ताररहित सेन्सर नेटवर्कहरू बढ्दै जाँदा प्रभावकारी सुरक्षा संयन्त्रहरूको आवश्यकता पनि बढ्दै गएको छ। सेन्सर नेटवर्क संवेदनशील डाटासँग अन्तरक्रिया गर्न सक्छ र/वा शत्रुतापूर्ण वातावरणमा बिना निगरानी सञ्चालन गर्न सक्छ, त्यसैले यी सुरक्षा चिन्ताहरूलाई प्रणाली डिजाइनको सुरुदेखि नै सम्बोधन गर्न आवश्यक छ। तर, स्रोत र कम्प्युटिङको अभावका कारण सेन्सर नेटवर्कमा सुरक्षाले परम्परागत नेटवर्क/कम्प्युटर सुरक्षाभन्दा फरक चुनौती खडा गर्छ। हाल वायरलेस सेन्सर नेटवर्कको सुरक्षाको क्षेत्रमा अनुसन्धानको ठूलो सम्भावना छ। यस क्षेत्रको हालको अनुसन्धानबारे जानकारी हुनु अनुसन्धानकर्ताहरूको लागि ठूलो लाभ हुनेछ। यस कुरालाई ध्यानमा राख्दै, हामी वायरलेस सेन्सर नेटवर्क सुरक्षामा प्रमुख विषयहरूको सर्वेक्षण गर्छौं, र सेन्सर सुरक्षामा अवरोधहरू र आवश्यकताहरू प्रस्तुत गर्दछौं, हालका धेरै आक्रमणहरूलाई वर्गीकृत गर्दछौं, र अन्तमा उनीहरूको सम्बन्धित रक्षात्मक उपायहरूको सूची दिन्छौं। |
190875cda0d1fb86fc6036a9ad7d46fc1f9fc19b | इमेलको व्यापक प्रयोगले गर्दा हामीसँग अहिले हामीले नै लेखेको अभूतपूर्व मात्रामा पाठहरू छन्। यस लेखमा, हामी देखाउँछौं कि भावना विश्लेषण कसरी प्रभावकारी दृश्यको साथ प्रयोग गर्न सकिन्छ धेरै प्रकारका मेलहरूमा भावनाहरूको मात्रा र ट्र्याक गर्न। हामी शब्द-भावनाको ठूलो शब्दकोश सिर्जना गर्छौं, र यसलाई प्रयोग गर्छौं प्रेम पत्र, घृणाको पत्र, र आत्महत्याको पत्रमा भावनाको तुलना गर्न। हामी देखाउँछौं कि काम गर्ने ठाउँको इमेलमा भावनात्मक शब्दहरू प्रयोग गर्ने तरिकामा लैङ्गिक भिन्नताहरू छन्। उदाहरणका लागि, महिलाहरूले धेरैजसो शब्दहरू आनन्द-दुःख अक्षबाट प्रयोग गर्छन्, जबकि पुरुषहरू डर-भरोसा अक्षबाट शब्दहरू प्रयोग गर्न रुचाउँछन्। अन्तमा, हामी दृश्यहरू देखाउँछौं जसले मानिसहरूलाई उनीहरूको इमेलमा भावनाहरू ट्र्याक गर्न मद्दत गर्दछ। |
114a4222c53f1a6879f1a77f1bae2fc0f8f55348 | |
826dc5774b2c2430cef0dfc4d18bc35947106c6d | |
0788cda105da9853627d3e1ec8d01e01f7239c30 | हामी शटगन प्रस्ताव गर्छौं, L1 नियमित घाटालाई कम गर्नका लागि समानांतर निर्देशांक अवतरण एल्गोरिथ्म। यद्यपि समन्वय अवतरण स्वाभाविक रूपमा अनुक्रमिक देखिन्छ, हामी शटगनको लागि अभिसरण सीमाहरू प्रमाणित गर्दछौं जसले समस्या-निर्भर सीमासम्म नजिकैको रैखिक गति बढाउने भविष्यवाणी गर्दछ। हामी लासोको लागि शटगनको विस्तृत अनुभवजन्य अध्ययन प्रस्तुत गर्दछौं र थोरै तार्किक प्रतिगमन। समानांतरताका लागि हाम्रो सैद्धान्तिक भविष्यवाणीहरू वास्तविक डेटामा व्यवहारसँग नजिकबाट मेल खान्छन्। शटगनले अन्य प्रकाशित समाधानकर्ताहरूलाई ठूलो समस्याहरूको दायरामा पार गर्दछ, L1 को लागि सबैभन्दा स्केलेबल एल्गोरिदम मध्ये एक साबित हुन्छ। |
2414283ed14ebb0eec031bb75cd25fbad000687e | प्राकृतिक ग्राफहरू, जस्तै सामाजिक सञ्जालहरू, इमेल ग्राफहरू, वा तत्काल सन्देश ढाँचाहरू, इन्टरनेट मार्फत व्यापक भएका छन्। यी ग्राफहरू विशाल हुन्छन्, प्रायः सयौं लाखौं नोडहरू र अर्बौं किनाराहरू हुन्छन्। यस्तो ग्राफको अध्ययन गर्न केही सैद्धान्तिक मोडेल प्रस्ताव गरिएको छ, तर डाटाको मात्रा र प्रकृतिका कारण यसको विश्लेषण अझै पनि गाह्रो छ। हामी ठूला-ठूला ग्राफ विघटन र अनुमानका लागि एउटा ढाँचा प्रस्ताव गर्छौं। स्केलको समाधान गर्न, हाम्रो ढाँचा वितरित छ ताकि डाटा साझा-कुनै पनि मेसिनको सेटमा विभाजन गरिएको छ। हामी एउटा नयाँ कारककरण प्रविधिको प्रस्ताव गर्छौं जुन ग्राफलाई विभाजनमा निर्भर गर्दछ ताकि विभाजनहरू बीच किनाराहरूको सट्टा छिमेकी शिखरहरूको संख्या कम गर्न सकिन्छ। हाम्रो विघटन एक स्ट्रिमिङ एल्गोरिथ्ममा आधारित छ। यो नेटवर्क-सचेत छ किनकि यसले अन्तर्निहित कम्प्युटेशनल हार्डवेयरको नेटवर्क टोपोलोजीमा अनुकूलन गर्दछ। हामी चरहरूको स्थानीय प्रतिलिपिहरू र एक कुशल एसिन्क्रोनस संचार प्रोटोकल प्रयोग गर्छौं प्रतिकृति मानहरू समक्रमण गर्नका लागि नेटवर्क संचारको लागतमा खर्च नगरी अधिकांश गणना गर्नका लागि। २०० करोड शिर र १० अर्ब किनाराको ग्राफमा, इमेल सञ्चार नेटवर्कबाट प्राप्त, हाम्रो एल्गोरिथ्मले कम्प्युटरको संख्यामा लगभग रैखिक स्केलेबिलिटीलाई अनुमति दिँदै कन्भर्जेन्स गुणहरू कायम राख्छ। |
877aff9bd05de7e9d82587b0e6f1cda28fd33171 | क्रस-सिजनल स्थानीयकरण एक प्रमुख चुनौती हो जुन स्वायत्त सवारी साधनहरूको दीर्घकालीन दृश्य नेभिगेसनमा छ। यस लेखमा, हामी छविहरूको अर्थगत विभाजनमा हालसालै भएका प्रगतिहरूको शोषण गर्दछौं, अर्थात्, जहाँ प्रत्येक पिक्सेललाई वस्तुको प्रकारसँग सम्बन्धित लेबल तोकिएको छ, यसले दीर्घकालीन दृश्य स्थानीयकरणको समस्यालाई आक्रमण गर्न। हामी देखाउँछौं कि वातावरणको अर्थ-लेबल गरिएको 3D पोइन्ट नक्शा, अर्थ-विभाजित छविहरूको साथ, विस्तृत सुविधा वर्णनकर्ताहरूको आवश्यकता बिना वाहन स्थानीयकरणको लागि कुशलतापूर्वक प्रयोग गर्न सकिन्छ (SIFT, SURF, आदि। ), यसैले, हातले बनाएको सुविधा वर्णनकर्ताहरूमा निर्भर हुनुको सट्टा, हामी छवि सेग्मेन्टरको प्रशिक्षणमा भर पर्दछौं। नतिजाको नक्साले परम्परागत वर्णनकर्तामा आधारित नक्साको तुलनामा धेरै कम भण्डारण ठाउँ लिन्छ। एक कण फिल्टर आधारित अर्थ स्थानीयकरण समाधान SIFT-विशेषताहरूमा आधारित एकसँग तुलना गरिएको छ, र वर्षभरि ठूलो मौसमी भिन्नताहरूको साथ पनि हामी ठूला र अधिक वर्णनात्मक SIFT-विशेषताहरूको साथ समान प्रदर्शन गर्दछौं, र प्रायः १ मिटर मुनि त्रुटिको साथ स्थानीयकरण गर्न सक्षम छौं। |
f9f92fad17743dd14be7b8cc05ad0881b67f32c2 | उपयुक्त दूरीको मापन सिक्नु धेरै सिक्ने मेसिनहरूको सफलतामा महत्त्वपूर्ण भूमिका खेल्छ। परम्परागत मेट्रिक लर्निंग एल्गोरिदमको सीमित उपयोगिता हुन्छ जब प्रशिक्षण र परीक्षण नमूनाहरू सम्बन्धित तर बिभिन्न डोमेनहरूबाट लिइन्छ (जस्तै, स्रोत डोमेन र लक्ष्य डोमेन) । यस पत्रमा, हामी सूचना-सैद्धान्तिक सेटिंगमा डोमेन अनुकूलनको लागि दुई उपन्यास मेट्रिक लर्निंग एल्गोरिदम प्रस्ताव गर्दछौं, दुई डोमेनहरूमा विभेदक शक्ति स्थानान्तरण र मानक सिकाउने मेसिन प्रसारको लागि अनुमति दिदै। पहिलोमा, क्रस-डोमेन महालनोबिस दूरी तीन लक्ष्यहरू मिलाएर सिकिन्छः विभिन्न डोमेनहरू बीच वितरण भिन्नता कम गर्दै, लक्षित डोमेन डाटाको ज्यामिति संरक्षण गर्दै, र स्रोत डोमेन डाटाको ज्यामितिलाई लेबल जानकारीसँग पign्क्तिबद्ध गर्दै। यसबाहेक, हामी जटिल डोमेन अनुकूलन समस्याहरू समाधान गर्न हाम्रो प्रयास समर्पित गर्छौं र पहिलो विधिलाई बहु कर्नेल लर्निंग फ्रेमवर्कमा विस्तार गरेर रैखिक क्रस-डोमेन मेट्रिक शिक्षा भन्दा बाहिर जान्छौं। धेरै कर्नेलहरूको एक उत्तल संयोजन र एक रैखिक रूपान्तरण अनुकूलनशील रूपमा एकल अनुकूलनमा सिकिएको छ, जसले पूर्व ज्ञानको अन्वेषण र डाटा विशेषताहरूको वर्णनलाई ठूलो फाइदा पुर्याउँछ। तीन वास्तविक-विश्व अनुप्रयोगहरूमा व्यापक प्रयोगहरू (अनुहार पहिचान, पाठ वर्गीकरण, र वस्तु वर्गीकरण) प्रमाणित गर्दछ कि प्रस्तावित विधिहरूले राज्य-को-कला मेट्रिक शिक्षा र डोमेन अनुकूलन विधिहरू भन्दा राम्रो प्रदर्शन गर्दछ। |
1b51a9be75c5b4a02aecde88a965e32413efd5a3 | वस्तु पहिचानका लागि स्थानीय विशेषताहरू सिक्ने एउटा सामान्य तरिका हो स्पायरस कोडिङ । हालसालै, त्यहाँ स्पेसिय-टाइमरोल, द्विनेत्रिक, वा अन्य बहु-अवलोकन डाटाबाट सुविधाहरू सिक्नेमा बढ्दो चासो रहेको छ, जहाँ लक्ष्य एकल छविको सामग्री भन्दा छविहरू बीचको सम्बन्धलाई एन्कोड गर्नु हो। हामी बहु-दृश्य सुविधा सिक्ने विश्लेषण प्रदान गर्दछौं, जसले देखाउँदछ कि लुकेका चरहरू बहु छवि विकृतिहरू बीच साझा गरिएको आइजेन्सस्पेसमा रोटेशन कोणहरू पत्ता लगाएर रूपान्तरणहरू एन्कोड गर्दछन्। हाम्रो विश्लेषणले हालैका प्रयोगात्मक नतिजाहरू व्याख्या गर्न मद्दत गर्दछ जसले परिवर्तन-विशिष्ट सुविधाहरू देखा पर्दछ जब भिडियोहरूमा जटिल सेल मोडेलहरू प्रशिक्षण दिईन्छ। हाम्रो विश्लेषणले यो पनि देखाउँछ कि रूपान्तरण-अपरिवर्तनीय विशेषताहरू रूपान्तरणको प्रतिनिधित्वको शिक्षाको उप-उत्पादको रूपमा देखा पर्न सक्छ। |
213d7af7107fa4921eb0adea82c9f711fd105232 | उच्च आयामी डेटालाई उच्च आयामी इनपुट भेक्टरहरूको पुनः निर्माण गर्न सानो केन्द्रीय तहको साथ बहु-तहको न्यूरल नेटवर्कलाई प्रशिक्षण दिएर कम आयामी कोडमा रूपान्तरण गर्न सकिन्छ। यस्तो "स्वतः एन्कोडर" नेटवर्कमा तौलहरू ठीक गर्न ग्रेडिएन्ट अवतरण प्रयोग गर्न सकिन्छ, तर यो राम्रोसँग काम गर्दछ यदि प्रारम्भिक तौलहरू राम्रो समाधानको नजिक छन् भने मात्र। हामी वजनको प्रारम्भिककरणको एक प्रभावकारी तरिका वर्णन गर्दछौं जसले गहिरो अटो एन्कोडर नेटवर्कहरूलाई कम आयामी कोडहरू सिक्न अनुमति दिन्छ जुन डाटाको आयाम कम गर्नका लागि उपकरणको रूपमा मुख्य घटक विश्लेषण भन्दा धेरै राम्रो काम गर्दछ। |
00bbfde6af97ce5efcf86b3401d265d42a95603d | अनुभविक प्रमाणले सुझाव दिन्छ कि ह्यासिङ आयाम घटाउने र व्यावहारिक गैर-परमिट्री अनुमानको लागि एक प्रभावकारी रणनीति हो। यस लेखमा हामी विशेषता ह्यासिंगको लागि घातांकीय पुच्छर सीमा प्रदान गर्दछौं र देखाउँदछौं कि अनियमित उप-स्थानहरू बीचको अन्तरक्रिया उच्च सम्भावनाको साथ नगण्य छ। हामी प्रयोगात्मक परिणामको साथ यो दृष्टिकोणको व्यवहार्यतालाई नयाँ प्रयोगको लागि प्रदर्शन गर्दछौं - सयौं हजार कार्यहरू सहित बहु-कार्य सिकाइ। |
b8811144fb24a25335bf30dedfb70930d2f67055 | |
1441c41d266ce48a2041bd4da0468eec961ddf4f | हामी शब्द वृक्षको परिचय दिन्छौं, एउटा नयाँ दृश्य र सूचना-पुनर्प्राप्ति प्रविधिको उद्देश्य पाठ कागजातहरू हो। शब्द वृक्ष परम्परागत "सन्दर्भमा कुञ्जी शब्द" विधि को एक ग्राफिकल संस्करण हो, र पाठ को निकाय को द्रुत क्वेरी र अन्वेषण सक्षम गर्दछ। यस लेखमा हामी प्रविधिको डिजाइनको वर्णन गर्छौं, यसको कार्यान्वयनमा उत्पन्न हुने केही प्राविधिक मुद्दाहरूको साथ। यसका अतिरिक्त हामी धेरै महिनादेखि सार्वजनिक रूपमा शब्दका रूखहरू प्रयोग गर्ने परिणामहरूको बारेमा चर्चा गर्छौं, जसले प्रयोगकर्ताहरूले दृश्यबाट कसरी मूल्य प्राप्त गर्छन् भन्ने कुराको झ्याल प्रदान गर्दछ। |
37b9b5a5eb63349a3e6f75d5c4c061d7dbc87f4e | ): जानकारी लुकाउने १९९८, एलएनसीएस १५२५, पृ. 218-238, 1998. c © स्प्रिङ्गर-वेर्लाग बर्लिन हेडेलबर्ग 1998 प्रतिलिपि अधिकार चिह्न प्रणालीमा आक्रमण अन्तमा हामी सामान्यतया स्टीगनोग्राफी र विशेष गरी प्रतिलिपि अधिकार मार्किंगको सन्दर्भमा बलियोताको अर्थको बारेमा केही टिप्पणीहरू गर्छौं। डिजिटल रेकर्डिङ मिडियाले धेरै नयाँ सम्भावनाहरू प्रदान गर्दछ तर हलिउड र रक संगीत उद्योग जस्ता बौद्धिक सम्पत्ति मालिकहरू बीच व्यापक डरले उनीहरूको उपभोगलाई खतरामा पार्ने डरले उनीहरूको अपहरणलाई बाधा पुर्याएको छ यदि प्रयोगकर्ताहरूले भिडियो, संगीत र मल्टिमिडिया कार्यहरूको असीमित पूर्ण प्रतिलिपिहरू बनाउन सक्दछन्। डिजिटल मिडियाको लागि पहिलो प्रतिलिपि सुरक्षा संयन्त्रहरू मध्ये एक थियो सीरियल प्रतिलिपि व्यवस्थापन प्रणाली (एससीएमएस) सोनी र फिलिप्स द्वारा अस्सी को दशकमा डिजिटल अडियो टेपहरूको लागि शुरू गरिएको थियो [31]। उपभोक्ताहरूलाई उनीहरूको स्वामित्वमा रहेको सीडीको डिजिटल अडियो टेप बनाउन अनुमति दिने विचार थियो (उदाहरणका लागि) उनीहरूको कारमा प्रयोग गर्न, तर अरू कसैको टेपको टेप बनाउन होइन; यसैले प्रतिलिपिहरू पहिलो पुस्तामा मात्र सीमित हुनेछन्। कार्यान्वयन प्रत्येक अडियो वस्तुको हेडरमा बुलियन मार्कर समावेश गर्नु थियो। दुर्भाग्यवश यो असफल भयो किनभने केही निर्माताहरूले उत्पादन गरेको हार्डवेयरले यसलाई लागू गरेन। हालै डिजिटल भिडियो डिस्क, जसलाई डिजिटल वर्साटाइल डिस्क (डीभिडी) कन्सोर्टियम पनि भनिन्छ, ले सिरियल प्रतिलिपि व्यवस्थापन लागू गर्नका लागि प्रतिलिपि अधिकार मार्किङ योजनाको लागि प्रस्ताव आह्वान गर्यो। उपभोक्ताहरूलाई बेचेको डीभिडी प्लेयरले असीमित प्रतिलिपि गर्ने र टेलिभिजन कार्यक्रमहरू हेर्ने अनुमति दिन्छ, तर व्यावसायिक चोरीको लागि सजिलै दुरुपयोग गर्न सकिँदैन [१९, ४४] । प्रस्तावित कार्यान्वयन यो हो कि भिडियोहरू चिह्नित हुनेछैन, वा चिह्नित हुनेछ कहिल्यै प्रतिलिपि, वा प्रतिलिपि एक पटक मात्र; अनुरूप खेलाडीहरूले कहिल्यै प्रतिलिपि चिह्नित भिडियो रेकर्ड गर्दैनन् र एक चिह्नित प्रतिलिपि एक पटक मात्र रेकर्ड गर्दा यसको मार्कलाई कहिल्यै प्रतिलिपि मा परिवर्तन गर्दछ। व्यावसायिक रूपमा बिक्री गरिएका भिडियोहरू "कहिल्यै प्रतिलिपि नगर्ने" भनेर चिह्नित गरिनेछ, जबकि टेलिभिजन प्रसारण र यस्तै सामग्री "केवल एक पटक प्रतिलिपि गर्ने" भनेर चिह्नित गरिनेछ र होम भिडियोहरू चिह्नित गरिने छैन। इलेक्ट्रोनिक कपीराइट व्यवस्थापन योजनाहरू पनि युरोपियन परियोजनाहरू जस्तै इम्प्रिमटुर र सीआईटीईडी [45, 66, 67] र अमेरिकी परियोजनाहरू जस्तै बौद्धिक सम्पत्ति अधिकारमा कार्य समूह द्वारा प्रस्तावित [69] द्वारा प्रस्तावित गरिएको छ। विगत केही वर्षहरूमा डिजिटल चित्र, भिडियो, अडियो र अन्य मल्टिमिडिया वस्तुहरूमा प्रतिलिपि अधिकार चिन्हहरू र अन्य जानकारी लुकाउनका लागि धेरै योजनाहरू प्रस्ताव गरिएको छ। हामी अनुसन्धान साहित्य र क्षेत्रमा देखा परेका केही प्रतियोगीहरूको वर्णन गर्दछौं; त्यसपछि हामी धेरै आक्रमणहरू प्रस्तुत गर्दछौं जसले तिनीहरूद्वारा लुकाइएको जानकारी हटाउन वा अन्यथा प्रयोग गर्न नसकिने बनाउँदछ। सूचना लुकाउने अनुप्रयोगहरू पछिल्ला केही वर्षहरूमा अन्य जानकारीमा जानकारी लुकाउने तरिकाहरूमा द्रुत रूपमा बढ्दो चासो देखिएको छ। [पृष्ठ २३-मा भएको चित्र] डिजिटल मिडियाको प्रतिलिपि गर्न सकिने सहजताका कारण प्रतिलिपि अधिकार खारेज हुने डरले मानिसहरूलाई अडियो र भिडियोमा लुकेका प्रतिलिपि अधिकार चिन्हहरू र सिरियल नम्बरहरू सम्मिलित गर्ने तरिकाहरू अध्ययन गर्न प्रेरित गर्यो; गोपनीयता खारेज हुने चिन्ताले इलेक्ट्रोनिक नगद, अज्ञात रिमेलरहरू, डिजिटल चुनाव र तेस्रो पक्षहरूलाई मोबाइल कम्प्युटर प्रयोगकर्ताहरूलाई ट्र्याक गर्न गाह्रो बनाउने प्रविधिहरूमा काम गर्न नेतृत्व गर्यो; र त्यहाँ परम्परागत "सैन्य" चिन्ताहरू छन्। सूचना लुकाउने विषयमा पहिलो अन्तर्राष्ट्रिय कार्यशालामा यी समुदायहरू एकसाथ भेला भएका थिए र त्यहाँ थुप्रै लुकाउने योजनाहरू प्रस्तुत गरिएका थिए। अन्यत्र पनि धेरै योजनाहरू प्रस्तुत गरिएका छन्। हामीले यो धारणा बनायौं कि स्टीगनोग्राफी र प्रतिलिपि अधिकारको चिन्ह लगाउने काममा उपयोगी प्रगति यी सबै पहिलो पुस्ताका योजनाहरूमाथि आक्रमण गर्ने प्रयासबाट आउन सक्छ। क्रिप्टोलोजीको सम्बन्धित क्षेत्रमा प्रगति पुनरावर्ती थियो: क्रिप्टोग्राफिक एल्गोरिदमहरू प्रस्ताव गरिएको थियो, तिनीहरूमाथि आक्रमणहरू फेला पारियो, थप एल्गोरिदमहरू प्रस्ताव गरियो, र यस्तै। अन्ततः सिद्धान्तको उदय भयो: स्ट्रिम सिफरमा द्रुत सम्बन्ध आक्रमण र ब्लक सिफरमा भिन्नता र रैखिक आक्रमणले हामीलाई क्रिप्टोग्राफिक एल्गोरिदमको शक्तिलाई पहिले भन्दा धेरै विस्तृत रूपमा बुझ्न मद्दत गर्दछ। त्यस्तै, धेरै क्रिप्टोग्राफिक प्रोटोकलहरू प्रस्ताव गरिएको थियो र लगभग सबै प्रारम्भिक उम्मेदवारहरू तोडिएका थिए, प्रोटोकलको बलियोपन र औपचारिक प्रमाणीकरणको लागि प्रविधिहरूको अवधारणाहरूको नेतृत्व गर्दै। यस लेखमा, हामी पहिले प्रतिलिपि अधिकार संरक्षण सन्दर्भ वर्णन गर्दछौं जसमा सबैभन्दा नयाँ योजनाहरू विकास गरिएको छ; त्यसपछि हामी यी मध्ये एक चयन वर्णन गर्दछौं। पहिलो लेखकले इन्टेल कर्पोरेशनलाई "सूचना लुकाउने प्रणालीको बलियोपन" अनुदान अन्तर्गत आर्थिक सहयोगको लागि आभारी छ। के छ ? तेस्रो लेखकलाई युरोपेली आयोगको मारिया-क्युरी अनुदानले सहयोग गरेको छ। |
123ae35aa7d6838c817072032ce5615bb891652d | हामी बाइनरीनेट प्रस्तुत गर्दछौं, एक विधि जसले बाइनरी तौल र सक्रियताहरूको साथ डीएनएनहरूलाई प्रशिक्षण दिन्छ जब प्यारामिटरहरू गणना गर्दछ। हामी देखाउँछौं कि यो MNIST मा एक बहु तह Perceptron (MLP) र CIFAR-10 र SVHN मा ConvNets BinaryNet संग र लगभग राज्य-को-कला परिणाम प्राप्त गर्न सम्भव छ। रन-टाइममा, बाइनरीनेटले मेमोरी प्रयोगलाई ठूलो मात्रामा कम गर्दछ र धेरै जसो गुणाहरू १-बिट अनन्य-न-वा (XNOR) अपरेशनहरू द्वारा प्रतिस्थापन गर्दछ, जसले दुबै सामान्य उद्देश्य र समर्पित गहिरो शिक्षा हार्डवेयरमा ठूलो प्रभाव पार्न सक्छ। हामीले बाइनरी म्याट्रिक्स गुणन GPU कर्नेल लेख्यौं जसको साथ यो सम्भव छ हाम्रो MNIST MLP 7 पटक छिटो चलाउनको लागि अप्टिमाइज्ड GPU कर्नेलको तुलनामा, वर्गीकरण शुद्धतामा कुनै हानि बिना। बाइनरीनेटको कोड उपलब्ध छ। |
62c8104a3df91f98807a5611aba4a553a5f2ed2e | प्यारामिटरयुक्त मोडेलले आश्चर्यजनक रूपमा थोरै संख्यामा प्यारामिटरहरू सहित मानव अनुहारहरूको यथार्थपरक, हेरफेर योग्य छविहरू उत्पादन गर्न सक्दछ। |
277cbc63d4a2c63d968ee3fb403b56f88037e836 | |
d73a87896b36565997550eaf16ab7a998c13bf67 | हामी एउटा नयाँ सामान्यीकृत स्थानिक मोडुलेशन (जीएसएम) प्रविधि प्रस्ताव गर्छौं, जसलाई हालै प्रस्ताव गरिएको स्थानिक मोडुलेशन (एसएम) प्रविधिको सामान्यीकरणको रूपमा मान्न सकिन्छ। एसएमलाई जीएसएमको एउटा विशेष मामलाको रूपमा हेर्न सकिन्छ जसमा केवल एउटा सक्रिय प्रसारण एन्टेना हुन्छ। एसएमको विपरित, जीएसएमले सूचना बिट्सको नक्शा बनाउन बहु प्रसारण एन्टेनाको अनुक्रमणिका प्रयोग गर्दछ, र यसैले पर्याप्त बृद्धि भएको स्पेक्ट्रल दक्षता प्राप्त गर्न सक्षम छ। यसबाहेक, बहु सक्रिय प्रसारण एन्टेनाहरू छनौट गर्नाले जीएसएमलाई एसएमको तुलनामा महत्त्वपूर्ण प्रसारण विविधता लाभहरू प्राप्त गर्न सक्षम गर्दछ, किनकि सबै सक्रिय एन्टेनाहरूले समान जानकारी प्रसारण गर्दछन्। अर्कोतर्फ, यी सक्रिय एन्टेनाहरू मार्फत समान प्रतीकहरू प्रसारण गरेर इन्टर-च्यानल हस्तक्षेप (आईसीआई) पूर्ण रूपमा रोकिन्छ। हामी जीएसएमको प्रतीक त्रुटि दर (एसईआर) प्रदर्शनको लागि अर्डर तथ्याङ्क प्रयोग गरेर सैद्धान्तिक विश्लेषण प्रस्तुत गर्दछौं। विश्लेषणात्मक नतिजा हाम्रो सिमुलेसन नतिजासँग नजिकको सहमत छ। जीएसएम र एसएमको बिट त्रुटि दर प्रदर्शनको सिमुलेसन र तुलना गरिन्छ, जसले जीएसएमको श्रेष्ठतालाई प्रदर्शन गर्दछ। यसबाहेक, विभिन्न प्रसारण र प्राप्त एन्टेनाको कन्फिगरेसनको साथ जीएसएम प्रणालीहरू अध्ययन गरिन्छ। हाम्रो परिणामले सुझाव दिन्छ कि कम संख्यामा उच्च मोडुलेशन अर्डरको साथ प्रसारण एन्टेनाको प्रयोगले राम्रो BER प्रदर्शनमा पुर्याउँछ। |
395e3f319d9c7495a7425d3394308133ec1bb616 | |
d4599dcb4cc83404d8bc416b1f259d50bde2f44f | आधुनिक स्मार्ट ग्रिडका लागि एउटा आवश्यक आवश्यकता ग्रिडका विभिन्न भेरिएबलहरूको निरन्तर अनुगमन हो। यो कार्य ग्रिड नेटवर्कमा तैनाथ स्व-पावरित इलेक्ट्रोनिक उपकरणहरूको प्रयोग गरेर कुशलतापूर्वक प्राप्त गरिन्छ। ग्रिड पावर लाइनहरूको नजिकै, यी लाइनहरूको उच्च भोल्टेजले यस्तो लोडको लागि ऊर्जाको स्रोत प्रदान गर्न सक्दछ क्षमतात्मक युग्मन प्रयोग गरेर। यसलाई विद्युतीय क्षेत्र ऊर्जा संकलन (ईएफईएच) भनिन्छ। तर, रिपोर्ट गरिएका रणनीतिहरूले यो सिद्धान्त प्रयोग गर्ने तरकारीको उर्जाको अधिकतम प्रयोग कसरी गर्ने भन्नेबारे अध्ययन गरेका छैनन्। यस लेखमा मध्यम भोल्टेजको विद्युत लाइन इन्सुलेटरको परजीवी क्षमताको प्रयोग गरी इष्टतम ऊर्जा संकलनको लागि एक उपन्यास दृष्टिकोण प्रस्ताव गरिएको छ। त्यसपछि एक अनुवर्ती शक्ति इलेक्ट्रोनिक रूपान्तरण प्रणाली लोड अवस्थाहरू कायम गर्न प्रयोग गरिन्छ जुन निकालेको ऊर्जा अधिकतम गर्दछ। प्रणाली प्रदर्शन सैद्धान्तिक अध्ययन र कम्प्युटर सिमुलेशन प्रयोग गरेर निकालेको ऊर्जा अधिकतम गर्ने सञ्चालन अवस्था पहिचान गर्न विश्लेषण गरिएको छ। हालसम्म प्राप्त परिणामहरूले सुझाव दिन्छ कि १०० एमडब्ल्यू सम्म २२ केभी ग्रिड फिडरहरूबाट कटनी गर्न सकिन्छ, केवल क्षमतात्मक युग्मन प्रयोग गरेर जुन लाइन इन्सुलेटर हारभेस्टर र फिडर कन्डक्टरको बीचमा अवस्थित छ। |
64e216c128164f56bc91a33c18ab461647384869 | सुरक्षा र सुरक्षा अनुप्रयोगहरू जस्तै निगरानी वा फोरेंसिक कम-रिजोल्युसन भिडियो डाटामा अनुहार पहिचानको माग गर्दछ। हामी कम रिजोल्युसनको भिडियो अनुहार पहिचानका लागि मनिफोल्ड-आधारित ट्र्याक तुलना रणनीति सहित कन्भोल्युसनल न्यूरल नेटवर्क (सीएनएन) मा आधारित अनुहार पहिचान विधि प्रस्ताव गर्दछौं। कम रिजोल्युसन डोमेनलाई नेटवर्क आर्किटेक्चरलाई समायोजन गरेर सम्बोधन गरिन्छ ताकि बोतलको गला वा अनुहार छविहरूको महत्त्वपूर्ण अपस्केलिंग रोक्न सकिन्छ। सीएनएनलाई ठूलो मात्रामा स्वयं-संग्रह गरिएको भिडियो अनुहार डाटासेट र ठूलो मात्रामा सार्वजनिक छवि अनुहार डाटासेटको संयोजनको साथ प्रशिक्षित गरिएको छ जसको परिणामस्वरूप लगभग १.४ मिलियन प्रशिक्षण छविहरू छन्। ठूलो मात्रामा भिडियो डाटालाई सम्हाल्न र प्रभावकारी तुलनाका लागि सीएनएन अनुहारको विवरणहरू स्थानीय प्याच माध्यमबाट ट्र्याक स्तरमा कुशलतापूर्वक तुलना गरिन्छ। हाम्रो सेटअपले युट्युब फेस डाटाबेसको ३२×३२ पिक्सेलको कम रिजोल्युसनको संस्करणमा ८०.३ प्रतिशत शुद्धता प्राप्त गर्दछ र स्थानीय छवि वर्णनकर्ताहरू साथै यस डोमेनमा अत्याधुनिक VGG-Face नेटवर्क [२०] लाई पछाडि पार्दछ। प्रस्तावित विधिको उत्कृष्ट कार्यक्षमता स्व-संग्रहित जंगली निगरानी डेटासेटमा पुष्टि गरिएको छ। |
21ef9c68739b0ddc7a9be31091c1882791e92780 | यस लेखमा हामी अनलाइन प्रयोगकर्ता समीक्षाबाट वस्तुहरूको रेटिङ योग्य पक्षहरू निकाल्नका लागि एउटा नयाँ ढाँचा प्रस्तुत गर्दछौं। यस्ता पक्षहरू निकाल्दा वेबबाट स्वचालित रूपमा उत्पादन रायहरू खानीमा र प्रयोगकर्ता समीक्षाको राय-आधारित सारांशहरू उत्पन्न गर्नमा महत्त्वपूर्ण चुनौती हो [१८, १९, ७, १२, २७, ३६, २१] । हाम्रा मोडेलहरू बहु-अनाज विषयहरू प्रेरित गर्न मानक विषय मोडेलिंग विधिहरू जस्तै एलडीए र पीएलएसएमा विस्तारमा आधारित छन्। हामी तर्क गर्छौं कि बहु-अनाज मोडेलहरू हाम्रो कार्यको लागि अधिक उपयुक्त छन् किनकि मानक मोडेलहरूले विषयहरू उत्पादन गर्दछन् जुन वस्तुहरूको विश्वव्यापी गुणहरूसँग मेल खान्छ (उदाहरणका लागि, उत्पाद प्रकारको ब्रान्ड) बरु वस्तुको पक्षहरू भन्दा जुन प्रयोगकर्ताले मूल्या rated्कन गर्ने गर्छ। हामीले प्रस्तुत गरेका मोडेलहरूले मात्र मूल्य निर्धारण योग्य पक्षहरू निकाल्दैनन्, तर तिनीहरूलाई सुसंगत विषयहरूमा पनि समूहबद्ध गर्दछन्, उदाहरणका लागि, वेट्रेस र बार्नर एउटै विषय कर्मचारी को हिस्सा हो रेस्टुरेन्टहरूको लागि। यसबाट यसलाई धेरै अघिल्लो कार्यबाट भिन्न बनाइएको छ जसले न्यूनतम क्लस्टरिङको साथ टर्म फ्रिक्वेन्सी विश्लेषणको माध्यमबाट पक्षहरू निकाल्छ। हामी बहु-अनाज मोडेलहरू गुणात्मक र मात्रात्मक दुवै रूपमा मूल्याङ्कन गर्छौं कि तिनीहरू मानक विषय मोडेलहरूमा उल्लेखनीय सुधार गर्छन्। |
5092375789732afbfbfe2f5ede0792af6c562813 | बृद्धि गरिएको निर्णय रूखहरू आज प्रयोगमा रहेका सबैभन्दा लोकप्रिय सिकाउने प्रविधिहरू मध्ये एक हुन्। परीक्षणको समयमा द्रुत गति प्रदर्शन गर्दा, अपेक्षाकृत ढिलो प्रशिक्षणले तिनीहरूलाई वास्तविक-समय सिक्ने आवश्यकताहरूको साथ अनुप्रयोगहरूको लागि अव्यावहारिक बनाउँदछ। हामी यो कमजोरीलाई हटाउनको लागि एउटा सिद्धान्तमा आधारित दृष्टिकोण प्रस्ताव गर्दछौं। हामी प्रशिक्षण डेटाको उप-समूहमा यसको प्रारम्भिक त्रुटि दिइएको निर्णय स्टम्पको त्रुटिमा एक बाउन्ड प्रमाणित गर्दछौं; बाउन्ड प्रशिक्षण प्रक्रियाको प्रारम्भिक चरणमा आशाजनक सुविधाहरू काट्न प्रयोग गर्न सकिन्छ। हामी एउटा द्रुत प्रशिक्षण एल्गोरिथ्म प्रस्ताव गर्छौं जसले यो सीमाको शोषण गर्दछ, वर्गीकरणकर्ताको अन्तिम प्रदर्शनमा कुनै लागत बिना परिमाणको अर्डरको गति प्रदान गर्दछ। हाम्रो विधि बूस्टिङको नयाँ रूप होइन, बरु यसलाई विद्यमान बूस्टिङ एल्गोरिदम र अन्य नमूना विधिहरूसँग संयोजनमा प्रयोग गरिन्छ अझ बढी गति प्राप्त गर्नका लागि। |
946809792f7873dafdeb27a88d8e9d05a0294828 | बैंकहरूको एटीएम नगद व्यवस्थापन प्रविधिमा सुधार गर्नु बैंक र स्वतन्त्र फर्महरूको लागि एक अलग अनुकूलन समस्याको रूपमा साहित्यमा पहिले नै महत्त्वपूर्ण ध्यान प्राप्त भएको छ जसले स्वचालित टेलर मेसिनहरूलाई नगद आपूर्ति गर्दछ। यस लेखमा लागत घटाउने अर्को सम्भावनामा केन्द्रित छ: नगद व्यवस्थापन समस्यालाई एक समस्याको रूपमा अनुकूलन गर्ने। यस प्रकार, बैंकहरू र ट्रान्जिट फर्महरूमा नगद बीचको सम्झौता मूल्यहरू सामान्यतया परिमार्जन गर्न सकिन्छ व्यक्तिगत अनुकूलनको तुलनामा थप लागत घटाउन अनुमति दिदै। यस प्रक्रियाको प्रासंगिकता देखाउनको लागि, हामीले हंगेरीको वाणिज्य बैंकको लागि बाउमोल-प्रकारको नगद माग पूर्वानुमानको आधारमा सम्भावित पारेटो-सुधार पुनः अनुबंध योजनाहरू निर्धारण गरेका छौं जसको परिणामस्वरूप लागतमा उल्लेखनीय कमी आएको छ। © २०१६ एल्सभियर बी.भी. सबै अधिकार सुरक्षित। |
bfa0710b11b060536f225031f81eb167c63e4fa5 | यस लेखमा कार-कार अनुप्रयोगहरूको लागि एक अभिनव एन्टेना प्रणालीको वर्णन गरिएको छ। एन्टेना प्रणाली सक्रिय एन्टेना मोड्युलमा आधारित छ जसमा एन्टेनाहरू साथै पूर्ण कार २ कार चिप हार्डवेयर र सफ्टवेयर समावेश छ। यो मोड्युल धेरै सानो छ, त्यसैले यसलाई एकीकृत गर्न सकिन्छ जस्तै कारको छतमा राखिएको शार्क फिन एन्टेनामा। यसबाहेक अतिरिक्त मोड्युलहरू कारको अन्य ठाउँमा जडान गर्न सकिन्छ र इथरनेट मार्फत मुख्य मोड्युलसँग जोड्न सकिन्छ। यसले प्रणालीको उच्च लचिलोपन र पुनः कन्फिगरेबिलिटीलाई अनुमति दिन्छ। दुईवटा परीक्षण कार नयाँ कार-कार प्रदर्शन प्रणालीले सुसज्जित छन् र ३ डी मापन कक्षमा साथै गतिशील बाहिरी परिदृश्यहरूमा मापनहरू गरिएको छ। नयाँ प्रणालीले मापन र क्षेत्र परीक्षणमा उत्कृष्ट प्रदर्शन देखाउँछ। |
a036eb870e007bea24f3e9ff99c376f71984fdcc | बहुस्तरीय इन्भर्टर (एमएलआई) व्यापक रूपमा उच्च भोल्टेज र उच्च शक्ति को दायरा मा औद्योगिक अनुप्रयोगहरु को लागी प्रयोग गरीन्छ। यो कम हार्मोनिक विकृति, कम विद्युत चुम्बकीय हस्तक्षेप र उच्च दायराको कारण हो। तर निम्न प्रकारको इन्भर्टरमा केही कमजोरीहरू छन् जस्तै भोल्टेज सन्तुलनमा कठिनाई, कम्पोनेन्टहरूको उच्च संख्या र पल्स चौडाई मोडुलेशन नियन्त्रण विधिमा जटिलता। यस लेखको उद्देश्य प्रत्येक तहमा पाँचवटा स्विच र एउटै भोल्टेज स्रोतहरू भएको ७-स्तरको संशोधित कम स्विच सममित एमएलआई (एमआरएसएमएलआई) डिजाइन गरेर विद्यमान टोपोलोजीहरूको तुलना गर्नु हो। सात स्तरको सात स्विच, सात स्तरको छ स्विच र सात स्तरको पाँच स्विच एमएलआईको सिमुलेसन र तुलना म्याट्याब/सिमलिंक वातावरण प्रयोग गरेर गरिनेछ। पाँच स्विचको एमआईबाट प्राप्त परिणामहरू सात स्विचको एमआईको एफएफटी विश्लेषण डिजाइनको साथ प्रमाणित हुनेछ। प्राप्त आउटपुट त्यसपछि एक प्रेरण मोटर को नियन्त्रण को लागी उपयोग गरिनेछ। सिमुलेसनको नतिजा प्रस्तावित एमआरएसएमएलआईको हार्डवेयर सेटअप डिजाइन गरेर प्रमाणित गरिनेछ। |
807c1f19047f96083e13614f7ce20f2ac98c239a |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.