_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
d1ee87290fa827f1217b8fa2bccb3485da1a300e | ବ୍ୟାଗିଂ ପ୍ରିଡିକ୍ଟର ହେଉଛି ଏକ ପ୍ରିଡିକ୍ଟରର ଏକାଧିକ ସଂସ୍କରଣ ସୃଷ୍ଟି କରିବା ଏବଂ ଏକ ସମୂହ ପ୍ରିଡିକ୍ଟର ପାଇବା ପାଇଁ ଏହାକୁ ବ୍ୟବହାର କରିବାର ଏକ ପଦ୍ଧତି । ଏକ ସଂଖ୍ୟାତ୍ମକ ଫଳାଫଳର ପୂର୍ବାନୁମାନ କରିବା ସମୟରେ ଏହି ସମଷ୍ଟିଗତ ହାରାହାରିକୁ ଭେରିଏଟ କରିଥାଏ ଏବଂ ଏକ ଶ୍ରେଣୀର ପୂର୍ବାନୁମାନ କରିବା ସମୟରେ ବହୁମତ ଭୋଟ ଦେଇଥାଏ । ଶିକ୍ଷଣ ସେଟର ବୁଟଷ୍ଟ୍ରାପ୍ ପ୍ରତିରୂପ ପ୍ରସ୍ତୁତ କରି ଏବଂ ଏହାକୁ ନୂତନ ଶିକ୍ଷଣ ସେଟ୍ ଭାବରେ ବ୍ୟବହାର କରି ଏକାଧିକ ସଂସ୍କରଣ ସୃଷ୍ଟି କରାଯାଏ । ବର୍ଗୀକରଣ ଏବଂ ରିଗ୍ରେସନ ବୃକ୍ଷ ଏବଂ ରେଖାପଥୀ ରିଗ୍ରେସନରେ ଉପସୂଚୀ ଚୟନ ବ୍ୟବହାର କରି ବାସ୍ତବ ଏବଂ ସିମୁଲେଟେଡ ଡାଟା ସେଟ ଉପରେ ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ବ୍ୟାଗିଂ ସଠିକତାରେ ଯଥେଷ୍ଟ ଲାଭ ଦେଇପାରେ । ଏହାର ମୁଖ୍ୟ କାରଣ ହେଉଛି ପୂର୍ବାନୁମାନ ପଦ୍ଧତିର ଅସ୍ଥିରତା । ଯଦି ଶିକ୍ଷଣ ସେଟକୁ ବାଧିତ କରିବା ଦ୍ବାରା ପୂର୍ବାନୁମାନରେ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ପରିବର୍ତ୍ତନ ଆସିପାରେ, ତେବେ ବ୍ୟାଗିଂ ସଠିକତାକୁ ଉନ୍ନତ କରିପାରେ । |
649197627a94fc003384fb743cfd78cdf12b3306 | |
0b440695c822a8e35184fb2f60dcdaa8a6de84ae | ନିକଟରେ ଉଦୀୟମାନ ଆରଜିବି-ଡି କ୍ୟାମେରାର ସଫଳତା ଯେପରି କି କିନେକ୍ଟ ସେନସର 3-ଡି ଡାଟା ଆଧାରିତ କମ୍ପ୍ୟୁଟର ଆପ୍ଲିକେସନର ବ୍ୟାପକ ସମ୍ଭାବନାକୁ ଦର୍ଶାଉଛି । ତେବେ ମାନକ ପରୀକ୍ଷଣ ଡାଟାବେସ ଅଭାବରୁ ଏହି ଅତ୍ୟାଧୁନିକ ଇମେଜିଂ ସେନସର ଦ୍ୱାରା କିପରି ଚେହେରା ଚିହ୍ନଟ ପ୍ରଯୁକ୍ତିର ଲାଭ ହୋଇପାରିବ ତାହା ଆକଳନ କରିବା କଷ୍ଟକର । କିନେକ୍ଟ ଏବଂ ଚେହେରା ଚିହ୍ନଟ ଗବେଷଣା ମଧ୍ୟରେ ସମ୍ପର୍କ ସ୍ଥାପନ କରିବା ପାଇଁ, ଏହି କାଗଜରେ, ଆମେ କିନେକ୍ଟ ସେନସର ଉପରେ ଆଧାରିତ ପ୍ରଥମ ସର୍ବସାଧାରଣ ଉପଲବ୍ଧ ଚେହେରା ଡାଟାବେସ୍ (ଯଥା, କିନେକ୍ଟ ଫେସ୍ ଡିବି 1) ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ଡାଟାବେସରେ ବିଭିନ୍ନ ପ୍ରକାର ତଥ୍ୟ ରହିଛି (ଉଚିତ୍ ଭାବେ ସଠିକ ଭାବେ ସଂଯୁକ୍ତ ଏବଂ ପ୍ରକ୍ରିୟାକୃତ ୨-ଡି, ୨.୫-ଡି, ୩-ଡି ଏବଂ ଭିଡିଓ ଆଧାରିତ ମୁହଁର ତଥ୍ୟ) ଏବଂ ଅନେକ ଚେହେରା ଭାରିଆଣ୍ଟ ରହିଛି । ଆମେ ପ୍ରସ୍ତାବିତ ଡାଟାବେସରେ ମାନକ ଚେହେରା ଚିହ୍ନଟ ପଦ୍ଧତି ବ୍ୟବହାର କରି ବେଞ୍ଚମାର୍କ ମୂଲ୍ୟାୟନ କରିଥିଲୁ ଏବଂ ସ୍କୋର-ସ୍ତରୀୟ ସମ୍ମିଶ୍ରଣ ମାଧ୍ୟମରେ ଆରଜିବି ଡାଟା ସହିତ ଗଭୀରତା ତଥ୍ୟକୁ ଏକୀକୃତ କରିବା ଦ୍ୱାରା କାର୍ଯ୍ୟଦକ୍ଷତାରେ ଲାଭକୁ ପ୍ରଦର୍ଶନ କରିଥିଲୁ । ଆମେ କିନେକ୍ଟର ୩ଡି ଚିତ୍ର (କିନେକ୍ଟ ଫେସଡିବିରୁ) କୁ ପାରମ୍ପରିକ ଉଚ୍ଚ ଗୁଣବତ୍ତା ୩ଡି ସ୍କାନ (ଏଫଆରଜିସି ଡାଟାବେସରୁ) ସହିତ ତୁଳନା କରିଛୁ ଯାହା ମୁହଁର ବାୟୋମେଟ୍ରିକ ପରିପ୍ରେକ୍ଷୀରେ, ଯାହା ମୁହଁ ଚିହ୍ନଟ ଗବେଷଣା ପାଇଁ ପ୍ରସ୍ତାବିତ ଡାଟାବେସର ଜରୁରୀ ଆବଶ୍ୟକତାକୁ ପ୍ରକାଶ କରେ । |
a85275f12472ecfbf4f4f00a61514b0773923b86 | ବେତାର ପ୍ରଯୁକ୍ତି ଏବଂ ସହାୟକ ଭିତ୍ତିଭୂମିରେ ଅଗ୍ରଗତି ଉପଭୋକ୍ତାଙ୍କ କାର୍ଯ୍ୟକଳାପକୁ ସୀମିତ ନକରି ସର୍ବତ୍ର ଉପଲବ୍ଧ ସ୍ୱାସ୍ଥ୍ୟସେବା ଏବଂ ଫିଟନେସ ମନିଟରିଂ ପାଇଁ ଅଭୂତପୂର୍ବ ସୁଯୋଗ ପ୍ରଦାନ କରିଛି । ଶରୀରରେ, ଶରୀର ଉପରେ ଏବଂ ଶରୀରର ଚାରିପାଖରେ ସ୍ଥାପିତ ହୋଇଥିବା କ୍ଷୁଦ୍ର କ୍ଷୁଦ୍ର ସେନସର ଏବଂ ଆକ୍ଟ୍ୟୁଏଟରଗୁଡ଼ିକ ନିରନ୍ତର, ସ୍ୱୟଂଚାଳିତ ଏବଂ ମନୋରଞ୍ଜନ ପ୍ରୟୋଗକୁ ସମର୍ଥନ କରିବା ପାଇଁ ଶାରୀରିକ ଲକ୍ଷଣଗୁଡ଼ିକର ନିରବଚ୍ଛିନ୍ନ ମନିଟରିଂ ପାଇଁ ଏକ ଶରୀର କ୍ଷେତ୍ର ନେଟୱାର୍କ ଗଠନ କରନ୍ତି । ବାନ ଟେକ୍ନୋଲୋଜି ବିକାଶର ପ୍ରାରମ୍ଭିକ ପର୍ଯ୍ୟାୟରେ ରହିଛି ଏବଂ ଏହାକୁ ବ୍ୟାପକ ଭାବେ ଗ୍ରହଣ କରିବା ପାଇଁ ଅନେକ ଗବେଷଣା ଆହ୍ୱାନର ସମ୍ମୁଖୀନ ହେବାକୁ ପଡିବ । ଏହି ଲେଖାରେ ଆମେ ବ୍ୟାନର ପ୍ରୟୋଗ, କାର୍ଯ୍ୟକାରୀ ଏବଂ ବୈଷୟିକ ଆବଶ୍ୟକତା ବିଷୟରେ ଅଧ୍ୟୟନ କରୁଛୁ । ଆମେ ମଧ୍ୟ ମୌଳିକ ଗବେଷଣା ଆହ୍ୱାନ ଯଥା ମାପଯୋଗ୍ୟତା (ଡାଟା ହାର, ଶକ୍ତି ବ୍ୟବହାର ଏବଂ କାର୍ଯ୍ୟ ଚକ୍ର), ଆଣ୍ଟେନା ଡିଜାଇନ୍, ହସ୍ତକ୍ଷେପ ହ୍ରାସ, ସହ-ଅସ୍ତିତ୍ୱ, କ୍ୟୁଓଏସ୍, ନିର୍ଭରଯୋଗ୍ୟତା, ସୁରକ୍ଷା, ଗୋପନୀୟତା ଏବଂ ଶକ୍ତି ଦକ୍ଷତା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ । ନୂତନ ଭାବେ ବିକଶିତ ହେଉଥିବା ବାନ ବଜାରରେ କାର୍ଯ୍ୟକାରୀ ହେବାକୁ ଥିବା ଅନେକ ପ୍ରଯୁକ୍ତିର ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି ଏବଂ ଏହାର ଲାଭ ଓ କ୍ଷତି ଉପରେ ଆଲୋକପାତ କରାଯାଇଛି । ଏହି ପୁସ୍ତକରେ ବାନର ସମ୍ବନ୍ଧୀୟ ମାନକୀକରଣ କାର୍ଯ୍ୟକଳାପର ସଂକ୍ଷିପ୍ତ ବିବରଣୀ ମଧ୍ୟ ଦିଆଯାଇଛି । |
f4abebef4e39791f358618294cd8d040d7024399 | ଏହି ରିପୋର୍ଟରେ ଫିଟବିଟ ଫ୍ଲେକ୍ସ ଇକୋସିଷ୍ଟମର ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଆମର ଲକ୍ଷ୍ୟ ହେଉଛି (1) Fitbit ଏହାର ବ୍ୟବହାରକାରୀଙ୍କ ଠାରୁ ସଂଗ୍ରହ କରୁଥିବା ତଥ୍ୟ, (2) Fitbit ଏହାର ବ୍ୟବହାରକାରୀଙ୍କୁ ପ୍ରଦାନ କରୁଥିବା ତଥ୍ୟ, ଏବଂ (3) ଉପକରଣ ମାଲିକମାନଙ୍କ ପାଇଁ ଉପଲବ୍ଧ ନଥିବା ତଥ୍ୟ ପୁନରୁଦ୍ଧାର କରିବାର ପଦ୍ଧତିଗୁଡିକ ବର୍ଣ୍ଣନା କରିବା । ଆମର ବିଶ୍ଳେଷଣରେ ୪ଟି ଭିନ୍ନ ଆକ୍ରମଣ ଭେକ୍ଟର ସାମିଲ ଅଛି । ପ୍ରଥମେ, ଆମେ ଫିଟବିଟ୍ ଉପକରଣର ସୁରକ୍ଷା ଏବଂ ଗୋପନୀୟତା ଗୁଣବତ୍ତା ବିଶ୍ଳେଷଣ କରୁ । ତାପରେ, ଆମେ ବ୍ଲୁଟୁଥ୍ ଟ୍ରାଫିକ୍ ଦେଖୁଛୁ ଯାହା ଫିଟବିଟ୍ ଡିଭାଇସ୍ ଏବଂ ସ୍ମାର୍ଟଫୋନ୍ କିମ୍ବା ବ୍ୟକ୍ତିଗତ କମ୍ପ୍ୟୁଟର ମଧ୍ୟରେ ସିଙ୍କ୍ରୋନାଇଜେସନ୍ ସମୟରେ ପଠାଯାଇଥାଏ । ତୃତୀୟତଃ, ଆମେ ଫିଟବିଟ୍ ଆଣ୍ଡ୍ରଏଡ୍ ଆପର ସୁରକ୍ଷା ବିଶ୍ଳେଷଣ କରୁଛୁ । ଶେଷରେ, ଆମେ ଫିଟବିଟ୍ ସ୍ମାର୍ଟଫୋନ୍ କିମ୍ବା କମ୍ପ୍ୟୁଟର ଆପ୍ଲିକେସନ୍ ଏବଂ ଫିଟବିଟ୍ ୱେବ୍ ସେବା ମଧ୍ୟରେ ଥିବା ନେଟୱାର୍କ ଟ୍ରାଫିକର ସୁରକ୍ଷା ଗୁଣ ବିଷୟରେ ଅଧ୍ୟୟନ କରୁ । ଆମେ ପ୍ରମାଣ ପ୍ରଦାନ କରୁଛୁ ଯେ ଫିଟବିଟ ଅନାବଶ୍ୟକ ଭାବେ ନିକଟସ୍ଥ ଫ୍ଲେକ୍ସ ଡିଭାଇସ ବିଷୟରେ ସୂଚନା ହାସଲ କରିଥାଏ । ଆମେ ଆହୁରି ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ ଫିଟବିଟ୍ ଉପକରଣ ମାଲିକଙ୍କୁ ସମସ୍ତ ତଥ୍ୟ ସଂଗ୍ରହ କରିନଥାଏ । ବାସ୍ତବରେ, ଆମେ ପ୍ରତି ମିନିଟ୍ର କାର୍ଯ୍ୟକଳାପ ତଥ୍ୟର ପ୍ରମାଣ ପାଇଲୁ ଯାହାକି ଫିଟବିଟ୍ ୱେବ୍ ସେବାକୁ ପଠାଯାଇଥାଏ କିନ୍ତୁ ମାଲିକଙ୍କୁ ପ୍ରଦାନ କରାଯାଇନଥାଏ । ଆମେ ଏହା ମଧ୍ୟ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ଫିଟବିଟ ଉପକରଣରେ ଥିବା MAC ଠିକଣା କେବେ ବି ପରିବର୍ତ୍ତନ ହୋଇନଥାଏ, ଯାହାଦ୍ୱାରା ୟୁଜର କୋରେଲେସନ ଆକ୍ରମଣ ସମ୍ଭବ ହୋଇଥାଏ । BTLE ପରିଚୟ ପତ୍ର ମଧ୍ୟ TLS ଉପରେ ଉପକରଣ ଯୋଡି ସମୟରେ ନେଟୱର୍କରେ ପ୍ରକାଶିତ ହୋଇଥାଏ, ଯାହା MITM ଆକ୍ରମଣ ଦ୍ୱାରା ଅବରୋଧ କରାଯାଇପାରେ । ଶେଷରେ, ଆମେ ଦର୍ଶାଇଛୁ ଯେ ପ୍ରକୃତ ଉପଭୋକ୍ତା କାର୍ଯ୍ୟକଳାପ ତଥ୍ୟ ପ୍ରମାଣିତ ହୋଇଛି ଏବଂ ଡିଭାଇସରୁ ଫିଟବିଟ୍ ୱେବ୍ ସେବାକୁ ଏକ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଆଧାରରେ ସାଧା ପାଠ୍ୟରେ ପ୍ରଦାନ କରାଯାଇନାହିଁ। |
3007a8f5416404432166ff3f0158356624d282a1 | ଅନେକ ପ୍ରୟୋଗ ପାଇଁ ଗ୍ରାଫ ଅବଷ୍ଟ୍ରାକସନ୍ ଜରୁରୀ ଅଟେ, ଯଥା କମ ପଥ ଖୋଜିବା ଠାରୁ ଆରମ୍ଭ କରି କମ୍ପ୍ଲେକ୍ସ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ (ଏମ୍ଏଲ୍) ଆଲଗୋରିଦମକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପର୍ଯ୍ୟନ୍ତ, ଯେପରିକି ସହଯୋଗୀ ଫିଲ୍ଟରିଂ । ବିଭିନ୍ନ ପ୍ରୟୋଗ ପାଇଁ କଞ୍ଚା ତଥ୍ୟରୁ ଗ୍ରାଫ ନିର୍ମାଣ କରିବା ଏକ ଆହ୍ୱାନ ହୋଇଚାଲିଛି, କାରଣ ତଥ୍ୟର ବୃଦ୍ଧି ସହିତ ବୃହତ ଆକାରର ଗ୍ରାଫ ପ୍ରକ୍ରିୟାକରଣର ଆବଶ୍ୟକତା ରହିଛି । ଯେହେତୁ ଗ୍ରାଫ ନିର୍ମାଣ ଏକ ଡାଟା-ସମାନ୍ତରାଳ ସମସ୍ୟା, MapReduce ଏହି କାର୍ଯ୍ୟ ପାଇଁ ଉପଯୁକ୍ତ ଅଟେ । ଆମେ ଗ୍ରାଫ ନିର୍ମାଣ, ଟାବୁଲେଶନ, ରୂପାନ୍ତରଣ, ବିଭାଜନ, ଆଉଟପୁଟ ଫର୍ମାଟିଂ ଏବଂ ସିରିୟଲାଇଜେସନ ସମେତ ଗ୍ରାଫ ନିର୍ମାଣର ଅନେକ ଜଟିଳତାକୁ ଦୂର କରିବା ପାଇଁ ଗ୍ରାଫ ଏକ୍ସଟ୍ରାକ୍ଟ-ଟ୍ରାନ୍ସଫର୍ମ-ଲୋଡ (ଇଟିଏଲ) ପାଇଁ ଏକ ସ୍କେଲେବଲ ଫ୍ରେମୱାର୍କ ଗ୍ରାଫ ବିଲଡର ବିକଶିତ କରିଛୁ । ଗ୍ରାଫବିଲ୍ଡରଟି ଜାଭାରେ ଲେଖା ହୋଇଛି, ଯାହା ପ୍ରୋଗ୍ରାମିଂକୁ ସହଜ କରିଥାଏ, ଏବଂ ଏହା ମ୍ୟାପ ରେଡ୍ୟୁସ ମଡେଲ ବ୍ୟବହାର କରି ସ୍କେଲ କରିଥାଏ । ଏହି ଲେଖାରେ ଆମେ ଗ୍ରାଫବିଲଡର, ଏହାର ସ୍ଥାପତ୍ୟ, ମ୍ୟାପ ରେଡ୍ୟୁସ ଆଲଗୋରିଦମ, ଏବଂ ଫ୍ରେମୱାର୍କର କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାୟନ ପାଇଁ ପ୍ରେରଣା ବିଷୟରେ ବର୍ଣ୍ଣନା କରୁଛୁ । ଯେହେତୁ ବଡ ଗ୍ରାଫଗୁଡିକୁ ଷ୍ଟୋରେଜ୍ ଏବଂ ପ୍ରୋସେସିଂ ପାଇଁ ଏକ କ୍ଲଷ୍ଟରରେ ବିଭକ୍ତ କରାଯିବା ଉଚିତ ଏବଂ ବିଭାଜନ ପଦ୍ଧତିଗୁଡିକର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଭାବ ଅଛି, ଆମେ ଅନେକ ଗ୍ରାଫ ବିଭାଜନ ପଦ୍ଧତି ବିକାଶ କରିଛୁ ଏବଂ ସେମାନଙ୍କର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିଛୁ । ଆମେ ମଧ୍ୟ ଏହି ଫ୍ରେମୱାର୍କକୁ https://01.org/graphbuilder/ରେ ଖୋଲାଉଛୁ । |
2e526c2fac79c080b818b304485ddf84d09cf08b | ଐତିହାସିକ ତଥ୍ୟରେ ଥିବା ଢାଞ୍ଚାକୁ ଖୋଜିବା ପାଇଁ ଟାଇମରାଲ ଡାଟା ମାଇନିଂର ଲକ୍ଷ୍ୟ ରହିଛି । ଆମର କାର୍ଯ୍ୟ ତଥ୍ୟରୁ କାଳୀନ ଢାଞ୍ଚାକୁ ବାହାର କରିବା ପାଇଁ ଏକ ଉପାୟ ପ୍ରସ୍ତାବିତ କରେ ଯାହା ଦ୍ବାରା ଟାର୍ଗେଟ ଇଭେଣ୍ଟଗୁଡିକର ଘଟଣାର ପୂର୍ବାନୁମାନ କରାଯାଇପାରିବ, ଯେପରିକି ହୋଷ୍ଟ ନେଟୱାର୍କ ଉପରେ କମ୍ପ୍ୟୁଟର ଆକ୍ରମଣ କିମ୍ବା ଆର୍ଥିକ ଅନୁଷ୍ଠାନଗୁଡିକରେ ଠକେଇ କାରବାର । ଆମର ସମସ୍ୟା ଫର୍ମୁଲେସନ ଦୁଇଟି ପ୍ରମୁଖ ଆହ୍ୱାନକୁ ପ୍ରଦର୍ଶିତ କରେ: 1) ଆମେ ଘଟଣାଗୁଡ଼ିକୁ ଶ୍ରେଣୀଗତ ବୈଶିଷ୍ଟ୍ୟ ଦ୍ୱାରା ବର୍ଣ୍ଣନା କରୁଛୁ ଏବଂ ଅସମାନ ଅନ୍ତର-ଆପ୍ତି ସମୟ ପ୍ରଦର୍ଶନ କରୁଛୁ; ଏପରି ଏକ ଅନୁମାନ ଶାସ୍ତ୍ରୀୟ ସମୟ-ଶୃଙ୍ଖଳା ବିଶ୍ଳେଷଣର ପରିସର ବାହାରେ ପଡ଼େ, 2) ଆମେ ଲକ୍ଷ୍ୟ ଘଟଣାଗୁଡ଼ିକୁ ଅତ୍ୟନ୍ତ ବିରଳ ବୋଲି ଗ୍ରହଣ କରୁ; ପୂର୍ବାନୁମାନ କୌଶଳ ଶ୍ରେଣୀ-ଅସନ୍ତୁଳନ ସମସ୍ୟା ସହିତ ମୁକାବିଲା କରିବା ଆବଶ୍ୟକ । ଆମେ ଏକ ଦକ୍ଷ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହା ଉପରୋକ୍ତ ଆହ୍ୱାନର ମୁକାବିଲା କରିଥାଏ । ଶ୍ରେଣୀଗତ ଅସନ୍ତୁଳନ ସମସ୍ୟାକୁ କେବଳ ସଂଖ୍ୟାଲଘୁ ଶ୍ରେଣୀରେ ଥିବା ନମୁନା ଖୋଜିବା ଦ୍ୱାରା ଦୂର କରାଯାଇଥାଏ; ନମୁନାଗୁଡ଼ିକର ଭେଦଭାବ ଶକ୍ତିକୁ ଅନ୍ୟ ଶ୍ରେଣୀଗୁଡ଼ିକ ପ୍ରତି ବୈଧତା ଦିଆଯାଇଥାଏ । ଏହାପରେ ଏହି ପ୍ୟାଟର୍ନକୁ ଏକ ନିୟମ ଆଧାରିତ ମଡେଲରେ ମିଶାଇ ପୂର୍ବାନୁମାନ କରାଯାଏ । ଆମର ପରୀକ୍ଷାମୂଳକ ବିଶ୍ଳେଷଣ ସୂଚାଇଥାଏ ଯେ କେଉଁ ପ୍ରକାରର ଘଟଣାକ୍ରମର ଲକ୍ଷଣକୁ ସଠିକ ଭାବେ ପୂର୍ବାନୁମାନ କରାଯାଇପାରିବ । |
0a54d2f49bda694071bbf43d8e653f5adf85be19 | ଡାଟା ମାଇନିଂ ସିଷ୍ଟମର ଲକ୍ଷ୍ୟ ହେଉଛି ଡାଟାବେସରେ ରେକର୍ଡ ହୋଇଥିବା ତଥ୍ୟରୁ ନମୁନା ଆବିଷ୍କାର କରିବା ଏବଂ ଉପଯୋଗୀ ସୂଚନା ବାହାର କରିବା । ଏହି ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ପାଇଁ ବିଭିନ୍ନ ମେସିନ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମକୁ ବ୍ୟବହାର କରି ଉପଲବ୍ଧ ତଥ୍ୟର ବର୍ଣ୍ଣନାତ୍ମକ ମଡେଲ ପ୍ରସ୍ତୁତ କରିବା ହେଉଛି ଏକ ବ୍ୟାପକ ଭାବେ ଗ୍ରହଣ କରାଯାଇଥିବା ଆଭିମୁଖ୍ୟ । ଏଠାରେ, ଆମେ ଏହି ଗବେଷଣା କ୍ଷେତ୍ରରେ ଥିବା ଏକ ପ୍ରମୁଖ ଆହ୍ୱାନକୁ ଅନୁସନ୍ଧାନ କରୁଛୁ, ଯେଉଁ କୌଶଳଗୁଡିକର ବିକାଶ ଯାହା ବଡ଼ ଏବଂ ସମ୍ଭବତଃ ଭୌତିକ ଭାବରେ ବିତରିତ ଡାଟାବେସ୍ ପର୍ଯ୍ୟନ୍ତ ବୃଦ୍ଧି ପାଏ । ମେଟା-ଲର୍ଣ୍ଣିଂ ହେଉଛି ଏକ କୌଶଳ ଯାହା ଉଚ୍ଚସ୍ତରୀୟ ବର୍ଗୀକରଣକାରୀ (କିମ୍ବା ବର୍ଗୀକରଣ ମଡେଲ) କୁ ଗଣନା କରିବାକୁ ଚେଷ୍ଟା କରେ, ଯାହାକୁ ମେଟା-ବର୍ଗୀକରଣକାରୀ କୁହାଯାଏ, ଯାହା ବିଭିନ୍ନ ଡାଟାବେସରେ ପୃଥକ ଭାବରେ ଗଣିତ ହୋଇଥିବା ଏକାଧିକ ବର୍ଗୀକରଣକାରୀଙ୍କୁ କିଛି ପ୍ରିନ୍ସିପଲ୍ ଫର୍ମରେ ଏକୀକୃତ କରେ । ଏହି ଅଧ୍ୟୟନରେ ମେଟା-ଲର୍ଣ୍ଣିଂର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ଜେଏଏମ (ଜାଭା ଏଜେଣ୍ଟସ୍ ଫର ମେଟା-ଲର୍ଣ୍ଣିଂ) ସିଷ୍ଟମକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି । ବିଶେଷକରି, ଏହା କେନ୍ଦ୍ରୀଭୂତ କିମ୍ବା ହୋଷ୍ଟ ଆଧାରିତ ସିଷ୍ଟମ ତୁଳନାରେ ଅତିରିକ୍ତ ଜଟିଳତା କାରଣରୁ ବଣ୍ଟିତ ଡାଟା ମାଇନିଂ ସିଷ୍ଟମ ପାଇଁ ଅନେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଆବଶ୍ୟକତାକୁ ଚିହ୍ନଟ ଏବଂ ସମାଧାନ କରିଥାଏ । ବିଭାଜିତ ପ୍ରଣାଳୀରେ ବିଭିନ୍ନ ପ୍ରକାରର ପ୍ଲାଟଫର୍ମ, ଏକାଧିକ ଡାଟାବେସ ଏବଂ (ସମ୍ଭବତଃ) ବିଭିନ୍ନ ଯୋଜନା, ଡାଟା ସାଇଟ ମଧ୍ୟରେ ଯୋଗାଯୋଗ ପାଇଁ ମାପଯୋଗ୍ୟ ଏବଂ ପ୍ରଭାବୀ ପ୍ରୋଟୋକଲର ଡିଜାଇନ ଏବଂ କାର୍ଯ୍ୟକାରିତା ଏବଂ ଅନ୍ୟ ପିୟର ଡାଟା ସାଇଟରୁ ସଂଗୃହୀତ ସୂଚନାକୁ ଚୟନମୂଳକ ଏବଂ ଦକ୍ଷତାର ସହିତ ବ୍ୟବହାର କରିବାର ଆବଶ୍ୟକତା ହୋଇପାରେ । ଅନ୍ୟାନ୍ୟ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସମସ୍ୟା, ଅନ୍ତର୍ନିହିତ ଡାଟା ମାଇନିଂ ସିଷ୍ଟମକୁ ଅଣଦେଖା କରାଯିବା ଉଚିତ ନୁହେଁ, ଯେଉଁଥିରେ ପ୍ରଥମତଃ, ନୂତନ ଭାବେ ହାସଲ କରାଯାଇଥିବା ସୂଚନାକୁ ବ୍ୟବହାର କରିବାର କ୍ଷମତା ରହିଛି, ଯାହା ପୂର୍ବରୁ ମଡେଲଗୁଡ଼ିକର ଗଣନା ସମୟରେ ଉପଲବ୍ଧ ନଥିଲା ଏବଂ ଏହାକୁ ବର୍ତ୍ତମାନର ମଡେଲଗୁଡ଼ିକ ସହିତ ମିଶ୍ରଣ କରିବା, ଏବଂ ଦ୍ୱିତୀୟତଃ, ନୂତନ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତି ଏବଂ ଡାଟା ମାଇନିଂ ଟେକ୍ନୋଲୋଜିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବାର ନମନୀୟତା ରହିଛି । ଆମେ ଏହିସବୁ ପ୍ରସଙ୍ଗକୁ ଜାମ ପରିପ୍ରେକ୍ଷୀରେ ଅନୁସନ୍ଧାନ କରୁଛୁ ଏବଂ ବ୍ୟାପକ ଅନୁଭବୀ ଅଧ୍ୟୟନ ମାଧ୍ୟମରେ ବିଭିନ୍ନ ପ୍ରସ୍ତାବିତ ସମାଧାନର ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ । |
b00672fc5ff99434bf5347418a2d2762a3bb2639 | ଇମ୍ବେଡେଟ ଡିଭାଇସଗୁଡ଼ିକ ଏବେ ସବୁଆଡେ ଉପଲବ୍ଧ ହୋଇସାରିଛି ଏବଂ ସେଗୁଡ଼ିକର ବ୍ୟବହାର ଗୋପନୀୟତା ଏବଂ ସୁରକ୍ଷା ଦୃଷ୍ଟିରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଆପ୍ଲିକେସନର ଏକ ବ୍ୟାପକ ପରିସର ମଧ୍ୟରେ କରାଯାଉଛି । ଅଧିକାଂଶ ଉପକରଣରେ ପ୍ରାଇଭେଟ ସଫ୍ଟୱେର ରହିଛି ଏବଂ ସଫ୍ଟୱେର ଭିତରର କାର୍ଯ୍ୟକଳାପ ବିଷୟରେ ଅଳ୍ପ କିଛି ତଥ୍ୟ ଉପଲବ୍ଧ ରହିଛି । କେତେକ କ୍ଷେତ୍ରରେ, ହାର୍ଡୱେର ଏବଂ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥାଗୁଡ଼ିକର ମୂଲ୍ୟ ଉପକରଣଗୁଡ଼ିକରେ ପ୍ରବେଶକୁ ଅସମ୍ଭବ କରିପାରେ । ଏହିପରି ପରିବେଶରେ ଉପସ୍ଥିତ ସଫ୍ଟୱେୟାରର ବିଶ୍ଳେଷଣ କରିବା ଏକ ଆହ୍ୱାନ, କିନ୍ତୁ ଆବଶ୍ୟକ, ଯଦି ସଫ୍ଟୱେୟାର ବଗ୍ ଏବଂ ଦୁର୍ବଳତା ସହିତ ଜଡିତ ବିପଦକୁ ଏଡ଼ାଇବାକୁ ପଡିବ । ବାସ୍ତବରେ, ନିକଟରେ କରାଯାଇଥିବା ଅଧ୍ୟୟନରୁ ବଜାରରେ ଉପଲବ୍ଧ ଅନେକ ଇମ୍ବେଡଡ୍ ଡିଭାଇସରେ ବ୍ୟାକଡୋର୍ ଥିବା ଜଣାପଡିଛି । ଏହି କାଗଜରେ, ଆମେ Firmalice, ଏକ ବାଇନାରୀ ବିଶ୍ଳେଷଣ ଫ୍ରେମୱାର୍କ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏମ୍ବେଡେଟ ଉପକରଣରେ ଚାଲୁଥିବା ଫର୍ମୱେର ବିଶ୍ଳେଷଣକୁ ସମର୍ଥନ କରେ । ଫାର୍ମାଲାଇସ୍ ଏକ ସାଙ୍କେତିକ କାର୍ଯ୍ୟକାରିତା ଇଞ୍ଜିନ ଉପରେ ନିର୍ମିତ, ଏବଂ ପ୍ରୋଗ୍ରାମ ସ୍ଲାଇସିଂ ଭଳି କୌଶଳ, ଏହାର ମାପକତା ବୃଦ୍ଧି କରିବାକୁ । ଏହାବ୍ୟତୀତ ଫାର୍ମାଲାଇସ୍ ଏକ ନୂଆ ମଡେଲର ଅଥେଣ୍ଟିକେସନ୍ ବାଇପାସ ତ୍ରୁଟି ବ୍ୟବହାର କରିଥାଏ, ଯାହା ଆକ୍ରମଣକାରୀଙ୍କର କ୍ଷମତା ଉପରେ ଆଧାରିତ ହୋଇଥାଏ, ଯାହା ଦ୍ୱାରା ସେମାନେ ପ୍ରାଧିକୃତ କାର୍ଯ୍ୟ ସମ୍ପାଦନ କରିବା ପାଇଁ ଆବଶ୍ୟକ ଇନପୁଟକୁ ନିର୍ଦ୍ଧାରଣ କରିପାରିବେ । ଆମେ ତିନିଟି ବ୍ୟବସାୟିକ ଉପକରଣର ଫର୍ମୱେୟାରରେ ଫର୍ମଲାଇସ୍କୁ ମୂଲ୍ୟାଙ୍କନ କରିଥିଲୁ ଏବଂ ସେଥିମଧ୍ୟରୁ ଦୁଇଟିରେ ପ୍ରମାଣୀକରଣ ବାଇପାସ ବ୍ୟାକଡୋର ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ ହୋଇଥିଲୁ । ଏହା ସହିତ, ଫର୍ମୱେୟାରର ତୃତୀୟ ନମୁନାରେ ବ୍ୟାକଡୋରକୁ ବିନା କୌଣସି ଅଧିକାର ଥିବା ପରିଚୟ ପତ୍ରର ଜ୍ଞାନ ବିନା କୌଣସି ଆକ୍ରମଣକାରୀ ବ୍ୟବହାର କରିପାରିବ ନାହିଁ ବୋଲି ଫର୍ମୱେୟାର ନିର୍ଣ୍ଣୟ କରିପାରିଥିଲା । |
6949a33423051ce6fa5b08fb7d5f06ac9dcc721b | କ୍ରୟ ପ୍ରକ୍ରିୟାରେ ଠକେଇର ଆବିଷ୍କାର ପାଇଁ ପ୍ରକ୍ରିୟାକରଣ ଖନନ ବ୍ୟବହାରର ଥିଓରୀ ଏବଂ ବ୍ୟବହାରିକ ମୂଲ୍ୟ ଉପରେ ଏକ କେସ ଷ୍ଟଡି ସାରାଂଶ ଏହି ଥିସିସ୍ ପ୍ରକ୍ରିୟାକରଣ ଖନନ ଏବଂ ଠକେଇ ଆବିଷ୍କାର ଉପରେ ଛଅ ମାସର ଗବେଷଣା ଅବଧିର ଫଳାଫଳ ଉପସ୍ଥାପନ କରେ । ଏହି ଥିସସ୍ର ଉଦ୍ଦେଶ୍ୟ ଥିଲା ଯେ, ଠକେଇର ଚିହ୍ନଟ ପାଇଁ ପ୍ରୋସେସ୍ ମାଇନିଂର ଉପଯୋଗ କିପରି କରାଯାଇପାରିବ ଏବଂ ଠକେଇର ଚିହ୍ନଟ ପାଇଁ ପ୍ରୋସେସ୍ ମାଇନିଂର ଉପକାରିତା କ ଣ, ଏହି ଗବେଷଣା ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବା । ସାହିତ୍ୟ ଅଧ୍ୟୟନ ଆଧାରରେ ଏହା ପ୍ରକ୍ରିୟାକରଣ ଖଣି ଏବଂ ଏହାର ବିଭିନ୍ନ ଦିଗ ଏବଂ କୌଶଳ ଉପରେ ତତ୍ତ୍ୱଜ୍ଞାନ ଏବଂ ପ୍ରୟୋଗ ଉପରେ ଆଲୋଚନା କରିଥାଏ । ସାହିତ୍ୟ ଅଧ୍ୟୟନ ଏବଂ ଜଣେ ବିଶେଷଜ୍ଞଙ୍କ ସହ ସାକ୍ଷାତକାର ମାଧ୍ୟମରେ ଠକେଇ ଏବଂ ଠକେଇର ଚିହ୍ନଟ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହି ଫଳାଫଳକୁ ପ୍ରକ୍ରିୟାକରଣ ଖନନ ଏବଂ ଠକେଇ ଚିହ୍ନଟ ଉପରେ ବର୍ତ୍ତମାନର କେସ ଷ୍ଟଡିର ବିଶ୍ଳେଷଣ ସହିତ ମିଶାଇ ଦୁଇଟି କେସ ଷ୍ଟଡିର ପ୍ରାରମ୍ଭିକ ସେଟଅପ୍ ନିର୍ମାଣ କରାଯାଇଛି, ଯେଉଁଥିରେ କ୍ରୟ ପ୍ରକ୍ରିୟାରେ ସମ୍ଭାବ୍ୟ ଠକେଇ ଆଚରଣ ଚିହ୍ନଟ କରିବା ପାଇଁ ପ୍ରକ୍ରିୟାକରଣ ଖନନ ପ୍ରୟୋଗ କରାଯାଏ । ଏହି କେସ ଷ୍ଟଡିର ଅନୁଭୂତି ଓ ଫଳାଫଳ ଆଧାରରେ, 1+5+1 ପଦ୍ଧତିକୁ ପ୍ରଥମ ପଦକ୍ଷେପ ଭାବେ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ଥିସସ ତିନୋଟି ସିଦ୍ଧାନ୍ତ ଉପସ୍ଥାପନ କରେ: (1) ପ୍ରକ୍ରିଯା ଖନନ ଠକେଇ ଚିହ୍ନଟ ପାଇଁ ଏକ ମୂଲ୍ୟବାନ ଯୋଗ ଅଟେ, (2) 1+5+1 ଧାରଣା ବ୍ୟବହାର କରି ସମ୍ଭବତଃ ଠକେଇର ସୂଚକ ଚିହ୍ନଟ କରିବା ସମ୍ଭବ ଅଟେ (3) ଠକେଇ ଚିହ୍ନଟ ପାଇଁ ପ୍ରକ୍ରିଯା ଖନନର ବ୍ୟବହାରିକ ବ୍ୟବହାର ବର୍ତ୍ତମାନ ଉପକରଣର ଖରାପ କାର୍ଯ୍ୟଦକ୍ଷତା ଦ୍ବାରା ହ୍ରାସ ପାଇଛି । ଯେଉଁ କୌଶଳ ଓ ଉପକରଣଗୁଡ଼ିକ କାର୍ଯ୍ୟଦକ୍ଷତା ସମସ୍ୟାର ସମ୍ମୁଖୀନ ହୋଇନଥାନ୍ତି, ସେଗୁଡ଼ିକ ନିୟମିତ ଡାଟା ବିଶ୍ଳେଷଣ କୌଶଳଗୁଡ଼ିକର ପରିବର୍ତ୍ତେ ଏକ ଅତିରିକ୍ତତା ହୋଇଥାଏ, କାରଣ ସେମାନେ ପ୍ରକ୍ରିୟାକୁ ନେଇ ନୂଆ, ଦ୍ରୁତ କିମ୍ବା ସହଜରେ ଉପଲବ୍ଧ ଅନ୍ତର୍ଦୃଷ୍ଟି ଏବଂ ସମ୍ଭାବ୍ୟ ଠକେଇ ଆଚରଣ ପ୍ରଦାନ କରିଥାନ୍ତି । iii ଓକାମଙ୍କ ରେଜର: "କୌଣସି ବିଷୟକୁ ବୁଝାଇବା ପାଇଁ ଆବଶ୍ୟକ ହେଉଥିବା ସଂଖ୍ୟାର ଆବଶ୍ୟକତା ଠାରୁ ଅଧିକ ବୃଦ୍ଧି କରିବା ଉଚିତ ନୁହେଁ" iv ବିଷୟବସ୍ତୁ |
8aef832372c6e3e83f10532f94f18bd26324d4fd | ବର୍ତ୍ତମାନର ଜ୍ଞାନ ଆଧାରିତ ପ୍ରଶ୍ନ ଉତ୍ତର ବ୍ୟବସ୍ଥାଗୁଡ଼ିକ ସାଧାରଣତଃ ଛୋଟ ଛୋଟ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟ ଉପରେ ନିର୍ଭରଶୀଳ । ଯଦିଓ ସମ୍ପର୍କ ଉତ୍ତୋଳନ ଭଳି ନିବିଡ଼ ପଦ୍ଧତିଗୁଡ଼ିକ ତଥ୍ୟର ଅଭାବକୁ ପ୍ରତିରୋଧ କରିପାରେ, ସେଗୁଡିକ ଅର୍ଥପୂର୍ଣ୍ଣ ବିଶ୍ଳେଷଣ ଭଳି ଗଭୀର ଅର୍ଥ ପ୍ରତିନିଧିତ୍ୱ ପଦ୍ଧତି ଅପେକ୍ଷା କମ୍ ଅଭିବ୍ୟକ୍ତାତ୍ମକ, ଯାହାଦ୍ୱାରା ଏକାଧିକ ପ୍ରତିବନ୍ଧକକୁ ନେଇ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବାରେ ବିଫଳ ହୁଏ । ଏଠାରେ ଆମେ ଉଇକିପିଡ଼ିଆରୁ ଅତିରିକ୍ତ ପ୍ରମାଣ ସହିତ ସମ୍ପର୍କ ଉତ୍ତୋଳନ ପଦ୍ଧତିକୁ ସଶକ୍ତ କରି ଏହି ସମସ୍ୟାକୁ ହ୍ରାସ କରୁଛୁ । ଆମେ ପ୍ରଥମେ ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଆଧାରିତ ସମ୍ପର୍କ ଏକ୍ସଟ୍ରାକ୍ଟର ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଫ୍ରିବେସରୁ ପ୍ରାର୍ଥୀ ଉତ୍ତରଗୁଡ଼ିକୁ ପୁନରୁଦ୍ଧାର କରିବ, ଏବଂ ତାପରେ ଉଇକିପିଡ଼ିଆ ଉପରେ ଏହି ଉତ୍ତରଗୁଡ଼ିକୁ ବୈଧ କରିବା ପାଇଁ ଅନୁମାନ କରିବୁ । ୱେବକ୍ୱେଷ୍ଟ ପ୍ରଶ୍ନ ଉତ୍ତର ତଥ୍ୟ ଉପରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ପଦ୍ଧତି ୫୩.୩%ର F1 ହାସଲ କରିଛି, ଯାହାକି ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତି ତୁଳନାରେ ଯଥେଷ୍ଟ ଉନ୍ନତି । |
16edc3faf625fd437aaca1527e8821d979354fba | କଲ୍ୟାଣ ଏକ ଜଟିଳ ଗଠନ ଯାହା ସର୍ବୋତ୍ତମ ଅନୁଭୂତି ଏବଂ କାର୍ଯ୍ୟକାରିତା ସମ୍ବନ୍ଧରେ । କଲ୍ୟାଣ ଉପରେ ବର୍ତ୍ତମାନର ଗବେଷଣା ଦୁଇଟି ସାଧାରଣ ଦୃଷ୍ଟିକୋଣରୁ ପ୍ରାପ୍ତ ହୋଇଛି: ହେଡୋନିକ୍ ଆଭିମୁଖ୍ୟ, ଯାହା ସୁଖ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ ଏବଂ ସୁଖ ପ୍ରାପ୍ତି ଏବଂ ଯନ୍ତ୍ରଣା ଏଡ଼ାଇବା ପରିପ୍ରେକ୍ଷୀରେ କଲ୍ୟାଣକୁ ବ୍ୟାଖ୍ୟା କରେ; ଏବଂ ଇଉଡାଇମୋନିକ୍ ଆଭିମୁଖ୍ୟ, ଯାହା ଅର୍ଥ ଏବଂ ଆତ୍ମ-ପ୍ରକଳ୍ପନା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ ଏବଂ ଜଣେ ବ୍ୟକ୍ତିର ସମ୍ପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟକାରିତା ପରିପ୍ରେକ୍ଷୀରେ କଲ୍ୟାଣକୁ ବ୍ୟାଖ୍ୟା କରେ । ଏହି ଦୁଇଟି ଦୃଷ୍ଟିକୋଣରୁ ଭିନ୍ନ ଭିନ୍ନ ଗବେଷଣା ଫୋକସ୍ ଏବଂ କେତେକ କ୍ଷେତ୍ରରେ ଭିନ୍ନ ଏବଂ ଅନ୍ୟ କ୍ଷେତ୍ରରେ ପରସ୍ପରର ପରିପୂରକ ଜ୍ଞାନର ଏକ ଶରୀର ସୃଷ୍ଟି ହୋଇଛି । ବହୁସ୍ତରୀୟ ମଡେଲିଂ ଏବଂ ନିର୍ମାଣ ତୁଳନା ସମ୍ବନ୍ଧୀୟ ନୂତନ ପଦ୍ଧତିଗତ ବିକାଶ ମଧ୍ୟ ଗବେଷକମାନଙ୍କୁ ଏହି କ୍ଷେତ୍ର ପାଇଁ ନୂତନ ପ୍ରଶ୍ନ ପ୍ରସ୍ତୁତ କରିବାକୁ ଅନୁମତି ଦେଉଛି । ଏହି ସମୀକ୍ଷାରେ ଉଭୟ ଦୃଷ୍ଟିକୋଣରୁ କଲ୍ୟାଣର ପ୍ରକୃତି, ଏହାର ପୂର୍ବାନୁମାନ ଏବଂ ସମୟ ଏବଂ ସଂସ୍କୃତି ଉପରେ ଏହାର ସ୍ଥିରତା ଉପରେ ଗବେଷଣାକୁ ବିଚାର କରାଯାଇଛି । |
ac8c2e1fa35e797824958ced835257cd49e1be9c | ଏହି ପତ୍ରରେ ସୂଚନା ପ୍ରଯୁକ୍ତି ଏବଂ ସଂଗଠନଗତ ଶିକ୍ଷଣ ଉପରେ ଉଦୀୟମାନ ଗବେଷଣା ସାହିତ୍ୟର ସମୀକ୍ଷା ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି । ଅର୍ଥ ଏବଂ ମାପ ବିଷୟରେ ଆଲୋଚନା କରିବା ପରେ, ଆମେ ଦୁଇଟି ମୁଖ୍ୟ ଅନୁସନ୍ଧାନର ଧାରାକୁ ଚିହ୍ନଟ କରି ମୂଲ୍ୟାଙ୍କନ କରିଛୁ: ସଂଗଠନଗୁଡ଼ିକରେ ସୂଚନା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା କାର୍ଯ୍ୟକାରୀ କରିବା ଏବଂ ବ୍ୟବହାର କରିବା ପ୍ରକ୍ରିୟାରେ ସଂଗଠନଗତ ଶିକ୍ଷଣ ଧାରଣାକୁ ପ୍ରୟୋଗ କରୁଥିବା ଅଧ୍ୟୟନ; ଏବଂ ସଂଗଠନଗତ ଶିକ୍ଷଣକୁ ସମର୍ଥନ କରିବା ପାଇଁ ସୂଚନା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ପ୍ରୟୋଗର ଡିଜାଇନ୍ ସହିତ ଜଡିତ ଅଧ୍ୟୟନ _ ପୂର୍ବ ଗବେଷଣାରୁ ଆମେ ଏହି ସିଦ୍ଧାନ୍ତରେ ଉପନୀତ ହୋଇଛୁ ଯେ ପ୍ରୟୋଗର ସଫଳତା ପାଇଁ ଅଭିଜ୍ଞତା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କିନ୍ତୁ ଅନିଶ୍ଚିତ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ; ଶିକ୍ଷଣ ଉଭୟ ଔପଚାରିକ ତାଲିମ ଏବଂ ବ୍ୟବହାରିକ ଅଂଶଗ୍ରହଣ ମାଧ୍ୟମରେ ହାସଲ କରାଯାଇଥାଏ; ଅନ୍ୟ ସଂଗଠନରୁ ଶିକ୍ଷା ଲାଭ କରି ସଂଗଠନିକ ଜ୍ଞାନର ପ୍ରତିବନ୍ଧକକୁ ଦୂର କରାଯାଇପାରିବ; ଏବଂ ନୂତନ ପ୍ରଯୁକ୍ତିକୁ ଶିକ୍ଷା ଲାଭ କରିବା ଏକ ଗତିଶୀଳ ପ୍ରକ୍ରିୟା ଯାହା ସୁଯୋଗର ଅପେକ୍ଷାକୃତ ସଂକୀର୍ଣ୍ଣ ୱିଣ୍ଡୋ ଦ୍ୱାରା ପରିଚିତ । ଏହି ଧାରାରୁ ଆମେ ଏହି ସିଦ୍ଧାନ୍ତରେ ଉପନୀତ ହୋଇଛୁ ଯେ ସଂଗଠନିକ ସ୍ମୃତି ସୂଚନା ପ୍ରଣାଳୀ ପାଇଁ ଧାରଣାଗତ ଡିଜାଇନ୍ ହେଉଛି କୃତିର ବିକାଶରେ ଏକ ମୂଲ୍ୟବାନ ଅବଦାନ; ଯୋଗାଯୋଗ ଏବଂ ବକ୍ତବ୍ୟକୁ ସମର୍ଥନ କରୁଥିବା ପ୍ରଣାଳୀ ମାଧ୍ୟମରେ ଶିକ୍ଷା ବୃଦ୍ଧି କରାଯାଇଥାଏ; ଏବଂ ସୂଚନା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଉଭୟ ସଂଗଠନିକ ଶିକ୍ଷାକୁ ସକ୍ଷମ ଏବଂ ଅକ୍ଷମ କରିବାର କ୍ଷମତା ରଖିଥାଏ । ବର୍ତ୍ତମାନ ଏହି ଦୁଇଟି ଧାରା ପରସ୍ପରଠାରୁ ସ୍ୱାଧୀନ ଭାବେ ପ୍ରବାହିତ ହେଉଛି, ସେମାନଙ୍କର ଘନିଷ୍ଠ ଧାରଣା ଏବଂ ବ୍ୟବହାରିକ ସମ୍ପର୍କ ସତ୍ତ୍ୱେ । ଆମେ ପରାମର୍ଶ ଦେଉଛୁ ଯେ ସୂଚନା ପ୍ରଯୁକ୍ତି ଏବଂ ସଂଗଠନଗତ ଶିକ୍ଷଣ ଉପରେ ଭବିଷ୍ୟତ ଗବେଷଣା ଅଧିକ ସମନ୍ୱିତ ଢଙ୍ଗରେ ଆଗକୁ ବଢ଼ୁ, ସଂଗଠନଗତ ଶିକ୍ଷଣର ସ୍ଥିତ ପ୍ରକୃତିକୁ ସ୍ୱୀକାର କରୁ, ବିଭାଜିତ ସଂଗଠନଗତ ସ୍ମୃତି ଉପରେ ଧ୍ୟାନ ଦେଇ, ପ୍ରୟୋଗରେ କାରୁକାର୍ଯ୍ୟର ପ୍ରଭାବକୁ ପ୍ରଦର୍ଶନ କରୁ, ଏବଂ ସମ୍ବନ୍ଧୀୟ କ୍ଷେତ୍ରରେ ପ୍ରାସଙ୍ଗିକ ଗବେଷଣା ଫଳାଫଳ ଖୋଜୁ । |
654d129eafc136bf5fccbc54e6c8078e87989ea8 | ଏହି କାର୍ଯ୍ୟରେ ଏକ ମଲ୍ଟିମୋଡ୍ ବିମ୍ ଫର୍ମିଂ ୭୭ ଗିଗାହର୍ଜ ଫ୍ରିକ୍ୱେନ୍ସି-ମୋଡ୍ୟୁଲେଟେଡ୍ କଣ୍ଟିନ୍ୟୁଆଲ୍ ୱେଭ୍ ରାଡାର ସିଷ୍ଟମ୍ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଚାରିଟି ଟ୍ରାନ୍ସସିଭର ଚିପ୍ ସହିତ ସମନ୍ୱିତ ଇନ୍-ଫେଜ୍/କ୍ୱାଡ୍ରେଟର୍ ମୋଡ୍ୟୁଲେଟରକୁ ଟ୍ରାନ୍ସମିଟ୍ ପଥରେ ଏକକାଳୀନ ସ୍ୱଳ୍ପ-ଗତିର ଫ୍ରିକ୍ୱେନ୍ସି-ଡିଭିଜନ ମଲ୍ଟିପଲ୍-ଆକ୍ସେସ୍ (ଏଫଡିଏମ୍ଏ) ମଲ୍ଟିପଲ୍-ଇନପୁଟ୍-ମଲ୍ଟିପଲ୍-ଆଉଟପୁଟ୍ (ଏମ୍ଆଇଏମ୍ଓ) ଏବଂ ଏକ ଦୀର୍ଘ-ଗତିର ଟ୍ରାନ୍ସମିଟ୍ ଫେଜ୍ଡ-ଆରେ (ପିଏ) ରାଡାର ସିଷ୍ଟମକୁ ଏକକାଳୀନ ସାକାର କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଏହା ଏଫଡିଏମଏ ମିମୋ ରାଡାରର ଉଚ୍ଚ କୋଣୀୟ ବିଭେଦ ଏବଂ ପିଏ ଟ୍ରାନ୍ସମିଟର ଆଣ୍ଟିନା ର ଉଚ୍ଚ ଲାଭ ଏବଂ ନିୟନ୍ତ୍ରିତ ବିମ୍ କୁ ମିଶ୍ରଣ କରେ । ଏହି କଳ୍ପନାକୁ ଚାରିଟି ଆଣ୍ଟିନା ସହିତ ଏକ ରେଖୀ ଆଣ୍ଟିନା ଆରେ ଏବଂ ଗ୍ରହଣ ପଥରେ ଡିଜିଟାଲ୍ ବିମ୍ ଫର୍ମିଂର ପଦ୍ଧତି ପାଇଁ ବ୍ୟବହାର କରିବାର ସମ୍ଭାବ୍ୟ ଲାଭକୁ ଦର୍ଶାଇବା ପାଇଁ ଅନେକ ମାପ କରାଯାଇଥିଲା । |
60611349d1b6d64488a5a88a9193e62d9db27b71 | ଏହି ରିପୋର୍ଟରେ ବର୍ତ୍ତମାନର ଥକ୍କା ଚିହ୍ନଟ ଓ ପୂର୍ବାନୁମାନ ପ୍ରଯୁକ୍ତିର ସମୀକ୍ଷା କରାଯାଇଛି । ବିଭିନ୍ନ ପ୍ରଯୁକ୍ତି ସମ୍ବନ୍ଧୀୟ ତଥ୍ୟ ବିଶ୍ୱବ୍ୟାପୀ ବିଭିନ୍ନ ଉତ୍ସରୁ ସଂଗ୍ରହ କରାଯାଇଥିଲା । ଏହି ରିପୋର୍ଟର ପ୍ରଥମ ଭାଗରେ ପ୍ରଯୁକ୍ତିର ଗବେଷଣା ଓ ବିକାଶର ବର୍ତ୍ତମାନ ସ୍ଥିତିର ସାରାଂଶ ଦିଆ ଯାଇଛି ଏବଂ ସମ୍ବେଦନଶୀଳତା, ନିର୍ଭରଯୋଗ୍ୟତା, ବୈଧତା ଓ ଗ୍ରହଣୀୟତା ଭଳି ପ୍ରମୁଖ ପ୍ରସଙ୍ଗରେ ପ୍ରଯୁକ୍ତିର ସ୍ଥିତିର ସାରାଂଶ ଦିଆ ଯାଇଛି । ଦ୍ୱିତୀୟ ଭାଗରେ ପରିବହନ କ୍ଷେତ୍ରରେ ପ୍ରଯୁକ୍ତିର ଭୂମିକାକୁ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି ଏବଂ ଅନ୍ୟାନ୍ୟ ପ୍ରବର୍ତ୍ତନ ଏବଂ ନିୟାମକ ଢାଞ୍ଚା, ବିଶେଷ କରି ଅଷ୍ଟ୍ରେଲିଆ ଏବଂ ନ୍ୟୁଜିଲ୍ୟାଣ୍ଡରେ ପ୍ରଯୁକ୍ତିର ସ୍ଥାନ ଉପରେ ମନ୍ତବ୍ୟ ଦିଆଯାଇଛି । ରିପୋର୍ଟର ଲେଖକମାନେ ଏହି ସିଦ୍ଧାନ୍ତରେ ଉପନୀତ ହୋଇଛନ୍ତି ଯେ, ହାର୍ଡୱେର ପ୍ରଯୁକ୍ତିକୁ କେବେହେଲେ କମ୍ପାନୀର ଥକାପଣ ପରିଚାଳନା ପ୍ରଣାଳୀ ଭାବେ ବ୍ୟବହାର କରାଯିବା ଉଚିତ ନୁହେଁ । ହାର୍ଡୱେର ପ୍ରଯୁକ୍ତିର କେବଳ ଏକ ଶେଷ ସୁରକ୍ଷା ଉପକରଣ ହେବାର କ୍ଷମତା ରହିଛି । ତଥାପି, ବାସ୍ତବ ସମୟ ବିପଦ ଆକଳନ ପାଇଁ କମ୍ପାନୀର ଥକାପଣ ପରିଚାଳନା ବ୍ୟବସ୍ଥାରେ ହାର୍ଡୱେର ପ୍ରଯୁକ୍ତିର ଉତ୍ପାଦନ ଉପଯୋଗୀ ଭାବେ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇପାରିବ । ତେବେ ହାର୍ଡୱେର ଟେକ୍ନୋଲୋଜି ଆଉଟପୁଟକୁ ପରିଚାଳନା ବ୍ୟବସ୍ଥାରେ ଏକମାତ୍ର ଇନପୁଟ ଭାବେ ଗ୍ରହଣ କରାଯିବା ଉଚିତ ନୁହେଁ । ଅନ୍ୟାନ୍ୟ ଇନପୁଟଗୁଡିକ ଅତିକମରେ ବୈଧ ସଫ୍ଟୱେୟାର ଟେକ୍ନୋଲୋଜି, କାର୍ଯ୍ୟ ପାଇଁ ପାରସ୍ପରିକ ଯୋଗ୍ୟତା ମୂଲ୍ୟାଙ୍କନ ଏବଂ କାର୍ଯ୍ୟଭାର, କାର୍ଯ୍ୟସୂଚୀ ଏବଂ ରୋଷ୍ଟର ଅନ୍ୟାନ୍ୟ ବିପଦ ମୂଲ୍ୟାଙ୍କନରୁ ଆସିବା ଉଚିତ । ଉଦ୍ଦେଶ୍ୟ: ସୂଚନା ପାଇଁ: ଭାରୀ ଯାନ ଚାଳକଙ୍କ ଥକାପଣର ପରିଚାଳନାରେ ଥକାପଣ ଚିହ୍ନଟ ଏବଂ ପୂର୍ବାନୁମାନ ପ୍ରଯୁକ୍ତିର ସ୍ଥାନ ବିଷୟରେ ବୁଝିବା ପାଇଁ । |
d26c517baa9d6acbb826611400019297df2476a9 | |
0ee1916a0cb2dc7d3add086b5f1092c3d4beb38a | ପାସ୍କଲ ଭିଜୁଆଲ ଓବ୍ଜେକ୍ଟ କ୍ଲାସ (ଭିଓସି) ଚ୍ୟାଲେଞ୍ଜ ଭିଜୁଆଲ ଓବ୍ଜେକ୍ଟ ଶ୍ରେଣୀ ଚିହ୍ନଟ ଏବଂ ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ଏକ ମାନଦଣ୍ଡ ଅଟେ, ଯାହା ଭିଜୁଆଲ ଓ ମେସିନ ଲର୍ଣ୍ଣିଂ ସମ୍ପ୍ରଦାୟକୁ ପ୍ରତିଛବି ଏବଂ ଟିପ୍ପଣୀ ଏବଂ ମାନକ ମୂଲ୍ୟାଙ୍କନ ପ୍ରକ୍ରିୟା ସହିତ ଏକ ମାନକ ଡାଟାସେଟ ପ୍ରଦାନ କରିଥାଏ । ୨୦୦୫ରୁ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ପ୍ରତିବର୍ଷ ଆୟୋଜିତ ହେଉଥିବା ଏହି ଚ୍ୟାଲେଞ୍ଜ ଓ ଏହା ସହ ଜଡ଼ିତ ଡାଟାସେଟକୁ ବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ ମାନଦଣ୍ଡ ଭାବେ ଗ୍ରହଣ କରାଯାଇଛି । ଏହି ଦସ୍ତାବିଜରେ ଡାଟାସେଟ ଏବଂ ମୂଲ୍ୟାୟନ ପଦ୍ଧତି ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଆମେ ଶ୍ରେଣୀକରଣ ଏବଂ ଚିହ୍ନଟ ପାଇଁ ମୂଲ୍ୟାଙ୍କନ ପଦ୍ଧତିର ଅତ୍ୟାଧୁନିକ ସ୍ଥିତିର ସମୀକ୍ଷା କରୁଛୁ, ପଦ୍ଧତିଗୁଡ଼ିକର ପରିସଂଖ୍ୟାନଗତ ଭିନ୍ନତା ଅଛି କି ନାହିଁ, ସେମାନେ ପ୍ରତିଛବିରୁ କ ଣ ଶିଖୁଛନ୍ତି (ଉଦାହରଣ ସ୍ୱରୂପ, ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ସହଜରେ କିମ୍ବା ଦ୍ୱନ୍ଦ୍ୱରେ ପଡିଥାଏ । ଏହି ରିପୋର୍ଟରେ ତିନି ବର୍ଷର ଆହ୍ୱାନ ଇତିହାସରେ ଶିକ୍ଷାଲାଭ କରାଯାଇଥିବା ବିଷୟବସ୍ତୁ ସହିତ ଭବିଷ୍ୟତରେ ଉନ୍ନତି ଏବଂ ସମ୍ପ୍ରସାରଣ ପାଇଁ ଦିଗଗୁଡିକର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । |
981fef7155742608b8b6673f4a9566158b76cd67 | |
a6eb10b1d30b4547b04870a82ec0c65baf2198f8 | |
40e06608324781f6de425617a870a103d4233d5c | ତା ପରେ, କୌଶଳ ପରିଚାଳନା ବ୍ୟବସ୍ଥାକୁ କାର୍ଯ୍ୟକ୍ଷମ କରିବା ପାଇଁ, ନିରନ୍ତର ନବସୃଜନ ପ୍ରକ୍ରିୟାରେ ଜ୍ଞାନ ସମ୍ପତ୍ତିର ତିନୋଟି ଉତ୍ସ, ମେଟା-ମଡେଲ ଏବଂ ମାକ୍ରୋ ପ୍ରକ୍ରିୟାକୁ ଏକୀକୃତ କରି ଏକ ବର୍ଗୀକୃତ ମଡେଲ ନିର୍ମାଣ କରାଯାଏ । ଏହି ମଡେଲ ଜ୍ଞାନ ଓ ନବସୃଜନ ମଧ୍ୟରେ ଥିବା ଜଟିଳ ସମ୍ପର୍କକୁ ଚାରିଟି ସ୍ତରରେ ବିଭକ୍ତ କରିଥାଏ । ପ୍ରାକ୍ଟିକାଲ ପ୍ରଭାବ - ପୂର୍ବ ଗବେଷଣାରେ ଜ୍ଞାନ ପରିଚାଳନା ପ୍ରଣାଳୀ ବିଷୟରେ ଶିକ୍ଷାଲାଭ ଅନୁଯାୟୀ, ନବସୃଜନ ପାଇଁ ଜ୍ଞାନ ପରିଚାଳନା ପ୍ରକଳ୍ପର ସଫଳ କାର୍ଯ୍ୟକାରିତା ପାଇଁ ଜ୍ଞାନ ପରିଚାଳନାର ତିନୋଟି ଦୃଷ୍ଟିକୋଣ ପରସ୍ପର ସହିତ ସହଯୋଗ କରିବା ଉଚିତ; ଏବଂ ଶ୍ରେଣୀଗତ ମଡେଲ ନବସୃଜନ ପାଇଁ ଜ୍ଞାନ ପରିଚାଳନା ପ୍ରଣାଳୀ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ ଏକ ଉପଯୁକ୍ତ ସ୍ଥାପତ୍ୟ ପ୍ରଦାନ କରେ । ମୌଳିକତା/ମୂଲ୍ୟ - ଜ୍ଞାନ ପରିଚାଳନାର ମେଟା-ମଡେଲ ଏବଂ ମାକ୍ରୋ ପ୍ରକ୍ରିୟା ଦର୍ଶାଏ ଯେ କିଭଳି ପରବର୍ତ୍ତୀ ପିଢ଼ିର ଜ୍ଞାନ ପରିଚାଳନା ମୂଲ୍ୟ ସୃଷ୍ଟିରେ ସାହାଯ୍ୟ କରିପାରିବ ଏବଂ ସିଷ୍ଟମ ଚିନ୍ତାଧାରାର ଦୃଷ୍ଟିକୋଣରୁ ନିରନ୍ତର ନବସୃଜନକୁ ସମର୍ଥନ କରିପାରିବ । ଏହି ଶ୍ରେଣୀଗତ ମଡେଲ ନିରନ୍ତର ନବସୃଜନ ପ୍ରକ୍ରିୟାରେ ଜଟିଳ ଜ୍ଞାନର ଗତିଶୀଳତାକୁ ଦର୍ଶାଇଥାଏ । ଏହି ଗବେଷଣାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ନବସୃଜନ ପାଇଁ ଜ୍ଞାନ ପରିଚାଳନା (କେଏମ) ର ତନ୍ତ୍ରକୁ ବୁଝିବା ଏବଂ ଉଦ୍ୟୋଗଗୁଡ଼ିକ ପାଇଁ କ୍ରମାଗତ ନବସୃଜନ ପାଇଁ କେଏମ କାର୍ଯ୍ୟକଳାପକୁ ଉପଯୋଗ କରିବା ପାଇଁ ଏକ ଉପାୟ ପ୍ରଦାନ କରିବା । ଡିଜାଇନ/ପଦ୍ଧତି/ପନ୍ଥା - ବହୁବିଷୟକ କ୍ଷେତ୍ରର ସାହିତ୍ୟର ସମୀକ୍ଷା କରି ଜ୍ଞାନ, ଜ୍ଞାନ ପରିଚାଳନା ଏବଂ ନବସୃଜନ ବିଷୟ ଉପରେ ଗବେଷଣା କରାଯାଇଛି । ଜ୍ଞାନକୌଶଳର ଭୌତିକ, ମାନବୀୟ ଏବଂ ବୈଷୟିକ ଦୃଷ୍ଟିକୋଣକୁ ଭିନ୍ନ କରି, ନବସୃଜନ ପାଇଁ ଦୁଇଟି ମୁଖ୍ୟ କାର୍ଯ୍ୟକଳାପକୁ ଚିହ୍ନଟ କରାଯାଇଛି: ଜ୍ଞାନ ସୃଷ୍ଟି ଏବଂ ଜ୍ଞାନର ବ୍ୟବହାର । ତାପରେ ନିରନ୍ତର ନବସୃଜନ ପାଇଁ ଏକ ଜରୁରୀ ଆବଶ୍ୟକତା - ଏକ ଅନ୍ତର୍ନିହିତ ପର୍ଯ୍ୟାୟ - ନିର୍ଦ୍ଧାରିତ ହୋଇଥାଏ । ନବସୃଜନ ପାଇଁ ଜ୍ଞାନ ଓ କୌଶଳ ପରିଚାଳନା ବ୍ୟବସ୍ଥା ସମ୍ପର୍କରେ ବ୍ୟାପକ ବୁଝାମଣା ପ୍ରଦାନ କରିବା ପାଇଁ ସିଷ୍ଟମ ଚିନ୍ତାଧାରା ଏବଂ ମାନବ କୈନ୍ଦ୍ରିକ ଦୃଷ୍ଟିକୋଣକୁ ଗ୍ରହଣ କରାଯାଇଛି । ନିଷ୍କର୍ଷ - ଅନ୍ତର୍ନିହିତକରଣ ପର୍ଯ୍ୟାୟକୁ ସାମିଲ କରି କ୍ରମାଗତ ନବସୃଜନର ନେଟୱାର୍କିଂ ପ୍ରକ୍ରିୟା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । କୌଶଳ ପରିଚାଳନା ର ତିନୋଟି ଦୃଷ୍ଟିକୋଣ ଅନୁସାରେ, ନବସୃଜନରେ ସଂଗଠନିକ ଜ୍ଞାନ ସମ୍ପତ୍ତିର ତିନୋଟି ଉତ୍ସ ଚିହ୍ନଟ କରାଯାଇଛି । ତା ପରେ ନବସୃଜନର ଦୁଇଟି ମୁଖ୍ୟ କାର୍ଯ୍ୟକଳାପ ଉପରେ ଆଧାର କରି କ୍ରମାଗତ ନବସୃଜନ ପାଇଁ କୌଶଳ ପରିଚାଳନା ବ୍ୟବସ୍ଥାକୁ ମଡେଲ କରିବା ପାଇଁ ଏକ ମେଟା-ମଡେଲ ଏବଂ କୌଶଳ ପରିଚାଳନା ପାଇଁ ଏକ ମାକ୍ରୋ ପ୍ରକ୍ରିୟା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । |
1dba1fa6dd287fde87823218d4f03559dde4e15b | ଏହି ଦସ୍ତାବିଜରେ ଷ୍ଟାର୍ଟ ସୂଚନା ଆକ୍ସେସ୍ ସିଷ୍ଟମରେ ପ୍ରଶ୍ନ ଉତ୍ତରକୁ ସହଜ କରିବା ପାଇଁ ପ୍ରାକୃତିକ ଭାଷା ଟିପ୍ପଣୀ ବ୍ୟବହାରରୁ ଶିକ୍ଷାଲାଭ କରାଯାଇଥିବା ରଣନୀତି ଏବଂ ଶିକ୍ଷା ଉପସ୍ଥାପନ କରାଯାଇଛି । |
77fbbb9ff612c48dad8313087b0e6ed03c31812a | ତରଳ କ୍ରିଷ୍ଟାଲ୍ ପଲିମର୍ (ଏଲସିପି) ଏକ ଏପରି ପଦାର୍ଥ ଯାହା ଏକ ସମ୍ଭାବ୍ୟ ଉଚ୍ଚ-କାର୍ଯ୍ୟଦକ୍ଷତା ମାଇକ୍ରୋୱେଭ୍ ସବଷ୍ଟ୍ରେଟ୍ ଏବଂ ପ୍ୟାକେଜିଂ ସାମଗ୍ରୀ ଭାବରେ ଧ୍ୟାନ ଆକର୍ଷଣ କରିଛି । ଏହି ଅନୁସନ୍ଧାନରେ ମିଲିମିଟର ତରଙ୍ଗର ଫ୍ରିକ୍ୱେନ୍ସି ପାଇଁ ଏଲସିପିର ବୈଦ୍ୟୁତିକ ଗୁଣ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ଅନେକ ଉପାୟ ବ୍ୟବହାର କରାଯାଇଛି । ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ରିଙ୍ଗ୍ ରେଜୋନେଟର ଏବଂ କେଭିଟ୍ ରେଜୋନେଟରଗୁଡ଼ିକୁ ମାପ କରାଯାଏ ଯାହା ଦ୍ବାରା ୩୦ ଗିଗାହର୍ଟଜରୁ ଅଧିକ ଏଲସିପିର ଡାଏଲେକ୍ଟ୍ରିକ୍ ସ୍ଥିରତା (/ ଏସ୍ପିଏଲ୍ ଇପିଏସ୍ଆଇ / ସବ୍ ଆର /) ଏବଂ କ୍ଷତି ଟ୍ୟାଙ୍ଗେଣ୍ଟ (ଟାନ୍ / ଏସ୍ପିଏଲ୍ ଡେଲଟା /) ର ବର୍ଣ୍ଣନା କରାଯାଇପାରିବ । ମାପ କରାଯାଇଥିବା ଡାଏଲେକ୍ଟ୍ରିକ୍ ସ୍ଥିରତା ୩.୧୬ ପାଖାପାଖି ସ୍ଥିର ଥିବା ଦେଖାଯାଇଥାଏ ଏବଂ କ୍ଷତି ଟାଙ୍ଗେଣ୍ଟ ୦.୦୦୪୯ ତଳେ ରହିଥାଏ । ଏହାବ୍ୟତୀତ ବିଭିନ୍ନ ପ୍ରକାର ଟ୍ରାନ୍ସମିଶନ ଲାଇନ ବିଭିନ୍ନ ପ୍ରକାର ଏଲସିପି ସବଷ୍ଟ୍ରେଟ ଓଜନ ଉପରେ ନିର୍ମିତ ହୋଇଥାଏ ଏବଂ କ୍ଷତିର ଲକ୍ଷଣ ୨ରୁ ୧୧୦ ଗିଗାହର୍ଟଜ ପର୍ଯ୍ୟନ୍ତ ଡେସିବଲ ପ୍ରତି ସେଣ୍ଟିମିଟର ହିସାବରେ ଦିଆଯାଇଥାଏ । 110 GHz ରେ ଟ୍ରାନ୍ସମିଶନ ଲାଇନର ଶୀର୍ଷ କ୍ଷତି 0.88-2.55 dB/cm ମଧ୍ୟରେ ହୋଇଥାଏ, ଯାହା ଲାଇନ ପ୍ରକାର ଏବଂ ଜ୍ୟାମିତି ଉପରେ ନିର୍ଭର କରିଥାଏ । ଏହି ଫଳାଫଳ ପ୍ରଥମ ଥର ପାଇଁ ଦର୍ଶାଉଛି ଯେ ଏଲସିପିର ମିଲିମିଟର ତରଙ୍ଗର ଫ୍ରିକ୍ୱେନ୍ସିରେ ପ୍ରୟୋଗ ପାଇଁ ଉତ୍ତମ ଡାଏଲେକ୍ଟ୍ରିକ୍ ଗୁଣ ରହିଛି । |
cb84ef73db0a259b07289590f0dfcb9b8b9bbe79 | ଏହି କାଗଜରେ ଏକ ହାଇବ୍ରିଡ ରେଡିଓ ଫ୍ରିକ୍ୱେନ୍ସି (ଆରଏଫ) ଏବଂ ପିଜୋଇଲେକ୍ଟ୍ରିକ ଥିନ ଫିଲ୍ମ ପଲିଭିନାଲିଡେନ୍ ଫ୍ଲୋରାଇଡ୍ (ପିଭିଡିଏଫ୍) କମ୍ପନ ଶକ୍ତି ହାର୍ଭେଷ୍ଟର ବର୍ଣ୍ଣନା କରାଯାଇଛି । ପରଜୀବୀ କ୍ଷମତାର ଇମ୍ପେଡେନ୍ସ ଗୁଣ ଏବଂ ପୃଥକ ଇଣ୍ଡକ୍ଟର ବ୍ୟବହାର କରି, ପ୍ରସ୍ତାବିତ ହାର୍ଭେଷ୍ଟର କେବଳ 15 Hz କମ୍ପନ ଶକ୍ତିକୁ ହଟାଇ ନଥାଏ ବରଂ 915 MHz ନମନୀୟ ରୂପା-କଲମ RF ଡିପୋଲ ଆଣ୍ଟେନା ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ । ଏହା ସହିତ ଏକ ଇଣ୍ଟରଫେସ ସର୍କିଟ ଯେଉଁଥିରେ ୬-ସ୍ତରୀୟ ଡିକ୍ସନ ଆରଏଫ-ଟୁ-ଡିସି କନଭର୍ଟର ଏବଂ ହାଇବ୍ରିଡ ହାର୍ଭେଷ୍ଟରର ଆରଏଫ ଏବଂ କମ୍ପନ ଆଉଟପୁଟକୁ ସିଡି ସିଗନାଲକୁ ପାୱାର ରେସିଷ୍ଟିବ୍ ଲୋଡରେ ପରିଣତ କରିବା ପାଇଁ ଏକ ଡାଇଓଡ ବ୍ରିଜ ରେକ୍ଟାଇଫର ଅନ୍ତର୍ଭୁକ୍ତ । ଆର୍ଏଫ୍-ସିସି କନ୍ଭର୍ଟର ଏବଂ -୮ ଡିସିଏମ ଇନପୁଟ୍ ଆର୍ଏଫ୍ ପାୱାର ବ୍ୟବହାର କରି ସର୍ବାଧିକ ୨୦.୯ ମିକ୍ରୋୱାଟ୍ ଏସି ଆଉଟପୁଟ୍ ପାୱାର ୩୬ ପ୍ରତିଶତ ଓପନ ସର୍କିଟ୍ ଆଉଟପୁଟ୍ ଭୋଲଟେଜରେ ହାସଲ କରାଯାଇପାରିବ, ଯେତେବେଳେ କି ୩ ଗ୍ରାମ୍ କମ୍ପନ ଉତ୍ତେଜନା ଦ୍ୱାରା ସଂଗ୍ରହ କରାଯାଇଥିବା ଏସି ପାୱାର ସର୍ବାଧିକ ୨.୮ ମିକ୍ରୋୱାଟ୍ ୫୧ ପ୍ରତିଶତ ଓପନ ସର୍କିଟ୍ ଭୋଲଟେଜରେ ହାସଲ କରାଯାଇପାରିବ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ପରୀକ୍ଷିତ ହାଇବ୍ରିଡ୍ ଅମଳ ବ୍ୟବସ୍ଥା ଏକକାଳୀନ 7.3 μW DC ଶକ୍ତି ଉତ୍ପାଦନ କରିଥାଏ, ଯେତେବେଳେ ଅମଳକାରୀ ଠାରୁ 3 W EIRP 915 MHz ଟ୍ରାନ୍ସମିଟର ପର୍ଯ୍ୟନ୍ତ ଦୂରତା 5.5 ମିଟର ହୋଇଥାଏ, ଏବଂ 1.8 g କମ୍ପନ ତ୍ୱରାନ୍ୱିତ ଶିଖରରୁ 1.8 μW DC ଶକ୍ତି ଉତ୍ପାଦନ କରିଥାଏ । |
d8e8bdd687dd588b71d92ff8f6018a1084f85437 | ଇଣ୍ଟରନେଟର ବ୍ୟବହାର ପାଇଁ ମଣିଷର ବ୍ୟବହାର ଭଳି, ଡିଭାଇସଗୁଡ଼ିକ ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସ (ଆଇଓଟି) ଇକୋସିଷ୍ଟମର ମୁଖ୍ୟ ଉପଭୋକ୍ତା ହେବେ । ତେଣୁ ଡିଭାଇସ ଟୁ ଡିଭାଇସ (ଡିଟୁଡି) ଯୋଗାଯୋଗ ଆଇଓଟିର ଏକ ଅଭିନ୍ନ ଅଙ୍ଗ ହେବ ବୋଲି ଆଶା କରାଯାଉଛି । କୌଣସି କେନ୍ଦ୍ରୀୟ ନିୟନ୍ତ୍ରଣ ବିନା ଡିଭାଇସଗୁଡ଼ିକ ପରସ୍ପର ସହ ସ୍ୱୟଂକ୍ରିୟ ଭାବେ ଯୋଗାଯୋଗ କରିବେ ଏବଂ ମଲ୍ଟିହୋପ୍ ଢଙ୍ଗରେ ସୂଚନା ସଂଗ୍ରହ, ଅଂଶୀଦାର ଏବଂ ପଠାଇବା ପାଇଁ ସହଯୋଗ କରିବେ । ବାସ୍ତବ ସମୟର ପ୍ରାସଙ୍ଗିକ ସୂଚନା ସଂଗ୍ରହ କରିବାର କ୍ଷମତା ଆଇଓଟିର ମୂଲ୍ୟକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ ଏହି ସୂଚନା ଗୁଡିକୁ ବୁଦ୍ଧିରେ ରୂପାନ୍ତରିତ କରାଯିବ, ଯାହା ଏକ ବୁଦ୍ଧିମାନ ପରିବେଶ ସୃଷ୍ଟିକୁ ସହଜ କରିବ । ଶେଷରେ, ସଂଗୃହିତ ସୂଚନାର ଗୁଣବତ୍ତା ନିର୍ଭର କରେ ଯେ ଉପକରଣଗୁଡିକ କେତେ ସ୍ମାର୍ଟ । ଏହାବ୍ୟତୀତ ଏହି ଯୋଗାଯୋଗ ଉପକରଣଗୁଡିକ ଭିନ୍ନ ନେଟୱର୍କିଂ ମାନକ ସହିତ କାର୍ଯ୍ୟ କରିବ, ପରସ୍ପର ସହିତ ଅନ୍ତରଙ୍ଗ ସଂଯୋଗର ଅନୁଭବ କରିପାରେ, ଏବଂ ସେମାନଙ୍କ ମଧ୍ୟରୁ ଅନେକ ସମ୍ବଳ ସୀମିତ ରହିବ । ଏହି ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକ ନେଟୱର୍କିଙ୍ଗ୍ ପାଇଁ ଅନେକ ସମସ୍ୟା ସୃଷ୍ଟି କରିଥାଏ ଯାହାକୁ ପାରମ୍ପରିକ ରୁଟିଙ୍ଗ୍ ପ୍ରୋଟୋକଲ୍ ସମାଧାନ କରିପାରିବ ନାହିଁ । ତେଣୁ ଡିଭାଇସ୍ ଗୁଡ଼ିକରେ ଇଣ୍ଟେଲିଜେଣ୍ଟ୍ ରୁଟିଙ୍ଗ୍ ପ୍ରୋଟୋକଲ୍ ର ଆବଶ୍ୟକତା ରହିଛି, ଯାହାଦ୍ୱାରା ସେମାନେ ଇଣ୍ଟେଲିଜେଣ୍ଟ୍ ଡିଟୁଡି କମ୍ୟୁନିକେସନ୍ ହାସଲ କରିପାରିବେ । ଆମେ ଆଇଓଟି ଇକୋସିଷ୍ଟମରେ କିପରି ଭାବରେ ବୁଦ୍ଧିମାନ ଡିଟୁଡି ଯୋଗାଯୋଗ ହାସଲ କରାଯାଇପାରିବ ତାହାର ଏକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରୁଛୁ । ବିଶେଷ କରି ଆମେ ଆଧୁନିକ ରୁଟିଙ୍ଗ ଆଲଗୋରିଦମ ଦ୍ୱାରା କିଭଳି ଭାବେ ଇଣ୍ଟରନେଟ ଅଫ୍ ଡ଼େଟ୍ସରେ ବୁଦ୍ଧିମାନ ଡିଟୁଡି ଯୋଗାଯୋଗ ସମ୍ଭବ ହୋଇପାରିବ ସେ ଉପରେ ଗୁରୁତ୍ୱାରୋପ କରୁଛୁ । |
5e6035535d6d258a29598faf409b57a71ec28f21 | |
766c251bd7686dd707acd500e80d7184929035c6 | ଟ୍ରାଫିକ ଲାଇଟ ଡିଟେକ୍ସନ (ଟିଏଲଡି) ଉଭୟ ବୁଦ୍ଧିମାନ ଯାନ ଏବଂ ଡ୍ରାଇଭିଂ ସହାୟତା ପ୍ରଣାଳୀ (ଡିଏଏସ) ର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଂଶ । ଅଧିକାଂଶ TLD ପାଇଁ ସାଧାରଣ ହେଉଛି ଯେ ସେଗୁଡିକ ଛୋଟ ଏବଂ ବ୍ୟକ୍ତିଗତ ଡାଟାସେଟରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଏ ଯାହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ପଦ୍ଧତିର ସଠିକ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ନିର୍ଣ୍ଣୟ କରିବା କଷ୍ଟକର କରିଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ସର୍ବଶ୍ରେଷ୍ଠ, ରିଅଲ ଟାଇମ ଅବଜେକ୍ଟ ଡିଟେକ୍ସନ ସିଷ୍ଟମ ୟୁଆଲଓକୁ (ୟୁଆଲଓ) କୁ ଭିଭିଆ ଚ୍ୟାଲେଞ୍ଜ ମାଧ୍ୟମରେ ଉପଲବ୍ଧ ସର୍ବସାଧାରଣ ଲାଇସା ଟ୍ରାଫିକ ଲାଇଟ ଡାଟାସେଟରେ ପ୍ରୟୋଗ କରିଛୁ, ଯେଉଁଥିରେ ବିଭିନ୍ନ ଆଲୋକ ଏବଂ ପାଣିପାଗ ପରିସ୍ଥିତିରେ କଏଦ କରାଯାଇଥିବା ଅଧିକ ସଂଖ୍ୟକ ଏନାଟୋଟେଡ ଟ୍ରାଫିକ ଲାଇଟ ରହିଛି । ୟୁଆଲଓ ଅବଜେକ୍ଟ ଡିଟେକ୍ଟର ଦୈନିକ କ୍ରମ ପାଇଁ 90.49%ର AUC ହାସଲ କରିଛି, ଯାହା ଭିଭିଆ ଚ୍ୟାଲେଞ୍ଜରେ ସର୍ବଶେଷ ACF ପ୍ରବେଶ ତୁଳନାରେ 50.32%ର ଉନ୍ନତି । ଏସିଏଫ ଡିଟେକ୍ଟର ପରି ସମାନ ତାଲିମ ବିନ୍ୟାସ ବ୍ୟବହାର କରି, ୟୋଲୋ ଡିଟେକ୍ଟର ୫୮.୩%ର ଏୟୁସିରେ ପହଞ୍ଚେ, ଯାହା ୧୮.୧୩%ର ବୃଦ୍ଧି ଅଟେ । |
136b9952f29632ab3fa2bbf43fed277204e13cb5 | ଦୃଶ୍ୟ ଶ୍ରେଣୀକରଣ କମ୍ପ୍ୟୁଟର ଦୃଷ୍ଟିରେ ଏକ ମୌଳିକ ସମସ୍ୟା । କିନ୍ତୁ ବର୍ତ୍ତମାନ ବ୍ୟବହୃତ ହେଉଥିବା ଡାଟାବେସ୍ର ସୀମିତ ପରିସର ଯୋଗୁଁ ଦୃଶ୍ୟକୁ ବୁଝିବା ପାଇଁ ଗବେଷଣା ବାଧାପ୍ରାପ୍ତ ହୋଇଛି । ବସ୍ତୁ ଶ୍ରେଣୀକରଣ ପାଇଁ ମାନକ ଡାଟାବେସରେ ଶହ ଶହ ବସ୍ତୁ ଶ୍ରେଣୀ ରହିଥାଏ, କିନ୍ତୁ ଦୃଶ୍ୟ ଶ୍ରେଣୀଗୁଡିକର ସର୍ବବୃହତ ଡାଟାସେଟରେ କେବଳ 15 ଟି ଶ୍ରେଣୀ ରହିଥାଏ । ଏହି ଲେଖାରେ ଆମେ 899 ଶ୍ରେଣୀ ଏବଂ 130,519 ଛବି ଥିବା ବିସ୍ତୃତ ଦୃଶ୍ୟ UNDERSTANDING (SUN) ଡାଟାବେସକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ 397ଟି ଭଲ ନମୁନା ବର୍ଗ ବ୍ୟବହାର କରି ଅତ୍ୟାଧୁନିକ ଆଲଗୋରିଦମକୁ ମୂଲ୍ୟାଙ୍କନ କରି ଦୃଶ୍ୟ ଚିହ୍ନଟ କରିବା ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତାର ନୂତନ ସୀମା ସ୍ଥିର କରିବା । ଆମେ ମାନବ ଦୃଶ୍ୟ ବର୍ଗୀକରଣ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ SUN ଡାଟାବେସରେ ମାପ କରିଥାଉ ଏବଂ ଏହାକୁ କମ୍ପ୍ୟୁଟେଶନାଲ୍ ପଦ୍ଧତି ସହିତ ତୁଳନା କରିଥାଉ । ଏହା ସହିତ, ଆମେ ଏକ ସୂକ୍ଷ୍ମ-କଣିଆ ଦୃଶ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ଅଧ୍ୟୟନ କରୁ ଯାହା ଦ୍ବାରା ଆମେ ବଡ଼ ଦୃଶ୍ୟ ଭିତରେ ଥିବା ଦୃଶ୍ୟକୁ ଚିହ୍ନଟ କରିପାରିବା । |
eb06182a2817d06e82612a0c32a6c843f01c6a03 | ଏହି କାଗଜରେ ଏକ ନରୋଲ ଜେନେରେଟିଭ ମଡେଲ, ଅର୍ଥାତ୍ ଟେବୁଲ ୨ ସେକ, ଏକ ଟେବୁଲ ଉପରେ ଆଧାରିତ ଏକ ପ୍ରାକୃତିକ ଭାଷା ବାକ୍ୟ ସୃଷ୍ଟି କରିବାକୁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ବିଶେଷକରି, ଏହି ମଡେଲ ଏକ ଟେବୁଲକୁ କ୍ରମାଗତ ଭେକ୍ଟରଗୁଡ଼ିକର ମାନଚିତ୍ରରେ ଦର୍ଶାଇଥାଏ ଏବଂ ତାପରେ ଏକ ଟେବୁଲର ଅର୍ଥଶାସ୍ତ୍ରକୁ ଉପଯୋଗ କରି ଏକ ପ୍ରାକୃତିକ ଭାଷା ବାକ୍ୟ ସୃଷ୍ଟି କରିଥାଏ । ଯେହେତୁ ବିରଳ ଶବ୍ଦ, ଯେପରିକି, ଏକକ ଏବଂ ମୂଲ୍ୟ, ସାଧାରଣତଃ ଏକ ସାରଣୀରେ ଦେଖାଯାଏ, ଆମେ ଏକ ନମନୀୟ କପିଂ ବ୍ୟବସ୍ଥା ବିକଶିତ କରୁ ଯାହା ସାରଣୀରୁ ବିଷୟବସ୍ତୁକୁ ଚୟନକୃତ ଭାବରେ କପି କରେ _ ଆମେ ବ୍ୟାପକ ପରୀକ୍ଷଣ କରି Table2Seq ମଡେଲର ପ୍ରଭାବ ଏବଂ ଡିଜାଇନ କରାଯାଇଥିବା କପି ମେସିନସିମର ଉପଯୋଗିତା ବିଷୟରେ ଜଣାଇଛୁ । ୱିକିବିଆଇଓ ଏବଂ ସିମ୍ପଲକ୍ୱେସନ ତଥ୍ୟ ସେଟରେ ଟେବୁଲ ୨ ସେକ ମଡେଲରେ ବ୍ଲୁ-୪ ସ୍କୋରର ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ଯଥାକ୍ରମେ ୩୪.୭୦ରୁ ୪୦.୨୬ ଏବଂ ୩୩.୩୨ରୁ ୩୯.୧୨କୁ ଉନ୍ନତ କରାଯାଇଛି । ଆହୁରି ମଧ୍ୟ, ଆମେ ଏକ ଓପନ-ଡୋମେନ୍ ଡାଟାସେଟ୍ ୱିକିଟେବୁଲ୍ ପାଠ୍ୟ ନିର୍ମାଣ କରୁଛୁ ଯେଉଁଥିରେ 4962 ଟେବୁଲ୍ ପାଇଁ 13 318 ଟି ବର୍ଣ୍ଣନାତ୍ମକ ବାକ୍ୟ ଅଛି । ଆମର ଟେବୁଲ2ସେକ୍ ମଡେଲରେ ୱିକିଟେବଲଟେକ୍ସଟ ଉପରେ ୩୮.୨୩ର ବ୍ଲୁ-୪ ସ୍କୋର ହାସଲ କରାଯାଇଛି । ଏହା ସହିତ, ଏକ ସର୍ଚ୍ଚ ଇଞ୍ଜିନରୁ 1M ଟେବୁଲ-କ୍ୱେରୀ ଯୋଡି ଉପରେ ପରୀକ୍ଷଣ ମାଧ୍ୟମରେ, ଟେବୁଲର ସଂରଚନା ଭାଗକୁ ବିଚାର କରୁଥିବା ଆମର ଟେବୁଲ2ସେକ୍ ମଡେଲ, ଅର୍ଥାତ୍ ଟେବୁଲ ଗୁଣ ଏବଂ ଟେବୁଲ ସେଲ୍, ଅତିରିକ୍ତ ସୂଚନା ଭାବରେ ଏକ ସିକ୍ୱେନ୍ସ-ଟୁ-ସେକ୍ୱେନ୍ସ ମଡେଲକୁ ଅତିକ୍ରମ କରେ ଯାହା କେବଳ ଏକ ଟେବୁଲର କ୍ରମିକ ଅଂଶକୁ ବିଚାର କରେ, ଅର୍ଥାତ୍ ଟେବୁଲ କ୍ୟାପସନ୍ । |
ea951c82efe26424e3ce0d167e01f59e5135a2da | ଟାଇମ୍ଡ ଅପ୍ ଆଣ୍ଡ ଗୋ ହେଉଛି ବୟସ୍କ ଏବଂ ପାର୍କିନ୍ସନ୍ ରୋଗୀଙ୍କ ଯାତାୟାତ କ୍ଷମତା ଆକଳନ କରିବା ପାଇଁ ଏକ କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷା । ଏହି ପରୀକ୍ଷଣର ସାମ୍ପ୍ରତିକ ଯନ୍ତ୍ରଯୁକ୍ତ ସଂସ୍କରଣ ଉପରେ ବିଚାର କରାଯାଉଛି, ଯେଉଁଥିରେ ଇନର୍ସିଆଲ ସେନସର ଦ୍ୱାରା ଗତିର ଆକଳନ କରାଯାଇଥାଏ । ଏହାର ପ୍ରସାର, ବ୍ୟବହାରର ସହଜତା ଏବଂ ଖର୍ଚ୍ଚ ବୃଦ୍ଧି ପାଇଁ ଆମେ ସ୍ମାର୍ଟଫୋନର ଏକ୍ସେଲେରୋମିଟରକୁ ମାପକ ବ୍ୟବସ୍ଥା ଭାବେ ଗ୍ରହଣ କରିଛୁ । ପରୀକ୍ଷଣ ସମୟରେ ରେକର୍ଡ କରାଯାଇଥିବା ସିଗନାଲରୁ ଅନେକ ପାରାମିଟର (ସାଧାରଣତଃ ଉଚ୍ଚକୋଟିର) ଗଣନା କରାଯାଇପାରିବ । ଅଦରକାରୀ କାର୍ଯ୍ୟକୁ ଏଡ଼ାଇବା ପାଇଁ ଏବଂ ଲୋକୋମୋଟର କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରତି ଅଧିକ ସମ୍ବେଦନଶୀଳ ଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ପାଇବା ପାଇଁ, ମୁଖ୍ୟ ଉପାଦାନ ବିଶ୍ଳେଷଣ (ପିସିଏ) ମାଧ୍ୟମରେ ଏକ ଆକାର ହ୍ରାସ କରାଯାଇଥିଲା । ବିଭିନ୍ନ ବୟସର ୪୯ ଜଣ ସୁସ୍ଥ ବ୍ୟକ୍ତିଙ୍କ ଉପରେ ଏହି ପରୀକ୍ଷଣ କରାଯାଇଥିଲା । PCA ନୂତନ ବୈଶିଷ୍ଟ୍ୟ (ମୁଖ୍ୟ ଉପାଦାନ) ବାହାର କରିବା ପାଇଁ କରାଯାଇଥିଲା ଯାହା ମୂଳ ପାରାମିଟରର ଅନାବଶ୍ୟକ ସଂଯୋଗ ନୁହେଁ ଏବଂ ଅଧିକାଂଶ ତଥ୍ୟର ପରିବର୍ତ୍ତନଶୀଳତାକୁ ବର୍ଣ୍ଣନା କରେ । ଏହା ଏକ୍ସପ୍ଲୋରେଟରୀ ଆନାଲିସିସ୍ ଓ ଆଉଟ୍ଲାଇୟର ଚିହ୍ନଟ ପାଇଁ ଉପଯୋଗୀ ହୋଇପାରେ । ଏହାପରେ ମୂଳ ପାରାମିଟରର ଏକ ସଂକ୍ଷିପ୍ତ ସେଟକୁ ମୁଖ୍ୟ ଉପାଦାନ ସହିତ ଅନୁପାତ ବିଶ୍ଳେଷଣ ମାଧ୍ୟମରେ ଚୟନ କରାଯାଇଥିଲା । ଏହି ସେଟ୍ ସୁସ୍ଥ ବୟସ୍କଙ୍କ ଉପରେ ଆଧାରିତ ଅଧ୍ୟୟନ ପାଇଁ ସୁପାରିଶ କରାଯାଇପାରେ । ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିକୁ ପ୍ରଥମ ସ୍ତରର ବିଶେଷତା ଚୟନ ଭାବରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଏହି ବ୍ୟବସ୍ଥା ଦ୍ୱାରା ଭବିଷ୍ୟତରେ ସ୍ମାର୍ଟଫୋନରେ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଗତି ବିଶ୍ଳେଷଣ ବ୍ୟବସ୍ଥାକୁ ସାମିଲ କରାଯାଇପାରିବ । |
e467278d981ba30ab3b24235d09205e2aaba3d6f | ଏହି ଅଧ୍ୟୟନର ଲକ୍ଷ୍ୟ ଥିଲା ଏକ କ୍ରମିକ ମଧ୍ୟସ୍ଥତା ମଡେଲ ବିକଶିତ କରିବା ଏବଂ ପରୀକ୍ଷା କରିବା ଯାହା କର୍ମଚାରୀଙ୍କ କଲ୍ୟାଣ ପାଇଁ ନିଷ୍କ୍ରିୟ ନେତୃତ୍ୱର ନକାରାତ୍ମକ ସମ୍ପର୍କକୁ ବର୍ଣ୍ଣନା କରେ । ଭୂମିକାର ଚାପ ସିଦ୍ଧାନ୍ତ ଆଧାରରେ ଆମେ ଭାବୁଛୁ ଯେ ନିଷ୍କ୍ରିୟ ନେତୃତ୍ୱ ଉଚ୍ଚ ସ୍ତରର ଭୂମିକାର ଅସ୍ପଷ୍ଟତା, ଭୂମିକାର ବିବାଦ ଏବଂ ଭୂମିକାର ଅତ୍ୟଧିକ ଚାପକୁ ପୂର୍ବାନୁମାନ କରିବ । ସମ୍ବଳ ସଂରକ୍ଷଣ ସିଦ୍ଧାନ୍ତକୁ ଆଧାର କରି ଆମେ ଆହୁରି ମଧ୍ୟ ଅନୁମାନ କରିଥାଉ ଯେ ଏହି ଭୂମିକା ଚାପଗ୍ରସ୍ତକାରୀମାନେ ପରୋକ୍ଷରେ ଏବଂ ନକାରାତ୍ମକ ଭାବରେ କର୍ମଚାରୀଙ୍କ କଲ୍ୟାଣର ଦୁଇଟି ଦିଗକୁ ପ୍ରଭାବିତ କରିବେ, ଯଥା ସାମଗ୍ରିକ ମାନସିକ ସ୍ୱାସ୍ଥ୍ୟ ଏବଂ ସାମଗ୍ରିକ କାର୍ଯ୍ୟ ମନୋଭାବ, ମନୋବୈଜ୍ଞାନିକ କାର୍ଯ୍ୟର କ୍ଳାନ୍ତି ମାଧ୍ୟମରେ । 2467 ଆମେରିକୀୟ ଶ୍ରମିକଙ୍କ ଏକ ସମ୍ଭାବ୍ୟ ନମୁନା ବ୍ୟବହାର କରି, ଢାଞ୍ଚାଗତ ସମୀକରଣ ମଡେଲିଂ ଏହି ମଡେଲକୁ ସମର୍ଥନ କରି ଦର୍ଶାଇଛି ଯେ ଭୂମିକା ଚାପ ଏବଂ ମାନସିକ କାର୍ଯ୍ୟର କ୍ଳାନ୍ତି ଆଂଶିକ ଭାବରେ ନିଷ୍କ୍ରିୟ ନେତୃତ୍ୱ ଏବଂ କର୍ମଚାରୀଙ୍କ ଉଭୟ ଦିଗ ମଧ୍ୟରେ ନକାରାତ୍ମକ ସମ୍ପର୍କକୁ ମଧ୍ୟସ୍ଥତା କରିଛି _ ପରବର୍ତ୍ତୀ ପରୋକ୍ଷ ସମ୍ପର୍କର ଅନୁମାନ ଦ୍ୱାରା ନିଷ୍କ୍ରିୟ ନେତୃତ୍ୱ ଓ ମାନସିକ ସ୍ୱାସ୍ଥ୍ୟ ମଧ୍ୟରେ ଥିବା ସମ୍ପର୍କର ୪୭.୯% ଏବଂ ନିଷ୍କ୍ରିୟ ନେତୃତ୍ୱ ଓ କାର୍ଯ୍ୟର ସାମଗ୍ରିକ ମନୋଭାବ ମଧ୍ୟରେ ଥିବା ସମ୍ପର୍କର ୨୬.୬% ବୁଝାଯାଇଥିଲା । କପିରାଇଟ୍ © ୨୦୧୬ ଜନ୍ ୱାଇଲି ଆଣ୍ଡ୍ ସନ୍ସ୍, ଲିମିଟେଡ୍ |
9a86ae8e9b946dc6d957357e0670f262fa1ead9d | ଆର୍ଟିକିଲ ଇତିହାସଃ ୨୨ ଅଗଷ୍ଟ ୨୦୦୭ ରେ ଗ୍ରହଣ କରାଯାଇଥିଲା ୨୯ ଫେବୃଆରୀ ୨୦୦୮ ରେ ଗ୍ରହଣ କରାଯାଇଥିଲା ଅନ୍ଲାଇନ୍ରେ ଉପଲବ୍ଧ xxxx |
f8acaabc99801a89baa5a9eff445fc5922498dd0 | ଗଭୀର ଡୋମେନ ଅନୁକୂଳ ପଦ୍ଧତି ଡୋମେନ-ଅବନତିଯୁକ୍ତ ଇମ୍ବେଡିଙ୍ଗ୍ ଶିଖିବା ଦ୍ୱାରା ବଣ୍ଟନ ଅସଙ୍ଗତିକୁ ହ୍ରାସ କରିପାରେ । କିନ୍ତୁ ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ କେବଳ ସମ୍ପୂର୍ଣ୍ଣ ତଥ୍ୟ ବଣ୍ଟନକୁ ସମାନ କରିବା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ, ଉତ୍ସ ଏବଂ ଲକ୍ଷ୍ୟ ପ୍ରତିଛବି ମଧ୍ୟରେ ଶ୍ରେଣୀ ସ୍ତରୀୟ ସମ୍ପର୍କକୁ ବିଚାରକୁ ନନେଇ । ତେଣୁ, ଏକ ପକ୍ଷୀର ଲକ୍ଷ୍ୟସ୍ଥଳଗୁଡ଼ିକ ଏକ ବିମାନର ଉତ୍ସସ୍ଥଳଗୁଡ଼ିକ ସହିତ ସମାନ୍ତରାଳ କରାଯାଇପାରେ । ଏହି ଅର୍ଥଗତ ତ୍ରୁଟି ସିଧାସଳଖ ଭାବରେ ଲକ୍ଷିତ ଡାଟାସେଟରେ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ହ୍ରାସ କରିପାରେ । ଏହି ସମସ୍ୟାକୁ ଦୂର କରିବା ପାଇଁ ଆମେ ଏକ ସମାନତା ପ୍ରତିବନ୍ଧିତ ଆଲାଇନମେଣ୍ଟ (ଏସସିଏ) ପଦ୍ଧତିକୁ ଅଣ-ସୁରକ୍ଷିତ ଡୋମେନ୍ ଅନୁକୂଳକରଣ ପାଇଁ ଉପସ୍ଥାପନ କରୁଛୁ । ଏମ୍ବେଡିଂ ସ୍ପେସରେ ବଣ୍ଟନକୁ ସମତୁଲ କରିବା ସମୟରେ, ଏସ୍ସିଏ ଉତ୍ସ ଏବଂ ଲକ୍ଷ୍ୟ ପ୍ରତିଛବି ମଧ୍ୟରେ ଶ୍ରେଣୀ-ସ୍ତରୀୟ ସମ୍ପର୍କ ବଜାୟ ରଖିବା ପାଇଁ ଏକ ସମାନତା-ସଂରକ୍ଷଣ ପ୍ରତିବନ୍ଧକ ଲାଗୁ କରିଥାଏ, ଅର୍ଥାତ୍, ଯଦି ଏକ ଉତ୍ସ ପ୍ରତିଛବି ଏବଂ ଏକ ଲକ୍ଷ୍ୟ ପ୍ରତିଛବି ସମାନ ଶ୍ରେଣୀ ଲେବଲ୍ ର, ସେମାନଙ୍କର ଅନୁରୂପ ଇମ୍ବେଡିଂଗୁଡିକ ନିକଟବର୍ତ୍ତୀ ହେବା ଉଚିତ, ଏବଂ ବାମପନ୍ଥୀ। ଟାର୍ଗେଟ ଲେଟେଲ ନଥିବା କାରଣରୁ ଆମେ ଟାର୍ଗେଟ ଇମେଜ ପାଇଁ ସିକ୍ୱେଡୋ ଲେଟେଲ ଦେଇଥାଉ । ଲେବଲ ଥିବା ଉତ୍ସ ପ୍ରତିଛବି ଏବଂ ଛଦ୍ମ-ଲେବଲ ଥିବା ଲକ୍ଷ୍ୟ ପ୍ରତିଛବିକୁ ଦେଖି, ତ୍ରିଗୁଣ ନଷ୍ଟକୁ ସର୍ବନିମ୍ନ କରି ସମାନତା-ସଂରକ୍ଷଣ ପ୍ରତିବନ୍ଧକ କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ । ଡୋମେନ ଆଲାଇନମେଣ୍ଟ ହାନି ଏବଂ ସମାନତା-ସଂରକ୍ଷଣ ପ୍ରତିବନ୍ଧକ ଉପରେ ମିଳିତ ତଦାରଖ ସହିତ, ଆମେ ଦୁଇଟି ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଗୁଣ ସହିତ ଡୋମେନ-ଅବିନ୍ୟାସିତ ଇମ୍ବେଡମେଣ୍ଟ ପାଇବା ପାଇଁ ଏକ ନେଟୱାର୍କକୁ ତାଲିମ ଦେଇଥାଉ, ଆନ୍ତଃ-ଶ୍ରେଣୀ କମ୍ପାକ୍ଟନେସ୍ ଏବଂ ଆନ୍ତଃ-ଶ୍ରେଣୀ ବିଚ୍ଛିନ୍ନତା। ଦୁଇଟି ଡାଟାସେଟରେ କରାଯାଇଥିବା ବ୍ୟାପକ ପରୀକ୍ଷଣରେ ଏସସିଏର ପ୍ରଭାବକୁ ଭଲ ଭାବେ ଦର୍ଶାଯାଇଛି । |
a3c3c084d4c30cf40e134314a5dcaf66b4019171 | |
21aebb53a45ccac7f6763d9c47477092599f6be1 | |
12e1923fb86ed06c702878bbed51b4ded2b16be1 | ଏହି ଲେଖାରେ ଆମେ ଏକ ସ୍ମାର୍ଟ ରାଡାର ସେନସରରୁ ଚିହ୍ନଟ ହେଉଥିବା ନମୁନା ଆଧାରରେ ଏକ ମାନବ ଇଙ୍ଗିତ ଚିହ୍ନଟ ପ୍ରଣାଳୀର ଡିଜାଇନ ଉପରେ ବିଚାର କରିବୁ । ଏଏଏ ବ୍ୟାଟେରୀ ଦ୍ୱାରା ସଶକ୍ତ ଏହି ସ୍ମାର୍ଟ ରାଡାର ସେନସର ୨.୪ ଗିଗାହର୍ଟଜ ଇଣ୍ଡଷ୍ଟ୍ରି, ସାଇଣ୍ଟିଫିକ ଆଣ୍ଡ ମେଡିକାଲ (ଆଇଏସଏମ) ବ୍ୟାଣ୍ଡରେ କାର୍ଯ୍ୟ କରିଥାଏ । ଆମେ ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ଆଙ୍ଗୁଠିର ସେଟ୍ ପାଇଁ ରାଡାର ସିଗନାଲ୍ ରୁ ବାହାର କରାଯାଇଥିବା ପ୍ରିନ୍ସିପାଲ୍ କମ୍ପୋନ୍ଟେଣ୍ଟ ଏବଂ ଆପ୍ଲିକେସନ୍-ସ୍ପେଶିଫିକ୍ ଟାଇମ୍ ଏବଂ ଫ୍ରିକ୍ୱେନ୍ସି ଡୋମେନ୍ ଫିଚର୍ ବ୍ୟବହାର କରି ଫିଚର୍ ସ୍ପେସ୍ ବିଶ୍ଳେଷଣ କରିଥିଲୁ । ଆମେ ଦର୍ଶାଇଛୁ ଯେ ନିକଟତମ ପଡ଼ୋଶୀ ଆଧାରିତ ବର୍ଗୀକରଣକର୍ତ୍ତା ବହୁ ଶ୍ରେଣୀ ବର୍ଗୀକରଣ ପାଇଁ 95%ରୁ ଅଧିକ ସଠିକତା ହାସଲ କରିପାରିବ ଯେତେବେଳେ 10 ଗୁଣ କ୍ରସ ବୈଧତା ବ୍ୟବହାର କରି ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଆକାରର ପାର୍ଥକ୍ୟ ଏବଂ ଡପଲର ପରିବର୍ତ୍ତନ ଉପରେ ଆଧାର କରି ବାହାର କରାଯାଇଥାଏ ଯେତେବେଳେ ଅର୍ତୋଗୋନାଲ୍ ରୂପାନ୍ତରଣ ମାଧ୍ୟମରେ ବାହାର କରାଯାଇଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ତୁଳନାରେ । ଏହି ରିପୋର୍ଟରେ ସ୍ମାର୍ଟ ହୋମ ଏବଂ ସ୍ୱାସ୍ଥ୍ୟ ମନିଟରିଂ ଉଦ୍ଦେଶ୍ୟରେ ଉଚ୍ଚ ସଠିକତା ବିଶିଷ୍ଟ ପ୍ୟାଟର୍ନ ଚିହ୍ନଟ ପ୍ରଣାଳୀ ସହିତ ସମନ୍ୱିତ ସ୍ମାର୍ଟ ରାଡାରର ସମ୍ଭାବନାକୁ ଦର୍ଶାଯାଇଛି । |
25b87d1d17adabe2923da63e0b93fb7d2bac73f7 | ନେଟୱର୍କ ଏବଂ ଏହାର ସମ୍ବଳ ଉପରେ ଆକ୍ରମଣର କ୍ରମାଗତ ବୃଦ୍ଧି (ଯେପରି ନିକଟରେ କୋଡରେଡ କୀଟ ଦ୍ୱାରା ଦେଖାଯାଇଛି) ଏହି ମୂଲ୍ୟବାନ ସମ୍ପତ୍ତିକୁ ସୁରକ୍ଷା କରିବାର ଆବଶ୍ୟକତା ସୃଷ୍ଟି କରେ । ଫାୟାରୱାଲ ବର୍ତ୍ତମାନ ଏକ ସାଧାରଣ ସ୍ଥାପନା ଯାହା ପ୍ରଥମ ସ୍ଥାନରେ ଅନୁପ୍ରବେଶ ଉଦ୍ୟମକୁ ପ୍ରତିରୋଧ କରିଥାଏ । ଇନଟ୍ରୁସନ୍ ଡିଟେକ୍ସନ୍ ସିଷ୍ଟମ୍ (ଆଇଡିଏସ୍) କୁ ବ୍ୟବହାର କରି ଦୁଷ୍ଟ କାର୍ଯ୍ୟକଳାପକୁ ରୋକିବା ପରିବର୍ତ୍ତେ ଚିହ୍ନଟ କରିବାକୁ ଚେଷ୍ଟା କରାଯାଏ । ଆଇଡି ସିଷ୍ଟମଗୁଡିକ ସଂଗୃହୀତ ତଥ୍ୟକୁ ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ ହସ୍ତାକ୍ଷର ସହିତ ତୁଳନା କରି ଆକ୍ରମଣକୁ ଚିହ୍ନଟ କରିବାକୁ ଚେଷ୍ଟା କରନ୍ତି ଯାହା କ୍ଷତିକାରକ ବୋଲି ଜଣା ପଡିଥାଏ (ଦସ୍ତଖତ ଆଧାରିତ) କିମ୍ବା ଆଇନଗତ ଆଚରଣର ଏକ ମଡେଲ (ଅନାମଲୀ ଆଧାରିତ) । ଅନୋମଲୀ ଆଧାରିତ ସିଷ୍ଟମଗୁଡିକ ପୂର୍ବରୁ ଅଜ୍ଞାତ ଆକ୍ରମଣକୁ ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ ହେବାର ସୁବିଧା ଅଛି କିନ୍ତୁ ଗ୍ରହଣୀୟ ଆଚରଣର ଏକ ଦୃଢ ମଡେଲ ନିର୍ମାଣ କରିବାରେ ଅସୁବିଧା ଭୋଗନ୍ତି ଏବଂ ଅସାଧାରଣ କିନ୍ତୁ ଅଧିକୃତ କାର୍ଯ୍ୟକଳାପ ଦ୍ୱାରା ବହୁ ସଂଖ୍ୟକ ଆଲାର୍ମ ସୃଷ୍ଟି ହୁଏ । ଆମେ ଏକ ଆଭିମୁଖ୍ୟ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ନେଟୱର୍କ ସେବାଗୁଡିକର ପ୍ରୟୋଗ ନିର୍ଦ୍ଦିଷ୍ଟ ଜ୍ଞାନକୁ ବ୍ୟବହାର କରେ ଯାହା ସୁରକ୍ଷିତ ହେବା ଉଚିତ । ଏହି ସୂଚନା ବର୍ତ୍ତମାନର ସରଳ ନେଟୱର୍କ ଟ୍ରାଫିକ ମଡେଲକୁ ଏକ ଆପ୍ଲିକେସନ ମଡେଲରେ ବିସ୍ତାର କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ ଯାହା ଏକକ ନେଟୱର୍କ ପ୍ୟାକେଟରେ ଲୁକ୍କାୟିତ ଥିବା କ୍ଷତିକାରକ ବିଷୟବସ୍ତୁକୁ ଚିହ୍ନଟ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମେ ପ୍ରସ୍ତାବିତ ମଡେଲର ବିଶେଷତ୍ୱ ବର୍ଣ୍ଣନା କରିଛୁ ଏବଂ ପରୀକ୍ଷାମୂଳକ ତଥ୍ୟ ଉପସ୍ଥାପନ କରିଛୁ ଯାହା ଆମର ପ୍ରଣାଳୀର ଦକ୍ଷତାକୁ ଦର୍ଶାଉଛି । |
10338babf0119e3dba196aef44fa717a1d9a06df | |
36e41cdfddd190d7861b91b04a515967fd1541d9 | ପ୍ରାପ୍ତ: ୨୦ ଜୁଲାଇ ୨୦୧୨ ସଂଶୋଧିତ: ୧୮ ଫେବୃଆରୀ ୨୦୧୩ ଦ୍ୱିତୀୟ ସଂଶୋଧନ: ୨୮ ଜୁନ ୨୦୧୩ ତୃତୀୟ ସଂଶୋଧନ: ୨୦ ସେପ୍ଟେମ୍ବର ୨୦୧୩ ଚତୁର୍ଥ ସଂଶୋଧନ: ୭ ନଭେମ୍ବର ୨୦୧୩ ଗ୍ରହଣଃ ୧ ଫେବୃଆରୀ ୨୦୧୪ ସାରାଂଶ ସାମାଜିକ ନେଟୱାର୍କିଂ ସାଇଟ (SNS) ରେ ଅନ୍ତର୍ଭୁକ୍ତ ବାର୍ତ୍ତା ଏବଂ ସାମାଜିକ ସମ୍ପର୍କର ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଇବା ସହିତ, ବ୍ୟକ୍ତିଙ୍କ ପ୍ରତିକ୍ରିୟା ପାଇଁ ଆବଶ୍ୟକ ସାମାଜିକ ସୂଚନା ପରିମାଣ ମଧ୍ୟ ବୃଦ୍ଧି ପାଉଛି । ଆମେ ଲକ୍ଷ୍ୟ କରୁଛୁ ଯେ, ଏହାର ପରିଣାମ ସ୍ୱରୂପ ଏସଏନଏସ ବ୍ୟବହାରକାରୀମାନେ ଅନୁଭବ କରୁଛନ୍ତି ଯେ ସେମାନେ ଅନ୍ୟ ଏସଏନଏସ ବ୍ୟବହାରକାରୀମାନଙ୍କୁ ଅତ୍ୟଧିକ ସାମାଜିକ ସହାୟତା ପ୍ରଦାନ କରୁଛନ୍ତି । ସାମାଜିକ ସହାୟତା ସିଦ୍ଧାନ୍ତ (ଏସଏସଟି) ଆଧାରରେ ଆମେ ଏସଏନଏସ ବ୍ୟବହାର ସହିତ ଏହି ନକାରାତ୍ମକ ସମ୍ପର୍କକୁ ସାମାଜିକ ଓଭରଲୋଡ ବୋଲି କହିଥାଉ ଏବଂ ଏହାକୁ ମାପିବା ପାଇଁ ଏକ ଲୁକ୍କାୟିତ ପରିବର୍ତ୍ତନଶୀଳ ବିକଶିତ କରିଥାଉ । ତାପରେ ଆମେ ସାମାଜିକ ଓଭରଲୋଡର ଥିଓରିଟିକାଲ ଆଣ୍ଟେସେଡେଣ୍ଟ ଏବଂ ପରିଣାମକୁ ଚିହ୍ନଟ କରିଛୁ ଏବଂ 12 ଜଣଙ୍କୁ ସାକ୍ଷାତକାର ଦେଇ 571 ଫେସବୁକ ବ୍ୟବହାରକାରୀଙ୍କ ସର୍ଭେ କରି ସାମାଜିକ ଓଭରଲୋଡ ମଡେଲକୁ ଅନୁଭବୀକୃତ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରିଛୁ । ଏହି ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ବ୍ୟବହାରର ପରିମାଣ, ବନ୍ଧୁଙ୍କ ସଂଖ୍ୟା, ବ୍ୟକ୍ତିଗତ ସାମାଜିକ ସହାୟତା ନିୟମ ଏବଂ ସମ୍ପର୍କର ପ୍ରକାର (ଅନଲାଇନ୍-କେବଳ ବନାମ ଅଫଲାଇନ୍ ବନ୍ଧୁ) ହେଉଛି ଏପରି କାରକ ଯାହା ସିଧାସଳଖ ସାମାଜିକ ଓଭରଲୋଡରେ ଯୋଗଦାନ ଦେଇଥାଏ, ଯେତେବେଳେ କି ବୟସ କେବଳ ଏକ ପରୋକ୍ଷ ପ୍ରଭାବ ପକାଇଥାଏ । ସାମାଜିକ ଓଭରଲୋଡର ମାନସିକ ଓ ବ୍ୟବହାରିକ ପରିଣାମ ମଧ୍ୟରେ ରହିଛି ଏସଏନଏସ ବ୍ୟବହାରକାରୀଙ୍କ ଦ୍ୱାରା ଏସଏନଏସ ଥକାପଣର ଅନୁଭବ, ବ୍ୟବହାରକାରୀଙ୍କ ସନ୍ତୁଷ୍ଟିର ନିମ୍ନ ସ୍ତର, ଏବଂ ଏସଏନଏସ ବ୍ୟବହାରକୁ ହ୍ରାସ କରିବା କିମ୍ବା ବନ୍ଦ କରିବାର ଉଚ୍ଚ ଉଦ୍ଦେଶ୍ୟ । ଏସଏସଟି ଏବଂ ଏସଏନଏସ ସ୍ୱୀକୃତି ଗବେଷଣା ପାଇଁ ଏହାଦ୍ୱାରା ସୃଷ୍ଟି ହେଉଥିବା ସିଦ୍ଧାନ୍ତିକ ପ୍ରଭାବ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ସଂଗଠନ, ଏସଏନଏସ ପ୍ରଦାନକାରୀ ଏବଂ ଏସଏନଏସ ବ୍ୟବହାରକାରୀଙ୍କ ପାଇଁ ବ୍ୟବହାରିକ ପ୍ରଭାବ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ୟୁରୋପୀୟ ଜର୍ଣ୍ଣାଲ ଅଫ ଇନଫରମେସନ ସିଷ୍ଟମ ଆଡଭାନ୍ସ ଅନଲାଇନ ପ୍ରକାଶନ, ୪ ମାର୍ଚ୍ଚ ୨୦୧୪; doi:10.1057/ejis.2014.3; ଅନଲାଇନ ୧୧ ମାର୍ଚ୍ଚ ୨୦୧୪ରେ ସଂଶୋଧିତ |
ffcb7146dce1aebf47a910b51a873cfec897d602 | ସ୍କାନ ଏବଂ ସେଗମେଂଟେଡ ସ୍କାନ ବହୁବିଧ ପ୍ରୟୋଗ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଡାଟା-ସମାନ୍ତରାଳ ପ୍ରାମିଟିଭ ଅଟେ । ଆମେ ଗ୍ରାଫିକ୍ସ ପ୍ରୋସେସିଂ ୟୁନିଟ (ଜିପିୟୁ) ରେ ଏହି ପ୍ରାମାଣିକ ପାଇଁ ଦ୍ରୁତ, କାର୍ଯ୍ୟ-ଦକ୍ଷ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ ନୂଆ ତଥ୍ୟର ଉପସ୍ଥାପନା ବ୍ୟବହାର କରୁ ଯାହା GPU ସ୍ଥାପତ୍ୟ ସହିତ ଭଲ ଭାବରେ ମେଳ ଖାଏ । ଆମର ଆଲଗୋରିଦମଗୁଡ଼ିକ ସ୍ମରଣ ଶକ୍ତି ବୃଦ୍ଧି କରିବା ପାଇଁ ସହଭାଗୀ ସ୍ମରଣ ଶକ୍ତିକୁ ବ୍ୟବହାର କରିଥାଏ । ଆମେ ଆମର ଆଲଗୋରିଦମଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଆହୁରି ଉନ୍ନତ କରିଛୁ, ସେୟାର-ମେମୋରୀ ବ୍ୟାଙ୍କ ବିବାଦକୁ ଦୂର କରି ଏବଂ ପୂର୍ବ ସେୟାର-ମେମୋରୀ GPU ଆଲଗୋରିଦମଗୁଡ଼ିକରେ ଓଭରହେଡ୍ ହ୍ରାସ କରି । ଆହୁରି ମଧ୍ୟ, ଆମର ଆଲଗୋରିଦମଗୁଡ଼ିକ ସାଧାରଣ ଡାଟା ସେଟ୍ ଉପରେ ଭଲ ଭାବରେ କାମ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି, ଯେଉଁଥିରେ ମନଇଚ୍ଛା ସେଗମେଣ୍ଟ ଲମ୍ବ ସହିତ ସେଗମେଣ୍ଟ ଆରେ ଅନ୍ତର୍ଭୁକ୍ତ । ଆମେ ମଧ୍ୟ ସେଗମେଣ୍ଟ ଲମ୍ବ ଉପରେ ଆଧାରିତ ସେଗମେଣ୍ଟ ସ୍କାନର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଅପ୍ଟିମାଇଜେସନ୍ ଉପସ୍ଥାପନ କରୁ. ଆମେ ଆମର ଆଲଗୋରିଦମକୁ ଏକ ପିସିରେ ଏନ୍ଭିଡିଆ ଜିଫୋର୍ସ ୮୮୦୦ ଜିପିୟୁ ସହିତ କାର୍ଯ୍ୟକାରୀ କରିଥିଲୁ ଏବଂ ଆମର ଫଳାଫଳକୁ ପୂର୍ବ ଜିପିୟୁ ଆଧାରିତ ଆଲଗୋରିଦମ ସହିତ ତୁଳନା କରିଥିଲୁ । ଆମର ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଲକ୍ଷ ଲକ୍ଷ ଉପାଦାନ ସହିତ ଇନପୁଟ୍ କ୍ରମରେ ପୂର୍ବ ଆଲଗୋରିଦମ ତୁଳନାରେ 10 ଗୁଣ ଅଧିକ କାର୍ଯ୍ୟଦକ୍ଷତା ରହିଛି । |
6a640438a4e50fa31943462eeca716413891a773 | ଆମେ ଏକ ନୂତନ ର୍ୟାଙ୍କିଙ୍ଗ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଦୁଇଟି ପୂର୍ବବର୍ତ୍ତୀ ପଦ୍ଧତିର ଶକ୍ତିକୁ ମିଶ୍ରଣ କରେ: ବର୍ଦ୍ଧିତ ବୃକ୍ଷର ବର୍ଗୀକରଣ ଏବଂ ଲାମ୍ବଡା ଆଙ୍କର, ଯାହା ଏକ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ସୂଚନା ପୁନରୁଦ୍ଧାର ମାପ ପାଇଁ ଅନୁଭୂତିଗତ ଭାବରେ ସର୍ବୋତ୍ତମ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ଏହି ଆଲଗୋରିଦମ ବର୍ଦ୍ଧିତ ରିଗ୍ରେସନ ଗଛ ଉପରେ ଆଧାରିତ, ଯଦିଓ ଏହି ଧାରଣା କୌଣସି ଦୁର୍ବଳ ଶିକ୍ଷାର୍ଥୀଙ୍କ ପାଇଁ ପ୍ରଯୁଜ୍ୟ, ଏବଂ ଏହା ଉଭୟ ତାଲିମ ଏବଂ ପରୀକ୍ଷଣ ପର୍ଯ୍ୟାୟରେ କଳାର ସ୍ଥିତି ଅପେକ୍ଷା ଯଥେଷ୍ଟ ଦ୍ରୁତ ଅଟେ, ତୁଳନାତ୍ମକ ଆଧୁନିକତା ପାଇଁ । ଆମେ ମଧ୍ୟ ଦର୍ଶାଇବୁ ଯେ କୌଣସି ଦୁଇଟି ରାଙ୍କର୍ ପାଇଁ କିପରି ସର୍ବୋତ୍ତମ ରେଖୀ ସମନ୍ୱୟ ପାଇବେ, ଏବଂ ଆମେ ଏହି ପଦ୍ଧତିକୁ ରେଖା ସନ୍ଧାନ ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ବ୍ୟବହାର କରିଥାଉ। ଏହା ସହିତ, ଆମେ ଦେଖାଇଲୁ ଯେ ପୂର୍ବରୁ ତାଲିମପ୍ରାପ୍ତ ମଡେଲରୁ ଆରମ୍ଭ କରି ଏହାର ଅବଶିଷ୍ଟକୁ ବ୍ୟବହାର କରି, ମଡେଲ ଅନୁକୂଳନ ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ କୌଶଳ ପ୍ରଦାନ କରେ ଏବଂ ଆମେ ୱେବ୍ ସର୍ଚ୍ଚ ତାଲିମ ର୍ୟାଙ୍କିଙ୍ଗରେ ଏକ ବିଶେଷ ଭାବରେ ଚାପଗ୍ରସ୍ତ ସମସ୍ୟା ପାଇଁ ଫଳାଫଳ ପ୍ରଦାନ କରୁ _ ଯେଉଁ ବଜାରଗୁଡିକ ପାଇଁ କେବଳ ଅଳ୍ପ ପରିମାଣର ଲେବଲ୍ ଡାଟା ଉପଲବ୍ଧ ଅଛି, ଏକ ବୃହତ୍ତର ବଜାରରୁ ବହୁତ ଅଧିକ ତଥ୍ୟ ଉପରେ ତାଲିମପ୍ରାପ୍ତ ଏକ ର୍ୟାଙ୍କିଙ୍ଗକୁ ଦିଆଯାଇଥାଏ _ |
72691b1adb67830a58bebdfdf213a41ecd38c0ba | ଆମେ ଏକ ଗଭୀର ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟକୁ ପରିଚୟ ଦେଉଛୁ ଯାହାକୁ ଡେରାଏନନେଟ କୁହାଯାଏ ଯାହାକି ଏକ ଛବିରୁ ବର୍ଷା ଧାରକୁ ହଟାଇବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥାଏ । ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ଆଧାରରେ ଆମେ ସିଧାସଳଖ ଭାବେ ତଥ୍ୟରୁ ବର୍ଷା ଏବଂ ସ୍ୱଚ୍ଛ ଛବି ବିସ୍ତୃତ ସ୍ତର ମଧ୍ୟରେ ମ୍ୟାପିଂ ସମ୍ପର୍କକୁ ଶିଖୁ । ବାସ୍ତବିକ ବର୍ଷା ଚିତ୍ର ସହିତ ଜଡିତ ମୌଳିକ ସତ୍ୟତା ଆମ ପାଖରେ ନଥିବାରୁ ଆମେ ତାଲିମ ପାଇଁ ବର୍ଷା ସହିତ ଚିତ୍ରକୁ ସଂଶ୍ଳେଷଣ କରିଥାଉ । ଅନ୍ୟ ସାଧାରଣ ରଣନୀତିଗୁଡିକର ବିପରୀତ ଯାହା ନେଟୱାର୍କର ଗଭୀରତା କିମ୍ବା ପ୍ରସ୍ଥକୁ ବୃଦ୍ଧି କରିଥାଏ, ଆମେ ପ୍ରତିଛବି ପ୍ରକ୍ରିୟାକରଣ ଡୋମେନ୍ ଜ୍ଞାନକୁ ବ୍ୟବହାର କରି ଉଦ୍ଦେଶ୍ୟ କାର୍ଯ୍ୟକୁ ପରିବର୍ତ୍ତନ କରିଥାଉ ଏବଂ ସାମାନ୍ୟ ଆକାରର ସିଏନ୍ଏନ୍ ସହିତ ଡ୍ରେନଇଙ୍ଗକୁ ଉନ୍ନତ କରିଥାଉ । ବିଶେଷକରି, ଆମେ ଆମ ଡେରେନ ନେଟକୁ ଛବି ଡୋମେନରେ ନୁହେଁ ବରଂ ବିବରଣୀ (ହାଇ-ପାସ୍) ସ୍ତରରେ ପ୍ରଶିକ୍ଷଣ ଦେଉଛୁ । ଯଦିଓ ଡେରାଏନନେଟକୁ ସିନ୍ଥେଟିକ ଡାଟା ଉପରେ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଇଛି, ଆମେ ପାଇଲୁ ଯେ ଶିଖାଯାଇଥିବା ନେଟୱାର୍କ ପରୀକ୍ଷଣ ପାଇଁ ବାସ୍ତବ ଦୁନିଆର ପ୍ରତିଛବିକୁ ବହୁତ ପ୍ରଭାବଶାଳୀ ଭାବରେ ଅନୁବାଦ କରେ । ଏହାବ୍ୟତୀତ, ଆମେ ସିଏନଏନ ଫ୍ରେମୱାର୍କକୁ ଦୃଶ୍ୟମାନ ଫଳାଫଳକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଚିତ୍ର ଉନ୍ନତି ସହିତ ବୃଦ୍ଧି କରିଛୁ । ଅତ୍ୟାଧୁନିକ ସିଙ୍ଗଲ ଇମେଜ ଡି-ରେନିଙ୍ଗ୍ ପଦ୍ଧତି ତୁଳନାରେ, ଆମର ପଦ୍ଧତିରେ ବର୍ଷା ଅପସାରଣରେ ଉନ୍ନତି ଆସିଛି ଏବଂ ନେଟୱାର୍କ ପ୍ରଶିକ୍ଷଣ ପରେ ବହୁତ ଶୀଘ୍ର ଗଣନା ସମୟ ଆସିଛି । |
34d1ba9476ae474f1895dbd84e8dc82b233bc32e | |
1cdc4ad61825d3a7527b85630fe60e0585fb9347 | ବିଗତ ଦଶନ୍ଧି ମଧ୍ୟରେ ଶିକ୍ଷାଲାଭ ବିଶ୍ଳେଷଣ ହେଉଛି ଟେକ୍ନୋଲୋଜି ଦ୍ୱାରା ଉନ୍ନତ ଶିକ୍ଷଣର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କ୍ଷେତ୍ର । ଏହି କ୍ଷେତ୍ରର ସମୀକ୍ଷା ପ୍ରଯୁକ୍ତି, ଶିକ୍ଷା ଏବଂ ରାଜନୈତିକ କାରଣଗୁଡିକର ଏକ ପରୀକ୍ଷଣ ସହିତ ଆରମ୍ଭ ହୁଏ ଯାହା ଶିକ୍ଷାଗତ ସେଟିଂରେ ବିଶ୍ଳେଷଣର ବିକାଶକୁ ଆଗେଇ ନେଇଛି । ଏହା ପରେ ଶିକ୍ଷଣ ବିଶ୍ଳେଷଣର ଉତ୍ପତ୍ତି, ୨୦ଶ ଶତାବ୍ଦୀରେ ଏହାର ଉତ୍ପତ୍ତି, ତଥ୍ୟ ଆଧାରିତ ବିଶ୍ଳେଷଣର ବିକାଶ, ଶିକ୍ଷଣ କେନ୍ଦ୍ରିତ ଦୃଷ୍ଟିକୋଣର ଉତ୍ଥାନ ଏବଂ ଜାତୀୟ ଅର୍ଥନୈତିକ ଚିନ୍ତାଧାରାର ପ୍ରଭାବ ବିଷୟରେ ଉଲ୍ଲେଖ କରାଯାଇଛି । ଏହା ପରେ ଶିକ୍ଷଣ ବିଶ୍ଳେଷଣ, ଶିକ୍ଷଣ ତଥ୍ୟ ଖନନ ଏବଂ ଏକାଡେମିକ୍ ବିଶ୍ଳେଷଣ ମଧ୍ୟରେ ସମ୍ପର୍କ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । ଶେଷରେ, ଏହା ଶିକ୍ଷଣ ବିଶ୍ଳେଷଣ ଗବେଷଣାର ବିକାଶଶୀଳ କ୍ଷେତ୍ରଗୁଡିକର ସମୀକ୍ଷା କରେ ଏବଂ ଭବିଷ୍ୟତର ଆହ୍ୱାନଗୁଡିକର ଏକ ସିରିଜ୍ ଚିହ୍ନଟ କରେ । |
f3ac0d94ba2374e46dfa3a13effcc540205faf21 | |
49fd00a22f44a52f4699730403033416e0762e6d | |
860d3d4114711fa4ce9a5a4ccf362b80281cc981 | କିନ୍ତୁ ସ୍ଥାନ ଅଭାବରୁ ଏହି ବିଭାଗର ଆକାର ବହୁତ କମ୍ ହୋଇଯାଇଛି । ଏହା ସହିତ, ଉପଯୋଗୀତା ଅନଟୋଲୋଜିଗୁଡିକ ଯାହା ସମୟ, ଭୂ-ସ୍ଥାନିକ, ବ୍ୟକ୍ତି, ଘଟଣା ଏବଂ ନେଟୱାର୍କ କାର୍ଯ୍ୟ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ ତାହା ସଂକ୍ଷିପ୍ତରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ଉପଯୋଗୀତା ଅନଟୋଲଜିକୁ ବିଶେଷ ସୁପର-ଡୋମେନ୍ ବା ମଧ୍ୟମ ସ୍ତର ଅନଟୋଲଜି ଭାବରେ ଦେଖାଯାଇପାରେ, ଯେହେତୁ ଏହା ଅଧିକାଂଶ ଅନଟୋଲଜିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ - ଯେକୌଣସି ସାଇବର ଅନଟୋଲଜି ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ବ୍ୟବସାୟିକ ଅଧ୍ୟୟନ ଦ୍ୱାରା ବ୍ୟବହୃତ ଅଂତୋଲଜିକାଲ ସ୍ଥାପତ୍ୟର ଏକ ସାମଗ୍ରିକ ଦୃଶ୍ୟ ମଧ୍ୟ ଦିଆଯାଇଛି । ବାଣିଜ୍ୟ ଅଧ୍ୟୟନର ରିପୋର୍ଟରେ ପରବର୍ତ୍ତୀ ପର୍ଯ୍ୟାୟ ପାଇଁ କେତେକ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି କାଗଜରେ ଆମେ ଏକ ବ୍ୟବସାୟିକ ଅଧ୍ୟୟନ ଉପରେ ରିପୋର୍ଟ କରିଛୁ ଯାହା ଏକ ପ୍ରାରମ୍ଭିକ ମାଲୱେର ଅନ୍ଟୋଲୋଜିରୁ ସାଇବର ଅନ୍ଟୋଲୋଜିର ବିକାଶକୁ ସମର୍ଥନ କରିବାକୁ ଆମେ କରିଥିଲୁ । ସାଇବର ଅନ୍ଯାନ୍ଯ ଜ୍ଞାନକୌଶଳ ପ୍ରୟାସର ଲକ୍ଷ୍ୟ ପ୍ରଥମେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହା ପରେ ବ୍ୟବହାର କରାଯାଇଥିବା ଅନ୍ଯାନ୍ଯ ଜ୍ଞାନକୌଶଳ ବିକାଶ ପଦ୍ଧତିର ଆଲୋଚନା କରାଯାଇଛି । ଏହା ପରେ ଏହି କାଗଜର ମୁଖ୍ୟ ଅଂଶ ଆସେ, ଯାହା ସମ୍ଭାବ୍ୟ ଅନଟୋଲୋଜି ଏବଂ ମାନକର ବର୍ଣ୍ଣନା ଅଟେ ଯାହା ସାଇବର ଅନଟୋଲୋଜିକୁ ଏହାର ପ୍ରାରମ୍ଭିକ ସୀମିତ ମାଲୱେୟାର ଫୋକସରୁ ବିସ୍ତାର କରିବାକୁ ବ୍ୟବହୃତ ହୋଇପାରେ । ଏହି ସମ୍ବଳ ମଧ୍ୟରେ ସାଇବର ଏବଂ ମାଲୱେୟାର ମାନକ, ସ୍କିମା ଏବଂ ଟର୍ମିନୋଲୋଜି ଅନ୍ତର୍ଭୁକ୍ତ ଯାହା ପ୍ରାରମ୍ଭିକ ମାଲୱେୟାର ଅଣ୍ଟୋଲୋଜି ପ୍ରୟାସରେ ସିଧାସଳଖ ଯୋଗଦାନ ଦେଇଥିଲା । ଅନ୍ୟାନ୍ୟ ସମ୍ବଳ ହେଉଛି ଉଚ୍ଚ (ବେଳେବେଳେ ମୂଳ ) ଅନଟୋଲୋଜି । ଯେକୌଣସି ସାଇବର ଅନ୍ଯାନ୍ଯ ଜ୍ଞାନକୌଶଳ ଦ୍ବାରା ବିସ୍ତାରିତ ହେଉଥିବା ମୂଳ ଧାରଣା ଗୁଡିକ ପୂର୍ବରୁ ହିଁ ଚିହ୍ନଟ ହୋଇସାରିଛି ଏବଂ ଏହି ମୌଳିକ ଜ୍ଞାନକୌଶଳ ଗୁଡିକରେ କଠୋର ଭାବରେ ପରିଭାଷିତ କରାଯାଇଛି । |
4767a0c9f7261a4265db650d3908c6dd1d10a076 | ଟ୍ରାକିଂ-ବୈ-ଡିଟେକ୍ସନ (Detection-by-tracking) କୁ ଅନେକ ଲକ୍ଷ୍ୟକୁ ଟ୍ରାକିଂ କରିବାର ସବୁଠାରୁ ସଫଳ ରଣନୀତି ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । [୪୦, ୫୩, ୫୫] ପାରମ୍ପରିକ ଭାବରେ, ଏକ ପ୍ରାକ୍ ପ୍ରକ୍ରିୟାକରଣ ପଦକ୍ଷେପରେ ସୃଷ୍ଟି ହୋଇଥିବା ବିରଳ ଚିହ୍ନଟଗୁଡ଼ିକର ଏକ ସେଟ୍ ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ ଟ୍ରାକର୍ ପାଇଁ ଇନପୁଟ୍ ଭାବରେ କାର୍ଯ୍ୟ କରେ ଯାହାର ଲକ୍ଷ୍ୟ ହେଉଛି ସମୟ ସହିତ ଏହି ଡଟ୍ କୁ ସଠିକ୍ ଭାବରେ ସଂଯୋଗ କରିବା । ଏହି ପଦ୍ଧତିର ଏକ ସ୍ପଷ୍ଟ ଅଭାବ ହେଉଛି ଯେ, ଦୁର୍ବଳ ଚିହ୍ନଟ ପ୍ରତିକ୍ରିୟାକୁ ସୀମିତ କରି ଏବଂ ନନ୍-ମ୍ୟାକ୍ସିମମ୍ ଦମନ ପ୍ରୟୋଗ କରି ଚିତ୍ର କ୍ରମରେ ଉପଲବ୍ଧ ଅଧିକାଂଶ ସୂଚନାକୁ ଅଣଦେଖା କରାଯାଇଥାଏ । ଆମେ ଏକ ମଲ୍ଟି ଟାର୍ଗେଟ ଟ୍ରାକର୍ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ନିମ୍ନ ସ୍ତରର ପ୍ରତିଛବି ସୂଚନାକୁ ବ୍ୟବହାର କରେ ଏବଂ ପ୍ରତ୍ୟେକ (ସୁପର) ପିକ୍ସେଲକୁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଟାର୍ଗେଟ୍ ସହିତ ସଂଯୋଗ କରେ କିମ୍ବା ଏହାକୁ ପୃଷ୍ଠଭୂମି ଭାବରେ ବର୍ଗୀକୃତ କରେ । ଫଳସ୍ୱରୂପ, ଆମେ ଅସଂଯୋଜିତ, ବାସ୍ତବ ଦୁନିଆର ଭିଡିଓରେ କ୍ଲାସିକାଲ୍ ବୌଣ୍ଡିଂ-ବକ୍ସ ପ୍ରତିନିଧିତ୍ୱ ବ୍ୟତୀତ ଏକ ଭିଡିଓ ସେଗମେଣ୍ଟେସନ୍ ପାଇଥାଉ । ଆମର ଏହି ପଦ୍ଧତି ଅନେକ ମାନକ ରେଙ୍କମାର୍କ ଧାରା ଉପରେ ଉତ୍ସାହଜନକ ଫଳାଫଳ ଦେଖାଉଛି ଏବଂ ଦୀର୍ଘକାଳୀନ ଆଂଶିକ ଅନ୍ଧକାର ଥିବା ଜନଗହଳିପୂର୍ଣ୍ଣ ଦୃଶ୍ୟରେ ଆବିଷ୍କାର ଦ୍ୱାରା ଅନୁସରଣର ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ । |
8eefd28eb47e72794bb0355d8abcbebaac9d8ab1 | ଅନେକ ଦଶନ୍ଧି ଧରି, ପରିସଂଖ୍ୟାନବିଦମାନେ ବାରମ୍ବାର ଆଶା-ବହୁତକରଣ (ଇଏମ) କୌଶଳ ମାଧ୍ୟମରେ ଏକ ଜେନେରେଟିଭ ମଡେଲର ପାରାମିଟରଗୁଡିକର ଆକଳନ କରି ଶ୍ରେଣୀଭୁକ୍ତକାରୀମାନଙ୍କୁ ତାଲିମ ଦେବା ପାଇଁ ଲେବଲ୍ ଏବଂ ଅଣ-ଲେବଲ୍ ତଥ୍ୟର ଏକ ମିଶ୍ରଣ ବ୍ୟବହାର କରିବାକୁ ପରାମର୍ଶ ଦେଇଛନ୍ତି । ଏହି ଅଧ୍ୟାୟରେ, ଟେକ୍ସଟ କ୍ଲାସ ଆଇଫିକେସନ କ୍ଷେତ୍ରରେ ପ୍ରୟୋଗ କରାଯିବା ପରେ ଏହି ପଦ୍ଧତିର ପ୍ରଭାବୀତା ଉପରେ ଗବେଷଣା କରାଯାଇଛି । ଏଠାରେ ଟେକ୍ସଟ ଡକ୍ୟୁମେଣ୍ଟକୁ ବ୍ୟାଗ ଅଫ ୱାର୍ଡ ମଡେଲରେ ଦର୍ଶାଯାଇଛି, ଯାହା ମଲ୍ଟିନୋମିଆଲ ମିଶ୍ରଣ ଉପରେ ଆଧାରିତ ଏକ ଜେନେରେଟିଭ କ୍ଲାସିଫିକେସନ ମଡେଲକୁ ନେଇଥାଏ । ଏହି ମଡେଲଟି ଲିଖିତ ପାଠ୍ୟର ଜଟିଳତାକୁ ଅତି ସରଳ ଭାବେ ଦର୍ଶାଇଥାଏ । ଏହି ଅଧ୍ୟାୟରେ, ଆଂଶିକ ତଦାରଖଯୁକ୍ତ ଶିକ୍ଷଣର ତିନୋଟି ମୁଖ୍ୟ ବିଷୟ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ସେଗୁଡ଼ିକର ଉଦାହରଣ ଦିଆ ଯାଇଛି । ପ୍ରଥମତଃ, ସରଳ ଚିତ୍ରଣ ସତ୍ତ୍ୱେ, କେତେକ ଲେଖାରେ ଜେନେରେଟିଭ୍ ମଡେଲ ସମ୍ଭାବନା ଓ ଶ୍ରେଣୀକରଣ ସଠିକତା ମଧ୍ୟରେ ଉଚ୍ଚ ସକାରାତ୍ମକ ସମ୍ପର୍କ ରହିଛି । ଏହି କ୍ଷେତ୍ରରେ, ଇଏମ୍ର ସରଳ ପ୍ରୟୋଗ, ନିରପେକ୍ଷ ବେୟସ ମଡେଲ ସହିତ ଭଲ ଭାବରେ କାମ କରେ । ଦ୍ୱିତୀୟରେ, କିଛି ଲେଖା ଡୋମେନରେ ଏହି ସମ୍ପର୍କ ନାହିଁ । ଏଠାରେ ଆମେ ଏକ ଅଧିକ ଅଭିବ୍ୟକ୍ତିକାରୀ ଏବଂ ଉପଯୁକ୍ତ ଜେନେରେଟିଭ ମଡେଲ ବାଛି ପାରିବା ଯାହା ଏକ ସକାରାତ୍ମକ କୋରିଲେସନ (ସକାରାତ୍ମକ ସମ୍ପର୍କ) ସହିତ ଜଡିତ । ଏହି କ୍ଷେତ୍ରରେ, ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ଶିକ୍ଷାଦାନ ପୁନର୍ବାର ଶ୍ରେଣୀକରଣ ଏବଂ ସଠିକତା ଉନ୍ନତ କରେ । ଶେଷରେ, EM ସ୍ଥାନୀୟ ସର୍ବାଧିକ ସମସ୍ୟାର ସମ୍ମୁଖୀନ ହୁଏ, ବିଶେଷକରି ଉଚ୍ଚ ଆକାରର କାର୍ଯ୍ୟଗୁଡ଼ିକରେ ଯେପରିକି ପାଠ୍ୟ ଶ୍ରେଣୀକରଣ । ଆମେ ଦର୍ଶାଇଛୁ ଯେ ଇଏମ୍ର ଏକ ପ୍ରକାର ନିର୍ଣ୍ଣାୟକ ଆନିଲିଙ୍ଗ୍ ସ୍ଥାନୀୟ ସର୍ବାଧିକ ସମସ୍ୟାକୁ ଦୂର କରିବାରେ ସାହାଯ୍ୟ କରିପାରେ ଏବଂ ଯେତେବେଳେ ଜେନେରେଟିଭ୍ ମଡେଲ ଉପଯୁକ୍ତ ହୋଇଥାଏ ସେତେବେଳେ ବର୍ଗୀକରଣ ସଠିକତାକୁ ଆହୁରି ବୃଦ୍ଧି କରିପାରେ । |
696ad1c38b588dae3295668a0fa34021c4481030 | ଆମେ ଏକ ମଲ୍ଟି-ଲେବଲ୍, ବହୁଳ ଭାବରେ ମଲ୍ଟି-କ୍ଲାସ୍ ଇମେଜ୍ ବର୍ଗୀକରଣ ମଡେଲକୁ ପ୍ରଶିକ୍ଷଣ ପାଇଁ ଏକ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁ, ଯାହା ସିଗମୋଏଡ୍ କ୍ରସ୍-ଏଣ୍ଟ୍ରୋପି କ୍ଷତି (ଲଜିଷ୍ଟିକ୍ ରିଗ୍ରେସନ୍) ମାଧ୍ୟମରେ ତଦାରଖ ଅପେକ୍ଷା ଶୀଘ୍ର ଏବଂ ଅଧିକ ସଠିକ୍ ଅଟେ । ଆମର ପଦ୍ଧତି ହେଉଛି ଉଚ୍ଚ-ଆକାରର ବିରଳ ଲେବଲକୁ ଏକକ-ନର୍ମିତ ଭେକ୍ଟରଗୁଡ଼ିକର ନିମ୍ନ-ଆକାରର ଘନ ବସ୍ତୁରେ ଭର୍ତ୍ତି କରିବା ଏବଂ ଏହି ବସ୍ତୁ ଉପରେ ଏକ କୋସିନୋ ନିକଟତା ରିଗ୍ରେସନ ସମସ୍ୟା ଭାବରେ ବର୍ଗୀକରଣ ସମସ୍ୟାକୁ ଚିକିତ୍ସା କରିବା । ଆମେ ଆମର ପଦ୍ଧତିକୁ ୧୭,୦୦୦ ଲେବଲ୍ ସହିତ ୩୦୦ ନିୟୁତ ଉଚ୍ଚ-ବିଭେଦନ ପ୍ରତିଛବିର ଡାଟାସେଟ୍ ଉପରେ ପରୀକ୍ଷା କରିଛୁ, ଯେଉଁଠାରେ ଏହା ଯଥେଷ୍ଟ ଦ୍ରୁତତର ସମ୍ମିଶ୍ରଣ ପ୍ରଦାନ କରିଥାଏ, ଏବଂ ଲଜିଷ୍ଟିକ୍ ରିଗ୍ରେସନ୍ ତୁଳନାରେ ୭% ଅଧିକ ହାରାହାରି ସଠିକତା ପ୍ରଦାନ କରିଥାଏ । |
ad5974c04b316f4f379191e4dbea836fd766f47c | ଏହି ପତ୍ରିକାଟି ମେସିନ ଅନୁବାଦରେ ବୃହତ ସ୍ତରର ପରିସଂଖ୍ୟାନିକ ଭାଷା ମଡେଲିଂର ଲାଭ ବିଷୟରେ ରିପୋର୍ଟ କରେ । ଏକ ବିତରିତ ଭିତ୍ତିଭୂମି ପ୍ରସ୍ତାବିତ କରାଯାଇଛି ଯାହାକୁ ଆମେ ୨ ଟ୍ରିଲିୟନ ଟୋକନ ଉପରେ ପ୍ରଶିକ୍ଷଣ ପାଇଁ ବ୍ୟବହାର କରିଥାଉ, ଯାହାର ପରିଣାମ ସ୍ୱରୂପ ଭାଷା ମଡେଲରେ ୩୦୦ ବିଲିୟନ ଏନ-ଗ୍ରାମ ପର୍ଯ୍ୟନ୍ତ ରହିଥାଏ । ଏହା ଦ୍ରୁତ, ଏକ-ପାସ୍ ଡିକୋଡିଂ ପାଇଁ ସୁଗମ ସମ୍ଭାବ୍ୟତା ପ୍ରଦାନ କରିବାରେ ସକ୍ଷମ । ଆମେ ଏକ ନୂଆ ସଫେଇ ପଦ୍ଧତି ପ୍ରଚଳନ କରିଛୁ, ଯାହାକୁ "ଷ୍ଟୁପିଡ୍ ବ୍ୟାକଅଫ୍" ନାମ ଦିଆଯାଇଛି, ଯାହାକି ବଡ଼ ଡାଟା ସେଟ୍ ଉପରେ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ଶସ୍ତା ଏବଂ ପ୍ରଶିକ୍ଷଣ ଡାଟା ପରିମାଣ ବଢ଼ିବା ସହିତ ଏହା କ୍ନିସର-ନେ ସଫେଇର ଗୁଣବତ୍ତା ନିକଟତର ହୋଇଥାଏ । |
6cb45af3db1de2ba5466aedcb698deb6c4bb4678 | ଏହି ପ୍ରକଳ୍ପରେ, ଆମେ ପ୍ରସିଦ୍ଧ ଷ୍ଟାନଫୋର୍ଡ ପ୍ରଶ୍ନ ଉତ୍ତର ଡାଟାସେଟ (SQuAD) ଉପରେ ପ୍ରଶ୍ନ ଉତ୍ତର କାର୍ଯ୍ୟ ପାଇଁ ଏକ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟ ନିର୍ମାଣରେ ଆଗ୍ରହୀ । ଆମର କାର୍ଯ୍ୟାନ୍ୱୟନ ଏକ ନୂତନ ଉଚ୍ଚ-ପ୍ରଦକ୍ଷତା ହାସଲ ପଦ୍ଧତି ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ହୋଇଛି ଯାହା ସମ-ଅତୀକରଣ ଏନକୋଡରକୁ ଏକ ଗତିଶୀଳ ସୂଚକ ଡିକୋଡର ସହିତ ସଂଯୁକ୍ତ କରେ ଯାହାକୁ ଡାଇନାମିକ୍ ସମ-ଅତୀକରଣ ନେଟୱାର୍କ କୁହାଯାଏ । ଆମେ ବିଭିନ୍ନ ପ୍ରକାରର କୌଶଳ ଅନୁସନ୍ଧାନ କରିଥିଲୁ ଯାହା ଏହିପରି ସିଷ୍ଟମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିପାରିବ ବୋଲି ଆମେ ବିଶ୍ୱାସ କରୁଥିଲୁ । |
e11d5a4edec55f5d5dc8ea25621ecbf89e9bccb7 | ନେଟୱର୍କ ସଂଯୁକ୍ତ କମ୍ପ୍ୟୁଟର ଉପରେ ଆମ ସମାଜର ନିର୍ଭରଶୀଳତା ଭୟଙ୍କର ହୋଇପଡ଼ିଛି: ଅର୍ଥନୀତିରେ, ସମ୍ପୂର୍ଣ୍ଣ ଡିଜିଟାଲ ନେଟୱର୍କଗୁଡ଼ିକ ସୁବିଧା ପ୍ରଦାନକାରୀରୁ ଡ୍ରାଇଭରରେ ପରିଣତ ହୋଇଛି; ସାଇବର-ଫିଜିକାଲ ସିଷ୍ଟମଗୁଡ଼ିକ ପରିପକ୍ୱ ହୋଇଥିବାରୁ, କମ୍ପ୍ୟୁଟର ନେଟୱାର୍କଗୁଡ଼ିକ ବର୍ତ୍ତମାନ ଆମର ଭୌତିକ ଦୁନିଆର କେନ୍ଦ୍ରୀୟ ସ୍ନାୟୁ ପ୍ରଣାଳୀରେ ପରିଣତ ହେଉଛି - ଏପରିକି ବିଦ୍ୟୁତ୍ ଗ୍ରୀଡ୍ ଭଳି ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭିତ୍ତିଭୂମିର ମଧ୍ୟ । ଏଥିସହିତ, ନେଟୱର୍କରେ ସଂଯୁକ୍ତ କମ୍ପ୍ୟୁଟରଗୁଡ଼ିକର 24/7 ଉପଲବ୍ଧତା ଏବଂ ସଠିକ୍ କାର୍ଯ୍ୟକାରିତା ଅଧିକ ବିପଦରେ ପଡ଼ିଛି: ଆଇଟି ସିଷ୍ଟମ ଉପରେ ଉନ୍ନତ ଏବଂ ଉଚ୍ଚକୋଟୀର ଆକ୍ରମଣର ସଂଖ୍ୟା ଯଥେଷ୍ଟ ବୃଦ୍ଧି ପାଇଛି । ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପ୍ରଣାଳୀ (ଆଇଡିଏସ) ହେଉଛି ପ୍ରତିରକ୍ଷା ପ୍ରଣାଳୀର ଏକ ପ୍ରମୁଖ ଉପାଦାନ; ଏହା ଉପରେ ବିଗତ ଦିନରେ ବ୍ୟାପକ ଅଧ୍ୟୟନ କରାଯାଇଛି ଏବଂ ଏହାର ଉପଯୋଗ କରାଯାଉଛି । ଯେହେତୁ ପାରମ୍ପରିକ ଆଇଡିଏସ ବଡ଼ କମ୍ପାନୀ ନେଟୱାର୍କ ଏବଂ ତା ଠାରୁ ଅଧିକ ପର୍ଯ୍ୟନ୍ତ ମାପ କରାଯାଇପାରିବ ନାହିଁ, କିମ୍ବା ବ୍ୟାପକ ଭାବେ ସମାନ୍ତରାଳ ଆକ୍ରମଣ ପାଇଁ, ସହଯୋଗୀ ଆଇଡିଏସ (ସିଡବ୍ଲୁଏସ) ସୃଷ୍ଟି ହୋଇଛି । ଏଥିରେ ଅନେକ ମନିଟରିଂ ଉପାଦାନ ରହିଛି ଯାହା ତଥ୍ୟ ସଂଗ୍ରହ ଓ ଆଦାନପ୍ରଦାନ କରିଥାଏ । ନିର୍ଦ୍ଦିଷ୍ଟ ସିଆଇଡିଏସ ସ୍ଥାପତ୍ୟ ଉପରେ ନିର୍ଭର କରି କେନ୍ଦ୍ରୀୟ କିମ୍ବା ବଣ୍ଟିତ ବିଶ୍ଳେଷଣ ଉପାଦାନଗୁଡିକ ଆକ୍ରମଣ ଚିହ୍ନଟ କରିବା ପାଇଁ ସଂଗୃହିତ ତଥ୍ୟକୁ ଖନନ କରନ୍ତି । ଏହିପରି ଭାବରେ ବିଭିନ୍ନ ମନିଟରିଂ ସିଷ୍ଟମ ମଧ୍ୟରେ ସମ୍ପର୍କ ସ୍ଥାପନ କରାଯାଇ ମନିଟରିଂ ନେଟୱାର୍କର ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଦୃଶ୍ୟ ସୃଷ୍ଟି କରାଯାଇଥାଏ । ଏହି ଆର୍ଟିକିଲରେ ପ୍ରଥମେ ସିଆଇଡିଏସ ପାଇଁ ପ୍ରାସଙ୍ଗିକ ଆବଶ୍ୟକତା ନିର୍ଦ୍ଧାରଣ କରାଯାଇଛି; ଏହା ପରେ ସିଆଇଡିଏସ ଡିଜାଇନ ସ୍ପେସକୁ ଆରମ୍ଭ କରିବା ଏବଂ ଆବଶ୍ୟକତାକୁ ନେଇ ଆଲୋଚନା କରିବା ପାଇଁ ପୃଥକ ପୃଥକ ବିଲ୍ଡିଂ ବ୍ଲକକୁ ପୃଥକ ପୃଥକ କରିଥାଏ । ଏହି ଡିଜାଇନ୍ ସ୍ପେସ୍ ଉପରେ ଆଧାର କରି, ଆକ୍ରମଣ ଯାହା ସିଆଇଡିଏସକୁ ଏଡ଼ାଇ ଯାଇଥାଏ ଏବଂ ସିଆଇଡିଏସ୍ର ଉପଲବ୍ଧତା ଉପରେ ଆକ୍ରମଣ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଥାଏ । ଆବଶ୍ୟକତା, ନିର୍ମାଣ ବ୍ଲକ ଏବଂ ଆକ୍ରମଣର ସମ୍ପୂର୍ଣ୍ଣ ଢାଞ୍ଚା, ଯାହା ପ୍ରବର୍ତ୍ତନ କରାଯାଇଛି, ତାପରେ ସହଯୋଗୀ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ କଳାର ସ୍ଥିତିର ଏକ ବ୍ୟାପକ ବିଶ୍ଳେଷଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, ଯେଉଁଥିରେ ସବିଶେଷ CIDS ଆଭିମୁଖ୍ୟର ବିସ୍ତୃତ ସର୍ବେକ୍ଷଣ ଏବଂ ତୁଳନା ଅନ୍ତର୍ଭୁକ୍ତ । |
720158a53b79667e39c2caf2f7ebb2670b848693 | ଶରୀର ସେନସର ନେଟୱାର୍କ (ବିଏସଏନ) ଭଳି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଜୀବନ ରକ୍ଷାକାରୀ ଭିତ୍ତିଭୂମି ପାଇଁ ଜଣେ ବ୍ୟକ୍ତିର ଗୋପନୀୟତାକୁ ପ୍ରଭାବୀ ଢଙ୍ଗରେ ସଂରକ୍ଷଣ କରିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଏହି କାଗଜରେ ଏକ ନୂଆ କୀ ଚୁକ୍ତି ସ୍କିମ୍ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହାଦ୍ୱାରା ବିଏସଏନ ରେ ଦୁଇଟି ସେନସର ଇଲେକ୍ଟ୍ରୋକାର୍ଡିଓଗ୍ରାମ (ଇକେଜି) ସିଗନାଲ୍ ବ୍ୟବହାର କରି ସୃଷ୍ଟି ହୋଇଥିବା ଏକ ସାଧାରଣ କୀ ଚୁକ୍ତି କରିପାରିବେ । ଇକାଗ ଆଧାରିତ ଏହି ମୁଖ୍ୟ ବୁଝାମଣା (ଇକେଏ) ଯୋଜନାରେ ବିଏସଏନ ସୁରକ୍ଷା ପାଇଁ "ପ୍ଲଗ-ଏନ-ପ୍ଲେ" ପାରାଡିଗମ ଆଣିବାର ଲକ୍ଷ୍ୟ ରଖାଯାଇଛି ଯାହାଦ୍ୱାରା କେବଳ ବିଷୟ ଉପରେ ସେନସର ନିୟୋଜନ କରିବା ଦ୍ୱାରା ସୁରକ୍ଷିତ ଯୋଗାଯୋଗ ସମ୍ଭବ ହୋଇପାରିବ, ଯାହା ପାଇଁ କୌଣସି ପ୍ରକାରର ପ୍ରାରମ୍ଭିକରଣ ଆବଶ୍ୟକ ନାହିଁ । ବାସ୍ତବ ଇକୋଗ୍ରାଫିକ ତଥ୍ୟ (ଏମ୍ଆଇଟି ଫିଜିଓ ବ୍ୟାଙ୍କ ଡାଟାବେସରୁ ପ୍ରାପ୍ତ) ଆଧାରରେ ଏହି ସ୍କିମର ବିଶ୍ଳେଷଣରୁ ଜଣାପଡ଼େ ଯେ ଇକାଗୁଡ଼ିକରୁ ଉତ୍ପନ୍ନ ଚାବିଗୁଡ଼ିକ ହେଉଛି: ଆକସ୍ମିକ, ସମୟର ପରିବର୍ତ୍ତନ, ସ୍ୱଳ୍ପ ଅବଧି ଇକୋଗ୍ରାଫିକ ମାପ ଉପରେ ଆଧାର କରି ସୃଷ୍ଟି କରାଯାଇପାରିବ, ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବିଷୟ ପାଇଁ ସମାନ ଏବଂ ପୃଥକ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଭିନ୍ନ। |
f692c692d3426cc663f3ec9be0c7025b670b2e5c | ଅନେକ ବର୍ଷ ଧରି ଆଇଟି ଉଦ୍ୟୋଗ ବର୍ତ୍ତମାନର ସଫ୍ଟୱେର ସମ୍ବଳରୁ ନୂତନ ପ୍ରୟୋଗକୁ ଏକତ୍ର କରି ସଫ୍ଟୱେର ବିକାଶ ପ୍ରକ୍ରିୟାକୁ ତ୍ୱରାନ୍ୱିତ କରିବାକୁ ଚେଷ୍ଟା କରିଛି । ତେବେ 1960 ଦଶକରେ ଡଗ୍ଲାସ୍ ମ୍ୟାକ୍ଲରଏଙ୍କ ଦ୍ୱାରା ପରିକଳ୍ପିତ ହୋଇଥିବା ପ୍ରକୃତ ଉପାଦାନ ଆଧାରିତ ପୁନଃ ବ୍ୟବହାର ନିୟମ ଅପେକ୍ଷା ଅପବାଦ ଅଟେ, ଏବଂ ଆଜି ବ୍ୟବସ୍ଥିତ ସଫ୍ଟୱେୟାର ପୁନଃ ବ୍ୟବହାରର ଅଧିକାଂଶ ପ୍ରଡକ୍ଟ-ଲାଇନ୍ ଇଞ୍ଜିନିୟରିଂ କିମ୍ବା ଡୋମେନ୍-ନିର୍ଦ୍ଦିଷ୍ଟ ଫ୍ରେମୱାର୍କ ଭଳି ଭାରୀ ଓଜନ ବିଶିଷ୍ଟ ପଦ୍ଧତି ବ୍ୟବହାର କରେ । ଉପାଦାନ ଦ୍ୱାରା, ଆମେ ସଫ୍ଟୱେୟାର କାର୍ଯ୍ୟକାରିତାର କୌଣସି ଏକୀକୃତ ଏବଂ କମ୍ପାକ୍ଟ ୟୁନିଟକୁ ବୁଝୁଛୁ ଯାହାର ଏକ ସୁପରିଚିତ ଇଣ୍ଟରଫେସ୍ ଅଛି - ସରଳ ପ୍ରୋଗ୍ରାମିଂ ଭାଷା ଶ୍ରେଣୀରୁ ୱେବ୍ ସର୍ଭିସ୍ ଏବଂ ଏଣ୍ଟରପ୍ରାଇଜ୍ ଜାଭା ବିନ୍ ଭଳି ଅଧିକ ଜଟିଳ କାରୁକାର୍ଯ୍ୟ ପର୍ଯ୍ୟନ୍ତ । |
96ea8f0927f87ab4be3a7fd5a3b1dd38eeaa2ed6 | ଏହି ଚିଠିରେ ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ ଏବଂ ସରଳ ଟୋରସ ନୋଡ ମୋନୋପଲ ଆଣ୍ଟିନା ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଆଣ୍ଟିନାକୁ ଆଡିଟିଭ୍ ମ୍ୟାନୁଫ୍ୟାକ୍ଚରିଂ ଟେକ୍ନୋଲୋଜି ଜରିଆରେ ପ୍ରସ୍ତୁତ କରାଯାଇଛି, ଯାହାକୁ ସାଧାରଣତଃ ୩-ଡି ପ୍ରିଣ୍ଟିଂ କୁହାଯାଏ । ଆଣ୍ଟିନା ର ନିର୍ମାଣ ଯାନ୍ତ୍ରିକ ଦୃଷ୍ଟିରୁ ସରଳ ଏବଂ ଏହାର ସ୍ଥିର ବିକିରଣ ପଦ୍ଧତି ସହିତ ୧-୨ ଗିଗାହର୍ଟଜ୍ର ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜରେ ଇନପୁଟ୍ ରିଫ୍ଲେକ୍ସନ କୋଏଫସିଟି -୧୦ ଡିବିରୁ କମ୍ । ଆଣ୍ଟେନର ମାପିତ ଓ ଅନୁକରଣିତ କାର୍ଯ୍ୟଦକ୍ଷତାର ତୁଳନା ମଧ୍ୟ ଉପସ୍ଥାପିତ କରାଯାଇଛି । |
206b204618640917f278e72bd0e2a881d8cec7ad | ମଡେଲ ଚିହ୍ନଟ ପାଇଁ ବେୟସୀୟ ପଦ୍ଧତି ବ୍ୟବହାର କରିବାରେ ଏକ ପ୍ରମୁଖ ପ୍ରତିବନ୍ଧକ ହେଉଛି ଏହାର ଗଣନା ଖର୍ଚ୍ଚ । ଏହି ଥିସସ ଏକ ଅନୁମାନ କୌଶଳ ଉପସ୍ଥାପନ କରେ ଯାହା ପୂର୍ବରୁ ସମ୍ଭବ ଅପେକ୍ଷା ବେସିୟସୀୟ ଅନୁମାନକୁ ଶୀଘ୍ର ଏବଂ ଅଧିକ ସଠିକ ଭାବରେ କରିପାରିବ । ଏହି ପଦ୍ଧତି, "ଆଶା ପ୍ରସାର", ଦୁଇଟି ପୂର୍ବବର୍ତ୍ତୀ କୌଶଳକୁ ଏକୀକୃତ ଏବଂ ସାଧାରଣ କରିଥାଏ: ଅନୁମାନିତ ଘନତା ଫିଲ୍ଟରିଂ, କାଲମାନ ଫିଲ୍ଟରର ଏକ ସମ୍ପ୍ରସାରଣ, ଏବଂ ଲୋପି ବିଶ୍ବାସ ପ୍ରସାର, ବେୟସୀୟ ନେଟୱାର୍କରେ ବିଶ୍ବାସ ପ୍ରସାରର ଏକ ସମ୍ପ୍ରସାରଣ । ଏକୀକରଣ ଦର୍ଶାଏ ଯେ ଏହି ଦୁଇଟି ଆଲଗୋରିଦମକୁ ପ୍ରକୃତ ପଶ୍ଚିମ ବଣ୍ଟନକୁ ଏକ ସରଳ ବଣ୍ଟନ ସହିତ ଅନୁମାନ କରି ଦେଖାଯାଏ, ଯାହା KL-ବିଭେଦ ଅର୍ଥରେ ନିକଟତର । ଆଶା ପ୍ରସାର ଉଭୟ ଆଲଗୋରିଦମର ସର୍ବୋତ୍ତମ ଉପଯୋଗ କରିଥାଏ: ଅନୁମାନିତ-ଘନତା ଫିଲ୍ଟରିଂର ସାଧାରଣତା ଏବଂ ଲୋପି ବିଶ୍ବାସ ପ୍ରସାରର ସଠିକତା । ଲୁପି ବିଶ୍ବାସ ପ୍ରସାର, କାରଣ ଏହା ସଠିକ ବିଶ୍ବାସ ସ୍ଥିତିକୁ ପ୍ରସାରିତ କରିଥାଏ, ସୀମିତ ପ୍ରକାରର ବିଶ୍ବାସ ନେଟୱାର୍କ ପାଇଁ ଉପଯୋଗୀ, ଯେପରିକି ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ପୃଥକ ନେଟୱାର୍କ । ଆଶା ପ୍ରସାର ବିଶ୍ୱାସକୁ ଆଶା ସହିତ ପାଖାପାଖି କରିଥାଏ, ଯେପରିକି ଅର୍ଥ ଏବଂ ଭେରିଏନ୍ସ, ଏହାକୁ ଅଧିକ ବ୍ୟାପକ ପରିସର ଦେଇଥାଏ । ଆଶା ପ୍ରସାର ମଧ୍ୟ ବିପରୀତ ଦିଗରେ ବିଶ୍ୱାସ ପ୍ରସାରକୁ ବିସ୍ତାର କରିଥାଏ - ଧନୀ ବିଶ୍ୱାସ ରାଜ୍ୟକୁ ପ୍ରସାର କରିଥାଏ ଯାହା ପରିବର୍ତ୍ତନଶୀଳ ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିଥାଏ । ଏହି ଢାଞ୍ଚା ବିଭିନ୍ନ ପ୍ରକାର ପରିସଂଖ୍ୟାନ ମଡେଲରେ ସିନ୍ଥେଟିକ ଏବଂ ବାସ୍ତବ ଦୁନିଆର ତଥ୍ୟ ବ୍ୟବହାର କରି ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଗୌସିୟାନ ମିଶ୍ରଣ ସମସ୍ୟା ଉପରେ, ସମାନ ପରିମାଣର ଗଣନା ପାଇଁ, ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀ ଅନୁମାନ କୌଶଳ ଅପେକ୍ଷା ଆଶଙ୍କା ପ୍ରସାର ନିଶ୍ଚିତ ଭାବରେ ଭଲ ବୋଲି ଜଣାପଡିଛି: ମଣ୍ଟେ କାର୍ଲୋ, ଲାପ୍ଲେସଙ୍କ ପଦ୍ଧତି ଏବଂ ବିବିଧ ବେୟସ । ଆକୃତି ଚିହ୍ନଟ ପାଇଁ, ଆଶାୟୀ ପ୍ରସାର ବେୟସ୍ ପଏଣ୍ଟ ମେସିନ୍ ବର୍ଗୀକରଣକାରୀଙ୍କୁ ତାଲିମ ଦେବା ପାଇଁ ଏକ ଆଲଗୋରିଦମ ପ୍ରଦାନ କରିଥାଏ ଯାହା ପୂର୍ବରୁ ଜଣାଥିବା ଯେକୌଣସି ଆଲଗୋରିଦମ ଅପେକ୍ଷା ଦ୍ରୁତ ଏବଂ ଅଧିକ ସଠିକ୍ ଅଟେ । ଏହି ଶ୍ରେଣୀକରଣର ପରିଣାମ ସ୍ୱରୂପ ଅନେକ ମାନକ ଡାଟାସେଟରେ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ ଠାରୁ ଅଧିକ ଭଲ ପ୍ରଦର୍ଶନ କରିଥାଏ, ତା ସହିତ ସମାନ ତାଲିମ ସମୟ ମଧ୍ୟ ରହିଥାଏ । ଆଶା ପ୍ରସାର ମଧ୍ୟ ବର୍ଗୀକରଣ ପାଇଁ ଉପଯୁକ୍ତ ବୈଶିଷ୍ଟ୍ୟ ସେଟ୍ ବାଛିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ, ବେୟେସୀୟ ମଡେଲ ଚୟନ ମାଧ୍ୟମରେ । ଥିସିସ ସୁପରଭାଇଜର: ରୋଜାଲିଣ୍ଡ ପିକାର୍ଡ ନାମ: ମିଡିଆ ଆର୍ଟସ ଏବଂ ସାଇନ୍ସର ଆସୋସିଏଟ ପ୍ରଫେସର |
ad40428b40b051164ade961bc841a0da2c44515d | |
e4bd80adc5a3486c3a5c3d82cef91b70b67ae681 | ଏହି ଲେଖାରେ କର୍ପୋରେଟ ବଣ୍ଡ ମୂଲ୍ୟ ନିର୍ଦ୍ଧାରଣର ପାଞ୍ଚଟି ଢାଞ୍ଚାଗତ ମଡେଲକୁ ପରୀକ୍ଷଣ କରାଯାଇଛି: ମର୍ଟନ (୧୯୭୪), ଗେସ୍କେ (୧୯୭୭), ଲଙ୍ଗଷ୍ଟାଫ ଏବଂ ସ୍ୱାର୍ଟଜ (୧୯୯୫), ଲିଲ୍ୟାଣ୍ଡ ଏବଂ ଟଫ୍ଟ (୧୯୯୬) ଏବଂ କୋଲିନ-ଡୁଫ୍ରେନ୍ ଏବଂ ଗୋଲ୍ଡଷ୍ଟାଇନ (୨୦୦୧) । ଆମେ ଏହି ମଡେଲକୁ ୧୯୮୬ରୁ ୧୯୯୭ ମଧ୍ୟରେ ଥିବା ସରଳ ପୁଞ୍ଜି ଢାଞ୍ଚା ଥିବା କମ୍ପାନୀଗୁଡ଼ିକର ୧୮୨ଟି ବଣ୍ଡର ମୂଲ୍ୟର ନମୁନା ଉପରେ ପ୍ରୟୋଗ କରି ପ୍ରସ୍ତୁତ କରିଛୁ । ପାରମ୍ପରିକ ଜ୍ଞାନ ହେଉଛି ଯେ ଢାଞ୍ଚାଗତ ମଡେଲଗୁଡିକ ବଣ୍ଡ ବଜାରରେ ଦେଖାଯାଉଥିବା ପରି ଉଚ୍ଚ ବିସ୍ତାର ସୃଷ୍ଟି କରନ୍ତି ନାହିଁ, ଏବଂ ଆଶା ଅନୁଯାୟୀ, ଆମେ ପାଇଥାଉ ଯେ ମର୍ଟନ ମଡେଲର କାର୍ଯ୍ୟକାରିତାରେ ପୂର୍ବାନୁମାନ ବିସ୍ତାର ବହୁତ କମ୍ ଅଟେ । କିନ୍ତୁ ଅଧିକାଂଶ ଢାଞ୍ଚାଗତ ମଡେଲରେ ମଧ୍ୟସ୍ଥି ହାର ବହୁତ ଅଧିକ ବୋଲି ଆକଳନ କରାଯାଇଛି । ତେବେ, ସଠିକତା ଏକ ସମସ୍ୟା, କାରଣ ନୂତନ ମଡେଲଗୁଡିକ ଉଚ୍ଚ ଲେଭରେଜ୍ କିମ୍ବା ଅସ୍ଥିରତା ଥିବା କମ୍ପାନୀଗୁଡିକର କ୍ରେଡିଟ୍ ରିସ୍କକୁ ଅତ୍ୟଧିକ ମାତ୍ରାରେ ବୃଦ୍ଧି କରିବାକୁ ପ୍ରବୃତ୍ତି ଦେଖାନ୍ତି ଏବଂ ତଥାପି ଅଧିକ ନିରାପଦ ବଣ୍ଡ ସହିତ ବିସ୍ତାରର ପୂର୍ବାନୁମାନ ସମସ୍ୟାର ସମ୍ମୁଖୀନ ହୁଅନ୍ତି । ଲିଲ୍ୟାଣ୍ଡ ଏବଂ ଟଫ୍ଟ ମଡେଲ ଏକ ବ୍ୟତିକ୍ରମ କାରଣ ଏହା ଅଧିକାଂଶ ବଣ୍ଡରେ, ବିଶେଷ କରି ଉଚ୍ଚ କୁପନ ଥିବା ବଣ୍ଡରେ, ସ୍ପ୍ରେଡକୁ ଅଧିକ ଆକଳନ କରିଥାଏ । ଅଧିକ ସଠିକ ଢାଞ୍ଚାଗତ ମଡେଲଗୁଡିକ ଏପରି ବୈଶିଷ୍ଟ୍ୟଗୁଡିକରୁ ଦୂରେଇ ରହିବା ଉଚିତ ଯାହା ବିପଦପୂର୍ଣ୍ଣ ବଣ୍ଡଗୁଡିକର କ୍ରେଡିଟ୍ ରିସ୍କକୁ ବୃଦ୍ଧି କରିଥାଏ ଏବଂ ସବୁଠାରୁ ନିରାପଦ ବଣ୍ଡଗୁଡିକର ସ୍ପ୍ରେଡକୁ ପ୍ରଭାବିତ କରେ ନାହିଁ । |
da67375c8b6a250fbd5482bfbfce14f4eb7e506c | ଏହି ସର୍ବେକ୍ଷଣରେ ଗଣନାତ୍ମକ ଏଜେଣ୍ଟମାନଙ୍କରେ ମାନସିକ କ୍ଷମତା ବିକାଶର ଏକ ସ୍ୱୟଂଶାସିତ ଦୃଷ୍ଟିକୋଣ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହା ସଂଜ୍ଞାପନ ପ୍ରଣାଳୀର ଏକ ଚରିତ୍ର ଉପରେ ଆଧାରିତ ଯାହା ଅନୁକୂଳ, ଆଗୁଆ ଏବଂ ଉଦ୍ଦେଶ୍ୟମୂଳକ ଲକ୍ଷ୍ୟ-ନିର୍ଦ୍ଦେଶିତ ଆଚରଣ ପ୍ରଦର୍ଶନ କରେ । ଆମେ ବିଭିନ୍ନ ପ୍ରକାର ଜ୍ଞାନର ପରିମାପର ଏକ ବ୍ୟାପକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରୁଛୁ, ଯଥା, ଜ୍ଞାନବାଦୀ (ଶାରୀରିକ ପ୍ରତୀକ ପ୍ରଣାଳୀ) ଆଭିମୁଖ୍ୟ, ଉଦୀୟମାନ ପ୍ରଣାଳୀ ଆଭିମୁଖ୍ୟ, ସଂଯୋଗବାଦୀ, ଗତିଶୀଳ ଏବଂ ସକ୍ରିୟ ପ୍ରଣାଳୀକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି, ଏବଂ ଉଭୟକୁ ହାଇବ୍ରିଡ୍ ପ୍ରଣାଳୀରେ ମିଶ୍ରଣ କରିବାର ପ୍ରୟାସ । ତାପରେ ଆମେ ଏହି ପାରାଡିଗମରୁ ପ୍ରସ୍ତୁତ ହୋଇଥିବା ଅନେକ କାଗଜପତ୍ରର ସମୀକ୍ଷା କରିଥାଉ । ଏହି କ୍ଷେତ୍ରଗୁଡ଼ିକ ମଧ୍ୟରୁ ପ୍ରତ୍ୟେକରେ, ଆମେ ବିକାଶମୂଳକ ଆଭିମୁଖ୍ୟ ଗ୍ରହଣ କରିବାର ପ୍ରଭାବ ଏବଂ ତା ସହିତ ଜଡିତ ସମସ୍ୟାଗୁଡ଼ିକୁ ଦର୍ଶାଉଛୁ, ଉଭୟ ଫାଇଲୋଜେନେଟିକ ଏବଂ ଅଣ୍ଟୋଜେନେଟିକ ଦୃଷ୍ଟିକୋଣରୁ । ଆମେ ଏକ ସମୀକ୍ଷା ସହିତ ସମାପ୍ତ କରୁଛୁ ମୁଖ୍ୟ ଆର୍କିଟେକ୍ଚରାଲ ବିଶେଷତ୍ୱର ଯେ ମାନସିକ ସାମର୍ଥ୍ୟର ସ୍ୱୟଂଶାସିତ ବିକାଶ ପାଇଁ ସକ୍ଷମ ସିଷ୍ଟମଗୁଡିକ ପ୍ରଦର୍ଶିତ କରିବା ଉଚିତ |
e7ee27816ade366584d411f4287e50bdc4771e56 | |
55289d3feef4bc1e4ff17008120e371eb7f55a24 | ନିକଟରେ ବିଭିନ୍ନ ପ୍ରକାରର ଏଲଏସଟିଏମ ଆଧାରିତ ସର୍ତ୍ତମୂଳକ ଭାଷା ମଡେଲ (ଏଲଏମ) କୁ ବିଭିନ୍ନ ଭାଷା ସୃଷ୍ଟି କାର୍ଯ୍ୟରେ ପ୍ରୟୋଗ କରାଯାଇଛି । ଏହି କାର୍ଯ୍ୟରେ ଆମେ ବିଭିନ୍ନ ମଡେଲ ସ୍ଥାପତ୍ୟ ଏବଂ ବିଭିନ୍ନ ଉପାୟରେ ଉତ୍ସ ସୂଚନାକୁ ଏକ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ନ୍ୟୁରାଲ ବାର୍ତ୍ତାଳାପ ସିଷ୍ଟମ ଢାଞ୍ଚାରେ ଉପସ୍ଥାପନ ଏବଂ ଏକତ୍ରିତ କରିବାକୁ ଅଧ୍ୟୟନ କରୁ । ଏକ ପଦ୍ଧତିକୁ ସ୍ନାପସଟ୍ ଲର୍ଣ୍ଣିଂ ବୋଲି ମଧ୍ୟ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି ଯାହାଦ୍ୱାରା କଣ୍ଡାଇନିଂ ଭେକ୍ଟର ଉପରେ ଏକ ସାଥୀ କ୍ରସ-ଏଣ୍ଟ୍ରୋପି ଅବଜେକ୍ଟିଭ ଫଙ୍କସନ ପ୍ରୟୋଗ କରି ସୁପରଭାଇଜଡ୍ କ୍ରମିକ ସିଗନାଲ୍ ରୁ ଶିକ୍ଷା ଲାଭ କରାଯାଇପାରିବ । ପରୀକ୍ଷାମୂଳକ ଓ ବିଶ୍ଳେଷଣାତ୍ମକ ଫଳାଫଳ ପ୍ରଥମତଃ ଦର୍ଶାଉଛି ଯେ, କଣ୍ଡିସନିଂ ଭେକ୍ଟର ଓ ଏଲଏମ ମଧ୍ୟରେ ପ୍ରତିଯୋଗିତା ହୋଇଥାଏ ଏବଂ ଭିନ୍ନ ଭିନ୍ନ ଆର୍ଚେଟକ୍ଚର ଉଭୟଙ୍କ ମଧ୍ୟରେ ଭିନ୍ନ ଭିନ୍ନ ତାରତମ୍ୟ ପ୍ରଦାନ କରିଥାଏ । ଦ୍ୱିତୀୟତଃ, ମଡେଲର ବ୍ୟାଖ୍ୟା ଏବଂ ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ଉଭୟ ପାଇଁ ସର୍ତ୍ତକାରୀ ଭେକ୍ଟରର ବିବେଚନା ଶକ୍ତି ଏବଂ ପାରଦର୍ଶିତା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ତୃତୀୟତଃ, ସ୍ନାପସଟ୍ ଲର୍ଣ୍ଣିଂ ଦ୍ୱାରା ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବେ କେଉଁ ଆର୍ଚେଟେକ୍ଚର ବ୍ୟବହାର କରାଯିବ ତାହା ନିର୍ବିଶେଷରେ କାର୍ଯ୍ୟଦକ୍ଷତା ଉନ୍ନତି ହୋଇଥାଏ । |
75c4b33059aa300e7b52d1b5dab37968ac927e89 | ଏଥିରେ 2x1 ଡୁଆଲ-ପୋଲାରାଇଜଡ L-ସୋଣ୍ଡ ଷ୍ଟାକ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଆରେ ଦିଆଯାଇଛି । ଏଥିରେ ଦୁଇଟି ଇନପୁଟ ପୋର୍ଟ ମଧ୍ୟରେ ଉଚ୍ଚ ବିଚ୍ଛିନ୍ନତା ହାସଲ କରିବା ପାଇଁ ଏକ ନୂଆ କୌଶଳ ବ୍ୟବହାର କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ପାଇଁ ୧୪-ଡିବି ରିଟର୍ଣ୍ଣ ଲସ ବ୍ୟାଣ୍ଡୱିଡ୍ଟୀ ୧୯.୮% ରହିଛି, ଯାହା ଉଭୟ ପୋର୍ଟ ପାଇଁ ୦.୮୦୮ରୁ ୦.୯୮୬ ଗିଗାହର୍ଟସ ମଧ୍ୟରେ ରହିଛି । ଏହା ବ୍ୟତୀତ, ଏହାର ଇନପୁଟ୍ ପୋର୍ଟ ଆଇସୋଲେସନ୍ ୩୦ ଡିସିଏଲରୁ ଅଧିକ ଏବଂ ଏହି ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ଉପରେ ହାରାହାରି ୧୦.୫ ଡିବିଏଲ ଲାଭ ରହିଛି । ଏହା ସହିତ, ଦୁଇଟି ମୁଖ୍ୟ ପ୍ଲେନରେ ଏହାର ବିକିରଣର ସ୍ତର, ପାସବ୍ୟାଣ୍ଡରେ ୩-ଡିବି ବିମ୍ୱିଡ୍ରେ କ୍ରସ୍-ପୋଲାରାଇଜେସନ୍ ସ୍ତର -୧୫ ଡିସିଏଲ୍ ଠାରୁ କମ୍ । ଏହି ବୈଶିଷ୍ଟ୍ୟ କାରଣରୁ ଏହି ଆଣ୍ଟିନା ଆରେ ବାହ୍ୟ ବେସ୍ ଷ୍ଟେସନ ପାଇଁ ଅତ୍ୟନ୍ତ ଉପଯୁକ୍ତ ଯାହା CDMA800 ଏବଂ GSM900 ମୋବାଇଲ୍ ଯୋଗାଯୋଗ ସିଷ୍ଟମର ଅପରେଟିଂ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ କୁ କଭର କରିବାକୁ ଆବଶ୍ୟକ । |
b891a8df3d7b4a6b73c9de7194f7341b00d93f6f | ବ୍ୟକ୍ତିଗତ ପସନ୍ଦିତ ସେବା ପ୍ରଦାନ କରିବା ପାଇଁ ସୁପାରିଶ ବ୍ୟବସ୍ଥା ଆଶାନୁରୂପ ଅଟେ । ସହଭାଗୀ ଫିଲ୍ଟରିଂ (ସିଏଫ୍) ପ୍ରଯୁକ୍ତି, ଉପଭୋକ୍ତାଙ୍କ ପୂର୍ବ ବ୍ୟବହାର ଉପରେ ଆଧାର କରି ଉପଭୋକ୍ତାଙ୍କ ପସନ୍ଦକୁ ପୂର୍ବାନୁମାନ କରି, ଆଧୁନିକ ସୁପାରିଶକାରୀ ପ୍ରଣାଳୀ ନିର୍ମାଣ ପାଇଁ ସବୁଠାରୁ ସଫଳ କୌଶଳ ମଧ୍ୟରୁ ଗୋଟିଏ ହୋଇପାରିଛି । ପୂର୍ବରୁ ପ୍ରସ୍ତାବିତ ସିଏଫ ପଦ୍ଧତିଗୁଡିକରେ ଅନେକ ଚ୍ୟାଲେଞ୍ଜପୂର୍ଣ୍ଣ ସମସ୍ୟା ଦେଖାଦେଇଥାଏ: (1) ଅଧିକାଂଶ ସିଏଫ ପଦ୍ଧତିଗୁଡିକ ଉପଭୋକ୍ତାଙ୍କ ପ୍ରତିକ୍ରିୟା ପଦ୍ଧତିକୁ ଅଣଦେଖା କରିଥାଏ ଏବଂ ପାର୍ଶ୍ବମୁଖୀ ପାରାମିଟର ଆକଳନ ଏବଂ ସବ-ଅପ୍ଟିମାମାଲ ପ୍ରଦର୍ଶନ ଦେଇପାରେ; (2) କିଛି ସିଏଫ ପଦ୍ଧତିଗୁଡିକ ହେଉରିଷ୍ଟିକ୍ ଭାର ସେଟିଙ୍ଗ ଗ୍ରହଣ କରନ୍ତି, ଯାହା ବ୍ୟବସ୍ଥିତ କାର୍ଯ୍ୟକାରିତା ଅଭାବରେ; ଏବଂ (3) ମଲ୍ଟିନୋମିଆଲ୍ ମିଶ୍ରଣ ମଡେଲଗୁଡିକ ଡାଟା ମ୍ୟାଟ୍ରିକ୍ସ ସୃଷ୍ଟି ପାଇଁ ମ୍ୟାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେଶନର ଗଣନା କ୍ଷମତାକୁ ଦୁର୍ବଳ କରିପାରେ, ଯାହାଦ୍ୱାରା ତାଲିମର ଗଣନା ଖର୍ଚ୍ଚ ବୃଦ୍ଧି ପାଇଥାଏ । ଏହି ସମସ୍ୟାଗୁଡ଼ିକୁ ସମାଧାନ କରିବା ପାଇଁ, ଆମେ ବ୍ୟବହାରକାରୀଙ୍କ ପ୍ରତିକ୍ରିୟା ମଡେଲକୁ ସମ୍ଭାବ୍ୟତା ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ (ପିଏମଏଫ୍) ରେ ଅନ୍ତର୍ଭୁକ୍ତ କରିଥାଉ, ଏକ ଲୋକପ୍ରିୟ ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ ସିଏଫ୍ ମଡେଲ, ପ୍ରତିକ୍ରିୟା ସଚେତନ ସମ୍ଭାବ୍ୟତା ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ (ଆରଏପିଏମଏଫ୍) ରୂପରେଖ ସ୍ଥାପନ କରିବା ପାଇଁ । ଅଧିକ ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବରେ, ଆମେ ଉପଭୋକ୍ତା ପ୍ରତିକ୍ରିୟାକୁ ଏକ ବର୍ଣ୍ଣୌଲି ବଣ୍ଟନ ଭାବରେ ଗ୍ରହଣ କରିଥାଉ ଯାହା ନିରୀକ୍ଷଣ କରାଯାଇଥିବା ରେଟିଂ ପାଇଁ ରେଟିଂ ସ୍କୋର ଦ୍ୱାରା ପାରାମିଟାରିଜେଟ୍ ହୋଇଥାଏ ଏବଂ ଅଣ-ନିରୀକ୍ଷଣ କରାଯାଇଥିବା ରେଟିଂ ପାଇଁ ଏକ ଷ୍ଟେପ୍ ଫଙ୍କସନ୍ ଭାବରେ । ଆହୁରି ମଧ୍ୟ, ଆମେ କ୍ଷୁଦ୍ର-ବ୍ୟାଚ୍ କାର୍ଯ୍ୟାନ୍ୱୟନ ଏବଂ ଏକ କାରୁକାର୍ଯ୍ୟ ନିର୍ଦ୍ଧାରଣ ନୀତି ଦ୍ୱାରା ଆଲଗୋରିଦମକୁ ତ୍ୱରାନ୍ୱିତ କରୁଛୁ । ଶେଷରେ, ଆମେ ବିଭିନ୍ନ ପରୀକ୍ଷାମୂଳକ ପ୍ରୋଟୋକଲ ଡିଜାଇନ କରିଥାଉ ଏବଂ ପ୍ରସ୍ତାବିତ RAPMF ଏବଂ ଏହାର ମିନି-ବ୍ୟାଚ୍ କାର୍ଯ୍ୟକାରିତାର ଗୁଣାବଳୀକୁ ପ୍ରଦର୍ଶନ କରିବା ପାଇଁ ଉଭୟ ସିନ୍ଥେଟିକ୍ ଏବଂ ବାସ୍ତବ ଦୁନିଆର ଡାଟାସେଟ୍ ଉପରେ ବ୍ୟବସ୍ଥିତ ଅନୁଭବମୂଳକ ମୂଲ୍ୟାଙ୍କନ ପରିଚାଳନା କରିଥାଉ । |
1459d4d16088379c3748322ab0835f50300d9a38 | ବାସ୍ତବ ଦୁନିଆରେ ଭିଜୁଆଲ ଡାଟା ମେଳ ଖାଉଥିବା ଅନେକ ସମସ୍ୟାର ମୂଳ କାରଣ ହେଉଛି କ୍ରସ-ଡୋମେନ୍ ଭିଜୁଆଲ ଡାଟା ମେଳ ଖାଉଥିବା ବାସ୍ତବ ଦୁନିଆର ଭିଜୁଆଲ ଟାସ୍କ, ଉଦାହରଣ ସ୍ୱରୂପ, ପରିଚୟ ପତ୍ର ଫଟୋ ଏବଂ ନିରୀକ୍ଷଣ ଭିଡିଓରେ ବ୍ୟକ୍ତିଙ୍କ ମେଳ ଖାଉଥିବା । ଏହି ସମସ୍ୟା ପାଇଁ ପାରମ୍ପରିକ ଉପାୟରେ ସାଧାରଣତଃ ଦୁଇଟି ପଦକ୍ଷେପ ନିଆଯାଇଥାଏ: i) ବିଭିନ୍ନ କ୍ଷେତ୍ରରୁ ନମୁନାଗୁଡ଼ିକୁ ଏକ ସାଧାରଣ ସ୍ଥାନକୁ ପରିକଳ୍ପନା କରିବା, ଏବଂ ii) ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଦୂରତା ଆଧାରରେ ଏହି ସ୍ଥାନରେ (ଅସମାନତା) ଗଣନା କରିବା । ଏହି ଲେଖାରେ ଆମେ ଏକ ନୂଆ ଯୋଡିଗତ ସମାନତା ମାପକ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ବର୍ତ୍ତମାନର ମଡେଲକୁ i) ପାରମ୍ପରିକ ରେଖୀ ପରିଦୃଶ୍ୟକୁ ଆଫିନ ପରିବର୍ତ୍ତନକୁ ବିସ୍ତାର କରି ଏବଂ ii) ଏକ ଡାଟା-ଚାଳିତ ସଂଯୋଗ ଦ୍ୱାରା ଆଫିନ ମାହାଲାନୋବିସ ଦୂରତା ଏବଂ କୋସିନ ସମାନତାକୁ ମିଶ୍ରଣ କରି ଉନ୍ନତ କରିଥାଏ । ଆହୁରି ମଧ୍ୟ, ଆମେ ଆମର ସମାନତା ମାପକୁ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ମାଧ୍ୟମରେ ବିଶେଷତା ପ୍ରତିନିଧିତ୍ୱ ଶିକ୍ଷଣ ସହିତ ଏକୀକୃତ କରିଥାଉ । ବିଶେଷକରି, ଆମେ ଗଭୀର ସ୍ଥାପତ୍ୟରେ ସମାନତା ମାପ ମାପକ ମେଟ୍ରିକ୍ସକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିଥାଉ, ଯାହା ମଡେଲ ଅପ୍ଟିମାଇଜେସନର ଏକ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଉପାୟକୁ ସକ୍ଷମ କରିଥାଏ । ଆମେ ଆମର ସାଧାରଣ ସମାନତା ମଡେଲକୁ ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ଥିବା ବିଭିନ୍ନ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ମେଳଣ କାର୍ଯ୍ୟରେ ବ୍ୟାପକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରିଥାଉ: ବିଭିନ୍ନ ଦୃଶ୍ୟପଟ୍ଟରେ ବ୍ୟକ୍ତିର ପୁନଃ ଚିହ୍ନଟ ଏବଂ ବିଭିନ୍ନ ମୋଡାଲିଟି ଉପରେ ଚେହେରା ଯାଞ୍ଚ (ଯଥା, ଷ୍ଟିଲ୍ ଇମେଜ୍ ଏବଂ ଭିଡିଓରୁ ଚେହେରା, ପୁରୁଣା ଏବଂ ଯୁବ ଚେହେରା, ଏବଂ ସ୍କେଚ୍ ଏବଂ ଫଟୋ ଚିତ୍ର) । ଅନ୍ୟ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତି ତୁଳନାରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଆମ ମଡେଲର ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ଦର୍ଶାଉଛି । |
03a00248b7d5e2d89f5337e62c39fad277c66102 | ସମସ୍ୟା ବହୁପଦ-ସମୟ ସମାଧାନ ସମସ୍ୟାକୁ ବୁଝିବା ପାଇଁ, ଆମକୁ ପ୍ରଥମେ ଏକ "ସମସ୍ୟା" କ ଣ ତାହା ବିଷୟରେ ଏକ ଆନୁଷ୍ଠାନିକ ଧାରଣା ରହିବା ଆବଶ୍ୟକ । ଆମେ ଏକ ଅବ୍ଷ୍ଟ୍ରାକ୍ଟ ସମସ୍ୟାକୁ Q କୁ ସମସ୍ୟା ଉଦାହରଣର ସେଟ I ଏବଂ ସମାଧାନର ସେଟ S ଉପରେ ଏକ ବାଇନାରୀ ସମ୍ପର୍କ ଭାବରେ ବ୍ୟାଖ୍ୟା କରୁ । ଉଦାହରଣ ସ୍ୱରୂପ, SHORTEST-PATH ର ଏକ ଉଦାହରଣ ହେଉଛି ଏକ ଗ୍ରାଫର ତ୍ରିଗୁଣ କନସିଂଟ ଏବଂ ଦୁଇଟି ଭର୍ଟିକଲ । ସମାଧାନ ହେଉଛି g ରାଫରେ ଥିବା ଏକ କ୍ରମିକ ଶୃଙ୍ଗ, ଯେଉଁଠାରେ ବୋଧହୁଏ ଶୂନ୍ୟ କ୍ରମିକ ଶୃଙ୍ଗ ଦର୍ଶାଏ ଯେ କୌଣସି ପଥ ନାହିଁ । SHORTEST-PATH ସମସ୍ୟା ହେଉଛି ସେହି ସମ୍ପର୍କ ଯାହା ଗ୍ରାଫର ପ୍ରତ୍ୟେକ ଉଦାହରଣକୁ ph ଏବଂ ଦୁଇଟି ଶିଖରକୁ ଗ୍ରାଫର ସବୁଠାରୁ ଛୋଟ ପଥ ସହିତ ଯୋଡିଥାଏ ଯାହା ଦୁଇଟି ଶିଖରକୁ ଯୋଡିଥାଏ । ଏହି କ୍ଷୁଦ୍ରତମ ପଥଗୁଡିକ ଅନନ୍ୟ ନୁହେଁ, ଗୋଟିଏ ସମସ୍ୟା ଉଦାହରଣରେ ଏକରୁ ଅଧିକ ସମାଧାନ ଥାଇପାରେ । ଏକ ଅବିକଳ ସମସ୍ୟା ର ଏହି ରଚନା ଆମର ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ଆବଶ୍ୟକ ଠାରୁ ଅଧିକ ସାଧାରଣ ଅଟେ । ଯେପରି ଆମେ ଉପରୋକ୍ତରେ ଦେଖିଛୁ, NP- ପୂର୍ଣ୍ଣତାର ସିଦ୍ଧାନ୍ତ ନିଷ୍ପତ୍ତି ସମସ୍ୟା ପ୍ରତି ଧ୍ୟାନ ଆକର୍ଷଣ କରେ: ଯେଉଁମାନଙ୍କର ହଁ/ନା ସମାଧାନ ଅଛି । ଏହି କ୍ଷେତ୍ରରେ ଆମେ ଏକ ଅବ୍ଷ୍ଟ୍ରାକ୍ଟ ନିଷ୍ପତ୍ତି ସମସ୍ୟାକୁ ଏକ ଫଙ୍କସନ ଭାବରେ ଦେଖିପାରିବା ଯାହାକି ଇନଷ୍ଟାନ୍ସ ସେଟ I କୁ ସମାଧାନ ସେଟ {0, 1} କୁ ମ୍ୟାପ କରିଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ, SHORTEST-PATH ସହିତ ଜଡିତ ଏକ ନିର୍ଣ୍ଣୟ ସମସ୍ୟା ହେଉଛି ଆମେ ପୂର୍ବରୁ ଦେଖିଥିବା PATH ସମସ୍ୟା. ଯଦି i = G,u,v,k ହେଉଛି PATH ନିର୍ଣ୍ଣୟ ସମସ୍ୟାର ଏକ ଉଦାହରଣ, ତେବେ PATH (i) = 1 (ହଁ) ଯଦି u ରୁ v ପର୍ଯ୍ୟନ୍ତ ସବୁଠାରୁ ଛୋଟ ପଥର ସର୍ବାଧିକ k କଡ଼ ଅଛି, ଏବଂ PATH (i) = 0 (ନା) ଅନ୍ୟଥା । ଅନେକ ଗୁଡିଏ ଅମାପ ସମସ୍ୟା ନିର୍ଣ୍ଣୟ ସମସ୍ୟା ନୁହେଁ, ବରଂ ଉନ୍ନତି ସମସ୍ୟା ଅଟେ, ଯେଉଁଥିରେ କିଛି ମୂଲ୍ୟକୁ କମ କିମ୍ବା ଅଧିକ କରାଯିବା ଉଚିତ । କିନ୍ତୁ ଆମେ ଉପରୋକ୍ତ ଦୃଷ୍ଟିକୋଣରୁ ଦେଖିଛୁ ଯେ, ଏକ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟାକୁ ଏକ ନିର୍ଣ୍ଣୟ ସମସ୍ୟା ଭାବରେ ପୁନଃବିନ୍ୟାସ କରିବା ସାଧାରଣତ ସରଳ ଅଟେ । 1ଟ୍ୟୁରିଙ୍ଗ ମେସିନ ମଡେଲର ସମ୍ପୂର୍ଣ୍ଣ ଉପଚାର ପାଇଁ Hopcroft and Ullman [156] କିମ୍ବା Lewis and Papadimitriou [20 4] ଦେଖନ୍ତୁ । 34.1 ବହୁଖଣ୍ଡ ସମୟ 973 |
9ac5b66036da98f2c1e62c6ca2bdcc075083ef85 | |
f45eb5367bb9fa9a52fd4321a63308a37960e93a | ଏହି କାଗଜପତ୍ରର ପ୍ରଥମ ଭାଗରେ ଏକ ବିକଶିତ ପ୍ରକ୍ରିୟା ଏବଂ ଏକ ସିଷ୍ଟମ ପ୍ଲାଟଫର୍ମର ପ୍ରସ୍ତାବ ଦିଆଯାଇଥିଲା ଯାହା ଏକ ବିତରିତ ସିଷ୍ଟମ ସ୍ଥାପତ୍ୟ ଉପରେ ଆଧାରିତ ସ୍ୱୟଂ ଚାଳିତ କାରର ବିକାଶ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ ଥିଲା । ପ୍ରସ୍ତାବିତ ବିକାଶ ପଦ୍ଧତି ଦ୍ୱାରା ଏକ ସ୍ୱୟଂଚାଳିତ କାରର ଡିଜାଇନ୍ ଏବଂ ବିକାଶକୁ ଅନୁମତି ମିଳିଥିଲା, ଯାହାର ଲାଭ ହେଉଛି କମ୍ପ୍ୟୁଟେଶନାଲ୍ ଜଟିଳତା ହ୍ରାସ, ତ୍ରୁଟି-ସହିଷ୍ଣୁ ଗୁଣ ଏବଂ ସିଷ୍ଟମ୍ ମଡ୍ୟୁଲାରିଟି । ଏହି କାଗଜରେ (ଭାଗ ୨) ଏକ ସ୍ୱୟଂକ୍ରିୟ ଚାଳନା ପ୍ରଣାଳୀର କାର୍ଯ୍ୟକାରିତା ପ୍ରକ୍ରିୟା ଦର୍ଶାଇ ପ୍ରସ୍ତାବିତ ବିକାଶ ପଦ୍ଧତିର ଏକ କେସ ଷ୍ଟଡିକୁ ସମ୍ବୋଧିତ କରାଯାଇଛି । ଏହି ପ୍ରକଳ୍ପର କାର୍ଯ୍ୟାନ୍ୱୟନ ପ୍ରକ୍ରିୟାକୁ ସହଜରେ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ସ୍ୱୟଂ ଚାଳିତ ଯାନ ଚାଳନା ପାଇଁ କେନ୍ଦ୍ରୀୟ ଆଲଗୋରିଦମ (ସ୍ଥାନୀୟକରଣ, ଧାରଣ, ଯୋଜନା, ଯାନ ନିୟନ୍ତ୍ରଣ ଏବଂ ସିଷ୍ଟମ ପରିଚାଳନା) କୁ ସଂକ୍ଷିପ୍ତ ଭାବେ ଉପସ୍ଥାପନ କରାଯାଇଛି ଏବଂ ସ୍ୱୟଂ ଚାଳିତ ଯାନ ଚାଳନା ବ୍ୟବସ୍ଥା କାର୍ଯ୍ୟାନ୍ୱୟନ ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇଛି । ଆମେ ଏକ ସ୍ୱୟଂଶାସିତ ସିଷ୍ଟମ କାର୍ଯ୍ୟକାରିତା ଉପରେ ଏକ କେସ ଷ୍ଟଡି କରି ବିତରିତ ସିଷ୍ଟମ ସ୍ଥାପତ୍ୟର ଲାଭ ଏବଂ ପ୍ରସ୍ତାବିତ ବିକାଶ ପ୍ରକ୍ରିୟାକୁ ପରୀକ୍ଷା କରିପାରିବା । ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିର ବୈଧତା ସ୍ୱୟଂ ଚାଳିତ କାର A1 ଦ୍ୱାରା ପ୍ରମାଣିତ ହୋଇଛି ଯାହା ସମସ୍ତ ମିଶନ ସମାପ୍ତ କରି କୋରିଆରେ 2012 ସ୍ୱୟଂ ଚାଳିତ ଯାନ ପ୍ରତିଯୋଗିତାରେ ବିଜୟୀ ହୋଇଥିଲା । |
db17a183cb220ae8473bf1b25d62d5ef6fcfeac7 | ଯଦିଓ ସମସ୍ତ ବର୍ତ୍ତମାନର ବାୟୁ-ପୂରିତ ସବଷ୍ଟ୍ରେଟ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ୱେଭ୍ ଗାଇଡ୍ (ଏଏଫଏସଆଇଡବ୍ଲୁ) ଟପୋଲୋଜିଗୁଡିକ ଏକ ସବଷ୍ଟ୍ରେଟ୍-ସ୍ୱାଧୀନ ବୈଦ୍ୟୁତିକ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରେ, ସେମାନେ ବିଦ୍ୟୁତ୍ ଚୁମ୍ବକୀୟ କ୍ଷେତ୍ର ଧାରଣ କରୁଥିବା ବାୟୁ-ପୂରିତ ଅଞ୍ଚଳ ଗଠନ କରିବାକୁ ଉତ୍ସର୍ଗୀକୃତ, ମହଙ୍ଗା, ଲାମିନେଟ୍ ଉପରେ ନିର୍ଭର କରନ୍ତି _ ଏହି କାଗଜରେ ଏକ ନୂଆ ସବଷ୍ଟ୍ରେଟ-ଅସ୍ୱୀକୃତ AFSIW ଉତ୍ପାଦନ ପ୍ରଯୁକ୍ତିର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି, ଯାହା ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟରେ ଉପଲବ୍ଧ ବାଣିଜ୍ୟିକ ପୃଷ୍ଠପଟ ସାମଗ୍ରୀର ଏକ ବ୍ୟାପକ ପରିସର ମଧ୍ୟରେ ଉଚ୍ଚ-କାର୍ଯ୍ୟଦକ୍ଷତା ମାଇକ୍ରୋୱେଭ୍ ଉପାଦାନଗୁଡ଼ିକୁ ସିଧାସଳଖ ଏକୀକରଣ କରିବା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ । ପ୍ରଥମେ, AFSIW ୱେଭଗାଇଡର ପ୍ରଭାବୀ ପରମିଟିଭିଟି ଏବଂ କ୍ଷତି ଟ୍ୟାଙ୍ଗେଣ୍ଟ ପାଇଁ ଏକ ବିଶ୍ଳେଷଣାତ୍ମକ ସୂତ୍ର ବାହାର କରାଯାଏ । ଏହା ଡିଜାଇନରଙ୍କୁ ଉଚ୍ଚ-ବାରମ୍ବାର ଲାମିନେଟରେ ହେଉଥିବା ସ୍ତରକୁ ସବଷ୍ଟ୍ରେଟ କ୍ଷତିକୁ ହ୍ରାସ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହା ପରେ, ମାଇକ୍ରୋୱେଭ୍ ଉପାଦାନଗୁଡ଼ିକର ଡିଜାଇନ୍ ଏବଂ ନିର୍ମାଣ କରାଯାଏ । ଏକାଧିକ ଏଏଫଏସଆଇଡବ୍ଲୁ ୱେଭଗାଇଡ ଏବଂ ଚାରି-ପଥ ପାୱାର ଡିଭାଇଡର/କମ୍ବାଇନରର ମାପ, ଉଭୟ ନୂଆ କୋଏକ୍ସିୟଲ-ଟୁ-ଏୟାର-ଫିଲ୍ଡ ଏସଆଇଡବ୍ଲୁ ଟ୍ରାଞ୍ଜିସନ ଉପରେ ନିର୍ଭର କରି ପ୍ରମାଣିତ କରେ ଯେ ଏହି ନୂତନ ଆଭିମୁଖ୍ୟ ମାଇକ୍ରୋୱେଭ୍ ଉପାଦାନଗୁଡ଼ିକୁ ପ୍ରଦାନ କରେ ଯାହା ପ୍ରତ୍ୟକ୍ଷ ଭାବରେ ଦୈନନ୍ଦିନ ପୃଷ୍ଠରେ ଏକୀକୃତ ହେବା ପାଇଁ ଉପଯୁକ୍ତ, କମ୍ ଇନସର୍ଟନ କ୍ଷତି ସହିତ ଏବଂ ସମଗ୍ର [୫.୧୫-୫.୮୫] ଗିଗାହର୍ଟଜ ବ୍ୟାଣ୍ଡରେ ଉତ୍ତମ ମେଳ ଏବଂ ବିଚ୍ଛିନ୍ନତା ସହିତ । ତେଣୁ ଏହି ଅଭିନବ ଆଭିମୁଖ୍ୟ ଦ୍ୱାରା ଏକ ନୂତନ ପିଢ଼ିର ବ୍ୟୟସାପେକ୍ଷ, ଉଚ୍ଚ କ୍ଷମତା ସମ୍ପନ୍ନ ଏବଂ ଅଦୃଶ୍ୟ ଭାବେ ସମନ୍ୱିତ ସ୍ମାର୍ଟ ସର୍ଫେସ୍ ସିଷ୍ଟମ ପାଇଁ ରାସ୍ତା ପ୍ରଶସ୍ତ ହୋଇଛି । |
8216673632b897ec50db06358b77f13ddd432c47 | |
05eef019bac01e6520526510c2590cc1718f7fe6 | ମୋବାଇଲ ଲାଇଭ ଷ୍ଟ୍ରିମିଂ ଏବେ ତୃତୀୟ ଲହରରେ ପହଞ୍ଚିଛି । ବମ୍ବୁଜର ଏବଂ କିକ୍ ଭଳି ପ୍ରାରମ୍ଭିକ ପ୍ରଣାଳୀରୁ ଆରମ୍ଭ କରି ଅଧିକ ଲୋକପ୍ରିୟ ଆପ୍ ମିରକେଟ୍ ଏବଂ ପେରିସ୍କୋପ, ଫେସବୁକ୍ ଏବଂ ଇନଷ୍ଟାଗ୍ରାମରେ ସମନ୍ୱିତ ସାମାଜିକ ଷ୍ଟ୍ରିମିଂ ଫିଚର ପର୍ଯ୍ୟନ୍ତ, ଉଭୟ ଟେକ୍ନୋଲୋଜି ଏବଂ ବ୍ୟବହାରରେ ବ୍ୟାପକ ପରିବର୍ତ୍ତନ ହୋଇଛି । ଲାଇଭ୍ ଷ୍ଟ୍ରିମିଂର ଏହି ଶେଷ ପର୍ଯ୍ୟାୟରେ, କ୍ୟାମେରା ଆଭ୍ୟନ୍ତରୀଣକୁ ଫୋକସ୍ କରିବା ପାଇଁ ଷ୍ଟ୍ରିମର ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରିଥାଏ, ଆଖପାଖର ପରିବେଶ ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରିବା ପରିବର୍ତ୍ତେ। କିଶୋରମାନେ ବନ୍ଧୁମାନଙ୍କ ସହିତ ମନୋରଞ୍ଜନ କରିବା, ନୂଆ ଲୋକଙ୍କ ସହିତ ସାକ୍ଷାତ କରିବା ଏବଂ ସମାନ ରୁଚି ଥିବା ଅନ୍ୟମାନଙ୍କ ସହିତ ଯୋଗାଯୋଗ କରିବା ପାଇଁ ଏହି ପ୍ଲାଟଫର୍ମଗୁଡିକର ବ୍ୟବହାର କରୁଛନ୍ତି । ଆମେ ଏହି ନୂଆ ପ୍ଲାଟଫର୍ମରେ କିଶୋରମାନଙ୍କ ଲାଇଭଷ୍ଟ୍ରିମିଂ ବ୍ୟବହାର ଏବଂ ପ୍ରେରଣା ଉପରେ ଅଧ୍ୟୟନ କରିଥିଲୁ, ୨,୨୪୭ ଜଣ ଆମେରିକୀୟ ଲାଇଭଷ୍ଟ୍ରିମିଂର ସର୍ଭେ ଏବଂ ୨୦ ଜଣ କିଶୋରଙ୍କ ସହ ସାକ୍ଷାତକାର ମାଧ୍ୟମରେ, ପରିବର୍ତ୍ତନଶୀଳ ଅଭ୍ୟାସ, କିଶୋରମାନଙ୍କ ମଧ୍ୟରେ ଥିବା ଭିନ୍ନତା ଏବଂ ନୂତନ ଲାଇଭଷ୍ଟ୍ରିମିଂ ସେବା ଡିଜାଇନ୍ କରିବା ପାଇଁ ପ୍ରଭାବ ଉପରେ ଆଲୋକପାତ କରିଥିଲୁ । |
08c30bbfb9ff90884f9d1f873a1eeb6bb616e761 | ଅସମ୍ଭବତା ତତ୍ତ୍ବରୁ ଜଣାପଡ଼େ ଯେ, ଏକକ ସଂଯୋଜକ କାର୍ଯ୍ୟ-ଯଥା ଛାତ୍ରଛାତ୍ରୀମାନଙ୍କୁ ପାଠ୍ୟକ୍ରମର କାର୍ଯ୍ୟସୂଚୀ ପ୍ରଦାନ କରିବା-ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଏକମାତ୍ର ପ୍ରଭାବୀ ଏବଂ ରଣନୀତି-ନିର୍ଭରଶୀଳ ପ୍ରଣାଳୀ ହେଉଛି ଏକଛତ୍ରବାଦ । ଏକଛତ୍ରବାଦକୁ ଅନ୍ୟାୟ ବୋଲି କୁହାଯାଇଥାଏ: ଯେକୌଣସି ଦୁଇଜଣ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଜଣେ ବ୍ୟକ୍ତି ଅନ୍ୟଜଣଙ୍କ ପାଇଁ ସମସ୍ତ ବସ୍ତୁ ବାଛିଥାଏ । କୌଣସି ସମାଧାନ ପାଇଁ ଦକ୍ଷତା, ପ୍ରୋତ୍ସାହନ ଏବଂ ନ୍ୟାୟସଙ୍ଗତତା ବିଚାର ମଧ୍ୟରେ ବୁଝାମଣା ଆବଶ୍ୟକ ହେବ । ଏହି କାଗଜରେ ସଂଯୋଜକୀୟ ଆସାଇନମେଣ୍ଟ ସମସ୍ୟାର ସମାଧାନ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହାକୁ ଚାରୋଟି ପର୍ଯ୍ୟାୟରେ ବିକଶିତ କରାଯାଇଛି । ପ୍ରଥମତଃ, ମୁଁ ଦୁଇଟି ନୂଆ ମାନଦଣ୍ଡର ପ୍ରସ୍ତାବ ଦେଉଛି, ଫଳାଫଳର ନ୍ୟାୟସଙ୍ଗତତା, ସର୍ବାଧିକ ଅଂଶର ଗ୍ୟାରେଣ୍ଟି ଏବଂ ଏକକ ବସ୍ତୁ ଦ୍ୱାରା ସୀମିତ ଇର୍ଷା, ଯାହା ଅବିଭାଜ୍ୟତାକୁ ଗ୍ରହଣ କରିବା ପାଇଁ ଜଣାଶୁଣା ମାନଦଣ୍ଡକୁ ଦୁର୍ବଳ କରିଥାଏ; ଏହି ମାନଦଣ୍ଡ କାହିଁକି ଅମଲାତନ୍ତ୍ର ଅନ୍ୟାୟ ତାହା ଔପଚାରିକ କରିଥାଏ । ଦ୍ୱିତୀୟରେ, ମୁଁ ସମାନ ଆୟରୁ ପ୍ରତିଯୋଗିତାମୂଳକ ସନ୍ତୁଳନକୁ ଏକ ଅନୁକରଣର ଅସ୍ତିତ୍ୱକୁ ପ୍ରମାଣିତ କରେ ଯେଉଁଥିରେ (i) ଆୟ ଅସମାନ କିନ୍ତୁ ମନଇଚ୍ଛା ନିକଟତର; (ii) ବଜାର ତ୍ରୁଟି ସହିତ ସଫା ହୁଏ, ଯାହା ସୀମା ଶୂନ୍ୟକୁ ନିକଟତର ହୁଏ ଏବଂ ବାସ୍ତବିକ ସମସ୍ୟା ପାଇଁ ଛୋଟ ଅଟେ । ତୃତୀୟତଃ, ମୁଁ ଦେଖାଇ ଦେଉଛି ଯେ ଏହି ଅନୁମାନିତ CEEI ନ୍ୟାୟସଙ୍ଗତତା ମାନଦଣ୍ଡକୁ ପୂରଣ କରୁଛି । ଶେଷରେ, ମୁଁ ଅନୁମାନିତ CEEI ଉପରେ ଆଧାରିତ ଏକ ବ୍ୟବସ୍ଥାକୁ ବ୍ୟାଖ୍ୟା କରୁଛି ଯାହା ଜିରୋ-ମେଜର ଏଜେଣ୍ଟମାନଙ୍କ ପାଇଁ ଏକ ରଣନୀତି ପ୍ରମାଣିତ ଅଟେ, ଯାହା ପାରମ୍ପରିକ ଭାବରେ ମୂଲ୍ୟ ନେଉଥିବା ଅର୍ଥନୀତିଜ୍ଞମାନଙ୍କ ଦ୍ୱାରା ବିବେଚନା କରାଯାଏ । ପ୍ରସ୍ତାବିତ ବ୍ୟବସ୍ଥା ବାସ୍ତବ ତଥ୍ୟ ଉପରେ ଆଧାରିତ ଏବଂ ତତ୍ତ୍ୱଜ୍ଞାନ ଓ ବ୍ୟବହାରିକ ବିକଳ୍ପ ସହିତ ତୁଳନା କରାଯାଇଛି: ଅନ୍ୟ ସମସ୍ତ ଜଣାଶୁଣା ବ୍ୟବସ୍ଥା ଶୂନ୍ୟ-ପଦ୍ଧତି ଏଜେଣ୍ଟମାନଙ୍କ ଦ୍ୱାରା ପରିଚାଳିତ ହୋଇପାରିବ କିମ୍ବା ଅନ୍ୟାୟ ଏକ୍ସ-ପୋଷ୍ଟ ଦ୍ୱାରା ପରିଚାଳିତ ହୋଇପାରିବ ଏବଂ ଅଧିକାଂଶ ଉଭୟ ପରିଚାଳିତ ଏବଂ ଅନ୍ୟାୟ ଅଟେ । |
7d2c7748359f57c2b4227b31eca9e5f7a70a6b5c | |
0d1fd04c0dec97bd0b1c4deeba21b8833f792651 | ତିନି ପର୍ଯ୍ୟାୟ, ଚାରି-ବିଚ୍, ଏକ-ସ୍ତରୀୟ, ପୃଥକ ଶୂନ-ଭୋଲ୍ଟେଜ୍-ସ୍ୱିଚ୍ (ZVS) ରେକ୍ଟିଫାୟରର ଡିଜାଇନ୍ ବିଚାର ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନ ଉପସ୍ଥାପିତ ହୋଇଛି । ଏହି ସର୍କିଟ ତ୍ରି-ପର୍ଯ୍ୟାୟ, ଦୁଇ-ସ୍ୱିଚ୍, ZVS, ବିଚ୍ଛିନ୍ନ-ବର୍ତ୍ତମାନ-ମୋଡ୍ (DCM), ବର୍ଦ୍ଧିତ ଶକ୍ତି-କାରକ୍ୟର-ସଂଶୋଧନ (PFC) ରେକ୍ଟିଫାୟର, ସଂକ୍ଷିପ୍ତରେ TAIPEI ରେକ୍ଟିଫାୟର ନାମିତ, ZVS ପୂର୍ଣ୍ଣ-ବ୍ରିଜ୍ (FB) ଫେଜ୍-ସିଫ୍ଟ DC/DC କନ୍ଭର୍ଟର ସହିତ ଏକୀକୃତ କରି ପ୍ରାପ୍ତ ହୋଇଥାଏ । ଏହି ପରୀକ୍ଷଣରେ HVDC ବିତରଣ ପ୍ରୟୋଗ ପାଇଁ ଡିଜାଇନ କରାଯାଇଥିବା ଏକ ତ୍ରି-ପର୍ଯ୍ୟାୟ 2.7-କିଲୋୱାଟ ପ୍ରୋଟୋଟାଇପରେ 180 ରୁ 264 ଭିଆରଏମଏସ ପର୍ଯ୍ୟନ୍ତ ଲାଇନ-ଟୋଲିନ ଭୋଲଟେଜ ପରିସର ଏବଂ 200 ରୁ 300 ଭୋଲଟେଜ ପର୍ଯ୍ୟନ୍ତ କଡାକଡି ନିୟନ୍ତ୍ରିତ ପରିବର୍ତ୍ତନଶୀଳ ଡିସି ଆଉଟପୁଟ ଭୋଲଟେଜ ସହିତ କାର୍ଯ୍ୟ କରାଯାଇଛି । ଏହି ପ୍ରୋଟୋଟାଇପ ZVS ସହିତ ସମ୍ପୂର୍ଣ୍ଣ ଇନପୁଟ ଭୋଲଟେଜ ଏବଂ ଲୋଡ କରେଣ୍ଟ ପରିସରରେ କାର୍ଯ୍ୟ କରିଥାଏ ଏବଂ 95% ପରିସର ମଧ୍ୟରେ ଦକ୍ଷତା ସହିତ 5% ରୁ କମ୍ ଇନପୁଟ କରେଣ୍ଟ THD ହାସଲ କରିଥାଏ । |
5417bd72d1b787ade0c485f1188189474c199f4d | ଆମେ ଏକ ନୂତନ ପ୍ରଶିକ୍ଷଣ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାଦ୍ୱାରା ଏକ ଆଡାପ୍ଟିଭ୍ ହିଞ୍ଜେଜ୍ ଲସ୍ ଅବଜେକ୍ଟିଭ୍ ଫଙ୍କସନ ବ୍ୟବହାର କରି ଜେନେରେଟିଭ୍ ଆଡଭାସରିଏଲ ନେଟୱର୍କ (ଜିଏନଏ) ର ସ୍ଥିରତା ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ବୃଦ୍ଧି କରାଯାଇପାରିବ । ଆମେ ଲକ୍ଷ୍ୟ ବଣ୍ଟନର ଆଶା କରାଯାଉଥିବା ଶକ୍ତି ସହିତ ଉପଯୁକ୍ତ ହିଞ୍ଜେଜ୍ କ୍ଷତି ସୀମାକୁ ଆକଳନ କରିଥାଉ ଏବଂ ଉଭୟ ସୀମାକୁ ଅପଡେଟ୍ କରିବା ପାଇଁ ଏକ ନୀତିଗତ ମାନଦଣ୍ଡ ଏବଂ ଏକ ଆନୁମାନିକ ସମ୍ମିଶ୍ରଣ ମାପ ବାହାର କରିଥାଉ । ଏହାର ଫଳସ୍ୱରୂପ ବିଭିନ୍ନ ପ୍ରକାରର ଡାଟା ସେଟ ଉପରେ ଏକ ସରଳ ଏବଂ ଦୃଢ଼ ତାଲିମ ପ୍ରକ୍ରିୟା ସୃଷ୍ଟି ହୋଇଥାଏ । ଆମେ ପ୍ରସ୍ତାବିତ ପ୍ରଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାର ମୂଲ୍ୟାଙ୍କନ କରିଛୁ, ଯେଉଁଥିରେ ବିନା ତଦାରଖରେ ଚିତ୍ର ସୃଷ୍ଟିର କାର୍ଯ୍ୟକୁ ନେଇ ଉଭୟ ଗୁଣାତ୍ମକ ଏବଂ ପରିମାଣିକ କାର୍ଯ୍ୟଦକ୍ଷତା ଉନ୍ନତିକୁ ଉଲ୍ଲେଖ କରାଯାଇଛି । |
007ee2559d4a2a8c661f4f5182899f03736682a7 | କଣ୍ଟ୍ରୋଲର ଏରିଆ ନେଟୱର୍କ (CAN) ବସ ପ୍ରୋଟୋକଲ [1] ହେଉଛି ଏକ ବସ ପ୍ରୋଟୋକଲ ଯାହାକି ୧୯୮୬ ମସିହାରେ ରୋବର୍ଟ ବୋଶ ଜିଏମବିଏଚ ଦ୍ୱାରା ଉଦ୍ଭାବନ କରାଯାଇଥିଲା । ଏବେ ଏହି ବସ୍ କାର ଓ ଟ୍ରକ ଠାରୁ ଆରମ୍ଭ କରି ଇଲେକ୍ଟ୍ରି ସେଟଅପ୍ ଓ ଇଣ୍ଡଷ୍ଟ୍ରିୟଲ ଲୁମ ପର୍ଯ୍ୟନ୍ତ ବିଭିନ୍ନ ଯନ୍ତ୍ରପାତିରେ ମିଳିପାରିବ । ଏହାର ପ୍ରକୃତି ଯୋଗୁଁ ଏହା ଏକ ବ୍ୟବସ୍ଥା ଯାହା ସୁରକ୍ଷା ଉପରେ ବିଶେଷ ଭାବେ ଧ୍ୟାନ ଦେଇଥାଏ, ଅର୍ଥାତ୍ ବିଶ୍ୱସନୀୟତା ଉପରେ । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ସୁରକ୍ଷା ବ୍ୟବସ୍ଥାକୁ ଲାଗୁ କରିବା ପାଇଁ କୌଣସି ଅନ୍ତର୍ନିହିତ ଉପାୟ ନାହିଁ, ଯେପରିକି ଏନକ୍ରିପସନ୍ କିମ୍ବା ପ୍ରମାଣୀକରଣ । ଏହି କାଗଜରେ, ଆମେ CAN ବସ୍ ରେ ଏକ ପଛୁଆ-ସଙ୍ଗତ ସନ୍ଦେଶ ପ୍ରମାଣୀକରଣ ପ୍ରୋଟୋକଲ୍ କାର୍ଯ୍ୟକାରୀ କରିବା ସହିତ ଜଡିତ ସମସ୍ୟାଗୁଡ଼ିକ ଅନୁସନ୍ଧାନ କରୁ । ଆମେ ଦେଖାଇବୁ ଯେ ଏହିପରି ପ୍ରୋଟୋକଲକୁ କେଉଁ ପ୍ରତିବନ୍ଧକକୁ ପୂରଣ କରିବାକୁ ପଡିବ ଏବଂ କାହିଁକି ଏହା ଆମ ଜ୍ଞାନର ସର୍ବୋତ୍ତମ ପର୍ଯ୍ୟନ୍ତ, ଏପର୍ଯ୍ୟନ୍ତ ପ୍ରକାଶିତ ସମସ୍ତ ପ୍ରାମାଣିକତା ପ୍ରୋଟୋକଲକୁ ସମାପ୍ତ କରେ । ଆହୁରି ମଧ୍ୟ, ଆମେ ଏକ ସନ୍ଦେଶ ପ୍ରମାଣୀକରଣ ପ୍ରୋଟୋକଲ, CANAuth ଉପସ୍ଥାପନ କରୁ, ଯାହା ସମସ୍ତ ଆବଶ୍ୟକତାଗୁଡ଼ିକୁ ପୂରଣ କରେ ଏବଂ CAN ବସର କୌଣସି ପ୍ରତିବନ୍ଧକକୁ ଉଲ୍ଲଂଘନ କରେ ନାହିଁ । ମୂଳ ଶବ୍ଦ-CAN ବସ, ଏମ୍ବେଡ ନେଟୱର୍କ, ପ୍ରସାରଣ ପ୍ରମାଣୀକରଣ, ସିମେଟ୍ରିକ କ୍ରିପ୍ଟୋଗ୍ରାଫି |
129359a872783b7c3a82c2c9dbef75df2956d2d3 | XFI ହେଉଛି ଏକ ବ୍ୟାପକ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ଯାହା ଉଭୟ ନମନୀୟ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ ଏବଂ ମୌଳିକ ଅଖଣ୍ଡତା ଗ୍ୟାରେଣ୍ଟି ପ୍ରଦାନ କରିଥାଏ, ଯେକୌଣସି ପ୍ରାଧିକରଣ ସ୍ତରରେ ଏବଂ ଏପରିକି କମୋଡିଟି ସିଷ୍ଟମରେ ପୁରୁଣା କୋଡ୍ ପାଇଁ ମଧ୍ୟ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଏକ୍ସଏଫ୍ଆଇ ଇନଲାଇନ୍ ସଫ୍ଟୱେର୍ ଗାର୍ଡ ଏବଂ ଏକ ଦୁଇ-ଷ୍ଟେକ୍ କାର୍ଯ୍ୟକାରିତା ମଡେଲ ସହିତ ଷ୍ଟାଟିକ୍ ବିଶ୍ଳେଷଣକୁ ମିଶ୍ରଣ କରେ । ଆମେ x86 ଆର୍କିଟେକଚରରେ Windows ପାଇଁ XFI କୁ ଲାଗୁ କରିଛୁ ବାଇନାରୀ ରିୱିଟିଙ୍ଗ ଏବଂ ଏକ ସରଳ, ଷ୍ଟାଣ୍ଡ-ଅଲନ ଭେରିଫାୟର ବ୍ୟବହାର କରି; କାର୍ଯ୍ୟକାରିତା ର ସଠିକତା ଭେରିଫାୟର ଉପରେ ନିର୍ଭର କରେ, କିନ୍ତୁ ରିୱିଟର ଉପରେ ନୁହେଁ । ଆମେ XFIକୁ ସଫ୍ଟୱେର ଉପରେ ପ୍ରୟୋଗ କରିଛୁ ଯେପରିକି ଡିଭାଇସ ଡ୍ରାଇଭର ଏବଂ ମଲ୍ଟିମିଡିଆ କୋଡେକ୍ । ଏହି ମଡ୍ୟୁଲଗୁଡିକ ଉଭୟ କର୍ଣ୍ଣଲ ଏବଂ ୟୁଜର-ମୋଡ ଠିକଣା ସ୍ପେସରେ ସୁରକ୍ଷିତ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ, କେବଳ ସାମାନ୍ୟ ପ୍ରବର୍ତ୍ତନ ଓଭରହେଡ ସହିତ । |
3b938f66d03559e1144fa2ab63a3a9a076a6b48b | ସିଗନାଲ୍ ପ୍ରୋସେସିଂ ଓ ପରିସଂଖ୍ୟାନ ଭଳି ପ୍ରୟୋଗରେ, ଅନେକ ସମସ୍ୟା ସମୀକରଣର ଅଳ୍ପ ନିର୍ଦ୍ଧାରିତ ଧାଡ଼ିୟ ତନ୍ତ୍ରର ବିରଳ ସମାଧାନ ଖୋଜିବାରେ ଜଡ଼ିତ । ଏହି ସମସ୍ୟା ଗୁଡିକୁ ଏକ ସଂରଚନା ଅସମାନତା ଅପ୍ଟିମାଇଜେସନ ସମସ୍ୟା ଭାବରେ ପ୍ରସ୍ତୁତ କରାଯାଇପାରେ, ଅର୍ଥାତ୍, `1- ନିୟମିତ ରେଖୀ କ୍ଷୁଦ୍ରତମ ବର୍ଗ ସମସ୍ୟାକୁ ସର୍ବନିମ୍ନ କରିବା ସମସ୍ୟା । ଏହି ଲେଖାରେ ଆମେ ବ୍ଲକ କୋଅର୍ଡିନେଟ ଗ୍ରାଡିଏଣ୍ଟ ଡିସେଣ୍ଟ ପଦ୍ଧତି (ସିଜିଡି ନାମରେ ସଂକ୍ଷିପ୍ତ) ର ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହାଦ୍ୱାରା ସାଧାରଣ `1- ନିୟମିତ ହୋଇଥିବା ବକ୍ର କ୍ଷୁଦ୍ରକରଣ ସମସ୍ୟାକୁ ସମାଧାନ କରାଯାଇପାରିବ । ଆମେ Q-ଲିନୀୟର କନଭର୍ଜେନ୍ସ ରେଟ୍ ସ୍ଥାପନ କରିଥାଉ ଯେତେବେଳେ କୋର୍ଡିନେଟ ବ୍ଲକ ଗସ୍-ସାଉଥ୍ ୱେଲ ପ୍ରକାରର ନିୟମ ଦ୍ୱାରା ଚୟନ କରାଯାଇଥାଏ ଯଥେଷ୍ଟ ଅବତରଣକୁ ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ । ଆମେ ସିଜିଡି ପଦ୍ଧତିର ପ୍ରଭାବୀ କାର୍ଯ୍ୟାନ୍ୱୟନ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଏବଂ ତଥ୍ୟ ବର୍ଗୀକରଣରେ ବିଶେଷତ୍ୱ ଚୟନ ପାଇଁ ସଙ୍କୋଚିତ ସେନ୍ସିଂ ଏବଂ ପ୍ରତିଛବି ଡିକନଭୋଲ୍ୟୁସନରେ ଉତ୍ପନ୍ନ ହେଉଥିବା ବୃହତ-ମାପ ̊ଳିକ ̊-୧ ନିୟମିତ ଧାଡ଼ିୟ ସର୍ବନିମ୍ନ ବର୍ଗ ସମସ୍ୟା ସମାଧାନ ପାଇଁ ସଂଖ୍ୟାଗତ ଫଳାଫଳ ରିପୋର୍ଟ କରୁଛୁ । ଅନେକ ଅତ୍ୟାଧୁନିକ ଆଲଗୋରିଦମ ସହିତ ତୁଳନା କରିବା ଦ୍ବାରା, ଯାହାକି ବିଶେଷ ଭାବରେ ବଡ଼ ଆକାରର `1- ନିୟମିତ ରେଖୀ କ୍ଷୁଦ୍ରତମ ବର୍ଗ କିମ୍ବା ଲଜିଷ୍ଟିକ୍ ରିଗ୍ରେସନ ସମସ୍ୟା ସମାଧାନ ପାଇଁ ପରିକଳ୍ପିତ ହୋଇଛି, ଏହା ସୂଚାଇଥାଏ ଯେ ଏକ ଦକ୍ଷ ଭାବରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଥିବା ସିଜିଡି ପଦ୍ଧତି ଏହି ଆଲଗୋରିଦମଗୁଡ଼ିକୁ ଅତିକ୍ରମ କରିପାରେ, ସତ୍ତ୍ୱେ ବି ସିଜିଡି ପଦ୍ଧତି କେବଳ ଏହି ବିଶେଷ ଶ୍ରେଣୀର ସମସ୍ୟା ସମାଧାନ ପାଇଁ ବିଶେଷ ଭାବରେ ପରିକଳ୍ପିତ ହୋଇନାହିଁ । |
8ad03b36ab3cba911699fe1699332c6353f227bc | ୟୁନେସ୍କୋ ଅନୁସାରେ ଶିକ୍ଷା ହେଉଛି ଏକ ମୌଳିକ ମାନବିକ ଅଧିକାର ଏବଂ ପ୍ରତ୍ୟେକ ଦେଶର ନାଗରିକଙ୍କୁ ସମାନ ଗୁଣବତ୍ତା ସହିତ ଶିକ୍ଷା ପାଇବାକୁ ଅନୁମତି ଦିଆଯିବା ଉଚିତ । କାରଣ ଅଧିକାଂଶ ଦେଶରେ, ବିଶେଷ କରି ବିକାଶଶୀଳ ଏବଂ ଅବିକଶିତ ଦେଶମାନଙ୍କରେ ଏହି ଲକ୍ଷ୍ୟ ହାସଲ ହୋଇପାରିନାହିଁ, ତେଣୁ ଶିକ୍ଷାର ଉନ୍ନତି ପାଇଁ ଅଧିକ ପ୍ରଭାବୀ ଉପାୟ ଖୋଜିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଏହି କାଗଜରେ ଏକ ମଡେଲ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା କମ୍ପ୍ୟୁଟେଶନାଲ ଇଣ୍ଟେଲିଜେନ୍ସର ପ୍ରୟୋଗ ଉପରେ ଆଧାରିତ (ଡାଟା ମାଇନିଂ ଏବଂ ଡାଟା ସାଇନ୍ସ) ଯାହା ଛାତ୍ରର ଜ୍ଞାନ ପ୍ରୋଫାଇଲର ବିକାଶକୁ ନେଇଥାଏ ଏବଂ ଏହା ଶିକ୍ଷାବିତମାନଙ୍କୁ ସେମାନଙ୍କର ଛାତ୍ରମାନଙ୍କୁ ସର୍ବୋତ୍ତମ ଦିଗଦର୍ଶନ ଦେବା ପାଇଁ ନିଷ୍ପତ୍ତି ନେବାରେ ସାହାଯ୍ୟ କରିପାରିବ । ଏହି ମଡେଲରେ ପ୍ରତ୍ୟେକ ଛାତ୍ରଙ୍କ ପାଇଁ ପ୍ରସ୍ତୁତ କରାଯାଇଥିବା ବ୍ୟକ୍ତିଗତ ରଣନୀତିକ ଯୋଜନାରେ ଲକ୍ଷ୍ୟ ହାସଲ ଉପରେ ନଜର ରଖିବା ପାଇଁ ପ୍ରମୁଖ ପ୍ରଦର୍ଶନ ସୂଚକ ପ୍ରତିଷ୍ଠା କରିବାକୁ ଚେଷ୍ଟା କରାଯାଇଛି । ଏହି ମଡେଲରେ ବର୍ଗୀକରଣ ଏବଂ ପୂର୍ବାନୁମାନ ପାଇଁ ଆକସ୍ମିକ ଜଙ୍ଗଲ, ଡାଟା ସଂରଚନା ଦୃଶ୍ୟମାନ କରିବା ପାଇଁ ଗ୍ରାଫ ବର୍ଣ୍ଣନା ଏବଂ ହିତାଧିକାରୀମାନଙ୍କୁ ପ୍ରାସଙ୍ଗିକ ସୂଚନା ଉପସ୍ଥାପନ କରିବା ପାଇଁ ସୁପାରିଶ ବ୍ୟବସ୍ଥା ବ୍ୟବହାର କରାଯାଇଛି । ଏହି ଫଳାଫଳ ବ୍ରାଜିଲର ଏକ ଘରୋଇ କେ-୯ (ପ୍ରାଥମିକ ବିଦ୍ୟାଳୟ) ରୁ ପ୍ରାପ୍ତ ପ୍ରକୃତ ତଥ୍ୟ ଉପରେ ଆଧାରିତ । ଏହି ଫଳାଫଳଗୁଡ଼ିକରେ ମୁଖ୍ୟ ତଥ୍ୟ ମଧ୍ୟରେ ସମ୍ବନ୍ଧ, ଛାତ୍ରଛାତ୍ରୀଙ୍କ ପ୍ରଦର୍ଶନକୁ ଆକଳନ କରିବା ପାଇଁ ଏକ ମଡେଲ ଏବଂ ହିତାଧିକାରୀଙ୍କ ପାଇଁ ସୁପାରିଶଗୁଡ଼ିକ ଅନ୍ତର୍ଭୁକ୍ତ । |
500923d2513d30299350a6a0e9b84b077250dc78 | ସୂଚନା ପୁନରୁଦ୍ଧାର ଏବଂ ସୂଚନା ଏକୀକରଣରେ ଅର୍ଥଗତ ସମାନତା ମାପ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । ପାରମ୍ପରିକ ଆଭିମୁଖ୍ୟରେ ମଡେଲିଂ ଅର୍ଥଗତ ସମାନତା ଏକ ଏକକ ଅନ୍ୱେଷଣ ମଧ୍ୟରେ ପରିଭାଷା ମଧ୍ୟରେ ଅର୍ଥନୈତିକ ଦୂରତା ଗଣନା କରିଥାଏ । ଏହି ଏକକ ଅନ୍ଯାନ୍ଯତାବାଦ ଏକ ଡୋମେନ୍-ସ୍ୱାଧୀନ ଅନ୍ଯାନ୍ଯତାବାଦ କିମ୍ବା ବର୍ତ୍ତମାନର ଅନ୍ଯାନ୍ଯତାବାଦର ସମନ୍ବୟର ପରିଣାମ । ଆମେ ଅର୍ଥଗତ ସମାନତା ଗଣନା ପାଇଁ ଏକ ଆଭିମୁଖ୍ୟ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏକକ ଅନ୍ୱେଷଣର ଆବଶ୍ୟକତାକୁ ଆରାମ ଦେଇଥାଏ ଏବଂ ବିଭିନ୍ନ ଅନ୍ୱେଷଣ ନିର୍ଦ୍ଦିଷ୍ଟକରଣର ସ୍ପଷ୍ଟତା ଏବଂ ଔପଚାରିକତା ସ୍ତରରେ ଭିନ୍ନତା ପାଇଁ ଉତ୍ତର ଦେଇଥାଏ । ଏକ ସମାନତା ଫଙ୍କସନ୍ ସମାନତା ଶ୍ରେଣୀ ନିର୍ଦ୍ଧାରଣ କରିଥାଏ, ଯାହା ଏକ ସମାନତା ପ୍ରକ୍ରିୟା ବ୍ୟବହାର କରି ସମାନ ଶବ୍ଦ ସେଟ୍, ଅର୍ଥପୂର୍ଣ୍ଣ ପଡ଼ୋଶୀ ଏବଂ ବର୍ଣ୍ଣନାକାରୀ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଉପରେ ନିର୍ଭର କରିଥାଏ ଯାହା ଅଂଶ, ଫଙ୍କସନ୍ ଏବଂ ଗୁଣରେ ବର୍ଗୀକୃତ ହୋଇଥାଏ । ବିଭିନ୍ନ ଅନଟୋଲୋଜୀ ସହିତ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଅନଟୋଲୋଜୀଗୁଡ଼ିକରେ ଏଣ୍ଟିଟି ଶ୍ରେଣୀର ସମ୍ପୂର୍ଣ୍ଣ ଏବଂ ବିସ୍ତୃତ ଉପସ୍ଥାପନା ଥିବାବେଳେ ମଡେଲ ଭଲ ଫଳାଫଳ ଦେଇଥାଏ । ଶବ୍ଦ ମେଳ ଏବଂ ଅର୍ଥଗତ ପଡ଼ୋଶୀ ମେଳ ସମକକ୍ଷ ଏକକ ଶ୍ରେଣୀକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଯଥେଷ୍ଟ ହୋଇଥିବା ବେଳେ, ବୈଶିଷ୍ଟ୍ୟ ମେଳ ଆମକୁ ସମାନ, କିନ୍ତୁ ସମକକ୍ଷ ନୁହେଁ, ଏକକ ଶ୍ରେଣୀ ମଧ୍ୟରେ ଭେଦଭାବ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । |
1c58b4c7adee37874ac96f7d859d1a51f97bf6aa | ଷ୍ଟାକ୍ ଜେନେରାଲାଇଜେସନ୍ ହେଉଛି ଏକ ଉଚ୍ଚସ୍ତରୀୟ ମଡେଲକୁ ନିମ୍ନସ୍ତରୀୟ ମଡେଲକୁ ମିଶାଇ ଅଧିକ ପୂର୍ବାନୁମାନ ସଠିକତା ହାସଲ କରିବାର ଏକ ସାଧାରଣ ପଦ୍ଧତି । ଏହି ଲେଖାରେ ଆମେ ଦୁଇଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରସଙ୍ଗ ଉପରେ ଆଲୋଚନା କରିବା ଯାହା 1992 ମସିହାରେ ୱୋଲପର୍ଟଙ୍କ ଦ୍ୱାରା ଷ୍ଟାକ୍ ଜେନେରାଲାଇଜେସନ୍ ପ୍ରବର୍ତ୍ତନ ହେବା ପରଠାରୁ ବର୍ଗୀକରଣ କାର୍ଯ୍ୟରେ ଏକ କଳା କଳା ଭାବରେ ବିବେଚନା କରାଯାଇଛି: ଉଚ୍ଚସ୍ତରୀୟ ମଡେଲକୁ ପ୍ରାପ୍ତ କରିବା ପାଇଁ କେଉଁ ପ୍ରକାରର ଜେନେରାଲାଇଜର ଉପଯୁକ୍ତ ଏବଂ କେଉଁ ପ୍ରକାରର ଗୁଣଗୁଡିକ ଏହାର ଇନପୁଟ୍ ଭାବରେ ବ୍ୟବହୃତ ହେବା ଉଚିତ । ଆମେ ପାଇଲୁ ଯେ ସର୍ବୋତ୍ତମ ଫଳାଫଳ ସେତେବେଳେ ପ୍ରାପ୍ତ ହୁଏ ଯେତେବେଳେ ଉଚ୍ଚସ୍ତରୀୟ ମଡେଲ ନିମ୍ନସ୍ତରୀୟ ମଡେଲର ଘନତ୍ୱ (କେବଳ ପୂର୍ବାନୁମାନ ନୁହେଁ) କୁ ମିଶ୍ରଣ କରେ । ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟ ପାଇଁ ତିନୋଟି ଭିନ୍ନ ପ୍ରକାରର ଶିକ୍ଷଣ ଆଲଗୋରିଦମକୁ ମିଶ୍ରଣ କରିବା ପାଇଁ ଆମେ ଷ୍ଟାକ୍ ଜେନେରାଲାଇଜେସନର କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରୁଛୁ । ଆମେ ମଧ୍ୟ ଷ୍ଟାକ୍ ଜେନେରାଲାଇଜେସନର ପ୍ରଦର୍ଶନକୁ ବହୁମତ ଭୋଟ ଏବଂ ପ୍ରକାଶିତ ଆର୍ସିଂ ଏବଂ ବ୍ୟାଗିଂ ଫଳାଫଳ ସହିତ ତୁଳନା କରିଛୁ । |
017ee86aa9be09284a2e07c9200192ab3bea9671 | ସର୍ତ୍ତମୂଳକ ଜିଏଏନ ପ୍ରାକୃତିକ ପ୍ରତିଛବି ସଂଶ୍ଳେଷଣରେ ଅଗ୍ରଣୀ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । ଏହିପରି ମଡେଲର ମୁଖ୍ୟ ଅସୁବିଧା ହେଉଛି ଲେବଲ ତଥ୍ୟର ଆବଶ୍ୟକତା । ଏହି କାର୍ଯ୍ୟରେ ଆମେ ଦୁଇଟି ଲୋକପ୍ରିୟ ଅଣ-ନିରୀକ୍ଷିତ ଶିକ୍ଷଣ କୌଶଳ, ବିରୋଧାଭାସୀ ତାଲିମ ଏବଂ ସ୍ୱ-ନିରୀକ୍ଷଣର ଲାଭ ଉଠାଇଛୁ, ସର୍ତ୍ତମୂଳକ ଏବଂ ଅଣ-ସର୍ତ୍ତମୂଳକ GAN ମଧ୍ୟରେ ଥିବା ବ୍ୟବଧାନକୁ ହ୍ରାସ କରିବା ପାଇଁ । ବିଶେଷକରି, ଆମେ ନେଟୱାର୍କକୁ ପ୍ରତିନିଧିତ୍ୱ ଶିକ୍ଷଣ କାର୍ଯ୍ୟରେ ସହଯୋଗ କରିବାକୁ ଅନୁମତି ଦେଇଥାଉ, ଯେତେବେଳେ କି କ୍ଲାସିକ୍ GAN ଖେଳ ପ୍ରତି ବିରୋଧାଭାସ ରହିଥାଉ । ଆତ୍ମନିରୀକ୍ଷଣର ଭୂମିକା ହେଉଛି ଭେଦଭାବକାରୀଙ୍କୁ ଅର୍ଥପୂର୍ଣ୍ଣ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବା ପାଇଁ ଉତ୍ସାହିତ କରିବା ଯାହା ତାଲିମ ସମୟରେ ଭୁଲିଯାଏ ନାହିଁ । ଆମେ ଅନୁଭବୀ ଭାବରେ ଉଭୟ ଶିକ୍ଷିତ ପ୍ରତିଛବି ପ୍ରତିନିଧିତ୍ୱର ଗୁଣବତ୍ତା ଏବଂ ସଂଶ୍ଳେଷିତ ପ୍ରତିଛବିର ଗୁଣବତ୍ତା ପରୀକ୍ଷା କରିଥାଉ । ସେହିଭଳି ପରିସ୍ଥିତିରେ, ସ୍ୱ-ନିରୀକ୍ଷଣଯୁକ୍ତ GAN ଅତ୍ୟାଧୁନିକ ସର୍ତ୍ତମୂଳକ ପ୍ରତିପକ୍ଷଙ୍କ ଭଳି କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଥାଏ । ଶେଷରେ, ଆମେ ଦେଖାଇଛୁ ଯେ ସମ୍ପୂର୍ଣ୍ଣ ନିରୀକ୍ଷଣ ବିହୀନ ଶିକ୍ଷଣ ପାଇଁ ଏହି ପଦ୍ଧତିକୁ 33 ର FID ହାସଲ କରିବା ପାଇଁ ଅଣସର୍ତ୍ତ IMAGENET ସୃଷ୍ଟିରେ ମାପ କରାଯାଇପାରିବ । |
5c695f1810951ad1bbdf7da5f736790dca240e5b | ସୋସିଆଲ ମିଡିଆରେ ଉପଭୋକ୍ତାଙ୍କ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ବିଷୟବସ୍ତୁକୁ ବିଶ୍ଳେଷଣ କରିବା ଏବଂ ଉତ୍ପାଦ ଏବଂ କାର୍ଯ୍ୟକ୍ରମ ପ୍ରତି ଉପଭୋକ୍ତାଙ୍କ ମତାମତକୁ ସଠିକ୍ ଭାବରେ ନିର୍ଦ୍ଦିଷ୍ଟ କରିବା ଅନେକ ପ୍ରୟୋଗ ପାଇଁ ଅତ୍ୟନ୍ତ ମୂଲ୍ୟବାନ ଅଟେ । ୱେବ୍ ୨.୦ର ପ୍ରସାର ଏବଂ ୱେବ୍ରେ ବ୍ୟବହାରକାରୀମାନଙ୍କ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ବିଷୟବସ୍ତୁର ଦ୍ରୁତ ଅଭିବୃଦ୍ଧି ସହିତ, ସୂକ୍ଷ୍ମ ସୂଚନା ପ୍ରଦାନ କରୁଥିବା ଆଭିମୁଖ୍ୟ ସ୍ତରୀୟ ଭାବନା ବିଶ୍ଳେଷଣ ଉପରେ ଦୃଷ୍ଟିକୋଣ ଅତ୍ୟନ୍ତ ଆଗ୍ରହଜନକ । ଏହି କାର୍ଯ୍ୟରେ, ଆଭିମୁଖ୍ୟ ଆଧାରିତ ଭାବନା ବିଶ୍ଳେଷଣ ପାଇଁ ଏକ ବର୍ଗୀକରଣ ସମୂହ ପଦ୍ଧତି ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏହି ପଦ୍ଧତି ସାଧାରଣ ଅଟେ ଏବଂ ଏକ ବିଷୟକୁ ମଡେଲ କରିବା ପାଇଁ ଏବଂ ବ୍ୟବହାରକାରୀମାନେ ସମ୍ବୋଧିତ କରୁଥିବା ମୁଖ୍ୟ ଦିଗଗୁଡ଼ିକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରିବା ପାଇଁ ଲୁକ୍କାୟିତ ଡିରିଚଲେଟ୍ ଆବଣ୍ଟନକୁ ବ୍ୟବହାର କରେ । ତାପରେ ପ୍ରତ୍ୟେକ ଟିପ୍ପଣୀକୁ ଅଧିକ ବିଶ୍ଳେଷଣ କରାଯାଇଥାଏ ଏବଂ ଶବ୍ଦ ନିର୍ଭରଶୀଳତା ଯାହା ଶବ୍ଦ ଏବଂ ଦିଗ ମଧ୍ୟରେ ପାରସ୍ପରିକ କ୍ରିୟା ଦେଖାଇଥାଏ ତାହା ବାହାର କରାଯାଇଥାଏ । ପ୍ରତ୍ୟେକ ଦିଗ ପ୍ରତି ଉପଭୋକ୍ତାଙ୍କ ମନ୍ତବ୍ୟର ଧ୍ରୁବତ୍ବକୁ ଚିହ୍ନିବା ପାଇଁ ଏକ ସମୂହ ବର୍ଗୀକରଣକାରୀ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ମୂଲ୍ୟାୟନ ଫଳାଫଳଗୁଡିକ ଦର୍ଶାଉଛି ଯେ, ବ୍ୟକ୍ତିଗତ ଶ୍ରେଣୀକରଣ ତୁଳନାରେ ଏହି ସମୂହ ବ୍ୟବସ୍ଥାରେ ଉନ୍ନତି ଆସିଛି ଏବଂ ଏହା ଦର୍ଶାଉଛି ଯେ, ଉପଭୋକ୍ତାଙ୍କ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ବିଷୟବସ୍ତୁକୁ ବିଶ୍ଳେଷଣ କରିବା ଏବଂ ଉପଭୋକ୍ତାଙ୍କ ମତାମତ ଏବଂ ମନୋଭାବକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରିବା କ୍ଷେତ୍ରରେ ସମୂହ ବ୍ୟବସ୍ଥାଟି ମାପଯୋଗ୍ୟ ଏବଂ ସଠିକ୍ ଅଟେ । |
4f1fe957a29a2e422d4034f4510644714d33fb20 | ଆମେ ଦସ୍ତାବିଜଗୁଡିକୁ ବିଷୟ ଅନୁସାରେ ନୁହେଁ ବରଂ ସାମଗ୍ରିକ ଭାବନା ଅନୁସାରେ ଶ୍ରେଣୀଭୁକ୍ତ କରିବାର ସମସ୍ୟା ଉପରେ ବିଚାର କରୁଛୁ, ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ସମୀକ୍ଷା ସକାରାତ୍ମକ କି ନକାରାତ୍ମକ ତାହା ନିର୍ଣ୍ଣୟ କରିବା । ଚଳଚ୍ଚିତ୍ର ସମୀକ୍ଷାକୁ ତଥ୍ୟ ଭାବରେ ବ୍ୟବହାର କରି ଆମେ ପାଇଲୁ ଯେ ମାନକ ମେସିନ୍ ଶିକ୍ଷଣ କୌଶଳ ମନୁଷ୍ୟ ଦ୍ୱାରା ଉତ୍ପାଦିତ ମୂଳ ରେଖା ଠାରୁ ନିଶ୍ଚିତ ଭାବରେ ଉନ୍ନତ । କିନ୍ତୁ ଆମେ ବ୍ୟବହାର କରିଥିବା ତିନୋଟି ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତି (ନାଇଭ୍ ବେୟସ୍, ସର୍ବାଧିକ ଏଣ୍ଟ୍ରୋପି ବର୍ଗୀକରଣ ଏବଂ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍) ପାରମ୍ପରିକ ବିଷୟ ଆଧାରିତ ବର୍ଗୀକରଣ ପରି ଭାବନା ବର୍ଗୀକରଣରେ ଭଲ ପ୍ରଦର୍ଶନ କରିନଥାଏ । ଆମେ ଭାବନା ବର୍ଗୀକରଣ ସମସ୍ୟାକୁ ଅଧିକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ କରୁଥିବା କାରକଗୁଡ଼ିକୁ ଅନୁଧ୍ୟାନ କରି ଏହି ଅଧ୍ୟାୟର ସମାପ୍ତି କରୁଛୁ । ପ୍ରକାଶନ ସୂଚନା: ଇଏମଏନଏଲପିର କାର୍ଯ୍ୟାବଳୀ ୨୦୦୨, ପୃ. ୭୯ରୁ ୮୬ |
722e2f7894a1b62e0ab09913ce9b98654733d98e | ଏହି ପ୍ରକାଶନରେ ପୁନଃ ପ୍ରକାଶିତ ଲେଖା ରହିଛି ଯାହାର ଆଇଇଇଇର କପିରାଇଟ୍ ନାହିଁ । ଏହି ଲେଖାଗୁଡ଼ିକର ସମ୍ପୂର୍ଣ୍ଣ ପାଠ୍ୟ IEEE Xplore ରେ ଉପଲବ୍ଧ ନାହିଁ । |
2485c98aa44131d1a2f7d1355b1e372f2bb148ad | ଏହି ଲେଖାରେ ଆମେ ଚୀନର ଏକ ବୃହତ ଆକାରର ଚେହେରା ଡାଟାବେସର ଆବିଷ୍କାର ଓ ବିଷୟବସ୍ତୁ ବିଷୟରେ ବର୍ଣ୍ଣନା କରୁଛୁ: CAS-PEAL ଚେହେରା ଡାଟାବେସ । CAS-PEAL ଚେହେରା ଡାଟାବେସ୍ ସୃଷ୍ଟି କରିବାର ଲକ୍ଷ୍ୟ ହେଉଛି: 1) ବିଶ୍ୱବ୍ୟାପୀ ଚେହେରା ଚିହ୍ନଟ ଗବେଷକମାନଙ୍କୁ ଭିନ୍ନ ଭିନ୍ନ ଉତ୍ସ ବିଶେଷ କରି ପୋସ୍, ଅଭିବ୍ୟକ୍ତି, ଆସେସୋରିଜ୍ ଏବଂ ଆଲୋକ (PEAL) ଏବଂ ଏକ ଏକକ ଡାଟାବେସରେ ପୂର୍ଣ୍ଣ ସତ୍ୟତା ସୂଚନା ପ୍ରଦାନ କରିବା; 2) ଅଫ୍-ଦ-ଶେଲଫ୍ ଇମେଜିଂ ଉପକରଣ ବ୍ୟବହାର କରି ଏବଂ ଡାଟାବେସରେ ସାଧାରଣ ଚେହେରା ପରିବର୍ତ୍ତନକୁ ଡିଜାଇନ୍ କରି ବ୍ୟବହାରିକ ପ୍ରୟୋଗକୁ ଲକ୍ଷ୍ୟ କରି ଅତ୍ୟାଧୁନିକ ଚେହେରା ଚିହ୍ନଟ ପ୍ରଯୁକ୍ତିବିଦ୍ୟାକୁ ଅଗ୍ରଗତି କରିବା; ଏବଂ 3) ମଙ୍ଗୋଲିୟ ଭାଷାର ଏକ ବୃହତ ଆକାରର ଚେହେରା ଡାଟାବେସ୍ ପ୍ରଦାନ କରିବା । ବର୍ତ୍ତମାନ CAS-PEAL ଚେହେରା ଡାଟାବେସରେ 1040 ଜଣ ବ୍ୟକ୍ତିଙ୍କର 99594ଟି ଚିତ୍ର ରହିଛି (595 ଜଣ ପୁରୁଷ ଏବଂ 445 ଜଣ ମହିଳା) । ଏକ ଆର୍ଚ ଆର୍ମ୍ ଉପରେ ମୋଟ ନଅଟି କ୍ୟାମେରା ଲଗାଯାଇଥାଏ ଯାହା ଏକ ସମୟରେ ବିଭିନ୍ନ ପୋଜରେ ଫଟୋ ଉଠାଇଥାଏ । ପ୍ରତ୍ୟେକ ପରୀକ୍ଷାର୍ଥୀଙ୍କୁ ସିଧା ଆଗକୁ, ଉପରକୁ ଓ ତଳକୁ ଚାହିଁବାକୁ କୁହାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା ୩ଟି ଶଟ୍ରେ ୨୭ଟି ଚିତ୍ର ମିଳିଥାଏ । ପାଞ୍ଚଟି ମୁହଁର ଅଭିବ୍ୟକ୍ତି, ଛଅଟି ଆସେସୋରି ଏବଂ ୧୫ଟି ଆଲୋକ ପରିବର୍ତ୍ତନ ମଧ୍ୟ ଡାଟାବେସରେ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଛି । ଏହି ଡାଟାବେସର ଏକ ବଛା ବଛା ଉପସମୂହ (CAS-PEAL-R1, ଯେଉଁଥିରେ 1040 ଜଣଙ୍କର 30 863ଟି ଚିତ୍ର ରହିଛି) ବର୍ତ୍ତମାନ ଅନ୍ୟ ଗବେଷକମାନଙ୍କ ପାଇଁ ଉପଲବ୍ଧ । ଆମେ CAS-PEAL-R1 ଡାଟାବେସ୍ ଉପରେ ଆଧାରିତ ମୂଲ୍ୟାଙ୍କନ ପ୍ରୋଟୋକଲ୍ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ ଏବଂ ନିମ୍ନଲିଖିତ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଏକ ଆଧାର ଭାବରେ ଚାରୋଟି ଆଲଗୋରିଦମର କାର୍ଯ୍ୟଦକ୍ଷତା ଉପସ୍ଥାପନ କରୁଛୁ: 1) ମୂଳତଃ ଚେହେରା ଚିହ୍ନଟ ଆଲଗୋରିଦମ ପାଇଁ ଡାଟାବେସ୍ ର କଷ୍ଟକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା; 2) ଡାଟାବେସ୍ ବ୍ୟବହାର କରୁଥିବା ଗବେଷକଙ୍କ ପାଇଁ ପସନ୍ଦ ମୂଲ୍ୟାଙ୍କନ ଫଳାଫଳ; ଏବଂ 3) ସାଧାରଣ ଭାବରେ ବ୍ୟବହୃତ ଆଲଗୋରିଦମର ଶକ୍ତି ଏବଂ ଦୁର୍ବଳତା ଚିହ୍ନଟ କରିବା । |
a0456c27cdd58f197032c1c8b4f304f09d4c9bc5 | ସମୂହ ପଦ୍ଧତି ହେଉଛି ଆଲଗୋରିଦମ ଶିଖିବା ଯାହା ଏକ ଶ୍ରେଣୀଭୁକ୍ତକାରୀ ସେଟ୍ ନିର୍ମାଣ କରେ ଏବଂ ତାପରେ ନୂତନ ତଥ୍ୟ ପଏଣ୍ଟଗୁଡ଼ିକୁ ସେମାନଙ୍କର ପୂର୍ବାନୁମାନର ଏକ ଭୋଟ୍ ଭୋଟ୍ ନେଇ ବର୍ଗୀକୃତ କରେ _ ମୂଳ ସମୂହ ପଦ୍ଧତି ହେଉଛି ବେସିୟାନ୍ ହାରାହାରି କିନ୍ତୁ ଅଧିକ ନୂତନ ଆଲଗୋରିଦମଗୁଡିକରେ ତ୍ରୁଟି ସଂଶୋଧନ ଆଉଟପୁଟ୍ କୋଡିଂ ବ୍ୟାଗିଂ ଏବଂ ବ boosting ଣ ଅନ୍ତର୍ଭୁକ୍ତ କରେ _ ଏହି କାଗଜରେ ଏହି ପଦ୍ଧତିଗୁଡିକର ସମୀକ୍ଷା କରାଯାଇଛି ଏବଂ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି ଯେ କାହିଁକି ସମୂହଗୁଡିକ ପ୍ରାୟତ କୌଣସି ଏକକ ଶ୍ରେଣୀ ଅପେକ୍ଷା ଭଲ ପ୍ରଦର୍ଶନ କରିପାରନ୍ତି _ ସମୂହ ପଦ୍ଧତିଗୁଡିକର ତୁଳନା କରୁଥିବା କିଛି ପୂର୍ବ ଅଧ୍ୟୟନ ସମୀକ୍ଷା କରାଯାଇଛି ଏବଂ କିଛି ନୂତନ ପରୀକ୍ଷଣ ଉପସ୍ଥାପିତ କରାଯାଇଛି କାରଣ ଆଡାବୋଷ୍ଟ ଶୀଘ୍ର ବ t ଣ ହୋଇନଥାଏ _ |
9a292e0d862debccffa04396cd5bceb5d866de18 | |
610bc4ab4fbf7f95656b24330eb004492e63ffdf | ଆମେ ଅଣ-ନକାରାତ୍ମକ ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେଶନ ସମସ୍ୟାକୁ ଅଧ୍ୟୟନ କରୁଛୁ ଯାହା ଏକ ଅଣ-ନକାରାତ୍ମକ ମାଟ୍ରିକ୍ସକୁ ନିମ୍ନ-ଶ୍ରେଣୀ ଫ୍ୟାକ୍ଟୋରିଜେଶନ ଦ୍ୱାରା ଅନୁମାନ କରିଥାଏ । ଏହି ସମସ୍ୟା ବିଶେଷକରି ମେସିନ ଲର୍ଣ୍ଣିଂରେ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଅଟେ, ଏବଂ ଏହା ବହୁ ସଂଖ୍ୟକ ପ୍ରୟୋଗରେ ନିଜକୁ ନିଜେ ପାଇଥାଏ । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ମୂଳ ରଚନାଟି ଭୁଲ ଏବଂ ଏନଫାର୍ଡ । ଏହି ଲେଖାରେ ଆମେ ଧାଡ଼ି ଏଣ୍ଟ୍ରୋପି ସର୍ବନିମ୍ନକରଣ ଉପରେ ଆଧାରିତ ଏକ ଧାଡ଼ି ବିରଳ ମଡେଲର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାଦ୍ୱାରା ପୃଥକୀୟ ଅନୁମାନରେ ଏନଏମଏଫ ସମସ୍ୟାକୁ ସମାଧାନ କରାଯାଇପାରିବ । ଆମେ ଏଣ୍ଟ୍ରୋପି ଫଙ୍କସନର ଏକାଗ୍ରତା ଏବଂ `∞ ନିୟମକୁ ବ୍ୟବହାର କରି ଅଳ୍ପ ସଂଖ୍ୟକ ଅଦୃଶ୍ୟ ପରିବର୍ତ୍ତନଶୀଳ ଉପରେ ଶକ୍ତିକୁ ଏକାଗ୍ର କରିଥାଉ । ଆମେ ପ୍ରମାଣ କରୁଛୁ ଯେ ବିଭାଜନୀୟତା ଅନୁମାନରେ, ଆମର ପ୍ରସ୍ତାବିତ ମଡେଲ ଦୃଢ ଭାବରେ ଡାଟା ସ୍ତମ୍ଭକୁ ପୁନରୁଦ୍ଧାର କରେ ଯାହା ଡାଟାସେଟ ସୃଷ୍ଟି କରେ, ଏପରିକି ଯେତେବେଳେ ଡାଟା ଶବ୍ଦ ଦ୍ୱାରା ନଷ୍ଟ ହୁଏ । ଆମେ ପ୍ରସ୍ତାବିତ ମଡେଲର ଦୃଢ଼ତାକୁ ଅନୁଭବୀକୃତ ଭାବରେ ପ୍ରମାଣିତ କରିଛୁ ଏବଂ ଦର୍ଶାଇଛୁ ଯେ ଏହା ଅତ୍ୟାଧୁନିକ ବିଚ୍ଛିନ୍ନନୀୟ NMF ଆଲଗୋରିଦମ ଅପେକ୍ଷା ଯଥେଷ୍ଟ ଅଧିକ ଦୃଢ଼ ଅଟେ । |
f829fa5686895ec831dd157f88949f79976664a7 | ବର୍ଗୀକୃତ ବେୟେସୀୟ ଦୃଷ୍ଟିକୋଣଗୁଡ଼ିକ ଅନୁଭବୀ ବିପଣନରେ ଏକ କେନ୍ଦ୍ରୀୟ ଭୂମିକା ଗ୍ରହଣ କରନ୍ତି କାରଣ ସେମାନେ ବ୍ୟକ୍ତିଗତ ସ୍ତରର ପାରାମିଟର ଆକଳନ ପ୍ରଦାନ କରନ୍ତି ଯାହା ନିଷ୍ପତ୍ତିକୁ ଲକ୍ଷ୍ୟ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ । ଏମସିଏମସି ପଦ୍ଧତିଗୁଡ଼ିକ ବର୍ଗୀକୃତ ବେଜେସୀୟ ମଡେଲଗୁଡ଼ିକର ଆକଳନ ପାଇଁ ପସନ୍ଦଯୋଗ୍ୟ ପଦ୍ଧତି ହୋଇ ରହିଛି କାରଣ ସେମାନେ ସଠିକ ବ୍ୟକ୍ତିଗତ ସ୍ତରର ଆକଳନ ପ୍ରଦାନ କରିବାରେ ସକ୍ଷମ ଅଟନ୍ତି । ତେବେ ଏମସିଏମସି ପଦ୍ଧତିଗୁଡ଼ିକ ଗଣନାତ୍ମକ ଭାବରେ ବହୁତ ବ୍ୟୟସାପେକ୍ଷ ହୋଇଥାଏ ଏବଂ ବିଗ ଡାଟା ଯୁଗରେ ସାଧାରଣ ହୋଇସାରିଥିବା ବିଶାଳ ଡାଟା ସେଟଗୁଡ଼ିକ ଉପରେ ପ୍ରୟୋଗ କଲେ ଭଲ ଭାବରେ ମାପ କରାଯାଇନଥାଏ । ଆମେ ମାର୍କେଟିଂ ସାହିତ୍ୟରେ ଏକ ନୂତନ ବର୍ଗର ବେଜେସୀୟ ଆକଳନ କୌଶଳ ବିଷୟରେ ଉଲ୍ଲେଖ କରୁଛୁ ଯାହାକୁ ଭେରିଏସନଲ ବେଜେସୀୟ (ଭିବି) ଅନୁମାନ କୁହାଯାଏ । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ଏକ ନିର୍ଣ୍ଣାୟକ ଅନୁକୂଳକରଣ ପଦ୍ଧତି ମାଧ୍ୟମରେ ମାପକତା ଆହ୍ୱାନକୁ ସମାଧାନ କରିଥାଏ ଯାହା ପରବର୍ତ୍ତୀ ବଣ୍ଟନକୁ ଅନୁମାନ କରିଥାଏ ଏବଂ ସିମୁଲେସନ୍-ଆଧାରିତ MCMC ପଦ୍ଧତି ସହିତ ଜଡିତ ଗଣନା ଖର୍ଚ୍ଚର ଏକ ଅଂଶରେ ସଠିକ୍ ଆକଳନ ପ୍ରଦାନ କରିଥାଏ । ଆମେ ପରିବର୍ତ୍ତନଶୀଳ ବେୟେସୀୟ ଅନୁମାନରେ ସାମ୍ପ୍ରତିକ ବିକାଶକୁ ବ୍ୟବହାର କରିଛୁ ଏବଂ ବର୍ଣ୍ଣନା କରିଛୁ ଯେ କିପରି ଦୁଇଟି VB ଆକଳନ ପଦ୍ଧତି - ମିଆଁ-ଫିଲ୍ଡ VB (ଯାହା ଗିବ୍ସ ନମୁନା ସଂଗ୍ରହ ସହିତ ସମାନ) ସଂଯୁକ୍ତ ମଡେଲ ପାଇଁ ଏବଂ ଫିକ୍ସଡ-ଫର୍ମ VB (ଯାହା ମେଟ୍ରୋପଲିସ୍-ହାଷ୍ଟିଂ ସହିତ ସମାନ) ଅଣ-ସଂଯୁକ୍ତ ମଡେଲ ପାଇଁ - ଜଟିଳ ମାର୍କେଟିଂ ମଡେଲଗୁଡିକର ଆକଳନ ପାଇଁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ସଂଯୁକ୍ତ ହୋଇପାରିବ । ଆମେ ମଧ୍ୟ ଦେଖାଇବୁ ଯେ କିପରି ସମାନ୍ତରାଳ କମ୍ପ୍ୟୁଟିଂରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତି ଏବଂ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଅପ୍ଟିମାଇଜେସନ୍ ଏହି ଭିଆର୍ବି ପଦ୍ଧତିର ଗତିକୁ ଆହୁରି ବୃଦ୍ଧି କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ସିମୁଲେସନ ଏବଂ ବାସ୍ତବ ତଥ୍ୟ ସେଟ ବ୍ୟବହାର କରି ଆମେ ଭି.ବି. ପଦ୍ଧତିକୁ ଅନେକ ସାଧାରଣ ବ୍ୟବହାର ହେଉଥିବା ମାର୍କେଟିଂ ମଡେଲ (ଯଥା, ମିଶ୍ରିତ ରେଖୀ, ଲଜିଟ, ଚୟନ, ଏବଂ ଶ୍ରେଣୀଗତ ଅର୍ଡନାଲ ଲଜିଟ ମଡେଲ) ଏବଂ ଦର୍ଶାନ୍ତୁ ଯେ ମାର୍କେଟିଂ ସମସ୍ୟା ପାଇଁ VB ଅନୁମାନ କିପରି ବ୍ୟାପକ ଭାବରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । |
bf8a0014ac21ba452c38d27bc7d930c265c32c60 | ଉଚ୍ଚସ୍ତରୀୟ ସମ୍ମିଶ୍ରଣ ପଦ୍ଧତିର ପ୍ରୟୋଗ ବହୁ ସେନସର ତଥ୍ୟ ସମ୍ମିଶ୍ରଣରେ ଅନେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଲାଭକୁ ଦର୍ଶାଇଥାଏ ଏବଂ ଅଟୋମୋବାଇଲ ନିରାପତ୍ତା ସମ୍ମିଶ୍ରଣ ପ୍ରଣାଳୀ ମଧ୍ୟ ଏଥିରୁ ବ୍ୟତିକ୍ରମ ନୁହେଁ । ଉଚ୍ଚ ସ୍ତରୀୟ ସମ୍ମିଶ୍ରଣକୁ ଅଟୋମୋବାଇଲ ସେନସର ନେଟୱାର୍କରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ ଯେଉଁଥିରେ ପରିପୂରକ କିମ୍ବା/ଏବଂ ଅନାବଶ୍ୟକ ଦୃଶ୍ୟପଟ ରହିଛି । ଏହି ପଦ୍ଧତିର ଲାଭ ହେଉଛି ଯେ ଏହା ସିଷ୍ଟମର ମଡୁଲାରିଆଟି ସୁନିଶ୍ଚିତ କରେ ଏବଂ ବେଞ୍ଚମାର୍କିଂକୁ ଅନୁମତି ଦେଇଥାଏ, କାରଣ ଏହା ପ୍ରକ୍ରିୟାକରଣ ଭିତରେ ଫିଡବ୍ୟାକ୍ ଏବଂ ଲୁପ୍ ଅନୁମତି ଦିଏ ନାହିଁ । ଏହି ଅଧ୍ୟୟନରେ ଦୁଇଟି ଉଚ୍ଚସ୍ତରୀୟ ତଥ୍ୟ ମିଶ୍ରଣ ପଦ୍ଧତିର ସଂକ୍ଷିପ୍ତ ଆର୍ଚେଟେକ୍ଚରାଲ ଏବଂ ଆଲଗୋରିଦମିକ ଉପସ୍ଥାପନା ସହିତ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ମୁଖ୍ୟତଃ ସେମାନଙ୍କର ତଥ୍ୟ ସଂଯୋଗ ଅଂଶରେ ଭିନ୍ନ ଅଟେ: (କ) ଟ୍ରାକ ସ୍ତରୀୟ ସମ୍ମିଶ୍ରଣ ପଦ୍ଧତି ଏହାକୁ ପଏଣ୍ଟ ଟୁ ପଏଣ୍ଟ ଆସୋସିଏସନ୍ ସହିତ ସମାଧାନ କରେ ଯେଉଁଥିରେ ବସ୍ତୁ ନିରନ୍ତରତା ଏବଂ ବହୁ-ଆକାରର ଆସାଇନମେଣ୍ଟ ଉପରେ ଗୁରୁତ୍ୱ ଦିଆଯାଏ, ଏବଂ (ଖ) ଗ୍ରୀଡ୍ ଆଧାରିତ ସମ୍ମିଶ୍ରଣ ପଦ୍ଧତି ଯାହା ପରିବେଶକୁ ମଡେଲ୍ କରିବା ପାଇଁ ଏକ ଜେନେରିକ ଉପାୟ ପ୍ରସ୍ତାବ କରେ ଏବଂ ସେନସର ତଥ୍ୟ ସମ୍ମିଶ୍ରଣ କରିଥାଏ । ଏହି ପଦ୍ଧତିର ପରୀକ୍ଷଣ ପାଇଁ ଏକ ମଲ୍ଟି ସେନସର ଯୁକ୍ତ ପ୍ରିଭେଣ୍ଟ/ପ୍ରୋଫ୍ୟୁଜନ୨ ଟ୍ରକ ପ୍ରଦର୍ଶନକାରୀ ଯାନ ବ୍ୟବହାର କରାଯାଇଛି । |
c8cc94dd21d78f4f0d07ccb61153bfb798aeef2c | |
4152070bd6cd28cc44bc9e54ab3e641426382e75 | ଶ୍ରେଣୀକରଣର ସମସ୍ୟାକୁ ବହୁଳ ଭାବରେ ତଥ୍ୟ ଖନନ, ମେସିନ ଶିକ୍ଷା, ଡାଟାବେସ, ଏବଂ ସୂଚନା ପୁନରୁଦ୍ଧାର ସମ୍ପ୍ରଦାୟରେ ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ପ୍ରୟୋଗ ସହିତ ଅଧ୍ୟୟନ କରାଯାଇଛି, ଯେପରିକି ଟାର୍ଗେଟ ମାର୍କେଟିଂ, ଡାକ୍ତରୀ ନିଦାନ, ସମ୍ବାଦ ଗୋଷ୍ଠୀ ଫିଲ୍ଟରିଂ, ଏବଂ ଦଲିଲ ସଂଗଠନ । ଏହି ଲେଖାରେ ଆମେ ବିଭିନ୍ନ ପ୍ରକାରର ପାଠ୍ୟ ଶ୍ରେଣୀକରଣର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରିବୁ । |
e050e89d01afffd5b854458fc48c9d6720a8072c | |
8bf72fb4edcb6974d3c4b0b2df63d9fd75c5dc4f | ଏହିପରି ପଦ୍ଧତିଗୁଡିକ ଅଧିକ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିପାରେ, ଯେହେତୁ ସେମାନେ ପ୍ରାକୃତିକ ଭାଷା ଧାରଣା ସହିତ ଜଡିତ ନିହିତ, ଅର୍ଥଶାସ୍ତ୍ର ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ବିଶ୍ଳେଷଣ କରିବାରେ ମଧ୍ୟ ସକ୍ଷମ ଅଟନ୍ତି _ ଏହି ଲେଖାରେ ଆମେ ସେମାନ୍ଟିକ ସେଣ୍ଟିମେଣ୍ଟ ଆନାଲିସିସ ଚ୍ୟାଲେଞ୍ଜର ଚତୁର୍ଥ ସଂସ୍କରଣ ଉପସ୍ଥାପନ କରୁଛୁ, ଯେଉଁଥିରେ ସିମେଣ୍ଟିକ ବିଶେଷତା ଉପରେ କାର୍ଯ୍ୟକାରୀ କରୁଥିବା କିମ୍ବା ନିର୍ଭର କରୁଥିବା ସିଷ୍ଟମଗୁଡିକର ମୂଲ୍ୟାଙ୍କନ ଏକ ପ୍ରତିଯୋଗିତାରେ କରାଯାଏ ଯେଉଁଥିରେ ବଡ଼ ପରୀକ୍ଷଣ ସେଟ୍ ଏବଂ ବିଭିନ୍ନ ସେଣ୍ଟିମେଣ୍ଟ କାର୍ଯ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । କେବଳ ବାକ୍ୟରଚନା/ଶବ୍ଦ ଗଣନା କିମ୍ବା କେବଳ ଶବ୍ଦକୋଷ ଆଧାରିତ ପଦ୍ଧତି ଉପରେ ଆଧାରିତ ସିଷ୍ଟମକୁ ମୂଲ୍ୟାଙ୍କନରୁ ବାଦ୍ ଦିଆଯାଇଛି । ତାପରେ, ଆମେ ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟ ପାଇଁ ମୂଲ୍ୟାଙ୍କନର ଫଳାଫଳ ଉପସ୍ଥାପନ କରୁ ଏବଂ ସବୁଠାରୁ ଅଭିନବ ଆଭିମୁଖ୍ୟ ପୁରସ୍କାରର ବିଜେତାଙ୍କୁ ଦେଖାଇଥାଉ, ଯାହା ଭାବନା ବିଶ୍ଳେଷଣ କାର୍ଯ୍ୟକୁ ସମାଧାନ କରିବା ପାଇଁ ଅନେକ ଜ୍ଞାନ ଆଧାରକୁ ଏକତ୍ର କରିଥାଏ । ଭାବନା ବିଶ୍ଳେଷଣ ହେଉଛି ଉଭୟ ଗବେଷଣା ଓ ଶିଳ୍ପରେ ଏକ ବ୍ୟାପକ ଅଧ୍ୟୟନ କରାଯାଇଥିବା ଗବେଷଣା କ୍ଷେତ୍ର । ଭାବନା ବିଶ୍ଳେଷଣ ସମ୍ବନ୍ଧୀୟ କାର୍ଯ୍ୟଗୁଡିକର ସମାଧାନ ପାଇଁ ବିଭିନ୍ନ ଉପାୟ ରହିଛି । ଭାବନା ବିଶ୍ଳେଷଣ ଇଞ୍ଜିନଗୁଡିକ ଶବ୍ଦକୋଷ ଆଧାରିତ କୌଶଳ ଠାରୁ ଆରମ୍ଭ କରି ମେସିନ ଶିକ୍ଷା ପର୍ଯ୍ୟନ୍ତ କିମ୍ବା ବାକ୍ୟରଚନା ନିୟମ ବିଶ୍ଳେଷଣକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି ବିଭିନ୍ନ ଉପାୟ କାର୍ଯ୍ୟକାରୀ କରନ୍ତି । ଏହିପରି ବ୍ୟବସ୍ଥାକୁ ଅନ୍ତର୍ଜାତୀୟ ଗବେଷଣା ଆହ୍ୱାନରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇସାରିଛି । କିନ୍ତୁ, ସେମାନ୍ଟିକ ସେଣ୍ଟିମେଣ୍ଟ ଆନାଲିସିସ ପଦ୍ଧତି, ଯାହା ବ୍ୟାପକ ସେମାନ୍ଟିକ ଜ୍ଞାନ ଆଧାରକୁ ଧ୍ୟାନରେ ରଖିଥାଏ କିମ୍ବା ସେଥିରେ ନିର୍ଭର କରିଥାଏ ଏବଂ ସେମାନ୍ଟିକ ୱେବର ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟପଦ୍ଧତିକୁ କାର୍ଯ୍ୟକାରୀ କରିଥାଏ, ଅନ୍ୟ ଅନ୍ତର୍ଜାତୀୟ ଆହ୍ୱାନଗୁଡ଼ିକ ଦ୍ୱାରା ବିଶେଷ ପରୀକ୍ଷାମୂଳକ ମୂଲ୍ୟାଙ୍କନ ଏବଂ ତୁଳନା ଅଧୀନରେ ନାହିଁ । |
21da9ece5587df5a2ef79bf937ea19397abecfa0 | ଏହି ପତ୍ରିକାରେ ପୂର୍ବାନୁମାନ ଏବଂ ଧାରଣାଗତ ବର୍ଗୀକରଣକୁ ଏକ ଅନୁମାନ ସମସ୍ୟା ଭାବରେ ବିବେଚନା କରାଯାଇଛି ଯାହାକୁ ମସ୍ତିଷ୍କ ଦ୍ୱାରା ସମାଧାନ କରାଯାଇଥାଏ । ଆମେ ଭାବୁଛୁ ଯେ ମସ୍ତିଷ୍କ ଦୁନିଆକୁ ଏକ ଶ୍ରେଣୀଗତ କିମ୍ବା ଗତିଶୀଳ ପ୍ରଣାଳୀର ଏକ କ୍ରମ ଭାବରେ ପ୍ରସ୍ତୁତ କରେ ଯାହା ସେନ୍ସୋରିୟମରେ କାରଣ-ନିର୍ମାଣକୁ ସଂରଚନା କରେ । ଏହି ଆଭ୍ୟନ୍ତରୀଣ ମଡେଲର ଅନୁକୂଳନ କିମ୍ବା ବିପରୀତ ସହିତ ଧାରଣକୁ ସମାନ କରାଯାଇଥାଏ, ଯଦ୍ୱାରା ସେନସର ତଥ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରାଯାଇଥାଏ । ସେନସର ଡାଟା କିପରି ସୃଷ୍ଟି ହୁଏ ତାହାର ଏକ ମଡେଲ ଦିଆଯାଇ, ଆମେ ମଡେଲର ପ୍ରମାଣ ଉପରେ ଆଧାରିତ ଏକ ମୁକ୍ତ ଶକ୍ତି ଉପରେ ଆଧାରିତ ମଡେଲ ଇନଭର୍ସନ ପାଇଁ ଏକ ଜେନେରିକ୍ ଆଭିମୁଖ୍ୟକୁ ଆହ୍ୱାନ କରିପାରିବା । ନିମ୍ନଲିଖିତ ମୁକ୍ତ ଶକ୍ତି ସୂତ୍ର ସମୀକରଣ ପ୍ରଦାନ କରେ ଯାହା ସ୍ୱୀକୃତି ପ୍ରକ୍ରିୟା, ଯଥା ନ୍ୟୁରୋନାଲ ଆକ୍ଟିଭିଟିର ଗତିଶୀଳତା ଯାହା ସେନ୍ସର ଇନପୁଟର କାରଣକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ । ଏଠାରେ ଆମେ ଏକ ସାଧାରଣ ମଡେଲ ଉପରେ ଧ୍ୟାନ ଦେଉଛୁ, ଯାହାର ଶ୍ରେଣୀଗତ ଏବଂ ଗତିଶୀଳ ସଂରଚନା ଅନୁକରଣ ମସ୍ତିଷ୍କକୁ ଚିହ୍ନିବା ଏବଂ ଅନୁମାନ କରିବା ପାଇଁ ସକ୍ଷମ କରେ ଯାନ୍ତ୍ରିକ ଅବସ୍ଥା କିମ୍ବା କ୍ରମର ପଥ । ପ୍ରଥମେ ଆମେ ବର୍ଗୀକୃତ ଗତିଶୀଳ ମଡେଲ ଏବଂ ଏହାର ବିପରୀତକୁ ସମୀକ୍ଷା କରିବା । ତାପରେ ଆମେ ଦେଖାଇବୁ ଯେ ମସ୍ତିଷ୍କରେ ଏହି ବିପରୀତ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ ଆବଶ୍ୟକ ଭିତ୍ତିଭୂମି ଅଛି ଏବଂ ଏହି କଥାକୁ ବୁଝାଇବା ପାଇଁ ଆମେ କୃତ୍ରିମ ପକ୍ଷୀ ବ୍ୟବହାର କରିଛୁ ଯାହା ପକ୍ଷୀ ଗୀତକୁ ଚିହ୍ନଟ କରି ବର୍ଗୀକୃତ କରିପାରିବ । |
38a935e212c8e10460545b74a7888e3966c03e74 | ଏହି ଦସ୍ତାବିଜରେ 3D ବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ ଆମୋଡାଲ ଧାରଣା ସମସ୍ୟାକୁ ଦର୍ଶାଯାଇଛି । ଏହି କାର୍ଯ୍ୟ କେବଳ 3D ଦୁନିଆରେ ବସ୍ତୁ ସ୍ଥାନୀକରଣ ଖୋଜିବା ନୁହେଁ, ବରଂ ସେମାନଙ୍କର ଭୌତିକ ଆକାର ଏବଂ ସ୍ଥିତିକୁ ଆକଳନ କରିବା, ଯଦିଓ କେବଳ ସେମାନଙ୍କର କିଛି ଅଂଶ RGB-D ପ୍ରତିଛବିରେ ଦୃଶ୍ୟମାନ ହୋଇଥାଏ । ନିକଟରେ କରାଯାଇଥିବା ଆଭିମୁଖ୍ୟରେ ଗଭୀରତା ଚ୍ୟାନେଲରୁ ପଏଣ୍ଟ କ୍ଲାଉଡକୁ ସିଧାସଳଖ ୩ଡି ସ୍ପେସରେ ୩ଡି ଫିଚର ବ୍ୟବହାର କରିବା ପାଇଁ ଚେଷ୍ଟା କରାଯାଇଛି ଏବଂ ଏହା ପାରମ୍ପରିକ ୨.୫ଡି ପ୍ରତିନିଧିତ୍ୱ ଆଭିମୁଖ୍ୟ ଉପରେ ପ୍ରାଧାନ୍ୟ ପ୍ରଦର୍ଶନ କରିଛି । ଆମେ ଅମୋଡାଲ ଥ୍ରୀଡି ଡିଟେକ୍ସନ ସମସ୍ୟାକୁ ୨.୫ ଡି ରେପ୍ରେଜେଣ୍ଟେସନ ଫ୍ରେମୱାର୍କରେ ଅଟକି ରହି, ଏବଂ ୨.୫ ଡି ଭିଜୁଆଲ ଏପିରେନ୍ସକୁ ସିଧାସଳଖ ୩ ଡି ବସ୍ତୁ ସହିତ ସମ୍ବନ୍ଧିତ କରି ପୁନଃବିଚାର କରୁଛୁ । ଆମେ ଏକ ନୂଆ 3D ବସ୍ତୁ ଚିହ୍ନଟ ପ୍ରଣାଳୀ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଏକକାଳୀନ 3D ଅବସ୍ଥାନ, ଭୌତିକ ଆକାର, ଏବଂ ଭିତର ଦୃଶ୍ୟରେ ଦିଗ ନିର୍ଣ୍ଣୟ କରିଥାଏ । NYUV2 ଡାଟାସେଟରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ଆଲଗୋରିଦମ ଅତ୍ୟାଧୁନିକ ଆଲଗୋରିଦମ ଠାରୁ ଅଧିକ ଭଲ ପ୍ରଦର୍ଶନ କରୁଛି ଏବଂ ଏହା ଦର୍ଶାଉଛି ଯେ 2.5D ପ୍ରତିନିଧିତ୍ୱ 3D ଆମୋଡାଲ ବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ ବୈଶିଷ୍ଟ୍ୟକୁ ଏନକୋଡ୍ କରିବାରେ ସକ୍ଷମ ଅଟେ । ସମସ୍ତ ସ୍ରୋତ କୋଡ ଏବଂ ତଥ୍ୟ https://github.com/phoenixnn/Amodal3Det ରେ ଅଛି । |
4d7a8836b304a1ecebee19ff297f1850e81903b4 | |
461ebcb7a274525b8efecf7990c85994248ab433 | କମ ଶକ୍ତି ଓ କ୍ଷତି ନେଟୱର୍କ ପାଇଁ ରୁଟିଙ୍ଗ ପ୍ରୋଟୋକଲ (ଆରପିଏଲ) ହେଉଛି ଏକ ନୂଆ ରୁଟିଙ୍ଗ ପ୍ରୋଟୋକଲ ଯାହାକି 6LoWPAN ନେଟୱର୍କ ପରି ସୀମିତ ପରିବେଶ ପାଇଁ ମାନକୀକୃତ ହୋଇଛି । IPv6/RPL ସଂଯୁକ୍ତ 6LoWPAN ରେ ସୁରକ୍ଷା ପ୍ରଦାନ କରିବା ଏକ ଆହ୍ୱାନ କାରଣ ଉପକରଣଗୁଡିକ ଅବିଶ୍ୱସ୍ତ ଇଣ୍ଟରନେଟ୍ ସହିତ ସଂଯୁକ୍ତ ଏବଂ ଉତ୍ସ ସୀମିତ, ଯୋଗାଯୋଗ ଲିଙ୍କ୍ କ୍ଷୟକ୍ଷତିପୂର୍ଣ୍ଣ ଏବଂ ଉପକରଣଗୁଡିକ ନୂତନ IoT ଟେକ୍ନୋଲୋଜି ଯଥା RPL, 6LoWPAN ଏବଂ CoAP / CoAPs ବ୍ୟବହାର କରନ୍ତି । ଏହି ପତ୍ରିକାରେ ଆମେ ଆଇଓଟି ପ୍ରଯୁକ୍ତିର ଏକ ବ୍ୟାପକ ବିଶ୍ଳେଷଣ ଏବଂ ଆକ୍ରମଣକାରୀ କିମ୍ବା ଆଇଡିଏସ ଦ୍ୱାରା ଏହାର ନୂଆ ସୁରକ୍ଷା କ୍ଷମତାକୁ ବ୍ୟବହାର କରିପାରିବା । ଏହି କାଗଜରେ ଏକ ପ୍ରମୁଖ ଅବଦାନ ହେଉଛି 6LoWPAN ନେଟୱର୍କ ବିରୋଧରେ ଆମର କାର୍ଯ୍ୟକାରିତା ଏବଂ ପ୍ରଦର୍ଶନ ଯାହା ଏକ ରୁଟିଙ୍ଗ ପ୍ରୋଟୋକଲ ଭାବରେ RPL କୁ ଚଳାଉଛି । ଆମେ ଏହି ଆକ୍ରମଣଗୁଡ଼ିକୁ କଣ୍ଟିକ ପରିଚାଳନା ପ୍ରଣାଳୀରେ ଆରପିଏଲ କାର୍ଯ୍ୟାନ୍ୱୟନରେ କାର୍ଯ୍ୟକାରୀ କରିଥାଉ ଏବଂ ଏହି ଆକ୍ରମଣଗୁଡ଼ିକୁ କୂଜା ସିମୁଲେଟରରେ ପ୍ରଦର୍ଶନ କରିଥାଉ । ଏହାବ୍ୟତୀତ, ଆମେ ଆଇପିଭି୬ ପ୍ରୋଟୋକଲରେ ଥିବା ନୂଆ ନୂଆ ସୁରକ୍ଷା ବିଶେଷତ୍ୱ ଉପରେ ଆଲୋକପାତ କରୁଛୁ ଏବଂ ହାଲୁକା ହାର୍ଟବିଟ୍ ପ୍ରୋଟୋକଲକୁ କାର୍ଯ୍ୟକାରୀ କରି ଆଇଓଟିରେ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପାଇଁ ଏହି ବିଶେଷତ୍ୱର ବ୍ୟବହାରକୁ ଉଦାହରଣ ସ୍ୱରୂପ ଦର୍ଶାଉଛୁ । |
5b8869bb7afa5d8d3c183dfac0d0f26c2e218593 | ଆଧୁନିକ ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ସମ୍ପନ୍ନ ପ୍ରୋସେସରରେ ପ୍ରଚଳିତ କ୍ୟାଶେ ହିରାର୍କିକୁ ବ୍ୟବହାରିକ ଭାବରେ ଭଲ ପ୍ରଦର୍ଶନ କରୁଥିବା ଆଲଗୋରିଦମ ଡିଜାଇନ କରିବା ପାଇଁ ଧ୍ୟାନରେ ରଖିବାକୁ ହେବ । ଏହି କାଗଜରେ ବାହ୍ୟ ସ୍ମୃତି ଆଲଗୋରିଦମକୁ ଏହି ଉଦ୍ଦେଶ୍ୟରେ ଅନୁକୂଳ କରିବା ପାଇଁ ପରାମର୍ଶ ଦିଆଯାଇଛି । ଏହି ଧାରଣା ଏବଂ ଏଥିରେ ଜଡିତ ବ୍ୟବହାରିକ ସମସ୍ୟାଗୁଡ଼ିକର ଉଦାହରଣ ହେଉଛି ଏକ ଦ୍ରୁତ ପ୍ରାଥମିକତା ଧାଡିର ଇଞ୍ଜିନିୟରିଂ ଯାହା ବାହ୍ୟ ସ୍ମୃତି ଏବଂ କ୍ୟାଚ୍ ହୋଇଥିବା ସ୍ମୃତି ପାଇଁ ଉପଯୁକ୍ତ ଯାହା <i>k</i>-ୱେ ମିଶ୍ରଣ ଉପରେ ଆଧାରିତ । ଏହା ପୂର୍ବବର୍ତ୍ତୀ ବାହ୍ୟ ସ୍ମୃତି ଆଲଗୋରିଦମଗୁଡ଼ିକୁ କ୍ରମାଗତ କାରକଗୁଡ଼ିକ ଦ୍ୱାରା ଉନ୍ନତ କରିଥାଏ ଯାହାକି ଏହାକୁ କ୍ୟାଚ୍ ସ୍ମୃତିକୁ ସ୍ଥାନାନ୍ତରିତ କରିବା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହୋଇଥାଏ । ୱାର୍କଷ୍ଟେସନର କ୍ୟାଶ ହିରାର୍କିରେ ଚାଲୁଥିବା ଆଲଗୋରିଦମଟି ବଡ ଇନପୁଟ ପାଇଁ ବାଇନାରୀ ହ୍ୟାପ ଏବଂ ୪-ଆରୀ ହ୍ୟାପର ଅପ୍ଟିମାଇଜଡ ଇନପୁଟ ଅପେକ୍ଷା ଅତି କମରେ ଦୁଇଗୁଣ ଦ୍ରୁତ ଅଟେ । |
1f6ba0782862ec12a5ec6d7fb608523d55b0c6ba | ଆମେ କ୍ରମାଗତ ଭାବେ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ଉପରେ କରାଯାଇଥିବା ଏକ ପରୀକ୍ଷଣର ରିପୋର୍ଟ ଦେଉଛୁ ଯାହା ବାକ୍ୟ-ସ୍ତରୀୟ ବର୍ଗୀକରଣ କାର୍ଯ୍ୟ ପାଇଁ ପୂର୍ବରୁ ତାଲିମପ୍ରାପ୍ତ ଶବ୍ଦ ଭେକ୍ଟର ଉପରେ ତାଲିମପ୍ରାପ୍ତ । ଆମେ ଦେଖାଇଛୁ ଯେ, ସାମାନ୍ୟ ହାଇପରପାରାମେଟର ଟ୍ୟୁନିଂ ଏବଂ ଷ୍ଟାଟିକ୍ ଭେକ୍ଟର ସହିତ ଏକ ସରଳ ସିଏନଏନ ବହୁଳ ବେଞ୍ଚମାର୍କରେ ଉତ୍ତମ ଫଳାଫଳ ହାସଲ କରିଥାଏ । କାର୍ଯ୍ୟ-ନିର୍ଦ୍ଦିଷ୍ଟ ଭେକ୍ଟରଗୁଡିକୁ ସୂକ୍ଷ୍ମ-ସୂଚୀକରଣ ମାଧ୍ୟମରେ ଶିଖିବା କାର୍ଯ୍ୟଦକ୍ଷତାରେ ଅଧିକ ଲାଭ ପ୍ରଦାନ କରିଥାଏ । ଆମେ ଅତିରିକ୍ତ ଭାବରେ ଆର୍କିଟେକ୍ଚରରେ ଏକ ସରଳ ପରିବର୍ତ୍ତନ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଉଭୟ କାର୍ଯ୍ୟ-ନିର୍ଦ୍ଦିଷ୍ଟ ଏବଂ ଷ୍ଟାଟିକ୍ ଭେକ୍ଟର ବ୍ୟବହାର ପାଇଁ ଅନୁମତି ଦେଇଥାଏ । ସାତଟି କାର୍ଯ୍ୟ ମଧ୍ୟରୁ ଚାରୋଟିରେ ସିଏନଏନ ମଡେଲର ଉନ୍ନତି କରାଯାଇଛି, ଯେଉଁଥିରେ ଭାବନା ବିଶ୍ଳେଷଣ ଏବଂ ପ୍ରଶ୍ନ ଶ୍ରେଣୀକରଣ ଅନ୍ତର୍ଭୁକ୍ତ । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.