_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
dcd72f0a9cdc37450379f401fc2f4f87e30f5021 | |
c1b66422b1dab3eeee6d6c760f4bd227a8bb16c5 | |
e75c5d1b7ecd71cd9f1fdc3d07f56290517ef1e5 | ଅନଲାଇନ ଟ୍ରାଞ୍ଜାକ୍ସନ ପ୍ରୋସେସିଂ (ଓଏଲଟିପି) ଏବଂ ଅନଲାଇନ ଆନାଲିଟିକାଲ ପ୍ରୋସେସିଂ (ଓଏଲଏପି) ର ଦୁଇଟି କ୍ଷେତ୍ର ଡାଟାବେସ ଆର୍କିଟେକଚର ପାଇଁ ଭିନ୍ନ ଭିନ୍ନ ଆହ୍ୱାନ ସୃଷ୍ଟି କରିଥାଏ । ବର୍ତ୍ତମାନ ସମୟରେ, ଯେଉଁ ଗ୍ରାହକମାନେ ଉଚ୍ଚ ହାରରେ ମିଶନ-କ୍ରିଟିକାଲ କାରବାର କରୁଛନ୍ତି ସେମାନେ ସେମାନଙ୍କର ତଥ୍ୟକୁ ଦୁଇଟି ପୃଥକ ସିଷ୍ଟମରେ ବିଭକ୍ତ କରିଛନ୍ତି, OLTP ପାଇଁ ଗୋଟିଏ ଡାଟାବେସ୍ ଏବଂ OLAP ପାଇଁ ଗୋଟିଏ ତଥାକଥିତ ଡାଟା ଭଣ୍ଡାର । ଯଦିଓ ଏହି ପୃଥକକରଣରେ ଉତ୍ତମ କାରବାର ହାର ପାଇଁ ଅନୁମତି ଦିଆଯାଇଛି, ତେବେ ଏଥିରେ ଅନେକ ଅସୁବିଧା ରହିଛି, ଯେଉଁଥିରେ ଡାଟା ସତେଜତା ସମସ୍ୟା ମଧ୍ୟ ରହିଛି, କାରଣ କେବଳ ସମୟାନୁସାରେ ଏକ୍ସଟ୍ରାକ୍ଟ ଟ୍ରାନ୍ସଫର୍ମ ଲୋଡ-ଡାଟା ଷ୍ଟେଜିଂ ଆରମ୍ଭ କରିବା ଦ୍ୱାରା ବିଳମ୍ବ ହୋଇଥାଏ ଏବଂ ଦୁଇଟି ପୃଥକ ସୂଚନା ପ୍ରଣାଳୀକୁ ବଜାୟ ରଖିବା ହେତୁ ଅତ୍ୟଧିକ ସମ୍ବଳ ଖର୍ଚ୍ଚ ହୋଇଥାଏ । ଆମେ ହାଇପର ନାମକ ଏକ ଦକ୍ଷ ହାଇବ୍ରିଡ ସିଷ୍ଟମ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ଏକକାଳୀନ ଉଭୟ ଓଏଲଟିପି ଏବଂ ଓଏଲଏପିକୁ ପରିଚାଳନା କରିପାରିବ । ହାଇପର ହେଉଛି ଏକ ମୁଖ୍ୟ-ସ୍ମୃତି ଡାଟାବେସ ସିଷ୍ଟମ ଯାହା OLTP କାରବାରର ACID ଗୁଣବତ୍ତା ଗ୍ୟାରେଣ୍ଟି ଦେଇଥାଏ ଏବଂ ସମାନ, ମନଇଚ୍ଛା ଚାଲୁଥିବା ଏବଂ ସମାନ ସ୍ନାପସଟ୍ ରେ OLAP ପ୍ରଶ୍ନ ସେସନ୍ (ବହୁ ପ୍ରଶ୍ନ) କାର୍ଯ୍ୟକାରୀ କରିଥାଏ । ଭର୍ଚୁଆଲ ମେମୋରୀ ପରିଚାଳନା (ଆଡ୍ରେସ ଟ୍ରାନ୍ସଲେସନ, କ୍ୟାଚିଂ, ଅପଡେଟରେ କପି) ପାଇଁ ପ୍ରୋସେସର-ଅନ୍ତର୍ନିହିତ ସମର୍ଥନ ର ଉପଯୋଗ ଏକ ସମୟରେ ଉଭୟ ଫଳାଫଳ ପ୍ରଦାନ କରେ: ଉଭୟ କାର୍ଯ୍ୟଭାର ସମାନ୍ତରାଳ ଭାବରେ କାର୍ଯ୍ୟକାରୀ କରୁଥିବା ଏକ ସିଷ୍ଟମରେ 100000 ସେକେଣ୍ଡ ପ୍ରତି ଅଭୂତପୂର୍ବ ଉଚ୍ଚ କାରବାର ହାର ଏବଂ ବହୁତ ଦ୍ରୁତ OLAP ପ୍ରଶ୍ନର ପ୍ରତିକ୍ରିୟା ସମୟ। ଏହି କାର୍ଯ୍ୟଦକ୍ଷତା ବିଶ୍ଳେଷଣ ଟିପିସି-ସି ଏବଂ ଟିପିସି-ଏଚର ମିଳିତ ମାନଦଣ୍ଡ ଉପରେ ଆଧାରିତ । |
732212be0e6c5216158a7470c79fa2ff98a2da06 | ଆମେ ଏକ ଷ୍ଟାକ୍-ଏଫଇଟି ଏକକ ମିଲିମିଟର-ବେଭ୍ (ଏମଏମଡବ୍ଲୁ) ସମନ୍ୱିତ ସର୍କିଟ୍ ଡୋହେର୍ଟି ପାୱାର ଆମ୍ପ୍ଲିଫାୟର (ଡିପିଏ) ଉପସ୍ଥାପନ କରୁଛୁ । ଡିପିଏ ଏକ ନୂଆ ଅସାମିଚିକ ଷ୍ଟେକ ଗେଟ ବିୟାସ ବ୍ୟବହାର କରି ୬ ଡିବି ପାୱାର ବ୍ୟାକଅଫ (ପିବିଓ) ରେ ଉଚ୍ଚ ଶକ୍ତି ଏବଂ ଉଚ୍ଚ ଦକ୍ଷତା ହାସଲ କରିଥାଏ । ଏହି ସର୍କିଟକୁ 0.15-μm ବୃଦ୍ଧି ମୋଡ (ଇ-ମୋଡ) ଗ୍ୟାଲିୟମ ଆରସେନାଇଡ (GaAs) ପ୍ରକ୍ରିୟାରେ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ 1 dB ଗେନ୍ କମ୍ପ୍ରେସନ (P1dB) ରେ 28.2 dBm ର ଆଉଟପୁଟ୍ ପାୱାର, 37% ର ପିକ୍ ପାୱାର ଆଡେଡ୍ ଇଫେକ୍ଟିଭିଟି (PAE) ଏବଂ 28 GHz ରେ 6 dB PBO ରେ 27% ର PAE । ମାପ କରାଯାଇଥିବା କ୍ଷୁଦ୍ର ସିଗନାଲ୍ ଲାଭ 15 dB ହୋଇଥିବା ବେଳେ 3-dB ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ 25.5 ରୁ 29.5 GHz ପର୍ଯ୍ୟନ୍ତ ବ୍ୟାପିଥାଏ । ଡିଜିଟାଲ ପ୍ରିଡୋର୍ସନ (DPD) ବ୍ୟବହାର କରି 20 MHz 64 QAM ମଡ୍ୟୁଲେଟେଡ ସିଗନାଲ୍ ସହିତ, ଏକ ଆଡଜଷ୍ଟେଣ୍ଟ ଚ୍ୟାନେଲ ପାୱାର ରେସିଓ (ACPR) -46 dBc ଦେଖାଯାଇଛି । |
03837b659b4a8878c2a2dbef411cd986fecfef8e | ଆମେ ଏକ ସ୍ୱୟଂ-ପ୍ରବୃତ୍ତ ଧ୍ୟାନ ବ୍ୟବସ୍ଥା ପ୍ରବର୍ତ୍ତନ କରିଛୁ ଯାହାଦ୍ୱାରା ସମାନ୍ତରାଳ ଭାବେ ଅକ୍ଷର ସ୍ତରୀୟ କ୍ରମ ମଡେଲିଂ କରାଯାଇପାରିବ । ଆମେ ଏହି ପଦ୍ଧତିକୁ ଏକ ନ୍ୟୁରାଲ ମଡେଲକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ବ୍ୟବହାର କରୁ ଯାହା କେସଲ କନଭୋଲ୍ୟୁସନାଲ ସ୍ତରର ବ୍ଲକକୁ ହାଇୱେ ନେଟୱାର୍କର ସ୍କିପ୍ ସଂଯୋଗ ଦ୍ୱାରା ସଂଯୁକ୍ତ । ଆମେ ପ୍ରସ୍ତାବିତ ଧ୍ୟାନ ମେକାନିଜିମ୍ ସହିତ ଏବଂ ବିନା ମଡେଲକୁ ଯଥାକ୍ରମେ ହାଇୱେ କାଜୁଆଲ୍ କନଭୋଲସନ୍ (କାଜୁଆଲ୍ କନଭୋଲସନ୍) ଏବଂ ଅଟୋରେଗ୍ରେସିଭ୍-ଆଚରଣ କାଜୁଆଲ୍ କନଭୋଲସନ୍ (ARA-Conv) ଭାବରେ ସୂଚାଇଥାଉ । ସ୍ୱୟଂକ୍ରିୟ ଦୃଷ୍ଟି ଯନ୍ତ୍ରଟି ଡିକୋଡରରେ କାରଣ-କାରଣକୁ ବଜାୟ ରଖିଥାଏ, ଯାହା ସମାନ୍ତରାଳ କାର୍ଯ୍ୟକାରିତାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମେ ଦେଖାଇଛୁ ଯେ ଏହି ମଡେଲଗୁଡିକ, ସେମାନଙ୍କର ବାରମ୍ବାର ହେଉଥିବା ପ୍ରତିରୂପମାନଙ୍କ ତୁଳନାରେ, ଚରିତ୍ର ସ୍ତରୀୟ ଏନଏଲପି କାର୍ଯ୍ୟରେ ଦ୍ରୁତ ଏବଂ ସଠିକ୍ ଶିକ୍ଷଣକୁ ଅନୁମତି ଦେଇଥାଏ । ବିଶେଷକରି, ଏହି ମଡେଲଗୁଡ଼ିକ ପ୍ରାକୃତିକ ଭାଷା ସଂଶୋଧନ ଏବଂ ଭାଷା ମଡେଲିଂ କାର୍ଯ୍ୟରେ ବାରମ୍ବାର ହେଉଥିବା ନ୍ୟୁରାଲ ନେଟୱାର୍କ ମଡେଲଗୁଡିକୁ ଅତିକ୍ରମ କରିଥାଏ ଏବଂ ସମୟର ଏକ ଅଂଶରେ ଚାଲିଥାଏ । |
fe419be5c53e2931e1d6370c914ce166be29ff6e | |
0c3078bf214cea52669ec13962a0a242243d0e09 | ଏହି କାଗଜରେ ଏକ ନୂଆ କମ୍ପାକ୍ଟ ଫିଡିଂ ସର୍କିଟ ବ୍ୟବହାର କରି ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ ପ୍ରିଣ୍ଟିଙ୍ଗ୍ ଚତୁର୍ଭୁଜ ହିଲିକାଲ ଆଣ୍ଟିନା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଏହି ଆଣ୍ଟିନା ବ୍ୟାଡ ବିମ୍ୱିଡଥ୍ରେ ଏକ ଉତ୍କୃଷ୍ଟ ଆକ୍ସିୟଲ ଅନୁପାତ ପ୍ରଦାନ କରିଥାଏ, ଯାହାର ବ୍ୟାଣ୍ଡୱିଡଥ୍ ୨୯% ହୋଇଥାଏ । ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଫିଡିଂ ସର୍କିଟ ଯାହା ଏକ ଏପର୍ଚର-କପଲ୍ଡ ଟ୍ରାଞ୍ଜିସନ ଉପରେ ଆଧାରିତ ଏବଂ ଏଥିରେ ଦୁଇଟି ୯୦° ପୃଷ୍ଠ ମାଉଣ୍ଟ ହାଇବ୍ରିଡ୍ ଅନ୍ତର୍ଭୁକ୍ତ, ଏହାକୁ ଚାରିପଟ ଆଣ୍ଟିନା ସହିତ ଏକୀକୃତ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଉପରେ ବ୍ରଡବ୍ୟାଣ୍ଡ କମ୍ପାକ୍ଟ ସର୍କିଟ ଦ୍ୱାରା ଆଟେନ୍୍ନା ମାପିତ ପ୍ରତିଫଳନ ଗୁଣକ -୧୨ ଡିସିବି କିମ୍ବା ଏହାଠାରୁ କମ୍ ବୋଲି ଜଣାପଡିଛି ଏବଂ ସର୍ବାଧିକ ଲାଭ ୧.୫ରୁ ୨.୭ ଡିସିବି ଏବଂ ୧.୧୮ରୁ ୧.୫୮ ଗିଗାହର୍ଟ୍ସ ମଧ୍ୟରେ ରହିଛି । ଏହାର ଆକାରର ଆକାର 150°, ଏବଂ ଏହାର ଆକାରର ଆକାର 3 dBରୁ କମ୍ । ଆହାର ସର୍କିଟର ସଠିକତା ଆରେ ବ୍ୟବସ୍ଥାରେ ଛୋଟ ଉପାଦାନ ବ୍ୟବଧାନକୁ ଅନୁମତି ଦେଇଥାଏ । |
0c3751db5a24c636c1aa8abfd9d63321b38cfce5 | ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରେଡିଏଣ୍ଟ ଡିସେଣ୍ଟ (SGD) ସେମାନଙ୍କର ଦୃଢ଼ ଥିଓରିଟିକାଲ ଗ୍ୟାରେଣ୍ଟି କାରଣରୁ SVM ପରି ବୃହତ ଆକାରର ସୁପରଭାଇଜଡ୍ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟା ସମାଧାନ ପାଇଁ ଲୋକପ୍ରିୟ ହୋଇଛି । ଯଦିଓ ଏହା ସହିତ ଜଡ଼ିତ ଡୁଆଲ କୋର୍ଡିନେଟ ଆସେଣ୍ଟ (ଡିସିଏ) ପଦ୍ଧତି ବିଭିନ୍ନ ସଫ୍ଟୱେୟାର ପ୍ୟାକେଜରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି, କିନ୍ତୁ ଏପର୍ଯ୍ୟନ୍ତ ଏହା ଭଲ କନଭର୍ଜେନ୍ସ ବିଶ୍ଳେଷଣର ଅଭାବ ରହିଛି । ଏହି କାଗଜରେ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଡୁଆଲ୍ କୋଅର୍ଡିନେଟ୍ ଆସେଣ୍ଟ (SDCA) ର ଏକ ନୂତନ ବିଶ୍ଳେଷଣ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ଦର୍ଶାଉଛି ଯେ ଏହି ଶ୍ରେଣୀର ପଦ୍ଧତିଗୁଡିକ ଦୃଢ଼ ଥିଓରିକ୍ ଗ୍ୟାରେଣ୍ଟି ଉପଭୋଗ କରନ୍ତି ଯାହା SGD ତୁଳନାରେ ତୁଳନାତ୍ମକ କିମ୍ବା ଉତ୍ତମ ଅଟେ । ଏହି ବିଶ୍ଳେଷଣ ବାସ୍ତବିକ ପ୍ରୟୋଗ ପାଇଁ SDCAର ପ୍ରଭାବକୁ ଯଥାର୍ଥତା ପ୍ରଦାନ କରେ । |
24424918dc93c016deeaeb86a01c8bfc01253c9b | ଅନେକ କ୍ଲାସିକାଲ୍ ଆଲଗୋରିଦମ ଅନେକ ବର୍ଷ ପରେ ହିଁ ମିଳିଥାଏ, ଯେଉଁଠାରେ ସେଗୁଡ଼ିକର ପରିକଳ୍ପନା କରାଯାଇଥିଲା, ଏବଂ ଅପ୍ରତ୍ୟାଶିତ ସେଟିଂରେ ଏହା ପ୍ରାସଙ୍ଗିକ ହୋଇ ରହିଥାଏ । ଏହି କାଗଜରେ ଆମେ ଦେଖାଇବୁ ଯେ SVRG ହେଉଛି ଏପରି ଏକ ପଦ୍ଧତି: ମୂଳତଃ ଦୃଢ଼ ଭାବରେ ବକ୍ର ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି, ଏହା ମଧ୍ୟ ଦୃଢ଼ ଭାବରେ ବକ୍ର କିମ୍ବା ସମୁଦାୟ-ଅବର୍ଣ୍ଣ ବିନ୍ଦୁ ସେଟିଙ୍ଗ୍ ରେ ବହୁତ ଦୃଢ଼ ଅଟେ । ଯଦି f (x) ହେଉଛି ସୁଗମ, ଉବୁଡ଼ ଫଳନଗୁଡ଼ିକର ସମଷ୍ଟି କିନ୍ତୁ f ଦୃଢ଼ ଭାବରେ ଉବୁଡ଼ ନୁହେଁ (ଯେପରି ଲାସୋ କିମ୍ବା ଲଜିଷ୍ଟିକ ରିଗ୍ରେସନ), ଆମେ ଏକ ଭାରିଏଣ୍ଟ SVRG ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା SVRG ଉପରେ ବୃଦ୍ଧି ପାଉଥିବା ଯୁଗ ଲମ୍ବର ଏକ ନୂତନ ପସନ୍ଦ କରିଥାଏ । SVRG ହେଉଛି SVRG ର ଏକ ସିଧାସଳଖ, ଦ୍ରୁତତମ ଭାରିଆଣ୍ଟ । ଯଦି f (x) ହେଉଛି ଅଣ-ଅନୁଗୃହୀତ ଫଳନଗୁଡ଼ିକର ସମଷ୍ଟି କିନ୍ତୁ f ହେଉଛି ଦୃଢ଼ ଭାବରେ ଅନୁଗୃହୀତ, ତେବେ ଆମେ ଦେଖାଇଦେବୁ ଯେ SVRG ର ସମନ୍ୱୟ ସମନ୍ୱୟଗୁଡ଼ିକର ଅଣ-ଅନୁଗୃହୀତ ପାରାମିଟର ଉପରେ ରେଖୀଗତ ଭାବରେ ନିର୍ଭର କରେ । ଏହା ଏହି ସେଟିଂରେ ସର୍ବୋତ୍ତମ ଜଣାଥିବା ଫଳାଫଳକୁ ଉନ୍ନତ କରିଥାଏ, ଏବଂ ଷ୍ଟୋକାଷ୍ଟିକ୍ ପିସିଏ ପାଇଁ ଭଲ ରନ୍ ଟାଇମ୍ ଦେଇଥାଏ। |
680cbbc88d537bd6f5a68701b1bb0080a77faa00 | ଷ୍ଟୋକାଷ୍ଟିକ ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣ ବଡ଼ ଆକାରର ଅପ୍ଟିମାଇଜେସନ ପାଇଁ ଲୋକପ୍ରିୟ କିନ୍ତୁ ଏଥିରେ ଅନ୍ତର୍ନିହିତ ବିବିଧତା କାରଣରୁ ଧୀର ସମ୍ମିଶ୍ରଣ ହୋଇଥାଏ । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଆମେ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣ ପାଇଁ ଏକ ସ୍ପଷ୍ଟ ବିବର୍ତ୍ତନ ହ୍ରାସ ପଦ୍ଧତି ପ୍ରବର୍ତ୍ତନ କରିଛୁ ଯାହାକୁ ଆମେ ଷ୍ଟୋକାଷ୍ଟିକ୍ ବିବର୍ତ୍ତନ ହ୍ରାସ ଗ୍ରାଡିଏଣ୍ଟ (SVRG) ବୋଲି କହୁଛୁ । ସୁଗମ ଏବଂ ଦୃଢ ଭାବରେ ବକ୍ର ଫଳନ ପାଇଁ, ଆମେ ପ୍ରମାଣ କରୁଛୁ ଯେ ଏହି ପଦ୍ଧତିର ସମାନ ଦ୍ରୁତ ସମ୍ମିଶ୍ରଣ ହାର ଷ୍ଟୋକାଷ୍ଟିକ୍ ଡୁଆଲ୍ କୋଅର୍ଡିନେଟ୍ ଆସେଣ୍ଟ (SDCA) ଏବଂ ଷ୍ଟୋକାଷ୍ଟିକ୍ ହାରାହାରି ଗ୍ରାଡିଏଣ୍ଟ (SAG) ସହିତ ସମାନ ଅଟେ । କିନ୍ତୁ ଆମର ବିଶ୍ଳେଷଣ ବହୁତ ସରଳ ଓ ଅଧିକ ଅନ୍ତର୍ଦୃଷ୍ଟିସମ୍ପନ୍ନ । ଏହା ବ୍ୟତୀତ, SDCA କିମ୍ବା SAG ପରି, ଆମର ପଦ୍ଧତିକୁ ଗ୍ରାଡିଏଣ୍ଟଗୁଡିକର ସଂରକ୍ଷଣ ଆବଶ୍ୟକ କରେ ନାହିଁ, ଏବଂ ତେଣୁ ଏହା ଜଟିଳ ସମସ୍ୟାଗୁଡିକ ପାଇଁ ଅଧିକ ସହଜରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ ଯେପରିକି କିଛି ସଂରଚନା ପୂର୍ବାନୁମାନ ସମସ୍ୟା ଏବଂ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଶିଖିବା । |
9fe5a7a24ff81ba2b6769e811b6ab47188a45242 | ଅଣ-ବିଖଣ୍ଡିତ ଓ ଅଣ-ସମାନ ସମସ୍ୟାଗୁଡ଼ିକ ନିକଟରେ ସିଗନାଲ୍/ଛବି ପ୍ରକ୍ରିୟାକରଣ, ପରିସଂଖ୍ୟାନ ଓ ମେସିନ୍ ଶିକ୍ଷଣ କ୍ଷେତ୍ରରେ ଯଥେଷ୍ଟ ଧ୍ୟାନ ପାଇଛନ୍ତି । କିନ୍ତୁ ଅଣ-ସମୁଦ୍ରିକ ଓ ଅଣ-ସମାନ୍ତରାଳ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ଏକ ବଡ଼ ଆହ୍ୱାନ ହୋଇ ରହିଯାଇଛି । ତ୍ୱରିତ ପ୍ରୋକ୍ସିମାଲ ଗ୍ରାଡିଏଣ୍ଟ (ଏପିଜି) ହେଉଛି ବକ୍ର ପ୍ରୋଗ୍ରାମିଂ ପାଇଁ ଏକ ଉତ୍ତମ ପଦ୍ଧତି । ତେବେ, ଏହା ଏପର୍ଯ୍ୟନ୍ତ ଜଣା ପଡିନାହିଁ ଯେ ସାଧାରଣ ଏପିଜି ଅଣ-ବିକାଶୀ କାର୍ଯ୍ୟକ୍ରମରେ ଏକ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ବିନ୍ଦୁ ପର୍ଯ୍ୟନ୍ତ ସମ୍ମିଶ୍ରଣକୁ ସୁନିଶ୍ଚିତ କରିପାରିବ କି ନାହିଁ । ଏହି କାଗଜରେ, ଆମେ ସାଧାରଣ ଅଣ-ବିକାଶ ଏବଂ ଅଣ-ସମାନ ପ୍ରୋଗ୍ରାମ ପାଇଁ APG କୁ ବିସ୍ତାର କରିଛୁ ଯାହା ପର୍ଯ୍ୟାପ୍ତ ଅବତରଣ ଗୁଣବତ୍ତାକୁ ସନ୍ତୁଷ୍ଟ କରୁଥିବା ଏକ ମନିଟରକୁ ପ୍ରବର୍ତ୍ତନ କରି । ତେଣୁ ଆମେ ଏକ ଏକରକମ ଏପିଜି ଓ ଏକ ଏକରକମ ନଥିବା ଏପିଜି ପ୍ରସ୍ତାବ ଦେଉଛୁ । ପରବର୍ତ୍ତୀଟି ଉଦ୍ଦେଶ୍ୟ ଫଳନକୁ ଏକକ ହ୍ରାସ କରିବାର ଆବଶ୍ୟକତାକୁ ତ୍ୟାଗ କରେ ଏବଂ ପ୍ରତ୍ୟେକ ପୁନରାବୃତ୍ତିରେ କମ୍ ଗଣନା ଆବଶ୍ୟକ କରେ । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ଆମେ ପ୍ରଥମ ଯିଏ ସାଧାରଣ ଅଣ-ବିକାଶ ଏବଂ ଅଣ-ସମାନ ସମସ୍ୟା ପାଇଁ APG-ପ୍ରକାରର ଆଲଗୋରିଦମ ପ୍ରଦାନ କରିଛୁ, ଯାହା ସୁନିଶ୍ଚିତ କରେ ଯେ ପ୍ରତ୍ୟେକ ସଂଚୟ ବିନ୍ଦୁ ଏକ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ବିନ୍ଦୁ ଅଟେ, ଏବଂ ସମନ୍ୱୟ ହାର O (୧ k2 ) ରହେ ଯେତେବେଳେ ସମସ୍ୟାଗୁଡ଼ିକ ବିକାଶ ହୋଇଥାଏ, ଯେଉଁଠାରେ k ହେଉଛି ପୁନରାବୃତ୍ତିର ସଂଖ୍ୟା । ସଂଖ୍ୟାଗତ ଫଳାଫଳଗୁଡିକ ଆମର ଆଲଗୋରିଦମର ଗତିର ଲାଭକୁ ପ୍ରମାଣିତ କରୁଛି । |
3e36eb936002a59b81d8abb4548dc2c42a29b743 | ଅନେକ ସମୟରେ ସୁରକ୍ଷା ସ୍ୱୟଂଚାଳିତ ପ୍ରଣାଳୀ ପାଇଁ ଏକ ଆଡ-ଅନ୍ ସେବା ଭାବରେ ଦେଖାଯାଏ ଯାହା ଅନ୍ୟ ଲକ୍ଷ୍ୟ ଯେପରିକି ଦକ୍ଷ ଟ୍ରାନ୍ସମିସନ୍ କିମ୍ବା ଉତ୍ସ ସୀମିତତା ସହିତ ବାରମ୍ବାର ବିବାଦୀୟ ହୋଇଥାଏ । ଏହି ଲେଖାଟି ସ୍ୱୟଂଚାଳିତ ପ୍ରଣାଳୀରେ ସୁରକ୍ଷା ପାଇଁ ଏକ ବ୍ୟବହାରିକ ଆଭିମୁଖ୍ୟ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଏଥିରେ ସ୍ୱୟଂଚାଳିତ ବ୍ୟବସ୍ଥା ଏବଂ ବିଶେଷ କରି ସ୍ୱୟଂଚାଳିତ ନେଟୱାର୍କ ପ୍ରତି ସାଧାରଣ ବିପଦକୁ ବିଶ୍ଳେଷଣ କରାଯାଇଛି, ସୁରକ୍ଷା ଦୃଷ୍ଟିରୁ ବ୍ୟବସ୍ଥାକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଏକ ମଡେଲ ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଏବଂ ବିଭିନ୍ନ ବ୍ୟବସ୍ଥା ସ୍ତରରେ ଉପଲବ୍ଧ ସାଧାରଣ ପଦକ୍ଷେପ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହି ପଦକ୍ଷେପଗୁଡ଼ିକର ବର୍ଣ୍ଣନା ସାମଗ୍ରିକ ସିଷ୍ଟମ ସୁରକ୍ଷା ଉପରେ ପ୍ରଭାବକୁ ଆକଳନ କରିବା ପାଇଁ ଅନୁମତି ଦେବା ଉଚିତ । |
8b74a32cebb5faf131595496f6470ff9c2c33468 | ଫେସବୁକ ଦ୍ରୁତ ଗତିରେ ସାମାଜିକ ଯୋଗାଯୋଗର ଏକ ଲୋକପ୍ରିୟ ସାଧନ ପାଲଟିଛି । କିନ୍ତୁ ଫେସବୁକ ଅନ୍ୟ ସୋସିଆଲ ନେଟୱର୍କିଙ୍ଗ ସାଇଟ ଠାରୁ କିଛି ଅଲଗା ଅଟେ କାରଣ ଏହା ଅଫଲାଇନରୁ ଅନଲାଇନ ଟ୍ରେଣ୍ଡକୁ ଦର୍ଶାଇଥାଏ । ଅର୍ଥାତ୍ ଫେସବୁକ ଫ୍ରେଣ୍ଡର ଅଧିକାଂଶ ଅଫଲାଇନରେ ମିଶିଥାନ୍ତି ଏବଂ ପରେ ଯୋଡି ହୋଇଥାନ୍ତି । ବର୍ତ୍ତମାନର ଗବେଷଣାରେ ଫେସବୁକ ବ୍ୟବହାର ସହ ବ୍ୟକ୍ତିତ୍ୱର ପାଞ୍ଚଟି ଉପାଦାନର ମଡେଲର ସମ୍ପର୍କକୁ ଅନୁଧ୍ୟାନ କରାଯାଇଛି । ବାହାର ଲୋକର ଆକର୍ଷଣ ଓ ଅନୁଭୂତି ପ୍ରତି ଉନ୍ମୁକ୍ତତା କ୍ଷେତ୍ରରେ କିଛି ଆଶାନୁରୂପ ପରିବର୍ତ୍ତନ ସତ୍ତ୍ୱେ, ପୂର୍ବ ସାହିତ୍ୟରେ କୁହାଯାଇଥିବା ପରି ବ୍ୟକ୍ତିତ୍ୱଗତ କାରଣଗୁଡ଼ିକର ପ୍ରଭାବ ନଥିବା ଫଳାଫଳ ଦର୍ଶାଇଥିଲା । ଫଳାଫଳରୁ ଏହା ମଧ୍ୟ ଜଣାପଡିଛି ଯେ ଫେସବୁକ ବ୍ୟବହାର କ୍ଷେତ୍ରରେ ଯୋଗାଯୋଗ କରିବାର ପ୍ରେରଣା ପ୍ରଭାବଶାଳୀ ଥିଲା । ଫେସବୁକ ଭଳି ସାଧନକୁ ବ୍ୟବହାର କରିବା ପାଇଁ ନିଷ୍ପତ୍ତି ନେବାରେ ବିଭିନ୍ନ ପ୍ରେରଣା ପ୍ରଭାବୀ ହୋଇପାରେ ବୋଲି ମତ ଦିଆଯାଇଛି, ବିଶେଷ କରି ଯେତେବେଳେ ଫେସବୁକର ବିଭିନ୍ନ କାର୍ଯ୍ୟ ଉପରେ ବିଚାର କରାଯାଉଛି । © ୨୦୦୮ ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ । ୧. କେଉଁ ବିଷୟ ଉପରେ ଆଲୋଚନା କରିବା? ବ୍ୟକ୍ତିତ୍ୱ ସମ୍ବନ୍ଧୀୟ ଓ ତା ସହିତ ଜଡ଼ିତ ଦକ୍ଷତା କାରକ |
423fff94db2be3ddef5e3204338d2111776eafea | ଆମେ 362 ନିୟୁତ ସଂଦେଶର ସମ୍ପୂର୍ଣ୍ଣ ଅଜ୍ଞାତ ଶୀର୍ଷକକୁ ବିଶ୍ଳେଷଣ କରିଛୁ 4.2 ନିୟୁତ ଫେସବୁକ ବ୍ୟବହାରକାରୀ, କଲେଜ ଛାତ୍ରମାନଙ୍କର ଏକ ଅନଲାଇନ ସାମାଜିକ ନେଟୱାର୍କ, 26 ମାସର ବ୍ୟବଧାନରେ । ଏହି ତଥ୍ୟରୁ ଜଣାପଡ଼ୁଛି ଯେ, ପ୍ରତିଦିନ ଓ ସପ୍ତାହକୁ କେତେଥର କଲେଜ ଛାତ୍ରଛାତ୍ରୀମାନେ ସେମାନଙ୍କ ସମୟକୁ କିପରି ବ୍ୟବହାର କରୁଛନ୍ତି ଏବଂ ସେମାନଙ୍କ ସାମାଜିକ ଜୀବନ କିପରି ଚାଲିଛି, ତାହା ମଧ୍ୟ ଜଣାପଡ଼ୁଛି । ଆମେ ମଧ୍ୟ ଅନୁଧ୍ୟାନ କଲୁ ଯେ ସ୍କୁଲ ସହ ସମ୍ବନ୍ଧିତ ଥିବା ବ୍ୟକ୍ତି ଏବଂ ଅନୌପଚାରିକ ଅନ୍ ଲାଇନ୍ ବନ୍ଧୁ ତାଲିକା କିପରି ଭାବେ ଆଚରଣ ଓ ସମୟାନୁବର୍ତ୍ତୀ ଢାଞ୍ଚାକୁ ପ୍ରଭାବିତ କରିଥାଏ । ଶେଷରେ, ଆମେ ଦେଖୁଛୁ ଯେ ଫେସବୁକ ବ୍ୟବହାରକାରୀମାନେ ସେମାନଙ୍କ ଆସ୍ଥାୟୀ ମେସେଜିଂ ପ୍ୟାଟର୍ଣ୍ଣକୁ ନେଇ ସ୍କୁଲ ଅନୁସାରେ ଗୋଷ୍ଠୀଭୁକ୍ତ ହୋଇଥାନ୍ତି । |
1bed30d161683d279780aee34619f94a860fa973 | ଆମର ବିଶ୍ଳେଷଣରୁ ଜଣାପଡ଼େ ଯେ ଅନେକ "ବଡ଼-ସ୍ମୃତି" ସର୍ଭର କାର୍ଯ୍ୟଭାର, ଯେପରିକି ଡାଟାବେସ୍, ଇନ୍-ମେମୋରୀ କ୍ୟାଚ୍, ଏବଂ ଗ୍ରାଫ୍ ଆନାଲିଟିକ୍ସ, ପୃଷ୍ଠା-ଆଧାରିତ ଭର୍ଚୁଆଲ୍ ମେମୋରୀ ପାଇଁ ଏକ ଉଚ୍ଚ ମୂଲ୍ୟ ପ୍ରଦାନ କରିଥାଏ । ଏପରିକି ବଡ଼ ପୃଷ୍ଠାଗୁଡ଼ିକୁ ବ୍ୟବହାର କରି ମଧ୍ୟ ସେମାନେ ଟିଏଲବି ମିସ୍ ଉପରେ ୧୦% ପର୍ଯ୍ୟନ୍ତ କାର୍ଯ୍ୟକାରିତା ଚକ୍ର ବ୍ୟବହାର କରନ୍ତି । ଅନ୍ୟ ପକ୍ଷରେ, ଆମେ ପାଇଲୁ ଯେ ଏହି କାର୍ଯ୍ୟଭାର ଅଧିକାଂଶ ପୃଷ୍ଠାରେ ଲେଖିବା-ପଢ଼ିବା ଅନୁମତି ବ୍ୟବହାର କରେ, ସ୍ୱାପ୍ ନ କରିବା ପାଇଁ ପ୍ରୋଭିଜନିଂ କରାଯାଏ, ଏବଂ ପୃଷ୍ଠା-ଆଧାରିତ ଭର୍ଚୁଆଲ୍ ମେମୋରୀର ସମ୍ପୂର୍ଣ୍ଣ ନମନୀୟତାର କ୍ୱଚିତ୍ ଲାଭ ହୁଏ । ବଡ଼-ସ୍ମୃତି କାର୍ଯ୍ୟଭାର ପାଇଁ TLB ମିସ୍ ଓଭରହେଡ୍ କୁ ହଟାଇବା ପାଇଁ, ଆମେ ଏକ ସିଧାସଳଖ ସେଗମେଣ୍ଟ ସହିତ ଏକ ପ୍ରକ୍ରିୟାର ରେଖୀ ଭର୍ଚୁଆଲ୍ ଠିକଣା ସ୍ଥାନର ଅଂଶକୁ ମ୍ୟାପିଂ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯେତେବେଳେ ପୃଷ୍ଠା ଭର୍ଚୁଆଲ୍ ଠିକଣା ସ୍ଥାନର ଅବଶିଷ୍ଟ ଅଂଶକୁ ମ୍ୟାପିଂ କରେ । ସିଧାସଳଖ ସେଗମେଣ୍ଟଗୁଡିକ ସର୍ବନିମ୍ନ ହାର୍ଡୱେର ବ୍ୟବହାର କରନ୍ତି --- କୋର ପ୍ରତି ବେସ୍, ଲିମିଟ୍ ଏବଂ ଅଫସେଟ୍ ରେଜିଷ୍ଟର - ସିଧାସଳଖ ଭର୍ଚୁଆଲ୍ ମେମୋରୀ ଅଞ୍ଚଳକୁ ସିଧାସଳଖ ଭର୍ଚୁଆଲ୍ ମେମୋରୀ ଅଞ୍ଚଳକୁ ମ୍ୟାପ୍ କରିବାକୁ _ ସେମାନେ ମୁଖ୍ୟ ଡାଟା ସଂରଚନା ଯଥା ଡାଟାବେସ୍ ବଫର୍ ପୁଲ୍ ଏବଂ ଇନ୍-ମେମୋରି କି-ଭାଲ୍ୟୁ ଷ୍ଟୋର୍ ପାଇଁ ଟିଏଲ୍ବି ମିସ୍ ହେବାର ସମ୍ଭାବନାକୁ ଦୂର କରନ୍ତି । ଆବଶ୍ୟକ ହେଲେ ସିଧାସଳଖ ସେଗମେଣ୍ଟ ଦ୍ୱାରା ମ୍ୟାପ୍ କରାଯାଇଥିବା ମେମୋରୀକୁ ପୃଷ୍ଠା ସଙ୍କଳନକୁ ପୁନଃ ରୂପାନ୍ତର କରାଯାଇପାରିବ । ଆମେ ଲିନକ୍ସରେ x86-64 ପାଇଁ ସିଧାସଳଖ ସେଗମେଣ୍ଟ ସଫ୍ଟୱେୟାର ସମର୍ଥନ ପ୍ରୋଟୋଟାଇପ୍ କରୁଛୁ ଏବଂ ସିଧାସଳଖ ସେଗମେଣ୍ଟ ହାର୍ଡୱେୟାରକୁ ଅନୁକରଣ କରୁଛୁ । ଆମର କାର୍ଯ୍ୟଭାର ପାଇଁ, ପ୍ରତ୍ୟକ୍ଷ ସେଗମେଣ୍ଟଗୁଡିକ ପ୍ରାୟ ସମସ୍ତ ଟିଏଲବି ମିସ୍ଗୁଡ଼ିକୁ ଦୂର କରିଥାଏ ଏବଂ ଟିଏଲବି ମିସ୍ଗୁଡ଼ିକରେ ନଷ୍ଟ ହେଉଥିବା କାର୍ଯ୍ୟକାରିତା ସମୟକୁ ୦.୫%ରୁ କମ୍ କରିଥାଏ । |
86dc975f9cbd9a205f8e82fb1db3b61c6b738fa5 | ଯାନ୍ତ୍ରିକ ଟ୍ୟାଗିଂ ପାଇଁ ଅଧିକରୁ ଅଧିକ ଶକ୍ତିଶାଳୀ କୌଶଳମାନ ବିକଶିତ ହେବା ସହିତ ମଲ୍ଟିମିଡିଆ ବିଷୟବସ୍ତୁକୁ ମାନକ କରିବା ପାଇଁ ମୂଳ ଶବ୍ଦାବଳୀକୁ ମାନକ କରିବା ଅଧିକରୁ ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହୋଇପଡ଼ୁଛି । ଏହାଦ୍ୱାରା ପାରସ୍ପରିକ କାର୍ଯ୍ୟକ୍ଷମତା ମିଳିଥାଏ ଏବଂ ମଲ୍ଟିମିଡିଆ ସମ୍ପ୍ରଦାୟକୁ ଭଲ ଭାବେ ପରିଭାଷିତ ସିମେଣ୍ଟିକ୍ସ ଉପରେ ଗବେଷଣା ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରିବାକୁ ଅନୁମତି ମିଳିଥାଏ । ଏହି ପତ୍ରିକାରେ ପ୍ରସାରଣ ଖବର ଭିଡିଓକୁ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ଏକ ବୃହତ ମାନକୀକୃତ ଟାକ୍ସୋନୋମି ବିକଶିତ କରିବା ପାଇଁ ମଲ୍ଟିମିଡିଆ ଗବେଷକ, ଲାଇବ୍ରେରୀ ବୈଜ୍ଞାନିକ ଏବଂ ଶେଷ ଉପଭୋକ୍ତାମାନଙ୍କର ଏକ ସହଯୋଗୀ ପ୍ରୟାସ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ମଲ୍ଟିମିଡିଆ ପାଇଁ ବୃହତ-ମାପ ଧାରଣା ଅନ୍ଟୋଲୋଜି (ଏଲଏସସିଓଏମ) ହେଉଛି ଏହାର ପ୍ରଥମ ପ୍ରକାରର ଏକକାଳୀନ ଉପଯୋଗୀତା ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି ଯାହା ଶେଷ ଉପଭୋକ୍ତାଙ୍କ ପ୍ରବେଶକୁ ସହଜ କରିଥାଏ, ଏକ ବୃହତ ଅର୍ଥନୈତିକ ସ୍ଥାନକୁ କଭର କରିଥାଏ, ସ୍ୱୟଂଚାଳିତ ଉତ୍ତୋଳନକୁ ସମ୍ଭବ କରିଥାଏ ଏବଂ ବିଭିନ୍ନ ପ୍ରସାରଣ ଖବର ଭିଡିଓ ଡାଟା ସେଟରେ ପର୍ଯ୍ୟବେକ୍ଷଣ କ୍ଷମତା ବୃଦ୍ଧି କରିଥାଏ । |
2b2ba9b0022ff45939527836a150959fe388ee23 | |
c39d04c6f3b84c77ad379d0358bfbe7148ad4fd2 | |
8db7f5a54321e1a4cd51d0666607279556a57404 | [ଅନୁସରଣଗୁଡ଼ିକ] ଏହାର ଅଧିକରୁ ଅଧିକ ଲୋକପ୍ରିୟତା ଏବଂ ବ୍ୟବହାର ଏବଂ ଚିକିତ୍ସା ଉପଚାର ଭାବରେ ଏହାର ବ୍ୟବହାରର ସମ୍ଭାବନା ହେତୁ, ଚିକିତ୍ସା ହସ୍ତକ୍ଷେପ ଭାବରେ ଏହି ଅଭ୍ୟାସଗୁଡିକର ବର୍ତ୍ତମାନର ବୈଜ୍ଞାନିକ ଜ୍ଞାନର ଏକ ସଂକ୍ଷିପ୍ତ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ସମୀକ୍ଷା କରାଯାଇଥିଲା । ଉଦ୍ଦେଶ୍ୟ: ରୋଗର ଚିକିତ୍ସା କ୍ଷେତ୍ରରେ ଧ୍ୟାନର ପ୍ରଭାବ ଓ ନିରାପତ୍ତା ସମ୍ବନ୍ଧରେ ପ୍ରମାଣକୁ ବ୍ୟବସ୍ଥିତ ଭାବେ ସମୀକ୍ଷା କରିବା ଏବଂ ଅଧିକ ଅଧ୍ୟୟନ ଆବଶ୍ୟକ କରୁଥିବା କ୍ଷେତ୍ରଗୁଡ଼ିକର ଅନୁଧ୍ୟାନ କରିବା । ସାଧାରଣ ସୁସ୍ଥ ଜନସଂଖ୍ୟାରେ କରାଯାଇଥିବା ଅଧ୍ୟୟନକୁ ଏଥିରେ ସାମିଲ କରାଯାଇନାହିଁ । ପଦ୍ଧତି PubMed, PsycInfo, ଏବଂ କୋକ୍ରେନ ଡାଟାବେସ ବ୍ୟବହାର କରି ସର୍ଚ୍ଚ କରାଯାଇଥିଲା । ଏହିସବୁ ବିଷୟବସ୍ତୁ ହେଲା - ଧ୍ୟାନ, ଧ୍ୟାନଭିତ୍ତିକ ପ୍ରାର୍ଥନା, ଯୋଗ, ଆରାମଦାୟକ ପ୍ରତିକ୍ରିୟା । କ୍ବାଲିଫାଇଙ୍ଗ ଅଧ୍ୟୟନଗୁଡ଼ିକର ସମୀକ୍ଷା କରାଯାଇଥିଲା ଏବଂ ଦୁଇଟି ସମୀକ୍ଷକ ଦ୍ୱାରା ଗୁଣବତ୍ତା ଉପରେ ଆଧାର କରି ସ୍ୱାଧୀନ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା । ମଧ୍ୟମରୁ ଉଚ୍ଚ ଗୁଣବତ୍ତା ବିଶିଷ୍ଟ ଅଧ୍ୟୟନ (ଯାଞ୍ଚ କରାଯାଇଥିବା ଗବେଷଣା ଗୁଣବତ୍ତା ସ୍କେଲରେ ୦.୬୫ କିମ୍ବା ୬୫%ରୁ ଅଧିକ ସ୍କୋର) ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଥିଲା । ଫଳାଫଳ ମୋଟ 82ଟି ଚିହ୍ନଟ ଅଧ୍ୟୟନ ମଧ୍ୟରୁ 20ଟି ପରୀକ୍ଷଣରେ ଆମର ମାନଦଣ୍ଡ ପୂରଣ ହୋଇଥିଲା । ଏହି ଅଧ୍ୟୟନରେ ମୋଟ 958 ଜଣଙ୍କୁ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଥିଲା (ପ୍ରୟୋଗିକ ଭାବେ ଚିକିତ୍ସିତ 397 ଜଣ, ନିୟନ୍ତ୍ରଣ ଭାବେ 561 ଜଣ) । କ୍ଲିନିକାଲ ପରୀକ୍ଷଣରେ କୌଣସି ଗୁରୁତର ପ୍ରତିକୂଳ ଘଟଣା ରିପୋର୍ଟ କରାଯାଇନାହିଁ । ଗୁରୁତର ପ୍ରତିକୂଳ ଘଟଣା ଚିକିତ୍ସା ସାହିତ୍ୟରେ ଉଲ୍ଲେଖ କରାଯାଇଛି, ଯଦିଓ ଏହା ବିରଳ । [୧] ଏପିଲେପସିସ୍, ପ୍ରିମେନଷ୍ଟ୍ରୁଆଲ୍ ସିଣ୍ଡ୍ରୋମ୍ ଓ ମେନୋପୋଜଲ୍ ଲକ୍ଷଣ କ୍ଷେତ୍ରରେ ଏହାର ପ୍ରଭାବକୁ ନେଇ ସବୁଠାରୁ ଅଧିକ ପ୍ରମାଣ ମିଳିଛି । ଏହା ମଧ୍ୟ ମାନସିକ ସ୍ଥିତି ଓ ଚିନ୍ତା ଜନିତ ରୋଗ, ସ୍ୱୟଂ ପ୍ରତିରକ୍ଷା ରୋଗ ଏବଂ ନ୍ୟୁପ୍ଲାଷ୍ଟିକ ରୋଗରେ ମାନସିକ ବ୍ୟାଘାତ ପାଇଁ ଲାଭଦାୟକ ବୋଲି ପ୍ରମାଣିତ ହୋଇଥିଲା । ଏହି ଫଳାଫଳ କେତେକ ରୋଗ ବିଶେଷ କରି ଅଣ-ମାନସିକ ମାନସିକତା ଓ ଚିନ୍ତା ଜନିତ ରୋଗର ଚିକିତ୍ସା ପାଇଁ ଧ୍ୟାନ ଅଭ୍ୟାସର ନିରାପତ୍ତା ଓ ସମ୍ଭାବ୍ୟ ପ୍ରଭାବକୁ ସମର୍ଥନ କରେ । ବୃହତ, ପଦ୍ଧତିଗତ ଦୃଢ଼ ଅଧ୍ୟୟନରୁ ପ୍ରଭାବକୁ ସମର୍ଥନ କରୁଥିବା ସ୍ପଷ୍ଟ ଏବଂ ପୁନଃଉତ୍ପାଦନ ଯୋଗ୍ୟ ପ୍ରମାଣର ଅଭାବ ରହିଛି । |
46b2cd0ef7638dcb4a6220a52232712beb2fa850 | 3D ମାନବ ଗତିବିଧି ର ଜେନେରେଟିଭ ମଡେଲ ଗୁଡିକ ଅନେକ ସମୟରେ ଅଳ୍ପ ସଂଖ୍ୟକ ଗତିବିଧି କୁ ସୀମିତ କରି ରଖାଯାଇଥାଏ ଏବଂ ତେଣୁ ନୂତନ ଗତିବିଧି କିମ୍ବା ପ୍ରୟୋଗ କୁ ଭଲ ଭାବରେ ସାଧାରଣ କରିପାରିବ ନାହିଁ। ଏହି କାର୍ଯ୍ୟରେ ଆମେ ମାନବ ଗତି ଧରିବା ତଥ୍ୟ ପାଇଁ ଏକ ଗଭୀର ଶିକ୍ଷଣ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଗତି ଧରିବା ତଥ୍ୟର ଏକ ବୃହତ କୋରପସରୁ ଏକ ଜେନେରିକ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିଥାଏ ଏବଂ ନୂତନ, ଅଦୃଶ୍ୟ, ଗତିକୁ ଭଲ ଭାବରେ ସାଧାରଣ କରିଥାଏ । ଏକ ଏନକୋଡିଂ-ଡିକୋଡିଂ ନେଟୱାର୍କ ବ୍ୟବହାର କରି ଯାହା ନିକଟ ଅତୀତରୁ ଭବିଷ୍ୟତର 3D ସ୍ଥିତିକୁ ପୂର୍ବାନୁମାନ କରିବାକୁ ଶିଖେ, ଆମେ ମାନବ ଗତିବିଧିର ଏକ ବିଶେଷ ପ୍ରତିନିଧିତ୍ୱ ବାହାର କରିଥାଉ । ସିକ୍ୱେନ୍ସ ପୂର୍ବାନୁମାନ ପାଇଁ ଡିପ୍ ଲର୍ଣ୍ଣିଂ ଉପରେ ଅଧିକାଂଶ କାର୍ଯ୍ୟ ଭିଡିଓ ଏବଂ ବକ୍ତବ୍ୟ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । ଯେହେତୁ କଙ୍କାଳ ତଥ୍ୟର ଭିନ୍ନ ଢାଞ୍ଚା ଅଛି, ଆମେ ବିଭିନ୍ନ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟକୁ ଉପସ୍ଥାପନ ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରୁ ଯାହା ସମୟ ନିର୍ଭରଶୀଳତା ଏବଂ ଅଙ୍ଗର ସମ୍ବନ୍ଧ ବିଷୟରେ ଭିନ୍ନ ଭିନ୍ନ ଅନୁମାନ କରିଥାଏ । ଶିକ୍ଷିତ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକୁ ପରିମାଣିକ କରିବା ପାଇଁ, ଆମେ କାର୍ଯ୍ୟର ଶ୍ରେଣୀକରଣ ପାଇଁ ବିଭିନ୍ନ ସ୍ତରର ଆଉଟପୁଟ୍ ବ୍ୟବହାର କରୁ ଏବଂ ନେଟୱାର୍କ ୟୁନିଟର ରିସେପ୍ଟିଭ୍ ଫିଲ୍ଡଗୁଡ଼ିକୁ ଦୃଶ୍ୟମାନ କରୁ । ଆମର ପଦ୍ଧତି ଅସ୍ଥି ଚଳନ ପୂର୍ବାନୁମାନରେ ଆଧୁନିକ ଜ୍ଞାନକୌଶଳଠାରୁ ଉନ୍ନତ, ଯଦିଓ ଏହା କାର୍ଯ୍ୟ ନିର୍ଦ୍ଦିଷ୍ଟ ତାଲିମ ତଥ୍ୟ ବ୍ୟବହାର କରେ । ଆମର ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଗଭୀର ଫିଡଫରୱାର୍ଡ ନେଟୱାର୍କ, ଏକ ଜେନେରିକ ମୋକ୍ୟାପ୍ ଡାଟାବେସରୁ ପ୍ରଶିକ୍ଷିତ, ସଫଳତାର ସହିତ ମାନବ ଗତିବିଧି ତଥ୍ୟରୁ ବିଶେଷତା ଉତ୍ତୋଳନ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ ଏବଂ ଏହି ପ୍ରତିନିଧିତ୍ୱକୁ ବର୍ଗୀକରଣ ଏବଂ ପୂର୍ବାନୁମାନ ପାଇଁ ଏକ ମୂଳଦୁଆ ଭାବରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
3c094494f6a911de3087ed963d3d893f6f2b1d71 | ଏହି ଅଧ୍ୟୟନର ଉଦ୍ଦେଶ୍ୟ ଥିଲା ଗେଜ୍ ପ୍ରଶିକ୍ଷଣ ପାଇଁ ହାଇବ୍ରିଡ୍ ଆସେସ୍ଟିଭ୍ ଲିମ୍ବ ସିଷ୍ଟମର କ୍ଲିନିକାଲ୍ ପ୍ରୟୋଗ ଉପରେ ସାହିତ୍ୟର ସମୀକ୍ଷା କରିବା । ୱେବ ଅଫ ସାଇନ୍ସ, ପବମେଡ, ସିନାହଲ ଏବଂ କ୍ଲିନିକାଲଟ୍ରିୟାଲସ ଡଟ ଗଭକୁ ବ୍ୟବହାର କରି ସାହିତ୍ୟରେ ବ୍ୟବସ୍ଥିତ ଅନୁସନ୍ଧାନ କରାଯାଇଥିଲା ଏବଂ ଚିହ୍ନଟ ରିପୋର୍ଟରେ ରେଫରେନ୍ସ ତାଲିକା ବ୍ୟବହାର କରି ଅତିରିକ୍ତ ଅନୁସନ୍ଧାନ କରାଯାଇଥିଲା । ସାରାଂଶଗୁଡ଼ିକର ଯାଞ୍ଚ କରାଯାଇଥିଲା, ପ୍ରାସଙ୍ଗିକ ଲେଖାଗୁଡ଼ିକର ସମୀକ୍ଷା କରାଯାଇଥିଲା ଏବଂ ଗୁଣବତ୍ତା ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା । ଫଳାଫଳ ୩୭ଟି ଅଧ୍ୟୟନ ମଧ୍ୟରୁ ୭ଟି ଅଧ୍ୟୟନ ଅନ୍ତର୍ଭୁକ୍ତ ହେବା ପାଇଁ ଆବଶ୍ୟକ ମାନଦଣ୍ଡ ପୂରଣ କରିଥିଲା । ଛଅଟି ଅଧ୍ୟୟନ ଏକକ ଗୋଷ୍ଠୀ ଅଧ୍ୟୟନ ଥିଲା ଏବଂ ଗୋଟିଏ ଅନୁସନ୍ଧାନମୂଳକ, ଅନିୟମିତ ନିୟନ୍ତ୍ରିତ ପରୀକ୍ଷା ଥିଲା । ସମୁଦାୟ 140 ଜଣ ଅଂଶଗ୍ରହଣକାରୀଙ୍କୁ ନେଇ ଏହି ଅଧ୍ୟୟନ କରାଯାଇଥିଲା, ଯେଉଁମାନଙ୍କ ମଧ୍ୟରୁ 118 ଜଣ ହସ୍ତକ୍ଷେପ ସମାପ୍ତ କରିଥିଲେ ଏବଂ 107 ଜଣ HAL ବ୍ୟବହାର କରିଥିଲେ । 5ଟି ଅଧ୍ୟୟନ ଷ୍ଟ୍ରୋକ୍ ପରେ ଗେଟିଂ ଟ୍ରେନିଂ, 1ଟି ସ୍ପାଇନାଲ ମେଡ ଆଘାତ (ଏସସିଆଇ) ପରେ ଏବଂ 1ଟି ଷ୍ଟ୍ରୋକ୍, ଏସସିଆଇ କିମ୍ବା ଚାଲିବା କ୍ଷମତାକୁ ପ୍ରଭାବିତ କରୁଥିବା ଅନ୍ୟ ରୋଗ ପରେ କରାଯାଇଥିଲା । ଏହି ଅଧ୍ୟୟନରେ ସାମାନ୍ୟ ଏବଂ ଅସ୍ଥାୟୀ ପାର୍ଶ୍ୱ ପ୍ରତିକ୍ରିୟା ଦେଖାଦେଇଥିଲା କିନ୍ତୁ କୌଣସି ଗୁରୁତର ପ୍ରତିକ୍ରିୟା ଦେଖିବାକୁ ମିଳି ନଥିଲା । ଗେଜେଟ ଫଙ୍କସନ ଭେରିଏବଲ ଏବଂ ଚାଲିବାରେ ସ୍ୱାଧୀନତା ଉପରେ ଲାଭଦାୟକ ପ୍ରଭାବ ପରିଲକ୍ଷିତ ହୋଇଥିଲା । ଉପର ଅଙ୍ଗର ପାରେସିସ୍ ଥିବା ରୋଗୀମାନଙ୍କ ଗେଜ୍ ପ୍ରଶିକ୍ଷଣ ପାଇଁ HAL ସିଷ୍ଟମ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଗେଜେଟ ଫଙ୍କସନ ଏବଂ ଚାଲିବାରେ ସ୍ୱାଧୀନତା ଉପରେ ଲାଭଦାୟକ ପ୍ରଭାବ ଦେଖାଯାଇଥିଲା କିନ୍ତୁ ତଥ୍ୟରୁ କୌଣସି ନିଷ୍କର୍ସ ବାହାର କରାଯାଇନାହିଁ । ଅଧିକ ନିୟନ୍ତ୍ରିତ ଅଧ୍ୟୟନ ପାଇଁ ପରାମର୍ଶ ଦିଆଯାଇଛି । |
515e34476452bbfeb111ce5480035ae1f7aa4bee | ଘର ଭିତରେ ବାୟୁ ଗୁଣବତ୍ତା ଭଲ ରହିବା ମଣିଷର ସ୍ୱାସ୍ଥ୍ୟ ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଂଶ । ଖରାପ ବାୟୁ ଗୁଣବତ୍ତା ଯୋଗୁଁ ଶ୍ୱାସକ୍ରିୟା ଜନିତ ରୋଗ ଯେପରିକି ଆସ୍ଥମା, ହୃଦରୋଗ ଏବଂ ଫୁସଫୁସ କର୍କଟ ଭଳି ରୋଗର ବିକାଶ ଘଟିଥାଏ । ଏହି ସମସ୍ୟାକୁ ଆହୁରି ଜଟିଳ କରିବା ପାଇଁ, ଖରାପ ବାୟୁ ଗୁଣବତ୍ତା ମଣିଷ ପାଇଁ କେବଳ ଦୃଷ୍ଟି ଏବଂ ଗନ୍ଧ ଦ୍ୱାରା ଚିହ୍ନଟ କରିବା ଅତ୍ୟନ୍ତ କଷ୍ଟକର ଏବଂ ବର୍ତ୍ତମାନର ସେନ୍ସିଂ ଉପକରଣ ସାଧାରଣ ନାଗରିକଙ୍କ ପରିବର୍ତ୍ତେ ବୈଜ୍ଞାନିକଙ୍କ ଦ୍ୱାରା ବ୍ୟବହାର କରାଯିବା ଏବଂ ତଥ୍ୟ ପ୍ରଦାନ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ଆମେ inAirର ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ଘର ଭିତରେ ବାୟୁର ଗୁଣବତ୍ତା ମାପିବା, ଦୃଶ୍ୟମାନ କରିବା ଏବଂ ଶିଖିବା ପାଇଁ ଏକ ଉପକରଣ । inAir, ୦.୫ ମାଇକ୍ରନ ଆକାରର କ୍ଷୁଦ୍ର କ୍ଷତିକାରକ ବାୟୁରେ ଥିବା କଣିକାକୁ ମାପ କରି ଘର ଭିତରେ ଥିବା ବାୟୁ ଗୁଣବତ୍ତାର ଐତିହାସିକ ଏବଂ ରିଅଲ ଟାଇମ୍ ଦୃଶ୍ୟମାନତା ପ୍ରଦାନ କରିଥାଏ । ବ୍ୟବହାରକାରୀ ଅଧ୍ୟୟନ ମାଧ୍ୟମରେ ଆମେ ଦେଖାଇଛୁ ଯେ, inAir କିପରି ଅଧିକ ସଚେତନତା ସୃଷ୍ଟି କରିଥାଏ ଏବଂ ଘର ଭିତରେ ବାୟୁର ଗୁଣବତ୍ତା ଉନ୍ନତ କରିବା ପାଇଁ ବ୍ୟକ୍ତିଗତ କାର୍ଯ୍ୟକଳାପକୁ ପ୍ରୋତ୍ସାହିତ କରିଥାଏ । |
44db0c2f729661e7b30af484a1ad5df4e70cb22a | ଇଣ୍ଟରନେଟ ସ୍କାନ କରୁଥିବା କୀଟ ତୁଳନାରେ ବ୍ଲୁଟୁଥ୍ କୀଟ ବର୍ତ୍ତମାନ ସମୟରେ କମ୍ ବିପଦ ସୃଷ୍ଟି କରୁଛି । ବ୍ଲୁବ୍ୟାଗ ପ୍ରକଳ୍ପରେ ବ୍ଲୁଟୁଥ୍ ମାଲୱେର୍ ମାଧ୍ୟମରେ କଳ୍ପନା-ପ୍ରମାଣ କୋଡ୍ ଏବଂ ମୋବାଇଲ୍ ଡିଭାଇସ୍ ବ୍ୟବହାର କରି ଟାର୍ଗେଟ୍ ଆକ୍ରମଣ କରାଯାଇଛି । |
0a87428c6b2205240485ee6bb9cfb00fd9ed359c | ଅପ୍ଟିକାଲ ଫ୍ଲୋ ଆକଳନ ଆଲଗୋରିଦମର ସଠିକତା କ୍ରମାଗତ ଭାବରେ ଉନ୍ନତ ହୋଇଚାଲିଛି, ଯାହା ମିଡଲବେରୀ ଅପ୍ଟିକାଲ ଫ୍ଲୋ ରେଙ୍କମାର୍କର ଫଳାଫଳରୁ ପ୍ରମାଣିତ ହୋଇଛି । ତେବେ ହର୍ଣ୍ଣ ଓ ଶୁଙ୍କଙ୍କ କାର୍ଯ୍ୟ ପରେ ସାଧାରଣ ସୂତ୍ରରେ ବିଶେଷ ପରିବର୍ତ୍ତନ ହୋଇନାହିଁ । ଆମେ ଆବିଷ୍କାର କରିବାକୁ ଚେଷ୍ଟା କରୁଛୁ କି କେଉଁ କାରଣରୁ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତି ସମ୍ଭବ ହୋଇଛି । ଏହାର ସମ୍ପୂର୍ଣ୍ଣ ବିଶ୍ଳେଷଣ ମାଧ୍ୟମରେ କିଭଳି ଲକ୍ଷ୍ୟ ଫଳନ, ଅନୁକୂଳନ ପଦ୍ଧତି ଏବଂ ଆଧୁନିକ କାର୍ଯ୍ୟାନ୍ୱୟନ ପଦ୍ଧତି ସଠିକତାକୁ ପ୍ରଭାବିତ କରିଥାଏ । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ "କ୍ଲାସିକାଲ" ଫ୍ଲୋ ଫର୍ମୁଲେସନ ଆଧୁନିକ ଅପ୍ଟିମାଇଜେସନ ଏବଂ କାର୍ଯ୍ୟାନ୍ୱୟନ କୌଶଳ ସହିତ ମିଶ୍ରିତ ହେଲେ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଭାବରେ ଭଲ କାମ କରେ । ଏହା ବ୍ୟତୀତ ଆମେ ପାଇଲୁ ଯେ ଅପ୍ଟିମାଇଜେସନ୍ ସମୟରେ ମଧ୍ୟବର୍ତ୍ତୀ ପ୍ରବାହ କ୍ଷେତ୍ରର ମଧ୍ୟମ ଫିଲ୍ଟରିଂ ହେଉଛି ସାମ୍ପ୍ରତିକ କାର୍ଯ୍ୟଦକ୍ଷତା ଲାଭ ପାଇଁ ଏକ ଚାବି, ଏହା ଉଚ୍ଚ ଶକ୍ତି ସମାଧାନକୁ ନେଇଥାଏ । ଏହି ଘଟଣା ପଛରେ ଥିବା ସିଦ୍ଧାନ୍ତକୁ ବୁଝିବା ପାଇଁ, ଆମେ ଏକ ନୂତନ ଲକ୍ଷ୍ୟ ପ୍ରାପ୍ତ କରିଥାଉ ଯାହା ମଧ୍ୟମ ଫିଲ୍ଟରିଂ ହେରିଷ୍ଟିକକୁ ଔପଚାରିକ କରିଥାଏ । ଏହି ଲକ୍ଷ୍ୟରେ ଏକ ଅଣ-ସ୍ଥାନୀୟ ଶବ୍ଦ ଅନ୍ତର୍ଭୁକ୍ତ ଯାହା ବିଶାଳ ଭୌଗଳିକ ପଡ଼ୋଶୀରେ ପ୍ରବାହ ଆକଳନକୁ ଦୃଢ ଭାବରେ ଏକୀକୃତ କରେ । ଏହି ନୂତନ ଶବ୍ଦକୁ ପରିବର୍ତ୍ତନ କରି ପ୍ରବାହ ଏବଂ ଛବି ସୀମା ବିଷୟରେ ସୂଚନା ଅନ୍ତର୍ଭୁକ୍ତ କରି ଆମେ ଏକ ପଦ୍ଧତି ବିକଶିତ କରିଛୁ ଯାହା ମିଡଲବେରୀ ରେଙ୍କମାର୍କର ଶୀର୍ଷରେ ରହିଛି । |
90930683f4ef3da8c51ed7d2553774c196172cb3 | |
919bd86eb5fbccd3862e3e2927d4a0d468c7c591 | |
73e51b9820e90eb6525fc953c35c9288527cecfd | ବର୍ତ୍ତମାନର ନ୍ୟୁରାଲ ଡିପେଣ୍ଡେସି ପାରସର ସାଧାରଣତଃ ବାକ୍ୟରେ ଥିବା ପ୍ରତ୍ୟେକ ଶବ୍ଦକୁ ବାଇ-ଡାଇରେକ୍ସନାଲ ଏଲଏସଟିଏମ ସହିତ ଏନକୋଡ କରିଥାଏ, ଏବଂ ମୁଣ୍ଡ ଏବଂ ମୋଡିଫାୟରର ଏଲଏସଟିଏମ ପ୍ରତିନିଧିତ୍ୱରୁ ଏକ ଆର୍କର ସ୍କୋର ଆକଳନ କରିଥାଏ, ସମ୍ଭବତଃ ବିଚାର କରାଯାଉଥିବା ଆର୍କ ପାଇଁ ପ୍ରାସଙ୍ଗିକ ପ୍ରସଙ୍ଗ ସୂଚନା ଅଭାବ ରହିଥାଏ । ଏହି ଅଧ୍ୟୟନରେ, ଆମେ ଏକ ନ୍ୟୁରାଲ ଫିଚର ଏକ୍ସଟ୍ରାକ୍ସନ ପଦ୍ଧତି ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଆର୍କସ୍ପେଶିଫିକ ଫିଚର ବାହାର କରିବାକୁ ଶିଖେ । ଆମେ ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଆଧାରିତ ଧ୍ୟାନ ପଦ୍ଧତି ପ୍ରୟୋଗ କରି ପ୍ରତ୍ୟେକ ସମ୍ଭାବ୍ୟ ମୁଣ୍ଡ-ସଂସ୍କାରକ ଯୋଡି ପାଇଁ ଏବଂ ବିପକ୍ଷରେ ପ୍ରମାଣ ସଂଗ୍ରହ କରିଥାଉ, ଯାହା ସହିତ ଆମର ମଡେଲ ବିଶ୍ୱାସ ଏବଂ ଅବିଶ୍ୱାସର ନିଶ୍ଚିତତା ସ୍କୋର ଗଣନା କରେ, ଏବଂ ଅବିଶ୍ୱାସର ସ୍କୋରକୁ ବିଶ୍ୱାସରୁ କାଟି ଶେଷ ଆର୍କ ସ୍କୋର ନିର୍ଣ୍ଣୟ କରେ । ଦୁଇଟି ପ୍ରକାରର ପ୍ରମାଣକୁ ସ୍ପଷ୍ଟ ଭାବେ ଉପସ୍ଥାପନ କରି, ଆର୍ଚର ପ୍ରାର୍ଥୀମାନେ ଅଧିକ ପ୍ରାସଙ୍ଗିକ ସୂଚନା ଆଧାରରେ ପରସ୍ପର ସହିତ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା କରିପାରିବେ, ବିଶେଷକରି ଯେଉଁ କ୍ଷେତ୍ରରେ ସେମାନେ ସମାନ ମୁଣ୍ଡ କିମ୍ବା ସଂଶୋଧକ ଅଂଶୀଦାର କରନ୍ତି । ଏହା ଦୁଇ କିମ୍ବା ଅଧିକ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀ ଆର୍କକୁ ସେମାନଙ୍କ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀମାନଙ୍କୁ ଉପସ୍ଥାପନ କରି (ଅବିଶ୍ୱାସର ପ୍ରମାଣ) ଭଲ ଭାବରେ ଭେଦଭାବ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ବିଭିନ୍ନ ଡାଟାସେଟ ଉପରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ଆର୍କ-ସ୍ପେଶିଫିକ ଫିଚର ଏକ୍ସଟ୍ରାକ୍ସନ ମେକାନିଜିମ୍ ଦୀର୍ଘ ଦୂରତା ନିର୍ଭରଶୀଳତାକୁ ସ୍ପଷ୍ଟ ଭାବରେ ମଡେଲିଂ କରି ଦ୍ୱି-ଦିଗାନ୍ତ LSTM ଆଧାରିତ ମଡେଲର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ । ଉଭୟ ଇଂରାଜୀ ଏବଂ ଚାଇନିଜ୍ ପାଇଁ, ପ୍ରସ୍ତାବିତ ମଡେଲ ଅଧିକାଂଶ ବର୍ତ୍ତମାନର ନ୍ୟୁରାଲ୍ ଧ୍ୟାନ-ଆଧାରିତ ମଡେଲ ଅପେକ୍ଷା ନିର୍ଭରଶୀଳତା ପାର୍ସିଂ କାର୍ଯ୍ୟରେ ଅଧିକ ସଠିକତା ହାସଲ କରେ । |
7bdb08efd640311ad18466a80498c78267f886ca | |
26d92017242e51238323983eba0fad22bac67505 | ଏହି ପତ୍ରିକାରେ ଲୋକମାନଙ୍କ ସୁପାରିଶକୁ ଅଧ୍ୟୟନ କରାଯାଇଛି ଯାହା ବ୍ୟବହାରକାରୀଙ୍କୁ ଜଣାଶୁଣା, ଅଫଲାଇନ ସମ୍ପର୍କ ଖୋଜିବା ଏବଂ ସୋସିଆଲ ନେଟୱାର୍କିଂ ସାଇଟରେ ନୂଆ ବନ୍ଧୁ ଖୋଜିବାରେ ସାହାଯ୍ୟ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ଆମେ ଏକ ଏଣ୍ଟରପ୍ରାଇଜ୍ ସୋସିଆଲ ନେଟୱର୍କିଂ ସାଇଟରେ ଚାରୋଟି ସୁପାରିଶକାରୀ ଆଲଗୋରିଦମକୁ ମୂଲ୍ୟାଙ୍କନ କରିଥିଲୁ 500 ଜଣ ବ୍ୟବହାରକାରୀଙ୍କ ବ୍ୟକ୍ତିଗତ ସର୍ଭେ ଏବଂ 3,000 ବ୍ୟବହାରକାରୀଙ୍କ କ୍ଷେତ୍ରରେ ଏକ ଅଧ୍ୟୟନ ବ୍ୟବହାର କରି । ଆମେ ସମସ୍ତ ଆଲଗୋରିଦମକୁ ବ୍ୟବହାରକାରୀଙ୍କ ବନ୍ଧୁ ତାଲିକାକୁ ବିସ୍ତାର କରିବାରେ ପ୍ରଭାବଶାଳୀ ବୋଲି ପାଇଲୁ । ସୋସିଆଲ ନେଟୱର୍କ ସୂଚନା ଉପରେ ଆଧାରିତ ଆଲଗୋରିଦମ ଉନ୍ନତ-ପ୍ରାପ୍ତ ସୁପାରିଶଗୁଡିକ ଉତ୍ପାଦନ କରିବାରେ ସକ୍ଷମ ହୋଇଥିଲା ଏବଂ ଉପଭୋକ୍ତାମାନଙ୍କ ପାଇଁ ଅଧିକ ଜଣାଶୁଣା ସମ୍ପର୍କ ଖୋଜିବାରେ ସକ୍ଷମ ହୋଇଥିଲା, ଯେତେବେଳେ ଉପଭୋକ୍ତା-ନିର୍ମିତ ବିଷୟବସ୍ତୁର ସମାନତା ବ୍ୟବହାର କରୁଥିବା ଆଲଗୋରିଦମ ନୂତନ ବନ୍ଧୁ ଖୋଜିବାରେ ଅଧିକ ଶକ୍ତିଶାଳୀ ଥିଲା । ଆମେ ମଧ୍ୟ ଆମର ସର୍ଭେ ବ୍ୟବହାରକାରୀଙ୍କଠାରୁ ଗୁଣାତ୍ମକ ମତାମତ ସଂଗ୍ରହ କରିଛୁ ଏବଂ ଅନେକ ଅର୍ଥପୂର୍ଣ୍ଣ ଡିଜାଇନ୍ ପ୍ରଭାବ ବାହାର କରିଛୁ । |
3621bc359003e36707733650cccadf4333683293 | |
54c32d432fb624152da7736543f2685840860a57 | ଆମେ ଏକ ପ୍ରକାର ଡିପ୍ ବୋଲ୍ଟଜମ୍ୟାନ୍ ମେସିନ୍ (ଡିବିଏମ୍) ର ପରିଚୟ ଦେଉଛୁ ଯାହା ଏକ ବୃହତ ଅସାଂଗଠିତ ଦଲିଲ ସଂଗ୍ରହରୁ ବଣ୍ଟିତ ଅର୍ଥନୈତିକ ପ୍ରତିନିଧିତ୍ୱ ବାହାର କରିବା ପାଇଁ ଉପଯୁକ୍ତ । ଆମେ ଏକ ଡିବିଏମକୁ ବୁଦ୍ଧିମାନ ପାରାମିଟର ଟାଇଡିଂ ସହିତ ତାଲିମ ଦେବାର ସ୍ପଷ୍ଟ ଅସୁବିଧାକୁ ଦୂର କରିଛୁ । ଏହାଦ୍ୱାରା ଏକ ଦକ୍ଷ ପ୍ରିଟ୍ରେନିଂ ଆଲଗୋରିଦମ ଏବଂ ଦ୍ରୁତ ଅନୁମାନ ପାଇଁ ଏକ ଷ୍ଟେଟ ଇନିସିଏଲାଇଜେସନ ସ୍କିମ୍ ସମ୍ଭବ ହୋଇଥାଏ । ଏହି ମଡେଲକୁ ଷ୍ଟାଣ୍ଡାର୍ଡ ରିଷ୍ଟ୍ରିକ୍ଟେଡ୍ ବୋଲ୍ଟଜମାନ ମେସିନ୍ ଭଳି ଦକ୍ଷତାର ସହ ଟ୍ରେନିଂ ଦିଆଯାଇପାରିବ । ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଏହି ମଡେଲ ରେପ୍ଲିକେଟେଡ ସଫ୍ଟମାକ୍ସ ମଡେଲ ଅପେକ୍ଷା ଅଦୃଶ୍ୟ ତଥ୍ୟକୁ ଭଲ ଲୋଗୋ ସମ୍ଭାବ୍ୟତା ପ୍ରଦାନ କରିଥାଏ । ଆମର ମଡେଲରୁ ବାହାର କରାଯାଇଥିବା ବିଶେଷତ୍ୱ LDA, Replicated Softmax, ଏବଂ DocNADE ମଡେଲକୁ ଡକ୍ୟୁମେଣ୍ଟ ରିଟ୍ରିଭ୍ୟୁ ଏବଂ ଡକ୍ୟୁମେଣ୍ଟ କ୍ଲାସିଫିକେସନ ଟାସ୍କରେ ଅତିକ୍ରମ କରିଥାଏ । |
3d8650c28ae2b0f8d8707265eafe53804f83f416 | ପୂର୍ବବର୍ତ୍ତୀ ଏକ କାଗଜରେ ଆମେ ଆଡାବୁଷ୍ଟ ନାମକ ଏକ ନୂଆ ବୁଷ୍ଟିଂ ଆଲଗୋରିଦମକୁ ପ୍ରଚଳନ କରିଥିଲୁ, ଯାହା ଥିଓରୀରେ, କୌଣସି ଶିକ୍ଷଣ ଆଲଗୋରିଦମର ତ୍ରୁଟିକୁ ଯଥେଷ୍ଟ ପରିମାଣରେ ହ୍ରାସ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯାହା କ୍ରମାଗତ ଭାବରେ ବର୍ଗୀକରଣକାରୀ ସୃଷ୍ଟି କରିଥାଏ ଯାହାର କାର୍ଯ୍ୟଦକ୍ଷତା ଆକସ୍ମିକ ଅନୁମାନ ଅପେକ୍ଷା ଟିକେ ଭଲ ହୋଇଥାଏ । ଆମେ ଏହା ସହିତ ଜଡ଼ିତ "ଛଦ୍ମ-କ୍ଷତି"ର ଧାରଣାକୁ ମଧ୍ୟ ପ୍ରବର୍ତ୍ତନ କରିଛୁ ଯାହାକି ଏକ ପଦ୍ଧତି ଯାହାକି ବହୁ-ଲେବଲ୍ ଧାରଣାକୁ ଶିଖିବା ପାଇଁ ଏକ ଆଲଗୋରିଦମକୁ ସେହି ଲେବଲ୍ ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରିବାକୁ ବାଧ୍ୟ କରିଥାଏ ଯାହାକୁ ଚିହ୍ନିବା ସବୁଠାରୁ କଷ୍ଟକର ହୋଇଥାଏ । ଏହି ଲେଖାରେ ଆମେ ବାସ୍ତବିକ ଶିକ୍ଷଣ ସମସ୍ୟା ଉପରେ ଆଡାବୁଷ୍ଟର କାର୍ଯ୍ୟଦକ୍ଷତା ଆକଳନ କରିବା ପାଇଁ ଆମେ କରିଥିବା ପରୀକ୍ଷଣର ବର୍ଣ୍ଣନା କରୁଛୁ । ଆମେ ଦୁଇଟି ସେଟ୍ ପରୀକ୍ଷଣ କରିଥିଲୁ । ପ୍ରଥମ ସେଟ ବ୍ରେମାନର [1] ବ୍ୟାଗିଙ୍ଗ ପଦ୍ଧତି ସହିତ ବର୍ଦ୍ଧିତକୁ ତୁଳନା କରିଥିଲା ଯେତେବେଳେ ବିଭିନ୍ନ ଶ୍ରେଣୀକରଣକୁ ଏକତ୍ରିତ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥିଲା (ନିର୍ଣ୍ଣୟ ବୃକ୍ଷ ଏବଂ ଏକକ ଗୁଣ-ମୂଲ୍ୟ ପରୀକ୍ଷା ସମେତ) । ଆମେ ଦୁଇଟି ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମେସିନ-ଲର୍ଣ୍ଣିଂର ଏକ ସମୂହରେ ତୁଳନା କରିଥିଲୁ । ଦ୍ୱିତୀୟ ପରୀକ୍ଷଣରେ ଆମେ ଅଧିକ ବିସ୍ତୃତ ଭାବରେ ଅଧ୍ୟୟନ କରିଥିଲୁ ଓସିଆର ସମସ୍ୟା ଉପରେ ନିକଟତମ-ପଡୋଶୀ ବର୍ଗୀକରଣ ବ୍ୟବହାର କରି ବର୍ଦ୍ଧିତ କରିବାର କାର୍ଯ୍ୟଦକ୍ଷତା । |
85379baf4972e15cd7b9f5e06ce177e693b35f53 | ଏହି କାଗଜରେ, ଆମେ ଡୋମେନ୍ ଅନୁକୂଳ ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ଏକ ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ କର୍ଣ୍ଣଲ ମେଳଣ ପଦ୍ଧତି ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେଉଁଠାରେ ଉତ୍ସ ବଣ୍ଟନ ଟାର୍ଗେଟ୍ ବଣ୍ଟନ ଠାରୁ ଯଥେଷ୍ଟ ଭିନ୍ନ ଅଟେ । ବିଶେଷ ଭାବରେ, ଆମେ ଏକ ହିଲବର୍ଟ ସ୍ମିଡ୍ଟ ସ୍ୱାଧୀନତା ମାନଦଣ୍ଡ ଉପରେ ଆଧାରିତ ଉତ୍ସ କର୍ଣ୍ଣଲ ମ୍ୟାଟ୍ରିକ୍ସର ଉପମାଟ୍ରିକ୍ସ ସହିତ ଟାର୍ଗେଟ କର୍ଣ୍ଣଲ ମ୍ୟାଟ୍ରିକ୍ସକୁ ମେଳ କରି ସମାନ ଉତ୍ସ ତଥ୍ୟ ପଏଣ୍ଟକୁ ଟାର୍ଗେଟ ଡାଟା ପଏଣ୍ଟ ମ୍ୟାପିଂ କରିବା ସମୟରେ ଲେବଲ୍ ହୋଇଥିବା ଉତ୍ସ ତଥ୍ୟ ଉପରେ ଏକ ପୂର୍ବାନୁମାନ ଫଙ୍କସନ୍ ଶିଖୁ । ଆମେ ଏହି ଏକକାଳୀନ ଶିକ୍ଷଣ ଓ ମ୍ୟାପିଂ ପ୍ରକ୍ରିୟାକୁ ଏକ ଅଣ-ବିକାଶିତ ସମ୍ପୂର୍ଣ୍ଣ ସଂଖ୍ୟା ଅନୁକୂଳନ ସମସ୍ୟା ଭାବରେ ପ୍ରସ୍ତୁତ କରିଛୁ ଏବଂ ଏହାର ଆରାମଦାୟକ ନିରନ୍ତର ଫର୍ମ ପାଇଁ ଏକ ସ୍ଥାନୀୟ ସର୍ବନିମ୍ନକରଣ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରିଛୁ । ଆମର ଅନୁଭୂତିଗତ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ପ୍ରସ୍ତାବିତ କେରଲ୍ ମେଳଣ ପଦ୍ଧତି କ୍ରସ୍ ଡୋମେନ୍ ଭାବନା ବର୍ଗୀକରଣ କାର୍ଯ୍ୟରେ ବିକଳ୍ପ ପଦ୍ଧତିକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ । |
7eeb362f11bfc1c89996e68e3a7c5678e271f95b | |
893167546c870eac602d81874c6473fd3cd8bd21 | ବହୁ-ଆକାର ବିଶିଷ୍ଟ ବିନ୍ଦୁ (ଟୁପଲ୍) ର ଏକ ସେଟ୍ ର ସ୍କାଇଲାଇନ୍ ସେହି ବିନ୍ଦୁଗୁଡିକର ଅଟେ ଯେଉଁଥି ପାଇଁ କୌଣସି ସ୍ପଷ୍ଟ ଭାବରେ ଭଲ ବିନ୍ଦୁ ଦିଆଯାଇଥିବା ସେଟରେ ନାହିଁ, ଉପାଦାନ-ବିଜ୍ଞ ତୁଳନା ବ୍ୟବହାର କରି ଆଗ୍ରହର ଡୋମେନ୍ ଉପରେ । ସ୍କାଇଲାଇନ୍ ପ୍ରଶ୍ନ, ଅର୍ଥାତ୍, ପ୍ରଶ୍ନ ଯେଉଁଥିରେ ସ୍କାଇଲାଇନ୍ ର ଗଣନା ଅନ୍ତର୍ଭୁକ୍ତ, ତାହା ଗଣନାତ୍ମକ ଭାବରେ ମହଙ୍ଗା ହୋଇପାରେ, ତେଣୁ ସମାନ୍ତରାଳ ପଦ୍ଧତିକୁ ବିଚାର କରିବା ସ୍ୱାଭାବିକ ଅଟେ ଯାହା ଏକାଧିକ ପ୍ରୋସେସରର ଭଲ ବ୍ୟବହାର କରିଥାଏ । ଆମେ ଏହି ସମସ୍ୟାକୁ ହାଇପରପ୍ଲେନ ପ୍ରୋଜେକ୍ସନ ବ୍ୟବହାର କରି ସମାନ୍ତରାଳ ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ତଥ୍ୟ ସେଟର ଉପଯୋଗୀ ବିଭାଜନ ପାଇବା ପାଇଁ ବ୍ୟବହାର କରୁ । ଏହି ବିଭାଜନ କେବଳ କ୍ଷୁଦ୍ର ସ୍ଥାନୀୟ ସ୍କାଇଲାଇନ ସେଟକୁ ସୁନିଶ୍ଚିତ କରେ ନାହିଁ, ବରଂ ଫଳାଫଳର ଦକ୍ଷ ମିଶ୍ରଣକୁ ମଧ୍ୟ ଅନୁମତି ଦେଇଥାଏ । ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ, ଆମର ପଦ୍ଧତି ସମାନ୍ତରାଳ ସ୍କାଇଲାଇନ୍ ଗଣନା ପାଇଁ ସମାନ ପଦ୍ଧତିକୁ ଅତିକ୍ରମ କରିଥାଏ, ତଥ୍ୟ ବଣ୍ଟନକୁ ବିଚାରକୁ ନ ନେଇ ଏବଂ ବିଭିନ୍ନ ଅପ୍ଟିମାଇଜେସନ୍ ରଣନୀତିର ପ୍ରଭାବ ଉପରେ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରିଥାଏ । |
b87d5f9b8013386f4ff5ad1a130efe6e924dca5c | ଲେଖା ଇତିହାସଃ ୨୭ ଅଗଷ୍ଟ ୨୦୧୨ରେ ଗ୍ରହଣ କରାଯାଇଥିଲା ୧ ଅଗଷ୍ଟ ୨୦୧୩ରେ ସଂଶୋଧିତ ରୂପରେ ଗ୍ରହଣ କରାଯାଇଥିଲା ୫ ଅଗଷ୍ଟ ୨୦୧୩ରେ ଗ୍ରହଣ କରାଯାଇଥିଲା ୧୫ ଅଗଷ୍ଟ ୨୦୧୩ରେ ଅନଲାଇନରେ ଉପଲବ୍ଧ ହୋଇଥିଲା |
bc18ee4a0f26320a86852b057077e8eca78b0c13 | ଏହି ଅଧ୍ୟୟନ ଘାନାର ପ୍ରି-ସର୍ଭିସ ଶିକ୍ଷକମାନଙ୍କ ମଧ୍ୟରେ ପ୍ରଯୁକ୍ତି ଗ୍ରହଣକୁ ପ୍ରଭାବିତ କରୁଥିବା କାରକଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ପ୍ରଯୁକ୍ତି ଗ୍ରହଣ ମଡେଲକୁ ବିସ୍ତାର କରିଛି । ୩୮୦ଟି ପ୍ରଶ୍ନପତ୍ରର ତଥ୍ୟକୁ ଗବେଷଣା ମଡେଲ ସହିତ ତୁଳନା କରାଯାଇଥିଲା । ବିସ୍ତୃତ ପ୍ରଯୁକ୍ତି ଗ୍ରହଣ ମଡେଲ (ଟିଏଏମ) କୁ ଗବେଷଣା ଢାଞ୍ଚା ଭାବେ ବ୍ୟବହାର କରି ଅଧ୍ୟୟନରେ ଏହା ଜଣାପଡିଛି ଯେ: ପ୍ରାରମ୍ଭିକ ଶିକ୍ଷକମାନଙ୍କର ଶିକ୍ଷାଗତ ବିଶ୍ୱାସ, ବ୍ୟବହାରରେ ସହଜତା, କମ୍ପ୍ୟୁଟର ପ୍ରଯୁକ୍ତିର ଉପଯୋଗିତା ଏବଂ କମ୍ପ୍ୟୁଟର ବ୍ୟବହାର ପ୍ରତି ମନୋଭାବ କମ୍ପ୍ୟୁଟର ପ୍ରଯୁକ୍ତିର ବାସ୍ତବିକ ବ୍ୟବହାରର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନିର୍ଣ୍ଣାୟକ । ବହୁ ପର୍ଯ୍ୟାୟ ବିଶିଷ୍ଟ ରିଗ୍ରେସନ ବିଶ୍ଳେଷଣରୁ ମିଳିଥିବା ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ: (1) ପୂର୍ବ ସେବା ଶିକ୍ଷକମାନଙ୍କର ଶିକ୍ଷାଗତ ବିଶ୍ୱାସ ଉଭୟ ବ୍ୟବହାରର ସହଜତା ଏବଂ ଉପଯୋଗୀତା ଉପରେ ପ୍ରଭାବ ପକାଇଥାଏ, (2) ଉଭୟ ବ୍ୟବହାରର ସହଜତା ଏବଂ ଉପଯୋଗୀତା କମ୍ପ୍ୟୁଟର ବ୍ୟବହାର ପ୍ରତି ମନୋଭାବକୁ ପ୍ରଭାବିତ କରିଥାଏ ଏବଂ କମ୍ପ୍ୟୁଟର ବ୍ୟବହାର ପ୍ରତି ମନୋଭାବ ପୂର୍ବ ସେବା ଶିକ୍ଷକମାନଙ୍କର ପ୍ରକୃତ କମ୍ପ୍ୟୁଟର ବ୍ୟବହାରକୁ ଗୁରୁତର ଭାବରେ ପ୍ରଭାବିତ କରିଥାଏ । ତେବେ, ପରିସଂଖ୍ୟାନ ଦୃଷ୍ଟିରୁ, ବ୍ୟବହାରର ସହଜତା ଉପଯୋଗୀତା ଉପରେ ପ୍ରଭାବ ପକାଇ ନାହିଁ । ଏହି ଗବେଷଣାର ଫଳାଫଳ ଗାନାର ପରିପ୍ରେକ୍ଷୀରେ ଟେକ୍ନୋଲୋଜି ଏକୀକରଣ ବିକାଶକୁ ବୈଧ କରିବା ସହିତ ଗବେଷଣା ଓ ବ୍ୟବହାର ପାଇଁ ଅନେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରଭାବ ପ୍ରଦାନ କରୁଛି । |
04e5b276da90c8181d6ad8397f763a181baae949 | ମେସିନ ଶିକ୍ଷଣରେ କାର୍ଯ୍ୟଦକ୍ଷତା ଓ ପ୍ରଗତିକୁ ମାପିବା ପାଇଁ କ୍ରସ-ଭ୍ୟାଲିଡେସନ ଏକ ମୁଖ୍ୟ ଆଧାର । କ୍ରସ-ଭାଲିଡେସନ ଅଧ୍ୟୟନରେ ସଠିକତା, F-ମାପ ଏବଂ ROC ବକ୍ର (AUC) ତଳେ ଥିବା କ୍ଷେତ୍ରର ଗଣନା କରିବା ପାଇଁ ସୂକ୍ଷ୍ମ ପାର୍ଥକ୍ୟ ଅଛି । କିନ୍ତୁ ସାହିତ୍ୟରେ ଏହି ବିଷୟରେ ଆଲୋଚନା କରାଯାଇନାହିଁ ଏବଂ ବିଭିନ୍ନ ପତ୍ରିକା ଓ ସଫ୍ଟୱେୟାର ପ୍ୟାକେଜରେ ଅସଙ୍ଗତ ପଦ୍ଧତି ବ୍ୟବହାର କରାଯାଇଛି । ଏହାଦ୍ୱାରା ଗବେଷଣା ସାହିତ୍ୟରେ ଅସଙ୍ଗତି ଦେଖାଦେଇଥାଏ । ବିଶେଷ ଫଲ୍ଡ ଏବଂ ପରିସ୍ଥିତି ପାଇଁ କାର୍ଯ୍ୟଦକ୍ଷତା ଗଣନାରେ ବ୍ୟତିକ୍ରମଗୁଡିକ ଅଦୃଶ୍ୟ ହୋଇଯାଏ ଯେତେବେଳେ ସେଗୁଡିକ ଅନେକ ଫଲ୍ଡ ଏବଂ ଡାଟାସେଟରେ ଏକତ୍ରିତ ଫଳାଫଳରେ ପୋତି ହୋଇଯାଏ, ମଧ୍ୟବର୍ତ୍ତୀ କାର୍ଯ୍ୟଦକ୍ଷତା ମାପକୁ ଦେଖୁଥିବା ବ୍ୟକ୍ତିଙ୍କ ବିନା। ଏହି ଗବେଷଣା ନୋଟରେ ପାର୍ଥକ୍ୟକୁ ସ୍ପଷ୍ଟ ଓ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ କ୍ରସ-ଭାଲିଡିଂ ଅଧୀନରେ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ କିପରି ସର୍ବୋତ୍ତମ ଭାବରେ ମାପ କରାଯାଇପାରିବ ସେ ସମ୍ବନ୍ଧରେ ମାର୍ଗଦର୍ଶନ ଦିଆଯାଇଛି । ବିଶେଷକରି, F-measure ଗଣନା ପାଇଁ ଅନେକ ଭିନ୍ନ ପଦ୍ଧତି ବ୍ୟବହୃତ ହୁଏ, ଯାହା ପ୍ରାୟତଃ ଶ୍ରେଣୀ ଅସନ୍ତୁଳନ ଅଧୀନରେ କାର୍ଯ୍ୟଦକ୍ଷତା ମାପ ଭାବରେ ସୁପାରିଶ କରାଯାଏ, ଉଦାହରଣ ସ୍ୱରୂପ, ପାଠ୍ୟ ବର୍ଗୀକରଣ ଡୋମେନ୍ ପାଇଁ ଏବଂ ଅନେକ ଶ୍ରେଣୀ ଥିବା ଡାଟାସେଟ୍ ର ଏକ-ବି-ସମସ୍ତ ହ୍ରାସରେ _ ଆମେ ପରୀକ୍ଷାମୂଳକ ଭାବେ ଦେଖାଇଛୁ ଯେ, ଗୋଟିଏ ବ୍ୟତୀତ ଅନ୍ୟ ସମସ୍ତ ଗଣନା ପଦ୍ଧତିଗୁଡ଼ିକ ପଟ୍ଟାବାଜୀ ମାପକୁ ନେଇଥାଏ, ବିଶେଷକରି ଉଚ୍ଚ ଶ୍ରେଣୀର ଅସନ୍ତୁଳନ କ୍ଷେତ୍ରରେ । ଏହି କାଗଜ ବିଶେଷକରି ମେସିନ ଲର୍ଣ୍ଣିଂ ସଫ୍ଟୱେୟାର ଲାଇବ୍ରେରୀ ଡିଜାଇନ କରୁଥିବା ଏବଂ ଉଚ୍ଚ ଶ୍ରେଣୀ ଅସନ୍ତୁଳନ ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରୁଥିବା ଗବେଷକମାନଙ୍କ ପାଇଁ ଆଗ୍ରହୀ । |
8efac913ff430ef698dd3fa5df4cbb7ded3cab50 | ଆମେ ଏକ ଅଣ-ନିରୀକ୍ଷିତ କ୍ଲଷ୍ଟରିଂ ଉପକରଣ, ମୁଖ୍ୟ ଦିଗ ବିଭାଜନ ବିଭାଜନ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ଏକ ସ୍କାଲେ-ସକ୍ଷମ ଏବଂ ବହୁମୁଖୀ ଉପର-ନିମ୍ନ ପଦ୍ଧତି ଯାହା କୌଣସି ତଥ୍ୟ ସେଟ୍ ପାଇଁ ପ୍ରଯୁଜ୍ୟ ଯାହା ସଂଖ୍ୟାଗତ ଭେକ୍ଟର ଭାବରେ ପ୍ରତିନିଧିତ୍ୱ କରାଯାଇପାରିବ । ଏହି ମୌଳିକ ପଦ୍ଧତିର ବର୍ଣ୍ଣନା, ଏହାର ବ୍ୟବହାରର ମୁଖ୍ୟ ପ୍ରୟୋଗ କ୍ଷେତ୍ରର ଏକ ସାରାଂଶ ଏବଂ କିଛି ସଦ୍ୟତମ ଫଳାଫଳ ଯାହା ସଙ୍କେତକାରୀ ଶବ୍ଦଗୁଡିକର ଚୟନ ଉପରେ ଆଧାରିତ ଏବଂ ନୂତନ ତଥ୍ୟ ଆସିବା ପରେ କ୍ଲଷ୍ଟରଗୁଡିକର ଅଦ୍ୟତନ ପ୍ରକ୍ରିୟା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । |
1e20f9de45d26950ecd11965989d2b15a5d0d86b | ମଡେଲ ଆଧାରିତ ପଦ୍ଧତି ଏବଂ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କ ଉଭୟ ମେସିନ ଶିକ୍ଷଣରେ ଅତ୍ୟନ୍ତ ସଫଳ ପାରାଡିଗମ । ମଡେଲ ଆଧାରିତ ପଦ୍ଧତିରେ, ଆମେ ସହଜରେ ଆମ ସମସ୍ୟା ଡୋମେନ ଜ୍ଞାନକୁ ମଡେଲର ପ୍ରତିବନ୍ଧକ ମଧ୍ୟରେ ଅନୁମାନ ସମୟରେ ଅସୁବିଧା ଯୋଗୁଁ ପ୍ରକାଶ କରିପାରିବା । ନିର୍ଣ୍ଣାୟକ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କ ଏପରି ଭାବରେ ନିର୍ମିତ ହୋଇଛି ଯେ ଅନୁମାନ ସିଧା ଅଟେ, କିନ୍ତୁ ଆମେ ସମସ୍ୟା ଡୋମେନ୍ ଜ୍ଞାନକୁ ସହଜରେ ଅନ୍ତର୍ଭୁକ୍ତ କରିବାର କ୍ଷମତାକୁ ବଳିଦାନ ଦେଇଥାଉ । ଏହି ଦସ୍ତାବିଜର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଉଭୟ ପଦ୍ଧତିର ଲାଭ ପାଇବା ପାଇଁ ଏକ ସାଧାରଣ ରଣନୀତି ପ୍ରଦାନ କରିବା ସହିତ ସେମାନଙ୍କର ଅନେକ ଅସୁବିଧାକୁ ଏଡ଼ାଇବା । ସାଧାରଣ ଧାରଣାକୁ ନିମ୍ନଲିଖିତ ଭାବରେ ସାରାଂଶିତ କରାଯାଇପାରେ: ଏକ ମଡେଲ-ଆଧାରିତ ପଦ୍ଧତିକୁ ଦିଆଯାଇଥାଏ ଯାହା ଏକ ପୁନରାବୃତ୍ତି ଅନୁମାନ ପଦ୍ଧତି ଆବଶ୍ୟକ କରେ, ଆମେ ପୁନରାବୃତ୍ତିକୁ ଏକ ସ୍ତର-ବୁଦ୍ଧିମାନ ଢାଞ୍ଚାରେ ପ୍ରକାଶ କରିଥାଉ ଯାହା ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସହିତ ସମାନ _ ତାପରେ ଆମେ ମଡେଲ ପାରାମିଟରକୁ ବିଭିନ୍ନ ସ୍ତରରେ ଅଲଗା କରି ନୂତନ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଭଳି ସ୍ଥାପତ୍ୟ ପ୍ରାପ୍ତ କରିଥାଉ ଯାହା ସହଜରେ ଗ୍ରେଡିଏଣ୍ଟ ଆଧାରିତ ପଦ୍ଧତି ବ୍ୟବହାର କରି ଭେଦଭାବପୂର୍ଣ୍ଣ ଭାବରେ ତାଲିମ ଦିଆଯାଇପାରିବ । ଫଳସ୍ୱରୂପ ଫର୍ମୁଲା ପାରମ୍ପରିକ ଗଭୀର ନେଟୱାର୍କର ଅଭିବ୍ୟକ୍ତି ଶକ୍ତିକୁ ମଡେଲ ଆଧାରିତ ଆଭିମୁଖ୍ୟର ଆଭ୍ୟନ୍ତରୀଣ ସଂରଚନା ସହିତ ମିଶ୍ରଣ କରେ, ଯେତେବେଳେ ସ୍ଥିର ସଂଖ୍ୟକ ସ୍ତରରେ ଅନୁମାନକୁ ଅନୁମତି ଦେଇଥାଏ ଯାହା ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ ଅନୁକୂଳିତ ହୋଇପାରିବ । ଆମେ ଦେଖାଇବୁ କିପରି ଏହି ଫ୍ରେମୱାର୍କକୁ ଅଣ-ନକାରାତ୍ମକ ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେଶନ ଉପରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ଏକ ନୂଆ ଅଣ-ନକାରାତ୍ମକ ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ, ଯାହାକୁ ଏକ ଗୁଣନୀୟ ବ୍ୟାକ-ପ୍ରୋପାଗେସନ-ଶୈଳୀ ଅପଡେଟ୍ ଆଲଗୋରିଦମ ସହିତ ପ୍ରଶିକ୍ଷଣ କରାଯାଇପାରିବ । ଆମେ ଭାଷଣ ଉନ୍ନତି କ୍ଷେତ୍ରରେ ପରୀକ୍ଷଣ ଉପସ୍ଥାପନ କରୁଛୁ, ଯେଉଁଠାରେ ଆମେ ଦେଖାଉଛୁ ଯେ ପରିଣାମ ସ୍ୱରୂପ ମଡେଲ ପାରମ୍ପରିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ଅତିକ୍ରମ କରିପାରେ ଯେତେବେଳେ କି କେବଳ ପାରାମିଟର ସଂଖ୍ୟା ଏକ ଅଂଶ ଆବଶ୍ୟକ କରେ । ଆମେ ଭାବୁଛୁ ଏହା ଗଭୀର ନେଟୱାର୍କର ସ୍ଥାପତ୍ୟରେ ସମସ୍ୟା ସ୍ତରୀୟ ଅନୁମାନକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ପାଇଁ ଆମର ଢାଞ୍ଚା ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା କ୍ଷମତା ଯୋଗୁଁ । arXiv.org ଏହି କାମକୁ କୌଣସି ବ୍ୟବସାୟିକ ଉଦ୍ଦେଶ୍ୟରେ ନକଲ କିମ୍ବା ପୁନଃପ୍ରକାଶ କରାଯାଇପାରିବ ନାହିଁ । ବିନା ଦେୟରେ ସମ୍ପୂର୍ଣ୍ଣ କିମ୍ବା ଆଂଶିକ ନକଲ କରିବା ପାଇଁ ଅନୁମତି ଅଣଲାଭକାରୀ ଶିକ୍ଷା ଏବଂ ଗବେଷଣା ଉଦ୍ଦେଶ୍ୟରେ ପ୍ରଦାନ କରାଯାଇଥାଏ ଯେପର୍ଯ୍ୟନ୍ତ ସମସ୍ତ ଏପରି ସମ୍ପୂର୍ଣ୍ଣ କିମ୍ବା ଆଂଶିକ ନକଲ ନିମ୍ନଲିଖିତ ବିଷୟ ଅନ୍ତର୍ଭୁକ୍ତ କରେଃ ଏକ ବିଜ୍ଞପ୍ତି ଯେ ଏହିପରି ନକଲ କରିବା ମିତ୍ସୁବୀଶି ଇଲେକ୍ଟ୍ରିକ୍ ରିସର୍ଚ୍ଚ ଲାବୋରେଟୋରିଜ୍, ଇନ୍କର ଅନୁମତିରେ; ଲେଖକ ଏବଂ କାର୍ଯ୍ୟରେ ବ୍ୟକ୍ତିଗତ ଅବଦାନର ସ୍ୱୀକୃତି; ଏବଂ କପିରାଇଟ୍ ବିଜ୍ଞପ୍ତିର ସମସ୍ତ ପ୍ରଯୁଜ୍ୟ ଅଂଶ _ ଅନ୍ୟ କୌଣସି ଉଦ୍ଦେଶ୍ୟରେ ନକଲ, ପୁନଃପ୍ରକାଶନ କିମ୍ବା ପୁନଃ ପ୍ରକାଶନ ପାଇଁ ମିତ୍ସୁବୀଶି ଇଲେକ୍ଟ୍ରିକ୍ ରିସର୍ଚ୍ଚ ଲାବୋରେଟୋରି, ଇନ୍କୋକୁ ଦେୟ ପ୍ରଦାନ ସହିତ ଲାଇସେନ୍ସ ଆବଶ୍ୟକ ହେବ । ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ । କପିରାଇଟ୍ ସି © ମିଟ୍ସୁବିଶି ଇଲେକ୍ଟ୍ରିକ୍ ରିସର୍ଚ୍ଚ ଲାବୋରେଟୋରିଜ୍, ଇନ୍କ, ୨୦୧୪ ୨୦୧ ବ୍ରୋଡୱେ, କେମ୍ବ୍ରିଜ୍, ମାସାଚୁସେଟ୍ସ ୦୨୧୩୯ |
26f4f07696a3828f5eeb0d8bb8944da80228b77d | ନିଷ୍ପତ୍ତି ଗଛ ଆଲଗୋରିଦମ ଉପରେ ପ୍ରୋତ୍ସାହନ ପ୍ରକ୍ରିୟା ପ୍ରୟୋଗ କରି ବହୁତ ସଠିକ ଶ୍ରେଣୀକରଣ କରାଯାଇଥାଏ । ଏହି ଶ୍ରେଣୀକରଣ ବହୁମତ ଭୋଟର ଫର୍ମରେ ହୋଇଥାଏ । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ଏହି ଶ୍ରେଣୀଗୁଡିକ ଅନେକ ସମୟରେ ବଡ଼, ଜଟିଳ ଏବଂ ବ୍ୟାଖ୍ୟା କରିବା କଷ୍ଟକର ହୋଇଥାଏ । ଏହି ଲେଖାରେ ଏକ ନୂତନ ପ୍ରକାରର ବର୍ଗୀକରଣ ନିୟମ ବର୍ଣ୍ଣନା କରାଯାଇଛି, ବିକଳ୍ପ ନିଷ୍ପତ୍ତି ଗଛ, ଯାହା ନିଷ୍ପତ୍ତି ଗଛ, ଭୋଟ ନିଷ୍ପତ୍ତି ଗଛ ଏବଂ ଭୋଟ ନିଷ୍ପତ୍ତି ଷ୍ଟମ୍ପର ଏକ ସାଧାରଣକରଣ ଅଟେ । ସେହି ସମୟରେ ଏହି ପ୍ରକାରର ଶ୍ରେଣୀକରଣକୁ ବ୍ୟାଖ୍ୟା କରିବା ଅପେକ୍ଷାକୃତ ସହଜ । ଆମେ ଏକ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ବର୍ଦ୍ଧିତ ଉପରେ ଆଧାରିତ ବିକଳ୍ପ ନିଷ୍ପତ୍ତି ଗଛ ପାଇଁ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଏହା C5.0 ପରି ବର୍ଦ୍ଧିତ ନିଷ୍ପତ୍ତି ଗଛ ଆଲଗୋରିଦମ ସହିତ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା କରେ ଏବଂ ନିୟମ ସୃଷ୍ଟି କରେ ଯାହା ସାଧାରଣତ smaller ଛୋଟ ଏବଂ ତେଣୁ ବ୍ୟାଖ୍ୟା କରିବା ସହଜ _ ଏହା ସହିତ ଏହି ନିୟମଗୁଡିକ ଶ୍ରେଣୀକରଣର ଏକ ପ୍ରାକୃତିକ ମାପଦଣ୍ଡ ପ୍ରଦାନ କରିଥାଏ ଯାହା ଶ୍ରେଣୀକରଣ କରିବା କଷ୍ଟକର ଉଦାହରଣଗୁଡିକର ପୂର୍ବାନୁମାନରୁ ନିବୃତ୍ତ ରହିବା ବ୍ୟୟରେ ସଠିକତା ବୃଦ୍ଧି ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ । |
5e28e81e757009d2f76b8674e0da431f5845884a | ଏହି କାଗଜରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେ, ଏକ ଛବି ତାଲିମ ସେଟରୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକର ଚୟନ କରିବା ପାଇଁ ବହୁ-ଆକାରର ରେଖୀ ଭେଦଭାବ ବିଶ୍ଳେଷଣ ଏବଂ ଏହା ସହିତ ଜଡିତ ସର୍ବୋତ୍ତମ ରେଖୀ ପରିଦୃଶ୍ୟର ସିଦ୍ଧାନ୍ତ ବ୍ୟବହାର କରାଯାଇଛି । ଆମେ ଏହି ସର୍ବାଧିକ ଭେଦଭାବକାରୀ ବିଶେଷତାଗୁଡ଼ିକର ପ୍ରଭାବକୁ ଦର୍ଶନ ଆଧାରିତ ଶ୍ରେଣୀ ପୁନରୁଦ୍ଧାର ପାଇଁ ଏକ ବୃହତ ଡାଟାବେସରୁ ବ୍ୟାପକ ଭାବରେ ବିଭିନ୍ନ ପ୍ରକାରର ବାସ୍ତବ ଦୁନିଆର ବସ୍ତୁଗୁଡ଼ିକର ଦୃଶ୍ୟମାନତା ଭାବରେ ଉପସ୍ଥାପିତ କରିଛୁ ଏବଂ ଏହାକୁ ମୁଖ୍ୟ ଉପାଦାନ ବିଶ୍ଳେଷଣ ସହିତ ତୁଳନା କରିଛୁ । |
dbe8c61628896081998d1cd7d10343a45b7061bd | ଅନେକ ରଣନୀତି ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା ମୌଳିକ ନେଟୱାର୍କ ମଡେଲର ସୀମିତତାକୁ ଦୂର କରିଥାଏ । ଦୁଇଟି ପ୍ରମୁଖ ଚିନ୍ତାର କ୍ଷେତ୍ର ହେଉଛି ସମୟର ସମସ୍ୟା ଏବଂ ସ୍କେଲର ସମସ୍ୟା । ସମୟ ସହିତ କଥନ ସଂକେତ କ୍ରମାଗତ ଭାବରେ ପରିବର୍ତ୍ତନ ହୋଇଥାଏ ଏବଂ ଏହା ମାନବ ଜ୍ଞାନର ଏକ ବିଶାଳ ପରିମାଣକୁ ସଂରଚନା ଏବଂ ପ୍ରସାରଣ କରିଥାଏ । ଏହି ସିଗନାଲ୍ ଗୁଡିକୁ ଡିକୋଡ୍ କରିବା ପାଇଁ, ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ଗୁଡ଼ିକ ସମୟର ଉପଯୁକ୍ତ ପ୍ରତିନିଧିତ୍ୱ ବ୍ୟବହାର କରିବାକୁ ସକ୍ଷମ ହେବା ଉଚିତ ଏବଂ ସୀମିତ ସମ୍ବଳ ମଧ୍ୟରେ ଏହି ନେଟୱାର୍କ ଗୁଡ଼ିକୁ ପ୍ରାୟ ମନଇଚ୍ଛା ଆକାର ଏବଂ ଜଟିଳତା ପର୍ଯ୍ୟନ୍ତ ବିସ୍ତାର କରିବା ସମ୍ଭବ ହେବା ଉଚିତ । ସମୟର ସମସ୍ୟାକୁ ସମୟ-ବିଳମ୍ବିତ ନ୍ୟୁରାଲ ନେଟୱାର୍କର ବିକାଶ ଦ୍ୱାରା ସମାଧାନ କରାଯାଇଥାଏ; ଛୋଟ ଉପ-ବିଷୟକ ନେଟୱାର୍କ ଉପରେ ଆଧାରିତ ବଡ଼ ନେଟୱାର୍କର ମଡ୍ୟୁଲାରିଟି ଏବଂ ବୃଦ୍ଧିଶୀଳ ଡିଜାଇନ୍ ଦ୍ୱାରା ସ୍କେଲିଂର ସମସ୍ୟା । ଏହା ଦର୍ଶାଯାଇଛି ଯେ ସୀମିତ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ପ୍ରଶିକ୍ଷିତ ଛୋଟ ନେଟୱାର୍କ ସମୟ-ଅସ୍ଥିର, ଲୁକ୍କାୟିତ ଅବଷ୍ଟ୍ରାକସନ୍ ବିକଶିତ କରେ ଯାହା ପରବର୍ତ୍ତୀ ସମୟରେ ବୃହତ, ଅଧିକ ଜଟିଳ ନେଟୱାର୍କକୁ ଦକ୍ଷତାର ସହିତ ପ୍ରଶିକ୍ଷଣ ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଏହି କୌଶଳ ବ୍ୟବହାର କରି କ୍ରମବର୍ଦ୍ଧିଷ୍ଣୁ ଜଟିଳତାର ଫୋନେମ ଚିହ୍ନଟ ନେଟୱାର୍କ ନିର୍ମାଣ କରାଯାଇପାରିବ ଯାହା ସମସ୍ତ ଉନ୍ନତ ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଥାଏ । |
eeb8c7a22f731839755a4e820b608215e9885276 | |
01905a9c0351aad54ee7dbba1544cd9db06ca935 | ସୂଚନା ପ୍ରଣାଳୀ (ଆଇଏସ) ସୁରକ୍ଷା ସହ ଜଡ଼ିତ କୌଣସି ସଂସ୍ଥା ପାଇଁ ବିପଦ ପରିଚାଳନା ଆଜି ଏକ ପ୍ରମୁଖ ପରିଚାଳନା ଉପକରଣ । ତେବେ ଆଇଏସ ସୁରକ୍ଷା ବିପଦ ପରିଚାଳନା (ଆଇଏସଏସଆରଏମ) କୁ ପ୍ରତିଷ୍ଠା ଓ ରକ୍ଷଣାବେକ୍ଷଣ କରିବା ଏକ କଷ୍ଟକର ପ୍ରକ୍ରିୟା, ମୁଖ୍ୟତଃ ଜଟିଳ ଓ ପରସ୍ପର ସହ ଜଡିତ ଆଇଏସ ସହ ବହୁ ନିୟାମକ ପରିପ୍ରେକ୍ଷୀରେ । ଆମେ ଦାବି କରୁଛୁ ଯେ ଏଣ୍ଟରପ୍ରାଇଜ୍ ଆର୍କିଟେକ୍ଚର ମ୍ୟାନେଜମେଣ୍ଟ (ଇଏଏମ) ସହିତ ସଂଯୋଗ ଏହି ପ୍ରସଙ୍ଗଗୁଡ଼ିକର ମୁକାବିଲା କରିବାରେ ସାହାଯ୍ୟ କରେ । ଉଭୟ କ୍ଷେତ୍ରକୁ ଭଲ ଭାବେ ସମନ୍ୱିତ କରିବା ଦିଗରେ ପ୍ରଥମ ପଦକ୍ଷେପ ହେଉଛି ଏକ ସମନ୍ୱିତ ଇଏଏମ-ଆଇଏସଏସଆରଏମ ଧାରଣା ମଡେଲର ପରିଭାଷା । ଏହି କାଗଜରେ ଏହି ମଡେଲର ବିକାଶ ଓ ବୈଧତା ବିଷୟରେ ଲେଖାଯାଇଛି । ଏଥିପାଇଁ ଆମେ ଆଇଏସଏସଆରଏମ ଡୋମେନ ମଡେଲକୁ ଉନ୍ନତ କରିଛୁ, ଯଥା: ଇଏମଏମର ଧାରଣା ସହିତ ଆଇଏସଏସଆରଏମ୍ର କ୍ଷେତ୍ରକୁ ଦର୍ଶାଉଥିବା ଏକ ଧାରଣା ମଡେଲ । EAM-ISSRM ସମନ୍ୱିତ ମଡେଲର ବୈଧତା ପରେ ଏକ ବୈଧତା ସମୂହ ସାହାଯ୍ୟରେ କରାଯାଇଥାଏ ଯାହା ମଡେଲର ଉପଯୋଗିତା ଏବଂ ବ୍ୟବହାରଯୋଗ୍ୟତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିଥାଏ । |
1976c9eeccc7115d18a04f1e7fb5145db6b96002 | ଫ୍ରିବେସ୍ ହେଉଛି ଏକ ବ୍ୟବହାରିକ, ମାପଯୋଗ୍ୟ ଟାପଲ୍ ଡାଟାବେସ୍ ଯାହା ସାଧାରଣ ମାନବ ଜ୍ଞାନକୁ ଗଠନ କରିଥାଏ । ଫ୍ରିବେସରେ ଥିବା ତଥ୍ୟକୁ ସହଯୋଗରେ ତିଆରି, ସଂରଚନା ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣ କରାଯାଏ । ଫ୍ରିବେସରେ ବର୍ତ୍ତମାନ ୧୨୫,୦୦,୦୦୦,୦୦୦ରୁ ଅଧିକ ଟାପୁଲସ, ୪୦୦୦ରୁ ଅଧିକ ପ୍ରକାର, ଏବଂ ୭୦୦୦ରୁ ଅଧିକ ଗୁଣ ରହିଛି । ଫ୍ରିବେସକୁ ସର୍ବସାଧାରଣ ପଠନ/ଲେଖିବା ପାଇଁ ଅନୁମତି ପ୍ରଦାନ କରାଯାଇଛି । ଏହା ଏକ ଏଚଟିଟିପି ଆଧାରିତ ଗ୍ରାଫ-କ୍ୱେରୀ ଏପିଆଇ ବ୍ୟବହାର କରି ମେଟାୱେବ୍ କ୍ୱେରୀ ଭାଷା (ଏମ୍ କ୍ୟୁଏଲ୍) କୁ ଡାଟା କ୍ୱେରୀ ଏବଂ ମନିପ୍ୟୁଲେସନ୍ ଭାଷା ଭାବରେ ବ୍ୟବହାର କରିଥାଏ । ଏମକ୍ୟୁଏଲ ଫ୍ରିବେସରେ ଟାପଲ ଡାଟା ପାଇଁ ଏକ ସହଜରେ ବ୍ୟବହାର ହେଉଥିବା ଅବଜେକ୍ଟ-ଓରିଏଣ୍ଟେଡ ଇଣ୍ଟରଫେସ ପ୍ରଦାନ କରିଥାଏ ଏବଂ ଏହା ସହଭାଗୀ, ୱେବ-ଆଧାରିତ ଡାଟା-ଓରିଏଣ୍ଟେଡ ଆପ୍ଲିକେସନଗୁଡିକର ସୃଷ୍ଟିକୁ ସହଜ କରିବା ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି । |
77b99e0a3a6f99537a4b497c5cd67be95c1b7088 | ସ୍ୱୟଂଚାଳିତ ଯାନ ଗବେଷଣା ଏକ ଦଶନ୍ଧିରୁ ଅଧିକ ସମୟ ଧରି ପ୍ରଚଳିତ ହୋଇଆସୁଛି କିନ୍ତୁ ନିକଟରେ ସ୍ୱୟଂଚାଳିତ ଯାନରେ ହେଉଥିବା ମାନବୀୟ ପାରସ୍ପରିକ କ୍ରିୟା ଉପରେ ଅଳ୍ପ ପରିମାଣର ଗବେଷଣା କରାଯାଇଛି । ଯଦିଓ ସ୍ୱୟଂଚାଳିତ ଯାନ ଗବେଷଣାର ମୁଖ୍ୟ କେନ୍ଦ୍ରବିନ୍ଦୁ ଭାବେ କାର୍ଯ୍ୟ କରୁଥିବା ସଫ୍ଟୱେୟାର ଏବଂ ସେନସର ପ୍ରଯୁକ୍ତି ନିରାପଦ ପରିଚାଳନା ପାଇଁ ଆବଶ୍ୟକ, ତଥାପି ମାନବୀୟ ପାରସ୍ପରିକ କ୍ରିୟାର ସମସ୍ତ ଉପାଦାନକୁ ପରିଚାଳନା କରିବା ମଧ୍ୟ ଏହାର ସଫଳତାର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଦିଗ । ଏହି ଦସ୍ତାବିଜରେ ସ୍ୱୟଂ ଚାଳିତ ଯାନରେ ମାନବ ଯାନର ପାରସ୍ପରିକ କ୍ରିୟାର ଗୁରୁତ୍ୱର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରାଯିବ, ଯେତେବେଳେ କି ପ୍ରାସଙ୍ଗିକ ସମ୍ବନ୍ଧୀୟ କାରକଗୁଡ଼ିକୁ ବିଚାର କରାଯିବ ଯାହା ଗ୍ରହଣକୁ ପ୍ରଭାବିତ କରିବାର ସମ୍ଭାବନା ରହିଛି । ବିଶେଷକରି ଅଟୋମୋବାଇଲରେ ନିୟନ୍ତ୍ରଣ ସମ୍ବନ୍ଧୀୟ ଜର୍ମାନୀ କ୍ଷେତ୍ର ଉପରେ କରାଯାଇଥିବା ପୂର୍ବ ଗବେଷଣା ଉପରେ ବିଶେଷ ଧ୍ୟାନ ଦିଆଯିବ, ଏହା ବ୍ୟତୀତ ମାନବ ପରିଚାଳନା ପାଇଁ ପ୍ରାରମ୍ଭିକ ଭାବରେ ବିକଶିତ ଏହି ଯାନଗୁଡିକର ସଫଳତା ସମ୍ଭାବନା ଉପରେ ପ୍ରଭାବ ପକାଇବାର ଆଶା କରାଯାଉଥିବା ବିଭିନ୍ନ ଉପାଦାନ ଉପରେ ମଧ୍ୟ ଧ୍ୟାନ ଦିଆଯିବ । ଏହି ପତ୍ରରେ ମାନବ ସହିତ ପାରସ୍ପରିକ କ୍ରିୟାକୁ ବିଚାର କରିବା ପାଇଁ କରାଯାଇଥିବା ସୀମିତ ଗବେଷଣା ଏବଂ ପ୍ରକାଶିତ ସଫ୍ଟୱେୟାର ଏବଂ ସେନସର ଟେକ୍ନୋଲୋଜିର ବର୍ତ୍ତମାନର ସ୍ଥିତି ଉପରେ ଆଲୋଚନା ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ ହେବ । |
31f3a12fb25ddb0a27ebdda7dd8d014996debd74 | ଆମେ ପ୍ରାୟ ୨ ବର୍ଷ ଧରି ୧୨,୫୦୦ ଆଣ୍ଡ୍ରଏଡ୍ ଡିଭାଇସର ବ୍ୟବହାର ତଥ୍ୟ ସଂଗ୍ରହ କରିଛୁ । ଆମ ଡାଟାସେଟରେ ଆଣ୍ଡ୍ରଏଡର 687ଟି ଭର୍ସନ ଚାଲୁଥିବା 894ଟି ଡିଭାଇସର 894 ମଡେଲର 53 ବିଲିୟନ ଡାଟା ପଏଣ୍ଟ ରହିଛି । ସଂଗୃହୀତ ତଥ୍ୟର ପ୍ରକ୍ରିୟାକରଣରେ ବିଭିନ୍ନ ଆହ୍ୱାନ ରହିଛି, ଯେପରିକି ଏହାର ଆକାର ବୃଦ୍ଧି, ତାଳମେଳ ଓ ଗୋପନୀୟତା । ଆମେ ଏହି ଉଚ୍ଚ-ବଣ୍ଟନ ତଥ୍ୟ ସେଟକୁ ସଂଗ୍ରହ ଏବଂ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ଆମର ସିଷ୍ଟମ ସ୍ଥାପତ୍ୟକୁ ଉପସ୍ଥାପନ କରୁ, ଅବିଶ୍ୱସନୀୟ ସମୟ ସୂଚନା ଉପସ୍ଥିତିରେ ଆମର ସିଷ୍ଟମ କିପରି ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ସମୟ-ଶୃଙ୍ଖଳା ତଥ୍ୟ ସଂଗ୍ରହ କରିପାରିବ ତାହା ଆଲୋଚନା କରୁ, ଏବଂ ଅନେକ ଅନ୍ୟ ବଡ ତଥ୍ୟ ସଂଗ୍ରହ ପ୍ରକଳ୍ପରେ ପ୍ରଯୁଜ୍ୟ ବୋଲି ଆମେ ବିଶ୍ୱାସ କରୁଥିବା ପ୍ରସଙ୍ଗ ଏବଂ ଶିକ୍ଷା ବିଷୟରେ ଆଲୋଚନା କରୁ । |
408a8e250316863da94ffb3eab077175d08c01bf | |
5656fa5aa6e1beeb98703fc53ec112ad227c49ca | ଆମେ ବହୁ-ପ୍ରାବଧାନୀ ଗଭୀର ବୋଲ୍ଟଜମାନ ମେସିନ (ଏମପି-ଡିବିଏମ) କୁ ଉପସ୍ଥାପନ କରୁଛୁ । ଏମପିଡିବିଏମକୁ ଏକ ଏକକ ସମ୍ଭାବ୍ୟତା ମଡେଲ ଭାବରେ ଦେଖାଯାଇପାରେ ଯାହା ସାଧାରଣ ପ୍ଲେସୋଡୋଲିକିବୋଡକୁ ଏକ ଭେରିଏସନଲ ଅନୁପାତକୁ ଅଧିକରୁ ଅଧିକ କରିବା ପାଇଁ ତାଲିମପ୍ରାପ୍ତ ହୋଇଥାଏ, କିମ୍ବା ବାରମ୍ବାର ନେଟର ଏକ ପରିବାର ଭାବରେ ଦେଖାଯାଏ ଯାହା ପାରାମିଟରଗୁଡିକ ଅଂଶୀଦାର କରେ ଏବଂ ପ୍ରାୟ ଭିନ୍ନ ଅନୁମାନ ସମସ୍ୟା ସମାଧାନ କରେ । ଡିବିଏମ୍ କୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ପୂର୍ବରୁ ଯେଉଁ ଉପାୟ ଅବଲମ୍ବନ କରାଯାଇଥିଲା ତାହା ହୁଏତ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟରେ ଭଲ ଭାବରେ କାର୍ଯ୍ୟ କରିନଥାଏ କିମ୍ବା ଡିବିଏମ୍ କୁ ଏକ ସମୟରେ ଗୋଟିଏ ସ୍ତରରୁ ଅନ୍ୟ ସ୍ତରକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ଏକ ପ୍ରାରମ୍ଭିକ ଶିକ୍ଷଣ ପାସ୍ ଆବଶ୍ୟକ କରିଥାଏ । ଏମପି-ଡିବିଏମ ପାଇଁ ଲୋଭୀ ସ୍ତରୀୟ ପୂର୍ବ ପ୍ରଶିକ୍ଷଣର ଆବଶ୍ୟକତା ନାହିଁ ଏବଂ ଏହା ଶ୍ରେଣୀକରଣ, ଅଭାବୀ ନିବେଶ ସହିତ ଶ୍ରେଣୀକରଣ ଏବଂ ହାରାହାରି କ୍ଷେତ୍ର ପୂର୍ବାନୁମାନ କାର୍ଯ୍ୟରେ ମାନକ ଡିବିଏମ ଠାରୁ ଅଧିକ କାର୍ଯ୍ୟ କରିଥାଏ । |
4c99b87df6385bd945a00633f829e4a9ec5ce314 | ସାମାଜିକ ନେଟୱାର୍କ ବହୁତ ପରିମାଣର ତଥ୍ୟ ସୃଷ୍ଟି କରିଥାଏ । ଫେସବୁକରେ ୪୦୦ ନିୟୁତରୁ ଅଧିକ ସକ୍ରିୟ ବ୍ୟବହାରକାରୀ ଅଛନ୍ତି ଯେଉଁମାନେ ପ୍ରତିମାସରେ ୫ ବିଲିୟନରୁ ଅଧିକ ସୂଚନା ଶେୟାର କରୁଛନ୍ତି । ଏହି ବିଶାଳ ପରିମାଣର ଅଣସଂଗଠିତ ତଥ୍ୟର ବିଶ୍ଳେଷଣ ସଫ୍ଟୱେୟାର ଏବଂ ହାର୍ଡୱେୟାର ପାଇଁ ଏକ ଆହ୍ୱାନ ସୃଷ୍ଟି କରେ । ଆମେ ଏଠାରେ ଗ୍ରାଫସିଟି ଉପସ୍ଥାପନ କରୁଛୁ, ଏକ ଗ୍ରାଫ ଚରିତ୍ରକରଣ ଉପକରଣ କିଟ୍ ଯାହାକି ସୋସିଆଲ ନେଟୱାର୍କ ତଥ୍ୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା ବିଶାଳ ଗ୍ରାଫ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । 128 ପ୍ରୋସେସର Cray XMT ରେ, GraphCT ଏକ କୃତ୍ରିମ ଭାବରେ ସୃଷ୍ଟି ହୋଇଥିବା (R-MAT) 537 ନିୟୁତ vertex, 55 ମିନିଟରେ 8.6 ବିଲିୟନ ଏଜ ଗ୍ରାଫ ଏବଂ ଏକ ବାସ୍ତବ ଦୁନିଆ ଗ୍ରାଫ (Kwak, et al.) ଏହାର ୬୧.୬ ନିୟୁତ ଶିଖର ଏବଂ ୧.୪୭ ବିଲିୟନ କଡ଼ ୧୦୫ ମିନିଟରେ । ଆମେ ଗ୍ରାଫସିଟି ବ୍ୟବହାର କରି ଟ୍ୱିଟରର ସାର୍ବଜନୀନ ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ କରିଥାଉ, ଏକ ମାଇକ୍ରୋ ବ୍ଲଗିଂ ନେଟୱାର୍କ । ଟ୍ୱିଟରର ବାର୍ତ୍ତା ସଂଯୋଗ ମୁଖ୍ୟତଃ ଏକ ଖବର ପ୍ରସାରଣ ପ୍ରଣାଳୀ ଭାବରେ ବୃକ୍ଷ-ବନାଯାଇଥାଏ । ତେବେ ସାର୍ବଜନୀନ ତଥ୍ୟ ମଧ୍ୟରେ ଅନେକ କଥାବାର୍ତ୍ତା ରହିଛି । GraphCT ବ୍ୟବହାର କରି ଆମେ ଏହି ବାର୍ତ୍ତାଳାପ ମଧ୍ୟରେ ଅଭିନେତାମାନଙ୍କୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିପାରିବା ଏବଂ ବିଶ୍ଳେଷକମାନଙ୍କୁ ଏକ ଛୋଟ ତଥ୍ୟ ଉପସମୂହ ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରିବାରେ ସାହାଯ୍ୟ କରିପାରିବା । |
7b1e18688dae102b8702a074f71bbea8ba540998 | ଅଟୋମୋବାଇଲ ଯାନବାହାନର ସିଷ୍ଟମର କ୍ରମବର୍ଦ୍ଧିଷ୍ଣୁ ଜଟିଳତା, ବାହ୍ୟ ନେଟୱାର୍କ, ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସ ସହିତ ଏହାର ବୃହତ୍ତର ଆଭ୍ୟନ୍ତରୀଣ ନେଟୱାର୍କିଂ ସହିତ ଏହାର ସଂଯୋଗ ହ୍ୟାକିଂ ଏବଂ କ୍ଷତିକାରକ ଆକ୍ରମଣ ପାଇଁ ଦ୍ୱାର ଖୋଲିଥାଏ । ଆଧୁନିକ ଅଟୋମୋବାଇଲ ଯାନବାହାନରେ ସୁରକ୍ଷା ଏବଂ ଗୋପନୀୟତା ବିପତ୍ତି ବର୍ତ୍ତମାନ ସୁଦ୍ଧା ଭଲ ଭାବରେ ପ୍ରଚାରିତ ହୋଇଛି । ସୁରକ୍ଷା ଉଲ୍ଲଂଘନ ଦ୍ୱାରା ସୁରକ୍ଷା ଉଲ୍ଲଂଘନ ହୋଇପାରେ - ଏହା ଏକ ଯୁକ୍ତିଯୁକ୍ତ ଏବଂ ସ୍ୱୀକୃତ ଯୁକ୍ତି । ସୁରକ୍ଷା ଅନୁଶାସନ ଦଶନ୍ଧି ଧରି ପରିପକ୍ୱ ହୋଇଛି , କିନ୍ତୁ ସୁରକ୍ଷା ଅନୁଶାସନ ବହୁତ କମ୍ ବୟସର । କେତେକ ଯୁକ୍ତି ଅଛି ଯେ ସୁରକ୍ଷା ଇଞ୍ଜିନିୟରିଂ ପ୍ରକ୍ରିୟା କାର୍ଯ୍ୟକ୍ଷମ ସୁରକ୍ଷା ଇଞ୍ଜିନିୟରିଂ ପ୍ରକ୍ରିୟା (ଆଇଏସଓ ୨୬୨୬୨) ସହିତ ସମାନ ଏବଂ ସେଗୁଡିକ ପରସ୍ପର ସହିତ ଯୋଡି ହୋଇପାରିବେ ଏବଂ ଏକତ୍ର କାର୍ଯ୍ୟକାରୀ ହୋଇପାରିବେ କିନ୍ତୁ ଭିନ୍ନ ବିଶେଷଜ୍ଞଙ୍କ ଦ୍ୱାରା । ଅଟୋମୋଟିଭ୍ ଯାନବାହାନ ପ୍ରଣାଳୀ ପାଇଁ ଏକ କାର୍ଯ୍ୟକ୍ଷମ ସୁରକ୍ଷା ଇଞ୍ଜିନିୟରିଂ ପ୍ରକ୍ରିୟା ସହିତ ଏକ ସୁରକ୍ଷା ଇଞ୍ଜିନିୟରିଂ ପ୍ରକ୍ରିୟାକୁ ବ୍ୟାଖ୍ୟା କରିବାକୁ ପଦକ୍ଷେପ ନିଆଯାଉଛି । କିନ୍ତୁ, ନିରାପତ୍ତା-ସୁରକ୍ଷା ବ୍ୟବସ୍ଥାକୁ ଆନୁଷ୍ଠାନିକ କରିବା ଲାଗି ଏହି ପ୍ରୟାସ ନିରାପଦ ଏବଂ ସୁରକ୍ଷିତ ବ୍ୟବସ୍ଥା ସୃଷ୍ଟି କରିବା ଲାଗି ଯଥେଷ୍ଟ କି? ଯେତେବେଳେ କେହି ନିରାପଦ ଏବଂ ସୁରକ୍ଷିତ ବ୍ୟବସ୍ଥା ନିର୍ମାଣର ଚିନ୍ତାଧାରା ନେଇ ଏହି ରାସ୍ତାରେ ଚାଲିବାକୁ ଆରମ୍ଭ କରେ, ସେତେବେଳେ ସେ ଅନୁଭବ କରେ ଯେ ନିରାପଦ ଏବଂ ସୁରକ୍ଷିତ ବ୍ୟବସ୍ଥା ଉତ୍ପାଦନ ଲାଇନରୁ ବାହାରିବା ପୂର୍ବରୁ ଅନେକ ଆହ୍ୱାନ, ବିରୋଧାଭାସ, ଅସମାନତା, ଚିନ୍ତାଧାରାର ସମାଧାନ କରିବାକୁ ପଡ଼ିବ । ଏହି କାଗଜରେ ଏପରି କିଛି ଆହ୍ୱାନପୂର୍ଣ୍ଣ କ୍ଷେତ୍ର ସମ୍ପର୍କରେ ସମାଜକୁ ଅବଗତ କରାଇବା ଏବଂ ଆଗକୁ ବଢ଼ିବାର ମାର୍ଗ ବିଷୟରେ ପରାମର୍ଶ ଦେବା ପାଇଁ ପ୍ରୟାସ କରାଯାଇଛି । |
a608bd857a131fe0d9e10c2219747b9fa03c5afc | ଆଧୁନିକ ଅଟୋମୋବାଇଲଗୁଡିକ କମ୍ପ୍ୟୁଟରୀକୃତ ହୋଇଥିବାରୁ ଆକ୍ରମଣର ଶିକାର ହୋଇପାରନ୍ତି । କିନ୍ତୁ ପୂର୍ବ ଗବେଷଣାରୁ ଜଣାପଡିଛି ଯେ ଆଧୁନିକ କାରର ଆଭ୍ୟନ୍ତରୀଣ ନେଟୱାର୍କ ଅସୁରକ୍ଷିତ ଅଟେ । କିନ୍ତୁ ଏହା ସହିତ ଜଡିତ ବିପଦ ମଡେଲ - ଯାହା ପୂର୍ବରୁ ଶାରୀରିକ ପ୍ରବେଶ ଆବଶ୍ୟକ କରେ - ଏହାକୁ ଅବାସ୍ତବ ବୋଲି ବିବେଚନା କରାଯାଇଛି । ତେଣୁ, ଏହା ଏକ ଖୋଲା ପ୍ରଶ୍ନ ଯେ ଅଟୋମୋବାଇଲ ମଧ୍ୟ ରିମୋଟ ଦ୍ୱାରା କ୍ଷତିଗ୍ରସ୍ତ ହୋଇପାରେ କି ନାହିଁ । ଆମର ଏହି ଗବେଷଣାରେ ଆଧୁନିକ ଅଟୋମୋବାଇଲର ବାହ୍ୟ ଆକ୍ରମଣ ପୃଷ୍ଠକୁ ବ୍ୟବସ୍ଥିତ ଭାବେ ବିଶ୍ଳେଷଣ କରି ଏହି ପ୍ରଶ୍ନର ଉତ୍ତର ଖୋଜିବାକୁ ଚେଷ୍ଟା କରାଯାଇଛି । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ରିମୋଟ ଶୋଷଣ ବ୍ୟାପକ ଆକ୍ରମଣ ଭେକ୍ଟର (ଯାନ୍ତ୍ରିକ ଉପକରଣ, ସିଡି ପ୍ଲେୟାର, ବ୍ଲୁଟୁଥ୍ ଏବଂ ସେଲ୍ୟୁଲାର ରେଡିଓ ସମେତ) ମାଧ୍ୟମରେ ସମ୍ଭବ ଅଟେ ଏବଂ ଆହୁରି ମଧ୍ୟ, ଯେ ବେତାର ଯୋଗାଯୋଗ ଚ୍ୟାନେଲଗୁଡିକ ଦୂର ଦୂରାନ୍ତରେ ଯାନ ନିୟନ୍ତ୍ରଣ, ଅବସ୍ଥାନ ଟ୍ରାକିଂ, କ୍ୟାବିନରେ ଅଡିଓ ଏକ୍ସଫିଲ୍ଟ୍ରେସନ୍ ଏବଂ ଚୋରିକୁ ଅନୁମତି ଦେଇଥାଏ । ଶେଷରେ, ଆମେ ଅଟୋମୋବାଇଲ ଇକୋସିଷ୍ଟମର ଢାଞ୍ଚାଗତ ବିଶେଷତ୍ୱ ଉପରେ ଆଲୋଚନା କରୁଛୁ ଯାହା ଏହିପରି ସମସ୍ୟା ସୃଷ୍ଟି କରେ ଏବଂ ସେଗୁଡ଼ିକୁ ହ୍ରାସ କରିବାରେ ବ୍ୟବହାରିକ ଆହ୍ୱାନଗୁଡ଼ିକୁ ଆଲୋକପାତ କରେ । |
cdbb46785f9b9acf8d03f3f8aba58b201f06639f | ଅଟୋମୋବାଇଲ ସିଷ୍ଟମର ଆଇଟି ସୁରକ୍ଷା ହେଉଛି ଗବେଷଣାର ଏକ ବିକଶିତ କ୍ଷେତ୍ର । ବର୍ତ୍ତମାନର ସ୍ଥିତି ଏବଂ ସମ୍ଭାବ୍ୟ ବିପଦକୁ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ଆମେ ଅତ୍ୟାଧୁନିକ ଅଟୋମୋବାଇଲ ଟେକ୍ନୋଲୋଜି ଉପରେ ଅନେକ ବ୍ୟବହାରିକ ପରୀକ୍ଷଣ କରିଥିଲୁ । ଏହି ଲେଖାରେ ମୁଖ୍ୟତଃ CAN ବସ୍ ଟେକ୍ନୋଲୋଜି ଉପରେ ଆଧାରିତ ଅଟୋମୋବାଇଲ ସିଷ୍ଟମ ଉପରେ ଧ୍ୟାନ ଦିଆଯାଇଛି । ଏହି ଲେଖାରେ ୱିଣ୍ଡୋ ଲିଫ୍ଟ, ୱାର୍ଣ୍ଣିଂ ଲାଇଟ୍ ଏବଂ ଏୟାରବ୍ୟାଗ୍ କଣ୍ଟ୍ରୋଲ ସିଷ୍ଟମ ଏବଂ ସେଣ୍ଟ୍ରାଲ ଗେଟୱେ ପାଇଁ ଚୟନ କରାଯାଇଥିବା ଚାରୋଟି ପରୀକ୍ଷଣର ଫଳାଫଳକୁ ସାରାଂଶ କରାଯାଇଛି । ଏହି ଆର୍ଟିକିଲରେ ଏହି ଫଳାଫଳଗୁଡିକର ପରିପୂରକ ଭାବରେ ଏହି ଚାରୋଟି ଆକ୍ରମଣର ଦୃଶ୍ୟମାନ ବର୍ଗୀକରଣ କରାଯାଇଛି ଯାହା CERT ଟ୍ୟାକ୍ସୋନୋମି ବ୍ୟବହାର କରି ଏବଂ ମୂଳ ସୁରକ୍ଷା ଦୁର୍ବଳତା ଏବଂ ବିଶେଷକରି ସମ୍ଭାବ୍ୟ ସୁରକ୍ଷା ପ୍ରଭାବର ବିଶ୍ଳେଷଣ ଦ୍ୱାରା । ଏହି ପରୀକ୍ଷଣର ଫଳାଫଳକୁ ନେଇ, ଏହି ଲେଖାରେ ଆମେ ଦୁଇଟି ଚୟନିତ ପ୍ରତିକାର ବିଷୟରେ ଆଲୋଚନା କରିବା ଯାହା ଆମର ପରୀକ୍ଷଣରେ ବ୍ୟବହୃତ ହୋଇଥିବା ମୌଳିକ ଦୁର୍ବଳତାକୁ ଦୂର କରିବ । ଏହା ହେଉଛି ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ (ତିନିଟି ଉଦାହରଣମୂଳକ ଚିହ୍ନଟ ପଦ୍ଧତି ଉପରେ ଆଲୋଚନା) ଏବଂ ଆଇଟି-ଫରେନସିକ ପଦକ୍ଷେପ (ଫରେନସିକ ମଡେଲ ଉପରେ ଆଧାରିତ ପ୍ରୋଆକ୍ଟିଭ୍ ପଦକ୍ଷେପ ପ୍ରସ୍ତାବ) ର ଅନୁକୂଳକରଣ । ଏହି ଲେଖାରେ ଉଭୟ ପ୍ରସଙ୍ଗ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଯଦିଓ ଏହି ପ୍ରତିକ୍ରିୟାଶୀଳ ଆଭିମୁଖ୍ୟଗୁଡ଼ିକ ହେଉଛି ସ୍ୱଳ୍ପକାଳୀନ ପଦକ୍ଷେପ, ଯାହା ବର୍ତ୍ତମାନର ଅଟୋମୋଟିଭ୍ ଆଇଟି ଆର୍କିଟେକ୍ଚରରେ ଯୋଡ଼ି ହୋଇଥାଇପାରେ, ଦୀର୍ଘକାଳୀନ ଧାରଣା ମଧ୍ୟ ଶୀଘ୍ର ପ୍ରବର୍ତ୍ତନ କରାଯିବ, ଯାହା ମୁଖ୍ୟତଃ ପ୍ରତିଷେଧକ କିନ୍ତୁ ଏକ ବୃହତ ପୁନଃ ଡିଜାଇନ୍ ଆବଶ୍ୟକ କରିବ । ଏହି ପୃଷ୍ଠାରେ ଆମେ ଗବେଷଣା ପଦ୍ଧତିର ସଂକ୍ଷିପ୍ତ ବିବରଣୀ ଦେଇଛୁ ଏବଂ ଏହାର ଆବଶ୍ୟକତା, ସମ୍ଭାବନା ଏବଂ ପ୍ରତିବନ୍ଧକ ବିଷୟରେ ଆଲୋଚନା କରିଛୁ । & 2010 ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
13b44d1040bf8fc1edb9de23f50af1f324e63697 | ଆମେ ବିଶେଷତ୍ୱ-ନିର୍ଦ୍ଦେଶିତ ଚେହେରା ସୃଷ୍ଟିରେ ଆଗ୍ରହୀ: ଏକ ନିମ୍ନ-ବିଚାରନାମା ଚେହେରା ଇନପୁଟ୍ ପ୍ରତିଛବି, ଏକ ବିଶେଷତ୍ୱ ଭେକ୍ଟର ଦିଆଯାଇଥାଏ ଯାହା ଉଚ୍ଚ-ବିଚାରନାମା ପ୍ରତିଛବି (ବୈଶିଷ୍ଟ୍ୟ ପ୍ରତିଛବି) ରୁ ବାହାର କରାଯାଇପାରିବ, ଆମର ନୂତନ ପଦ୍ଧତି ନିମ୍ନ-ବିଚାରନାମା ଇନପୁଟ୍ ପାଇଁ ଏକ ଉଚ୍ଚ-ବିଚାରନାମା ଚେହେରା ପ୍ରତିଛବି ସୃଷ୍ଟି କରେ ଯାହା ଦିଆଯାଇଥିବା ଗୁଣଗୁଡ଼ିକୁ ପୂରଣ କରେ । ଏହି ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ଆମେ ସାଇକେଲଗାନକୁ ସର୍ତ୍ତମୂଳକ କରିବା ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହାକି 1) ଅସଂଯୁକ୍ତ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟକୁ ପରିଚାଳନା କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି କାରଣ ପ୍ରଶିକ୍ଷଣ ନିମ୍ନ/ଉଚ୍ଚ ରିଜୋଲ୍ୟୁସନ ଏବଂ ଉଚ୍ଚ ରିଜୋଲ୍ୟୁସନ ଗୁଣଗୁଡିକର ପ୍ରତିଛବିଗୁଡିକ ଆବଶ୍ୟକତ ପରସ୍ପର ସହିତ ସମାନ ହୋଇନପାରେ ଏବଂ 2) ଇନପୁଟ୍ ଗୁଣଗୁଡିକ ମାଧ୍ୟମରେ ସୃଷ୍ଟି ହୋଇଥିବା ଚେହେରାର ଦୃଶ୍ୟକୁ ସହଜ ନିୟନ୍ତ୍ରଣ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମେ ଉଚ୍ଚ ଗୁଣବତ୍ତା ବିଶିଷ୍ଟ ସର୍ତ୍ତମୂଳକ ସାଇକେଲ ଗେନ୍ ଉପରେ ଉଚ୍ଚ ଗୁଣବତ୍ତା ବିଶିଷ୍ଟ ଫଳାଫଳ ପ୍ରଦର୍ଶନ କରିଛୁ, ଯାହା ବ୍ୟବହାରକାରୀ ଦ୍ୱାରା ଯୋଗାଣ କରାଯାଇଥିବା ଗୁଣବତ୍ତା (ଯଥା, ଲିଙ୍ଗ, ମେକ୍ଅପ୍, କେଶର ରଙ୍ଗ, ଚଷମା) ଦ୍ୱାରା ସହଜରେ ନିୟନ୍ତ୍ରଣ କରାଯାଇପାରୁଥିବା ବାସ୍ତବିକ ଚେହେରା ପ୍ରତିଛବିକୁ ସଂଶ୍ଳେଷଣ କରିପାରିବ । ଉପଯୁକ୍ତ ସର୍ତ୍ତମୂଳକ ଭେକ୍ଟର ଉତ୍ପାଦନ ପାଇଁ ଗୁଣଧର୍ମ ପ୍ରତିଛବିକୁ ପରିଚୟ ଭାବରେ ବ୍ୟବହାର କରି ଏବଂ ଏକ ଚେହେରା ଯାଞ୍ଚ ନେଟୱାର୍କକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି, ଗୁଣଧର୍ମ-ନିର୍ଦ୍ଦେଶିତ ନେଟୱାର୍କ ପରିଚୟ-ନିର୍ଦ୍ଦେଶିତ ସର୍ତ୍ତମୂଳକ ସାଇକେଲଗାନ ହୋଇଯାଏ ଯାହା ପରିଚୟ ସ୍ଥାନାନ୍ତରଣ ଉପରେ ଉଚ୍ଚ ଗୁଣବତ୍ତା ଏବଂ ଆକର୍ଷଣୀୟ ଫଳାଫଳ ସୃଷ୍ଟି କରେ । ଆମେ ତିନୋଟି ପ୍ରୟୋଗର ପ୍ରଦର୍ଶନ କରୁଛୁ, ପରିଚୟ-ନିର୍ଦ୍ଦେଶିତ ସର୍ତ୍ତମୂଳକ ସାଇକେଲଗାନ ଉପରେ: ପରିଚୟ-ସଂରକ୍ଷଣ କରୁଥିବା ଚେହେରା ସୁପର ରିଜୋଲ୍ୟୁସନ, ଚେହେରା ସ୍ୱାପିଂ, ଏବଂ ସମ୍ମୁଖ ଚେହେରା ସୃଷ୍ଟି, ଯାହା ଆମର ନୂତନ ପଦ୍ଧତିର ଲାଭକୁ ନିରନ୍ତର ଦେଖାଏ । |
8a7b0520de8d9af82617bb13d7aef000aae26119 | ଡୁଆଲ-ବ୍ୟାଣ୍ଡ୍ ଅର୍ଥମୋଡ୍ ଟ୍ରାନ୍ସଡ୍ୟୁସର (ଓଏମଟି) ଉପାଦାନର ଡିଜାଇନ୍ ପାଇଁ ମୋଡ୍ ମେଚିଂ ଦ୍ୱାରା ପ୍ରାପ୍ତ ଜେନେରାଲାଇଜ୍ଡ ଆଡମିଟାନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସ ଏବଂ ଜେନେରାଲାଇଜ୍ଡ ସ୍କ୍ୟାଟରିଂ ମ୍ୟାଟ୍ରିକ୍ସ ମାଧ୍ୟମରେ ଏକ ମିଶ୍ରିତ ଚରିତ୍ରକରଣ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଏହି ପ୍ରକ୍ରିୟା ଆଧାରରେ ସଠିକ ଏବଂ ଦକ୍ଷ ପୂର୍ଣ୍ଣ ତରଙ୍ଗ ବିଶ୍ଳେଷଣ ସଫ୍ଟୱେର୍ ବିକଶିତ କରାଯାଇଛି । ଏହି ସଫ୍ଟୱେର ଦ୍ୱାରା ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ବିଶିଷ୍ଟ କୁ ବ୍ୟାଣ୍ଡର ଏକ ଦ୍ୱି-ଫ୍ରିକ୍ୱେନ୍ସି ଓଏମଟି ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ଡିଜାଇନ କରାଯାଇଛି । ସଂଖ୍ୟାତ୍ମକ ଓ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ମଧ୍ୟରେ ଉତ୍ତମ ବୁଝାମଣା ଡିଜାଇନ୍ ପ୍ରକ୍ରିୟାକୁ ବୈଧ କରିଥାଏ । |
17168ca2262960c57ee141b5d7095022e038ddb4 | ସ୍ମାର୍ଟ ଡିଭାଇସ ଏବଂ ୱେରେବଲ ସେନସରରୁ କାର୍ଯ୍ୟକଳାପ ଚିହ୍ନଟ ହେଉଛି ଗବେଷଣାର ଏକ ସକ୍ରିୟ କ୍ଷେତ୍ର କାରଣ ସ୍ମାର୍ଟ ଡିଭାଇସର ବ୍ୟାପକ ଗ୍ରହଣୀୟତା ଏବଂ ଏହା ଲୋକମାନଙ୍କୁ ସେମାନଙ୍କର ଦୈନନ୍ଦିନ ଜୀବନରେ ସହାୟତା ପ୍ରଦାନ କରିଥାଏ । ସୂକ୍ଷ୍ମ-କଣିକିଆ ପ୍ରାଥମିକ କାର୍ଯ୍ୟକଳାପ ଚିହ୍ନଟ ପାଇଁ ଉପଲବ୍ଧ ତଥ୍ୟ ସେଟଗୁଡିକ ମଧ୍ୟରୁ ଅନେକ ଲୋକୋମୋସନ କିମ୍ବା କ୍ରୀଡା କାର୍ଯ୍ୟକଳାପ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ ଯାହା ବାସ୍ତବ ଦୁନିଆର ଦୈନନ୍ଦିନ ଆଚରଣ ଉପରେ କମ୍ ଗୁରୁତ୍ୱ ଦେଇଥାଏ । ଏହି କାଗଜରେ ଏକ ବାସ୍ତବିକ ଅଦଳବଦଳ ରୋଷେଇ ପରିବେଶରେ କାର୍ଯ୍ୟକଳାପ ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂତନ ଡାଟାସେଟ ଉପସ୍ଥାପନ କରାଯାଇଛି । ୧୦ ଜଣ ସାଧାରଣ ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ଠାରୁ ସ୍ମାର୍ଟ-ଘଣ୍ଟା ବ୍ୟବହାର କରି ତଥ୍ୟ ସଂଗ୍ରହ କରାଯାଇଥିଲା, ଯେତେବେଳେ ସେମାନେ ଏକ ଅଣ-ସଂଶୋଧିତ ଭଡ଼ା ରୋଷେଇ ଘରେ ଖାଦ୍ୟ ପ୍ରସ୍ତୁତ କରୁଥିଲେ । ଏହି ଡାଟାସେଟରେ ବିଭିନ୍ନ ଶ୍ରେଣୀକରଣ ପାଇଁ ମୂଳ କାର୍ଯ୍ୟଦକ୍ଷତା ମାପଦଣ୍ଡ ମଧ୍ୟ ପ୍ରଦାନ କରାଯାଇଛି । ଏହା ସହିତ, ଗଭୀର ବୈଶିଷ୍ଟ୍ୟ ଶିକ୍ଷା ବ୍ୟବସ୍ଥା ଏବଂ ଅଧିକ ପାରମ୍ପରିକ ପରିସଂଖ୍ୟାନ ବୈଶିଷ୍ଟ୍ୟ ଆଧାରିତ ପଦ୍ଧତିଗୁଡ଼ିକ ତୁଳନା କରାଯାଇଛି । ଏହି ବିଶ୍ଳେଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ ସମସ୍ତ ମୂଲ୍ୟାୟନ ମାନଦଣ୍ଡ ପାଇଁ ତଥ୍ୟ ଆଧାରିତ ବୈଶିଷ୍ଟ୍ୟ ଶିକ୍ଷାଦାନ କ୍ଲାସିଫାୟରକୁ ହସ୍ତକୃତ ବୈଶିଷ୍ଟ୍ୟ ତୁଳନାରେ ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । |
62a6cf246c9bec56babab9424fa36bfc9d4a47e8 | ଆମେ କିପରି କମ୍ପ୍ୟୁଟରକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବା ପାଇଁ ସକ୍ଷମ କରିପାରିବା ଯେପରିକି "ହେରୀ ପୋଟର ଚରିତ୍ର କିଏ ସୃଷ୍ଟି କରିଥିଲେ? ଯତ୍ନର ସହ ପ୍ରସ୍ତୁତ ଜ୍ଞାନ ଆଧାର ତଥ୍ୟର ସମୃଦ୍ଧ ଉତ୍ସ ପ୍ରଦାନ କରିଥାଏ । ତେବେ ଗୋଟିଏ ପ୍ରଶ୍ନର ବହୁଳ ଅଭିବ୍ୟକ୍ତି ଯୋଗୁଁ ପ୍ରାକୃତିକ ଭାଷାରେ ଉତ୍ଥାପିତ ବାସ୍ତବ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବା ଏକ ଆହ୍ୱାନ ହୋଇ ରହିଯାଇଛି । ବିଶେଷକରି, ଆମେ ସବୁଠାରୁ ସାଧାରଣ ପ୍ରଶ୍ନ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଉ - ସେହି ପ୍ରଶ୍ନଗୁଡ଼ିକ ଯାହାର ଉତ୍ତର କେବଳ ଗୋଟିଏ ତଥ୍ୟରେ ହିଁ ମିଳିପାରିବ । ଆମେ ସିଏଫଓ, ଏକ ସର୍ତ୍ତମୂଳକ ଫୋକସ୍ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଆଧାରିତ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଜ୍ଞାନ ଆଧାରରେ ବାସ୍ତବ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବାରେ ସାହାଯ୍ୟ କରିବ । ଆମର ଆଭିମୁଖ୍ୟ ପ୍ରଥମେ ପ୍ରଶ୍ନରେ ଜୁମ୍ କରି ଅଧିକ ସମ୍ଭାବ୍ୟ ପ୍ରାର୍ଥୀ ବିଷୟ ଉଲ୍ଲେଖ ଖୋଜେ, ଏବଂ ଏକୀକୃତ ସର୍ତ୍ତମୂଳକ ସମ୍ଭାବ୍ୟତା ଭିତ୍ତିଭୂମି ସହିତ ଚୂଡ଼ାନ୍ତ ଉତ୍ତରଗୁଡିକ ଅନୁମାନ କରେ । ଗଭୀର ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଏବଂ ନ୍ୟୁରାଲ ଇମ୍ବେଡମେଣ୍ଟ ଦ୍ୱାରା ପରିଚାଳିତ, ଆମର ପ୍ରସ୍ତାବିତ ସିଏଫଓ ୧୦୮,୦୦୦ ପ୍ରଶ୍ନର ଡାଟାସେଟରେ ୭୫.୭% ସଠିକତା ହାସଲ କରିଛି - ଆଜି ପର୍ଯ୍ୟନ୍ତ ସବୁଠାରୁ ବଡ ସାର୍ବଜନୀନ । ଏହା ବର୍ତ୍ତମାନର ପ୍ରଯୁକ୍ତିର ସ୍ଥିତିଠାରୁ ୧୧.୮% ଅଧିକ ଭଲ । |
7bbacae9177e5349090336c23718a51bc94f6bfc | ଆମେ ଏକ ଷ୍ଟ୍ରିଟ୍ ସାଇଡ୍ ଚିତ୍ରର ଡାଟାବେସ୍ ବ୍ୟବହାର କରି ଜିଓଲୋକେସନ୍ ସୂଚନା ସହିତ ଚିତ୍ରିତ ସ୍ଥାନକୁ ଚିହ୍ନଟ କରିବାକୁ ଚେଷ୍ଟା କରୁଛୁ । ଡାଟାବେସରେ ଥିବା ଚିତ୍ର ଏବଂ ପ୍ରଶ୍ନ ମଧ୍ୟରେ ଆକାର, ଦୃଷ୍ଟିକୋଣ ଏବଂ ଆଲୋକର ପରିବର୍ତ୍ତନ ହେତୁ ଏହା ଏକ ଚ୍ୟାଲେଞ୍ଜପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ । ସ୍ଥାନ ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ଏକ ପ୍ରମୁଖ ସମସ୍ୟା ହେଉଛି ଗଛ କିମ୍ବା ରାସ୍ତା ଚିହ୍ନ ପରି ବସ୍ତୁଗୁଡ଼ିକର ଉପସ୍ଥିତି, ଯାହା ଡାଟାବେସରେ ବାରମ୍ବାର ଦେଖାଯାଏ ଏବଂ ତେଣୁ ବିଭିନ୍ନ ସ୍ଥାନ ମଧ୍ୟରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଦ୍ୱନ୍ଦ୍ୱ ସୃଷ୍ଟି କରେ । ମୁଖ୍ୟ ଅବଦାନ ଭାବେ, ଆମେ ଦେଖାଇବୁ ଯେ, କିପରି ଭାବେ ବିଶେଷ ସ୍ଥାନର ଭ୍ରମ ସୃଷ୍ଟି କରୁଥିବା ବିଶେଷତ୍ୱକୁ ଏଡ଼ାଇ ଦିଆଯାଇପାରିବ । ଆମେ ଏକ ଉପାୟ ବିକଶିତ କରିଛୁ ଯାହାଦ୍ୱାରା ଆମେ ବିବ୍ରତ କରୁଥିବା ବିଶେଷତ୍ୱର ପ୍ରତିଛବି-ନିର୍ଦ୍ଦିଷ୍ଟ ଏବଂ ସ୍ଥାନ-ନିର୍ଦ୍ଦିଷ୍ଟ ଗୋଷ୍ଠୀଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଚିହ୍ନଟ କରିପାରିବା ଏବଂ ଏହା ଦର୍ଶାଇପାରିବା ଯେ ସେଗୁଡ଼ିକୁ ଦମନ କରିବା ଦ୍ୱାରା ସ୍ଥାନ ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତା ଯଥେଷ୍ଟ ଉନ୍ନତ ହୋଇଥାଏ ଏବଂ ଡାଟାବେସର ଆକାର ହ୍ରାସ ହୋଇଥାଏ । ଆମେ ଦେଖାଇବୁ ଯେ ଏହି ପଦ୍ଧତି କୌଶଳ ବ୍ୟାଗ୍-ଅଫ୍-ଫିଚର୍ ମଡେଲ ସହିତ ଭଲ ଭାବରେ ମିଶ୍ରିତ ହୋଇଛି ଯେଉଁଥିରେ ପ୍ରଶ୍ନ ବିସ୍ତାର ଅନ୍ତର୍ଭୁକ୍ତ ଏବଂ ସ୍ଥାନ ଚିହ୍ନଟକୁ ଦର୍ଶାଇଥାଏ ଯାହା ଦୃଶ୍ୟପଟ ଏବଂ ଆଲୋକର ପରିସ୍ଥିତିର ବ୍ୟାପକ ପରିସରକୁ ସାଧାରଣ କରିଥାଏ । ଗୁଗୁଲ ଷ୍ଟ୍ରିଟ ଭିଉରୁ ଡାଉନଲୋଡ କରାଯାଇଥିବା ୧୭ ହଜାରରୁ ଅଧିକ ପ୍ୟାରିସ ଚିତ୍ରର ଏକ ଜିଓଟ୍ୟାଗ ଡାଟାବେସରେ ଫଳାଫଳ ପ୍ରଦର୍ଶିତ ହୋଇଛି । |
d72b366e1d45cbcddfe5c856b77a2801d8d0c11f | ବର୍ତ୍ତମାନର ନ୍ୟୁରାଲ ସେମାନ୍ଟିକ ପାରସରଗୁଡ଼ିକ ମୁଖ୍ୟତଃ ଏକ କ୍ରମିକ ଏନକୋଡର, ଅର୍ଥାତ୍, ଏକ କ୍ରମିକ ଏଲଏସଟିଏମକୁ ଶବ୍ଦ କ୍ରମରେ ଥିବା ବିଶେଷତ୍ୱଗୁଡ଼ିକୁ ବାହାର କରିବା ପାଇଁ ବ୍ୟବହାର କରିଥାନ୍ତି, ଅନ୍ୟ ମୂଲ୍ୟବାନ ବାକ୍ୟବିନ୍ୟାସ ସୂଚନା ଯେପରିକି ନିର୍ଭରଶୀଳତା ଗ୍ରାଫ କିମ୍ବା ଉପାଦାନ ବୃକ୍ଷକୁ ଅଣଦେଖା କରି । ଏହି ଲେଖାରେ ଆମେ ପ୍ରଥମେ ୩ ପ୍ରକାରର ବାକ୍ୟର ସଠିକ କ୍ରମ, ନିର୍ଭରଶୀଳତା ଏବଂ ନିର୍ବାଚନ ମଣ୍ଡଳୀ ବିଶେଷତା ବିଷୟରେ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ବାକ୍ୟର ସଠିକ କ୍ରମ ଗ୍ରାଫର ବ୍ୟବହାର କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ ଆହୁରି ମଧ୍ୟ ଏକ ଗ୍ରାଫ-ଟୁ-ସେକ୍ୱେନ୍ସ ମଡେଲ ବ୍ୟବହାର କରି ସିଣ୍ଟାକ୍ଟିକ ଗ୍ରାଫକୁ ଏନକୋଡ୍ କରି ତାର୍କିକ ଫର୍ମକୁ ଡିକୋଡ୍ କରିଥାଉ । ବେଞ୍ଚମାର୍କ ଡାଟାସେଟରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ମଡେଲ ଜବ୍୬୪୦, ଏଟିଆଇଏସ୍ ଏବଂ ଜିଓ୮୮୦ରେ ଅତ୍ୟାଧୁନିକ ମଡେଲ ସହିତ ତୁଳନାତ୍ମକ । ପରୀକ୍ଷାମୂଳକ ପରିଣାମରୁ ଜଣାପଡିଛି ଯେ ଅଧିକ ସଂଯୋଜନା ସୂଚନାକୁ ଏନକୋଡିଂ କରିବା ଦ୍ୱାରା ମଡେଲର ଦୃଢ଼ତା ମଧ୍ୟ ଉନ୍ନତ ହୋଇଥାଏ । |
32cde90437ab5a70cf003ea36f66f2de0e24b3ab | ଜଟିଳ ସହରୀ ରାସ୍ତାର ଦୃଶ୍ୟକୁ ଦୃଶ୍ୟମାନ କରିବା ପାଇଁ ଏହା ଏକ ଉପଯୋଗୀ ମାଧ୍ୟମ । ବିଶେଷ କରି ଗଭୀର ଶିକ୍ଷଣ ପରିପ୍ରେକ୍ଷୀରେ, ବୃହତ-ମାପ ଡାଟାସେଟରୁ ବସ୍ତୁ ଚିହ୍ନଟ ବହୁତ ଲାଭବାନ ହୋଇଛି । କିନ୍ତୁ ଅର୍ଥପୂର୍ଣ୍ଣ ସହରାଞ୍ଚଳ ଦୃଶ୍ୟକୁ ବୁଝିବା ପାଇଁ କୌଣସି ସାମ୍ପ୍ରତିକ ଡାଟାସେଟ ବାସ୍ତବ ଦୁନିଆର ସହରାଞ୍ଚଳ ଦୃଶ୍ୟର ଜଟିଳତାକୁ ଯଥେଷ୍ଟ ମାତ୍ରାରେ କାବୁ କରିପାରିନାହିଁ । ଏହାକୁ ସମାଧାନ କରିବା ପାଇଁ, ଆମେ Cityscapes, ଏକ ବେଞ୍ଚମାର୍କ ସୁଇଟ୍ ଏବଂ ବୃହତ-ମାପ ଡାଟାସେଟକୁ ପିକ୍ସେଲ ସ୍ତର ଏବଂ ଇନଷ୍ଟାନ୍ସ ସ୍ତରୀୟ ଅର୍ଥନୈତିକ ଲେବଲିଂ ପାଇଁ ଅଭ୍ୟାସ ଏବଂ ପରୀକ୍ଷା ପଦ୍ଧତିକୁ ଉପସ୍ଥାପନ କରୁଛୁ । ସିଟିସ୍କେପ୍ ରେ 50ଟି ଭିନ୍ନ ଭିନ୍ନ ସହରର ରାସ୍ତାରେ ରେକର୍ଡ କରାଯାଇଥିବା ଷ୍ଟେରିଓ ଭିଡିଓର ଏକ ବିଶାଳ, ବିବିଧ ସେଟ୍ ରହିଛି । ଏହି ଛବିଗୁଡ଼ିକ ମଧ୍ୟରୁ 5000ଟି ଛବିରେ ଉଚ୍ଚମାନର ପିକ୍ସେଲ ସ୍ତରୀୟ ଟିପ୍ପଣୀ ରହିଛି, 20 ହଜାର ଛବିରେ ଅତିରିକ୍ତ କୌଶଳ ରହିଛି ଯାହାଦ୍ୱାରା ଦୁର୍ବଳ ଭାବରେ ଲେବଲ କରାଯାଇଥିବା ବଡ଼ ପରିମାଣର ତଥ୍ୟକୁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା ହେଉଛି, ଆମର ପ୍ରୟାସ ଡାଟାସେଟର ଆକାର, ଟିପ୍ପଣୀ ସମୃଦ୍ଧି, ଦୃଶ୍ୟ ପରିବର୍ତ୍ତନଶୀଳତା ଏବଂ ଜଟିଳତା ଦୃଷ୍ଟିରୁ ପୂର୍ବ ପ୍ରୟାସଠାରୁ ଅଧିକ । ଆମର ଅନୁଭୂତି ଆଧାରିତ ଅଧ୍ୟୟନ ତଥ୍ୟ ସେଟ ବିଶେଷତ୍ୱର ଗଭୀର ବିଶ୍ଳେଷଣ ପ୍ରଦାନ କରିଥାଏ, ଏବଂ ଆମର ମାନଦଣ୍ଡ ଆଧାରରେ ଅନେକ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନ ମଧ୍ୟ କରିଥାଏ । |
7c5f143adf1bf182bf506bd31f9ddb0f302f3ce9 | |
ceb7784d1bebbc8e97e97cbe2b3b76bce1e708a5 | ବିଜନେସ ଇଣ୍ଟେଲିଜେନ୍ସ (ବିଆଇ) ଆଜିକାଲି ସମସ୍ତଙ୍କ ମୁହଁରେ ରହିଛି, କାରଣ ଏହା ବ୍ୟବସାୟକୁ ସେମାନଙ୍କର ବ୍ୟବସାୟିକ କାର୍ଯ୍ୟକୁ ବିଶ୍ଳେଷଣ କରିବା ଏବଂ ସେଗୁଡ଼ିକୁ ଉନ୍ନତ କରିବା ପାଇଁ ସୁଯୋଗ ପ୍ରଦାନ କରୁଛି । କିନ୍ତୁ କ୍ଷୁଦ୍ର ଏବଂ ମଧ୍ୟମ ଉଦ୍ୟୋଗ (ଏସଏମଇ) ଗୁଡ଼ିକରେ କର୍ମଚାରୀ, ଜ୍ଞାନ କିମ୍ବା ଅର୍ଥ ଭଳି ସମ୍ବଳର ଅଭାବ ଯୋଗୁଁ ବିଆଇର ସକାରାତ୍ମକ ପ୍ରଭାବକୁ ଉପଯୋଗ କରିପାରୁନାହାନ୍ତି । ଯେହେତୁ ଏମଏସଏମଇ ବ୍ୟବସାୟିକ ସଂଗଠନର ଏକ ପ୍ରମୁଖ ରୂପ, ଏହି ବାସ୍ତବତାକୁ ଦୂର କରିବାକୁ ହେବ । ଖୁଚୁରା ଉଦ୍ୟୋଗ ଏମଏସଏମଇ ଶାଖାର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଂଶ ହୋଇଥିବାରୁ ଆମେ ଖୁଚୁରା ଏମଏସଏମଇ ପାଇଁ ଏକ ବିଆଇ ସିଷ୍ଟମ ପାଇଁ ଏକ ଆନ୍ତଃ-ସଂଗଠନାତ୍ମକ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ସେମାନଙ୍କୁ ମିଳିତ ଭାବରେ ତଥ୍ୟ ସଂଗ୍ରହ କରିବାକୁ ଏବଂ ବିଶ୍ଳେଷଣ କାର୍ଯ୍ୟ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମର ଗବେଷଣା ପ୍ରଚେଷ୍ଟାର ଲକ୍ଷ୍ୟ ହେଉଛି ଡିଜାଇନ୍ ସାଇନ୍ସ ରିସର୍ଚ୍ଚ ପଦ୍ଧତିକୁ ଅନୁସରଣ କରି ଏପରି ଏକ ପ୍ରଣାଳୀର ବିକାଶ । ଏହି ଆର୍ଟିକିଲରେ ଖୁଚୁରା ବ୍ୟବସାୟରେ ଏମଏସଏମଇର ବର୍ତ୍ତମାନର ବିଆଇ ପଦ୍ଧତିର ସ୍ଥିତିକୁ ଦଶଟି ଏମଏସଏମଇ ମ୍ୟାନେଜରଙ୍କ ସହିତ ଗୁଣାତ୍ମକ ସାକ୍ଷାତକାର ମାଧ୍ୟମରେ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଏହା ପରେ ବିଆଇ ସିଷ୍ଟମ ଏବଂ ଆନ୍ତଃ-ସଂଗଠନ ସୂଚନା ପ୍ରଣାଳୀର ଗ୍ରହଣୀୟତା ଏବଂ ସଫଳତା କାରକଗୁଡ଼ିକ ଏକ ବ୍ୟାପକ ଢାଞ୍ଚାଗତ ସାହିତ୍ୟ ସମୀକ୍ଷାରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଥାଏ । ବର୍ତ୍ତମାନର ସ୍ଥିତି ଏବଂ ଗ୍ରହଣ ଏବଂ ସଫଳତା କାରକ ଆଧାରରେ ଆନ୍ତଃ-ସଂଗଠନ ବି.ଆଇ. ବ୍ୟବସ୍ଥାର ଗ୍ରହଣ ପାଇଁ ପ୍ରଥମ ଆବଶ୍ୟକତାକୁ ଚିହ୍ନଟ କରାଯାଇଥାଏ ଏବଂ ଗୁଣାତ୍ମକ ସାକ୍ଷାତକାରର ଅନ୍ୟ ଏକ ପର୍ଯ୍ୟାୟରେ ବୈଧତା ପ୍ରଦାନ କରାଯାଇଥାଏ । ଏହାଦ୍ୱାରା ନଅଟି କାର୍ଯ୍ୟକ୍ଷମ ଆବଶ୍ୟକତା ଏବଂ ତିନୋଟି ଅଣ-କାର୍ଯ୍ୟକ୍ଷମ ଆବଶ୍ୟକତା ସୃଷ୍ଟି ହୋଇଥାଏ, ଯାହା ନିମ୍ନଲିଖିତ ଗବେଷଣା ପ୍ରୟାସରେ ଏମଏସଏମଇ ପାଇଁ ଏକ ଆନ୍ତଃ-ସଂଗଠନ ବିଆଇ ବ୍ୟବସ୍ଥାର ଡିଜାଇନ୍ ଏବଂ କାର୍ଯ୍ୟକାରୀତା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
43e33e80d74205e860dd4b8e26b7c458c60e201a | ଆମେ ଦେଖାଇଲୁ ଯେ (ଅବଶିଷ୍ଟ) କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ର ଆଉଟପୁଟ୍ ଓଜନ ଏବଂ ପଟ୍ଟା ଉପରେ ଉପଯୁକ୍ତ ପ୍ରାଥମିକତା ସହିତ ଅନନ୍ତ ବହୁ କଭୋଲ୍ୟୁସନାଲ ଫିଲ୍ଟରର ସୀମାରେ ଏକ ଗୌସିୟାନ ପ୍ରକ୍ରିୟା (ଜିପି) ଅଟେ, ଘନ ନେଟୱାର୍କ ପାଇଁ ସମାନ ଫଳାଫଳକୁ ବିସ୍ତାର କରିଥାଏ । ସିଏନଏନ ପାଇଁ, ସମାନ କର୍ଣ୍ଣଲକୁ ସଠିକ ଭାବରେ ଗଣନା କରାଯାଇପାରିବ ଏବଂ ଗଭୀର କର୍ଣ୍ଣଲ ପରି, ଏହାର ବହୁତ କମ୍ ପାରାମିଟର ଅଛି: କେବଳ ମୂଳ ସିଏନଏନର ହାଇପରପାରାମିଟର । ଆହୁରି ମଧ୍ୟ, ଆମେ ଦେଖାଇବୁ ଯେ ଏହି କେରନର ଦୁଇଟି ଗୁଣ ଅଛି ଯାହା ଏହାକୁ ଦକ୍ଷତାର ସହିତ ଗଣନା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ; ମୂଳ ସିଏନଏନ ମାଧ୍ୟମରେ ଗୋଟିଏ ଫରୱାର୍ଡ ପାସ୍ ସହିତ ପ୍ରତି ସ୍ତର ପାଇଁ କେବଳ ଗୋଟିଏ ଫିଲ୍ଟର ସହିତ ଗୋଟିଏ ଯୋଡି ପ୍ରତିଛବି ପାଇଁ କେରନର ମୂଲ୍ୟାଙ୍କନ କରିବାର ଖର୍ଚ୍ଚ ସମାନ ଅଟେ । 32-ଲେୟାର୍ ରେସନେଟ୍ ସହିତ ସମାନ କର୍ଣ୍ଣଲ MNIST ରେ 0.84% ଶ୍ରେଣୀକରଣ ତ୍ରୁଟି ହାସଲ କରିଥାଏ, ଯାହା ସମାନ ସଂଖ୍ୟକ ପାରାମିଟର ସହିତ ଜିପିମାନଙ୍କ ପାଇଁ ଏକ ନୂତନ ରେକର୍ଡ ଅଟେ । 1 ଜଣ |
1e38c680492a958a2bd616a9a7121f905746a37e | ବିଟକଏନ ସିଷ୍ଟମ (https://bitcoin.org) ଏକ ଛାୟା-ଅନାମଧନ୍ୟ ମୁଦ୍ରା ଯାହା ବ୍ୟବହାରକାରୀଙ୍କୁ କୌଣସି ବାସ୍ତବ ଦୁନିଆର ପରିଚୟରୁ ଅଲଗା କରିପାରେ । ଏହି ପରିପ୍ରେକ୍ଷୀରେ, ଭର୍ଚୁଆଲ୍ ଏବଂ ଫିଜିକାଲ୍ ଡିଭାଇଡର ସଫଳ ଉଲ୍ଲଂଘନ ବିଟ୍-କଏନ୍ ସିଷ୍ଟମରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପରିବର୍ତ୍ତନକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ । [1] ଏହି ପ୍ରୋଜେକ୍ଟରେ ଆମେ ଦେଖାଇବୁ କି ବିଟକଏନ୍ କାରବାର ପଛରେ ବାସ୍ତବ ଦୁନିଆର ବ୍ୟବହାରକାରୀଙ୍କ ବିଷୟରେ କିପରି ସୂଚନା ସଂଗ୍ରହ କରାଯାଇପାରିବ । ଆମେ ସାର୍ବଜନୀନ ଭାବେ ଉପଲବ୍ଧ ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ କରିଥାଉ । ବିଶେଷକରି, ଆମେ ବିଟକଏନ୍ ବ୍ୟବହାରକାରୀଙ୍କ ଖର୍ଚ୍ଚ ଅଭ୍ୟାସକୁ ଅନୁଧ୍ୟାନ କରି ସେମାନଙ୍କ ଭୌତିକ ଅବସ୍ଥାନ ବିଷୟରେ ସୂଚନା ନିର୍ଦ୍ଧାରଣ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଉ । |
2c0a239caa3c2c590e4d6f23ad01c1f77adfc7a0 | |
5f6d9b8461a9d774da12f1b363eede4b7088cf5d | ପୂର୍ବ ଗବେଷଣାର ଫଳାଫଳରୁ ଜଣାପଡିଥିଲା ଯେ, UHF ପାସିଭ୍ CMOS RFID ଟ୍ୟାଗ୍ -20 dBmରୁ କମ୍ ସମ୍ବେଦନଶୀଳତା ହାସଲ କରିବାରେ ଅସୁବିଧା ଥିଲା । ଏହି ଦସ୍ତାବିଜରେ ଏକ ଦ୍ୱୈତ-ଚ୍ୟାନେଲ 15-ବିଟ୍ UHF ନିଷ୍କ୍ରିୟ CMOS RFID ଟ୍ୟାଗ୍ ପ୍ରୋଟୋଟାଇପ୍ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା -20 dBm ରୁ କମ୍ ସମ୍ବେଦନଶୀଳତାରେ କାର୍ଯ୍ୟ କରିପାରିବ । ପ୍ରସ୍ତାବିତ ଟ୍ୟାଗ୍ ଚିପ୍ ଶକ୍ତି ସଂଗ୍ରହ କରିଥାଏ ଏବଂ 866.4 ମେଗାହର୍ଜ (ETSI ପାଇଁ) କିମ୍ବା 925 ମେଗାହର୍ଜ (ଏଫସିସି ପାଇଁ) ଚ୍ୟାନେଲରେ ଅପଲିଙ୍କ୍ ଡାଟା ବ୍ୟାକସ୍କ୍ୟାଟର୍ କରିଥାଏ ଏବଂ 433 ମେଗାହର୍ଜ ଚ୍ୟାନେଲରେ ଡାଉନଲିଙ୍କ୍ ଡାଟା ଗ୍ରହଣ କରିଥାଏ । ତେଣୁ, ଡାଟା ଟ୍ରାନ୍ସମିଶନ ଆମ ଟ୍ୟାଗକୁ ଆର୍ଏଫ୍ ଶକ୍ତି ସଂଗ୍ରହ କରିବାରେ ବାଧା ଦେଇନଥାଏ । ସଂଗୃହୀତ ଶକ୍ତିକୁ ଦକ୍ଷତାର ସହ ବ୍ୟବହାର କରିବା ପାଇଁ ଆମେ ଏକ ଟ୍ୟାଗ୍ ଚିପ୍ ଡିଜାଇନ୍ କରିଛୁ ଯେଉଁଥିରେ ନା ରେଗୁଲେଟର ଅଛି ନା ଭିସିଓ ଅଛି ଯାହା ଦ୍ବାରା ସଂଗୃହୀତ ଶକ୍ତି ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଗ୍ରହଣ, ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ତଥ୍ୟର ବ୍ୟାକସ୍କ୍ୟାଟରିଂରେ ବ୍ୟବହୃତ ହୁଏ । ଏକ ନିୟନ୍ତ୍ରକ ବିନା, ଆମର ଟ୍ୟାଗ୍ ରିସିଭର ସମ୍ମୁଖରେ ଯେତେ ସମ୍ଭବ କମ୍ ଆନାଲଗ୍ ସର୍କିଟ୍ ବ୍ୟବହାର କରିଥାଏ । ଏହା ପରିବର୍ତ୍ତେ, ଆମ ଟ୍ୟାଗ୍ ଗ୍ରହଣ କରାଯାଇଥିବା ତଥ୍ୟକୁ ଡିକୋଡ୍ କରିବା ପାଇଁ ଏକ ନୂଆ ଡିଜିଟାଲ୍ ସର୍କିଟ୍ ବ୍ୟବହାର କରେ । ଭିସିଓ ବିନା, ଆମର ଟ୍ୟାଗର ଡିଜାଇନ୍ ଆବଶ୍ୟକ ଘଣ୍ଟା ସିଗନାଲ୍ ଡାଉନଲିଙ୍କ ଡାଟାରୁ ବାହାର କରିପାରିବ । ମାପ ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ପ୍ରସ୍ତାବିତ ପାସିଭ୍ ଟ୍ୟାଗ୍ ଚିପର ସମ୍ବେଦନଶୀଳତା ୨.୧୨ ଡିସିଏମ ପର୍ଯ୍ୟନ୍ତ ପହଞ୍ଚିପାରେ । ଏହି ଫଳାଫଳ ହେଉଛି ୧୯.୬ ମିଟର ରିଡର-ଟାଗ୍ ଦୂରତା ୩୬-ଡିବିଏମ ଇଆଇଆରପି ଏବଂ ୦.୪-ଡିବିଏଲ ଟ୍ୟାଗ୍ ଆଣ୍ଟିନା ଲାଭ ସହିତ ସମାନ । ଏହି ଚିପ ଟିଏସଏମସି ୦.୧୮-ମିକ୍ରୋମିଟର ସିଏମଓଏସ ପ୍ରକ୍ରିୟାରେ ପ୍ରସ୍ତୁତ କରାଯାଇଥିଲା । ଏହି ମଡେଲର କ୍ଷେତ୍ରଫଳ ହେଉଛି 0.958 ମିମି × 0.931 ମିମି । |
4991785cb0e6ee3d0b7823b59e144fb80ca3a83e | |
2f3a6728b87283ccf0f8822f7a60bca8280f0957 | ସମୂହ ସନ୍ଧାନ ହେଉଛି ୱେବ୍ ସନ୍ଧାନ ଫଳାଫଳରେ ସମ୍ଭାବ୍ୟ ଭାବରେ ଏକାଧିକ ବିଶେଷ ସନ୍ଧାନ ସେବା କିମ୍ବା ଭର୍ଟିକାଲରୁ ଫଳାଫଳକୁ ଏକୀକୃତ କରିବାର କାର୍ଯ୍ୟ । ଏହି କାର୍ଯ୍ୟ ପାଇଁ କେବଳ କେଉଁ ଭର୍ଟିକାଲକୁ ଉପସ୍ଥାପନ କରାଯିବ ତାହା ଅନୁମାନ କରିବା ଆବଶ୍ୟକ ନାହିଁ (ଅଧିକାଂଶ ପୂର୍ବ ଗବେଷଣାର ଫୋକସ୍), ବରଂ ୱେବରେ କେଉଁଠାରେ ସେଗୁଡ଼ିକୁ ଉପସ୍ଥାପନ କରାଯିବ ତାହା ମଧ୍ୟ ଅନୁମାନ କରିବା ଆବଶ୍ୟକ (ଅର୍ଥାତ, ୱେବ୍ ଫଳାଫଳର ଉପରେ କିମ୍ବା ତଳେ, କିମ୍ବା ମଝିରେ କେଉଁଠି) । ଏକାଧିକ ଭର୍ଟିକାଲରୁ ଫଳାଫଳକୁ ଏକତ୍ରିତ କରିବା ପାଇଁ ମଡେଲ ଶିଖିବା ଦୁଇଟି ପ୍ରମୁଖ ଆହ୍ୱାନ ସହିତ ଜଡିତ । ପ୍ରଥମତଃ, କାରଣ ଭର୍ଟିକାଲଗୁଡ଼ିକ ବିଭିନ୍ନ ପ୍ରକାରର ଫଳାଫଳକୁ ପୁନରୁଦ୍ଧାର କରନ୍ତି ଏବଂ ବିଭିନ୍ନ ସନ୍ଧାନ କାର୍ଯ୍ୟକୁ ସମାଧାନ କରନ୍ତି, ବିଭିନ୍ନ ଭର୍ଟିକାଲରୁ ଫଳାଫଳ ବିଭିନ୍ନ ପ୍ରକାରର ପୂର୍ବାନୁମାନ ପ୍ରମାଣ (କିମ୍ବା ବ features ଶିଷ୍ଟ୍ୟ) ସହିତ ଜଡିତ _ ଦ୍ୱିତୀୟରେ, ଯେତେବେଳେ ଏକ ବୈଶିଷ୍ଟ୍ୟ ସବୁ ଭର୍ଟିକାଲ୍ରେ ସମାନ ହୋଇଥାଏ, ଏହାର ପୂର୍ବାନୁମାନ କ୍ଷମତା ଭର୍ଟିକାଲ-ନିର୍ଦ୍ଦିଷ୍ଟ ହୋଇପାରେ । ତେଣୁ, ଭର୍ଟିକାଲ ଫଳାଫଳକୁ ଏକତ୍ରିତ କରିବା ପାଇଁ ପଦ୍ଧତିଗୁଡିକ ଭର୍ଟିକାଲଗୁଡିକରେ ଏକ ଅସଙ୍ଗତ ବୈଶିଷ୍ଟ୍ୟ ଉପସ୍ଥାପନା ଏବଂ ସମ୍ଭାବ୍ୟ ଭାବରେ ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ପ୍ରାସଙ୍ଗିକତା ମଧ୍ୟରେ ଏକ ଭର୍ଟିକାଲ-ନିର୍ଦ୍ଦିଷ୍ଟ ସମ୍ପର୍କକୁ ପରିଚାଳନା କରିବା ଆବଶ୍ୟକ କରେ _ ଆମେ 3ଟି ସାଧାରଣ ଉପାୟ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏହି ଆହ୍ୱାନଗୁଡ଼ିକୁ ଭିନ୍ନ ଭିନ୍ନ ଉପାୟରେ ସମାଧାନ କରିଥାଏ ଏବଂ 13ଟି ଭର୍ଟିକାଲ ଏବଂ 1070ଟି ପ୍ରଶ୍ନର ସେଟ୍ରେ ସେମାନଙ୍କର ଫଳାଫଳକୁ ତୁଳନା କରିଥାଏ । ଆମେ ଦେଖାଇଛୁ ଯେ ସର୍ବୋତ୍ତମ ପଦ୍ଧତି ହେଉଛି ସେହି ପଦ୍ଧତି ଯାହା ଶିକ୍ଷଣ ଆଲଗୋରିଦମକୁ ବିଶେଷତା ଏବଂ ପ୍ରାସଙ୍ଗିକତା ମଧ୍ୟରେ ଏକ ଭର୍ଟିକାଲ-ନିର୍ଦ୍ଦିଷ୍ଟ ସମ୍ପର୍କ ଶିଖିବାକୁ ଅନୁମତି ଦେଇଥାଏ । |
b8945cfb7ed72c0fd70263379c328b8570bd763f | |
a2770a51760a134dbb77889d5517550943ea7b81 | 2G/3G/LTE ସଂଚାର ପାଇଁ ଏକ କମ୍ପାକ୍ଟ ଡୁଆଲ-ପୋଲାରାଇଜଡ ଡୁଆଲ-ବ୍ୟାଣ୍ଡ ଓମନିଡେକ୍ସନାଲ ଆଣ୍ଟିନା ଉପସ୍ଥାପିତ କରାଯାଇଛି, ଯେଉଁଥିରେ ଦୁଇଟି ହରିଜଣ୍ଟାଲ ପୋଲାରାଇଜେସନ (ଏଚପି) ଏବଂ ଏକ ଭର୍ଟିକାଲ ପୋଲାରାଇଜେସନ (ଭିପି) ଉପାଦାନ ରହିଛି । ଉପର HP ଉପାଦାନରେ ଚାରି ଯୋଡ଼ା ସଂଶୋଧିତ ମୁଦ୍ରିତ ମ୍ୟାଗ୍ନେଟୋ-ଇଲେକ୍ଟ୍ରିକ୍ (ME) ଡାଇପୋଲ୍ ରହିଥାଏ ଯାହା ଚାରି-ପଥ ପାୱାର ଡିଭାଇଡର୍ ଫିଡିଂ ନେଟୱାର୍କ ଦ୍ୱାରା ସଞ୍ଚାଳିତ ହୋଇଥାଏ, ଏବଂ ଆଠଟି ଧନୁ-ଆକାରର ପାରାସିଟିକ୍ ପ୍ୟାଚ୍ ଯାହା ବୃତ୍ତାନ୍ତ ମୁଦ୍ରିତ ସର୍କିଟ୍ ବୋର୍ଡର ଉଭୟ ପାର୍ଶ୍ୱରେ ବିକଳ୍ପ ଭାବରେ ମୁଦ୍ରିତ ହୋଇଥାଏ । ଚାରୋଟି ମାର୍ଗରେ ଶକ୍ତି ବିଭାଜକ ଖାଦ୍ୟ ନେଟୱାର୍କ ସହିତ ଚାରୋଟି ଯୋଡି ME ଡାଇପୋଲ୍ ମୁଖ୍ୟତଃ ଏକ ସ୍ଥିର 360 ° ବିକିରଣ ପ୍ୟାଟର୍ ଏବଂ ଉଚ୍ଚ ଲାଭ ପ୍ରଦାନ କରେ, ଯେତେବେଳେ ଆଠଟି ପ୍ୟାଚ୍ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ବୃଦ୍ଧି ପାଇଁ ବ୍ୟବହୃତ ହୁଏ _ ତଳ HP ଉପାଦାନ ଉପର ଉପାଦାନ ସହିତ ସମାନ, କିନ୍ତୁ ଏଥିରେ ପାରାସିଟିକ୍ ପ୍ୟାଚ୍ ନାହିଁ । ଏହି ଭିପି ଉପାଦାନରେ ୪ ଯୋଡ଼ା କୋଣ ଆକାରର ପ୍ୟାଚ୍ ରହିଛି । ଏଚପି ଉପାଦାନ ଠାରୁ ଭିନ୍ନ, ଉପର ଭିପି ଉପାଦାନ ନିମ୍ନ ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡ ପ୍ରଦାନ କରିଥାଏ, ଯେତେବେଳେ କି ନିମ୍ନ ଭିପି ଉପର ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡ ପ୍ରଦାନ କରିଥାଏ । ଭିପି ଉପାଦାନ ଏବଂ ଏଚପି ଉପାଦାନକୁ ଅନୁକୂଳ ଭାବରେ ସଜାଯାଇଛି ଯାହାଦ୍ୱାରା କମ୍ପାକ୍ଟ ଏବଂ ଡବଲ-ପୋଲାରାଇଜଡ୍ ବୈଶିଷ୍ଟ୍ୟ ମିଳିଥାଏ । ମାପ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ଏଚପି ଦିଗରେ 39.6% (0.77-1.15 ଗିଗାହର୍ଟସ) ବ୍ୟାଣ୍ଡୱିଡଥ୍ ପ୍ରାୟ 2.6 ଡିବିଏଲ୍ ଲାଭ ସହିତ ଏବଂ ଅନ୍ୟ ଏକ ବ୍ୟାଣ୍ଡୱିଡଥ୍ 55.3% (1.66-2.93 ଗିଗାହର୍ଟସ) ପ୍ରାୟ 4.5 ଡିବିଏଲ୍ ଲାଭ ସହିତ ହାସଲ କରାଯାଇପାରିବ, ଯେତେବେଳେ କି ଭିପି ଦିଗରେ 128% (0.7-3.2 ଗିଗାହର୍ଟସ) ବ୍ୟାଣ୍ଡୱିଡଥ୍ ପ୍ରାୟ 4.4 ଡିବିଏଲ୍ ଲାଭ ସହିତ ହାସଲ କରାଯାଇପାରିବ । 20 dBରୁ ଅଧିକ ପୋର୍ଟ ଆଇସୋଲେସନ ଏବଂ 2 dBi ଭିତରେ କମ ଲାଭ ଭାରିଆସନ ସ୍ତର ମଧ୍ୟ ପ୍ରାପ୍ତ ହୋଇଥାଏ । ତେଣୁ ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା 2G/3G/LTE ଆଭ୍ୟନ୍ତରୀଣ ସଂଚାର ପାଇଁ ଉପଯୁକ୍ତ । |
33a1ee51cc5d51609943896a95c1371538f2d017 | |
1eb0bf4b9bf04e870962b742c4fc6cb330d1235a | ବ୍ୟବସାୟିକ ପ୍ରକ୍ରିୟା ପରିଚାଳନା ଉପରେ ସାହିତ୍ୟରେ ଦିଆଯାଇଥିବା ବ୍ୟବସାୟିକ ପ୍ରକ୍ରିୟାର ସଂଜ୍ଞା ଗଭୀରତା ଦୃଷ୍ଟିରୁ ସୀମିତ ଏବଂ ବ୍ୟବସାୟିକ ପ୍ରକ୍ରିୟାର ସେମାନଙ୍କର ସମ୍ବନ୍ଧିତ ମଡେଲଗୁଡିକ ସମାନ ଭାବରେ ସୀମିତ । ବିଜନେସ ପ୍ରୋସେସ ମଡେଲିଂ କୌଶଳର ପ୍ରଗତିର ସଂକ୍ଷିପ୍ତ ଇତିହାସ ଦେବା ପରେ ଉତ୍ପାଦନ ପ୍ରଣାଳୀରୁ ଅଫିସ ପରିବେଶ ପର୍ଯ୍ୟନ୍ତ, ଏହି କାଗଜରେ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଯେ ଅଧିକାଂଶ ସଂଜ୍ଞା ଏକ ପ୍ରକ୍ରିୟାର ମେସିନ ମେଟାଫୋର ପ୍ରକାର ଅନୁସନ୍ଧାନ ଉପରେ ଆଧାରିତ । ଏହିସବୁ କୌଶଳ ଅନେକ ସମୟରେ ସମୃଦ୍ଧ ଏବଂ ସୂଚନା ପ୍ରଦାନକାରୀ ହୋଇଥିଲେ ମଧ୍ୟ, ଆଜିର ଆହ୍ୱାନପୂର୍ଣ୍ଣ ପରିବେଶରେ ବିକଶିତ ହେବା ଏବଂ ଅନୁକୂଳ ହେବା ଆବଶ୍ୟକ ଥିବା ବ୍ୟବସାୟିକ ପ୍ରକ୍ରିୟାର ପ୍ରକୃତ ପ୍ରକୃତିକୁ ପ୍ରକାଶ କରିବା ପାଇଁ ସେଗୁଡ଼ିକ ସୀମିତ ବୋଲି ମତପ୍ରକାଶ ପାଇଛି । |
bc018fc951c124aa4519697f1884fd5afaf43439 | ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ ପ୍ଲାନାର ଆଣ୍ଟିନା ର ଥିଓରି ଏବଂ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏହି ଆଣ୍ଟିନା ବ୍ୟାପକ ବ୍ୟାଣ୍ଡୱିଡଥ୍, ନିମ୍ନ କ୍ରସ-ପୋଲାରାଇଜେସନ୍ ସ୍ତର ଏବଂ ନିମ୍ନ ପଛୁଆ ବିକିରଣ ସ୍ତର ହାସଲ କରିପାରିବ । ବ୍ୟାପକ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଏବଂ ସକ୍ରିୟ ସର୍କିଟ ସହିତ ସହଜ ଏକୀକରଣ ପାଇଁ ଏହା ଆପେଚର-କପଲ୍ଡ ଷ୍ଟାକ୍ ହୋଇଥିବା ଚତୁର୍ଦ୍ଦିଗ ପ୍ୟାଚ୍ ବ୍ୟବହାର କରେ । କପଲିଂର ଆବରଣ ହେଉଛି ଏକ ଏଚ-ଆକାରର ଆବରଣ । ସମାପ୍ତି-ବିକଳ୍ପ ସମୟ-କ୍ଷେତ୍ର ପଦ୍ଧତି ଆଧାରରେ ଆଣ୍ଟେନା ଇମ୍ପେଡେନ୍ସ ଉପରେ ଏକ ପାରାମିଟ୍ରିକ ଅଧ୍ୟୟନ ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଏବଂ ଆଣ୍ଟେନା ଇମ୍ପେଡେନ୍ସ ଉପରେ ପ୍ରତ୍ୟେକ ପାରାମିଟରର ପ୍ରଭାବକୁ ଦର୍ଶାଯାଇଛି । ଏକ ଆଣ୍ଟିନା ମଧ୍ୟ ଡିଜାଇନ୍, ନିର୍ମାଣ ଏବଂ ମାପ କରାଯାଏ । ମାପ କରାଯାଇଥିବା ରିଟର୍ଣ୍ଣ ଲସ ୨୧.୭% ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଦେଖାଇଥାଏ । ଉଭୟ ପ୍ଲେନରେ କ୍ରସ୍-ପୋଲାରାଇଜେସନ୍ ସ୍ତର 23 ଡିସିଏଲ୍ ଠାରୁ ଭଲ । ଆଣ୍ଟିନା ବିକିରଣର ଆଭ୍ୟନ୍ତରୀଣ ଅନୁପାତ 22 dBରୁ ଅଧିକ । ପାରାମିଟର ଏବଂ ବିକିରଣର ଧାରା ସମ୍ବନ୍ଧରେ ଉଭୟ ଥିଓରି ଏବଂ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଉପସ୍ଥାପିତ ଏବଂ ଆଲୋଚନା କରାଯାଇଛି । |
5adcac7d15ec8999fa2beb62f0ddc6893884e080 | ଆଙ୍ଗୁଠିର ଚିହ୍ନ ବୃଦ୍ଧି, ଆଙ୍ଗୁଠିର ଚିହ୍ନ ବର୍ଗୀକରଣ ଏବଂ ଆଙ୍ଗୁଠିର ଚିହ୍ନ ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ଆଙ୍ଗୁଠିର ଚିହ୍ନଟ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । ଏହି ପତ୍ରିକାରେ ଆଙ୍ଗୁଠିର ଚିହ୍ନ ଆକଳନ କ୍ଷେତ୍ରରେ ହୋଇଥିବା ଅଗ୍ରଗତିକୁ ସମାଲୋଚନା କରାଯାଇଛି । ବର୍ତ୍ତମାନର ପଦ୍ଧତିର ଲାଭ ଓ ଅସୁବିଧା ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ଭବିଷ୍ୟତ ବିକାଶ ପ୍ରସଙ୍ଗରେ ଆଲୋଚନା ହୋଇଛି । କପିରାଇଟ୍ © 2010 ଜନ୍ ୱାଇଲି ଆଣ୍ଡ୍ ସନ୍ସ୍, ଲିମିଟେଡ୍ |
568cff415e7e1bebd4769c4a628b90db293c1717 | ଏବେ ବିରାଟ ସଂଖ୍ୟାରେ ଭିଡିଓ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଗତିରେ କଏଦ କରାଯାଉଛି, କିନ୍ତୁ ଏଗୁଡ଼ିକ ମଧ୍ୟରୁ ଅଧିକାଂଶର କୌଣସି ଲେବଲ୍ ନାହିଁ । ଏହିପରି ତଥ୍ୟର ମୁକାବିଲା କରିବା ପାଇଁ, ଆମେ ଭିଡିଓରେ କୌଣସି ମାନୁଆଲ ଲେବଲ ହୋଇଥିବା ଉଦାହରଣ ବିନା ବିଷୟବସ୍ତୁ ଆଧାରିତ କାର୍ଯ୍ୟକଳାପ ଚିହ୍ନଟ କାର୍ଯ୍ୟକୁ ବିଚାର କରୁଛୁ, ଯାହାକୁ ଜିରୋ-ଶଟ୍ ଭିଡିଓ ଚିହ୍ନଟ ମଧ୍ୟ କୁହାଯାଏ । ଏହାକୁ ହାସଲ କରିବା ପାଇଁ ଭିଡିଓ ଗୁଡିକୁ ଚିହ୍ନଟ ହୋଇଥିବା ଭିଜୁଆଲ କନ୍ସେପ୍ଟ ଅନୁସାରେ ପ୍ରଦର୍ଶିତ କରାଯାଇଥାଏ, ଯାହାକୁ କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ଟେକ୍ସଟ ପ୍ରଶ୍ନର ଅନୁରୂପତା ଅନୁସାରେ ପ୍ରାସଙ୍ଗିକ ବା ଅପ୍ରାସଙ୍ଗିକ ବୋଲି ବିବେଚନା କରାଯାଇଥାଏ । ଏହି କାଗଜରେ, ଆମେ ପୂର୍ବ କାର୍ଯ୍ୟର ଅନେକ ଭ୍ରଷ୍ଟତା ଏବଂ ନିମ୍ନ ସଠିକତା ସମସ୍ୟାକୁ ଦୂର କରିବା ପାଇଁ ଧାରଣାକୁ ସ୍କୋରିଂ କରିବା ପାଇଁ ଏକ ଅଧିକ ଦୃଢ଼ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ । ଆମେ କେବଳ ଅର୍ଥଗତ ସମ୍ବନ୍ଧ, ଦୃଶ୍ୟମାନ ଦୃଶ୍ୟମାନତା ଏବଂ ଭେଦଭାବ ଶକ୍ତିକୁ ନେଇ ବିଚାର କରୁନାହୁଁ । ବଛା ବଛା ଧାରଣା ଗୁଡିକର ରାଙ୍କିଙ୍ଗ ସ୍କୋରରେ ଶବ୍ଦ ଏବଂ ଅଣ-ଲିନୀୟରତାକୁ ପରିଚାଳନା କରିବା ପାଇଁ, ଆମେ ସ୍କୋର ଏକତ୍ରିକରଣ ପାଇଁ ଏକ ନୂତନ ଯୋଡି କ୍ରମରେ ମ୍ୟାଟ୍ରିକ୍ସ ପଦ୍ଧତି ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଟ୍ରେକ୍ ଭିଡ୍ ମଲ୍ଟିମିଡିଆ ଇଭେଣ୍ଟ ଡିଟେକ୍ସନ ଡାଟାର ବ୍ୟାପକ ପରୀକ୍ଷଣ ଆମ ଆଭିମୁଖ୍ୟର ଉତ୍କର୍ଷତା ଦର୍ଶାଉଛି । |
a62ac71cd51124973ac57c87d09a3461ecbd8e61 | ସର୍ବନିମ୍ନ ମୌଳିକ ଚତୁର୍ଥ (LMF) ଆଲଗୋରିଦମର ବ୍ୟବହାର ବିଶେଷ ଭାବରେ ଆଗ୍ରହଜନକ । ଏହି ଆଲଗୋରିଦମକୁ LMS ଆଲଗୋରିଦମ ସହିତ ତୁଳନା କରିବା ସମୟରେ, ଯେତେବେଳେ ଉଭୟଙ୍କୁ ଓଜନ ଆରାମ ପ୍ରକ୍ରିୟା ପାଇଁ ସମାନ ସମୟ ସ୍ଥିର ରଖାଯାଏ, LMF ଆଲଗୋରିଦମ, କିଛି ପରିସ୍ଥିତିରେ, LMS ଆଲଗୋରିଦମ ଅପେକ୍ଷା ଯଥେଷ୍ଟ କମ୍ ଓଜନ ଶବ୍ଦ ରହିବ । ତେଣୁ, ଏହା ସମ୍ଭବ ଯେ, ଏକ ସର୍ବନିମ୍ନ ହାରାହାରି ଚତୁର୍ଥ ତ୍ରୁଟି ଆଲଗୋରିଦମ ଏକ ହାରାହାରି ଚତୁର୍ଥାଂଶ ତ୍ରୁଟି ଆଲଗୋରିଦମ ଅପେକ୍ଷା ସର୍ବନିମ୍ନ ବର୍ଗର ଆକଳନକୁ ଭଲ ଭାବରେ କରିପାରିବ । ଏହି ଆକର୍ଷଣୀୟ ଧାରଣା ସମସ୍ତ ପ୍ରକାର ଅନୁକୂଳ ଆଲଗୋରିଦମ ପାଇଁ ପ୍ରଭାବ ପକାଇଥାଏ, ସେଗୁଡିକ ସର୍ବାଧିକ ତଳକୁ ଓହ୍ଲାଇବା ଉପରେ ଆଧାରିତ ହେଉ କିମ୍ବା ଅନ୍ୟଥା । ଅନୁକୂଳ ଫିଲ୍ଟରିଂ ପାଇଁ ନୂତନ ସର୍ବାଧିକ ତଳକୁ ଖସିବା ଆଲଗୋରିଦମ ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଏବଂ ଏହା ଚତୁର୍ଥ ଓ ଷଷ୍ଠ ଇତ୍ୟାଦି ଅର୍ଥରେ ତ୍ରୁଟି ହ୍ରାସ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ । ଅନୁକୂଳତା ସମୟରେ, ଓଜନଗୁଡ଼ିକ ସେମାନଙ୍କର ସର୍ବୋତ୍ତମ ସମାଧାନ ଆଡକୁ ଏକ ବିସ୍ତାରିତ ଆରାମ ଦେଇଥାଏ । ସମୟର ସ୍ଥାୟୀଗୁଡ଼ିକର ନିର୍ଦ୍ଧାରଣ କରାଯାଇଛି, ଏବଂ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଭାବେ ଏହା ସମୟର ସ୍ଥାୟୀ ସହିତ ସମାନ୍ତରାଳ ବୋଲି ଜଣାପଡ଼ୁଛି ଯାହା ପ୍ରାପ୍ତ ହୋଇଥାନ୍ତା ଯଦି ୱିଡ୍ରୋ ଏବଂ ହଫଙ୍କ ସର୍ବନିମ୍ନ ହାରାହାରି ବର୍ଗ (ଏଲଏମଏସ) ଆଲଗୋରିଦମ ବ୍ୟବହାର କରାଯାଇଥାନ୍ତା । ନୂତନ ଗ୍ରାଡିଏଣ୍ଟ ଆଲଗୋରିଦମଗୁଡ଼ିକ LMS ଆଲଗୋରିଦମ ଅପେକ୍ଷା ପ୍ରୋଗ୍ରାମ କରିବା ଏବଂ ଗଣନା କରିବା ପାଇଁ ଯଥେଷ୍ଟ ଅଧିକ ଜଟିଳ । ସେମାନଙ୍କର ସାଧାରଣ ରୂପ ହେଉଛି W J+l = w, t 2plqK-lx,, ଯେଉଁଠାରେ W, ହେଉଛି ବର୍ତ୍ତମାନର ଭାର ଭେକ୍ଟର, W, + 1 ହେଉଛି ପରବର୍ତ୍ତୀ ଭାର ଭେକ୍ଟର, r, ହେଉଛି ବର୍ତ୍ତମାନର ତ୍ରୁଟି, X, ହେଉଛି ବର୍ତ୍ତମାନର ଇନପୁଟ୍ ଭେକ୍ଟର, u ହେଉଛି ସ୍ଥିରତା ଏବଂ ସମ୍ମିଶ୍ରଣ ହାରକୁ ନିୟନ୍ତ୍ରଣ କରିବା, ଏବଂ 2 K ହେଉଛି ତ୍ରୁଟିର ପ୍ରତିନିଧୀ ସର୍ବନିମ୍ନ । ନୂଆ ଗ୍ରାଡିଏଣ୍ଟ ଆଲଗୋରିଦମ ପାଇଁ ମାପ-ଭେକ୍ଟର ସମ୍ମିଶ୍ରଣର ସର୍ତ୍ତ ଓ ବିବର୍ତ୍ତନ ପାଇଁ ସର୍ତ୍ତ ନିର୍ଦ୍ଧାରଣ କରାଯାଇଛି । |
5896b9299d100bdd10fee983fe365dc3bcf35a67 | ଏହି କାଗଜରେ ନିରନ୍ତର ସ୍ୱାସ୍ଥ୍ୟ ନିରୀକ୍ଷଣ ପାଇଁ ଏକ ଅଣଆକ୍ରାମକ ବେତାର ସେନସର ପ୍ଲାଟଫର୍ମ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ସେନସର ସିଷ୍ଟମରେ ଏକ ଲୁପ୍ ଆଣ୍ଟିନା, ୱାୟାରଲେସ୍ ସେନସର ଇଣ୍ଟରଫେସ୍ ଚିପ୍ ଏବଂ ପଲିମର୍ ସବଷ୍ଟ୍ରେଟରେ ଗ୍ଲୁକୋଜ ସେନସର ରହିଛି । ଏହି ଆଇସିରେ ୦.୩୬-ମିମି୨ ସିଏମଓଏସ ଚିପରେ ବିଦ୍ୟୁତ ପରିଚାଳନା, ରିଡଆଉଟ ସର୍କିଟ, ୱାୟାରଲେସ କମ୍ୟୁନିକେସନ ଇଣ୍ଟରଫେସ, ଏଲଇଡି ଡ୍ରାଇଭର ଏବଂ ଏନର୍ଜି ଷ୍ଟୋରେଜ କାଣ୍ଡେସଟର ରହିଛି । ଆମର ଗ୍ଲୁକୋଜ ସେନସରର ସମ୍ବେଦନଶୀଳତା ହେଉଛି 0.18 μA·mm-2·mM-1. ଏହି ସିଷ୍ଟମଟି ବେତାର ଭାବେ ସଞ୍ଚାଳିତ ହୋଇଥାଏ ଏବଂ ନିୟନ୍ତ୍ରିତ ୧.୨ ଭୋଲ୍ଟର ଯୋଗାଣରୁ ୩ ମାଇକ୍ରୋୱାଟ ଖର୍ଚ୍ଚ କରିବା ସମୟରେ ୪୦୦ ହର୍ଜ/ଏମଏମ ସମ୍ବେଦନଶୀଳତା ସହିତ ୦.୦୫-୧ ମିମି ଗ୍ଲୁକୋଜର ପରିସର ହାସଲ କରିଥାଏ । |
622c5da12c87ecc3ea8be91f79192b6e0ee559d2 | ଏହି ଥିଓରିଟି ସିନ୍ଥେସିସରେ, ଆମେ ଉପଭୋକ୍ତା ଅଂଶଗ୍ରହଣ ଏବଂ ସମ୍ପୃକ୍ତି ଉପରେ ପୂର୍ବ ଗବେଷଣାର ତିନୋଟି ପରମ୍ପରାକୁ ଏକାଠି କରିଛୁ: ଉପଭୋକ୍ତା ଅଂଶଗ୍ରହଣ ଏବଂ ଆଇଏସ ସଫଳତା ମଧ୍ୟରେ ସମ୍ପର୍କ ଉପରେ ସର୍ଭେ ଏବଂ ପରୀକ୍ଷାମୂଳକ ସାହିତ୍ୟ, ବିକଳ୍ପ ବିକାଶ ପଦ୍ଧତି ଉପରେ ନିୟମିତ ସାହିତ୍ୟ, ଏବଂ ଗୁଣାତ୍ମକ ଅଧ୍ୟୟନ ଯାହା ବିଭିନ୍ନ ପ୍ରକାରର ଥିଓରୀ ଦୃଷ୍ଟିକୋଣରୁ ଉପଭୋକ୍ତା ଅଂଶଗ୍ରହଣକୁ ପରୀକ୍ଷା କରେ _ ଆମେ ମଧ୍ୟ ସାହିତ୍ୟର ତିନୋଟି ବିଭାଗରେ ହୋଇଥିବା ଅଗ୍ରଗତିର ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ ଏବଂ ବ୍ୟବହାରକାରୀଙ୍କ ଭାଗିଦାରୀକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଭବିଷ୍ୟତର ଅନୁସନ୍ଧାନର ଶୂନ୍ୟସ୍ଥାନ ଏବଂ ଦିଗକୁ ଚିହ୍ନଟ କରୁଛୁ । |
24beb987b722d4a25d3157a43000e685aa8f8874 | ଏହି କାଗଜରେ ଏକ ପରିସଂଖ୍ୟାନିକ ମଡେଲ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ଏକ କୋରପସରୁ "ପାର୍ଟ ଅଫ୍ ସ୍ପିଚ୍" ଟ୍ୟାଗ ସହିତ ଟିପ୍ପଣୀ କରାଯାଇଛି ଏବଂ ଏହାକୁ ଅତ୍ୟାଧୁନିକ ସଠିକତା ସହିତ ପୂର୍ବରୁ ଦେଖାଯାଇନଥିବା ପାଠ୍ୟ ସହିତ ବଣ୍ଟନ କରାଯାଇଛି । ଏହି ମଡେଲକୁ ଏକ ସର୍ବାଧିକ ଏଣ୍ଟ୍ରୋପି ମଡେଲ ଭାବରେ ବର୍ଗୀକୃତ କରାଯାଇପାରିବ ଏବଂ ଏକକାଳୀନ POS ଟ୍ୟାଗକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଅନେକ ପ୍ରସଙ୍ଗଗତ ବୈଶିଷ୍ଟ୍ୟ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
6a2fe560574b76994ab1148b4dae0bfb89e3a3e3 | ମନୁଷ୍ୟର ଧାରଣାର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଦିଗ ହେଉଛି ପୂର୍ବାନୁମାନ ଏବଂ ପୂର୍ବାନୁମାନ କରିବା ଯେ ମନୁଷ୍ୟ କେଉଁ କାର୍ଯ୍ୟଗୁଡ଼ିକ ପରବର୍ତ୍ତୀ ସମୟରେ କରିବ (ଏବଂ ସେଗୁଡିକ କିପରି କରିବ) ଅନେକ ପ୍ରୟୋଗ ପାଇଁ ଉପଯୋଗୀ, ଉଦାହରଣ ସ୍ୱରୂପ, ପୂର୍ବାନୁମାନ ମାନବ ପରିବେଶରେ ପ୍ରତିକ୍ରିୟାଶୀଳ ପ୍ରତିକ୍ରିୟା ପାଇଁ ଆଗରୁ ଯୋଜନା କରିବାକୁ ଏକ ସହାୟକ ରୋବର୍ଟକୁ ସକ୍ଷମ କରେ _ ଏହି କାର୍ଯ୍ୟରେ ଆମେ ବସ୍ତୁଗତ ଯୋଗ୍ୟତା ମାଧ୍ୟମରେ ସମୃଦ୍ଧ ଭୌଗଳିକ-କାଳୀନ ସମ୍ପର୍କ ବିଷୟରେ ତର୍କ କରି ବିଭିନ୍ନ ସମ୍ଭାବ୍ୟ ଭବିଷ୍ୟତ ମାନବ କାର୍ଯ୍ୟକଳାପ ସୃଷ୍ଟି ପାଇଁ ଏକ ଗଠନମୂଳକ ଦୃଷ୍ଟିକୋଣ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ ପ୍ରତ୍ୟେକ ସମ୍ଭାବ୍ୟ ଭବିଷ୍ୟତକୁ ଏକ ଆଗୁଆ କାଳୀନ ସର୍ତ୍ତମୂଳକ ରାଣ୍ଡମ ଫିଲ୍ଡ (ଏଟିସିଆରଏଫ) ବ୍ୟବହାର କରି ପ୍ରତିନିଧିତ୍ୱ କରୁ ଯେଉଁଠାରେ ଆମେ ନୋଡ ଏବଂ କଡ଼ର ନମୁନା ନେଉ ଯାହା ଭବିଷ୍ୟତର ବସ୍ତୁ ଗତିପଥ ଏବଂ ମାନବ ସ୍ଥିତିକୁ ଏକ ଜେନେରେଟିଭ ମଡେଲରୁ ପ୍ରତିନିଧିତ୍ୱ କରେ । ତାପରେ ଆମେ ସମ୍ଭାବ୍ୟ ଭବିଷ୍ୟତର ବଣ୍ଟନକୁ ନିର୍ମିତ ଏଟିସିଆରଏଫ କଣିକା ସମୂହ ବ୍ୟବହାର କରି ପ୍ରତିନିଧିତ୍ୱ କରୁ । CAD-120 ମାନବ ଗତିବିଧି RGB-D ଡାଟାସେଟ ଉପରେ ବ୍ୟାପକ ମୂଲ୍ୟାଙ୍କନ କରି, ନୂତନ ବିଷୟଗୁଡ଼ିକ ପାଇଁ (ଶିକ୍ଷଣ ସେଟରେ ଦେଖାଯାଉନଥିବା) ଆମେ ଯଥାକ୍ରମେ ୧, ୩ ଏବଂ ୧୦ ସେକେଣ୍ଡର ଆଗୁଆ ସମୟ ପାଇଁ ୭୫.୪%, ୬୯.୨% ଏବଂ ୫୮.୧% ର ଗତିବିଧି ପୂର୍ବାନୁମାନ ସଠିକତା (ପ୍ରାଥମିକ ତିନୋଟି ଭବିଷ୍ୟବାଣୀ ମଧ୍ୟରୁ ଗୋଟିଏ ପ୍ରକୃତରେ ଘଟିଛି କି ନାହିଁ ବୋଲି ପରିଭାଷିତ) ପ୍ରାପ୍ତ କରୁ । 1 ଜଣ |
ea38789c6687e7ccb483693046fff5293e903c51 | ଆମେ ଏକ ବ୍ୟାଚ୍ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (ଆରଏଲ) ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ପ୍ରତ୍ୟେକ ନୀତିର ଗୁଣବତ୍ତା ବିଷୟରେ ସମ୍ଭାବ୍ୟତା ନିଶ୍ଚିତତା ପ୍ରଦାନ କରେ ଏବଂ ଯାହାର କୌଣସି ହାଇପର-ପାରାମିଟର ନାହିଁ ଯାହା ବିଶେଷଜ୍ଞ ଟ୍ୟୁନିଂ ଆବଶ୍ୟକ କରେ । ଉପଭୋକ୍ତା କୌଣସି ନିମ୍ନ-ସୀମା, ρ- ଏବଂ ଆତ୍ମବିଶ୍ୱାସ ସ୍ତର, δ ଚୟନ କରିପାରିବେ ଏବଂ ଆମର ଆଲଗୋରିଦମ ନିଶ୍ଚିତ କରିବ ଯେ ଏହା ସର୍ବାଧିକ δ କୁ ρ- ତଳେ କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ ନୀତି ଫେରାଇବ । ଆମେ ଏକ କ୍ରମିକ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ନୀତି ଉନ୍ନତି ଆଲଗୋରିଦମକୁ ବାରମ୍ବାର କାର୍ଯ୍ୟକାରୀ କରି ଏକାଧିକ ନୀତି ଉନ୍ନତି ସୃଷ୍ଟି କରିଥାଏ । ଆମେ ଆମର ଦୃଷ୍ଟିକୋଣର ସକ୍ରିୟତାକୁ ଏକ ସରଳ ଗ୍ରୀଡୱାର୍ଲ୍ଡ ଏବଂ ଷ୍ଟାଣ୍ଡାର୍ଡ ମାଉଣ୍ଟେନ୍ କାର୍ ସମସ୍ୟା ସହିତ, ଏବଂ ଏକ ଡିଜିଟାଲ୍ ମାର୍କେଟିଂ ଆପ୍ଲିକେସନ୍ ସହିତ ଦେଖାଇବୁ ଯାହା ବାସ୍ତବ ଦୁନିଆର ତଥ୍ୟ ବ୍ୟବହାର କରେ । |
780b05a35f2c7dd4b4d6e2a844ef5e145f1972ae | ବହୁ-ବୃତ୍ତ ସଂଳାପରେ, ପ୍ରାକୃତିକ ଭାଷା ବୁଝିବା ମଡେଲଗୁଡ଼ିକ ପ୍ରସଙ୍ଗଗତ ସୂଚନା ପ୍ରତି ଅନ୍ଧ ହୋଇ ସ୍ପଷ୍ଟ ତ୍ରୁଟି ପ୍ରବର୍ତ୍ତାଇପାରେ । ସଂଳାପ ଇତିହାସକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ପାଇଁ, ଆମେ ସ୍ପିକର୍-ସେନସିଟିଭ୍ ଡୁଆଲ୍ ମେମୋରି ନେଟୱାର୍କ ସହିତ ଏକ ନ୍ୟୁରାଲ୍ ଆର୍କିଟେକ୍ଚର୍ ଉପସ୍ଥାପନ କରୁ ଯାହା ବକ୍ତାଙ୍କ ଉପରେ ନିର୍ଭର କରି ଭିନ୍ନ ଭାବରେ ବକ୍ତବ୍ୟକୁ ଏନକୋଡ୍ କରେ । ଏହା ସିଷ୍ଟମ ପାଖରେ ଉପଲବ୍ଧ ବିଭିନ୍ନ ପ୍ରକାର ସୂଚନାକୁ ସମ୍ବୋଧିତ କରିଥାଏ - ସିଷ୍ଟମ କେବଳ ଉପଭୋକ୍ତାଙ୍କ ଉଚ୍ଚାରଣର ପୃଷ୍ଠଭୂମିକୁ ଜାଣିଥାଏ, ଯେତେବେଳେ କି ସିଷ୍ଟମ ଆଉଟପୁଟର ସଠିକ ଅର୍ଥଶାସ୍ତ୍ର ଥାଏ । ଆମେ ମାଇକ୍ରୋସଫ୍ଟ କର୍ଟାନା, ଏକ ବ୍ୟାବସାୟିକ ବ୍ୟକ୍ତିଗତ ସହାୟକ ର ପ୍ରକୃତ ଉପଭୋକ୍ତା ତଥ୍ୟ ଉପରେ ପରୀକ୍ଷଣ କରିଥିଲୁ । ଏହି ଫଳାଫଳ ସୂଚାଇଥାଏ ଯେ, ସାଂପ୍ରତିକ ସୂଚନା ବ୍ୟବହାର କରି ଅତ୍ୟାଧୁନିକ ସ୍ଲଟ୍ ଟ୍ୟାଗିଂ ମଡେଲ ତୁଳନାରେ କାର୍ଯ୍ୟଦକ୍ଷତା କ୍ଷେତ୍ରରେ ଉଲ୍ଲେଖନୀୟ ଉନ୍ନତି ଘଟିଛି । |
259bbc822121df705bf3d5898ae031cd712505ea | 1ମୋବାଇଲ କମ୍ୟୁନିକେସନ ବିଭାଗ, ବିଦ୍ୟାଳୟ ବିଦ୍ୟୁତ ଇଞ୍ଜିନିୟରିଂ ଏବଂ କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ, ବର୍ଲିନ ବୈଷୟିକ ବିଶ୍ୱବିଦ୍ୟାଳୟ, ବର୍ଲିନ, ଜର୍ମାନୀ 2ବାୟଲେସ ନେଟୱାର୍କିଂ, ସିଗନାଲ୍ ପ୍ରୋସେସିଂ ଏବଂ ସୁରକ୍ଷା ଲ୍ୟାବ, ବିଦ୍ୟୁତ ଏବଂ କମ୍ପ୍ୟୁଟର ଇଞ୍ଜିନିୟରିଂ ବିଭାଗ, ହ୍ୟୁଷ୍ଟନ ବିଶ୍ୱବିଦ୍ୟାଳୟ, ହ୍ୟୁଷ୍ଟନ, TX 77004, ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକା 3ସଂଚାର ପ୍ରଣାଳୀ ବିଭାଗ, ବିଦ୍ୟୁତ ଇଞ୍ଜିନିୟରିଂ ବିଭାଗ (ISY), ଲିଙ୍କୋପିଙ୍ଗ ବିଶ୍ୱବିଦ୍ୟାଳୟ, SE-581 83 ଲିଙ୍କୋପିଙ୍ଗ, ସ୍ୱିଡେନ 4ସଂଚାର ପ୍ରୟୋଗଶାଳା, ବିଦ୍ୟୁତ ଇଞ୍ଜିନିୟରିଂ ଏବଂ ସୂଚନା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବିଭାଗ, ଡ୍ରେସ୍ଡେନ୍ ବୈଷୟିକ ବିଶ୍ୱବିଦ୍ୟାଳୟ, 01062 ଡ୍ରେସ୍ଡେନ୍, ଜର୍ମାନୀ |
4eca7aa4a96300caf8622d666ecf5635d8b72132 | ସ୍ୱୟଂଚାଳିତ ପୁନର୍ବାସ ଏବଂ କ୍ରୀଡ଼ା ପ୍ରଶିକ୍ଷଣ ପ୍ରଣାଳୀ ବିକଶିତ କରିବା ପାଇଁ ମାନବ ଗତିବିଧିକୁ ସଠିକ୍ ଭାବରେ ଚିହ୍ନଟ କରିବାର କ୍ଷମତା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଏହି କାଗଜରେ, ଏକ ଆଡଭାର୍ଡ଼-ୱେରେବଲ ସେନସରରୁ ପ୍ରାପ୍ତ ବୃହତ-ମାପର ବ୍ୟାୟାମ ଗତି ତଥ୍ୟକୁ ଏକ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ସହିତ ଶ୍ରେଣୀଭୁକ୍ତ କରାଯାଇଛି । ତୀବ୍ରତା ମାପ ଓ ଦିଗ ନିର୍ଣ୍ଣୟକୁ ନେଇ ପ୍ରସ୍ତୁତ ସମୟ-ଶୃଙ୍ଖଳ ତଥ୍ୟକୁ ଚିତ୍ର ଆକାରରେ ଫର୍ମାଟ କରାଯାଇଥାଏ, ଯାହା ସିଏନଏନକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଭେଦଭାବପୂର୍ଣ୍ଣ ବୈଶିଷ୍ଟ୍ୟ ବାହାର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଚିତ୍ର ଫର୍ମାଟିଂ ଏବଂ ବିଭିନ୍ନ ସିଏନଏନ ଆର୍କିଟେକଚର ଉପରେ ଏକ ତୁଳନାତ୍ମକ ଅଧ୍ୟୟନ ମଧ୍ୟ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ସବୁଠାରୁ ଭଲ ପ୍ରଦର୍ଶନ କରୁଥିବା ବିନ୍ୟାସ ୫୦ଟି ଜିମ୍ ଅଭ୍ୟାସକୁ ୯୨.୧ ପ୍ରତିଶତ ସଠିକତା ସହିତ ଶ୍ରେଣୀଭୁକ୍ତ କରିଥାଏ । |
1b1a829c43f1a4f3a3d70f033a1b8e7bee1f7112 | |
6abac64862f7d207cac58c6a93f75dc80d74e575 | |
5fb874a1c8106a5b2b2779ee8e1433149109ba00 | ଡାଟାରୁ ବେଜୀୟନ ନେଟୱର୍କ ଶିଖିବା ପାଇଁ ଆଲଗୋରିଦମଗୁଡ଼ିକର ଦୁଇଟି ଉପାଦାନ ଅଛି: ଏକ ସ୍କୋରିଂ ମେଟ୍ରିକ ଏବଂ ଏକ ସର୍ଚ୍ଚ ପ୍ରକ୍ରିୟା । ଏହି ସ୍କୋରିଂ ମେଟ୍ରିକରେ ଏକ ସ୍କୋର ହିସାବ କରାଯାଏ ଯାହା ତଥ୍ୟ ସହିତ ସଂରଚନାର ଭଲତା-ଅଫ୍-ଟି କୁ ଦର୍ଶାଇଥାଏ । ଏହି ସର୍ଚ୍ଚ ପ୍ରକ୍ରିୟା ଉଚ୍ଚ ସ୍କୋର ଥିବା ନେଟୱର୍କ ସଂରଚନାକୁ ଚିହ୍ନଟ କରିବାକୁ ଚେଷ୍ଟା କରେ । ହେକରମ୍ୟାନ ଓ ଅନ୍ୟମାନେ (1995) ଏକ ବେଜିଆନ ମେଟ୍ରିକର ପରିଚୟ ଦେଇଥାଏ, ଯାହାକୁ ବିଡିଏ ମେଟ୍ରିକ କୁହାଯାଏ, ଯାହା ଦିଆଯାଇଥିବା ତଥ୍ୟକୁ ଆଧାର କରି ନେଟୱର୍କ ସଂରଚନାର ଆନୁଷଙ୍ଗିକ ପଶ୍ଚାତବର୍ତ୍ତୀ ସମ୍ଭାବନାକୁ ଗଣନା କରିଥାଏ । ଏହି ଲେଖାରେ ଆମେ ଦେଖାଇଛୁ ଯେ, ଯେଉଁ ନୋଡରେ ପ୍ରତ୍ୟେକ ନୋଡର ସର୍ବାଧିକ K ପିତାମାତା ଅଛନ୍ତି ଏବଂ ଯେଉଁ ନୋଡର ପିଛିଲା ସଂଯୋଗର ସମ୍ଭାବନା କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ଥିରଠାରୁ ଅଧିକ, ସେହି ନୋଡ ମଧ୍ୟରେ ଏକ ବେୟେସୀୟ ନେଟୱର୍କ ଚିହ୍ନଟ କରିବାର ସର୍ଚ୍ଚ ସମସ୍ୟା NP-ପୂର୍ଣ୍ଣ ଅଟେ, ଯେତେବେଳେ BDe ମେଟ୍ରିକ ବ୍ୟବହାର କରାଯାଏ । 12.1 ପ୍ରାରମ୍ଭିକ ସୂଚନା ନିକଟରେ ଅନେକ ଗବେଷକ ବେୟେସୀୟ ନେଟୱର୍କ ଶିଖିବା ପାଇଁ ଉପାୟ ଅନୁସନ୍ଧାନ କରିବା ଆରମ୍ଭ କରିଛନ୍ତି । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ମଧ୍ୟରୁ ଅନେକର ସମାନ ମୌଳିକ ଉପାଦାନ ରହିଛି: ଏକ ସ୍କୋରିଂ ମେଟ୍ରିକ୍ ଏବଂ ଏକ ସର୍ଚ୍ଚ ପ୍ରକ୍ରିୟା । ସ୍କୋରିଂ ମେଟ୍ରିକରେ, ଆମେ ଲକ୍ଷ୍ୟ କରାଯାଇଥିବା କେସ୍ D ର ଏକ ଡାଟାବେସ୍ ଏବଂ ନେଟୱର୍କ ଷ୍ଟ୍ରକ୍ଚର B S ଗ୍ରହଣ କରିଥାଉ ଏବଂ ଷ୍ଟ୍ରକ୍ଚରକୁ ତଥ୍ୟର ଭଲତା-ଅଫ୍-ଟି ଦର୍ଶାଇ ସ୍କୋର୍ ଫେରାଇଥାଉ । ଏକ ସର୍ଚ୍ଚ ପ୍ରକ୍ରିୟା ସ୍କୋରିଂ ମେଟ୍ରିକ ଦ୍ୱାରା ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ନେଟୱାର୍କ ସୃଷ୍ଟି କରିଥାଏ । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ନେଟୱର୍କ ସଂରଚନା କିମ୍ବା ସଂରଚନା ସମୂହକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଦୁଇଟି ଉପାଦାନକୁ ବ୍ୟବହାର କରିଥାଏ ଯାହା ଭବିଷ୍ୟତର ଘଟଣାଗୁଡ଼ିକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ କିମ୍ବା କାରଣ ସମ୍ପର୍କକୁ ଅନୁମାନ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । କୁପର ଏବଂ ହର୍ସକୋଭିଟ୍ସ (୧୯୯୨) କୁ CH କୁହାଯାଏ, ସେମାନେ ଏକ ବେଜିଆନ ମେଟ୍ରିକକୁ ବାହାର କରନ୍ତି, ଯାହାକୁ ଆମେ BD ମେଟ୍ରିକ ବୋଲି କହୁ, ଯାହା କେବଳ ଭିନ୍ନ ଭିନ୍ନ ଭେରିଏବଲ୍ ଥିବା ବେଜିଆନ ନେଟୱର୍କକୁ ଶିଖିବା ବିଷୟରେ ଯୁକ୍ତିଯୁକ୍ତ ଅନୁମାନର ଏକ ସେଟରୁ । ହେକରମ୍ୟାନ ଓ ଅନ୍ୟମାନେ (୧୯୯୫) ରେ HGC ନାମରେ ନାମିତ ହୋଇଥିବା ଏହି ମେଟ୍ରିକକୁ CH ନାମକ ଏକ ନୂଆ ମେଟ୍ରିକରୁ ବାହାର କରାଯାଇଛି, ଯାହାକୁ ଆମେ BDe ମେଟ୍ରିକ ବୋଲି କହୁଛୁ, ଯାହାର ଆଶାନୁରୂପ ଗୁଣ ହେଉଛି ସମ୍ଭାବ୍ୟତା ସମାନତା । ସମ୍ଭାବ୍ୟତା ସମାନତା କୁହେ ଯେ ତଥ୍ୟ ସମାନ ସଂରଚନାକୁ ଭେଦଭାବ କରିବାରେ ସାହାଯ୍ୟ କରିପାରିବ ନାହିଁ । ଏବେ ଆମେ ସିଏଚରୁ ପ୍ରାପ୍ତ ବିଡି ମେଟ୍ରିକକୁ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ B h S କୁ ସେହି ଅନୁମାନକୁ ଦର୍ଶାଇବା ପାଇଁ ବ୍ୟବହାର କରୁ ଯେ B S ହେଉଛି ସେହି ବଣ୍ଟନର I-ମ୍ୟାପ୍ ଯାହା ଡାଟାବେସ୍ ସୃଷ୍ଟି କରିଛି । 2 ଏକ ବିଶ୍ବାସ ନେଟୱର୍କ ସଂରଚନା B S କୁ ଦେଖି , ଆମେ x i ର ପିତାମାତାଙ୍କୁ ସୂଚାଇବା ପାଇଁ i ବ୍ୟବହାର କରୁ । ଆମେ r i କୁ ବ୍ୟବହାର କରି x i ର ସ୍ଥିତିକୁ ଦର୍ଶାଇଥାଉ, ଏବଂ q i = Q x l 2 i r l କୁ ବ୍ୟବହାର କରି i ର ସ୍ଥିତିକୁ ଦର୍ଶାଇଥାଉ. ଆମେ ଏହି ଇନଷ୍ଟାନ୍ସଗୁଡ଼ିକୁ ଇଣ୍ଡେକ୍ସ କରିବା ପାଇଁ ସମ୍ପୂର୍ଣ୍ଣ ସଂଖ୍ୟା j ବ୍ୟବହାର କରୁ. ତାହା ହେଉଛି, ଆମେ i = j ଲେଖୁ x i ର ପିତାମାତାଙ୍କର jth ଉଦାହରଣର ପର୍ଯ୍ୟବେକ୍ଷଣକୁ ସୂଚାଇବା ପାଇଁ । 1996 ସ୍ପ୍ରିଙ୍ଗର-ଭେରଲାଗ 2 ସେଠାରେ ଏକ ... |
7783fd2984ac139194d21c10bd83b4c9764826a3 | ସମ୍ଭାବ୍ୟତା ପଦ୍ଧତିଗୁଡ଼ିକ କ୍ଷେତ୍ର ସୃଷ୍ଟି କରିବା ପାଇଁ, ଗଣନା ଉପକରଣଗୁଡ଼ିକର । କିନ୍ତୁ ମୋତେ ବାହାର କରିଦିଆଯିବା ଦରକାର, ବେଜେସୀୟ ନେଟୱାର୍କଗୁଡ଼ିକ ନିକଟରେ ଦୃଢ଼ ଭାବରେ କାମ କରିଛନ୍ତି । ନିକଟରେ ମୁଁ ଏହି ପୁସ୍ତକ ପ୍ରକାଶିତ ହେଲା ବୋଲି ଜାଣିଥିଲି । ସ୍ନାତକୋତ୍ତର ଗବେଷଣା କ୍ଷେତ୍ରରେ ଗବେଷକମାନଙ୍କୁ ଏଆଇ ଅପରେସନ ଗବେଷଣା ଉତ୍କର୍ଷ ପୁରସ୍କାର ପ୍ରଦାନ କରାଯିବ । ମୁଁ କିପରି ଅଛି ସେ ବିଷୟରେ ଅଧିକ ଚିନ୍ତିତ ଥିଲି । ଏହା ସ୍ପଷ୍ଟ ଯେ, ଡାଫ୍ନେ କୋଲର ଏବଂ ଶିକ୍ଷଣ ଢାଞ୍ଚାଗୁଡ଼ିକ ପ୍ରମାଣମୂଳକ ତର୍କର ଆଧାରରେ । ମୋ ପାଇଁ ମୋତି ଏକ ଭାଷା । ଏହାର ପ୍ରାରମ୍ଭିକ ପ୍ରକାଶନ ତାରିଖ ସତ୍ତ୍ୱେ ଏହା ଶ୍ରେଷ୍ଠ ରେଫରେନ୍ସ ପ୍ରଦାନ କରିବାରେ ଅକ୍ଷମ । |
5c386d601ffcc75f7635a4a5c6066824b37b9425 | ଆଜିକାଲି, ଏକ ଲୋକପ୍ରିୟ ୱେବସାଇଟ୍ ଖୋଜିବା କଷ୍ଟକର ଯାହା ଏକ ପଞ୍ଜୀକରଣ ଫର୍ମ ସହିତ ସ୍ୱୟଂଚାଳିତ ମାନବ ପ୍ରମାଣ ପରୀକ୍ଷଣ ଦ୍ୱାରା ସୁରକ୍ଷିତ ନୁହେଁ ଯାହା ଏକ ପ୍ରତିଛବିରେ ଅକ୍ଷରଗୁଡିକର ଏକ କ୍ରମ ପ୍ରଦର୍ଶନ କରେ ଏବଂ ଉପଭୋକ୍ତାଙ୍କୁ ଏକ ଇନପୁଟ୍ ଫିଲ୍ଡରେ କ୍ରମ ପ୍ରବେଶ କରିବାକୁ ଅନୁରୋଧ କରେ _ ଏହି ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ଟ୍ୟୁରିଙ୍ଗ ଟେଷ୍ଟ ଉପରେ ଆଧାରିତ- ଯାହାକି କୃତ୍ରିମ ବୁଦ୍ଧିମତା କ୍ଷେତ୍ରରେ ସର୍ବ ପୁରାତନ ଧାରଣା ମଧ୍ୟରୁ ଅନ୍ୟତମ- ଏବଂ ଏହାକୁ କମ୍ପ୍ୟୁଟର ଏବଂ ମାନବକୁ ଅଲଗା କରିବା ପାଇଁ ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ପବ୍ଲିକ ଟ୍ୟୁରିଙ୍ଗ ଟେଷ୍ଟ (କ୍ୟାପ୍ଟଚା) କୁହାଯାଏ । ଏହି ପ୍ରକାରର ପରୀକ୍ଷଣର ପରିକଳ୍ପନା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ୱେବ୍ ଉତ୍ସକୁ ସ୍ୱୟଂଚାଳିତ ପ୍ରବେଶକୁ ରୋକିବା ପାଇଁ କରାଯାଇଛି, ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ୱେବ୍ ମେଲ୍ ସେବା କିମ୍ବା ଏକ ସାମାଜିକ ନେଟୱାର୍କ । ବର୍ତ୍ତମାନ ଏହିପରି ଶହ ଶହ ପରୀକ୍ଷଣ କରାଯାଉଛି, ଯାହା ଦିନକୁ ଲକ୍ଷ ଲକ୍ଷ ଥର କରାଯାଉଛି, ଯାହା ଫଳରେ ବିପୁଳ ପରିମାଣର ମାନବ ଶ୍ରମର ଆବଶ୍ୟକତା ରହିଛି । ଅନ୍ୟ ପକ୍ଷରେ, ଏହି ପରୀକ୍ଷାଗୁଡ଼ିକର ଏକ ସଂଖ୍ୟା ଭଙ୍ଗ କରାଯାଇଛି, ଅର୍ଥାତ୍, ଗବେଷକ, ହ୍ୟାକର୍ ଏବଂ ସ୍ପାମର୍ମାନଙ୍କ ଦ୍ୱାରା ଡିଜାଇନ୍ କରାଯାଇଥିବା ସ୍ୱୟଂଚାଳିତ ପ୍ରୋଗ୍ରାମଗୁଡିକ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସଠିକ୍ ଉତ୍ତର ପ୍ରଦାନ କରିବାରେ ସକ୍ଷମ ହୋଇଛନ୍ତି । ଏହି ଅଧ୍ୟାୟରେ ଆମେ କ୍ୟାପଚା ଇତିହାସ ଓ ଧାରଣା, ଏହାର ପ୍ରୟୋଗ ଓ ଏହାର ବ୍ୟାପକ ସମୀକ୍ଷା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ । ଆମେ ସେମାନଙ୍କର ମୂଲ୍ୟାଙ୍କନ ବିଷୟରେ ମଧ୍ୟ ଆଲୋଚନା କରିଥାଉ, ଉଭୟ ବ୍ୟବହାରକାରୀ ଏବଂ ସୁରକ୍ଷା ଦୃଷ୍ଟିକୋଣରୁ, ବ୍ୟବହାର, ଆକ୍ରମଣ ଏବଂ ପ୍ରତିରୋଧ ସମେତ । ଆମେ ଆଶା କରୁଛୁ ଯେ ଏହି ଅଧ୍ୟାୟ ପାଠକଙ୍କୁ ଏହି ରୋଚକ କ୍ଷେତ୍ରର ଏକ ଭଲ ସମୀକ୍ଷା ପ୍ରଦାନ କରିବ । କମ୍ପ୍ୟୁଟର ରେ ସିଇଏସ, ଭୋଲ. 83 109 Copyright © 2011 ଏଲ୍ସେଭିୟର ଇନ୍କ. 65-2458/DOI: 10.1016/B978-0-12-385510-7.00003-5 ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. 110 ଜେ. ଏମ୍. ଗୋମେଜ ହିଡାଲଗୋ ଓ ଜି. ଆଲଭାରେଜ ମାରାନୋନ୍ ପ୍ରାରମ୍ଭିକ ସୂଚନା । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 110 ଏକର ଏକ ଟ୍ୟୁରିଙ୍ଗ୍ ଟେଷ୍ଟ ଓ କ୍ୟାପଚା ର ଉତ୍ପତ୍ତି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ୧୧୨. ଏକ ପ୍ରେରଣା ଓ ପ୍ରୟୋଗ । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 127 3 .1 ରେ ଓ ସି.ଆର. ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 130 3 .2 ରେ ମୁଁ ବୃଦ୍ଧ . ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 135 3 .3 ରେ ଏକ ଅଡିଓ । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 143 3 .4 ରେ ସଜ୍ଞାନିକ । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 173 R ରେଫରେନ୍ସ ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 173 ଜଣଙ୍କୁ ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 154 ପାଞ୍ଚ ଏସ ସୁରକ୍ଷା ଏବଂ କ୍ୟାପଚା ଉପରେ ଆକ୍ରମଣ ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 156 ପଞ୍ଚମ ଏକର କ୍ୟାପଚା ଉପରେ ଆକ୍ରମଣ । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 158 ପାଞ୍ଚ.୨ CAPTCHA ଉପରେ ସୁରକ୍ଷା ଆବଶ୍ୟକତା ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ୧୬୯୬. କ୍ୟାପଚା ପାଇଁ ବିକଳ୍ପ ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 1717. କ୍ରମିକ ସି ସିଦ୍ଧାନ୍ତ ଓ ଭବିଷ୍ୟତର ଧାରା । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 144 4. ଏହିପରି CAPTCHAର ମୂଲ୍ୟାୟନ । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 146 4 .1 ରେ ଇ-ଦକ୍ଷତା ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 147 4 . 2 ରେ ଏକ ଉପଯୋଗୀତା ସମସ୍ୟା । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 152 4 .3 ରେ ବୈଷୟିକ ବିଚାର ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 116 ୨.୧. ଏହିପରି CAPTCHA ର ସାଧାରଣ ବର୍ଣ୍ଣନା । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 116 2 .2 ରେ କ୍ୟାପଚା ର ଇଚ୍ଛୁକ ଗୁଣ ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 117 2 .3 ରେ ମୁଁ ହେଉଛି କାର୍ଯ୍ୟକାରୀ ଏବଂ ନିୟୋଜନ । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 119 ଦୁଇ ଚାରି ଏକ ଆପ୍ଲିକେସନ ଏବଂ ରୋବଟମାନଙ୍କ ଉତ୍ଥାନ । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । 121 3. ଏହି କ୍ୟାପଚା ପ୍ରକାର ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । |
941a668cb77010e032a809861427fa8b1bee8ea0 | ଇସିଜି ବିଶ୍ଳେଷଣ ଓ ବ୍ୟାଖ୍ୟା ପାଇଁ ଅଧିକାଂଶ ସିଷ୍ଟମରେ ସିଗନାଲ୍ ପ୍ରୋସେସିଂ କାର୍ଯ୍ୟ ସମ୍ପାଦନ ହୋଇଥାଏ । ଇସିଜି ସିଗନାଲ ପ୍ରୋସେସିଂର ଲକ୍ଷ୍ୟ ହେଉଛି ଅନେକଗୁଡ଼ିଏ ଏବଂ ଏଥିରେ ମାପନର ସଠିକତା ଏବଂ ପୁନଃ ଉତ୍ପାଦନ କ୍ଷମତା (ମ୍ୟାନୁଆଲ ମାପ ସହିତ ତୁଳନା କରିବା ସମୟରେ) ଏବଂ ସିଗନାଲରୁ ଦୃଶ୍ୟମାନ ମୂଲ୍ୟାଙ୍କନ ମାଧ୍ୟମରେ ସହଜରେ ଉପଲବ୍ଧ ହୋଇନଥିବା ସୂଚନା ବାହାର କରିବା ଅନ୍ତର୍ଭୁକ୍ତ । ଅନେକ କ୍ଷେତ୍ରରେ ଇସିଜି ରେକର୍ଡ କରିବା ସମୟରେ ଆମ୍ବୁଲେଟରୀ କିମ୍ବା କଠିନ ପରିସ୍ଥିତିରେ ସିଗନାଲ ବିଭିନ୍ନ ପ୍ରକାରର ଶବ୍ଦ ଦ୍ୱାରା ନଷ୍ଟ ହୋଇଥାଏ, ଯାହା ବେଳେ ବେଳେ ଶରୀରର ଅନ୍ୟ ଏକ ଶାରୀରିକ ପ୍ରକ୍ରିୟା ଦ୍ୱାରା ଉତ୍ପନ୍ନ ହୋଇଥାଏ । ତେଣୁ, ଇସିଜି ସିଗନାଲ୍ ପ୍ରୋସେସିଂର ଆଉ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଶବ୍ଦ ହ୍ରାସ କରିବା; ବାସ୍ତବରେ, ସ୍ୱାର୍ଥର ତରଙ୍ଗ ଆକାର ବେଳେ ବେଳେ ଏତେ ମାତ୍ରାରେ ଶବ୍ଦ ଦ୍ୱାରା ଲୁଚି ରହିଥାଏ ଯେ ଉପଯୁକ୍ତ ସିଗନାଲ୍ ପ୍ରୋସେସିଂ ପ୍ରଥମେ ପ୍ରୟୋଗ ହେବା ପରେ ହିଁ ସେମାନଙ୍କର ଉପସ୍ଥିତି ପ୍ରକାଶ କରାଯାଇପାରିବ । ହୃଦସ୍ପନ୍ଦନ ରେ ବ୍ୟବଧାନରେ ହେଉଥିବା ବିଶୃଙ୍ଖଳାକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଇଲେକ୍ଟ୍ରୋକାର୍ଡିଓଗ୍ରାଫିକ ସିଗନାଲ୍ ଦୀର୍ଘ ସମୟ (ଅନେକ ଦିନ) ରେ ରେକର୍ଡ କରାଯାଇପାରେ । ଫଳସ୍ୱରୂପ, ଇସିଜି ରେକର୍ଡିଂରେ ଯେଉଁ ପରିମାଣର ତଥ୍ୟ ସଂଗ୍ରହ କରାଯାଏ ତାହା ଖୁବ୍ ଶୀଘ୍ର ଉପଲବ୍ଧ ସ୍ଥାନକୁ ପୂରଣ କରିଦିଏ । ସର୍ବସାଧାରଣ ଟେଲିଫୋନ୍ ନେଟୱାର୍କରେ ସିଗନାଲ୍ ଟ୍ରାନ୍ସମିସନ୍ ହେଉଛି ଅନ୍ୟ ଏକ ପ୍ରୟୋଗ ଯେଉଁଥିରେ ବିପୁଳ ପରିମାଣର ତଥ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । ଉଭୟ ପରିସ୍ଥିତି ପାଇଁ, ତଥ୍ୟ ସଙ୍କୋଚନ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ ଏବଂ, ଫଳସ୍ୱରୂପ, ଇସିଜି ସିଗନାଲ୍ ପ୍ରକ୍ରିୟାକରଣର ଆଉ ଏକ ଉଦ୍ଦେଶ୍ୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ । ଇସିଜି ଏବଂ ଏହାର ଗତିଶୀଳ ଗୁଣଗୁଡ଼ିକର ପରିବର୍ତ୍ତନକୁ ବୁଝିବାରେ ସିଗନାଲ ପ୍ରୋସେସିଂ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅବଦାନ ଦେଇଛି । ଉଦାହରଣ ସ୍ୱରୂପ, ଏପରି କୌଶଳ ବିକଶିତ କରାଯାଇଛି ଯାହା ହୃତ୍ପିଣ୍ଡ ପ୍ରଣାଳୀ ସହ ଜଡ଼ିତ ଓ ହୃତ୍ପିଣ୍ଡର ଗତିରେ ସୂକ୍ଷ୍ମ ପରିବର୍ତ୍ତନ ଦ୍ୱାରା ପ୍ରତିଫଳିତ ହେଉଥିବା ଦୋହଲିଦୋଳିର ଲକ୍ଷଣକୁ ଦର୍ଶାଇଥାଏ । T ତରଙ୍ଗର ଆମ୍ପ୍ଲିଟ୍ୟୁଡରେ ନିମ୍ନ ସ୍ତରର, ବିବର୍ତ୍ତନଶୀଳ ପରିବର୍ତ୍ତନକୁ ଚିହ୍ନଟ କରିବା ହେଉଛି ଅସ୍ଥିଳାତ୍ମକ ଆଚରଣର ଅନ୍ୟ ଏକ ଉଦାହରଣ ଯାହାକି ଅଚାନକ, ଜୀବନ ପ୍ରତି ବିପଦପୂର୍ଣ୍ଣ ଆରିଥମିୟା ପାଇଁ ବୃଦ୍ଧି ପାଇଥିବା ବିପଦ ସୂଚକ ଭାବରେ ପ୍ରତିଷ୍ଠିତ ହୋଇଛି । ଏହି ଦୁଇଟିରୁ କୌଣସି ଗୋଟିଏ ବି ଦୋହଲି ସଙ୍କେତ ଗୁଣ ସାଧାରଣ ଇସିଜି ପ୍ରିଣ୍ଟଆଉଟରୁ ଖାଲି ଆଖିରେ ଦେଖିହେବ ନାହିଁ । ଇସିଜି ବିଶ୍ଳେଷଣର ସମସ୍ତ ପ୍ରକାର ପାଇଁ ସାଧାରଣ - ଏହା ଆରାମରେ ଇସିଜି ବ୍ୟାଖ୍ୟା, ଚାପ ପରୀକ୍ଷା, ଆମ୍ବୁଲଟରୀ ମନିଟରିଂ କିମ୍ବା ଇଣ୍ଟେନ୍ସିଭ୍ କେୟାର ମନିଟରିଂ ସମ୍ବନ୍ଧୀୟ - ଆଲଗୋରିଦମଗୁଡିକର ଏକ ମ basic ଳିକ ସେଟ୍ ଯାହା ବିଭିନ୍ନ ପ୍ରକାରର ଶବ୍ଦ ଏବଂ କାରୁକାର୍ଯ୍ୟ ସମ୍ବନ୍ଧରେ ସିଗନାଲ୍ ସର୍ତ୍ତ କରେ, ହୃଦସ୍ପନ୍ଦନ ଚିହ୍ନଟ କରେ, ତରଙ୍ଗ ଆମ୍ପିଲିଟ୍ୟୁଡ୍ ଏବଂ ଅବଧିର ମ basic ଳିକ ଇସିଜି ମାପ ବାହାର କରେ ଏବଂ ଦକ୍ଷ ଷ୍ଟୋରେଜ୍ କିମ୍ବା ଟ୍ରାନ୍ସମିସନ୍ ପାଇଁ ତଥ୍ୟ ସଙ୍କୋଚନ କରେ; ଚିତ୍ରରେ ବ୍ଲକ୍ ଚିତ୍ର _ 1 ରେ ଏହି ସିଗନାଲ୍ ପ୍ରୋସେସିଂ ଆଲଗୋରିଦମ ସେଟ୍ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଯଦିଓ ଏହି ଆଲଗୋରିଦମଗୁଡିକ କ୍ରମିକ ଭାବରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥାଏ, କ୍ୟୁଆରଏସ ଡିଟେକ୍ଟର ଦ୍ୱାରା ଉତ୍ପାଦିତ ହୃଦସ୍ପନ୍ଦନର ଘଟଣାର ସମୟ ବିଷୟରେ ସୂଚନା ବେଳେବେଳେ କାର୍ଯ୍ୟଦକ୍ଷତା ବୃଦ୍ଧି କରିବାକୁ ଅନ୍ୟ ଆଲଗୋରିଦମଗୁଡିକରେ ଅନ୍ତର୍ଭୁକ୍ତ ହୋଇଥାଏ । ପ୍ରତ୍ୟେକ ଆଲଗୋରିଦମର ଜଟିଳତା ପ୍ରୟୋଗରୁ ପ୍ରୟୋଗକୁ ଭିନ୍ନ ହୋଇଥାଏ, ତେଣୁ, ଉଦାହରଣ ସ୍ୱରୂପ, ଆମ୍ବୁଲେଟୋରୀ ମନିଟରିଂରେ କରାଯାଇଥିବା ଶବ୍ଦ ଫିଲ୍ଟରିଂ ବିଶ୍ରାମ ଇସିଜି ବିଶ୍ଳେଷଣରେ ଆବଶ୍ୟକ ହେଉଥିବା ତୁଳନାରେ ଅଧିକ ଜଟିଳ ହୋଇଥାଏ । ଥରେ ମୌଳିକ ଆଲଗୋରିଦମ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ସୂଚନା ଉପଲବ୍ଧ ହୋଇଗଲେ, ଇସିଜିର ଏକ ବ୍ୟାପକ ପ୍ରୟୋଗ ଉପଲବ୍ଧ ହୋଇଥାଏ ଯେଉଁଠାରେ ହୃଦସ୍ପନ୍ଦନ ଏବଂ ବିଟ୍ ମର୍ଫୋଲୋଜି ଗୁଣକୁ ପରିମାଣିକ କରିବା ପାଇଁ ସିଗନାଲ୍ ପ୍ରୋସେସିଂ ବ୍ୟବହାର କରିବା ପାଇଁ ଆଗ୍ରହ ରହିଥାଏ । ଏହି ଦୁଇଟି ପ୍ରୟୋଗ ସହିତ ଜଡିତ ସିଗନାଲ ପ୍ରୋସେସିଂ-ଉଚ୍ଚ-ବିଭେଦ ଇସିଜି ଏବଂ ଟି ୱେଭ୍ ଆଲଟର୍ନାନ୍ସ-ଏହି ଆର୍ଟିକିଲର ଶେଷରେ ସଂକ୍ଷେପରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଆଗ୍ରହୀ ପାଠକମାନଙ୍କୁ ଉଦାହରଣ ସ୍ୱରୂପ, ରେଫ. 1, ଯେଉଁଠାରେ ଅନ୍ୟ ଇସିଜି ପ୍ରୟୋଗର ବିସ୍ତୃତ ବର୍ଣ୍ଣନା ମିଳିପାରିବ । |
b681da8d4be586f6ed6658038c81cdcde1d54406 | ଏହି ଚିଠିରେ ଏକ ନୂଆ ଡୁଆଲ ବ୍ୟାଣ୍ଡ ଏବଂ ପଲାରିଜେସନ-ନମନୀୟ ସବଷ୍ଟ୍ରେଟ ଇଣ୍ଟିଗ୍ରେଟେଡ ୱେଭଗାଇଡ (ଏସଆଇଡବ୍ଲୁ) କେଭିଟି ଆଣ୍ଟିନା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଆଣ୍ଟିନା ପାଇଁ ବ୍ୟବହୃତ SIW ଗୁହାଳକୁ ଏହାର ପ୍ରଥମ ରିଜୋନାନ୍ସ ପାଇଁ ଏକ ପାରମ୍ପରିକ TE120 ମୋଡ୍ ଦ୍ୱାରା ଉତ୍ତେଜିତ କରାଯାଇଥାଏ । ସ୍ଲଟର ହସ୍ତକ୍ଷେପ ଦ୍ୱାରା, ଏକ ସଂଶୋଧିତ- TE120 ମୋଡ ଦ୍ୱାରା ଉତ୍ତେଜିତ ଏକ ଦ୍ୱିତୀୟ ରିଜୋନାନ୍ସ ମଧ୍ୟ ସୃଷ୍ଟି ହୁଏ, ଯାହାଦ୍ୱାରା ଦୁଇଟି ରିଜୋନାନ୍ସ ଫ୍ରିକ୍ୱେନ୍ସିରେ ଏକ ବ୍ରଡସାଇଡ୍ ରେଡିଏସନ୍ ପ୍ୟାଟର୍ନ ପ୍ରଦାନ କରାଯାଇଥାଏ । ଏହାବ୍ୟତୀତ ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନାରେ ଦୁଇଟି ଅର୍ତୋଗୋନାଲ ଫିଡିଂ ଲାଇନ ରହିଛି । ତେଣୁ, ଯେକୌଣସି ଛଅଟି ପ୍ରମୁଖ ଧ୍ରୁବୀକରଣ ସ୍ଥିତିକୁ ପ୍ରଦାନ କରିବା ସମ୍ଭବ । ଏହି ଚିଠିରେ ତିନୋଟି ପ୍ରମୁଖ ଧ୍ରୁବୀକରଣର ସିମୁଲେସନ କରାଯାଇଛି ଏବଂ ମାପିତ ଫଳାଫଳ ସହିତ ତୁଳନା କରାଯାଇଛି । ଆଧୁନିକ ଯୋଗାଯୋଗ ପ୍ରଣାଳୀ ପାଇଁ ବହୁମୁଖୀ ଆଣ୍ଟିନା ଆବଶ୍ୟକ ହୋଇଥିବାରୁ ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା କଳ୍ପନା ଏକ ଆଶାନୁରୂପ ପ୍ରାର୍ଥୀ । |
cf18287e79b1fd73cd333fc914bb24c00a537f4c | ଜଟିଳ କୌଶଳ ଗୁଡ଼ିକର ବ୍ୟାପକ ରେପର୍ଟୋରିକୁ ସ୍ୱୟଂଚାଳିତ ଭାବେ ଶିଖିବା ପାଇଁ, ରୋବଟଗୁଡିକ ମାନବ ତତ୍ତ୍ୱାବଧାନ ବିନା, ନିଜସ୍ୱ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସଂଗୃହିତ ତଥ୍ୟରୁ ଶିଖିବା ପାଇଁ ସକ୍ଷମ ହେବା ଆବଶ୍ୟକ । ଏକ ଶିକ୍ଷଣ ସଙ୍କେତ ଯାହା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସଂଗୃହିତ ତଥ୍ୟ ପାଇଁ ସର୍ବଦା ଉପଲବ୍ଧ ତାହା ହେଉଛି ପୂର୍ବାନୁମାନ । ଯଦି ରୋବଟ ଭବିଷ୍ୟତକୁ ଅନୁମାନ କରିବା ଶିଖିପାରିବ, ତେବେ ଏହା ଏହି ପୂର୍ବାନୁମାନ ମଡେଲକୁ ବ୍ୟବହାର କରି ଇଚ୍ଛାକୃତ ଫଳାଫଳ ହାସଲ କରିବା ପାଇଁ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରିପାରିବ, ଯେପରିକି କୌଣସି ବସ୍ତୁକୁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ଥାନକୁ ସ୍ଥାନାନ୍ତର କରିବା । ତେବେ ଜଟିଳ ଓପନ ୱାର୍ଲ୍ଡ ଦୃଶ୍ୟପଟ୍ଟରେ, ପୂର୍ବାନୁମାନ ପାଇଁ ଏକ ପ୍ରତିନିଧିତ୍ୱ ଡିଜାଇନ୍ କରିବା କଷ୍ଟକର ଅଟେ । ଏହି କାମରେ, ଆମେ ସିଧାସଳଖ ଭିଡିଓ ପୂର୍ବାନୁମାନ ମାଧ୍ୟମରେ ସ୍ୱ-ନିରୀକ୍ଷିତ ରୋବଟ୍ ଶିକ୍ଷଣକୁ ସକ୍ଷମ କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛୁ: ଏକ ଭଲ ପ୍ରତିନିଧିତ୍ୱ ଡିଜାଇନ୍ କରିବାକୁ ଚେଷ୍ଟା କରିବା ପରିବର୍ତ୍ତେ, ଆମେ ସିଧାସଳଖ ପୂର୍ବାନୁମାନ କରିଥାଉ ଯେ ରୋବଟ୍ ପରବର୍ତ୍ତୀ ସମୟରେ କ ଣ ଦେଖିବ, ଏବଂ ତାପରେ ଏହି ମଡେଲକୁ ଇଚ୍ଛିତ ଲକ୍ଷ୍ୟ ହାସଲ କରିବାକୁ ବ୍ୟବହାର କରିବୁ _ ରୋବୋଟିକ ମନିପ୍ୟୁଲେସନ ପାଇଁ ଭିଡିଓ ପୂର୍ବାନୁମାନରେ ଏକ ପ୍ରମୁଖ ଆହ୍ୱାନ ହେଉଛି ଜଟିଳ ଆଭ୍ୟନ୍ତରୀଣ ବ୍ୟବସ୍ଥା ଯଥା ଅବରୋଧକୁ ପରିଚାଳନା କରିବା । ଏଥିପାଇଁ ଆମେ ଏକ ଭିଡିଓ ପୂର୍ବାନୁମାନ ମଡେଲ ପ୍ରସ୍ତୁତ କରିଛୁ ଯାହା ଅନ୍ଧକାର ମଧ୍ୟରେ ଥିବା ବସ୍ତୁଗୁଡ଼ିକୁ ଟ୍ରାକ୍ କରିପାରିବ। ଏକ ନୂଆ ଯୋଜନା ମାନଦଣ୍ଡ ଏବଂ କାର୍ଯ୍ୟକ୍ଷେତ୍ରର ଫର୍ମୁଲେସନ ସହିତ ଆମେ ଦେଖାଇଛୁ ଯେ ଏହି ମଡେଲ ପୂର୍ବ କାର୍ଯ୍ୟକୁ ଭିଡ଼ିଓ ପୂର୍ବାନୁମାନ ଆଧାରିତ ନିୟନ୍ତ୍ରଣ ଉପରେ ଅଧିକ ଭଲ ଭାବରେ କାର୍ଯ୍ୟ କରେ । ଆମର ଫଳାଫଳଗୁଡ଼ିକ ଦେଖାଏ ଯେ, ଅଭ୍ୟାସ ସମୟରେ ଦେଖାଯାଉନଥିବା ବସ୍ତୁଗୁଡ଼ିକର ବ୍ୟବହାର, ଏକାଧିକ ବସ୍ତୁକୁ ସମ୍ଭାଳିବା, ଏବଂ ବସ୍ତୁଗୁଡ଼ିକୁ ବାଧାବିଘ୍ନଗୁଡ଼ିକର ଆଖପାଖରେ ଘୁଞ୍ଚାଇବା । ଏହି ଫଳାଫଳଗୁଡ଼ିକ ଦକ୍ଷତାର ପରିସର ଏବଂ ଜଟିଳତା କ୍ଷେତ୍ରରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଗ୍ରଗତିକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ ଯାହା ସ୍ୱ-ନିରୀକ୍ଷିତ ରୋବଟ୍ ଶିକ୍ଷଣ ସହିତ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ କରାଯାଇପାରିବ । |
89701a3b04c3f102ebec83db3249b20791eacb38 | ପ୍ରସଙ୍ଗ ସଚେତନତା ହେଉଛି ପ୍ରସଙ୍ଗ ସଚେତନ ସେବାକୁ ସକ୍ଷମ କରିବା ପାଇଁ ଏକ ପ୍ରମୁଖ ଗୁଣ । ମୋବାଇଲ ଡିଭାଇସ ପାଇଁ, ବ୍ୟବହାରକାରୀଙ୍କ ଅବସ୍ଥାନ ବା ଟ୍ରାଜେକ୍ଟୋରୀ ହେଉଛି ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରସଙ୍ଗ । ମୋବାଇଲ ଡିଭାଇସ ଦ୍ୱାରା ସ୍ଥାନ କିମ୍ବା ଗତିପଥ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ସାଧାରଣ ଆହ୍ୱାନ ହେଉଛି ସଠିକତା ଏବଂ ଶକ୍ତି ଖର୍ଚ୍ଚ ମଧ୍ୟରେ ବାଣିଜ୍ୟ ପରିଚାଳନା କରିବା । ସାଧାରଣ ଉପାୟ ହେଉଛି (1) ସେନସର ବ୍ୟବହାରର ବାରମ୍ବାରତା ନିୟନ୍ତ୍ରଣ କରିବା ଏବଂ (2) ସେନସର ଫ୍ୟୁଜନ୍ କୌଶଳ । ଏହି କାଗଜରେ ପ୍ରସ୍ତାବିତ ଆଲଗୋରିଦମ ଏକ ଭିନ୍ନ ଆଭିମୁଖ୍ୟ ଗ୍ରହଣ କରିଛି ଯାହା ସେଲ୍ ଟାୱାରରୁ ବାରମ୍ବାର ମାପ ହୋଇଥିବା କଟା ଏବଂ ଭୁଲ ଅବସ୍ଥାନ ତଥ୍ୟକୁ ମିଶ୍ରଣ କରି ସଠିକତା ବୃଦ୍ଧି କରିଥାଏ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡ଼େ ଯେ, 41 ଦିନର ମାପ ଡାଟାକୁ ମିଶାଇ ଚିହ୍ନଟ ହୋଇଥିବା ଗତିପଥ ଏବଂ ଭୂମି ସତ୍ୟତା ମଧ୍ୟରେ ହାରାହାରି ତ୍ରୁଟି ଦୂରତା 44 ମିଟରୁ 10.9 ମିଟରକୁ ଉନ୍ନତ କରାଯାଇଛି । |
a85ad1a2ee829c315be6ded0eee8a1dadc21a666 | ସ୍ୱୟଂଚାଳିତ ଏବଂ ସହାୟତା ପ୍ରାପ୍ତ ଡ୍ରାଇଭିଂ ନିଃସନ୍ଦେହରେ କମ୍ପ୍ୟୁଟର ଭିଜନରେ ଏକ ଉଷ୍ମ ବିଷୟ । କିନ୍ତୁ ଡ୍ରାଇଭିଂ କାର୍ଯ୍ୟ ଅତ୍ୟନ୍ତ ଜଟିଳ ଏବଂ ଡ୍ରାଇଭରଙ୍କ ଆଚରଣ ବିଷୟରେ ଗଭୀର ଜ୍ଞାନର ଅଭାବ ରହିଛି । ଅନେକ ଗବେଷକ ବର୍ତ୍ତମାନ ଦୃଶ୍ୟରେ ଥିବା ଆକର୍ଷଣୀୟ ଓ ଆକର୍ଷଣୀୟ ବସ୍ତୁଗୁଡିକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ କମ୍ପ୍ୟୁଟେସନାଲ ମଡେଲଗୁଡିକର ପରିଭାଷା କରିବା ପାଇଁ ଧ୍ୟାନ ମେକାନିଜମକୁ ଅନୁସନ୍ଧାନ କରୁଛନ୍ତି । ତଥାପି, ଅଧିକାଂଶ ମଡେଲ କେବଳ ନିମ୍ନରୁ ଉପର ଦୃଶ୍ୟମାନ ହେଉଥିବା ଦୃଶ୍ୟକୁ ସୂଚାଇଥାଏ ଏବଂ ଏହା ସ୍ଥିର ପ୍ରତିଛବି ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । କିନ୍ତୁ ଡ୍ରାଇଭିଂ ସମୟରେ କାମର ସମୟିକତା ଓ ବିଶେଷତ୍ୱ ଦୃଷ୍ଟି ଆକର୍ଷଣ ଉପରେ ପ୍ରଭାବ ପକାଇଥାଏ । ଏହି ଲେଖାରେ ଆମେ ଏକ ନୂଆ ଓ ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ ତଥ୍ୟାବଳୀ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ ଯାହା ବାସ୍ତବିକ ଡ୍ରାଇଭିଂ ସମୟରେ ହାସଲ କରାଯାଇଥାଏ । ଆମର ଡାଟାସେଟରେ ୫୦୦,୦୦୦ରୁ ଅଧିକ ଫ୍ରେମ ରହିଛି, ଯେଉଁଥିରେ ଡ୍ରାଇଭରଙ୍କ ନଜରର ଫିକ୍ସସନ ଏବଂ ସେମାନଙ୍କର ଟାଇମରାଲ ଇଣ୍ଟିଗ୍ରେସନ ରହିଛି, ଯାହା କାର୍ଯ୍ୟ ନିର୍ଦ୍ଦିଷ୍ଟ ସଲିଏନ୍ସି ମ୍ୟାପ ପ୍ରଦାନ କରିଥାଏ । ଜିଓ ରେଫରେନ୍ସ ସ୍ଥାନ, ଗତି ଏବଂ ପଥ ଜାରି କରାଯାଇଥିବା ତଥ୍ୟକୁ ସମ୍ପୂର୍ଣ୍ଣ କରିଥାଏ । ଆମର ଜ୍ଞାନ ଅନୁସାରେ ଏହା ହେଉଛି ପ୍ରଥମ ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ ଏହି ପ୍ରକାରର ଡାଟାସେଟ ଯାହାକି ଭବିଷ୍ୟତର ପିଢିର ସ୍ୱୟଂଚାଳିତ ଏବଂ ସହାୟତାପ୍ରାପ୍ତ କାରରେ ଚାଳକଙ୍କ ଧ୍ୟାନ ପ୍ରକ୍ରିୟାକୁ ଭଲଭାବେ ବୁଝିବା, ଏହାର ଉପଯୋଗ କରିବା ଏବଂ ପୁନଃ ଉତ୍ପାଦନ କରିବା ଉପରେ ନୂଆ ଆଲୋଚନାକୁ ପ୍ରୋତ୍ସାହିତ କରିପାରିବ । |
a0ff514a8a64ba5a7cd7430ca04245fd037d040c | ଏହି ଦସ୍ତାବିଜ 2012 ଏବଂ 2013ରେ ଆୟୋଜିତ ଆଇସିଆଇଏସ ପୂର୍ବବର୍ତ୍ତୀ କାର୍ଯ୍ୟକ୍ରମର ଶିକ୍ଷାବିତ୍ ଏବଂ ଶିଳ୍ପର ଆଲୋଚନା ଉପରେ ଆଧାରିତ: ଯଥାକ୍ରମେ ବିଆଇ କଂଗ୍ରେସ III ଏବଂ ନିର୍ଣ୍ଣୟ ସହାୟତା ପ୍ରଣାଳୀ (SIGDSS) ଉପରେ ବିଶେଷ ସ୍ୱାର୍ଥ ଗୋଷ୍ଠୀ କର୍ମଶାଳା । ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ଏବଂ ନବସୃଜନ ପାଇଁ ନୂତନ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରିବା ପାଇଁ ବଡ଼ ଡାଟା ର ସମ୍ଭାବନାକୁ ସ୍ୱୀକାର କରି, ଦୁଇଟି କାର୍ଯ୍ୟକ୍ରମରେ ପ୍ୟାନେଲର ସଦସ୍ୟମାନେ ପ୍ରତିଯୋଗୀତା ଲାଭ ପାଇଁ ସଂଗଠନଗୁଡିକ କିପରି ବଡ଼ ତଥ୍ୟ ବ୍ୟବହାର ଏବଂ ପରିଚାଳନା କରିପାରିବେ ସେ ବିଷୟରେ ଆଲୋଚନା କରିଥିଲେ । ଏହାବ୍ୟତୀତ ବିଶେଷଜ୍ଞ ପ୍ୟାନେଲର ସଦସ୍ୟମାନେ ଗବେଷଣାର ଅଭାବକୁ ଚିହ୍ନଟ କରିବାରେ ସାହାଯ୍ୟ କରିଥିଲେ । ଶିକ୍ଷାବିତ୍ ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ନୂତନ ଗବେଷଣା ବୃହତ୍ ତଥ୍ୟ ସଂଗ୍ରହ, ବିଶ୍ଳେଷଣ ଏବଂ ବ୍ୟବହାରରେ କେତେକ ସମସ୍ୟାକୁ ଚିହ୍ନଟ କରୁଥିବାବେଳେ, ଅନେକ ନୂତନ ବିକାଶ ଅଭ୍ୟାସକାରୀ ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ଘଟୁଛି । ଆମେ ଏକାଡେମିକ୍ ଏବଂ ପ୍ରାକ୍ଟିସନର ଅନୁସନ୍ଧାନ ମଧ୍ୟରେ ଥିବା ବ୍ୟବଧାନକୁ ଦୂର କରିବା ପାଇଁ ଏକ ବୃହତ ଡାଟା ଆନାଲିଟିକ୍ସ ଫ୍ରେମୱାର୍କ ଉପସ୍ଥାପନ କରିଛୁ ଯାହା ସଂଗଠନରେ ବୃହତ ଡାଟା ଆନାଲିଟିକ୍ସ ପାଇଁ ଆବଶ୍ୟକ ଉପାଦାନଗୁଡ଼ିକର ଏକ ପ୍ରକ୍ରିୟା ଦୃଶ୍ୟକୁ ଚିତ୍ରଣ କରେ । ଉଭୟ ଏକାଡେମିକ୍ ଏବଂ ପ୍ରାକ୍ଟିକାଲ କ୍ଷେତ୍ରର ପ୍ରାକ୍ଟିସନର ସାକ୍ଷାତକାର ଏବଂ ସାହିତ୍ୟକୁ ବ୍ୟବହାର କରି, ଆମେ ଫ୍ରେମୱାର୍କ ଦ୍ୱାରା ପରିଚାଳିତ ବୃହତ ତଥ୍ୟ ଅନୁସନ୍ଧାନର ବର୍ତ୍ତମାନ ସ୍ଥିତିକୁ ଚିହ୍ନଟ କରିଛୁ ଏବଂ ଭବିଷ୍ୟତ ଅନୁସନ୍ଧାନ ପାଇଁ ସମ୍ଭାବ୍ୟ କ୍ଷେତ୍ରଗୁଡିକର ପ୍ରସ୍ତାବ ଦେଇଛୁ ଯାହାଦ୍ୱାରା ଶିକ୍ଷାଗତ ଅନୁସନ୍ଧାନର ପ୍ରାସଙ୍ଗିକତା ବୃଦ୍ଧି ପାଇବ । |
34d03cfb02806e668f9748ee60ced1b269d1db6c | |
0607acbb450d2afef7f2aa5b53bb05966bd065ed | ଡିପ୍ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଡିଏନଏନ) ଗୁଡ଼ିକ ବଡ଼ ଶବ୍ଦାବଳୀ ନିରନ୍ତର ବକ୍ତବ୍ୟ ଚିହ୍ନଟ (ଏଲଭିସିଏସଆର) କାର୍ଯ୍ୟ ପାଇଁ ଅଦ୍ଭୁତ ସଫଳତା ହାସଲ କରିଛନ୍ତି, କିନ୍ତୁ ଏହି ନେଟୱାର୍କଗୁଡ଼ିକର ପ୍ରଶିକ୍ଷଣ ଧୀର ଅଟେ । ଏହାର ଏକ କାରଣ ହେଉଛି ଡିଏନଏଗୁଡ଼ିକ ବହୁ ସଂଖ୍ୟକ ପ୍ରଶିକ୍ଷଣ ପାରାମିଟର (ଅର୍ଥାତ ୧୦-୫୦ ନିୟୁତ) ସହିତ ପ୍ରଶିକ୍ଷିତ । କାରଣ ଭଲ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିବା ପାଇଁ ନେଟୱର୍କକୁ ବହୁ ସଂଖ୍ୟକ ଆଉଟପୁଟ୍ ଟାର୍ଗେଟ୍ ସହିତ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଇଥାଏ, ଏହି ପାରାମିଟରଗୁଡିକର ଅଧିକାଂଶ ଶେଷ ଓଜନ ସ୍ତରରେ ରହିଥାଏ । ଏହି ଲେଖାରେ ଆମେ ଶେଷ ଓଜନ ସ୍ତରର ଏକ ନିମ୍ନ ମାନର ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେଶନ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ ଏହି ନିମ୍ନ ମାନର କୌଶଳକୁ ଡିଏନଏରେ ଉଭୟ ଶଦ୍ଦ ମଡେଲିଂ ଏବଂ ଭାଷା ମଡେଲିଂ ପାଇଁ ପ୍ରୟୋଗ କରିଥାଉ । ଆମେ ଦେଖାଇଛୁ ଯେ ତିନୋଟି ଭିନ୍ନ LVCSR କାର୍ଯ୍ୟରେ 50 ରୁ 400 ଘଣ୍ଟା ମଧ୍ୟରେ, ଏକ ନିମ୍ନ ରାଙ୍କ୍ ଫ୍ୟାକ୍ଟୋରିଜେଶନ ନେଟୱାର୍କର ପାରାମିଟର ସଂଖ୍ୟାକୁ 30-50% ହ୍ରାସ କରିଥାଏ । ଏହାର ପରିଣାମ ସ୍ୱରୂପ ପ୍ରଶିକ୍ଷଣ ସମୟର ପ୍ରାୟ ସମାନ ପରିମାଣର ହ୍ରାସ ଘଟିଥାଏ, ପୂର୍ଣ୍ଣ ରାଙ୍କ ପ୍ରତିନିଧିତ୍ୱ ତୁଳନାରେ ଚୂଡ଼ାନ୍ତ ସ୍ୱୀକୃତି ସଠିକତାରେ କୌଣସି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କ୍ଷତି ନହୋଇ। |
56c16d9e2a5270ba6b1d83271e2c10916591968d | |
56c2fb2438f32529aec604e6fc3b06a595ddbfcc | ନିକଟରେ, ସମ୍ମୁଖ ଚେହେରା ଚିତ୍ରରୁ ଲିଙ୍ଗ ବର୍ଗୀକରଣ ପାଇଁ ଅନେକ ମେସିନ୍ ଶିକ୍ଷା ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଏଗୁଡ଼ିକର ବିବିଧତା ଦର୍ଶାଏ ଯେ ଏହି ସମସ୍ୟାର କୌଣସି ଏକକ କିମ୍ବା ସାଧାରଣ ସମାଧାନ ନାହିଁ । ବିଭିନ୍ନ ପ୍ରକାର ପଦ୍ଧତି ବ୍ୟତୀତ, ସେସବୁର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ବ୍ୟବହୃତ ହେଉଥିବା ବିଭିନ୍ନ ପ୍ରକାର ମାନଦଣ୍ଡ ମଧ୍ୟ ରହିଛି । ଏହା ଆମକୁ ଆମ କାମ ପାଇଁ ପ୍ରେରଣା ଦେଇଥିଲା: ସ୍ୱୟଂଚାଳିତ ଲିଙ୍ଗ ଚିହ୍ନଟ ପାଇଁ ବ୍ୟବହୃତ ମୁଖ୍ୟ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିଗୁଡ଼ିକୁ ସଠିକ ଭାବେ ବାଛିବା ଏବଂ ତୁଳନା କରିବା । ଆଶା କରାଯାଉଥିବା ପରି, କୌଣସି ସର୍ବୋଚ୍ଚ ବିଜେତା ନାହିଁ । ଶ୍ରେଣୀକରଣର ସଠିକତା ଉପରେ ଆଧାର କରି କେଉଁଟି ଜିତିବ ତାହା ବ୍ୟବହାର କରାଯାଇଥିବା ମାନଦଣ୍ଡର ପ୍ରକାର ଉପରେ ନିର୍ଭର କରେ । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.