_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
45c56dc268a04c5fc7ca04d7edb985caf2a25093 | ଭିନ୍ନ ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନ ସହିତ ସାଧାରଣ ପାରାମିଟର ଆକଳନ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରେ, ଯାହା ପାଠ୍ୟ ମଡେଲିଂରେ ବିଶେଷ ଆଗ୍ରହୀ ଅଟେ । ସର୍ବାଧିକ ସମ୍ଭାବନା, ପରବର୍ତ୍ତୀ ଓ ବେୟେସୀୟ ଆକଳନରୁ ଆରମ୍ଭ କରି, ସଂଯୁକ୍ତ ବଣ୍ଟନ ଓ ବେୟେସୀୟ ନେଟୱାର୍କ ଭଳି କେନ୍ଦ୍ରୀୟ ଧାରଣାକୁ ସମୀକ୍ଷା କରାଯାଇଛି । ଏକ ପ୍ରୟୋଗ ଭାବରେ, ଲଟେଣ୍ଟ ଡାଇରିଚଲେଟ ଆବଣ୍ଟନ (LDA) ର ମଡେଲ ଗିବ୍ସ ନମୁନା ସଂଗ୍ରହ ଉପରେ ଆଧାରିତ ଏକ ଅନୁମାନିତ ଅନୁମାନ ଆଲଗୋରିଦମର ସମ୍ପୂର୍ଣ୍ଣ ଉତ୍ପତ୍ତି ସହିତ ବିସ୍ତୃତ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯେଉଁଥିରେ ଡାଇରିଚଲେଟ ହାଇପରପାରାମିଟର ଆକଳନ ଉପରେ ଆଲୋଚନା ଅନ୍ତର୍ଭୁକ୍ତ । ଇତିହାସ: ସଂସ୍କରଣ ୧ଃ ମେ ୨୦୦୫, ସଂସ୍କରଣ ୨.୪ଃ ଅଗଷ୍ଟ ୨୦୦୮ |
9e463eefadbcd336c69270a299666e4104d50159 | |
2e268b70c7dcae58de2c8ff7bed1e58a5e58109a | ଏହା ଲେଖକଙ୍କର ଡାଇନାମିକ୍ ପ୍ରୋଗ୍ରାମିଂ ଆଣ୍ଡ ଅପ୍ଟିମଲ କଣ୍ଟ୍ରୋଲ, Vol. ୨, ଚତୁର୍ଥ ସଂସ୍କରଣ, ଆଥେନା ସାଇଣ୍ଟିଫିକ, ୨୦୧୨ ଏଥିରେ ନୂଆ ବିଷୟବସ୍ତୁ ରହିଛି ଏବଂ ଏଥିରେ ବ୍ୟାପକ ସଂଶୋଧନ ଓ ସଂପ୍ରସାରଣ କରାଯାଇଛି (ଏହା ଦୁଇଗୁଣରୁ ଅଧିକ ଆକାରରେ ବୃଦ୍ଧି ପାଇଛି) । ନୂତନ ବିଷୟବସ୍ତୁ ଅନେକ ମଡେଲର ଏକୀକୃତ ଉପଚାର ପ୍ରଦାନ କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛି, ଯାହା ସମସ୍ତଙ୍କର ଚୁକ୍ତିଭିତ୍ତିକ ସଂରଚନା ନାହିଁ ଯାହା ଚ୍ୟାପ୍ଟର 1 ଏବଂ 2 ର ଡିସକାଉଣ୍ଟ ସମସ୍ୟା ପାଇଁ ବିଶେଷ ଅଟେଃ ସକରାତ୍ମକ ଏବଂ ନକାରାତ୍ମକ ମୂଲ୍ୟ ମଡେଲ, ନିର୍ଣ୍ଣାୟକ ସର୍ବୋତ୍ତମ ନିୟନ୍ତ୍ରଣ (ଆଡାପ୍ଟିଭ୍ DP ଅନ୍ତର୍ଭୁକ୍ତ କରି), ଷ୍ଟୋକାଷ୍ଟିକ୍ ସର୍ଟରାଇଷ୍ଟ ପାଥ୍ ମଡେଲ ଏବଂ ବିପଦ-ସମ୍ବେଦନଶୀଳ ମଡେଲ _ ଏଠାରେ ନୂତନ ସାମଗ୍ରୀର ସାରାଂଶ ଦିଆଯାଇଛି: |
6d596cb55d99eae216840090b46bc5e49d7aeea5 | ଆମେ ଦୁଇଟି ନୂଆ କୌଶଳ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ ଯାହାଦ୍ୱାରା ଲିନିୟର ସିଷ୍ଟମର ସମାଧାନ ପାଇଁ ଆବଶ୍ୟକ ଘନ ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନରେ ତଥାକଥିତ ଅଗ୍ରଗତି ଯନ୍ତ୍ରର ପ୍ରୟୋଗ ସମୟରେ ଭାର ଅସନ୍ତୁଳନକୁ ଦୂର କରାଯାଇପାରିବ । ଉଭୟ କୌଶଳ ସେହି ପରିସ୍ଥିତିକୁ ଲକ୍ଷ୍ୟ କରିଥାଏ ଯେଉଁଠାରେ ଦୁଇଟି ସୂତ୍ର ଦଳ ସୃଷ୍ଟି/ସକ୍ରିୟ କରାଯାଏ, ପ୍ରତ୍ୟେକ ଦଳ ଏକ ସ୍ୱାଧୀନ କାର୍ଯ୍ୟ/ନିର୍ବାଚନ ଶାଖା କରିବା ପାଇଁ ଦାୟୀ । ପ୍ରଥମ କୌଶଳ ହେଉଛି ଦୁଇ କାର୍ଯ୍ୟ ମଧ୍ୟରେ ଶ୍ରମିକ ଭାଗୀଦାରୀକୁ ପ୍ରୋତ୍ସାହିତ କରିବା, ଯାହାଦ୍ୱାରା ପ୍ରଥମେ କାର୍ଯ୍ୟ ସମ୍ପନ୍ନ କରୁଥିବା କାର୍ଯ୍ୟର ସୂତ୍ରକୁ ଅଧିକ ବ୍ୟୟବହୁଳ କାର୍ଯ୍ୟ ଦ୍ୱାରା ବ୍ୟବହାର ପାଇଁ ପୁନଃ ଆବଣ୍ଟନ କରାଯାଇପାରିବ । ଦ୍ୱିତୀୟ କୌଶଳ ଏକ ଦ୍ରୁତ କାର୍ଯ୍ୟକୁ ଧୀର କାର୍ଯ୍ୟକୁ ଚେତାବନୀ ଦେବା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ, ଦ୍ୱିତୀୟ କାର୍ଯ୍ୟର ଆଗୁଆ ସମାପ୍ତି (ET) ଏବଂ ପରବର୍ତ୍ତୀ ପୁନରାବୃତ୍ତିରେ କାରକ ବିଭାଜନ ପ୍ରକ୍ରିୟାର ଏକ ସୁଗମ ପରିବର୍ତ୍ତନକୁ ବାଧ୍ୟ କରିଥାଏ । ଏହି ଦୁଇଟି ତନ୍ତ୍ରକୁ ମୌଳିକ ରେଖୀଯ ଜିବ୍ରାର ଉପପ୍ରୋଗ୍ରାମର ଏକ ନୂତନ ନମନୀୟ ସୂତ୍ର-ସ୍ତରୀୟ କାର୍ଯ୍ୟକାରିତା ମାଧ୍ୟମରେ ପ୍ରତିଫଳିତ କରାଯାଇଛି ଏବଂ ସେମାନଙ୍କର ଲାଭକୁ ଆଂଶିକ ପେଭୋଟିଙ୍ଗ ସହିତ LU କାରକୀକରଣର କାର୍ଯ୍ୟକାରିତା ମାଧ୍ୟମରେ ପ୍ରଦର୍ଶିତ କରାଯାଇଛି । ବାସ୍ତବରେ, 12 କୋର ବିଶିଷ୍ଟ ଇଣ୍ଟେଲ୍-କ୍ସେନ୍ ସିଷ୍ଟମରେ ଆମର ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ WS+ET ର ମିଶ୍ରଣର ଲାଭକୁ ଦର୍ଶାଇଥାଏ, କାର୍ଯ୍ୟ-ସମାନ୍ତରାଳ ରନ୍ଟାଇମ୍ ଆଧାରିତ ସମାଧାନ ତୁଳନାରେ ପ୍ରତିଯୋଗୀତାପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟଦକ୍ଷତା ରିପୋର୍ଟ କରିଥାଏ । |
7157dda72073ff66cc2de6ec5db056a3e8b326d7 | 25 26 27 28 29 30 31 32 33 34 35 36 ଆର୍ଟିକିଲ୍ ହିଷ୍ଟ୍ରିଃ 13 ଫେବୃଆରୀ 2012 ରେ ରିସିଭ୍ ହୋଇଛି 18 ମାର୍ଚ୍ଚ 2013 ରେ ରିଭାଇଜ୍ ହୋଇଥିବା ଫର୍ମରେ ରିସିଭ୍ ହୋଇଛି 4 ଏପ୍ରିଲ 2013 ରେ ଗ୍ରହଣ କରାଯାଇଛି ଅନ୍ଲାଇନ୍ ରେ ଉପଲବ୍ଧ xxxx |
66903e95f84767a31beef430b2367492ac9cc750 | ନିଉଜିଲ୍ୟାଣ୍ଡର ଏକ ଶିଶୁ ସମୂହରେ ୧୮ ବର୍ଷ ବୟସ ପର୍ଯ୍ୟନ୍ତ ହୋଇଥିବା ଏକ ଅଧ୍ୟୟନରେ ଶିଶୁ ଯୌନ ନିର୍ଯାତନାର ପ୍ରସାର, ସମ୍ପର୍କ ଓ ପରିଣାମ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ଲେଖାରେ ୧୮ ବର୍ଷ ବୟସରେ ସିଏସଏର ରିପୋର୍ଟ ଏବଂ ୧୮ ବର୍ଷ ବୟସରେ ଡିଏସଏମ-୪ର ରୋଗ ନିର୍ଣ୍ଣୟ ବର୍ଗୀକରଣ ମଧ୍ୟରେ ଥିବା ସମ୍ପର୍କକୁ ପରୀକ୍ଷା କରାଯାଇଛି । ଏହି ଗବେଷଣାରେ ନ୍ୟୁଜିଲାଣ୍ଡର ଶିଶୁମାନଙ୍କୁ ଜନ୍ମରୁ ୧୬ ବର୍ଷ ବୟସ ପର୍ଯ୍ୟନ୍ତ ବାର୍ଷିକ ବ୍ୟବଧାନରେ ପରୀକ୍ଷା କରାଯାଇଥିଲା । ୧୮ ବର୍ଷ ବୟସରେ ୧୬ ବର୍ଷ ବୟସ ପୂର୍ବରୁ CSAର ରେଟ୍ରୋସ୍ପେକ୍ଟିଭ ରିପୋର୍ଟ ଏବଂ ଏକକାଳୀନ ଭାବରେ ମାନସିକ ଲକ୍ଷଣ ମାପ କରାଯାଇଥିଲା । ସିଏସଏ ରିପୋର୍ଟ କରିଥିବା ବ୍ୟକ୍ତିଙ୍କଠାରେ ସିଏସଏ ରିପୋର୍ଟ କରିନଥିବା ବ୍ୟକ୍ତିଙ୍କ ତୁଳନାରେ ଅଧିକ ମାତ୍ରାରେ ଗୁରୁତର ଅବସାଦ, ଚିନ୍ତାଜନକ ରୋଗ, ଆଚରଣଗତ ରୋଗ, ନିଶାଦ୍ରବ୍ୟ ବ୍ୟବହାର ଜନିତ ରୋଗ ଏବଂ ଆତ୍ମହତ୍ୟା ଭଳି ଆଚରଣର ଲକ୍ଷଣ ଦେଖିବାକୁ ମିଳିଥିଲା (p < . 002) । ସିଏସଏର ପରିମାଣ ଓ ରୋଗର ଆଶଙ୍କା ମଧ୍ୟରେ ଏକ ସୁସଂଗତ ସମ୍ପର୍କ ଥିଲା, ଯେଉଁମାନଙ୍କ କ୍ଷେତ୍ରରେ ସିଏସଏ ସମ୍ବନ୍ଧିତ ଯୌନ ସମ୍ପର୍କ ଥିଲା, ସେମାନଙ୍କଠାରେ ରୋଗର ଆଶଙ୍କା ଅଧିକ ଥିଲା । ଏହି ଫଳାଫଳଗୁଡ଼ିକ ସେହି ସମୟରେ ମଧ୍ୟ ରହିଲା ଯେତେବେଳେ ଫଳାଫଳଗୁଡ଼ିକୁ ଭବିଷ୍ୟତରେ ମାପାଯାଇଥିବା ପିଲାଦିନର ପରିବାର ଓ ସମ୍ବନ୍ଧିତ କାରକଗୁଡ଼ିକ ପାଇଁ ସଂଶୋଧନ କରାଯାଇଥିଲା । ସିଏସଏ ଏବଂ ଅଣସଙ୍ଗତ ଭାବେ ମାପ କରାଯାଇଥିବା ରୋଗ ମଧ୍ୟରେ ସମାନ କିନ୍ତୁ କମ୍ ଉଲ୍ଲେଖଯୋଗ୍ୟ ସମ୍ପର୍କ ଦେଖିବାକୁ ମିଳିଥିଲା । ଏହି ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ସିଏସଏ ଏବଂ ବିଶେଷକରି ଗୁରୁତର ସିଏସଏ ଯୁବ ବୟସ୍କଙ୍କ ଠାରେ ମାନସିକ ରୋଗର ଆଶଙ୍କା ବୃଦ୍ଧି ସହିତ ଜଡିତ ଥିଲା, ଏପରିକି ଯେତେବେଳେ ଭବିଷ୍ୟତର ମାପକ ତତ୍ତ୍ୱଗୁଡିକ ପାଇଁ ଯଥେଷ୍ଟ ପରିମାଣର ଭରଣପୋଷଣ କରାଯାଇଥିଲା । |
8df383aae16ce1003d57184d8e4bf729f265ab40 | ଏକ ନୂଆ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍-ଲାଇନ୍-ଫେଡ୍ ବ୍ରଡବ୍ୟାଣ୍ଡ ସର୍କୁଲାର ପଲାରିଜଡ୍ (ସିପି) ଆନୁଲାର-ରିଙ୍ଗ ସ୍ଲଟ୍ ଆଣ୍ଟିନା (ଏଆରଏସଏ) ର ଡିଜାଇନ୍ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ବର୍ତ୍ତମାନର ରିଙ୍ଗ ସ୍ଲଟ୍ ଆଣ୍ଟେନା ତୁଳନାରେ ଏଠାରେ ଡିଜାଇନ୍ କରାଯାଇଥିବା ଏଆରଏସଏଗୁଡ଼ିକର ସିପି ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ଅଧିକ । ପ୍ରସ୍ତାବିତ ଡିଜାଇନର ମୁଖ୍ୟ ବିଶେଷତ୍ୱ ମଧ୍ୟରେ ରହିଛି ଏକ ବ୍ୟାପକ ରିଙ୍ଗ ସ୍ଲଟ୍, ଏକ ଯୋଡ଼ା ଗ୍ରାଉଣ୍ଡେଡ୍ ହେଟ୍ ଆକାରର ପ୍ୟାଚ୍ ଏବଂ ଏକ ବିକୃତ ବକ୍ର ଖାଦ୍ୟ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଲାଇନ୍ । ଏଆରଏସଏଗୁଡ଼ିକର ଏଲ ଏବଂ ଏସ ବ୍ୟାଣ୍ଡରେ ଏଫଆର୪ ସବଷ୍ଟ୍ରେଟ ବ୍ୟବହାର କରି ଡିଜାଇନ କରାଯାଇଥିବା ୩-ଡିବି ଆକ୍ସିୟଲ-ରେଟିଓ ବ୍ୟାଣ୍ଡୱିଡ୍ଟ (ଏଆରବିଡବ୍ଲ୍ୟୁ) ଯଥାକ୍ରମେ ୪୬% ଏବଂ ୫୬% ହୋଇଥିବା ବେଳେ ଏଲ ବ୍ୟାଣ୍ଡରେ ଆରଟି୫୮୮୦ ସବଷ୍ଟ୍ରେଟ ବ୍ୟବହାର କରୁଥିବା ଏଆରଏସଏର ବ୍ୟାଣ୍ଡୱିଡ୍ଟ ୬୫% ରହିଛି । ଏହି ୩-ଡିବି ଆକ୍ସିୟଲ-ର୍ୟାପୋ ରେସିଓ ବ୍ୟାଣ୍ଡରେ, ଭିଏସଡବ୍ଲ୍ୟୁଆର ≤୨ ସହିତ ଇମ୍ପେଡେନ୍ସ ମେଳ ମଧ୍ୟ ହାସଲ କରାଯାଇଥାଏ । |
95e873c3f64a9bd8346f5b5da2e4f14774536834 | ଏକ ସବଷ୍ଟ୍ରେଟ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ୱେଭ୍ ଗାଇଡ୍ (SIW) H-plane ସେକ୍ଟରାଲ୍ ହର୍ଣ୍ଣ ଆଣ୍ଟିନା, ଯାହା ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ରେ ଉଲ୍ଲେଖନୀୟ ଉନ୍ନତି ଆଣିଛି, ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏକ କୋଣାତ୍ମକ ଶୃଙ୍ଗ, ଯାହା ପାର୍ଶ୍ୱରେ ଥିବା ଫ୍ଲାଏର ୱାଲ ଉପରେ ଏକ ସରଳ ବ୍ୟବସ୍ଥାରେ ରହିଥାଏ, ବହୁସ୍ତରୀୟ ସବଷ୍ଟ୍ରେଟ ମଧ୍ୟରେ, କାର୍ଯ୍ୟକ୍ଷମ ବ୍ୟାଣ୍ଡୱିଡଥକୁ ବିସ୍ତାର କରିବା ପାଇଁ ଏହା ଅନ୍ତର୍ଭୁକ୍ତ । ଆଣ୍ଟିନା ସଂରଚନା ପାଇଁ ପ୍ରସାରିତ ତରଙ୍ଗ ପ୍ରଦାନ କରିବା ପାଇଁ ଏକ ସରଳ ଫିଡ୍ କନଫିଗୁରେସନ୍ ପ୍ରସ୍ତାବିତ । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ଦୁଇଟି ଜଣାଶୁଣା ପୂର୍ଣ୍ଣ ତରଙ୍ଗ ପ୍ୟାକେଜ, ଆନସଫ୍ଟ ଏଚଏଫଏସଏସ ଏବଂ ସିଏସଟି ମାଇକ୍ରୋୱେଭ ଷ୍ଟୁଡିଓ ଦ୍ୱାରା ସିମୁଲେଟ କରାଯାଇଛି । ସିମୁଲେସନ ଫଳାଫଳ ମଧ୍ୟରେ ଘନିଷ୍ଠ ସହମତି ହାସଲ କରାଯାଇଥାଏ । ଡିଜାଇନ କରାଯାଇଥିବା ଆଣ୍ଟେନା ଭଲ ବିକିରଣ ଗୁଣ ଏବଂ କମ ଭିଏସଡବ୍ଲୁଆର, ୨.୫ରୁ କମ, ୧୮-୪୦ ଗିଗାହର୍ଟଜ୍ର ସମଗ୍ର ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜ ପାଇଁ ଦର୍ଶାଉଛି । |
12a376e621d690f3e94bce14cd03c2798a626a38 | ଏହି କାଗଜରେ ଦୃଶ୍ୟମାନ ବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ ଏକ ମେସିନ ଶିକ୍ଷଣ ପଦ୍ଧତି ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା ଅତି ଶୀଘ୍ର ପ୍ରତିଛବି ପ୍ରକ୍ରିୟାକରଣ କରିବାରେ ସକ୍ଷମ ଏବଂ ଉଚ୍ଚ ଚିହ୍ନଟ ହାର ହାସଲ କରିଥାଏ । ଏହି କାର୍ଯ୍ୟର ତିନୋଟି ମୁଖ୍ୟ ଅବଦାନ ରହିଛି । ପ୍ରଥମଟି ହେଉଛି ଏକ ନୂତନ ପ୍ରତିଛବି ପ୍ରତିନିଧିତ୍ୱର ପ୍ରବର୍ତ୍ତନ ଯାହାକୁ "ସାମଗ୍ରିକ ପ୍ରତିଛବି" କୁହାଯାଏ ଯାହା ଆମର ଡିଟେକ୍ଟର ଦ୍ୱାରା ବ୍ୟବହୃତ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକର ଶୀଘ୍ର ଗଣନା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଦ୍ୱିତୀୟଟି ହେଉଛି ଆଡାବୁଷ୍ଟ ଉପରେ ଆଧାରିତ ଏକ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ, ଯାହା ଏକ ବୃହତ ସେଟରୁ ଅଳ୍ପ ସଂଖ୍ୟକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭିଜୁଆଲ୍ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ଚୟନ କରେ ଏବଂ ଅତ୍ୟନ୍ତ ଦକ୍ଷ ବର୍ଗୀକରଣକାରୀ ସୃଷ୍ଟି କରେ _ [1] ତୃତୀୟ ଅବଦାନ ହେଉଛି ଏକ କାସ୍କେଡ୍ରେ ଅଧିକରୁ ଅଧିକ ଜଟିଳ ଶ୍ରେଣୀଭୁକ୍ତକାରୀକୁ ମିଶ୍ରଣ କରିବାର ଏକ ପଦ୍ଧତି ଯାହା ପ୍ରତିଛବିର ପୃଷ୍ଠଭୂମି ଅଞ୍ଚଳକୁ ଶୀଘ୍ର ନଷ୍ଟ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଯେତେବେଳେ ଅଧିକ ଗଣନା ପ୍ରତିଜ୍ଞା କରୁଥିବା ବସ୍ତୁ-ସମାନ ଅଞ୍ଚଳରେ ଖର୍ଚ୍ଚ କରିଥାଏ । କାସକେଡକୁ ଏକ ବସ୍ତୁ ନିର୍ଦ୍ଦିଷ୍ଟ ଫୋକସ୍ ଅଫ୍ ଆଟେନସନ୍ ମେକାନିଜିମ୍ ଭାବରେ ଦେଖାଯାଏ ଯାହା ପୂର୍ବବର୍ତ୍ତୀ ଆଭିମୁଖ୍ୟଠାରୁ ଭିନ୍ନ ଭାବରେ ପରିସଂଖ୍ୟାନଗତ ଗ୍ୟାରେଣ୍ଟି ପ୍ରଦାନ କରେ ଯେ ପରିତ୍ୟକ୍ତ ଅଞ୍ଚଳରେ ଆଗ୍ରହର ବସ୍ତୁ ରହିବା ଅସମ୍ଭବ । ଚେହେରା ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ଏହି ବ୍ୟବସ୍ଥା ପୂର୍ବବର୍ତ୍ତୀ ଶ୍ରେଷ୍ଠ ବ୍ୟବସ୍ଥାଗୁଡ଼ିକ ତୁଳନାରେ ଅଧିକ ମାତ୍ରାରେ ଚିହ୍ନଟ କରିପାରୁଛି । ବାସ୍ତବ ସମୟ ପ୍ରୟୋଗରେ ବ୍ୟବହୃତ ଏହି ଡିଟେକ୍ଟର ପ୍ରତି ସେକେଣ୍ଡରେ ୧୫ ଫ୍ରେମ୍ ରେ କାମ କରିଥାଏ, ଯେଉଁଥିରେ ଛବିର ଭିନ୍ନତା କିମ୍ବା ଚର୍ମର ରଙ୍ଗ ଚିହ୍ନଟ କରିବା ଆବଶ୍ୟକ ହୁଏ ନାହିଁ । |
51f0e3fe5335e2c3a55e673a6adae646f0ad6e11 | ସାମାଜିକ ବିଜ୍ଞାନର ବିଶେଷଜ୍ଞମାନେ ସାମାଜିକ ପ୍ରକ୍ରିୟାକୁ ବିଭିନ୍ନ ପ୍ରକାର ଭେରିଏବଲ୍ ମଧ୍ୟରେ ଥିବା ପାରସ୍ପରିକ କ୍ରିୟା ଭାବେ ଆକଳନ କରିଥାନ୍ତି । ଆମେ ଏକ ବିକଳ୍ପ ଦୃଷ୍ଟିକୋଣର ସମୀକ୍ଷା କରୁଛୁ ଯାହା ସାମାଜିକ ଜୀବନକୁ ଆଡାପ୍ଟେଟିଭ୍ ଏଜେଣ୍ଟମାନଙ୍କ ମଧ୍ୟରେ ପାରସ୍ପରିକ କ୍ରିୟା ଭାବରେ ମଡେଲ୍ କରେ ଯେଉଁମାନେ ପରସ୍ପରକୁ ପ୍ରଭାବିତ କରନ୍ତି । ଏଜେଣ୍ଟ ଆଧାରିତ ମଡେଲ (ଏବିଏମ) ଦର୍ଶାଏ ଯେ ସରଳ ଓ ପୂର୍ବାନୁମାନଯୋଗ୍ୟ ସ୍ଥାନୀୟ ପାରସ୍ପରିକ କ୍ରିୟା କିପରି ପରିଚିତ କିନ୍ତୁ ରହସ୍ୟମୟ ବିଶ୍ୱସ୍ତରୀୟ ଢାଞ୍ଚା ସୃଷ୍ଟି କରିପାରେ, ଯେପରିକି ସୂଚନା ପ୍ରସାର, ନିୟମର ଉତ୍ପତ୍ତି, ସମ୍ମେଳନଗୁଡ଼ିକର ସମନ୍ୱୟ କିମ୍ବା ସାମୂହିକ କାର୍ଯ୍ୟରେ ଅଂଶଗ୍ରହଣ । ନୂତନ ସାମାଜିକ ଢାଞ୍ଚା ମଧ୍ୟ ଅଚାନକ ଦେଖାଦେଇପାରେ ଏବଂ ତାପରେ ବିପ୍ଳବ, ବଜାରରେ ମାନ୍ଦାବସ୍ଥା, ଫ୍ୟାଶନ୍, ଏବଂ ଖାଦ୍ୟର ଉନ୍ମାଦନା ପରି ସମାନ ଭାବରେ ନାଟକୀୟ ଭାବରେ ପରିବର୍ତ୍ତନ କିମ୍ବା ଅଦୃଶ୍ୟ ହୋଇପାରେ । ABMଗୁଡିକ ଯେଉଁଠାରେ ସ୍ୱାର୍ଥର ବିଶ୍ୱସ୍ତରୀୟ ମଡେଲଗୁଡିକ ବ୍ୟକ୍ତିଗତ ଗୁଣଗୁଡିକର ସମୂହ ଠାରୁ ଅଧିକ ହୋଇଥାଏ, ସେଠାରେ ଥିଓରିକଲ ଲିଭର୍ ପ୍ରଦାନ କରିଥାଏ, କିନ୍ତୁ ସେହି ସମୟରେ, ଉଦୀୟମାନ ମଡେଲଗୁଡିକ ସମ୍ବନ୍ଧୀୟ ସ୍ତରରେ ମାଇକ୍ରୋଫାଉଣ୍ଡେସନର ତଳରୁ ଊର୍ଦ୍ଧ୍ୱ ଗତିଶୀଳ ମଡେଲ ବିନା ବୁଝି ହେବ ନାହିଁ । ଆମେ କମ୍ପ୍ୟୁଟରାଲ ସମାଜ ବିଜ୍ଞାନରେ ଫ୍ୟାକ୍ଟରରୁ ଆକ୍ଟରର ପରିବର୍ତ୍ତନର ଏକ ସଂକ୍ଷିପ୍ତ ଐତିହାସିକ ଚିତ୍ର ସହିତ ଆରମ୍ଭ କରୁଛୁ ଯାହା ଦର୍ଶାଉଛି ଯେ କମ୍ପ୍ୟୁଟର ସିମୁଲେସନର ପୂର୍ବବର୍ତ୍ତୀ ସାମାଜିକ ବ୍ୟବହାର ଠାରୁ ଏଜେଣ୍ଟ-ଆଧାରିତ ମଡେଲିଂ କିପରି ମୌଳିକ ଭାବରେ ଭିନ୍ନ ଅଟେ । ତା ପରେ ଆମେ ସ୍ଥାନୀୟ ଆଦାନପ୍ରଦାନରୁ ସାମାଜିକ ଢାଞ୍ଚା ଓ ସାମାଜିକ ବ୍ୟବସ୍ଥାର ଉତ୍ପତ୍ତି ଉପରେ ଧ୍ୟାନ ଦେଇଥିବା ସାମ୍ପ୍ରତିକ ଅବଦାନର ସମୀକ୍ଷା କରିବୁ । ଯଦିଓ ସମାଜ ବିଜ୍ଞାନ ଏହି ନୂଆ ପଦ୍ଧତିକୁ ପ୍ରଶଂସା କରିବାରେ ଅନ୍ୟ ସାମାଜିକ ବିଜ୍ଞାନଠାରୁ ପଛରେ ରହିଯାଇଛି, ଆମେ ସମୀକ୍ଷା କରୁଥିବା ପତ୍ରଗୁଡ଼ିକରେ ଏକ ସ୍ୱତନ୍ତ୍ର ସମାଜ ବିଜ୍ଞାନ ଯୋଗଦାନ ସ୍ପଷ୍ଟ ଭାବରେ ଦେଖିବାକୁ ମିଳୁଛି । ପ୍ରଥମତଃ, ଥିଓରିଟିଭ୍ ଆଗ୍ରହ ଗତିଶୀଳ ସାମାଜିକ ନେଟୱାର୍କ ଉପରେ କେନ୍ଦ୍ରିତ ଯାହା ଏଜେଣ୍ଟ୍ ପାରସ୍ପରିକ କ୍ରିୟା ଦ୍ୱାରା ଆକାର ଧାରଣ କରେ ଏବଂ ଆକାର ଧାରଣ କରେ । ଦ୍ୱିତୀୟରେ, ଏବିଏମକୁ ଭର୍ଚୁଆଲ ପରୀକ୍ଷଣ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ ଯାହା ନେଟୱାର୍କ ଟପୋଲୋଜି, ସାମାଜିକ ସ୍ତରୀୟକରଣ କିମ୍ବା ଆଞ୍ଚଳିକ ଗତିଶୀଳତା ଭଳି ଢାଞ୍ଚାଗତ କାରକଗୁଡ଼ିକୁ ପରିଚାଳନା କରି ମାକ୍ରୋସୋସିଓଲୋଜିକାଲ ସିଦ୍ଧାନ୍ତକୁ ପରୀକ୍ଷା କରେ । ଏହି ଆଭିମୁଖ୍ୟର ସମୃଦ୍ଧ ସାମାଜିକ ସମ୍ଭାବନାକୁ ବାସ୍ତବ ରୂପ ଦେବା ପାଇଁ ଆମେ ଅନେକ ସୁପାରିଶ ସହିତ ଆମର ସମୀକ୍ଷା ସମାପ୍ତ କରୁଛୁ । |
b73cdb60b2fe9fb317fca4fb9f5e1106e13c2345 | |
aa0c01e553d0a1ab40c204725d13fe528c514bba | ମଣିଷ ଏବଂ ରୋବଟ ମଧ୍ୟରେ ପ୍ରବାହୀ ଏବଂ ନିରାପଦ ପାରସ୍ପରିକ କ୍ରିୟା ପାଇଁ ଉଭୟ ଅଂଶୀଦାର ପରସ୍ପରର କାର୍ଯ୍ୟକଳାପକୁ ପୂର୍ବାନୁମାନ କରିବା ଆବଶ୍ୟକ । ମାନବୀୟ ଉଦ୍ଦେଶ୍ୟ ଅନୁମାନ ପାଇଁ ଏକ ସାଧାରଣ ପଦ୍ଧତି ହେଉଛି ସୁପରଭାଇଜଡ କ୍ଲାସିଫାୟର ସହିତ ଜଣାଶୁଣା ଲକ୍ଷ୍ୟ ଆଡକୁ ନିର୍ଦ୍ଦିଷ୍ଟ ପଥ ମଡେଲ କରିବା । କିନ୍ତୁ ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ଭବିଷ୍ୟତର ସମ୍ଭାବ୍ୟ ଗତିକୁ ବିଚାରକୁ ନେଉନାହିଁ କିମ୍ବା ସେମାନେ ଚଳନାତ୍ମକ ସୂଚକଗୁଡ଼ିକର ବ୍ୟବହାର କରନ୍ତି ନାହିଁ, ଯେପରିକି ପଠନୀୟ ଏବଂ ପୂର୍ବାନୁମାନଯୋଗ୍ୟ ଗତି । ଏହି ପଦ୍ଧତିର ବାଟମାରଣା ହେଉଛି ସାଧାରଣ ମାନବ ଗତିବିଧିର ସଠିକ ମଡେଲର ଅଭାବ । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଏକ ସର୍ତ୍ତମୂଳକ ଭାରିଆସନାଲ ଅଟୋଏନକୋଡର ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ପୂର୍ବ ଫ୍ରେମର ଏକ ୱିଣ୍ଡୋକୁ ଦେଇ ଭବିଷ୍ୟତର ମାନବ ଗତିବିଧିର ଏକ ୱିଣ୍ଡୋକୁ ପୂର୍ବାନୁମାନ କରିବାକୁ ତାଲିମପ୍ରାପ୍ତ । ଆରଜିବି ଗଭୀରତା ଚିତ୍ରରୁ ପ୍ରାପ୍ତ ସ୍କେଲେଟାଲ୍ ତଥ୍ୟ ବ୍ୟବହାର କରି, ଆମେ ଦେଖାଉଛୁ ଯେ କିପରି ଏହି ଅଣ-ନିରୀକ୍ଷିତ ଆଭିମୁଖ୍ୟ 1660 ms ପର୍ଯ୍ୟନ୍ତ ଅନଲାଇନ୍ ମୋସନ୍ ପୂର୍ବାନୁମାନ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ _ ଏହା ସହିତ, ଆମେ ଲକ୍ଷ୍ୟ ନିର୍ଦ୍ଦିଷ୍ଟ ତାଲିମ ତଥ୍ୟ ବ୍ୟବହାର ନକରି ଗତି ଆରମ୍ଭ ହେବା ପରେ ପ୍ରଥମ 300-500 ms ମଧ୍ୟରେ ଅନଲାଇନ୍ ଟାର୍ଗେଟ୍ ପୂର୍ବାନୁମାନକୁ ପ୍ରଦର୍ଶନ କରୁ _ ଆମର ସମ୍ଭାବ୍ୟତା ଦୃଷ୍ଟିରୁ ଯେଉଁ ଆଭିମୁଖ୍ୟ ଗ୍ରହଣ କରାଯାଇଛି, ତାହାର ଲାଭ ହେଉଛି, ଭବିଷ୍ୟତର ସମ୍ଭାବ୍ୟ ଗତିର ନମୁନା ସଂଗ୍ରହ କରିବାର ସମ୍ଭାବନା । ଶେଷରେ, ଆମେ ଅନୁସନ୍ଧାନ କରୁଛୁ ଯେ କିପରି ଭାବରେ ଗତିବିଧି ଏବଂ ଚଳନାତ୍ମକ ସୂଚକଗୁଡ଼ିକ ଶିକ୍ଷିତ ନିମ୍ନ-ଆକାରର ବିବିଧତାରେ ପ୍ରତିନିଧିତ୍ୱ କରାଯାଏ । |
cbbf72d487f5b645d50d7d3d94b264f6a881c96f | ଏହି ଦସ୍ତାବିଜରେ ପ୍ରଥମ ସଂପୂର୍ଣ୍ଣ ଭାବେ ଚିପ୍ ଉପରେ ସମନ୍ୱିତ ଶକ୍ତି ହାର୍ଭେଷ୍ଟର ଏବଂ ରେକ୍ଟେନା 65nm CMOS ଟେକ୍ନୋଲୋଜିରେ W-ବ୍ୟାଣ୍ଡରେ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏହି ଡିଜାଇନ ଏକ-ସ୍ତରୀୟ ଡିକ୍ସନ ଭୋଲଟେଜ ମଲ୍ଟିପ୍ଲିକେଟର ଉପରେ ଆଧାରିତ । ରେକ୍ଟେନା ଏକ ଇଣ୍ଟିଗ୍ରେଟେଡ ଡିପୋଲ ଆଣ୍ଟିନା ଯାହା ଚପଲ ଉପରେ ଏକ ରିଫ୍ଲେକ୍ଟର ସହିତ ସବଷ୍ଟ୍ରେଟ ତଳେ ରହିଛି । ଶକ୍ତି ସଂଗ୍ରହକ ଏବଂ ରେକ୍ଟେନା ଯଥାକ୍ରମେ 94GHz ରେ 10% ଏବଂ 2% ଶକ୍ତି ରୂପାନ୍ତରଣ ଦକ୍ଷତା ହାସଲ କରନ୍ତି । ଏକାକୀ ଥିବା ହାର୍ଭେଷ୍ଟର ପ୍ୟାଡ ସମେତ ମାତ୍ର 0.0945mm2ରେ ଅବସ୍ଥିତ ଥିବା ବେଳେ ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ଏକୀକୃତ ହୋଇଥିବା ରେକ୍ଟେନା ସର୍ବନିମ୍ନ 0.48mm2ର ଚିପ କ୍ଷେତ୍ରକୁ ନେଇ ଗଠିତ । |
30667550901b9420e02c7d61cdf8fa7d5db207af | |
6cdb6ba83bfaca7b2865a53341106a71e1b3d2dd | ସୋସିଆଲ ମିଡିଆ ସବୁଆଡେ ବ୍ୟାପିଛି ଏବଂ ସଂଗଠନଗୁଡ଼ିକର ଲକ୍ଷ୍ୟ ହାସଲ ପାଇଁ ଅନ୍ୟ ସମସ୍ତ ପ୍ରକାରର ମିଡିଆ ଭଳି ଏହାର ପରିଚାଳନା କରାଯିବା ଆବଶ୍ୟକ । କିନ୍ତୁ ସାମାଜିକ ଗଣମାଧ୍ୟମ ସେମାନଙ୍କ ସାମାଜିକ ନେଟୱାର୍କ ଢାଞ୍ଚା ଏବଂ ସମାନତାବାଦୀ ପ୍ରକୃତି କାରଣରୁ ପାରମ୍ପରିକ କିମ୍ବା ଅନ୍ୟାନ୍ୟ ଅନଲାଇନ୍ ଗଣମାଧ୍ୟମଠାରୁ ମୌଳିକ ଭାବେ ଭିନ୍ନ । ଏହି ପାର୍ଥକ୍ୟଗୁଡିକର ଉପଯୁକ୍ତ ବିଶ୍ଳେଷଣ ଏବଂ ପରବର୍ତ୍ତୀ ପରିଚାଳନା ପାଇଁ ଏକ ପୃଥକ ମାପ ପଦ୍ଧତି ଆବଶ୍ୟକ କରେ । ସଠିକ ସୋସିଆଲ ମିଡିଆ ମେଟ୍ରିକ୍ସ ବିକଶିତ କରିବା ଏବଂ ପରବର୍ତ୍ତୀ ସମୟରେ ଉପଯୁକ୍ତ ଡ୍ୟାଶବୋର୍ଡ ନିର୍ମାଣ କରିବା ପାଇଁ, ଆମେ ତିନୋଟି ନୂଆ ଉପାଦାନକୁ ନେଇ ଏକ ଟୁଲ କିଟ୍ ପ୍ରଦାନ କରୁଛୁ । ପ୍ରଥମେ, ଆମେ ଥିଓରୀରେ ଏକ ସାମଗ୍ରିକ ଢାଞ୍ଚା ପ୍ରସ୍ତୁତ କରିଛୁ ଯାହା ମାର୍କେଟିଂ, ମନୋବିଜ୍ଞାନ ଏବଂ ସମାଜ ବିଜ୍ଞାନର ସିଦ୍ଧାନ୍ତକୁ ଆଧାର କରି ସୋସିଆଲ ମିଡିଆର ପ୍ରମୁଖ ଉପାଦାନଗୁଡ଼ିକୁ କଭର କରେ । ଆମେ ଏହି ଉପାଦାନଗୁଡିକୁ - ଯଥା ପ୍ରକାରଣ, ସମ୍ବନ୍ଧ, ନେଟୱର୍କ ସଂରଚନା, ସାମାଜିକ ଭୂମିକା ଏବଂ ପାରସ୍ପରିକ କ୍ରିୟା-କୁ ସଦ୍ୟତମ ଗବେଷଣା ଅଧ୍ୟୟନ ସହିତ ସମର୍ଥନ ଏବଂ ବିସ୍ତୃତ କରିଚାଲିଛୁ । ଦ୍ୱିତୀୟତଃ, ଆମର ଥିଓରିଟିକାଲ ଫ୍ରେମୱାର୍କ, ସାହିତ୍ୟ ସମୀକ୍ଷା ଏବଂ ବ୍ୟବହାରିକ ଅଭିଜ୍ଞତା ଆଧାରରେ, ଆମେ ନଅଟି ଗାଇଡଲାଇନ ବିଷୟରେ ପରାମର୍ଶ ଦେଉଛୁ ଯାହା ଉପଯୁକ୍ତ ସୋସିଆଲ ମିଡିଆ ମେଟ୍ରିକ୍ସ ଡିଜାଇନ୍ କରିବା ଏବଂ ଏକ ଉପଯୁକ୍ତ ସୋସିଆଲ ମିଡିଆ ଡ୍ୟାଶବୋର୍ଡ ନିର୍ମାଣ କରିବା ପାଇଁ ମୂଲ୍ୟବାନ ପ୍ରମାଣିତ ହୋଇପାରେ । ତୃତୀୟତଃ, ଏହି ଢାଞ୍ଚା ଓ ମାର୍ଗଦର୍ଶିକା ଆଧାରରେ ଆମେ ପରିଚାଳନା ସମ୍ବନ୍ଧୀୟ ପ୍ରଭାବକୁ ବାହାର କରିଥାଉ ଏବଂ ଭବିଷ୍ୟତ ଗବେଷଣା ପାଇଁ ଏକ ଏଜେଣ୍ଡା ପ୍ରସ୍ତାବ ଦେଇଥାଉ । © 2013 ଡାଇରେକ୍ଟ ମାର୍କେଟିଂ ଏଜୁକେସନାଲ ଫାଉଣ୍ଡେସନ, ଇନକ । ଏଲ୍ସେଭିୟର ଇନ୍କୋ ଦ୍ୱାରା ପ୍ରକାଶିତ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ । |
3c9598a2be80a88fccecde80e6f266af7907d7e7 | |
ab3d0ea202b2641eeb66f1d6a391a43598ba22b9 | ଏଠାରେ ରିନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (ଆରଏଲ) କୁ ମେସିନ୍ର ନ୍ୟୁରାଲ କଣ୍ଟ୍ରୋଲରର ଏକ ଅନୁକୂଳକରଣ କୌଶଳ ଭାବରେ ବିବେଚନା କରାଯାଇଛି । ଏହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଆକ୍ଟର-କ୍ରିଟିକ ଆଲଗୋରିଦମକୁ ଅତିରିକ୍ତ ପୃଷ୍ଠଭୂମି ଗଣନା ଖର୍ଚ୍ଚରେ ସମାନ ଗୁଣବତ୍ତାର ନୀତି ପ୍ରାପ୍ତ କରିବା ପାଇଁ ଏଜେଣ୍ଟ-ପରିସଂସ୍ଥାନର କମ୍ ପାରସ୍ପରିକ କ୍ରିୟାକରଣ ଆବଶ୍ୟକ କରେ । ଆମେ ଏହି ଲକ୍ଷ୍ୟକୁ ଅଭିଜ୍ଞତାର ପୁନଃପ୍ରକାଶର ଭାବନା ସହିତ ହାସଲ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ପୂର୍ବ ଅଭିଜ୍ଞତା ଉପରେ ଆଧାରିତ ଏକ ପରିବର୍ତ୍ତିତ ନୀତିର ଉନ୍ନତିର ଦିଗକୁ ଆକଳନ କରିବାର ଏକ ପଦ୍ଧତି ଏଠାରେ ଆବଶ୍ୟକ । ଆମେ ଏକ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେଉଁଥିରେ ସଂକୁଚିତ ମହତ୍ୱ ନମୁନା ସଂଗ୍ରହକୁ ବ୍ୟବହାର କରାଯିବ । ଆମେ ସେହି ପ୍ରକାରର ଆକଳନକାରୀଙ୍କ ପଟ୍ଟା ସୀମା ନିର୍ଣ୍ଣୟ କରିଥାଉ ଏବଂ ପ୍ରମାଣ କରିଥାଉ ଯେ ଏହି ପଟ୍ଟା ଅସମର୍ଥ ଭାବରେ ଅଦୃଶ୍ୟ ହୋଇଯାଏ । ପରୀକ୍ଷାମୂଳକ ଅଧ୍ୟୟନରେ ଆମେ ଆମର ଆଭିମୁଖ୍ୟକୁ କ୍ଲାସିକ୍ ଆକ୍ଟର କ୍ରିଟିକ ଉପରେ ପ୍ରୟୋଗ କରିଛୁ ଏବଂ ଶିକ୍ଷଣର ଗତିକୁ 20 ଗୁଣ ବୃଦ୍ଧି କରିଛୁ । |
71e258b1aeea7a0e2b2076a4fddb0679ad2ecf9f | "ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗସ୍" (ଆଇଓଟି) ଡିଭାଇସ୍ ଏବଂ ସଫ୍ଟୱେୟାର ପାଇଁ ଅଭୂତପୂର୍ବ ପରିମାଣରେ ସୂଚନା ବାଣ୍ଟିବା ପାଇଁ ସୁଯୋଗ ସୃଷ୍ଟି କରେ । କିନ୍ତୁ ଏତେ ବଡ଼ ଆନ୍ତଃସଂଯୁକ୍ତ ନେଟୱାର୍କ ସିଷ୍ଟମ ବିକାଶକାରୀ ଓ ବ୍ୟବହାରକାରୀମାନଙ୍କ ପାଇଁ ନୂଆ ଆହ୍ୱାନ ସୃଷ୍ଟି କରିଛି । ଏହି ଲେଖାରେ ଆମେ ଆଇଓଟି ସିଷ୍ଟମର ଏକ ସ୍ତରୀୟ ସ୍ଥାପତ୍ୟ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହି ମଡେଲକୁ ବ୍ୟବହାର କରି ଆମେ ପ୍ରତ୍ୟେକ ସ୍ତରର ଆହ୍ୱାନକୁ ଚିହ୍ନଟ କରିବା ଏବଂ ଆକଳନ କରିବାକୁ ଚେଷ୍ଟା କରୁଛୁ । ଆମେ ମଧ୍ୟ ଅନେକ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ ଯାହା ଏହି ସ୍ଥାପତ୍ୟକୁ ସୁରକ୍ଷିତ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
61f4f67fc0e73fa3aef8628aae53a4d9b502d381 | ସୂଚନା ସର୍ବାଧିକରଣ ଗେନ୍ (ଇନ୍ଫୋଗାନ୍) ଜେନେରେଟରର ଆଉଟପୁଟକୁ ଏହାର ଇନପୁଟର ଏକ ଉପାଦାନ ସହିତ ଯୋଡିଥାଏ ଯାହାକୁ ଲ୍ୟାଟେଣ୍ଟ କୋଡ୍ କୁହାଯାଏ । ଆଉଟପୁଟକୁ ଏହି ଇନପୁଟ ଉପାଦାନ ସହିତ ଯୋଡିବାକୁ ବାଧ୍ୟ କରି, ଆମେ ଆଉଟପୁଟ ପ୍ରତିନିଧିତ୍ୱର କିଛି ଗୁଣକୁ ନିୟନ୍ତ୍ରଣ କରିପାରିବା. ଏକ GAN ରେ ଯେବେ ବିଭେଦକ ଓ ଜେନେରେଟରକୁ ମିଳିତ ଭାବେ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଏ, ସେତେବେଳେ ନାଶ ସନ୍ତୁଳନକୁ ଖୋଜିବା କଷ୍ଟକର ହୋଇଥାଏ । ଇନଫୋଗାନ ବ୍ୟବହାର କରି ଚିତ୍ର ସୃଷ୍ଟି କରିବା ପାଇଁ ଆମେ କିଛି ସଫଳ ଏବଂ ଅସଫଳ ସଂରଚନାକୁ ଉନ୍ମୋଚନ କରିଛୁ । ଆନୁବାଦିକ ପରିବର୍ତ୍ତନକାରୀମାନେ ଉତ୍ପନ୍ନକାରୀ ମଡେଲରେ ଉପଯୋଗୀ । ଜେନେରେଟିଭ୍ ଆଡଭାସରିୟାଲ ନେଟୱର୍କ (ଜିଏନଏ) ଗୁଡ଼ିକ ଜେନେରେଟିଭ୍ ମଡେଲ ଯାହା ସେମାନଙ୍କ ଇନପୁଟରେ ନମନୀୟ । |
41289566ac0176dced2312f813328ad4c0552618 | ମୋବାଇଲ ପ୍ଲାଟଫର୍ମର ପ୍ରାଧାନ୍ୟ, ଆଣ୍ଡ୍ରଏଡର ବୃହତ ବଜାର ଅଂଶ ଏବଂ ଆଣ୍ଡ୍ରଏଡ ମାର୍କେଟର ମୁକ୍ତତା ଏହାକୁ ମାଲୱେୟାର ଆକ୍ରମଣର ଏକ ହଟ ଟାର୍ଗେଟ କରିଥାଏ । ଥରେ ଏକ ମାଲୱେୟାର ନମୁନା ଚିହ୍ନଟ ହୋଇଗଲେ, ଏହାର ମନ୍ଦ ଉଦ୍ଦେଶ୍ୟ ଏବଂ ଭିତର କାର୍ଯ୍ୟକୁ ଶୀଘ୍ର ପ୍ରକାଶ କରିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଏହି କାଗଜରେ ଆମେ DroidScope, ଏକ ଆଣ୍ଡ୍ରଏଡ୍ ବିଶ୍ଳେଷଣ ପ୍ଲାଟଫର୍ମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଭର୍ଚୁଆଲାଇଜେସନ୍ ଆଧାରିତ ମାଲୱେର୍ ବିଶ୍ଳେଷଣର ପରମ୍ପରାକୁ ଜାରି ରଖିଛି । ବର୍ତ୍ତମାନର ଡେସ୍କଟପ ମାଲୱେର ବିଶ୍ଳେଷଣ ପ୍ଲାଟଫର୍ମ ପରି, ଡ୍ରୋଡସ୍କୋପ ଏକକାଳୀନ ଓ ନିରବଚ୍ଛିନ୍ନ ଭାବରେ ଉଭୟ ଓଏସ ସ୍ତର ଏବଂ ଜାଭା ସ୍ତରୀୟ ଅର୍ଥନୀତିକୁ ପୁନଃନିର୍ମାଣ କରିଥାଏ । କଷ୍ଟମ ଆନାଲିସିସକୁ ସହଜ କରିବା ପାଇଁ, ଡ୍ରୋଡସ୍କୋପ ତିନୋଟି ସ୍ତରୀୟ ଏପିଆଇ ରପ୍ତାନୀ କରିଥାଏ ଯାହା ଆଣ୍ଡ୍ରଏଡ ଡିଭାଇସର ତିନୋଟି ସ୍ତରକୁ ପ୍ରତିଫଳିତ କରିଥାଏ: ହାର୍ଡୱେର୍, ଓଏସ୍ ଏବଂ ଡାଲଭିକ୍ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ । DroidScope ଉପରେ ଆମେ ଅଧିକ ବିକଶିତ କରିଛୁ ଅନେକ ବିଶ୍ଳେଷଣ ଉପକରଣ ଯାହାକି ସବିଶେଷ ମୂଳ ଏବଂ ଡାଲଭିକ୍ ନିର୍ଦ୍ଦେଶନାମା ଟ୍ରାସ୍ ସଂଗ୍ରହ କରିବା, ପ୍ରୋଫାଇଲ୍ API ସ୍ତରୀୟ କାର୍ଯ୍ୟକଳାପ, ଏବଂ ଉଭୟ ଜାଭା ଏବଂ ମୂଳ ଉପାଦାନ ମାଧ୍ୟମରେ ସୂଚନା ଲିକ୍ ଟ୍ରାକ୍ କରିବା ପାଇଁ ବ୍ୟବହାର କରି । ଏହିସବୁ ଉପକରଣ ବାସ୍ତବ ଦୁନିଆର ମାଲୱେୟାର ନମୁନା ବିଶ୍ଳେଷଣ କରିବାରେ ପ୍ରଭାବଶାଳୀ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି ଏବଂ ଯଥେଷ୍ଟ କମ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ଓଭରହେଡ୍ ସୃଷ୍ଟି କରିଥାଏ । |
05ca17ffa777f64991a8da04f2fd03880ac51236 | ଏହି ଲେଖାରେ ଆମେ ଦୁର୍ବଳତା ଚିହ୍ନ ସୃଷ୍ଟି କରିବା ସମସ୍ୟା ଉପରେ ଆଲୋଚନା କରୁଛୁ । ଏକ ଦୁର୍ବଳତା ଚିହ୍ନଟ ସମସ୍ତ ଶୋଷଣର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଦୁର୍ବଳତା ସହିତ ମେଳ ଖାଏ, ଏପରିକି ପଲିମର୍ଫିକ୍ କିମ୍ବା ମେଟାମର୍ଫିକ୍ ଭାରିଆଣ୍ଟଗୁଡିକ । ଆମର କାର୍ଯ୍ୟ ପୂର୍ବ ଆଭିମୁଖ୍ୟରୁ ଭିନ୍ନ ହୋଇଥାଏ କାରଣ ଆମେ ଶୋଷଣର ଅର୍ଥଶାସ୍ତ୍ର କିମ୍ବା ସିଣ୍ଟାକ୍ସ ପରିବର୍ତ୍ତେ ପ୍ରୋଗ୍ରାମର ଅର୍ଥଶାସ୍ତ୍ର ଏବଂ ଏକ ନମୁନା ଶୋଷଣ ଦ୍ୱାରା ପ୍ରୟୋଗ କରାଯାଇଥିବା ଦୁର୍ବଳତା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଉ । ଆମେ ଦେଖାଇଲୁ ଯେ ଏକ ଦୁର୍ବଳତାର ଅର୍ଥଶାସ୍ତ୍ର ଏକ ଭାଷା ପରିଭାଷିତ କରେ ଯେଉଁଥିରେ ସମସ୍ତ ଏବଂ କେବଳ ସେହି ଇନପୁଟ୍ ଗୁଡ଼ିକ ରହିଥାଏ ଯାହା ଦୁର୍ବଳତାର ଶୋଷଣ କରିଥାଏ । ଏକ ଦୁର୍ବଳତା ହସ୍ତାକ୍ଷର ହେଉଛି ଦୁର୍ବଳତା ଭାଷାର ଏକ ପ୍ରତିନିଧିତ୍ୱ (ଯେପରିକି ଏକ ନିୟମିତ ଅଭିବ୍ୟକ୍ତି) । ଶୋଷଣ-ଆଧାରିତ ହସ୍ତାକ୍ଷର ଯାହାଙ୍କ ତ୍ରୁଟି ହାର କେବଳ ଜଣାଶୁଣା ପରୀକ୍ଷା କ୍ଷେତ୍ରରେ ଅନୁଭବୀ ଭାବରେ ମାପ କରାଯାଇପାରିବ, ଏକ ଦୁର୍ବଳତା ହସ୍ତାକ୍ଷରର ଗୁଣବତ୍ତା ସମସ୍ତ ସମ୍ଭାବ୍ୟ ଇନପୁଟ୍ ପାଇଁ ଆନୁଷ୍ଠାନିକ ଭାବରେ ପରିମାଣିକ କରାଯାଇପାରିବ । ଆମେ ଏକ ଭେରିନେବିଲିଟି ସିଗ୍ନେଚରର ଔପଚାରିକ ପରିଭାଷା ପ୍ରଦାନ କରିଥାଉ ଏବଂ ଭେରିନେବିଲିଟି ସିଗ୍ନେଚର ସୃଷ୍ଟି ଏବଂ ମେଳ ଖାଇବାର କମ୍ପ୍ୟୁଟେଶନାଲ୍ ଜଟିଳତାକୁ ଅନୁସନ୍ଧାନ କରିଥାଉ । ଆମେ ମଧ୍ୟ ବ୍ୟବସ୍ଥିତ ଭାବେ ଉଦାସୀନତା ଚିହ୍ନର ଡିଜାଇନ୍ ସ୍ଥାନକୁ ଅନୁସନ୍ଧାନ କରୁ । ଆମେ ତିନୋଟି ମୁଖ୍ୟ ସମସ୍ୟା ଚିହ୍ନଟ କରିଛୁ: ଏକ ଭେରିନେବିଲିଟି ସିଗ୍ନେଚର କିପରି ଭେରିନେବିଲିଟି ଇନପୁଟ୍ସର ସେଟକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, ଭେରିନେବିଲିଟି କଭରେଜ (ଅର୍ଥାତ, ଭେରିନେବିଲିଟି ପ୍ରୋଗ୍ରାମ ପାଥ୍ ର ସଂଖ୍ୟା) ଯାହା ଆମର ବିଶ୍ଳେଷଣର ଅଧୀନରେ ଅଛି, ଏବଂ କିପରି ଏକ ଭେରିନେବିଲିଟି ସିଗ୍ନେଚର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରତିନିଧିତ୍ୱ ଏବଂ କଭରେଜ ପାଇଁ ସୃଷ୍ଟି ହୁଏ । ଆମେ ନୂଆ ଡାଟା-ଫ୍ଲୋ ବିଶ୍ଳେଷଣ ଏବଂ ବର୍ତ୍ତମାନର କୌଶଳ ଗୁଡ଼ିକର ନୂଆ ରୂପ ଦେବା ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେପରିକି ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଦୁର୍ବଳତା ଚିହ୍ନଟ କରିବା ପାଇଁ ପ୍ରତିବନ୍ଧକ ସମାଧାନ । ଆମେ ଆମର କୌଶଳ ପରୀକ୍ଷା କରିବା ପାଇଁ ଏକ ପ୍ରୋଟୋଟାଇପ୍ ସିଷ୍ଟମ ତିଆରି କରିଛୁ । ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମେ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଏକ ଏକ୍ସପ୍ଲୋଏଟ ବ୍ୟବହାର କରି ଏକ ଦୁର୍ବଳତା ଦସ୍ତଖତ ସୃଷ୍ଟି କରିପାରିବା ଯାହା ପୂର୍ବବର୍ତ୍ତୀ ଶୋଷଣ-ଆଧାରିତ ଦସ୍ତଖତ ଅପେକ୍ଷା ବହୁତ ଉଚ୍ଚ ଗୁଣବତ୍ତାର ଅଟେ । ଏହାବ୍ୟତୀତ, ଆମର କୌଶଳ ଗୁଡ଼ିକର ଅନ୍ୟାନ୍ୟ ସୁରକ୍ଷା ପ୍ରୟୋଗ ରହିଛି, ଏବଂ ଏହିପରି ଭାବରେ ସ୍ୱାଧୀନ ଭାବେ ସ୍ୱାର୍ଥର ହୋଇପାରନ୍ତି |
6fece3ef2da2c2f13a66407615f2c9a5b3737c88 | ଏହି କାଗଜରେ ଏକ ଗତିଶୀଳ ନିୟନ୍ତ୍ରକ ସଂରଚନା ଏବଂ ବ୍ୟବସ୍ଥିତ ଡିଜାଇନ୍ ପ୍ରକ୍ରିୟା ବିଷୟରେ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଯାହାଦ୍ୱାରା ଭିନ୍ନ ଭିନ୍ନ ସମୟର ହାଇବ୍ରିଡ୍ ସିଷ୍ଟମକୁ ସ୍ଥିର କରାଯାଇପାରିବ । ପ୍ରସ୍ତାବିତ ଆଭିମୁଖ୍ୟ ନିୟନ୍ତ୍ରଣ ଲିୟାପୁନୋଭ ଫଙ୍କସନ (ସିଏଲଏଫ) ର ଧାରଣା ଉପରେ ଆଧାରିତ, ଯାହା ଉପଲବ୍ଧ ହେଲେ, ଏକ ସ୍ଥିରକାରୀ ରାଜ୍ୟ-ଫୀଡବ୍ୟାକ୍ ନିୟନ୍ତ୍ରଣ ନିୟମ ଡିଜାଇନ୍ କରିବାକୁ ବ୍ୟବହୃତ ହୋଇପାରିବ । ସାଧାରଣତଃ, ଉଭୟ ନିରନ୍ତର ଏବଂ ପୃଥକ ଅବସ୍ଥାକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରୁଥିବା ହାଇବ୍ରିଡ୍ ଗତିଶୀଳ ସିଷ୍ଟମ ପାଇଁ ଏକ CLF ନିର୍ମାଣ ଅତ୍ୟନ୍ତ ଜଟିଳ, ବିଶେଷକରି ଅଣ-ସମାନ୍ତରାଳ ପୃଥକ ଗତିଶୀଳତା ଉପସ୍ଥିତିରେ । ତେଣୁ, ଆମେ ହାଇବ୍ରିଡ୍ କଣ୍ଟ୍ରୋଲ୍ ଲିଆପୁନୋଭ ଫଙ୍କସନ୍ ର ନୂଆ କଳ୍ପନା ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ସିଏଲ୍ଏଫ୍ ର ଏକ ଭିନ୍ନ ଏବଂ ଏକ ନିରନ୍ତର ଅଂଶର ରଚନା ଡିଜାଇନ୍ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଏବଂ ଆମେ ଆନୁଷ୍ଠାନିକ ଭାବରେ ପ୍ରମାଣ କରୁଛୁ ଯେ ଏକ ହାଇବ୍ରିଡ୍ ସିଏଲ୍ଏଫ୍ ର ଅସ୍ତିତ୍ୱ ଏକ କ୍ଲାସିକାଲ୍ ସିଏଲ୍ଏଫ୍ ର ଅସ୍ତିତ୍ୱକୁ ଗ୍ୟାରେଣ୍ଟି ଦେଇଥାଏ । ହାଇବ୍ରିଡ୍ ସିଷ୍ଟମର ଗତିଶୀଳତାକୁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ନିୟନ୍ତ୍ରକ ଗତିଶୀଳତା ସହିତ ବିସ୍ତାର କରି ହାଇବ୍ରିଡ୍ ସିଏଲ୍ଏଫ୍ ସଂଶ୍ଳେଷଣ କରିବା ପାଇଁ ଏକ ନିର୍ମାଣ ପ୍ରକ୍ରିୟା ପ୍ରଦାନ କରାଯାଇଛି । ଆମେ ଦେଖାଇବୁ ଯେ ଏହି ସଂଶ୍ଳେଷଣ ପ୍ରକ୍ରିୟା ଏକ ଗତିଶୀଳ ନିୟନ୍ତ୍ରକକୁ ନେଇଥାଏ ଯାହାକୁ ଏକ ରିସିଡିଂ ହୋରିଜୋନ ନିୟନ୍ତ୍ରଣ ରଣନୀତି ଦ୍ୱାରା କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ ଏବଂ ଏହା ସହିତ ଜଡିତ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟା ହେଉଛି ହାଇବ୍ରିଡ୍ ସିଷ୍ଟମର ଏକ ସାଧାରଣ ଶ୍ରେଣୀ ପାଇଁ ସଂଖ୍ୟାଗତ ଭାବରେ ବ୍ୟବହାରଯୋଗ୍ୟ, ଯାହା ବାସ୍ତବ ଦୁନିଆର ପ୍ରୟୋଗରେ ଉପଯୋଗୀ ଅଟେ । କ୍ଲାସିକାଲ୍ ହାଇବ୍ରିଡ୍ ରିସିଡିଙ୍ଗ୍ ହୋରିଜୋନ କଣ୍ଟ୍ରୋଲ୍ ଆଲଗୋରିଦମ ତୁଳନାରେ, ପ୍ରସ୍ତାବିତ ଆଭିମୁଖ୍ୟରେ ସାଧାରଣତଃ ବନ୍ଦ ଲୁପ୍ ସିଷ୍ଟମର ଅସମୃଦ୍ଧ ସ୍ଥିରତା ନିଶ୍ଚିତ କରିବାକୁ ଏକ ଛୋଟ ପୂର୍ବାନୁମାନ ଦିଗକୁ ଆବଶ୍ୟକ କରେ, ଯାହା ଦୁଇଟି ଉଦାହରଣ ମାଧ୍ୟମରେ ଦର୍ଶାଯାଇଥିବା ପରି, ଗଣନା ଭାର ହ୍ରାସ କରିଥାଏ । |
3b3c153b09495e2f79dd973253f9d2ee763940a5 | ମେସିନ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତିର ପ୍ରୟୋଗିକତା ଉପଲବ୍ଧ ଲେବଲ ତଥ୍ୟର ପରିମାଣ ଦ୍ୱାରା ସୀମିତ ହୋଇଥାଏ, ଏବଂ ଇନପୁଟ ଡାଟା ଭେକ୍ଟର ପାଇଁ ଭଲ ଆଭ୍ୟନ୍ତରୀଣ ପ୍ରତିନିଧିତ୍ୱ ଏବଂ ଭଲ ସମାନତା ମାପ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ଡିସିଗନରର କ୍ଷମତା (କିମ୍ବା ଅକ୍ଷମତା) ଦ୍ୱାରା ସୀମିତ ହୋଇଥାଏ । ଏହି ଥିସୀର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି, ଏହି ଦୁଇଟି ସୀମିତତାକୁ ଦୂର କରିବା ପାଇଁ, ଭଲ ଆଭ୍ୟନ୍ତରୀଣ ପ୍ରତିନିଧିତ୍ୱ ଏବଂ ଅକ୍ଷରିତ ତଥ୍ୟରୁ ଅକ୍ଷରିତ ବୈଶିଷ୍ଟ୍ୟ ହିରାର୍କିକୁ ଶିକ୍ଷା କରିବା ପାଇଁ ଅଲିଗୋରିଦମ ପ୍ରସ୍ତାବିତ କରିବା । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ପାରମ୍ପରିକ ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମରୁ ଆଗକୁ ଯାଇଥାଏ ଏବଂ ଅଣ-ସୁପରଭାଇଜଡ ଏବଂ ଅର୍ଦ୍ଧ-ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଂ ଉପରେ ନିର୍ଭର କରିଥାଏ । ବିଶେଷକରି ଏହି କାର୍ଯ୍ୟ "ଗଭୀର ଶିକ୍ଷଣ" ପଦ୍ଧତି ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ, ଯାହା ହେଉଛି ଶ୍ରେଣୀଗତ ମଡେଲକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ କୌଶଳ ଏବଂ ନୀତିର ଏକ ସମୂହ । ଶ୍ରେଣୀଗତ ମଡେଲଗୁଡ଼ିକ ବିଶେଷତା ଶ୍ରେଣୀଗତ ବ୍ୟବସ୍ଥା ସୃଷ୍ଟି କରନ୍ତି ଯାହା ନିରୀକ୍ଷଣ କରାଯାଇଥିବା ତଥ୍ୟ ଭେରିଏବଲ୍ସ ମଧ୍ୟରେ ଜଟିଳ ଅଣ-ଲିନିୟର ନିର୍ଭରଶୀଳତାକୁ ଏକ ସଂକ୍ଷିପ୍ତ ଏବଂ ଦକ୍ଷ ଉପାୟରେ ଧାରଣ କରିପାରେ । ତାଲିମ ପରେ, ଏହି ମୋଡଗୁଡ଼ିକ ବାସ୍ତବ ସମୟ ପ୍ରଣାଳୀରେ ବ୍ୟବହୃତ ହୋଇପାରିବ କାରଣ ସେମାନେ ଅଣ-ଲିନୀୟ ପରିବର୍ତ୍ତନଗୁଡ଼ିକର କ୍ରମ ମାଧ୍ୟମରେ ଇନପୁଟର ଏକ ଦ୍ରୁତ ଆଗେଇ ପ୍ରଚାର ଦ୍ୱାରା ପ୍ରତିନିଧିତ୍ୱକୁ ଗଣନା କରନ୍ତି । ଯେତେବେଳେ ଲେବଲଯୁକ୍ତ ତଥ୍ୟର ଅଭାବ ପାରମ୍ପରିକ ସୁପରଭାଇଜଡ୍ ଆଲଗୋରିଦମ ବ୍ୟବହାରକୁ ଅନୁମତି ଦିଏ ନାହିଁ, ତେବେ ହିରାର୍କି ର ପ୍ରତ୍ୟେକ ସ୍ତରକୁ ନିମ୍ନରୁ ଆରମ୍ଭ କରି ଅଣ-ସୁପରଭାଇଜଡ୍ କିମ୍ବା ଅର୍ଦ୍ଧ-ସୁପରଭାଇଜଡ୍ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରି କ୍ରମାନୁସାରେ ତାଲିମ ଦିଆଯାଇପାରିବ । ଥରେ ପ୍ରତ୍ୟେକ ସ୍ତର ପ୍ରଶିକ୍ଷିତ ହୋଇଗଲେ, ସମଗ୍ର ବ୍ୟବସ୍ଥାକୁ ଏକ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଫ୍ୟାଶନରେ ସୂକ୍ଷ୍ମ-ସୁଲଭ କରାଯାଇପାରିବ । ଆମେ ଅନେକ ଅଜ୍ଞାତ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହା ଏହିପରି ବୈଶିଷ୍ଟ୍ୟ ହିରାର୍କିକୁ ପ୍ରଶିକ୍ଷଣ କରିବା ପାଇଁ ଏକ ନିର୍ମାଣ ବ୍ଲକ ଭାବରେ ବ୍ୟବହୃତ ହୋଇପାରିବ । ଆମେ ସେହି ଆଲଗୋରିଦମଗୁଡ଼ିକର ଅନୁସନ୍ଧାନ କରୁ ଯାହା ବିରଳ ଓଭରକମ୍ପ୍ଲେଟ୍ ପ୍ରତିନିଧିତ୍ୱ ଏବଂ କିଛି ଫର୍ମାଟ୍ ସୃଷ୍ଟି କରେ ଯାହା ଜଣାଶୁଣା ଏବଂ ଶିଖିଥିବା ରୂପାନ୍ତରଣ ପାଇଁ ଅସ୍ବାଭାବିକ ଅଟେ । ଏହି ଆଲଗୋରିଦମଗୁଡ଼ିକ ଶକ୍ତି- |
447ce2aecdf742cf96137f8bf7355a7404489178 | ଏହି ଚିଠିରେ ଏକ ନୂଆ ପ୍ରକାର ବ୍ରଡବ୍ୟାଣ୍ଡ ସବଷ୍ଟ୍ରେଟ ଇଣ୍ଟିଗ୍ରେଟେଡ ୱେଭଗାଇଡ (ଏସଆଇଡବ୍ଲୁ) କାଭିଟି-ବ୍ୟାକଡ ପ୍ୟାଚ ଆଣ୍ଟିନା ଏବଂ ମିଲିମିଟର ୱେଭ (ଏମଏମଡବ୍ଲୁ) ପାଇଁ ଆରେର ଅନୁସନ୍ଧାନ ଏବଂ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନାଟି ଏକ ଆୟତନ ବିଶିଷ୍ଟ ପ୍ୟାଚରୁ ଗଠିତ ଏବଂ ଏଥିରେ ଏକ ପଛପଟ SIW ଗୁହାଳ ରହିଛି । ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଏବଂ ରେଡିଏସନ୍ ଦକ୍ଷତା ବୃଦ୍ଧି କରିବା ପାଇଁ, ଏହି ଗୁହାଳକୁ ଏହାର TE210 ମୋଡରେ ପ୍ରତିଧ୍ୱନିତ ହେବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ଆଧାରରେ ଏକ ୪ × ୪ ଆରେ ମଧ୍ୟ ଡିଜାଇନ୍ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ଏବଂ ଆରେ ଉଭୟକୁ ମାନକ ପ୍ରିଣ୍ଟ ସର୍କିଟ ବୋର୍ଡ (ପିସିବି) ପ୍ରକ୍ରିୟାରେ ପ୍ରସ୍ତୁତ କରାଯାଇଛି, ଯାହା ପ୍ଲାନାଲ ସର୍କିଟ ସହିତ ସହଜରେ ଏକୀକରଣର ଲାଭ ପ୍ରଦାନ କରିଥାଏ । ଆଣ୍ଟିନା ଉପାଦାନର ମାପିତ ବ୍ୟାଣ୍ଡୱିଡ (gadS11gad ≤ -10 dB) 15%ରୁ ଅଧିକ ଏବଂ ଆଣ୍ଟିନା ଆରେର ମାପିତ ବ୍ୟାଣ୍ଡୱିଡ 8.7% । ଏହି ଉପାଦାନ ପାଇଁ ମାପ କରାଯାଇଥିବା ଶିଖର ଲାଭ 6.5 dBi ଏବଂ ଆରେ ପାଇଁ 17.8 dBi ଅଟେ, ଏବଂ ଅନୁରୂପ ସିମୁଲେଟେଡ୍ ରେଡିଏସନ୍ ଇଫେକ୍ଟିଭିଟି ଯଥାକ୍ରମେ 83.9% ଏବଂ 74.9% ଅଟେ । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ଏବଂ ଆରେ ମିଲିମିଟର ତରଙ୍ଗ ପ୍ରୟୋଗ ପାଇଁ ଏହାର ବ୍ୟାପକ ବ୍ୟାଣ୍ଡ, ଉଚ୍ଚ ଦକ୍ଷତା, କମ୍ ମୂଲ୍ୟ, ନିମ୍ନ ପ୍ରୋଫାଇଲ ଇତ୍ୟାଦି ଗୁଣ ଯୋଗୁଁ ଆଶାନୁରୂପ ଅଟେ । |
429d0dd7192450e2a52a8ae7f658a5d99222946e | ଏହି କାଗଜରେ ଏକ କମ୍ପାକ୍ଟ, କମ ଖର୍ଚ୍ଚ ଏବଂ ଉଚ୍ଚ ବିକିରଣ ଦକ୍ଷତା ଆଣ୍ଟିନା ସଂରଚନା, ପ୍ଲାନାର ୱେଭଗାଇଡ୍, ସବଷ୍ଟ୍ରେଟ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ୱେଭଗାଇଡ୍ (SIW), ଡାଏଲେକ୍ଟ୍ରିକ୍ ରେଜୋନେଟର ଆଣ୍ଟିନା (DRA) ଉପସ୍ଥାପିତ ହୋଇଛି । ଯେହେତୁ ଏସଆଇଡବ୍ଲୁ ହେଉଛି ଏକ ଉଚ୍ଚ କ୍ୟୁ-ୱେଭଗାଇଡ ଏବଂ ଡିଆରଏ ହେଉଛି ଏକ କମ କ୍ଷତିର ରେଡିଏଟର, ତେଣୁ ଏସଆଇଡବ୍ଲୁ-ଡିଆରଏ ଏକ ଉତ୍କୃଷ୍ଟ ଆଣ୍ଟିନା ସିଷ୍ଟମ ସୃଷ୍ଟି କରେ ଯାହା ମିଲିମିଟର ୱେଭ ବ୍ୟାଣ୍ଡରେ ଉଚ୍ଚ ବିକିରଣ ଦକ୍ଷତା ସହିତ, ଯେଉଁଠାରେ କଣ୍ଡକ୍ଟର କ୍ଷତି ପ୍ରାଧାନ୍ୟ ପାଏ । ଆଣ୍ଟିନା କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ବିଭିନ୍ନ ଆଣ୍ଟିନା ପାରାମିଟରର ପ୍ରଭାବ ଅଧ୍ୟୟନ କରାଯାଏ । ଏସଆଇଡବ୍ଲୁ-ଡ୍ରା ପାଇଁ ପରୀକ୍ଷାମୂଳକ ତଥ୍ୟ, ଦୁଇଟି ଭିନ୍ନ ସ୍ଲଟ୍ ଓରିଏଣ୍ଟେସନ୍ ଉପରେ ଆଧାରିତ, ମିଲିମିଟର ୱେଭ୍ ବ୍ୟାଣ୍ଡରେ ଏବଂ ସିମୁଲେଟେଡ୍ ଏଚଏଫଏସଏସ ଫଳାଫଳ ସହିତ ତୁଳନା କରାଯାଇଥାଏ । ଏକ ଭଲ ବୁଝାମଣା ହାସଲ କରାଯାଇଥାଏ । SIW-DRA ଏକକ ଉପାଦାନ ପାଇଁ ମାପିତ ଲାଭ 5.51 dBର ବ୍ରଡସାଇଡ୍ ଲାଭ,-19 dBର ସର୍ବାଧିକ କ୍ରସ୍ ପୋଲାରାଇଜ୍ଡ ରେଡିଏସନ୍ ସ୍ତର ଏବଂ 95%ରୁ ଅଧିକର ମୋଟ ଗଣିତ (HFSS ବ୍ୟବହାର କରି ଅନୁକରଣ) ରେଡିଏସନ୍ ଦକ୍ଷତା ଦେଖାଇଲା । |
0cb2e8605a7b5ddb5f3006f71d19cb9da960db98 | ଆଧୁନିକ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କରେ ବହୁ ସଂଖ୍ୟକ ପାରାମିଟର ଅଛି, ଯାହା ସେମାନଙ୍କୁ ତାଲିମ ଦେବା ଅତ୍ୟନ୍ତ କଷ୍ଟକର କରିଥାଏ । ଆମେ ଡିଏସଡି, ଏକ ଘନ-ବିଖଣ୍ଡିତ-ଘନ ତାଲିମ ପ୍ରବାହ, ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କକୁ ନିୟମିତ କରିବା ଏବଂ ଉନ୍ନତ ଅପ୍ଟିମାଇଜେସନ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିବା ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ପ୍ରଥମ ଡି (ଡେନସ୍) ପର୍ଯ୍ୟାୟରେ, ଆମେ ଏକ ଘନ ନେଟୱାର୍କକୁ ତାଲିମ ଦେଇଥାଉ ସଂଯୋଗ ଓଜନ ଏବଂ ଗୁରୁତ୍ୱ ଶିଖିବା ପାଇଁ । S (Sparse) ପର୍ଯ୍ୟାୟରେ, ଆମେ ଅଳ୍ପ ଓଜନ ସହିତ ଅପରିହାର୍ଯ୍ୟ ସଂଯୋଗଗୁଡ଼ିକୁ କାଟି ଏବଂ sparsity ପ୍ରତିବନ୍ଧକକୁ ଦେଇ ନେଟୱାର୍କକୁ ପୁନଃ ପ୍ରଶିକ୍ଷଣ କରି ନେଟୱାର୍କକୁ ନିୟମିତ କରିଥାଉ । ଅନ୍ତିମ D (ପୁନଃ-Dense) ପର୍ଯ୍ୟାୟରେ, ଆମେ କ୍ଷୁଦ୍ରତା ପ୍ରତିବନ୍ଧକକୁ ହଟାଇ ମଡେଲ କ୍ଷମତାକୁ ବୃଦ୍ଧି କରିଥାଉ, ଶୂନ୍ୟରୁ ପୁନଃ-ପ୍ରାରମ୍ଭିକରଣ କରିବା ଏବଂ ସମଗ୍ର ଘନ ନେଟୱାର୍କକୁ ପୁନଃ ପ୍ରଶିକ୍ଷଣ କରିବା । ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଡିଏସଡି ତାଲିମ ବିଭିନ୍ନ ସିଏନଏନ, ଆରଏନଏନ ଏବଂ ଏଲଏସଟିଏମଙ୍କ ପାଇଁ ଛବି ବର୍ଗୀକରଣ, କ୍ୟାପସନ ସୃଷ୍ଟି ଏବଂ ଭାଷଣ ଚିହ୍ନଟ କାର୍ଯ୍ୟରେ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିପାରିବ । ଇମେଜନେଟରେ ଡିଏସଡି ଯଥାକ୍ରମେ ଗୁଗଲନେଟର ଟପ୧ ସଠିକତାକୁ ୧.୧%, ଭିଜିଜି-୧୬କୁ ୪.୩%, ରେସନେଟ-୧୮କୁ ୧.୨% ଏବଂ ରେସନେଟ-୫୦କୁ ୧.୧% ବୃଦ୍ଧି କରିଛି । WSJ93 ଡାଟାସେଟରେ, ଡିଏସଡି ଡିପସ୍ପିଚ୍ ଏବଂ ଡିପସ୍ପିଚ୍2 WER ରେ ଯଥାକ୍ରମେ 2.0% ଏବଂ 1.1% ଉନ୍ନତି କରିଛି । ଫ୍ଲିକର-୮କେ ଡାଟାସେଟରେ ଡିଏସଡି ନ୍ୟୁରାଲଟକ୍ ବ୍ଲୁ ସ୍କୋରକୁ ୧.୭ ପ୍ରତିଶତରୁ ଅଧିକ ବୃଦ୍ଧି କରିଛି । DSD ବ୍ୟବହାରରେ ସହଜ ଅଟେ: ପ୍ରଶିକ୍ଷଣ ସମୟରେ, DSD କେବଳ ଗୋଟିଏ ଅତିରିକ୍ତ ହାଇପର-ପାରାମିଟରକୁ ନେଇଥାଏ: S ଷ୍ଟେପରେ ସ୍ପାର୍ସିଟି ଅନୁପାତ । ପରୀକ୍ଷଣ ସମୟରେ, ଡିଏସଡି ନେଟୱର୍କ ସ୍ଥାପତ୍ୟକୁ ପରିବର୍ତ୍ତନ କରେ ନାହିଁ କିମ୍ବା କୌଣସି ଅନୁମାନ ଓଭରହେଡ ସୃଷ୍ଟି କରେ ନାହିଁ । ଡିଏସଡି ପରୀକ୍ଷଣର କ୍ରମାଗତ ଏବଂ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟଦକ୍ଷତା ବୃଦ୍ଧି ସର୍ବୋତ୍ତମ ସ୍ଥାନୀୟ ସର୍ବୋତ୍ତମ ଖୋଜିବା ପାଇଁ ବର୍ତ୍ତମାନର ତାଲିମ ପଦ୍ଧତିର ଅପରାଗତାକୁ ଦର୍ଶାଏ, ଯେତେବେଳେ ଡିଏସଡି ପ୍ରଭାବଶାଳୀ ଭାବରେ ଏକ ଉତ୍ତମ ସମାଧାନ ଖୋଜିବା ପାଇଁ ଉନ୍ନତ ଅପ୍ଟିମାଇଜେସନ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରେ । ଡିଏସଡି ମଡେଲଗୁଡିକ ଡାଉନଲୋଡ କରିବା ପାଇଁ ଉପଲବ୍ଧ ଅଛି । |
6fd329a1e7f513745e5fc462f146aa80c6090a1d | ୱେରେବଲ ସେନସର ବ୍ୟବହାର କରି ସଂଗ୍ରହ କରାଯାଇଥିବା ରେକର୍ଡରେ ଅବୈଧ ତଥ୍ୟ ଚିହ୍ନଟ କରିବା ବିଶେଷ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ ମୋବାଇଲ ରୋଗୀଙ୍କ ଠାରୁ ସଂଗ୍ରହ କରାଯାଇଥିବା ତଥ୍ୟ ସାଧାରଣତ ଅଚଳ ରୋଗୀଙ୍କ ଠାରୁ ଅଧିକ ଶବ୍ଦ ସୃଷ୍ଟି କରିଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଏକ ସିଗନାଲ କ୍ୱାଲିଟି ଇଣ୍ଡେକ୍ସ (ଏସକ୍ୟୁଆଇ) ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି, କଣ ଇଲେକ୍ଟ୍ରୋକାର୍ଡିଓଗ୍ରାମ (ଇସିଜି) ଏବଂ ଫୋଟୋପଲେଥିସ୍ମୋଗ୍ରାମ୍ (ପିପିଜି) ସିଗନାଲରୁ ଭରସାଯୋଗ୍ୟ ହାର୍ଟ ରେଟ୍ (ଏଚଆର) ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । ଆଲଗୋରିଦମକୁ ମାନୁଆଲ ଲେବଲ ତଥ୍ୟରେ ବୈଧତା ପ୍ରଦାନ କରାଯାଇଥିଲା । ଇସିଜି ପାଇଁ 94% ଏବଂ ପିପିଜି ପାଇଁ 91% ଏବଂ 95% ସମ୍ବେଦନଶୀଳତା ଏବଂ ବିଶେଷତା ହାସଲ କରାଯାଇଥିଲା । ଏହାବ୍ୟତୀତ ଆମେ ଏସକ୍ୟୁଆଇର ଦୁଇଟି ପ୍ରୟୋଗ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ପ୍ରଥମତଃ, ଆମେ ଦେଖାଇଛୁ ଯେ, ଶକ୍ତି ସଂଚୟ ରଣନୀତି ପାଇଁ ଏସକ୍ୟୁଆଇକୁ ଟ୍ରିଗର ଭାବେ ବ୍ୟବହାର କରି, ଇସିଜି ପାଇଁ ରେକର୍ଡିଂ ସମୟକୁ ୯୪% ପର୍ଯ୍ୟନ୍ତ ଏବଂ ପିପିଜି ପାଇଁ ୯୩% ପର୍ଯ୍ୟନ୍ତ ହ୍ରାସ କରିବା ସମ୍ଭବ ଅଟେ । ଦ୍ୱିତୀୟରେ, ଆମେ ଦର୍ଶାଇବୁ ଯେ ପିପିଜିରୁ ଶ୍ୱାସକ୍ରିୟା ହାର (ଆରଆର) ର ଆକଳନ କରିବାରେ କିପରି ଏକ ଏସକ୍ୟୁଆଇର ବ୍ୟବହାର କରାଯାଇପାରିବ । ଏହି ଦୁଇଟି ପ୍ରୟୋଗର କାର୍ଯ୍ୟଦକ୍ଷତା ଏକ କ୍ଲିନିକାଲ ଅଧ୍ୟୟନରୁ ସଂଗ୍ରହ କରାଯାଇଥିବା ତଥ୍ୟ ଉପରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା ଯେଉଁଥିରେ ହସ୍ପିଟାଲରେ ଚିକିତ୍ସିତ ହେଉଥିବା ରୋଗୀମାନଙ୍କୁ ବିନା ସହାୟତାରେ ଚାଲିବା ପାଇଁ କୁହାଯାଇଥିଲା । |
ef8070a37fb6f0959acfcee9d40f0b3cb912ba9f | ଗତ ତିନି ଦଶନ୍ଧି ମଧ୍ୟରେ ସୂଚନା ପ୍ରଣାଳୀ (ଆଇଏସ) ଗବେଷଣା କ୍ଷେତ୍ରରେ ଏକ ପଦ୍ଧତିଗତ ବହୁଳତା ବିକଶିତ ହୋଇଛି । ବିଭିନ୍ନ ବିଷୟ ଏବଂ ଅନେକ ଗବେଷଣା ଗୋଷ୍ଠୀ ମଧ୍ୟ ଏହି ଆଲୋଚନାରେ ଯୋଗଦାନ କରୁଛନ୍ତି । କିନ୍ତୁ ସମାନ ଗବେଷଣା ବିଷୟ ଉପରେ କାର୍ଯ୍ୟ କରିବା କିମ୍ବା ସମାନ ଘଟଣା ଉପରେ ଅଧ୍ୟୟନ କରିବା ଦ୍ୱାରା ଆପୋଷ ବୁଝାମଣା ସୁନିଶ୍ଚିତ ହୋଇନଥାଏ । ବିଶେଷକରି ଏହି ବହୁବିଷୟକ ଓ ଆନ୍ତର୍ଜାତିକ ପରିପ୍ରେକ୍ଷୀରେ, ବିଭିନ୍ନ ଗବେଷକମାନଙ୍କ ଦ୍ୱାରା କରାଯାଇଥିବା ଜ୍ଞାନଜ୍ଞାନ ସମ୍ବନ୍ଧୀୟ ଅନୁମାନଗୁଡିକ ମୌଳିକ ଭାବରେ ଭିନ୍ନ ହୋଇପାରେ । ଏହି ମାନ୍ୟତା ଗୁଡ଼ିକର ପ୍ରଭାବ ଗବେଷଣାର ବୈଧତା, ବିଶ୍ୱସନୀୟତା, ଗୁଣବତ୍ତା ଏବଂ କଠୋରତା ଭଳି ବିଷୟ ଗୁଡ଼ିକର ବୁଝାମଣା ଉପରେ ପଡ଼ିଥାଏ । ତେଣୁ, ଜ୍ଞାନକୌଶଳ ସମ୍ବନ୍ଧୀୟ ଅନୁମାନର ବ୍ୟାପକ ପ୍ରକାଶନ, ବାସ୍ତବରେ, ପ୍ରାୟତଃ ବାଧ୍ୟତାମୂଳକ ଅଟେ । ତେଣୁ, ଏହି କାଗଜର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଏକ ଜ୍ଞାନକୌଶଳଗତ ଢାଞ୍ଚା ବିକଶିତ କରିବା ଯାହା ଆଇଏସ ଗବେଷଣାରେ ଜ୍ଞାନକୌଶଳଗତ ଅନୁମାନକୁ ବ୍ୟବସ୍ଥିତ ଭାବରେ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ । ଆଇଏସ ଗବେଷଣା ପାରାଡିଗମକୁ ଚିହ୍ନଟ ଓ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପରିବର୍ତ୍ତେ, ଏହି ଗବେଷଣାର ଉଦ୍ଦେଶ୍ୟ ଆଇଏସ ପରିପ୍ରେକ୍ଷୀରେ ଜ୍ଞାନତତ୍ତ୍ବ ବିଜ୍ଞାନର ଏକ ବ୍ୟାପକ ଆଲୋଚନା କରିବା । ଏହା ବିଭିନ୍ନ ଆଇଏସ ଆଭିମୁଖ୍ୟ ଓ ପଦ୍ଧତି ମଧ୍ୟରେ ସମାନତା ଓ ପାର୍ଥକ୍ୟକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ମୂଳଦୁଆ ସୃଷ୍ଟି କରିବାରେ ସହାୟକ ହେବ । ଜ୍ଞାନକୌଶଳ ଭିତ୍ତିଭୂମିକୁ ପ୍ରଦର୍ଶନ କରିବା ପାଇଁ, ଧାରଣାଗତ ମଡେଲିଂ ପାଇଁ ସହମତି ଭିତ୍ତିକ ବ୍ୟାଖ୍ୟାବାଦୀ ଆଭିମୁଖ୍ୟକୁ ଏକ ଉଦାହରଣ ଭାବରେ ବ୍ୟବହାର କରାଯାଇଛି । |
25e989b45de04c6086364b376d29ec11008360a3 | ମନୁଷ୍ୟ ନିଜର ବିକାଶର ପ୍ରାରମ୍ଭିକ ଅବସ୍ଥାରେ ନିଜର ମୌଳିକ ଭୌତିକ ଧାରଣାକୁ ହାସଲ କରିଥାଏ ଏବଂ ଅଧିକରୁ ଅଧିକ ଓ ବିଭିନ୍ନ ପ୍ରକାରର ଗତିଶୀଳ ପରିବେଶରେ ନିଜକୁ ପ୍ରକଟ କରିବା ସହିତ ଜୀବନସାରା ନିଜର ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ଭୌତିକ ଧାରଣାକୁ ସମୃଦ୍ଧ ଓ ବିସ୍ତାରିତ କରିଥାଏ । ଆମେ ଏକ ବର୍ଗୀକୃତ ବେଜେସୀୟ ଢାଞ୍ଚା ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ବୁଝାଇଥାଏ ଯେ ଲୋକମାନେ କିପରି ଏକାଧିକ ସ୍ତରରେ ଭୌତିକ ପାରାମିଟର ଶିଖିପାରିବେ । ତତ୍ତ୍ବଜ୍ଞାନ ଅଧିଗ୍ରହଣର ପୂର୍ବବର୍ତ୍ତୀ ବେୟସୀୟ ମଡେଲ (ଟେନନବାଉମ, କେମ୍ପ, ଗ୍ରିଫିଥ୍ସ, ଓ ଗୁଡମ୍ୟାନ୍, ୨୦୧୧) ବିପରୀତରେ, ଆମେ ଅଧିକ ଅଭିବ୍ୟକ୍ତିକାରୀ ସମ୍ଭାବ୍ୟତା କାର୍ଯ୍ୟକ୍ରମ ପ୍ରତିନିଧିତ୍ୱ ସହିତ କାର୍ଯ୍ୟ କରୁ ଯାହା ବଳ ଏବଂ ଗୁଣଗୁଡିକ ଶିଖିବା ପାଇଁ ଉପଯୁକ୍ତ ଯାହା ବସ୍ତୁଗୁଡିକ କିପରି ଗତିଶୀଳ ଦୃଶ୍ୟରେ ସମୟ ସହିତ ପ୍ରକାଶିତ ହୁଏ । ଆମେ ଆମର ମଡେଲକୁ ମାନବ ଶିକ୍ଷାର୍ଥୀମାନଙ୍କ ସହିତ ତୁଳନା କରିଛୁ, ଯେଉଁମାନେ କି କ୍ଷୁଦ୍ର ଚଳଚ୍ଚିତ୍ରରେ ଦିଆଯାଇଥିବା ନୂଆ ମାଇକ୍ରୋୱାର୍ଲ୍ଡରେ ଏକାଧିକ ଭୌତିକ ପାରାମିଟରକୁ ଆକଳନ କରିବାର ଏକ ଚ୍ୟାଲେଞ୍ଜପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟରେ ଅଛନ୍ତି । ଏହି କାର୍ଯ୍ୟ ପାଇଁ ଲୋକମାନଙ୍କୁ ଏକାଧିକ ପାରସ୍ପରିକ କାର୍ଯ୍ୟ କରୁଥିବା ଭୌତିକ ନିୟମ ଏବଂ ଗୁଣ ବିଷୟରେ ଏକକାଳୀନ ତର୍କ କରିବାକୁ ପଡିବ । ଲୋକମାନେ ସାଧାରଣତଃ ଏହି ପରିବେଶରେ ଶିଖିବାକୁ ସକ୍ଷମ ହୋଇଥାନ୍ତି ଏବଂ ସେମାନଙ୍କର ବିଚାରରେ ସ୍ଥିରତା ଆସିଥାଏ । ତଥାପି ସେମାନେ ବ୍ୟବସ୍ଥିତ ତ୍ରୁଟି ମଧ୍ୟ କରନ୍ତି ଯାହା ସୀମିତ ଗଣନା ସମ୍ବଳ ସହିତ ଏହି ଗଣନାତ୍ମକ ଚାହିଦା ସମସ୍ୟାକୁ ସମାଧାନ କରିବାରେ ଲୋକମାନେ କରିଥିବା ଅନୁମାନର ସୂଚକ ଅଟେ । ଆମେ ଦୁଇଟି ଅନୁମାନ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଉପରୁ ତଳକୁ ବେୟସୀୟ ଦୃଷ୍ଟିକୋଣକୁ ପରିପୂରକ । ଗୋଟିଏ ଅନୁମାନ ମଡେଲ ଅଧିକ ତଳରୁ ଉପରକୁ ବୈଶିଷ୍ଟ୍ୟ ଆଧାରିତ ଅନୁମାନ ଯୋଜନା ଉପରେ ନିର୍ଭର କରେ । ଦ୍ୱିତୀୟ ଅନୁମାନ ତଳରୁ ଉପରକୁ ଏବଂ ଉପରୁ ତଳକୁ ଅନୁମାନର ଶକ୍ତିକୁ ମିଶାଇ, ଫିଚର-ଆଧାରିତ ଅନୁମାନକୁ ଭୌତିକ-ପାରାମିଟର ସ୍ପେସରେ ସନ୍ଧାନ ପାଇଁ ଏହାର ପ୍ରାରମ୍ଭିକ ବିନ୍ଦୁ ଭାବରେ ନେଇଥାଏ । |
6f0144dc7ba19123ddce8cdd4ad0f6dc36dd4ef2 | ଅନ୍ତର୍ଜାତୀୟ ନିର୍ଦ୍ଦେଶାବଳୀ ଅନୁସାରେ ଯୌନଗତ ଅସ୍ଥିରତା ଥିବା କିଶୋରମାନଙ୍କଠାରେ ଗୋନାଡୋଟ୍ରୋପିନ୍- ରିଲିଜିଂ ହର୍ମୋନ୍ (GnRH) ଏଗୋନାଇଷ୍ଟର ବ୍ୟବହାର କରି ଯୌବନ ପ୍ରାପ୍ତ ହେବା ସମୟରେ ସେମାନଙ୍କୁ ନିଷିଦ୍ଧ କରିବା ଉଚିତ । ଲିଙ୍ଗଗତ ଅସ୍ଥିରତା ଥିବା କିଶୋରମାନେ ଏହି ପ୍ରାଥମିକ ଚିକିତ୍ସା ବିଷୟରେ କିପରି ଚିନ୍ତା କରନ୍ତି ସେ ବିଷୟରେ ଅଳ୍ପ କିଛି ଜଣା ଅଛି । ଏହି ଅଧ୍ୟୟନର ଉଦ୍ଦେଶ୍ୟ ଥିଲା (1) ନେଦରଲାଣ୍ଡରେ ଲିଙ୍ଗଗତ ଅସ୍ଥିରତା ଥିବା କିଶୋରମାନଙ୍କ ମଧ୍ୟରେ କିଶୋରାବସ୍ଥାରେ ଅସ୍ଥିରତା ସୃଷ୍ଟି କରିବା ପାଇଁ ବ୍ୟବହାର ବିଷୟରେ ବିଚାରକୁ ସ୍ପଷ୍ଟ କରିବା; (2) ଲିଙ୍ଗଗତ ଅସ୍ଥିରତା ଥିବା କିଶୋରମାନଙ୍କ ମଧ୍ୟରେ କିଶୋରାବସ୍ଥାରେ ଅସ୍ଥିରତା ସୃଷ୍ଟି କରିବା ପାଇଁ ବ୍ୟବହାର ହେଉଥିବା ଔଷଧ ବିଷୟରେ ବିଚାରକୁ ଅନୁସନ୍ଧାନ କରିବା ଏବଂ ଯଦି ସେପରି ହୁଏ, ତେବେ କେଉଁ ଅର୍ଥରେ । ଏହା ଏକ ଗୁଣାତ୍ମକ ଅଧ୍ୟୟନ ଥିଲା ଯାହାର ଉଦ୍ଦେଶ୍ୟ ଥିଲା କିଶୋରମାନଙ୍କ ଯୌନଗତ ଅସ୍ଥିରତା ବିଷୟରେ ଜାଣିବା ଏବଂ ସେମାନଙ୍କୁ ଯଥାଶୀଘ୍ର ଚିକିତ୍ସା କରିବା । ଜଣେ ଛଡ଼ା ଅନ୍ୟ ସମସ୍ତ ୧୩ ଜଣ କିଶୋରଙ୍କୁ ପ୍ରଜନନ ଅବଧି ନିଷେଧ କରାଯାଇ ଚିକିତ୍ସା କରାଯାଇଥିଲା; ୫ ଜଣ କିଶୋର ଟ୍ରାନ୍ସ ଝିଅ ଥିଲେ ଏବଂ ୮ ଜଣ ଟ୍ରାନ୍ସ ପୁଅ ଥିଲେ । ସେମାନଙ୍କ ବୟସ ୧୩ରୁ ୧୮ ବର୍ଷ ମଧ୍ୟରେ ଥିଲା, ହାରାହାରି ବୟସ ୧୬ ବର୍ଷ ୧୧ ମାସ ଏବଂ ହାରାହାରି ବୟସ ୧୭ ବର୍ଷ ୪ ମାସ ଥିଲା । ପରେ, କିଶୋରମାନଙ୍କ ବିଚାରକୁ ଜିଡି ରୋଗରେ ପୀଡ଼ିତ ଯୁବକମାନଙ୍କୁ ଚିକିତ୍ସା କରୁଥିବା ଡାକ୍ତରମାନଙ୍କ ବିଚାର ସହିତ ତୁଳନା କରାଯାଇଥିଲା । ଲିଙ୍ଗଗତ ବିକୃତି ଥିବା କିଶୋରମାନଙ୍କ ସହ ସାକ୍ଷାତକାରରୁ ତିନୋଟି ବିଷୟ ପଦାକୁ ଆସିଛି: (1) ଯୌବନ କାଳୀନ ନିଷେଧ ଆରମ୍ଭ କରିବା ପାଇଁ ଉପଯୁକ୍ତ ନିମ୍ନ ବୟସ ସୀମା ନିର୍ଦ୍ଧାରଣ କରିବାର ଅସୁବିଧା । ଅଧିକାଂଶ କିଶୋରଙ୍କୁ ଉପଯୁକ୍ତ ବୟସ ସୀମା ନିର୍ଦ୍ଧାରଣ କରିବା କଷ୍ଟକର ମନେ ହେଉଥିଲା ଏବଂ ଏହାକୁ ଏକ ଦ୍ୱନ୍ଦ୍ୱ ଭାବରେ ଦେଖୁଥିଲେ; ଅଧିକାଂଶ କିଶୋର କହିଛନ୍ତି ଯେ ଦୀର୍ଘକାଳୀନ ତଥ୍ୟର ଅଭାବ ସେମାନଙ୍କୁ ଯୌବନ ଦମନ କରିବାକୁ ରୋକି ନାହିଁ ଏବଂ ରୋକିବ ନାହିଁ; (3) ସାମାଜିକ ପରିବେଶର ଭୂମିକା, ଯାହାର ଦୁଇଟି ଉପ ବିଷୟ ଥିଲାଃ (a) ଗଣମାଧ୍ୟମରେ ବୃଦ୍ଧି ପାଇଥିବା ଧ୍ୟାନ, ଟେଲିଭିଜନରେ ଏବଂ ଇଣ୍ଟରନେଟରେ; (b) ଏକ ବାଧ୍ୟତାମୂଳକ ଷ୍ଟେରିଓଟାଇପ୍ _ କେତେକ କିଶୋର ସାମାଜିକ ପରିବେଶର ଭୂମିକାକୁ ନେଇ ସକାରାତ୍ମକ ଥିଲେ, କିନ୍ତୁ ଅନ୍ୟମାନେ ଏହାକୁ ନେଇ ସନ୍ଦେହ ପ୍ରକଟ କରିଥିଲେ । ଡାକ୍ତରମାନଙ୍କ ତୁଳନାରେ, କିଶୋରମାନେ ଚିକିତ୍ସା ସମ୍ବନ୍ଧୀୟ ସେମାନଙ୍କ ମତରେ ଅଧିକ ସତର୍କ ଥିଲେ । ଯୌନଗତ ଅସ୍ଥିରତା ଥିବା କିଶୋରମାନଙ୍କ ପାଇଁ ଜିଡିରେ ପ୍ରଜନନ ଅବଧିକୁ ରୋକିବା ବିଷୟରେ ଆଲୋଚନା କରିବା ସମୟରେ ସେମାନଙ୍କୁ ସ୍ୱର ଦେବା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଅନ୍ୟଥା, ବିଶେଷଜ୍ଞମାନେ ସେମାନଙ୍କର ବାସ୍ତବିକ ବିଚାର ପରିବର୍ତ୍ତେ କିଶୋରମାନଙ୍କ ମତାମତ ଉପରେ ଆଧାର କରି କାର୍ଯ୍ୟ କରିପାରନ୍ତି । ଆମେ ଅନ୍ୟ ଦେଶର ଲିଙ୍ଗଗତ ଅସ୍ଥିରତା ଥିବା କିଶୋରମାନଙ୍କ ଠାରୁ ଅଧିକ ଗୁଣାତ୍ମକ ଗବେଷଣା ତଥ୍ୟ ସଂଗ୍ରହ କରିବାକୁ ଉତ୍ସାହିତ କରୁଛୁ । |
446573a346acdbd2eb8f0527c5d73fc707f04527 | |
6e6f47c4b2109e7824cd475336c3676faf9b113e | ଆମେ ଭାବୁଛୁ ଯେ ଭିଜୁଆଲ ଡେସ୍କ୍ରିପ୍ଟିବ୍ ଭାଷା କମ୍ପ୍ୟୁଟର ଭିଜନ ଗବେଷକଙ୍କୁ ଉଭୟ ଦୁନିଆ ବିଷୟରେ ସୂଚନା ପ୍ରଦାନ କରିଥାଏ, ଏବଂ ଲୋକମାନେ ଦୁନିଆକୁ କିପରି ବର୍ଣ୍ଣନା କରନ୍ତି ସେ ବିଷୟରେ ସୂଚନା ପ୍ରଦାନ କରିଥାଏ । ଏହି ଉତ୍ସରୁ ପ୍ରାପ୍ତ ହେଉଥିବା ଲାଭ ଆଜି ସହଜରେ ଉପଲବ୍ଧ ହେଉଥିବା ବିପୁଳ ପରିମାଣର ଭାଷା ତଥ୍ୟ କାରଣରୁ ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଆମେ ଏକ ବ୍ୟବସ୍ଥା ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଚିତ୍ରରୁ ପ୍ରାକୃତିକ ଭାଷାର ବର୍ଣ୍ଣନା ସୃଷ୍ଟି କରିଥାଏ ଯାହା ଉଭୟ ପରିସଂଖ୍ୟାନକୁ ବ୍ୟବହାର କରିଥାଏ ଯାହାକି ବହୁ ପରିମାଣର ପାଠ୍ୟ ତଥ୍ୟର ବିଶ୍ଳେଷଣରୁ ଏବଂ କମ୍ପ୍ୟୁଟର ଭିଜନରୁ ଚିହ୍ନଟ ଆଲଗୋରିଦମରୁ ସଂଗ୍ରହ କରାଯାଇଥାଏ । ଏହି ପ୍ରଣାଳୀ ପ୍ରତିଛବି ପାଇଁ ପ୍ରାସଙ୍ଗିକ ବାକ୍ୟଗୁଡିକ ସୃଷ୍ଟି କରିବାରେ ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ । ଏହା ମଧ୍ୟ ପୂର୍ବ କାର୍ଯ୍ୟ ଅପେକ୍ଷା ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରତିଛବି ବିଷୟବସ୍ତୁ ପାଇଁ ଅଧିକ ସତ୍ୟ ବର୍ଣ୍ଣନା ସୃଷ୍ଟି କରେ । |
9a0fff9611832cd78a82a32f47b8ca917fbd4077 | |
9e5a13f3bc2580fd16bab15e31dc632148021f5d | ଏହି କାଗଜରେ ଏକ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଉନ୍ନତ ପଦ୍ଧତିର ଏକ ନିମ୍ନ-ପ୍ରୋଫାଇଲ୍ ସବଷ୍ଟ୍ରେଟ୍ ସମନ୍ୱିତ ୱେଭ୍ ଗାଇଡ୍ (SIW) ଗୁହାଳ-ବ୍ୟାକଡ୍ ସ୍ଲଟ୍ ଆଣ୍ଟେନା ଉପସ୍ଥାପିତ ହୋଇଛି । ବ୍ୟାଣ୍ଡୱିଡଥ୍ ବୃଦ୍ଧି ଏକ ସମୟରେ ଦୁଇଟି ହାଇବ୍ରିଡ୍ ମୋଡକୁ ଏସଆଇଡବ୍ଲୁ ସମର୍ଥିତ ଗୁହାଳରେ ଉତ୍ତେଜିତ କରି ଏବଂ ଆବଶ୍ୟକୀୟ ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜ ମଧ୍ୟରେ ମିଶ୍ରଣ କରି ହାସଲ କରାଯାଇଥାଏ । ଏହି ଦୁଇଟି ହାଇବ୍ରିଡ୍ ମୋଡ୍, ଯାହାର ପ୍ରାଧାନ୍ୟ କ୍ଷେତ୍ର SIW ଗୁହାଳର ଭିନ୍ନ ଭିନ୍ନ ଅଧା ଭାଗରେ ଅବସ୍ଥିତ, ଦୁଇଟି ଭିନ୍ନ ସଂଯୋଜନା ଅଟେ । ଏହି ଡିଜାଇନ ପଦ୍ଧତି ପରୀକ୍ଷଣ ଦ୍ୱାରା ପ୍ରମାଣିତ ହୋଇଛି । ପୂର୍ବରୁ ଉପସ୍ଥାପିତ ହୋଇଥିବା ଏସଆଇଡବ୍ଲୁ କାଭିଟି-ବ୍ୟାକଡ ସ୍ଲଟ୍ ଆଣ୍ଟେନା ତୁଳନାରେ ପ୍ରସ୍ତାବିତ ଆଣ୍ଟେନାର ଫ୍ରାକ୍ଚନାଲ୍ ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ୧.୪% ରୁ ୬.୩%କୁ ବୃଦ୍ଧି କରାଯାଇଛି, ଏହାର ଲାଭ ଏବଂ ବିକିରଣ ଦକ୍ଷତା ମଧ୍ୟ ସାମାନ୍ୟ ଉନ୍ନତ ହୋଇଛି ୬.୦ ଡିବିଏଲ୍ ଏବଂ ୯୦%କୁ ଏବଂ ଏହାର ଏସଆଇଡବ୍ଲୁ କାଭିଟି ଆକାର ପ୍ରାୟ ୩୦% ହ୍ରାସ ପାଇଛି । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ସ୍ୱଳ୍ପ କ୍ରସ ପୋଲାରାଇଜେସନ ସ୍ତର ଏବଂ ଉଚ୍ଚ ଆଗ ପଛ ଅନୁପାତର ପ୍ରଦର୍ଶିତ କରୁଛି । ଏହା ଏବେ ମଧ୍ୟ କମ୍ ପ୍ରୋଫାଇଲ୍, କମ୍ ନିର୍ମାଣ ଖର୍ଚ୍ଚ ଏବଂ ପ୍ଲାନାଲ ସର୍କିଟ୍ ସହିତ ସହଜ ଏକୀକରଣର ଲାଭ ବଜାୟ ରଖିଛି । |
4c68e7eff1da14003cc7efbfbd9a0a0a3d5d4968 | କାର୍ଯ୍ୟାନ୍ୱୟନ ବିଜ୍ଞାନରେ ପ୍ରଗତି ହୋଇଛି ଏବଂ ଏହା କିପରି ଏବଂ କାହିଁକି କାର୍ଯ୍ୟାନ୍ୱୟନ ସଫଳ କିମ୍ବା ବିଫଳ ହୁଏ ତାହା ବୁଝିବା ଏବଂ ବ୍ୟାଖ୍ୟା କରିବା ପାଇଁ ଥିଓରିକ ଉପାୟର ଅଧିକ ବ୍ୟବହାର ଦିଗରେ ଅଗ୍ରସର ହୋଇଛି । ଏହି ଆର୍ଟିକିଲର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଏକ ଟାକ୍ସୋନୋମି ପ୍ରସ୍ତାବିତ କରିବା ଯାହା ପ୍ରୟୋଗ ବିଜ୍ଞାନରେ ବିଭିନ୍ନ ଶ୍ରେଣୀର ସିଦ୍ଧାନ୍ତ, ମଡେଲ ଏବଂ ଫ୍ରେମୱାର୍କ ମଧ୍ୟରେ ଅନ୍ତର କରେ, ପ୍ରୟୋଗ ଅନୁସନ୍ଧାନ ଏବଂ କାର୍ଯ୍ୟରେ ଉପଯୁକ୍ତ ଆଭିମୁଖ୍ୟର ଉପଯୁକ୍ତ ଚୟନ ଏବଂ ପ୍ରୟୋଗକୁ ସୁଗମ କରିବା ଏବଂ ପ୍ରୟୋଗ ଅନୁସନ୍ଧାନକାରୀଙ୍କ ମଧ୍ୟରେ ଆନ୍ତଃ-ବିଷୟ ଆଲୋଚନାକୁ ପ୍ରୋତ୍ସାହିତ କରିବା । କାର୍ଯ୍ୟାନ୍ୱୟନ ବିଜ୍ଞାନରେ ବ୍ୟବହୃତ ସିଦ୍ଧାନ୍ତିକ ଦୃଷ୍ଟିକୋଣର ତିନୋଟି ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ରହିଛି: ଅନୁସନ୍ଧାନକୁ କାର୍ଯ୍ୟରେ ପରିଣତ କରିବାର ପ୍ରକ୍ରିୟାକୁ ବର୍ଣ୍ଣନା କରିବା ଏବଂ / କିମ୍ବା ନିର୍ଦ୍ଦେଶ ଦେବା (ପ୍ରକ୍ରିୟା ମଡେଲ); କାର୍ଯ୍ୟାନ୍ୱୟନ ଫଳାଫଳକୁ କ ଣ ପ୍ରଭାବିତ କରେ ତାହା ବୁଝିବା ଏବଂ / କିମ୍ବା ବ୍ୟାଖ୍ୟା କରିବା (ନିର୍ଦ୍ଧାରକ ଢାଞ୍ଚା, କ୍ଲାସିକ୍ ସିଦ୍ଧାନ୍ତ, କାର୍ଯ୍ୟାନ୍ୱୟନ ସିଦ୍ଧାନ୍ତ); ଏବଂ କାର୍ଯ୍ୟାନ୍ୱୟନକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା (ମୂଲ୍ୟାଙ୍କନ ଢାଞ୍ଚା) । ଏହି ଆର୍ଟିକିଲରେ ତିନୋଟି ପ୍ରମୁଖ ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ପାଇଁ ପାଞ୍ଚଟି ଶ୍ରେଣୀର ଥିଓରିଟିକାଲ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ସାହିତ୍ୟରେ ଏହି ଶ୍ରେଣୀଗୁଡିକ ସର୍ବଦା ପୃଥକ ପ୍ରକାରର ଦୃଷ୍ଟିକୋଣ ଭାବରେ ଚିହ୍ନିତ ହୋଇନଥାଏ । ଯଦିଓ କିଛି ସିଦ୍ଧାନ୍ତ, ମଡେଲ ଏବଂ ଢାଞ୍ଚା ମଧ୍ୟରେ ସମାନତା ରହିଛି, କିନ୍ତୁ ପ୍ରାସଙ୍ଗିକ ଆଭିମୁଖ୍ୟର ଚୟନକୁ ସହଜ କରିବା ପାଇଁ ପାର୍ଥକ୍ୟ ବିଷୟରେ ସଚେତନତା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଅଧିକାଂଶ ନିର୍ଣ୍ଣାୟକ ଢାଞ୍ଚା କେବଳ "କିପରି କରିବା" ପାଇଁ ସୀମିତ ସହାୟତା ପ୍ରଦାନ କରିଥାଏ କାରଣ ନିର୍ଣ୍ଣାୟକଗୁଡ଼ିକ ସାଧାରଣତଃ ବହୁତ ସାଧାରଣ ହୋଇଥାଏ ଏବଂ କାର୍ଯ୍ୟକାରୀ ପ୍ରକ୍ରିୟା ପାଇଁ ଯଥେଷ୍ଟ ବିବରଣୀ ପ୍ରଦାନ କରିନଥାଏ । ଅନେକ ପ୍ରକ୍ରିୟା ମଡେଲରେ ଗବେଷଣାକୁ କାର୍ଯ୍ୟରେ ରୂପାନ୍ତରିତ କରିବା ପାଇଁ ପ୍ରତିବନ୍ଧକ ଏବଂ ସକ୍ଷମକାରୀ ସମାଧାନର ପ୍ରାସଙ୍ଗିକତା ଉଲ୍ଲେଖ କରାଯାଇଥିଲେ ମଧ୍ୟ, ଏହି ମଡେଲଗୁଡ଼ିକ କାର୍ଯ୍ୟାନ୍ୱୟନ ସଫଳତା ସହିତ ଜଡିତ ନିର୍ଦ୍ଦିଷ୍ଟ ନିର୍ଣ୍ଣାୟକକୁ ଚିହ୍ନଟ କିମ୍ବା ବ୍ୟବସ୍ଥିତ ଢାଞ୍ଚା ଦିଅନ୍ତି ନାହିଁ । ଏହା ବ୍ୟତୀତ, ପ୍ରକ୍ରିୟାକରଣ ମଡେଲଗୁଡ଼ିକ କାର୍ଯ୍ୟାନ୍ୱୟନ ପ୍ରୟାସର ଏକ କାଳୀନ କ୍ରମକୁ ଚିହ୍ନଟ କରନ୍ତି, ଯେତେବେଳେ କି ନିର୍ଣ୍ଣାୟକ ଢାଞ୍ଚାଗୁଡ଼ିକ କାର୍ଯ୍ୟାନ୍ୱୟନ ପ୍ରକ୍ରିୟାର ଦୃଷ୍ଟିକୋଣକୁ ସ୍ପଷ୍ଟ ଭାବରେ ଗ୍ରହଣ କରନ୍ତି ନାହିଁ । |
00a7370518a6174e078df1c22ad366a2188313b5 | ଅପ୍ଟିକାଲ ପ୍ରବାହକୁ ସ୍ଥାନୀୟ ଭାବରେ ଗଣନା କରାଯାଇପାରିବ ନାହିଁ, କାରଣ ଗୋଟିଏ ବିନ୍ଦୁରେ ପ୍ରତିଛବି କ୍ରମରୁ କେବଳ ଗୋଟିଏ ସ୍ୱାଧୀନ ମାପ ଉପଲବ୍ଧ, ଯେତେବେଳେ ପ୍ରବାହ ବେଗରେ ଦୁଇଟି ଉପାଦାନ ଅଛି । ଦ୍ୱିତୀୟ ପ୍ରତିବନ୍ଧକ ଆବଶ୍ୟକ । ଅପ୍ଟିକାଲ ଫ୍ଲୋ ପ୍ୟାଟର୍ନ ଖୋଜିବା ପାଇଁ ଏକ ପଦ୍ଧତି ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ମାନିଥାଏ ଯେ ଉଜ୍ଜ୍ୱଳତା ପ୍ୟାଟର୍ନର ଦୃଶ୍ୟମାନ ବେଗ ଚିତ୍ରର ପ୍ରାୟ ସବୁ ସ୍ଥାନରେ ସମାନ ଭାବରେ ପରିବର୍ତ୍ତନ ହୋଇଥାଏ । ଏକ ପୁନରାବୃତ୍ତି କାର୍ଯ୍ୟକାରିତା ପ୍ରଦର୍ଶିତ ହୋଇଛି ଯାହା ଅନେକ ସଂଯୁକ୍ତ ପ୍ରତିଛବି କ୍ରମ ପାଇଁ ସଫଳତାର ସହିତ ଅପ୍ଟିକାଲ୍ ପ୍ରବାହକୁ ଗଣନା କରେ । ଏହି ଆଲଗୋରିଦମ ଦୃଢ଼ ଅଟେ କାରଣ ଏହା ଛବି କ୍ରମକୁ ସମ୍ଭାଳିପାରେ ଯାହା ସ୍ଥାନ ଏବଂ ସମୟ ମଧ୍ୟରେ କଠୋର ଭାବରେ କ୍ୱାଣ୍ଟାଇଜ୍ ହୋଇଥାଏ । ଏହା ଆଲୋକ ସ୍ତର ଏବଂ ଆଦି ଶବ୍ଦକୁ ମଧ୍ୟ ଅନୁକରଣ କରିପାରେ ନାହିଁ । ଉଦାହରଣଗୁଡିକ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଛି ଯେଉଁଠାରେ ଚିତ୍ରରେ ଏକକ ବିନ୍ଦୁରେ କିମ୍ବା ରେଖା ସହିତ ସୂକ୍ଷ୍ମତାର ଅନୁମାନ ଉଲ୍ଲଂଘନ ହୋଇଛି । |
2315fc6c2c0c4abd2443e26a26e7bb86df8e24cc | ଆମେ ଏକ ବିଶାଳ, ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦେଇଛୁ ଇମେଜନେଟ LSVRC-2010 ପ୍ରତିଯୋଗିତାରେ ୧.୨ ନିୟୁତ ଉଚ୍ଚ-ବିଭେଦାତ୍ମକ ପ୍ରତିଛବିକୁ ୧୦୦୦ ବିଭିନ୍ନ ଶ୍ରେଣୀରେ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ । ପରୀକ୍ଷଣ ତଥ୍ୟରେ ଆମେ ସର୍ବୋଚ୍ଚ-୧ ଏବଂ ସର୍ବୋଚ୍ଚ-୫ ତ୍ରୁଟି ହାର ଯଥାକ୍ରମେ ୩୭.୫% ଏବଂ ୧୭.୦% ହାସଲ କରିଛୁ, ଯାହା ପୂର୍ବ ଷ୍ଟେଟ୍-ଅଫ୍-ଦ-ଆର୍ଟ ତୁଳନାରେ ଯଥେଷ୍ଟ ଭଲ । ଏହି ନ୍ୟୁରାଲ ନେଟୱର୍କରେ ୬୦ ନିୟୁତ ପାରାମିଟର ଓ ୬୫୦,୦୦୦ ନ୍ୟୁରନ ରହିଛି । ଏଥିରେ ୫ଟି କଭୋଲ୍ୟୁସନଲ ଲେୟାର ରହିଛି । ତାଲିମକୁ ଦ୍ରୁତ କରିବା ପାଇଁ, ଆମେ ନନ୍-ସ୍ୟାଚୁରେଟିଙ୍ଗ୍ ନ୍ୟୁରନ୍ ବ୍ୟବହାର କରିଥିଲୁ ଏବଂ କନଭୋଲସନ୍ ଅପରେସନର ଏକ ଅତ୍ୟନ୍ତ ଦକ୍ଷ GPU କାର୍ଯ୍ୟକାରିତା। ସଂପୂର୍ଣ୍ଣ ସଂଯୁକ୍ତ ସ୍ତରରେ ଅଧିକ ସଂଯୋଗକୁ ହ୍ରାସ କରିବା ପାଇଁ ଆମେ ନିକଟରେ ବିକଶିତ ନିୟମିତକରଣ ପଦ୍ଧତି "ଡ୍ରପଆଉଟ" ନାମକ ଏକ ପଦ୍ଧତିକୁ ବ୍ୟବହାର କରିଛୁ ଯାହାକି ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ଆମେ ମଧ୍ୟ ଏହି ମଡେଲର ଏକ ଭାରିଆଣ୍ଟକୁ ଆଇଏଲଏସଭିଆରସି-2012 ପ୍ରତିଯୋଗିତାରେ ସାମିଲ କରିଥିଲୁ ଏବଂ ଦ୍ୱିତୀୟ ଶ୍ରେଷ୍ଠ ପ୍ରବେଶ ଦ୍ୱାରା ହାସଲ କରାଯାଇଥିବା 26.2% ସହିତ ତୁଳନା କରି 15.3%ର ଶ୍ରେଷ୍ଠ 5 ପରୀକ୍ଷଣ ତ୍ରୁଟି ହାର ହାସଲ କରିଥିଲୁ । |
1bc49abe5145055f1fa259bd4e700b1eb6b7f08d | ଆମେ SummaRuNNer, ଦସ୍ତାବିଜଗୁଡ଼ିକର ଏକ୍ସଟ୍ରାକ୍ଟିଭ୍ ସାରାଂଶ ପାଇଁ ଏକ ରିକର୍ଭାଣ୍ଟ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (RNN) ଆଧାରିତ କ୍ରମ ମଡେଲକୁ ଉପସ୍ଥାପନ କରୁଛୁ ଏବଂ ଦେଖାଉଛୁ ଯେ ଏହା ଅତ୍ୟାଧୁନିକ ଠାରୁ ଭଲ କିମ୍ବା ତୁଳନାତ୍ମକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରେ । ଆମର ମଡେଲର ଅତିରିକ୍ତ ଲାଭ ହେଉଛି ଏହା ଅତ୍ୟନ୍ତ ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ, ଯେହେତୁ ଏହା ସୂଚନା ବିଷୟବସ୍ତୁ, ମହତ୍ତ୍ୱ ଏବଂ ନୂତନତା ଭଳି ଅବିକଳ୍ପିତ ବୈଶିଷ୍ଟ୍ୟ ଦ୍ୱାରା ବିଭକ୍ତ ଏହାର ପୂର୍ବାନୁମାନର ଦୃଶ୍ୟମାନତାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମର କାର୍ଯ୍ୟର ଅନ୍ୟ ଏକ ନୂତନ ଅବଦାନ ହେଉଛି ଆମର ଏକ୍ସଟ୍ରାକ୍ଟିଭ ମଡେଲର ଅବ୍ଷ୍ଟ୍ରାକ୍ଟିଭ ଟ୍ରେନିଂ ଯାହା କେବଳ ମନୁଷ୍ୟ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ରେଫରେନ୍ସ ସାରାଂଶ ଉପରେ ଟ୍ରେନିଂ ଦେଇପାରିବ, ବାକ୍ୟ ସ୍ତରର ଏକ୍ସଟ୍ରାକ୍ଟିଭ ଲେବଲର ଆବଶ୍ୟକତାକୁ ଦୂର କରିପାରିବ । |
3e4bd583795875c6550026fc02fb111daee763b4 | ଏହି କାଗଜରେ, ଆମେ ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କ ବ୍ୟବହାର କରି ମୁହଁର ଚିତ୍ରକୁ ଓଲଟାଇ ଫଟୋ-ବାସ୍ତବିକ ଚେହେରା ଚିତ୍ର ପ୍ରସ୍ତୁତ କରିଥାଉ । ଆମେ ପ୍ରଥମେ ଏକ ସେମି-ସିମୁଲେଟେଡ୍ ଡାଟାସେଟ ତିଆରି କରିଥାଉ ଯେଉଁଥିରେ ବହୁତ ବଡ଼ ସଂଖ୍ୟାରେ କମ୍ପ୍ୟୁଟର ଜେନେରେଟେଡ୍ ଚେହେରା ସ୍କେଚ୍ ରହିଥାଏ, ଯେଉଁଥିରେ ବିଭିନ୍ନ ପ୍ରକାରର ଷ୍ଟାଇଲ୍ ଏବଂ ଚେହେରା ପ୍ରତିଛବି ରହିଥାଏ, ବର୍ତ୍ତମାନର ଅସଂଯୋଜିତ ଚେହେରା ଡାଟା ସେଟ୍କୁ ବିସ୍ତାର କରି । ତାପରେ ଆମେ ମଡେଲମାନଙ୍କୁ ତାଲିମ ଦେଇଥାଉ, ଯାହାଦ୍ୱାରା ସେମାନେ କମ୍ପ୍ୟୁଟର ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ସ୍କେଚ୍ ଓ ହାତ ତିଆରି ସ୍କେଚ୍ ରେ ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ହାସଲ କରିଥାଆନ୍ତି, ଗଭୀର ଶିକ୍ଷଣରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିକୁ ଉପଯୋଗ କରିଥାଉ, ଯେପରିକି ବ୍ୟାଚ୍ ନର୍ମାଲାଇଜେସନ୍, ଗଭୀର ଅବଶିଷ୍ଟ ଶିକ୍ଷଣ, ଧାରଣ କ୍ଷୟ ଏବଂ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଅପ୍ଟିମାଇଜେସନ୍ ଆମର ନୂତନ ଡାଟାସେଟ୍ ସହିତ ମିଶ୍ରଣ କରି । ଆମେ ଶେଷରେ ଆମର ମଡେଲର ସମ୍ଭାବ୍ୟ ପ୍ରୟୋଗକୁ ଚିତ୍ରକଳା ଏବଂ ଫରେନସିକ କଳା କ୍ଷେତ୍ରରେ ପ୍ରଦର୍ଶନ କରିଛୁ । ବର୍ତ୍ତମାନର ପ୍ୟାଚ୍ ଆଧାରିତ ପଦ୍ଧତିଗୁଡିକର ବିପରୀତ, ଆମର ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଆଧାରିତ ପଦ୍ଧତିକୁ ଜଙ୍ଗଲରେ ଥିବା ଚେହେରା ଚିତ୍ରକୁ ଓଲଟାଇ ଫୋଟୋ-ବାସ୍ତବିକ ଚେହେରା ଚିତ୍ରକୁ ସଂଶ୍ଳେଷଣ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
2fd9f4d331d144f71baf2c66628b12c8c65d3ffb | ବର୍ଗୀକରଣ ପଦ୍ଧତିର ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିକାଶ ମଧ୍ୟରୁ ଗୋଟିଏ ହେଉଛି ବର୍ଦ୍ଧିତ । ତାଲିମ ତଥ୍ୟର ପୁନଃ ଭାରୋତ୍ତୋଳନ ସଂସ୍କରଣରେ କ୍ରମିକ ଭାବରେ ଏକ ଶ୍ରେଣୀକରଣ ଆଲଗୋରିଦମ ପ୍ରୟୋଗ କରି ଏବଂ ତାପରେ ଉତ୍ପାଦିତ କ୍ରମିକ ଶ୍ରେଣୀକରଣର ଭୋଟ୍ ଗ୍ରହଣ କରି ବର୍ଦ୍ଧିତ କାର୍ଯ୍ୟକୁ ପ୍ରୋତ୍ସାହିତ କରିବା । ଅନେକ ଶ୍ରେଣୀକରଣ ଆଲଗୋରିଦମ ପାଇଁ, ଏହି ସରଳ ରଣନୀତିର ପରିଣାମ ହେଉଛି କାର୍ଯ୍ୟଦକ୍ଷତାରେ ଉନ୍ନତି । ଆମେ ଦେଖାଇଲୁ ଯେ ଏହି ରହସ୍ୟମୟୀ ଘଟଣାକୁ ପରିଚିତ ପରିସଂଖ୍ୟାନ ନୀତି ଅନୁସାରେ ବୁଝାଯାଇପାରିବ, ଯଥା ଅତିରିକ୍ତ ମଡେଲିଂ ଏବଂ ସର୍ବାଧିକ ସମ୍ଭାବନା । ଦୁଇ ଶ୍ରେଣୀ ସମସ୍ୟା ପାଇଁ, ବର୍ଦ୍ଧନକୁ ଏକ ମାପଦଣ୍ଡ ଭାବରେ ସର୍ବାଧିକ ବର୍ଣ୍ଣୁଲି ସମ୍ଭାବନା ବ୍ୟବହାର କରି ଲଜିଷ୍ଟିକ୍ ସ୍କେଲରେ ଆଦିମ ମଡେଲିଂର ଏକ ଅନୁମାନ ଭାବରେ ଦେଖାଯାଏ । ଆମେ ଅଧିକ ପ୍ରତ୍ୟକ୍ଷ ଅନୁମାନ ବିକଶିତ କରି ଦେଖାଇଛୁ ଯେ ସେମାନେ ପ୍ରାୟ ସମାନ ଫଳାଫଳ ଦେଖାଉଛନ୍ତି । ମଲ୍ଟିନୋମିୟଲ ସମ୍ଭାବନା ଉପରେ ଆଧାରିତ ପ୍ରତ୍ୟକ୍ଷ ବହୁ ଶ୍ରେଣୀ ସାଧାରଣକରଣଗୁଡିକ ପ୍ରାପ୍ତ ହୋଇଥାଏ ଯାହା ନିକଟରେ ପ୍ରସ୍ତାବିତ ହୋଇଥିବା ଅନ୍ୟ ବହୁ ଶ୍ରେଣୀ ସାଧାରଣକରଣଗୁଡିକ ସହିତ ତୁଳନାତ୍ମକ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରିଥାଏ । ଆମେ ବସ୍ତୁତଃ ଏକ ଛୋଟ ପରିବର୍ତ୍ତନ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଗଣନା କମାଇ ପାରିବ, ପ୍ରାୟତଃ ୧୦ ରୁ ୫୦ ଗୁଣରେ । ଶେଷରେ, ଆମେ ଏହି ଅନ୍ତର୍ଦୃଷ୍ଟିକୁ ପ୍ରୟୋଗ କରି ନିଷ୍ପତ୍ତି ଗଛକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ଏକ ବିକଳ୍ପ ଫର୍ମୁଲେସନ୍ ପ୍ରସ୍ତୁତ କରିଥାଉ । ସର୍ବୋତ୍ତମ-ପ୍ରଥମ ସଂକୁଚିତ ବୃକ୍ଷ ଅନୁପ୍ରବେଶ ଉପରେ ଆଧାରିତ ଏହି ପଦ୍ଧତି, ଅନେକ ସମୟରେ ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିଥାଏ, ଏବଂ ସମୁଦାୟ ନିଷ୍ପତ୍ତି ନିୟମର ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ବର୍ଣ୍ଣନା ପ୍ରଦାନ କରିପାରେ । ଏହା ଗଣନା ଦୃଷ୍ଟିରୁ ମଧ୍ୟ ବହୁତ ଦ୍ରୁତ ଅଟେ, ଯାହା ଏହାକୁ ବୃହତ-ମାପ ଡାଟା ଖନନ ପ୍ରୟୋଗ ପାଇଁ ଅଧିକ ଉପଯୁକ୍ତ କରିଥାଏ । |
573ae3286d050281ffe4f6c973b64df171c9d5a5 | ଆମେ ବସ୍ତୁମାନଙ୍କର ବିଭିନ୍ନ ଶ୍ରେଣୀର ଏକ ବୃହତ ସଂଖ୍ୟକ ବସ୍ତୁକୁ ଅଯଥା ଦୃଶ୍ୟରେ ଚିହ୍ନଟ କରିବାର ସମସ୍ୟା ଉପରେ ବିଚାର କରୁଛୁ । ପାରମ୍ପରିକ ପଦ୍ଧତି ଅନୁସାରେ ବିଭିନ୍ନ ସ୍ଥାନ ଓ ଆକାରରେ ବିଭିନ୍ନ ବର୍ଗୀକରଣର ବ୍ୟାଟେରୀକୁ ପ୍ରତିଛବିରେ ପ୍ରୟୋଗ କରାଯାଇଥାଏ । ଏହା ଧୀର ହୋଇପାରେ ଏବଂ ଅନେକ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟ ଆବଶ୍ୟକ କରିପାରେ କାରଣ ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀକରଣ ପାଇଁ ଅନେକ ଭିନ୍ନ ପ୍ରତିଛବି ବିଶେଷତ୍ୱର ଗଣନା ଆବଶ୍ୟକ ହୋଇଥାଏ । ବିଶେଷକରି, ସ୍ୱାଧୀନ ଭାବରେ ତାଲିମପ୍ରାପ୍ତ ଡିଟେକ୍ଟର ପାଇଁ, (ଚାଳନା ସମୟ) ଗଣନା ଜଟିଳତା ଏବଂ (ଟ୍ରେନିଂ ସମୟ) ନମୁନା ଜଟିଳତା ସ୍କେଲ ରେଖାପାତ ଭାବରେ ଚିହ୍ନଟ ହେବାକୁ ଥିବା ଶ୍ରେଣୀ ସଂଖ୍ୟା ସହିତ _ ଆମେ ଏକ ମଲ୍ଟି ଟାସ୍କ୍ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ବର୍ଦ୍ଧିତ ନିଷ୍ପତ୍ତି ଷ୍ଟମ୍ପ୍ ଉପରେ ଆଧାରିତ, ଯାହା ସାଧାରଣ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଖୋଜିବା ଦ୍ୱାରା ଗଣନା ଏବଂ ନମୁନା ଜଟିଳତାକୁ ହ୍ରାସ କରିଥାଏ ଯାହା ଶ୍ରେଣୀ (ଏବଂ / କିମ୍ବା ଦୃଶ୍ୟ) ମଧ୍ୟରେ ଅଂଶୀଦାର ହୋଇପାରିବ । ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀର ଡିଟେକ୍ଟରମାନେ ସ୍ୱାଧୀନ ଭାବେ ତାଲିମ ନପାଇ ମିଳିତ ଭାବେ ତାଲିମ ପାଇଥାନ୍ତି । କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟଦକ୍ଷତା ସ୍ତର ପାଇଁ, ଆବଶ୍ୟକୀୟ ବୈଶିଷ୍ଟ୍ୟର ମୋଟ ସଂଖ୍ୟା ଏବଂ, ତେଣୁ, ଶ୍ରେଣୀକରଣର ରନଟାଇମ୍ ଖର୍ଚ୍ଚ, ଶ୍ରେଣୀ ସଂଖ୍ୟା ସହିତ ପ୍ରାୟ ଲୋଗାରିଥମିକ ଭାବରେ ମାପିବା ପାଇଁ ଦେଖାଯାଏ । ମିଳିତ ପ୍ରଶିକ୍ଷଣ ଦ୍ୱାରା ଚୟନ କରାଯାଇଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ସାଧାରଣ କଡ଼ ପରି ବୈଶିଷ୍ଟ୍ୟ ଅଟେ, ଯେତେବେଳେ କି ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀକୁ ପୃଥକ ଭାବରେ ପ୍ରଶିକ୍ଷଣ ଦ୍ୱାରା ଚୟନ କରାଯାଇଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଅଧିକ ବସ୍ତୁ-ନିର୍ଦ୍ଦିଷ୍ଟ ହୋଇଥାଏ । ଜେନେରିକ ବିଶେଷତା ଅଧିକ ସାଧାରଣ କରାଏ ଏବଂ ବହୁ ଶ୍ରେଣୀ ବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ କମ୍ପ୍ୟୁଟେସନାଲ ଖର୍ଚ୍ଚକୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରେ |
1e75a3bc8bdd942b683cf0b27d1e1ed97fa3b4c3 | ଗୌସୀୟ ପ୍ରକ୍ରିୟା ଦ୍ବାରା ଅଜଣା ଗତିଶୀଳତା ବିଷୟରେ ପୂର୍ବ ପୂର୍ବ ଅନୁମାନକୁ ନମନୀୟ ଭାବରେ ନିର୍ଦ୍ଦିଷ୍ଟ କରାଯାଇପାରିବ । ଆମେ ଗୌସୀୟ ପ୍ରକ୍ରିୟା ଅବସ୍ଥା ଅନ୍ତରୀକ୍ଷ ମଡେଲରେ ଦକ୍ଷ ବେଜୀୟନ ଶିକ୍ଷଣ ପାଇଁ ଏକ ପ୍ରକ୍ରିୟା ଉପସ୍ଥାପନ କରୁଛୁ, ଯେଉଁଠାରେ ପୂର୍ବ କୋଭାରିଏନ୍ସ ସଂରଚନାରୁ ପ୍ରାପ୍ତ ଏକ ଆନୁମାନିକ ଇଜେନ୍ ଫଙ୍କସନ୍ ସେଟ୍ ଉପରେ ସମସ୍ୟାକୁ ପ୍ରୋଜେକ୍ଟ କରି ପ୍ରତିନିଧିତ୍ୱ ଗଠନ କରାଯାଏ । ଏହି ମଡେଲ ପରିବାର ଅଧୀନରେ ଶିକ୍ଷାଦାନ ଏକ ଯତ୍ନର ସହ ପ୍ରସ୍ତୁତ କଣିକା MCMC ଆଲଗୋରିଦମ ବ୍ୟବହାର କରି କରାଯାଇପାରିବ । ଏହି ଯୋଜନା ଗଣନାତ୍ମକ ଭାବରେ ଦକ୍ଷ ଅଟେ ଏବଂ ତଥାପି ସମସ୍ୟାକୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ବେଜୀୟନ ଚିକିତ୍ସା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ । ପାରମ୍ପରିକ ସିଷ୍ଟମ ଚିହ୍ନଟ ଉପକରଣ କିମ୍ବା ବର୍ତ୍ତମାନର ଶିକ୍ଷଣ ପଦ୍ଧତି ତୁଳନାରେ, ଆମେ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ମଡେଲରେ ଅନିଶ୍ଚିତତାର ନିର୍ଭରଯୋଗ୍ୟ ପରିମାଣିକରଣ ଦେଖାଉଛୁ । |
142a799aac35f3b47df9fbfdc7547ddbebba0a91 | ଆମେ ରଙ୍ଗ ତଥ୍ୟରେ ମଡେଲ ଆଧାରିତ 6D ପୋଜ୍ ସୁଧାର ପାଇଁ ଏକ ନୂଆ ଉପାୟ ଉପସ୍ଥାପନ କରୁଛୁ । କଣ୍ଟୁର ଆଧାରିତ ପୋଜ ଟ୍ରାକିଂର ସ୍ଥାପିତ ଧାରଣା ଉପରେ ଆଧାର କରି, ଆମେ ଏକ ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ଅନୁମାନ କରିବା ପାଇଁ ଶିକ୍ଷା ଦେଇଥାଉ ଏକ ଟ୍ରାନ୍ସଲେସନାଲ ଏବଂ ରୋଟେସନାଲ ଅପଡେଟ । ମୂଳତଃ, ଆମେ ଏକ ନୂତନ ଦୃଶ୍ୟମାନ କ୍ଷତି ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହା ବସ୍ତୁଗୁଡ଼ିକର ପରିସୀମାକୁ ସମାନ କରି, କୌଣସି ସ୍ପଷ୍ଟ ଦୃଶ୍ୟମାନ ମଡେଲର ପରିଭାଷାକୁ ଏଡ଼ାଇ, ପୋଜ୍ ଅପଡେଟ୍ କୁ ଚଲାଇବାରେ ସାହାଯ୍ୟ କରେ । ପୂର୍ବ କାର୍ଯ୍ୟର ବିପରୀତରେ ଆମର ପଦ୍ଧତି ହେଉଛି ଚିଠିପତ୍ର ମୁକ୍ତ, ବିଭାଜନ ମୁକ୍ତ, ଅବରୋଧକୁ ସମ୍ଭାଳିପାରେ ଏବଂ ଜ୍ୟାମିତିକ ସମୀକରଣ ସହିତ ଦୃଶ୍ୟ ଅସ୍ପଷ୍ଟତା ପାଇଁ ଅଜ୍ଞାତ ଅଟେ । ଏହା ସହିତ, ଆମେ ଦୃଢ଼ତାର ଦୃଢ଼ତା ଲକ୍ଷ୍ୟ କରିଥାଉ। ଏହି ପଦ୍ଧତି ରିଅଲ ଟାଇମରେ ଚାଲିପାରିବ ଏବଂ ଗଭୀରତା ତଥ୍ୟର ଆବଶ୍ୟକତା ବିନା 3D ICPର ନିକଟତର ଥିବା ସ୍ଥିତି ସଠିକତା ସୃଷ୍ଟି କରିଥାଏ । ଏହାବ୍ୟତୀତ, ଆମର ନେଟୱାର୍କକୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ସିନ୍ଥେଟିକ ଡାଟାରୁ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଉଛି ଏବଂ ଏହାକୁ http://campar.in.tumରେ ଉନ୍ନତକରଣ କୋଡ ସହିତ ପ୍ରକାଶିତ କରାଯିବ । de/Main/FabianManhardt ପୁନଃଉତ୍ପାଦନକୁ ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ । |
046bf6fb90438335eaee07594855efbf541a8aba | ସହରୀକରଣର ଦ୍ରୁତ ଅଗ୍ରଗତି ଅନେକ ଲୋକଙ୍କ ଜୀବନକୁ ଆଧୁନିକ କରିଛି କିନ୍ତୁ ଏହା ମଧ୍ୟ ଟ୍ରାଫିକ୍ ଭିଡ଼, ଶକ୍ତି ଖର୍ଚ୍ଚ ଏବଂ ପ୍ରଦୂଷଣ ଭଳି ବଡ଼ ସମସ୍ୟା ସୃଷ୍ଟି କରିଛି । ସହରାଞ୍ଚଳ କମ୍ପ୍ୟୁଟିଂର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ସହରରେ ସୃଷ୍ଟି ହୋଇଥିବା ତଥ୍ୟ (ଯଥା ଟ୍ରାଫିକ୍ ପ୍ରବାହ, ମାନବ ଗତିଶୀଳତା ଏବଂ ଭୌଗୋଳିକ ତଥ୍ୟ) ବ୍ୟବହାର କରି ଏହି ସମସ୍ୟାଗୁଡ଼ିକୁ ସମାଧାନ କରିବା । ସହରୀ କମ୍ପ୍ୟୁଟିଂ ସହରୀ ସେନ୍ସିଂ, ଡାଟା ପରିଚାଳନା, ଡାଟା ଆନାଲିଟିକ୍ସ ଏବଂ ସେବା ପ୍ରଦାନକୁ ଏକ ବାରମ୍ବାର ହେଉଥିବା ପ୍ରକ୍ରିୟାରେ ଯୋଡିଥାଏ ଯାହା ଲୋକଙ୍କ ଜୀବନ, ସହରର କାର୍ଯ୍ୟ ପ୍ରଣାଳୀ ଏବଂ ପରିବେଶର ନିରବଚ୍ଛିନ୍ନ ଏବଂ ନିରନ୍ତର ଉନ୍ନତି ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ସହରୀ କମ୍ପ୍ୟୁଟିଂ ହେଉଛି ଏକ ଆନ୍ତଃବିଷୟକ କ୍ଷେତ୍ର ଯେଉଁଠାରେ କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ ସହରୀ କ୍ଷେତ୍ର ସହିତ ଜଡ଼ିତ ପାରମ୍ପରିକ କ୍ଷେତ୍ର ଯଥା ପରିବହନ, ସିଭିଲ ଇଞ୍ଜିନିୟରିଂ, ପରିବେଶ, ଅର୍ଥନୀତି, ପରିବେଶ ଓ ସମାଜ ବିଜ୍ଞାନ ସହରୀ କ୍ଷେତ୍ର ପରିପ୍ରେକ୍ଷୀରେ ମିଶିଥାଏ । ଏହି ଲେଖାରେ ପ୍ରଥମେ ସହରୀ କମ୍ପ୍ୟୁଟିଂର ଧାରଣାକୁ ପରିଚିତ କରାଇ ଏହାର ସାଧାରଣ ଢାଞ୍ଚା ଏବଂ କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ ଦୃଷ୍ଟିକୋଣରୁ ପ୍ରମୁଖ ଆହ୍ୱାନଗୁଡ଼ିକ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଦ୍ୱିତୀୟରେ, ଆମେ ସହରାଞ୍ଚଳ କମ୍ପ୍ୟୁଟିଂର ପ୍ରୟୋଗକୁ ସାତଟି ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରିଛୁ, ଯେଉଁଥିରେ ସହରାଞ୍ଚଳ ଯୋଜନା, ପରିବହନ, ପରିବେଶ, ଶକ୍ତି, ସାମାଜିକ, ଅର୍ଥନୀତି ଏବଂ ଜନ ନିରାପତ୍ତା ଏବଂ ସୁରକ୍ଷା ଅନ୍ତର୍ଭୁକ୍ତ, ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀରେ ପ୍ରତିନିଧିତ୍ୱ ପରିଦୃଶ୍ୟ ଉପସ୍ଥାପନ କରିଛୁ । ତୃତୀୟତଃ, ଆମେ ସହରୀ କମ୍ପ୍ୟୁଟିଂରେ ଆବଶ୍ୟକ ହେଉଥିବା ସାଧାରଣ ଟେକ୍ନୋଲୋଜିକୁ ଚାରିଟି ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରିଛୁ, ଯାହା ସହରୀ ସେନ୍ସିଂ, ସହରୀ ଡାଟା ପରିଚାଳନା, ବିଭିନ୍ନ ପ୍ରକାରର ତଥ୍ୟ ମଧ୍ୟରେ ଜ୍ଞାନର ମିଶ୍ରଣ ଏବଂ ସହରୀ ଡାଟା ଭିଜୁଆଲାଇଜେସନ୍ । ଶେଷରେ, ଆମେ ସହରୀ କମ୍ପ୍ୟୁଟିଂର ଭବିଷ୍ୟତ ଉପରେ ଏକ ଦୃଷ୍ଟିକୋଣ ଦେଇଛୁ, କିଛି ଗବେଷଣା ବିଷୟକୁ ସୂଚିତ କରୁଛୁ ଯାହା ସମ୍ପ୍ରଦାୟରେ କୌଣସି ପ୍ରକାରେ ଅଭାବ ରହିଛି । |
970b4d2ed1249af97cdf2fffdc7b4beae458db89 | ପ୍ରତିଦିନ ପ୍ରାୟ ଏକ ବିଲିୟନ ଅନ୍ଲାଇନ୍ ଭିଡିଓ ଦେଖାଯାଇଥାଏ, କମ୍ପ୍ୟୁଟର ଭିଜନ ଗବେଷଣାରେ ଏକ ନୂତନ ଦିଗ ହେଉଛି ଭିଡିଓରେ ଚିହ୍ନଟ ଏବଂ ସନ୍ଧାନ । ହଜାର ହଜାର ଚିତ୍ର ଶ୍ରେଣୀକୁ ନେଇ ବିଶାଳ ଆକାରର ଷ୍ଟାଟିକ୍ ଚିତ୍ର ଡାଟାସେଟର ସଂଗ୍ରହ ଓ ଏନାଟୋସନ ପାଇଁ ଅନେକ ପ୍ରୟାସ କରାଯାଇଥିଲେ ମଧ୍ୟ ମାନବ କାର୍ଯ୍ୟକଳାପ ଡାଟାସେଟ ପଛରେ ପଡ଼ିଯାଇଛି । ବର୍ତ୍ତମାନର କାର୍ଯ୍ୟକଳାପ ମାନ୍ୟତା ଡାଟାବେସରେ ଦଶଟି ଭିନ୍ନ ଭିନ୍ନ କାର୍ଯ୍ୟକଳାପ ଶ୍ରେଣୀକୁ ଯଥେଷ୍ଟ ନିୟନ୍ତ୍ରିତ ପରିସ୍ଥିତିରେ ସଂଗ୍ରହ କରାଯାଇଛି । ଏହି ଡାଟାସେଟର ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ବର୍ତ୍ତମାନ ସର୍ବୋଚ୍ଚ ସ୍ତରରେ ରହିଛି ଏବଂ ସେଥିପାଇଁ ନୂତନ ମାନଦଣ୍ଡର ଡିଜାଇନ ଏବଂ ସୃଷ୍ଟିର ଆବଶ୍ୟକତା ରହିଛି । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଆମେ ୫୧ଟି ଆକ୍ସନ ଶ୍ରେଣୀରେ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ସବୁଠାରୁ ବଡ଼ ଆକ୍ସନ ଭିଡିଓ ଡାଟାବେସକୁ ସଂଗ୍ରହ କରିଛୁ, ଯେଉଁଥିରେ ମୋଟ ଉପରେ ଡିଜିଟାଲ୍ ଚଳଚ୍ଚିତ୍ରରୁ ୟୁଟ୍ୟୁବ୍ ପର୍ଯ୍ୟନ୍ତ ବିଭିନ୍ନ ଉତ୍ସରୁ ବାହାର କରାଯାଇଥିବା ପ୍ରାୟ ୭୦୦୦ଟି ହସ୍ତଲେଖା କ୍ଲିପ୍ ରହିଛି । ଆମେ ଏହି ଡାଟାବେସକୁ ବ୍ୟବହାର କରି ଦୁଇଟି ପ୍ରତିନିଧୀ କମ୍ପ୍ୟୁଟର ଭିଜନ ସିଷ୍ଟମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିଛୁ ଏବଂ ବିଭିନ୍ନ ପରିସ୍ଥିତିରେ ଏହି ପଦ୍ଧତିର ଦୃଢ଼ତା ଅନୁସନ୍ଧାନ କରିଛୁ ଯେପରିକି କ୍ୟାମେରା ଗତି, ଦୃଷ୍ଟିକୋଣ, ଭିଡିଓ ଗୁଣବତ୍ତା ଏବଂ ଅବରୋଧ । |
3087289229146fc344560478aac366e4977749c0 | ସୂଚନା ତତ୍ତ୍ବକୁ ବର୍ତ୍ତମାନ ସମୟରେ ମନୁଷ୍ୟର କିଛି ଇନ୍ଦ୍ରିୟ, ଧାରଣା ଓ ଧାରଣା-ମୋଟର କାର୍ଯ୍ୟରେ ଥିବା କ୍ଷମତାକୁ ପୂର୍ବାପେକ୍ଷା ଅଧିକ ସଠିକ ଭାବରେ ନିର୍ଦ୍ଦିଷ୍ଟ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇଛି (୫, ୧୦, ୧୩, ୧୫, ୧୭, ୧୮) । ଏହି ଅଧ୍ୟୟନରେ ବର୍ଣ୍ଣିତ ପରୀକ୍ଷଣରେ ଏହି ସିଦ୍ଧାନ୍ତକୁ ମାନବ ଯାନ୍ତ୍ରିକ ପ୍ରଣାଳୀରେ ବିସ୍ତାର କରାଯାଇଛି । କେବଳ ମୌଳିକ ଧାରଣା, ସୂଚନା ପରିମାଣ, ଶବ୍ଦ, ଚ୍ୟାନେଲ କ୍ଷମତା ଏବଂ ସୂଚନା ପ୍ରସାରଣର ହାରର ପ୍ରୟୋଗିତା ଉପରେ ଏହି ସମୟରେ ବିଚାର କରାଯିବ । ସାମ୍ପ୍ରତିକ ଲେଖକମାନଙ୍କ ଦ୍ୱାରା (୪,୧୧,୨୦,୨୨) ପ୍ରସ୍ତୁତ କରାଯାଇଥିବା ଏହି ଧାରଣା ସହିତ ସାଧାରଣ ପରିଚିତତା ଗ୍ରହଣ କରାଯାଏ । କଡ଼ାକଡ଼ି ଭାବେ କହିବାକୁ ଗଲେ, ଆମେ ମନୁଷ୍ୟର ମୋଟର ସିଷ୍ଟମକୁ ବ୍ୟବହାରିକ ସ୍ତରରେ ଅଧ୍ୟୟନ କରିପାରିବା ନାହିଁ, ଏହାର ସଂଯୁକ୍ତ ଇନ୍ଦ୍ରିୟ ତନ୍ତ୍ରଠାରୁ ପୃଥକ ହୋଇ । ଆମେ କେବଳ ସଂପୂର୍ଣ୍ଣ ରିସେପ୍ଟର-ନ୍ୟୁରାଲ-ଇଫେକ୍ଟର ସିଷ୍ଟମର ଆଚରଣକୁ ବିଶ୍ଳେଷଣ କରିପାରିବା । କେମିତି- |
64305508a53cc99e62e6ff73592016d0b994afd4 | ଆର୍ଡିଏଫ୍ ଅଧିକରୁ ଅଧିକ ଭାବେ ସେମାନ୍ଟିକ୍ ୱେବ୍ ଏବଂ ଡାଟା ବିନିମୟ ପାଇଁ ତଥ୍ୟକୁ ଏନକୋଡ୍ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହେଉଛି । ବିଭିନ୍ନ ଆଭିମୁଖ୍ୟକୁ ଅନୁସରଣ କରି ଆରଡିଏଫ ଡାଟା ପରିଚାଳନା ଉପରେ ଅନେକ କାର୍ଯ୍ୟ କରାଯାଇଛି । ଏହି ଲେଖାରେ ଆମେ ଏହିସବୁ କାର୍ଯ୍ୟର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରୁଛୁ । ଏହି ସମୀକ୍ଷାରେ କେନ୍ଦ୍ରୀକୃତ ସମାଧାନ (ଯାହାକୁ ଭଣ୍ଡାରକରଣ ଆଭିମୁଖ୍ୟ କୁହାଯାଏ), ବିତରିତ ସମାଧାନ ଏବଂ ଲିଙ୍କ୍ ହୋଇଥିବା ତଥ୍ୟକୁ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ ବିକଶିତ ହୋଇଥିବା କୌଶଳ ଉପରେ ବିଚାର କରାଯାଇଛି । ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀରେ ଅଧିକ ବର୍ଗୀକରଣ ଦିଆଯାଇଛି ଯାହା ପାଠକମାନଙ୍କୁ ବିଭିନ୍ନ ଦୃଷ୍ଟିକୋଣର ଚିହ୍ନଟ ବୈଶିଷ୍ଟ୍ୟ ବୁଝିବାରେ ସାହାଯ୍ୟ କରିବ । |
6162ab446003a91fc5d53c3b82739631c2e66d0f | |
29f5ecc324e934d21fe8ddde814fca36cfe8eaea | ପରିଚୟ ସ୍ତନ କର୍କଟ (ବିସି) ହେଉଛି ମହିଳାଙ୍କଠାରେ ଦେଖାଯାଉଥିବା ସବୁଠାରୁ ସାଧାରଣ କର୍କଟ ରୋଗ, ଏହା ସେମାନଙ୍କ ଜୀବନର କିଛି ପର୍ଯ୍ୟାୟରେ ସମସ୍ତ ମହିଳାଙ୍କ ମଧ୍ୟରୁ ପ୍ରାୟ ୧୦% ମହିଳାଙ୍କୁ ପ୍ରଭାବିତ କରିଥାଏ । [୧] ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ, ଏହି ରୋଗର ଉପସ୍ଥିତି ହାର ବୃଦ୍ଧି ପାଇବାରେ ଲାଗିଛି ଏବଂ ତଥ୍ୟ ଦର୍ଶାଉଛି ଯେ ରୋଗ ନିର୍ଣ୍ଣୟ ହେବାର ପାଞ୍ଚ ବର୍ଷ ପରେ ଏହାର ବଞ୍ଚିବା ହାର ୮୮% ଏବଂ ରୋଗ ନିର୍ଣ୍ଣୟ ହେବାର ୧୦ ବର୍ଷ ପରେ ୮୦% ରହିଛି । ସ୍ତନ କର୍କଟର ପ୍ରାଥମିକ ଆକଳନ ହେଉଛି ଅନୁସନ୍ଧାନ ପ୍ରକ୍ରିୟାରେ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ ମଧ୍ୟରୁ ଗୋଟିଏ । ଡାଟା ମାଇନିଂ ପଦ୍ଧତି ମିଥ୍ୟା ପଜିଟିଭ୍ ଓ ମିଥ୍ୟା ନେଗେଟିଭ୍ ନିଷ୍ପତ୍ତିର ସଂଖ୍ୟା ହ୍ରାସ କରିବାରେ ସାହାଯ୍ୟ କରିପାରିବ [୨,୩] । ତେଣୁ ଡାଟାବେସରେ ଜ୍ଞାନ ଆବିଷ୍କାର (KDD) ଭଳି ନୂଆ ପଦ୍ଧତି ଡାକ୍ତରୀ ଗବେଷକମାନଙ୍କ ପାଇଁ ଏକ ଲୋକପ୍ରିୟ ଗବେଷଣା ସାଧନ ହୋଇପାରିଛି, ଯେଉଁମାନେ ବହୁ ସଂଖ୍ୟକ ପରିବର୍ତ୍ତନକାରୀ ମଧ୍ୟରେ ଥିବା ନମୁନା ଏବଂ ସମ୍ପର୍କକୁ ଚିହ୍ନଟ ଏବଂ ବ୍ୟବହାର କରିବାକୁ ଚେଷ୍ଟା କରନ୍ତି ଏବଂ ଡାଟାସେଟରେ ଗଚ୍ଛିତ ଐତିହାସିକ ମାମଲା ବ୍ୟବହାର କରି ରୋଗର ପରିଣାମକୁ ପୂର୍ବାନୁମାନ କରନ୍ତି । [4] |
261e841c8e0175586fb193b1a199cefaa8ecf169 | କିପରି ଜଣେ ଗଭୀର ଶିକ୍ଷଣକୁ କାର୍ଯ୍ୟରେ ପ୍ରୟୋଗ କରିବା ଉଚିତ ଯେପରିକି ମର୍ଫୋଲୋଜିକାଲ୍ ରିଇନ୍ଫ୍ଲେକ୍ସନ୍, ଯାହା ଷ୍ଟୋକାଷ୍ଟିକ୍ ଭାବରେ ଗୋଟିଏ ଷ୍ଟ୍ରିଙ୍ଗ୍ କୁ ଅନ୍ୟ ଏକ ଷ୍ଟ୍ରିଙ୍ଗ୍ ପାଇବା ପାଇଁ ଏଡିଟ୍ କରେ? ଏହିପରି କ୍ରମ-ରୁ-କ୍ରମ କାର୍ଯ୍ୟ ପାଇଁ ଏକ ନୂତନ ପଦ୍ଧତି ହେଉଛି ଇନପୁଟ୍ ଷ୍ଟ୍ରିଙ୍ଗକୁ ଏକ ଭେକ୍ଟରରେ ସଙ୍କୋଚନ କରିବା ଯାହା ପୁନଃପୌନିକ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ବ୍ୟବହାର କରି ଆଉଟପୁଟ୍ ଷ୍ଟ୍ରିଙ୍ଗ ସୃଷ୍ଟି କରିବାକୁ ବ୍ୟବହୃତ ହୁଏ । ଏହାର ବିପରୀତରେ, ଆମେ ପାରମ୍ପରିକ ସ୍ଥାପତ୍ୟକୁ ବଜାୟ ରଖିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ସମସ୍ତ ସମ୍ଭାବ୍ୟ ଆଉଟପୁଟ୍ ଷ୍ଟ୍ରିଙ୍ଗକୁ ସ୍କୋର କରିବା ପାଇଁ ଏକ ସୀମିତ-ସ୍ଥିତି ଟ୍ରାନ୍ସଡ୍ୟୁସର ବ୍ୟବହାର କରେ, କିନ୍ତୁ ପୁନଃପୌନିକ ନେଟୱାର୍କର ସାହାଯ୍ୟରେ ସ୍କୋର ଫଙ୍କସନ୍ ବୃଦ୍ଧି କରିବାକୁ । ଏକ ଦ୍ୱି-ଦିଗ LSTMର ଏକ ଷ୍ଟେକ୍ ଇନପୁଟ୍ ସ୍ଟ୍ରିଙ୍ଗକୁ ବାମରୁ ଡାହାଣକୁ ଏବଂ ଡାହାଣରୁ ବାମକୁ ପଢେ, ଯାହା ଦ୍ବାରା ଟ୍ରାନ୍ସଡ୍ୟୁସର ଆର୍କ ପ୍ରୟୋଗ ହୋଇଥିବା ଇନପୁଟ୍ ପ୍ରସଙ୍ଗକୁ ସାରାଂଶିତ କରାଯାଇପାରିବ । ଆମେ ଏହି ଶିଖିଥିବା ବିଶେଷତ୍ୱଗୁଡ଼ିକୁ ଟ୍ରାନ୍ସଡ୍ୟୁସର ସହିତ ମିଶାଇ ଏକ ସମ୍ଭାବ୍ୟ ବଣ୍ଟନକୁ ଏକ ସମତଳ ଆଉଟପୁଟ୍ ଷ୍ଟ୍ରିଙ୍ଗ ଉପରେ ଏକ ଭାରୀ ସୀମିତ-ସ୍ଥିତି ସ୍ୱୟଂଚାଳିତ ରୂପରେ ପରିଭାଷିତ କରିଥାଉ । ଏହା ବିଶେଷତ୍ୱର ହସ୍ତ-ଯାନ୍ତ୍ରିକୀକରଣକୁ ହ୍ରାସ କରିଥାଏ, ଶିଖାଯାଇଥିବା ବିଶେଷତ୍ୱକୁ ଇନପୁଟ୍ ଷ୍ଟ୍ରିଙ୍ଗରେ ଅସୀମିତ ପ୍ରସଙ୍ଗର ପରୀକ୍ଷା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଏବଂ ତଥାପି ଗତିଶୀଳ ପ୍ରୋଗ୍ରାମିଂ ମାଧ୍ୟମରେ ସଠିକ୍ ଅନୁମାନକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମେ ଆମର ପଦ୍ଧତିକୁ ମର୍ଫୋଲୋଜିକାଲ ରିଇନଫ୍ଲେକ୍ସନ ଏବଂ ଲେମଟାଇଜେସନ ଉପରେ ଦର୍ଶାଉଛୁ । |
8f69384b197a424dfbd0f60d7c48c110faf2b982 | |
014b191f412f8496813d7c358ddd11d8512f2005 | ଉଚ୍ଚ-ବିଭେଦନ ବିଶିଷ୍ଟ ଚିତ୍ର ରାଡାର ଏକକ ପର୍ଯ୍ୟବେକ୍ଷଣରୁ ବିସ୍ତୃତ ବସ୍ତୁଗୁଡ଼ିକର ଗତି ଏବଂ ଗତିର ଦିଗ ଆକଳନ କରିବା ପାଇଁ ନୂତନ ସୁଯୋଗ ଖୋଲିଥାଏ । ଯେହେତୁ ରାଡାର ସେନସର କେବଳ ରେଡିଏଲ ବେଗ ମାପ କରିଥାଏ, ତେଣୁ ବସ୍ତୁର ବେଗ ଭେକ୍ଟର ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ସାଧାରଣତଃ ଟ୍ରାକିଂ ସିଷ୍ଟମ ବ୍ୟବହାର କରାଯାଏ । ଏକ ସ୍ଥିର ବେଗକୁ ଅନେକ ଫ୍ରେମ ପରେ ଆକଳନ କରାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା କ୍ରସ-ଟ୍ରାଫିକ ପରି କିଛି ପରିସ୍ଥିତିରେ ପ୍ରତିକ୍ରିୟା କରିବା ପାଇଁ ସମୟ ନଷ୍ଟ ହୋଇଥାଏ । ନିମ୍ନଲିଖିତ କାଗଜରେ ଏକ ବିସ୍ତୃତ ଲକ୍ଷର ବେଗ ଭେକ୍ଟର ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ଏକ ଦୃଢ ଏବଂ ମଡେଲ ମୁକ୍ତ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରାଯାଇଛି । କଲ୍ମାନ୍ ଫିଲ୍ଟର ବିପରୀତରେ, ଏହା ସମୟ ଏବଂ ସ୍ଥାନରେ ତଥ୍ୟ ସମ୍ପର୍କ ଆବଶ୍ୟକ କରେ ନାହିଁ । ଏହାର ବେଗ ଭେକ୍ଟର ର ତତକ୍ଷଣାତ୍ (~୫୦ ମି.ସ) ଏବଂ ବିୟାସ ମୁକ୍ତ ଆକଳନ ସମ୍ଭବ ଅଟେ । ଆମର ଆଭିମୁଖ୍ୟ ଶବ୍ଦ ଏବଂ ସିଷ୍ଟମେଟିକ୍ ଭାରିଆସନକୁ ସମ୍ଭାଳି ପାରିବ (ଯେପରିକି ଚକ୍ରର ମାଇକ୍ରୋ-ଡପଲର) ସିଗନାଲରେ । ରାଡାର ସେନସରର ମାପ ତ୍ରୁଟି ସହିତ ମୁକାବିଲା କରିବା ପାଇଁ ଏହା ଅପ୍ଟିମାଇଜ୍ ହୋଇଛି, କେବଳ ରେଡିଏଲ୍ ବେଗରେ ନୁହେଁ, ବରଂ ଆଜିମଥ୍ ସ୍ଥିତିରେ ମଧ୍ୟ । ଏହି ପଦ୍ଧତିର ସଠିକତା ବହୁ ରାଡାର ସେନସରର ମିଶ୍ରଣ ଦ୍ୱାରା ବୃଦ୍ଧି ପାଇଥାଏ । |
ad6d5e4545c60ec559d27a09fbef13fa538172e1 | ଉନ୍ନତ ଡ୍ରାଇଭର ସହାୟତା ପ୍ରଣାଳୀ ଏବଂ ସ୍ୱୟଂ ଚାଳିତ ଡ୍ରାଇଭିଂରେ ରାଡାର ଆଧାରିତ ବିଶ୍ୱସ୍ତ ପରିବେଶ ଧାରଣ ଏବଂ ବସ୍ତୁ ଟ୍ରାକିଂ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଉଚ୍ଚ-ବିଭେଦ ରେଡାର ସେନସରଗୁଡିକ ପ୍ରତି ବସ୍ତୁ ପ୍ରତି ଅନେକ ମାପ ପ୍ରଦାନ କରିଥାଏ । ଯେହେତୁ ଏହି କ୍ଷେତ୍ରରେ ପାରମ୍ପରିକ ପଏଣ୍ଟ ଟ୍ରାକିଂ ଆଲଗୋରିଦମ ଆଉ ପ୍ରୟୋଗଯୋଗ୍ୟ ନୁହେଁ, ବିଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ବସ୍ତୁ ଟ୍ରାକିଂ ପାଇଁ ନୂତନ ଆଭିମୁଖ୍ୟ ସୃଷ୍ଟି ହୋଇଛି । କିନ୍ତୁ, ଏଗୁଡ଼ିକ ମୁଖ୍ୟତଃ ଲିଡାର ପ୍ରୟୋଗ ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି କିମ୍ବା ରାଡାରର ଅତିରିକ୍ତ ଡପଲର ସୂଚନାକୁ ବାଦ୍ ଦିଆଯାଇଛି । ଡୋପଲର ସୂଚନାକୁ ବ୍ୟବହାର କରି କ୍ଲାସିକାଲ ରାଡାର ଆଧାରିତ ଟ୍ରାକିଂ ପଦ୍ଧତିଗୁଡିକ ମୁଖ୍ୟତଃ ସମାନ୍ତରାଳ ଟ୍ରାଫିକର ପଏଣ୍ଟ ଟ୍ରାକିଂ ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ଏହି କାଗଜରେ ଉପସ୍ଥାପିତ ମାପନ ମଡେଲ ପ୍ରାୟ ଚତୁର୍ଭୁଜ ଆକାରର ଯାନବାହନକୁ ସମାନ୍ତରାଳ ଏବଂ କ୍ରସ ଟ୍ରାଫିକ୍ ସମେତ ମନଇଚ୍ଛା ଟ୍ରାଫିକ୍ ଦୃଶ୍ୟପଟ୍ଟରେ ଟ୍ରାକ୍ କରିବା ପାଇଁ ବିକଶିତ କରାଯାଇଛି । ଚଳନାତ୍ମକ ସ୍ଥିତି ବ୍ୟତୀତ ଏହା ବସ୍ତୁର ଜ୍ୟାମିତିଗତ ସ୍ଥିତିକୁ ନିର୍ଦ୍ଧାରଣ ଓ ଟ୍ରାକ୍ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଡୋପଲର ସୂଚନାକୁ ବ୍ୟବହାର କରିବା ମଡେଲର ଏକ ମହତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ । ଏହା ବ୍ୟତୀତ, ଏହା ମାପ ପୂର୍ବ ପ୍ରକ୍ରିୟାକରଣ, ତଥ୍ୟ କ୍ଲଷ୍ଟରିଂ କିମ୍ବା ତଥ୍ୟର ସ୍ପଷ୍ଟ ସଂଯୋଗ ଆବଶ୍ୟକ କରେ ନାହିଁ । ବସ୍ତୁ ଟ୍ରାକିଂ ପାଇଁ, ଏକ ରାଓ-ବ୍ଲାକୱେଲିଜଡ୍ ପାର୍ଟିକିଲ୍ ଫିଲ୍ଟର (ଆରବିପିଏଫ୍) ମାପ ମଡେଲ ସହିତ ଖାପ ଖୁଆଇଛି । |
965f8bb9a467ce9538dec6bef57438964976d6d9 | ସ୍ୱୟଂଚାଳିତ ମାନବ ଚେହେରା ଚିହ୍ନଟ ଆଲଗୋରିଦମର ସଠିକତା ଯଥେଷ୍ଟ ହ୍ରାସ ପାଇପାରେ ଯେତେବେଳେ ସମାନ ବିଷୟକୁ ମେକ୍ଅପ୍ ଏବଂ ଛଦ୍ମବେଶରେ ଚିହ୍ନଟ କରାଯାଇଥାଏ । ଅଧିକ ସୁରକ୍ଷା ଏବଂ ନିରୀକ୍ଷଣ ଉପରେ କ୍ରମବର୍ଦ୍ଧିଷ୍ଣୁ ପ୍ରତିବନ୍ଧକ ଯୋଗୁଁ ଲୁଚାଇ ରଖାଯାଇଥିବା ଏବଂ/କିମ୍ବା ମେକଅପ୍ ହୋଇଥିବା ଚେହେରାକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଚେହେରା ଚିହ୍ନଟ ଆଲଗୋରିଦମର ସଠିକତା ବୃଦ୍ଧି କରାଯିବା ଆବଶ୍ୟକ । ଏହି କାଗଜରେ ଏକ ନୂଆ ଡାଟାବେସ ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଯେଉଁଥିରେ ମୁହଁର ଛବିକୁ ଲୁଚାଇ ରଖାଯାଇପାରିବ ଏବଂ ମୁହଁକୁ ମେକଅପ୍ କରାଯାଇପାରିବ । ଏହି ଡାଟାବେସରେ 410ଟି ଭିନ୍ନ ଭିନ୍ନ ବିଷୟର 2460ଟି ଛବି ରହିଛି ଏବଂ ଏହା ବାସ୍ତବ ପରିବେଶରେ ହାସଲ କରାଯାଇଛି, ଏହା ମେକ୍ଅପ୍ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ ଏବଂ ପ୍ରତ୍ୟେକ ଛବି ପାଇଁ ଗ୍ରାଉଣ୍ଡ୍ ୱାର୍ଟ (ଚଷମା, ଗଗଲ୍ସ, ମଶାଲ, ଦାଢ଼ି) ମଧ୍ୟ ପ୍ରଦାନ କରିଥାଏ । ଏହାଦ୍ୱାରା ବିକଶିତ ଆଲଗୋରିଦମଗୁଡ଼ିକ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଚେହେରା ଚିହ୍ନଟ ସମୟରେ ଏପରି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଛଦ୍ମବେଶ ଗୁଣ ଚିହ୍ନଟ କରିବାର କ୍ଷମତାକୁ ପରିମାଣିକରଣ କରିପାରିବେ । ଆମେ ଦୁଇଟି ଲୋକପ୍ରିୟ ବ୍ୟବସାୟିକ ମେଳଣକାରୀ ଏବଂ ନିକଟରେ ପ୍ରକାଶିତ ପ୍ରକାଶନରୁ ତୁଳନାତ୍ମକ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ମଧ୍ୟ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମର ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଏହି ଚେହେରାକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଚିହ୍ନିବାରେ ଏହି ମେଳଣକାରୀମାନଙ୍କର ଦକ୍ଷତାରେ ଉଲ୍ଲେଖନୀୟ କାର୍ଯ୍ୟଦକ୍ଷତା ଅବକ୍ଷୟକୁ ସୂଚିତ କରେ । ଆମେ ଏହି ମେଳଣରୁ ଚେହେରା ଚିହ୍ନଟ ସଠିକତାକୁ ମଧ୍ୟ ବିଶ୍ଳେଷଣ କରିଥାଉ । ଏହି ପରୀକ୍ଷଣର ଫଳାଫଳ ଏହି କୋଭାରିଏଟଗୁଡ଼ିକ ଅଧୀନରେ ଚେହେରା ଚିହ୍ନିବାରେ ଥିବା ଆହ୍ୱାନକୁ ଦର୍ଶାଉଛି । ଏହି ନୂତନ ଡାଟାବେସକୁ ସାର୍ବଜନୀନ କରିବା ଦ୍ୱାରା ମେକଅପ୍ ଏବଂ ଲୁକ୍କାୟିତ ଚେହେରା ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ଆବଶ୍ୟକୀୟ ଗବେଷଣା ଓ ବିକାଶକୁ ଆଗକୁ ବଢ଼ାଇବାରେ ସହାୟତା ମିଳିପାରିବ । |
f8e32c5707df46bfcd683f723ad27d410e7ff37d | |
32c8c7949a6efa2c114e482c830321428ee58d70 | ଏହି ଲେଖାରେ ଅତ୍ୟାଧୁନିକ GPU- ଆଧାରିତ ଉଚ୍ଚ-ପ୍ରବାହ ଗଣନା ପ୍ରଣାଳୀର କ୍ଷମତା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ଏକକ ଚିପ୍ ସମାନ୍ତରାଳ ଗଣନା ପ୍ରଣାଳୀର ସ୍କେଲିଂ ପାଇଁ ଆହ୍ୱାନଗୁଡ଼ିକୁ ବିଚାର କରାଯାଇଛି, ଉଚ୍ଚ-ପ୍ରଭାବ କ୍ଷେତ୍ରକୁ ଆଲୋକପାତ କରି ଯାହା ଗଣନା ଗବେଷଣା ସମ୍ପ୍ରଦାୟ ସମାଧାନ କରିପାରିବ । ଏନଭିଡିଆ ରିସର୍ଚ୍ଚ ଏକ ହାଇ-ପରଫର୍ମାନ୍ସ କମ୍ପ୍ୟୁଟିଂ ସିଷ୍ଟମ ପାଇଁ ଏକ ସ୍ଥାପତ୍ୟ ଅନୁସନ୍ଧାନ କରୁଛି ଯାହା ଏହି ଆହ୍ୱାନଗୁଡିକର ମୁକାବିଲା କରିବାକୁ ଚାହୁଁଛି । |
8890bb44abb89601c950eb5e56172bb58d5beea8 | ଲକ୍ଷ୍ୟ-ଆଧାରିତ ବାର୍ତ୍ତାଳାପ ନୀତି ଶିଖିବା ସାଧାରଣତଃ ଅନଲାଇନ ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ସହିତ ଅନ୍ଲାଇନ୍ ରେ ରିକନଫରସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (ଆରଏଲ) ସହିତ କରାଯାଏ । ଏହା ସହିତ, କମ୍ପାନୀଗୁଡିକ ଗ୍ରାହକ ଏବଂ ତାଲିମପ୍ରାପ୍ତ ମାନବ ଏଜେଣ୍ଟମାନଙ୍କ ମଧ୍ୟରେ ବହୁ ପରିମାଣର ବାର୍ତ୍ତାଳାପ ଟ୍ରାନ୍ସକ୍ରିପ୍ଟ ସଂଗ୍ରହ କରିଥିବାରୁ, ଏନକୋଡର-ଡିକୋଡର ପଦ୍ଧତିଗୁଡିକ ଲୋକପ୍ରିୟତା ହାସଲ କରିଛି କାରଣ ଏଜେଣ୍ଟ ଉଚ୍ଚାରଣଗୁଡିକ ଉଚ୍ଚାରଣ-ସ୍ତରୀୟ ଟିପ୍ପଣୀଗୁଡିକର ଆବଶ୍ୟକତା ବିନା ସିଧାସଳଖ ତଦାରଖ ଭାବରେ ବିବେଚନା କରାଯାଇପାରିବ । କିନ୍ତୁ ଏହି ପଦ୍ଧତିର ଏକ ସମ୍ଭାବ୍ୟ ଅସୁବିଧା ହେଉଛି ଯେ ଏହା ଡାଇଲଗ ସ୍ତରର ବିଚାରକୁ ବିଚାରକୁ ନନେଇ ପରବର୍ତ୍ତୀ ଏଜେଣ୍ଟର ବକ୍ତବ୍ୟକୁ କ୍ଷୁଦ୍ର ଦୃଷ୍ଟିରେ ସୃଷ୍ଟି କରିଥାଏ । ଏହି ଚିନ୍ତାର ସମାଧାନ ପାଇଁ, ଏହି କାଗଜରେ ଅନ୍ଲାଇନ୍ RL ପଦ୍ଧତିର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା ବିନା କୋରୋସୋରୁ ଶିକ୍ଷାଲାଭ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ ଯାହା ଉଭୟ ଉଚ୍ଚାରଣ ଏବଂ ସଂଳାପ ସ୍ତରରେ ଏକ ଲକ୍ଷ୍ୟ-ଆଧାରିତ ନୀତିକୁ ଅନୁକୂଳିତ କରିପାରିବ । ଆମେ ଏକ ନୂଆ ପୁରସ୍କାର ଫଙ୍କସନ ଆରମ୍ଭ କରିଛୁ ଏବଂ ନୀତି ଅନଲାଇନ ବ୍ୟବହାରକାରୀ ଆଦାନପ୍ରଦାନ କିମ୍ବା ସ୍ପଷ୍ଟ ରାଜ୍ୟ ସ୍ଥାନ ସଂଜ୍ଞା ଆବଶ୍ୟକ ନକରି ନୀତି ଅନଲାଇନ ଏବଂ ଅଫଲାଇନ ଶିଖିବା ପାଇଁ ନୀତି ଗ୍ରେଡିଏଣ୍ଟ ବ୍ୟବହାର କରିଛୁ । |
589d84d528d353a382a42e5b58dc48a57d332be8 | ରୁଟଗର୍ସ ଆଙ୍କଲ ହେଉଛି ଏକ ଷ୍ଟୁଆର୍ଟ ପ୍ଲାଟଫର୍ମ-ପ୍ରକାରର ହାପ୍ଟିକ୍ ଇଣ୍ଟରଫେସ୍ ଯାହା ପୁନର୍ବାସରେ ବ୍ୟବହାର ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ଏହି ସିଷ୍ଟମ ରୋଗୀର ପାଦରେ ଛଅ ଡିଗ୍ରୀର ସ୍ୱାଧୀନତା (DOF) ରେଜିଷ୍ଟିବଲ୍ ବଳ ଯୋଗାଏ, ଭର୍ଚୁଆଲ୍ ରିୟାଲିଟି ଆଧାରିତ ବ୍ୟାୟାମର ପ୍ରତିକ୍ରିୟା ଭାବରେ । ରୁଟଗର୍ସ ଆଙ୍କଲ ନିୟନ୍ତ୍ରକ ରେ ଏକ ଏମ୍ବଡେଟଡ ପେଣ୍ଟିୟମ ବୋର୍ଡ, ନିଉମ୍ୟାଟିକ ସୋଲେନଏଡ ଭାଲଭ, ଭାଲଭ ନିୟନ୍ତ୍ରକ, ଏବଂ ସମ୍ବନ୍ଧିତ ସିଗନାଲ କଣ୍ଡିସନିଙ୍ଗ ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ରହିଛି । ଆମ କେସ୍ ଷ୍ଟଡିରେ ବ୍ୟବହାର କରାଯାଇଥିବା ପୁନର୍ବାସ ଅଭ୍ୟାସ ହେଉଛି ଲୁପ୍ ମାଧ୍ୟମରେ ଏକ ଭର୍ଚୁଆଲ୍ ବିମାନକୁ ପାଇଲଟ୍ କରିବା । ଏହି ବ୍ୟାୟାମର କଷ୍ଟକୁ ଲୁପର ସଂଖ୍ୟା ଓ ସ୍ଥାନ, ଭର୍ଚୁଆଲ ପରିବେଶରେ ବିମାନର ଗତି ଏବଂ ହାପ୍ଟିକ୍ ଇଣ୍ଟରଫେସ୍ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା ପ୍ରତିରୋଧର ସ୍ତର ଉପରେ ଆଧାର କରି ଚୟନ କରାଯାଇପାରିବ । ଅଭ୍ୟାସ ତଥ୍ୟକୁ ପାରଦର୍ଶୀ ଭାବେ ଓରାକଲ ଡାଟାବେସରେ ରିଅଲ ଟାଇମରେ ଷ୍ଟୋର କରାଯାଇଥାଏ । ଏହି ତଥ୍ୟରେ ବ୍ୟାୟାମ ସମୟରେ ଆଣ୍ଠୁର ସ୍ଥିତି, ବଳ ଏବଂ ଯାନ୍ତ୍ରିକ କାର୍ଯ୍ୟ ଏବଂ ପରବର୍ତ୍ତୀ ଥଇଥାନ ଅଧିବେଶନ ସାମିଲ ରହିଛି । ସମ୍ପୂର୍ଣ୍ଣ ହୋଇଥିବା ଲୁପ୍ ସଂଖ୍ୟା ଏବଂ ଏହା କରିବାକୁ ନେଇଥିବା ସମୟ ମଧ୍ୟ ଅନଲାଇନରେ ଗଚ୍ଛିତ ଅଛି । ଏହି ସିଷ୍ଟମ ବ୍ୟବହାର କରି ଜଣେ ରୋଗୀଙ୍କର ୯ ମାସର ଷ୍ଟ୍ରୋକ୍ ଷ୍ଟଡି ରିପୋର୍ଟ ଦିଆଯାଇଛି । ଫଳରୁ ଜଣାପଡ଼ିଲା ଯେ, ଛଅଟି ପୁନର୍ବାସ ଅଧିବେଶନରେ ରୋଗୀର ଶକ୍ତି ଓ ଧୈର୍ଯ୍ୟର କ୍ଲିନିକାଲ ମାପଦଣ୍ଡରେ ଉନ୍ନତି ଘଟିଥିଲା, ଯାହା ରଟଗର୍ସ ଆଣ୍ଠୁ ଦ୍ୱାରା ମାପିତ ଟର୍କ ଓ ପାୱାର ଆଉଟପୁଟ ବୃଦ୍ଧି ସହିତ ଭଲ ଭାବରେ ମେଳ ଖାଉଥିଲା । ସିମୁଲେସନ ସମୟରେ କାର୍ଯ୍ୟର ସଠିକତା ଏବଂ ସମନ୍ୱୟ ଏବଂ ରୋଗୀର ଚାଲିବା ଏବଂ ପାହାଚ ଚଢ଼ିବା କ୍ଷମତାରେ ମଧ୍ୟ ଯଥେଷ୍ଟ ଉନ୍ନତି ଘଟିଥିଲା । |
67161d331d496ad5255ad8982759a1c853856932 | ଏହି ଦସ୍ତାବିଜରେ ବନ୍ୟା ବିପର୍ଯ୍ୟୟ ସମ୍ପର୍କରେ ଜନସାଧାରଣଙ୍କୁ ସତର୍କ କରିବା ପାଇଁ ଏକ ଆଗୁଆ ସତର୍କତା ବ୍ୟବସ୍ଥା ପାଇଁ ସ୍ଥାପତ୍ୟ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏକ ପ୍ରଭାବୀ ଆଗୁଆ ସତର୍କତା ବ୍ୟବସ୍ଥା ବିକଶିତ କରାଯିବା ଆବଶ୍ୟକ ଯେଉଁଥିରେ ଚାରିଟି ଉପାଦାନ ମଧ୍ୟରେ ସମ୍ପର୍କ ରହିବ, ଯାହା ହେଉଛି ବିପଦ ଆକଳନ କରିବା ପାଇଁ ସଠିକ ତଥ୍ୟ ସଂଗ୍ରହ, ବିପଦ ମନିଟରିଂ ସେବାର ବିକାଶ, ବିପଦ ସମ୍ବନ୍ଧୀୟ ସୂଚନା ଉପରେ ଯୋଗାଯୋଗ ଏବଂ ଗୋଷ୍ଠୀ ପ୍ରତିକ୍ରିୟା ସାମର୍ଥ୍ୟର ଉପସ୍ଥିତି । ଏହି ପ୍ରକଳ୍ପରେ ଜଳସ୍ତର ଉପରେ ତୀକ୍ଷ୍ଣ ନଜର ରଖିବା ପାଇଁ ଏକ ବେତାର ସେନସର ନେଟୱାର୍କର ବ୍ୟବହାର କରାଯାଇଛି । ଏହି ପ୍ରକଳ୍ପରେ ଗ୍ଲୋବାଲ ସିଷ୍ଟମ ଫର ମୋବାଇଲ କମ୍ୟୁନିକେସନ (ଜିଏସଏମ) ଏବଂ ସର୍ଟ ମେସେଜ ସର୍ଭିସ (ଏସଏମଏସ) ର ଉପଯୋଗ କରାଯାଇ ସେନସରରୁ ତଥ୍ୟକୁ କମ୍ପ୍ୟୁଟରକୁ ପଠାଯିବା ସହ ପୀଡ଼ିତଙ୍କୁ ସେମାନଙ୍କ ମୋବାଇଲ ଫୋନ ମାଧ୍ୟମରେ ସିଧାସଳଖ ସତର୍କ କରାଯାଉଛି । ଆଶା କରାଯାଉଛି ଯେ ପ୍ରସ୍ତାବିତ ସ୍ଥାପତ୍ୟକୁ ଏକ କାର୍ଯ୍ୟକ୍ଷମ ପ୍ରଣାଳୀରେ ବିକଶିତ କରାଯାଇପାରିବ, ଯାହା ସମ୍ପ୍ରଦାୟ ପାଇଁ ଲାଭଦାୟକ ହେବ ଏବଂ ବନ୍ୟା ବିପର୍ଯ୍ୟୟ କ୍ଷେତ୍ରରେ ଜୀବନ ବଞ୍ଚାଇବା ପାଇଁ ଏକ ସତର୍କତାମୂଳକ ପଦକ୍ଷେପ ଭାବରେ କାର୍ଯ୍ୟ କରିବ । |
a5de09243b4b12fc4bcf4db56c8e38fc3beddf4f | ନିକଟରେ ହୋଇଥିବା ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ ଏଣ୍ଟରପ୍ରାଇଜ୍ ସୋସିଆଲ୍ ସିଷ୍ଟମ୍ (ଇଏସଏସ) ର କାର୍ଯ୍ୟାନ୍ୱୟନ ଦ୍ୱାରା ସଂଗଠନଗୁଡିକ ସାମାଜିକ ବ୍ୟବସାୟର ନୂତନ ଦୃଷ୍ଟିକୋଣକୁ ସ୍ଥାନାନ୍ତରିତ ହେବେ ଯାହା ବିପୁଳ ଅର୍ଥନୈତିକ ରିଟର୍ଣ୍ଣ ଏବଂ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତାମୂଳକ ଲାଭରେ ପରିଣତ ହେବ । ସାମାଜିକ ଉଦ୍ୟୋଗ ସାମାଜିକ ସହଯୋଗ, ଅନ୍ତର୍ନିହିତ ଜ୍ଞାନର ଆଦାନପ୍ରଦାନ, ସ୍ୱେଚ୍ଛାକୃତ ଭାବେ ଗଣ ଅଂଶଗ୍ରହଣ, କେବଳ କିଛି ନାମ ଉଲ୍ଲେଖ କରିବା ପାଇଁ, କାର୍ଯ୍ୟ ଏବଂ ସଂଗଠନର ଏକ ସମ୍ପୂର୍ଣ୍ଣ ନୂତନ ଉପାୟ ସୃଷ୍ଟି କରେ । ତେଣୁ, ଇଏସଏସଗୁଡ଼ିକର କାର୍ଯ୍ୟାନ୍ୱୟନ କାର୍ଯ୍ୟ ଏବଂ ସଂଗଠନର ନୂତନ ପଦ୍ଧତିର ଅନନ୍ୟତାକୁ ସମାଧାନ କରିବା ଉଚିତ । କିନ୍ତୁ ଏହି ବୃହତ ଉଦ୍ୟୋଗ ବ୍ୟବସ୍ଥାଗୁଡ଼ିକର କାର୍ଯ୍ୟାନ୍ୱୟନ ସମ୍ପର୍କରେ ଜ୍ଞାନର ଅଭାବ ରହିଛି । ଏହି ଅଧ୍ୟୟନର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଇଏସଏସ କାର୍ଯ୍ୟାନ୍ୱୟନ ପାଇଁ ପ୍ରଶାସନିକ ମଡେଲର ଅଧ୍ୟୟନ କରିବା । ନରୱେର ଏକ ପ୍ରମୁଖ ଶକ୍ତି କମ୍ପାନୀ ଷ୍ଟେଟକ୍ରାଫ୍ଟରେ ଷ୍ଟ୍ରିମ ନାମକ ଏକ ସାମାଜିକ ଇଣ୍ଟରନେଟର କାର୍ଯ୍ୟକାରିତା ଉପରେ ଏକ କେସ ଷ୍ଟଡି କରାଯାଇଛି । Streamର ପ୍ରଶାସନିକ ମଡେଲରେ କର୍ପୋରେଟ ଯୋଗାଯୋଗ, ମାନବ ସମ୍ବଳ ଏବଂ ଆଇଟି ମଧ୍ୟରେ ଘନିଷ୍ଠ ସହଯୋଗ ଏବଂ ଉତ୍ତରଦାୟିତ୍ୱ ଉପରେ ଗୁରୁତ୍ୱ ଦିଆଯାଇଛି, ଯାହା ଇଏସଏସକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପ୍ରଶାସନରେ ଏକ ଦୃଷ୍ଟାନ୍ତ ପରିବର୍ତ୍ତନକୁ ସୂଚାଉଛି । ଏହି ଯୋଜନାକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ଦ୍ୱାରା କ ଣ ଲାଭ ହେବ ଏବଂ କ ଣ ଅସୁବିଧା ହେବ ସେ ବିଷୟରେ ମଧ୍ୟ ଏଥିରେ ଉଲ୍ଲେଖ କରାଯାଇଛି । ଅଧ୍ୟୟନରେ ପ୍ରାପ୍ତ ଜ୍ଞାନ ଓ ଅନ୍ତର୍ଦୃଷ୍ଟି ଆଧାରରେ, ଇଏସଏସ କାର୍ଯ୍ୟାନ୍ୱୟନ ପରିଚାଳନାରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ କମ୍ପାନୀକୁ ସହାୟତା କରିବା ପାଇଁ ସୁପାରିଶ କରାଯାଇଛି । ଏହି ଅଧ୍ୟୟନ ଦ୍ୱାରା ଇଏସଏସ କାର୍ଯ୍ୟାନ୍ୱୟନ ପରିଚାଳନା ଉପରେ ଜ୍ଞାନ/ବୈଷୟିକ ଜ୍ଞାନର ଅବଦାନ ରହିଛି । |
5ca6217b3e8353778d05fe58bcc5a9ea79707287 | ଇ-ଗଭର୍ଣ୍ଣମେଣ୍ଟ ପ୍ରତ୍ୟେକ ସରକାରଙ୍କ କାର୍ଯ୍ୟସୂଚୀର ଏକ ଅଭିନ୍ନ ଅଙ୍ଗ ହୋଇପାରିଛି । ଅନେକ ସରକାର ଏହାର ପ୍ରଭାବକୁ ସ୍ୱୀକାର କରିଛନ୍ତି । ଟେକ୍ନୋଲଜିର ମନ୍ତ୍ର ଯେତିକି ସର୍ବବ୍ୟାପୀ ହୋଇପାରିଛି, ସେତିକି ହିଁ ସରକାରଙ୍କର ଏଜେନ୍ସି ଏବଂ ବିଭାଗରେ ଇ-ଗଭର୍ଣ୍ଣାନ୍ସ ନୀତିର ଶୁଭାରମ୍ଭ କରିବାର ନିଷ୍ପତ୍ତି ହୋଇଛି । ମାଲେସିଆରେ ଇ-ଗଭର୍ଣ୍ଣମେଣ୍ଟର ଉତ୍ସାହ ସରକାରଙ୍କୁ ଅନୁପ୍ରାଣିତ କରିଛି, କାରଣ ଏହାର ପ୍ରତିଷ୍ଠା ଦ୍ୱାରା ସରକାରୀ ସେବା ପ୍ରଦାନର ଗୁଣବତ୍ତା ଏବଂ ଏହାର ଆଭ୍ୟନ୍ତରୀଣ କାର୍ଯ୍ୟରେ ଉନ୍ନତି ଆସିପାରିବ । ଏହି ଗୁଣାତ୍ମକ ଅଧ୍ୟୟନ ଇ-ଗଭର୍ଣ୍ଣମେଣ୍ଟ ପଦକ୍ଷେପଗୁଡ଼ିକର କାର୍ଯ୍ୟକାରିତା ସ୍ଥିତିକୁ ଏକ କେସ ଷ୍ଟଡି ଭାବରେ ଅନୁସନ୍ଧାନ କରିବ ଏବଂ ଇ-ଗଭର୍ଣ୍ଣମେଣ୍ଟରେ ଏହାର ଉତ୍କୃଷ୍ଟ ପ୍ରଦର୍ଶନକୁ ଦୃଷ୍ଟିରେ ରଖି ଦକ୍ଷିଣ କୋରିଆ ସରକାରଙ୍କୁ ଏକ ରେଙ୍କମାର୍କ ଅଧ୍ୟୟନ ଭାବରେ ବ୍ୟବହାର କରି ଏହି ଫଳାଫଳଗୁଡ଼ିକର ଏକ ତୁଳନାତ୍ମକ ମୂଲ୍ୟାଙ୍କନ ମଧ୍ୟ ପ୍ରଦାନ କରିବ । ଏହି ଅଧ୍ୟୟନର ଫଳାଫଳରୁ ସରକାରୀ ପ୍ରଶାସନ ଦୃଷ୍ଟିକୋଣରେ ଉନ୍ନତିର ସମ୍ଭାବ୍ୟ କ୍ଷେତ୍ରକୁ ଆଲୋକପାତ କରାଯିବ ଏବଂ ଏହି ତୁଳନାତ୍ମକ ଆଭିମୁଖ୍ୟରୁ ମଧ୍ୟ ମାଲେସିଆ ଇ-ଗଭର୍ଣ୍ଣମେଣ୍ଟ ପ୍ରକଳ୍ପର ସଫଳତାକୁ ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ଦକ୍ଷିଣ କୋରିଆର ଅଭ୍ୟାସରୁ କିଛି ଶିକ୍ଷା ଲାଭ କରିପାରିବ । |
2b2c30dfd3968c5d9418bb2c14b2382d3ccc64b2 | DBpedia ହେଉଛି ଉଇକିପିଡ଼ିଆରୁ ସଂଗଠିତ ସୂଚନା ବାହାର କରିବା ଏବଂ ଏହି ସୂଚନାକୁ ୱେବରେ ଉପଲବ୍ଧ କରାଇବା ପାଇଁ ଏକ ଗୋଷ୍ଠୀ ପ୍ରୟାସ । DBpedia ଆପଣଙ୍କୁ ଉଇକିପିଡ଼ିଆରୁ ପ୍ରାପ୍ତ ଡାଟାସେଟ ଉପରେ ଜଟିଳ ପ୍ରଶ୍ନ ପଚାରିବା ପାଇଁ ଏବଂ ୱେବରେ ଥିବା ଅନ୍ୟ ଡାଟାସେଟକୁ ଉଇକିପିଡ଼ିଆ ଡାଟା ସହିତ ଲିଙ୍କ୍ କରିବା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ । ଆମେ DBpedia ଡାଟାସେଟରୁ ତଥ୍ୟ କିପରି ବାହାର କରାଯାଏ ଏବଂ ଏହାର ପରିଣାମରେ ମିଳୁଥିବା ସୂଚନାକୁ ୱେବରେ କିପରି ପ୍ରକାଶ କରାଯାଏ ତାହା ବର୍ଣ୍ଣନା କରୁଛୁ । ଆମେ DBpedia ସମୁଦାୟର କିଛି ଉଦୀୟମାନ ପ୍ରୟୋଗ ବିଷୟରେ ବର୍ଣ୍ଣନା କରୁଛୁ ଏବଂ ୱେବସାଇଟ୍ ଲେଖକମାନେ କିପରି DBpedia ବିଷୟବସ୍ତୁକୁ ସେମାନଙ୍କ ସାଇଟ୍ ରେ ସହଜ କରିପାରିବେ ତାହା ଦେଖାଉଛୁ । ଶେଷରେ, ଆମେ ୱେବରେ ଅନ୍ୟ ଖୋଲା ଡାଟାସେଟ ସହିତ DBpediaର ଆନ୍ତଃସଂଯୋଗର ବର୍ତ୍ତମାନ ସ୍ଥିତି ଉପସ୍ଥାପନ କରୁଛୁ ଏବଂ ଉଦୀୟମାନ ଖୋଲା ଡାଟାର ୱେବ ପାଇଁ DBpedia କିପରି ଏକ ନ୍ୟୂକ୍ଲିୟସ ଭାବରେ କାର୍ଯ୍ୟ କରିପାରିବ ତାହାର ବର୍ଣ୍ଣନା କରୁଛୁ । |
92930f4279b48f7e4e8ec2edc24e8aa65c5954fd | ଆମେ ବ୍ୟାଙ୍କ ଗ୍ରାହକମାନଙ୍କ ପ୍ରୋଫାଇଲିଂ ପାଇଁ ଏକ ଡାଟା ମାଇନିଂ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାଦ୍ୱାରା ଧନ ଲାଂଚ ନିରୋଧୀ କାର୍ଯ୍ୟକଳାପକୁ ଚିହ୍ନଟ କରିବାରେ ସହାୟତା ମିଳିପାରିବ । ଆମେ ପ୍ରଥମେ ସାମଗ୍ରିକ ସିଷ୍ଟମ ସ୍ଥାପତ୍ୟକୁ ଉପସ୍ଥାପନ କରିବା, ଏବଂ ତାପରେ ଏହି କାଗଜ ପାଇଁ ପ୍ରାସଙ୍ଗିକ ଉପାଦାନ ଉପରେ ଧ୍ୟାନ ଦେବା । ଆମେ ଏକ ଆର୍ଥିକ ସଂସ୍ଥାର ବାସ୍ତବିକ ତଥ୍ୟ ଉପରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣର ବିବରଣୀ ଦେଇଛୁ, ଯାହା ଆମକୁ ଗ୍ରାହକମାନଙ୍କୁ କ୍ଲଷ୍ଟରରେ ଗୋଷ୍ଠୀଭୁକ୍ତ କରିବାକୁ ଅନୁମତି ଦେଇଥିଲା ଏବଂ ତାପରେ ଏକ ଶ୍ରେଣୀକରଣ ନିୟମ ସୃଷ୍ଟି କରିଥିଲା । ଆମେ ପ୍ରତିଷ୍ଠିତ ଗ୍ରାହକ ପ୍ରୋଫାଇଲ ଏବଂ ସୃଷ୍ଟି ହୋଇଥିବା ଶ୍ରେଣୀକରଣ ନିୟମର ପ୍ରାସଙ୍ଗିକତା ବିଷୟରେ ଆଲୋଚନା କରୁ । ସଂଜ୍ଞାୟିତ ସାମଗ୍ରିକ ଏଜେଣ୍ଟ ଆଧାରିତ ସ୍ଥାପତ୍ୟ ଅନୁସାରେ, ଏହି ନିୟମ ଗୁଡିକୁ ସନ୍ଦିଗ୍ଧ କାରବାରର ସଙ୍କେତ ପାଇଁ ଦାୟୀ ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟମାନଙ୍କ ଜ୍ଞାନ ଆଧାରରେ ସାମିଲ କରାଯିବ । |
8985000860dbb88a80736cac8efe30516e69ee3f | ସ୍ମାର୍ଟ ହୋମ୍ ସେନସର ବ୍ୟବହାର କରି ମାନବ ଗତିବିଧି ଚିହ୍ନଟ କରିବା ସ୍ମାର୍ଟ ପରିବେଶରେ ସର୍ବବ୍ୟାପୀ କମ୍ପ୍ୟୁଟିଂର ଆଧାର ମଧ୍ୟରୁ ଗୋଟିଏ ଏବଂ ଆଭ୍ୟନ୍ତରୀଣ ସହାୟକ ଜୀବନ କ୍ଷେତ୍ରରେ ଏକ ବିଷୟବସ୍ତୁ ଉପରେ ଜୋରଦାର ଗବେଷଣା କରାଯାଉଛି । ଅଧିକରୁ ଅଧିକ ପରିମାଣର ତଥ୍ୟ ସଂଗ୍ରହ ପାଇଁ ମେସିନ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତିର ଆବଶ୍ୟକତା ରହିଛି । ଏହି କାଗଜରେ, ଆମେ ଏକ ଗଭୀର ଶିକ୍ଷଣ ମଡେଲର ପରିଚୟ ଦେଉଛୁ ଯାହା କୌଣସି ପୂର୍ବ ଜ୍ଞାନ ବ୍ୟବହାର ନକରି ମାନବ କାର୍ଯ୍ୟକଳାପକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବାକୁ ଶିଖେ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଏକ ଦୀର୍ଘ ଏବଂ ସ୍ୱଳ୍ପ ମିଆଦି ସ୍ମୃତି (ଏଲଏସଟିଏମ) ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ତିନୋଟି ବାସ୍ତବିକ ଦୁନିଆର ସ୍ମାର୍ଟ ହୋମ ଡାଟାସେଟରେ ପ୍ରୟୋଗ କରାଯାଇଥିଲା । ଏହି ପରୀକ୍ଷଣର ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିର ସଠିକତା ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ଦୃଷ୍ଟିରୁ ବର୍ତ୍ତମାନର ପଦ୍ଧତିଠାରୁ ଅଧିକ ଭଲ । |
b31f0085b7dd24bdde1e5cec003589ce4bf4238c | ଡୋମେନ୍ ଅନୁକୂଳନ (ଡିଏ) ହେଉଛି ଏକ ଟ୍ରାନ୍ସଫର ଲର୍ଣ୍ଣିଂ ଯାହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଉତ୍ସ ଏବଂ ଟାର୍ଗେଟ୍ ମଧ୍ୟରେ ତଥ୍ୟ ବଣ୍ଟନ ଅସଙ୍ଗତତା ସତ୍ତ୍ୱେ ଉତ୍ସ ତଥ୍ୟରୁ ଟାର୍ଗେଟ୍ ତଥ୍ୟ ଉପରେ ଏକ ପ୍ରଭାବଶାଳୀ ପୂର୍ବାନୁମାନକାରୀ ଶିଖିବା । ଏହି କାଗଜରେ ଆମେ କ୍ରସ-ଡୋମେନ୍ ଭିଜୁଆଲ୍ ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂଆ ଅଣ-ସୁପରଭାଇଜଡ୍ DA ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏକକାଳୀନ ତତ୍ତ୍ୱଜ୍ଞାନରେ ପ୍ରତିଷ୍ଠିତ ତ୍ରୁଟି ସୀମା ର ତିନୋଟି ଅବଧିକୁ ଅନୁକୂଳିତ କରିଥାଏ । ବିଶେଷକରି, ପ୍ରସ୍ତାବିତ DA ପଦ୍ଧତି iteratively ଭାବରେ ଏକ ଲୁକ୍କାୟିତ ଅଂଶୀଦାର ବୈଶିଷ୍ଟ୍ୟ ଉପସ୍ଥାନ ଖୋଜେ ଯେଉଁଠାରେ ଉତ୍ସ ଡୋମେନ୍ ଏବଂ ଟାର୍ଗେଟ୍ ଡୋମେନ୍ ମଧ୍ୟରେ ତଥ୍ୟ ବଣ୍ଟନର ବିଭେଦ କେବଳ ହ୍ରାସ ପାଇନଥାଏ, ଯେପରିକି ଅଧିକାଂଶ ଅତ୍ୟାଧୁନିକ DA ପଦ୍ଧତି କରନ୍ତି, କିନ୍ତୁ ଭେଦଭାବପୂର୍ଣ୍ଣ ଶିକ୍ଷଣକୁ ସହଜ କରିବା ପାଇଁ ମଧ୍ୟ ଆନ୍ତଃ-ଶ୍ରେଣୀ ଦୂରତା ବୃଦ୍ଧି ପାଇଥାଏ _ ଏହା ବ୍ୟତୀତ, ପ୍ରସ୍ତାବିତ DA ପଦ୍ଧତି କମ ମାତ୍ରାରେ ଶ୍ରେଣୀ ଲେବଲକୁ ଅଂଶୀଦାର ଉପ-ସ୍ଥାନରେ ହାସଲ କରାଯାଇଥିବା ବିଶେଷତାରୁ ରିଗ୍ରେସ କରିଥାଏ, ଯେତେବେଳେ କି ଉତ୍ସ ତଥ୍ୟ ଉପରେ ପୂର୍ବାନୁମାନ ତ୍ରୁଟିକୁ ସର୍ବନିମ୍ନ କରିଥାଏ ଏବଂ ଉତ୍ସ ଏବଂ ଲକ୍ଷ୍ୟ ମଧ୍ୟରେ ଲେବଲ ସ୍ଥିରତା ସୁନିଶ୍ଚିତ କରିଥାଏ । ତଥ୍ୟର ବ୍ୟତିକ୍ରମକୁ ମଧ୍ୟ ହିସାବରେ ରଖାଯାଏ, ଯାହାଦ୍ୱାରା ନକାରାତ୍ମକ ଜ୍ଞାନ ହସ୍ତାନ୍ତରକୁ ଏଡ଼ାଯାଇପାରିବ । ବ୍ୟାପକ ପରୀକ୍ଷଣ ଏବଂ ଗଭୀର ବିଶ୍ଳେଷଣ ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ଡିଏ ପଦ୍ଧତିର ପ୍ରଭାବକୁ ଯାଞ୍ଚ କରାଯାଇଛି, ଯାହାକି ଷ୍ଟାଣ୍ଡାର୍ଡ ଡିଏ ରେଙ୍କମାର୍କ, ଅର୍ଥାତ୍ ୧୨ଟି କ୍ରସ-ଡୋମେନ୍ ଇମେଜ୍ କ୍ଲାସିଫିକେସନ୍ ଟାସ୍କ ଉପରେ ଅତ୍ୟାଧୁନିକ ଡିଏ ପଦ୍ଧତିକୁ କ୍ରମାଗତ ଭାବରେ ଅତିକ୍ରମ କରିଥାଏ । |
b9bc9a32791dba1fc85bb9d4bfb9c52e6f052d2e | ଉଚ୍ଚ-ଆକାରର ବିନ୍ୟାସିତ ସ୍ଥାନଗୁଡିକରେ ଏକକ-କ୍ୱେରୀ ପଥ ଯୋଜନା ସମସ୍ୟା ସମାଧାନ ପାଇଁ ଏକ ସରଳ ଏବଂ ଦକ୍ଷ ରାଣ୍ଡମାଇଜ୍ ଆଲଗୋରିଦମ ଉପସ୍ଥାପିତ ହୋଇଛି । ଏହି ପଦ୍ଧତିଟି ଦୁଇଟି ଦ୍ରୁତ-ଅନ୍ୱେଷଣ ରାଣ୍ଡମ ଟ୍ରି (ଆରଆରଟି) କୁ ବୃଦ୍ଧି କରି କାର୍ଯ୍ୟ କରିଥାଏ ଯାହାକି ପ୍ରାରମ୍ଭିକ ଏବଂ ଲକ୍ଷ୍ୟ ବିନ୍ୟାସରେ ମୂଳଦୁଆ ପକାଇଥାଏ । ପ୍ରତ୍ୟେକ ଗଛ ନିଜ ଆଖପାଖର ସ୍ଥାନକୁ ଅନୁସନ୍ଧାନ କରିଥାଏ ଏବଂ ଏକ ସରଳ ଲୋଭୀ ହେରିଷ୍ଟିକର ବ୍ୟବହାର ମାଧ୍ୟମରେ ପରସ୍ପର ଆଡକୁ ଅଗ୍ରସର ହୋଇଥାଏ । ଯଦିଓ ମୂଳତଃ ମାନବ ବାହୁ ପାଇଁ ଗତି ଯୋଜନା କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି (୭-DOF କିନେମାଟିକ୍ ଚେନ୍ ଭାବରେ ମଡେଲ୍ କରାଯାଇଛି) ଧକ୍କା ମୁକ୍ତ ଗ୍ରାଫିଙ୍ଗ୍ ଏବଂ ମ୍ୟାନୁପ୍ୟୁଲେସନ୍ ଟାସ୍କର ସ୍ୱୟଂଚାଳିତ ଗ୍ରାଫିକ୍ ଆନିମେସନ୍ ପାଇଁ, ଆଲଗୋରିଦମକୁ ବିଭିନ୍ନ ପଥ ଯୋଜନା ସମସ୍ୟା ପାଇଁ ସଫଳତାର ସହିତ ପ୍ରୟୋଗ କରାଯାଇଛି । କମ୍ପ୍ୟୁଟରରେ ପ୍ରସ୍ତୁତ ଉଦାହରଣ ମଧ୍ୟରେ ରହିଛି ୨ଡି ଓ ୩ଡିରେ କଠିନ ବସ୍ତୁ ପାଇଁ ଧକ୍କା ମୁକ୍ତ ଗତି ସୃଷ୍ଟି କରିବା ଏବଂ ୩ଡି କାର୍ଯ୍ୟକ୍ଷେତ୍ରରେ ୬-ଡିଓଏଫ ପୁମା ଆର୍ମ ପାଇଁ ଧକ୍କା ମୁକ୍ତ ପରିଚାଳନା ଗତି ସୃଷ୍ଟି କରିବା । ଏହା ସହିତ କିଛି ମୌଳିକ ଥିଓରୀ ବିଶ୍ଳେଷଣ ମଧ୍ୟ ଦିଆଯାଇଛି । |
d967d9550f831a8b3f5cb00f8835a4c866da60ad | |
6a686b525a84a87ca3e4d90a6704da8588e84344 | ଏହି ଉପସ୍ଥାପନା ଏକ ବ୍ରୋଡବ୍ୟାଣ୍ଡ ସର୍କୁଲାର ପଲାରିଜଡ (ସିପି) 2 × 2 ପ୍ୟାଚ୍ ଆରେକୁ ଉପସ୍ଥାପନ କରେ ଯାହା ଏକ କ୍ରମିକ-ପର୍ଯ୍ୟାୟ ଫିଡିଂ ନେଟୱାର୍କ ବ୍ୟବହାର କରେ । ତିନୋଟି କାର୍ଯ୍ୟକାରୀ ଧାରାକୁ ମିଶାଇ, ଉଭୟ ଆକ୍ସିୟଲ ଅନୁପାତ (AR) ଏବଂ ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ପୂର୍ବ ପ୍ରକାଶିତ କ୍ରମିକ-ଖାଦ୍ୟଯୁକ୍ତ ଏକ-ସ୍ତର ପ୍ୟାଚ୍ ଆରେ ଅପେକ୍ଷା ଉନ୍ନତ ଏବଂ ବ୍ୟାପକ ହୋଇଥାଏ । ଏହି ତିନୋଟି ସିପି କାର୍ଯ୍ୟକାରୀ ଧାରାକୁ ପ୍ୟାଚ୍ ଏଲେମେଣ୍ଟଗୁଡିକର ସଂକୁଚିତ କୋଣ ଏବଂ କ୍ରମିକ-ପର୍ଯ୍ୟାୟ ଆହାର ନେଟୱାର୍କକୁ ଅନୁକୂଳିତ କରି ଟ୍ୟୁନ୍ ଏବଂ ମେଳ କରାଯାଇଥାଏ । ପରୀକ୍ଷାମୂଳକ ଭାବେ ଡିଜାଇନକୁ ବୈଧ କରିବା ପାଇଁ ପ୍ରସ୍ତାବିତ ପ୍ୟାଚ୍ ଆରେର ଏକ ପ୍ରୋଟୋଟାଇପ ନିର୍ମାଣ କରାଯାଇଛି । ମାପ କରାଯାଇଥିବା -୧୦-ଡିବି ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ୧.୦୩ ଗିଗାହର୍ଟସ୍ (୫.୨୦-୬.୨୩ ଗିଗାହର୍ଟସ୍) ଏବଂ ମାପ କରାଯାଇଥିବା ୩-ଡିବି ଏଆର ବ୍ୟାଣ୍ଡୱିଡଥ୍ ୦.୭ ଗିଗାହର୍ଟସ୍ (୫.୨୫-୫.୯୫ ଗିଗାହର୍ଟସ୍) କିମ୍ବା ୧୨.୭% ଯାହା ୫.୫ ଗିଗାହର୍ଟସ୍ କେନ୍ଦ୍ର ଫ୍ରିକ୍ୱେନ୍ସି ସହ ସମାନ । ମାପ କରାଯାଇଥିବା ସର୍ବାଧିକ ଲାଭ ପ୍ରାୟ 12 dBic ଅଟେ ଏବଂ ଲାଭର ପରିବର୍ତ୍ତନ ଆର୍ ବ୍ୟାଣ୍ଡୱିଡ୍ଟ୍ ରେ 3 dB ରୁ କମ୍ ଅଟେ । |
d97e3655f50ee9b679ac395b2637f6fa66af98c7 | ଦୀର୍ଘ ୩୦ ବର୍ଷ ଧରି ଶକ୍ତି ସଂରକ୍ଷଣକୁ ପ୍ରୋତ୍ସାହନ ଦେବା ପାଇଁ ଫିଡବ୍ୟାକକୁ ଏକ ରଣନୀତି ଭାବରେ ଅଧ୍ୟୟନ କରାଯାଇଛି, ଯେଉଁଥିରେ ବିଭିନ୍ନ ପ୍ରକାରର ଫଳାଫଳ ରିପୋର୍ଟ କରାଯାଇଛି । ସାହିତ୍ୟ ସମୀକ୍ଷାରୁ ଜଣାପଡିଛି ଯେ, ମତାମତର ପ୍ରଭାବ କିପରି ଏବଂ କାହାକୁ ଦିଆଯାଉଛି ତାହା ଉପରେ ନିର୍ଭର କରେ । ତଥାପି, ଉଭୟ ପ୍ରକାରର ମତାମତ ଏବଂ ଅଧ୍ୟୟନ ପଦ୍ଧତିର ଭିନ୍ନତା ନିଷ୍କର୍ସ ବାହାର କରିବା କଷ୍ଟକର କରିଛି । ବର୍ତ୍ତମାନର ଲେଖାରେ ଅତୀତର ଥିଓରିଟିକାଲ ଏବଂ ଏମ୍ପିରିସିଆଲ ରିସର୍ଚ୍ଚକୁ ବିଶ୍ଳେଷଣ କରାଯାଇଛି ଯାହା ଉଭୟ ଫିଡବ୍ୟାକ୍ ଏବଂ ପରିବେଶ ଅନୁକୂଳ ବ୍ୟବହାର ଉପରେ ଅନାବଶ୍ୟକ ସମସ୍ୟାକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏବଂ ଶକ୍ତି ବ୍ୟବହାର ବିଷୟରେ ଫିଡବ୍ୟାକ୍ କେବେ ଏବଂ କିପରି ପ୍ରଭାବଶାଳୀ ତାହା ବିଷୟରେ ଏକ ସିଦ୍ଧାନ୍ତ ପରୀକ୍ଷା କରିବା ପାଇଁ 1976 ଏବଂ 2010 ମଧ୍ୟରେ ପ୍ରକାଶିତ 42 ଟି ଫିଡବ୍ୟାକ୍ ଅଧ୍ୟୟନର ଏକ ମେଟା-ଆନାଲିସିସ୍ ବ୍ୟବହାର କରାଯାଇଛି । ଫଳାଫଳ ଦର୍ଶାଏ ଯେ, ସମୁଦାୟ ପ୍ରତିକ୍ରିୟା ପ୍ରଭାବଶାଳୀ, r = .071, p < .001, କିନ୍ତୁ ପ୍ରଭାବରେ ଉଲ୍ଲେଖନୀୟ ପରିବର୍ତ୍ତନ (r -୦୮୦ ରୁ .୪୮୦ ମଧ୍ୟରେ ପରିବର୍ତ୍ତନ) । ଏହି ସମ୍ପର୍କକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ଅନେକ ଚିକିତ୍ସା ପରିବର୍ତ୍ତନକାରୀ ମିଳିଥିଲେ, ଯେଉଁଥିରେ ବାରମ୍ବାରତା, ମାଧ୍ୟମ, ତୁଳନାତ୍ମକ ବାର୍ତ୍ତା, ଅବଧି ଏବଂ ଅନ୍ୟ ହସ୍ତକ୍ଷେପ ସହିତ ମିଶ୍ରଣ (ଯେପରିକି ଲକ୍ଷ୍ୟ, ପ୍ରୋତ୍ସାହନ) ଅନ୍ତର୍ଭୁକ୍ତ । ସାମଗ୍ରିକ ଭାବେ, ଫଳାଫଳଗୁଡ଼ିକ ଶକ୍ତି ସଂରକ୍ଷଣକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ଏକ ଆଶାନୁରୂପକ ରଣନୀତି ଭାବରେ ମତାମତର ଅଧିକ ପ୍ରମାଣ ପ୍ରଦାନ କରେ ଏବଂ ଭବିଷ୍ୟତର ଗବେଷଣା ପାଇଁ କେଉଁ କ୍ଷେତ୍ରଗୁଡିକ ଉପରେ ଧ୍ୟାନ ଦେବା ଉଚିତ ତାହା ସୂଚିତ କରେ, କିପରି ଏବଂ କାହା ପାଇଁ ମତାମତ ସବୁଠାରୁ ପ୍ରଭାବଶାଳୀ ତାହା ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ । |
697754f7e62236f6a2a069134cbc62e3138ac89f | |
ee654db227dcb7b39d26bec7cc06e2b43b525826 | |
54e7e6348fc8eb27dd6c34e0afbe8881eeb0debd | ବିଜ୍ଞାନ, କଳା ଏବଂ ସଂସ୍କୃତିର ସୀମା ବାହାରେ ପ୍ରସାରିତ, ବିଷୟବସ୍ତୁ ଆଧାରିତ ମଲ୍ଟିମିଡିଆ ସୂଚନା ପୁନରୁଦ୍ଧାର ସମଗ୍ର ବିଶ୍ୱରେ ଗଣମାଧ୍ୟମର ଅସଂଖ୍ୟ ବିବିଧତା ମାଧ୍ୟମରେ ସନ୍ଧାନ ପାଇଁ ନୂତନ ପାରାଗିମ୍ ଏବଂ ପଦ୍ଧତି ପ୍ରଦାନ କରେ । ଏହି ସର୍ଭେରେ ବିଷୟବସ୍ତୁ ଆଧାରିତ ମଲ୍ଟିମିଡିଆ ସୂଚନା ପୁନରୁଦ୍ଧାର ଉପରେ 100+ ସଦ୍ୟ ଆର୍ଟିକିଲର ସମୀକ୍ଷା କରାଯାଇଛି ଏବଂ ବର୍ତ୍ତମାନର ଗବେଷଣା ଦିଗରେ ସେମାନଙ୍କର ଭୂମିକା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଯେଉଁଥିରେ ବ୍ରାଉଜିଂ ଏବଂ ସର୍ଚ୍ଚ ପାରାଡିଗମ୍, ୟୁଜର୍ ଷ୍ଟଡିଜ୍, ଆପେକ୍ଟିଭ୍ କମ୍ପ୍ୟୁଟିଂ, ଲର୍ଣ୍ଣିଂ, ସେମାନ୍ଟିକ୍ କ୍ୱେରୀ, ନୂତନ ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ମିଡିଆ ପ୍ରକାର, ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ସୂଚକାଙ୍କ ଏବଂ ମୂଲ୍ୟାଙ୍କନ କୌଶଳ ଅନ୍ତର୍ଭୁକ୍ତ । ବର୍ତ୍ତମାନର ଜ୍ଞାନକୌଶଳ ଆଧାରରେ ଆମେ ଭବିଷ୍ୟତର ପ୍ରମୁଖ ଆହ୍ୱାନଗୁଡ଼ିକ ଉପରେ ଆଲୋଚନା କରୁଛୁ । |
2902e0a4b12cf8269bb32ef6a4ebb3f054cd087e | କାର୍ଯ୍ୟ ସମ୍ବନ୍ଧୀୟ ଗାଣିତିକ ମଡେଲକୁ ଅନୁକୂଳିତ କରିବା ପରିସଂଖ୍ୟାନ ଓ ଶିକ୍ଷଣ କ୍ଷେତ୍ରରେ ଏକ ମୌଳିକ ପଦ୍ଧତି । ତେବେ ସାଧାରଣ ଭାବରେ ଡିଜାଇନ କରାଯାଇଥିବା ସ୍କିମାଟିକ ଇଟେରେସନ ଗୁଡିକ ବାସ୍ତବ ଦୁନିଆର ଆପ୍ଲିକେସନରେ ଜଟିଳ ତଥ୍ୟ ବଣ୍ଟନକୁ ଅନୁସନ୍ଧାନ କରିବା କଷ୍ଟକର ହୋଇପାରେ । ନିକଟରେ, ଗଭୀର ପ୍ରସାର (ଅର୍ଥାତ୍ ନେଟୱାର୍କ) ର ପ୍ରଶିକ୍ଷଣ କେତେକ ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟରେ ଆଶାନୁରୂପ ପ୍ରଦର୍ଶନ ହାସଲ କରିଛି । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ବର୍ତ୍ତମାନର ନେଟୱାର୍କଗୁଡ଼ିକ ପ୍ରାୟତଃ ଏକ ପ୍ରକାରରେ ନିର୍ମିତ ହୋଇଥାଏ, ତେଣୁ ଏଥିରେ ନୀତିଗତ ବ୍ୟାଖ୍ୟା ଏବଂ ଦୃଢ଼ ଥିଓରୀଗତ ସମର୍ଥନ ଅଭାବ ରହିଥାଏ । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଏକ ନୂତନ ପାରାଡିଗମ ପ୍ରଦାନ କରିଛୁ, ଯାହାର ନାମ ପ୍ରଚାର ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ ଆଧାରିତ ଗଭୀର ମଡେଲ (ପିଓଡିଏମ୍) ଅଟେ, ଏହି ଭିନ୍ନ ମେକାନିଜିମ୍ ମଧ୍ୟରେ ଥିବା ବ୍ୟବଧାନକୁ ଦୂର କରିବା ପାଇଁ (ଯଥା, ମଡେଲ ଅପ୍ଟିମାଇଜେସନ୍ ଏବଂ ଗଭୀର ପ୍ରସାର) । ଗୋଟିଏ ପଟେ ଆମେ PODM କୁ ଏକ ଗଭୀର ପ୍ରଶିକ୍ଷିତ ସମାଧାନକାରୀ ଭାବରେ ବ୍ୟବହାର କରିଥାଉ ଯାହା ମଡେଲ ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥାଏ । ଏହି ବର୍ତ୍ତମାନର ନେଟୱର୍କ ଆଧାରିତ ପୁନରାବୃତ୍ତି ଠାରୁ ଭିନ୍ନ, ଯାହା ପ୍ରାୟତଃ ଥିଓରିଟିକାଲ ଅନୁସନ୍ଧାନର ଅଭାବ ରହିଛି, ଆମେ ଚ୍ୟାଲେଞ୍ଜିଂ ଅଣ-ବିଖଣ୍ଡିତ ଏବଂ ଅଣ-ସମାନ ଦୃଶ୍ୟପଟ୍ଟରେ PODM ପାଇଁ କଠୋର ସମ୍ମିଶ୍ରଣ ବିଶ୍ଳେଷଣ ପ୍ରଦାନ କରୁ । ଅନ୍ୟପକ୍ଷରେ, ମଡେଲ ପ୍ରତିବନ୍ଧକକୁ କୋହଳ କରି ଏବଂ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ତାଲିମ ପ୍ରଦାନ କରି, ଆମେ ଡୋମେନ୍ ଜ୍ଞାନ (ମଡେଲ ଭାବରେ ପ୍ରସ୍ତୁତ) ଏବଂ ପ୍ରକୃତ ତଥ୍ୟ ବିତରଣ (ନେଟୱାର୍କ ଦ୍ୱାରା ଶିଖାଯାଇଥିବା) କୁ ଏକୀକୃତ କରିବା ପାଇଁ ଏକ PODM ଆଧାରିତ ରଣନୀତି ମଧ୍ୟ ବିକଶିତ କରୁଛୁ, ଯାହା ବାସ୍ତବ ଦୁନିଆର ପ୍ରୟୋଗ ପାଇଁ ଏକ ଜେନେରିକ ଏସେମ୍ବଲ୍ ଫ୍ରେମୱାର୍କରେ ପରିଣତ ହୁଏ । ବ୍ୟାପକ ପରୀକ୍ଷଣ ଆମର ଥିଓରିର ଫଳାଫଳକୁ ଯାଞ୍ଚ କରିଥାଏ ଏବଂ ଏହି ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିଗୁଡ଼ିକ ତୁଳନାରେ PODMର ଉତ୍କର୍ଷତା ଦର୍ଶାଇଥାଏ । |
5dca5aa024f513801a53d9738161b8a01730d395 | ଅଜଣା ପରିବେଶର ମାନଚିତ୍ର ପ୍ରସ୍ତୁତ କରିବା ଏବଂ ସେହି ମାନଚିତ୍ରକୁ ଏକ ସମୟରେ ବ୍ୟବହାର କରି ଦିଗ ନିର୍ଣ୍ଣୟ କରିବା ମୋବାଇଲ ରୋବୋଟିକ୍ସ ଗବେଷଣାର ଏକ ପ୍ରମୁଖ ସମସ୍ୟା । ଏହି ଦସ୍ତାବିଜରେ ସୋନାର ବ୍ୟବହାର କରି ଏକକାଳୀନ ମ୍ୟାପିଂ ଏବଂ ଲୋକାଲାଇଜେସନ (ସିଏମ୍ଏଲ୍) କିପରି କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ ସେ ସମ୍ପର୍କରେ ଆଲୋଚନା କରାଯାଇଛି । ଷ୍ଟୋକାଷ୍ଟିକ୍ ମ୍ୟାପିଂ ହେଉଛି ସିଏମ୍ଏଲର ଏକ ବୈଶିଷ୍ଟ୍ୟ-ଆଧାରିତ ପଦ୍ଧତି ଯାହା ଯାନର ସ୍ଥାନୀକରଣ ଏବଂ ପରିବେଶ ମ୍ୟାପିଂକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ପାଇଁ ସମ୍ପ୍ରସାରିତ କାଲମାନ୍ ଆଇଟର୍ କୁ ସାଧାରଣ କରିଥାଏ । ଆମେ ଷ୍ଟୋକାଷ୍ଟିକ୍ ମ୍ୟାପିଂର ଏକ କାର୍ଯ୍ୟକାରିତା ବର୍ଣ୍ଣନା କରୁଛୁ ଯାହା ମାନଚିତ୍ରରେ ନୂତନ ବୈଶିଷ୍ଟ୍ୟ ଆରମ୍ଭ କରିବା ପାଇଁ, ମାନଚିତ୍ର ବୈଶିଷ୍ଟ୍ୟ ସହିତ ମାପକୁ ମେଳାଇବା ଏବଂ ପୁରୁଣା ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ବିଲୋପ କରିବା ପାଇଁ ଏକ ବିଳମ୍ବିତ ନିକଟତମ ପଡ଼ୋଶୀ ତଥ୍ୟ ଆସୋସିଏସନ୍ ରଣନୀତି ବ୍ୟବହାର କରେ । ଆମେ ଆଡାପ୍ଟିଭ୍ ସେନ୍ସିଂ ପାଇଁ ଏକ ମେଟ୍ରିକ୍ ପ୍ରବର୍ତ୍ତନ କରିଛୁ ଯାହା ଫିଶର ସୂଚନା ଆଧାରରେ ନିର୍ଦ୍ଧାରିତ ହୋଇଛି ଏବଂ ଏହା ଯାନର ତ୍ରୁଟି ଏଲିପ୍ସର କ୍ଷେତ୍ରର ସମୁଦାୟ ଏବଂ ମାନଚିତ୍ରରେ ଥିବା ବିଶେଷତା ଆକଳନକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ । ପୂର୍ବାନୁମାନିତ ସେନସର ରିଡିଙ୍ଗ ଏବଂ ଆଶା କରାଯାଉଥିବା ଡେଡ୍-ଆକଳନ ତ୍ରୁଟି ରୋବର୍ଟର ପ୍ରତ୍ୟେକ ସମ୍ଭାବ୍ୟ କାର୍ଯ୍ୟ ପାଇଁ ମେଟ୍ରିକ୍ ଆକଳନ କରିବାକୁ ବ୍ୟବହୃତ ହୁଏ ଏବଂ ଯେଉଁ କାର୍ଯ୍ୟ ସର୍ବନିମ୍ନ ମୂଲ୍ୟ (ଅର୍ଥାତ ସର୍ବାଧିକ ସୂଚନା) ପ୍ରଦାନ କରେ ତାହା ଚୟନ କରାଯାଏ । ଏହି କୌଶଳ ଅନୁକରଣ, ବାୟୁରେ ସୋନାର ପ୍ରୟୋଗ ଏବଂ ଜଳମଗ୍ନ ସୋନାର ପ୍ରୟୋଗ ମାଧ୍ୟମରେ ପ୍ରଦର୍ଶିତ ହୋଇଥାଏ । ଏହି ଫଳାଫଳଗୁଡ଼ିକ ହେଉଛି 1) ଆଡାପ୍ଟିଭ୍ କଣ୍ଟ୍ରୋଲ ଅଫ୍ ମୋଶନ ଏବଂ 2) ଆଡାପ୍ଟିଭ୍ କଣ୍ଟ୍ରୋଲ ଅଫ୍ ମୋଶନ ଆଣ୍ଡ ସ୍କାନିଂ । ଏହି ଯାନ ପରିବେଶରେ ଥିବା ବିଭିନ୍ନ ବସ୍ତୁକୁ ମନୋନୀତ ଭାବରେ ଅନୁସନ୍ଧାନ କରିଥାଏ । ଏହି ଆଡାପ୍ଟିଭ ଆଲଗୋରିଦମର କାର୍ଯ୍ୟଦକ୍ଷତା ସିଧା-ରେଖା ଗତି ଏବଂ ଆକସ୍ମିକ ଗତି ଠାରୁ ଅଧିକ ବୋଲି ଦର୍ଶାଯାଇଛି । |
5eb1e4bb87b0d99d62f171f1eede90c98bf266ab | ବେତାର ଶକ୍ତି ପରିବହନ ହେଉଛି ଏକ ଆଶାଜନକ ପ୍ରଯୁକ୍ତି ଯାହାକି ବେତାର ସେନସର ନେଟୱାର୍କରେ ଶକ୍ତି ସମସ୍ୟାକୁ ମୂଳରୁ ସମାଧାନ କରିପାରିବ । ଏହି ଟେକ୍ନୋଲୋଜିକୁ ପ୍ରଭାବୀ ଢଙ୍ଗରେ କାର୍ଯ୍ୟକ୍ଷମ କରିବା ପାଇଁ, ନେଟୱାର୍କ ଭିତରେ ଯାତ୍ରା କରିବା ପାଇଁ ଏକ ଚାର୍ଜର ନେଇ ଯିବା ପାଇଁ ଏକ ଯାନର ଆବଶ୍ୟକତା ରହିଛି । ଅନ୍ୟପକ୍ଷରେ ଏହା ମଧ୍ୟ ସ୍ୱୀକୃତ ଯେ ଏକ ସ୍ଥାୟୀ ଆଧାର ଷ୍ଟେସନ ତୁଳନାରେ ଏକ ମୋବାଇଲ ଆଧାର ଷ୍ଟେସନ ଯଥେଷ୍ଟ ଲାଭ ପ୍ରଦାନ କରିଥାଏ । ଏହି ଅଧ୍ୟୟନରେ, ଆମେ ଏକ ରୋଚକ ସମସ୍ୟା ଉପରେ ଗବେଷଣା କରିଛୁ, ଯେଉଁଥିରେ ମୋବାଇଲ ବେସ ଷ୍ଟେସନକୁ ୱାୟାରଲେସ ଚାର୍ଜିଂ ଯାନରେ ସ୍ଥାନିତ କରିବାର ଅଛି । ଆମେ ଏକ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟା ଅଧ୍ୟୟନ କରୁଛୁ ଯାହା ଯାତ୍ରାର ପଥ, ଅଟକିଥିବା ସ୍ଥାନ, ଚାର୍ଜିଂ କାର୍ଯ୍ୟସୂଚୀ ଏବଂ ପ୍ରବାହ ମାର୍ଗକୁ ମିଳିତ ଭାବରେ ଅପ୍ଟିମାଇଜ୍ କରେ । ଆମର ଅଧ୍ୟୟନ ଦୁଇଟି ପର୍ଯ୍ୟାୟରେ ହୋଇଥାଏ । ପ୍ରଥମେ, ଆମେ ଏକ ଆଦର୍ଶ ସମସ୍ୟା ଅଧ୍ୟୟନ କରୁ ଯାହା ଶୂନ ଯାତ୍ରା ସମୟ ଧାରଣ କରେ, ଏବଂ ଏହି ଆଦର୍ଶ ସମସ୍ୟାର ଏକ ପ୍ରମାଣିତ ପାଖାପାଖି-ଅପ୍ଟିମମ ସମାଧାନ ବିକଶିତ କରେ । ଦ୍ୱିତୀୟ ପର୍ଯ୍ୟାୟରେ, ଆମେ ଦେଖାଇବୁ କିପରି ଏକ ବ୍ୟବହାରିକ ସମାଧାନ ବିକଶିତ କରାଯାଇପାରିବ ଏବଂ ଏହି ସମାଧାନ ଏବଂ ଅସଲ ସମସ୍ୟାର ଅଜ୍ଞାତ ସର୍ବୋତ୍ତମ ସମାଧାନ ମଧ୍ୟରେ କାର୍ଯ୍ୟଦକ୍ଷତା ବ୍ୟବଧାନକୁ ପରିମାଣିକରଣ କରାଯିବ । |
229547ed3312ee6195104cdec7ce47578f92c2c6 | ଏହି ଅଧ୍ୟୟନରେ ଏକ ଶିଳ୍ପରେ ଭିନ୍ନ ଭିନ୍ନ ଫାର୍ମ ପ୍ରଦର୍ଶନ କିପରି ସୃଷ୍ଟି ହୋଇଥାଏ ତାହା କମ୍ପାନୀର ଗତିଶୀଳ କ୍ଷମତା ଉପରେ ପର୍ଯ୍ୟବେସିତ । ଉଭୟ ରଣନୀତିକ ଏବଂ ସାଂଗଠନିକ ତତ୍ତ୍ବଜ୍ଞାନରୁ ଅନ୍ତର୍ଦୃଷ୍ଟିକୁ ଏକତ୍ର କରି, ଗତିଶୀଳ ସାମର୍ଥ୍ୟର ଚାରୋଟି କାର୍ଯ୍ୟଦକ୍ଷତା ସମ୍ବନ୍ଧୀୟ ଗୁଣ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି: ଗତିଶୀଳ ସାମର୍ଥ୍ୟ ନିୟୋଜନ ସମୟ, ବିକଳ୍ପ ଉତ୍ସ ବିନ୍ୟାସ ପାଇଁ ସନ୍ଧାନର ଏକ ଅଂଶ ଭାବରେ ଅନୁକରଣ, ଗତିଶୀଳ ସାମର୍ଥ୍ୟ ନିୟୋଜନ ମୂଲ୍ୟ, ଏବଂ ଗତିଶୀଳ ସାମର୍ଥ୍ୟ ନିୟୋଜନ କରିବା ଶିଖିବା । ଏହିସବୁ ଗୁଣଗୁଡ଼ିକ କିପରି ଭିନ୍ନ ଭିନ୍ନ ଫାର୍ମ ପ୍ରଦର୍ଶନ ସୃଷ୍ଟି କରିବାରେ ସହାୟକ ହୋଇଥାଏ ସେ ସମ୍ପର୍କରେ ଥିଓରିଟିକାଲ ପ୍ରସ୍ତାବ ବିକଶିତ କରାଯାଇଛି । ଏକ ଆନୁଷ୍ଠାନିକ ମଡେଲ ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଯେଉଁଥିରେ ଗତିଶୀଳ କ୍ଷମତାକୁ ଏକ ଫାର୍ମର ପରିବର୍ତ୍ତନର ବିବର୍ତ୍ତନୀୟ ପ୍ରକ୍ରିୟାକୁ ମାର୍ଗଦର୍ଶନ କରୁଥିବା ନିୟମିତ କାର୍ଯ୍ୟର ଏକ ସେଟ୍ ଭାବରେ ମଡେଲ କରାଯାଇଛି । ମଡେଲର ସିମୁଲେସନ ଦ୍ୱାରା ପରିବର୍ତ୍ତନ ପ୍ରକ୍ରିୟା ବିଷୟରେ ସୂଚନା ମିଳିଥାଏ ଏବଂ ଏହାଦ୍ୱାରା ଥିଓରିଟିକାଲ ପ୍ରପୋଜେସନକୁ ସୁଧାରି ହେବ । ଏହି ଅଧ୍ୟୟନର ଏକ ଆକର୍ଷଣୀୟ ତଥ୍ୟ ହେଉଛି ଯେ ଯଦିଓ ବିଭିନ୍ନ କମ୍ପାନୀରେ ଡାଇନାମିକ୍ କ୍ଷମତା ସମାନ, ତଥାପି ବିଭିନ୍ନ କମ୍ପାନୀରେ କାର୍ଯ୍ୟଦକ୍ଷତା କ୍ଷେତ୍ରରେ ବ୍ୟାପକ ପାର୍ଥକ୍ୟ ଦେଖାଦେଇପାରେ । |
b533b13910cc0de21054116715988783fbea87cc | ଆଜିକାଲି ଇଣ୍ଟରନେଟ ମାଧ୍ୟମରେ ଅଧିକରୁ ଅଧିକ ସରକାରୀ ଓ ବ୍ୟବସାୟିକ ସେବା ଉପଲବ୍ଧ ହେଉଛି । ତେଣୁ ସୂଚନା ସୁରକ୍ଷା ସମାଜରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଷୟ ପାଲଟିଛି । ଅନ୍ୟ ଏକ ଉପାୟରେ, କିଛି ଡାଟା ମାଇନିଂ କୌଶଳ ମଧ୍ୟ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ । ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପାଇଁ ବ୍ୟବହୃତ କିଛି ତଥ୍ୟ ଖନନ କୌଶଳକୁ ଦୁଇଟି ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଇପାରେ: ଅପବ୍ୟବହାର ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ଏବଂ ବ୍ୟତିକ୍ରମ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ । ଅପବ୍ୟବହାର ସବୁବେଳେ ଜଣାଶୁଣା ଆକ୍ରମଣ ଏବଂ କ୍ଷତିକାରକ କାର୍ଯ୍ୟକଳାପକୁ ସୂଚିତ କରେ ଯାହା ସିଷ୍ଟମର ଜଣାଶୁଣା ସମ୍ବେଦନଶୀଳତାକୁ ବ୍ୟବହାର କରେ । ସାଧାରଣ ଭାବେ ଅନିୟମିତତା କହିଲେ କୌଣସି କାର୍ଯ୍ୟକଳାପକୁ ବୁଝାଏ ଯାହା କୌଣସି ଅନୁପ୍ରବେଶକୁ ସୂଚାଇଥାଏ । ଏହି କାଗଜରେ, ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପାଇଁ ଡାଟା ମାଇନିଂ କୌଶଳ ବ୍ୟବହାର କରି 23ଟି ସମ୍ବନ୍ଧିତ କାଗଜ ମଧ୍ୟରେ ତୁଳନା କରାଯାଇଛି । ଆମର କାର୍ଯ୍ୟ ତଥ୍ୟ ଖନନ ଏବଂ ସଫ୍ଟ କମ୍ପ୍ୟୁଟିଂ କୌଶଳ ଯଥା ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଏଏନଏନ), ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ (ଏସଭିଏମ) ଏବଂ ମଲ୍ଟିଭାରିଏଟ ଆଡାପ୍ଟିଭ ରିଗ୍ରେସନ ସ୍ପାଏନ (ଏମଏଆରଏସ) ଆଦି ଉପରେ ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରେ । ଏହି କାଗଜରେ ଆଇଡିଏସ ଡାଟା ମାଇନିଂ କୌଶଳ ଏବଂ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପାଇଁ ବ୍ୟବହୃତ ଟାପୁଲ ମଧ୍ୟରେ ତୁଳନା ଦର୍ଶାଯାଇଛି । ସେହି ୨୩ଟି ସମ୍ବନ୍ଧିତ କାଗଜରେ ୭ଟି ଗବେଷଣା କାଗଜରେ ଏଏନଏନ ଏବଂ ୪ଟି ଏସଭିଏମ ବ୍ୟବହାର କରାଯାଇଛି କାରଣ ଏଏନଏନ ଏବଂ ଏସଭିଏମ ଅନ୍ୟ ମଡେଲ ଏବଂ ସଂରଚନା ଅପେକ୍ଷା ଅଧିକ ନିର୍ଭରଯୋଗ୍ୟ । ଏହାବ୍ୟତୀତ ୮ଟି ଗବେଷଣା ଡାରପା ୧୯୯୮ ଟାପୁଲ ବ୍ୟବହାର କରୁଥିବା ବେଳେ ୧୩ଟି ଗବେଷଣା କେଡିଡି କପ୍ ୧୯୯୯ ବ୍ୟବହାର କରୁଥିବା ବେଳେ ଅନ୍ୟ ଗବେଷଣା ତୁଳନାରେ ଷ୍ଟାଣ୍ଡାର୍ଡ ଟାପୁଲ ଅଧିକ ବିଶ୍ୱସନୀୟ ବୋଲି ଜଣାପଡ଼ିଛି । ବର୍ତ୍ତମାନ ସମୟରେ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ କରିବା ପାଇଁ କୌଣସି ସର୍ବୋତ୍ତମ ମଡେଲ ନାହିଁ । ତେବେ ଏହି ଅଧ୍ୟୟନରେ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପାଇଁ ଭବିଷ୍ୟତର ଗବେଷଣା ଦିଗ ଉପରେ ଆଲୋଚନା କରାଯିବ । ସୂଚକ ଶବ୍ଦ- ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ, ତଥ୍ୟ ଖନନ, ଏଏନଏ |
a69fd2ad66791ad9fa8722a3b2916092d0f37967 | ଏହା ବ୍ୟତୀତ, ଉଦାହରଣ ସ୍ୱରୂପ ସହରାଞ୍ଚଳ ବିନ୍ୟାସ ଅଂଶଗୁଡିକୁ ମିଶ୍ରଣ କରିବାର କ୍ଷମତା ନୂତନ ସିନ୍ଥେଟିକ ବିଷୟବସ୍ତୁ ସୃଷ୍ଟି କରିବାର ଏକ ଶକ୍ତିଶାଳୀ ଉପାୟ ପ୍ରଦାନ କରିଥାଏ । ଆମେ ଆମର ବ୍ୟବସ୍ଥାକୁ ପ୍ରଦର୍ଶନ କରିଛୁ ସହରାଞ୍ଚଳ ଯୋଜନା ପ୍ରସ୍ତୁତ କରି ଅନେକ ବାସ୍ତବିକ ସହରର ଉଦାହରଣ ଅଂଶ ବ୍ୟବହାର କରି, ପ୍ରତ୍ୟେକଟି ଶହ ଶହରୁ ହଜାର ହଜାର ସହରାଞ୍ଚଳ ବ୍ଲକ ଏବଂ ପାର୍ସଲ ମଧ୍ୟରେ ରହିଛି । ଆମେ ଏକ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ସିଷ୍ଟମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାକି ସହରାଞ୍ଚଳ ଯୋଜନାକୁ ଏକ ଉଦାହରଣ ମାଧ୍ୟମରେ ପ୍ରସ୍ତୁତ କରୁଛି । ଆମର ଏହି ପଦ୍ଧତି ଏକକାଳୀନ ଉଭୟ ଢାଞ୍ଚା ଆଧାରିତ ସଂଶ୍ଳେଷଣ ଏବଂ ଛବି ଆଧାରିତ ସଂଶ୍ଳେଷଣ କରିଥାଏ ଯାହାଦ୍ୱାରା ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସହରାଞ୍ଚଳ ଢାଞ୍ଚା ସୃଷ୍ଟି କରାଯାଇପାରିବ, ଯେଉଁଥିରେ ଏକ ବିଶ୍ୱସନୀୟ ସଡ଼କ ନେଟୱାର୍କ ଏବଂ ଏରୋ-ଭିଉ ଚିତ୍ର ରହିବ । ଆମର ଆଭିମୁଖ୍ୟ ବାସ୍ତବିକ ସହରାଞ୍ଚଳର ସଂରଚନା ଏବଂ ଚିତ୍ର ତଥ୍ୟ ଏବଂ ଏକ ସଂଶ୍ଳେଷଣ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରି ଅନେକ ଉଚ୍ଚସ୍ତରୀୟ କାର୍ଯ୍ୟ ପ୍ରଦାନ କରିଥାଏ ଯାହା ସହଜରେ ଏବଂ ପାରସ୍ପରିକ ଭାବରେ ଉଦାହରଣ ମାଧ୍ୟମରେ ଜଟିଳ ଲେଆଉଟ୍ ସୃଷ୍ଟି କରିଥାଏ । ବ୍ୟବହାରକାରୀ ନିମ୍ନସ୍ତରୀୟ ଢାଞ୍ଚାଗତ ବିବରଣୀ ବିଷୟରେ ଚିନ୍ତା ନକରି ଯୋଡିବା, ବିସ୍ତାର କରିବା ଏବଂ ମିଶ୍ରଣ କରିବା ଭଳି କାର୍ଯ୍ୟର କ୍ରମ ଦ୍ୱାରା ନୂତନ ସହରାଞ୍ଚଳ ଲେଆଉଟ୍ ସୃଷ୍ଟି କରିପାରିବେ । |
9b8be6c3ebd7a79975067214e5eaea05d4ac2384 | ଆମେ ଦେଖାଇଛୁ ଯେ ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣ ଏକ ସ୍ଥାନୀୟ ସର୍ବନିମ୍ନକରଣରେ ଏକତ୍ରିତ ହୁଏ, ପ୍ରାୟତଃ ନିଶ୍ଚିତ ଭାବରେ ଆକସ୍ମିକ ପ୍ରାରମ୍ଭିକରଣ ସହିତ । ଏହା ଗତିଶୀଳ ତନ୍ତ୍ର ତତ୍ତ୍ବରୁ ସ୍ଥିର ବହୁମୁଖୀ ସିଦ୍ଧାନ୍ତ ପ୍ରୟୋଗ କରି ପ୍ରମାଣିତ ହୋଇଥାଏ । |
75235e03ac0ec643e8a784f432e6d1567eea81b7 | ଗତ ଦଶନ୍ଧି ମଧ୍ୟରେ ଖଣିଜ ଡାଟା ଷ୍ଟ୍ରିମ୍ ଗବେଷଣାର ଏକ ମୁଖ୍ୟ କେନ୍ଦ୍ରବିନ୍ଦୁ ହୋଇପାରିଛି । ହାର୍ଡୱେର ଏବଂ ସଫ୍ଟୱେର କ୍ଷେତ୍ରରେ ଅଗ୍ରଗତି ପୂର୍ବ ଅପେକ୍ଷା ଅଧିକ ଦ୍ରୁତ ଗତିରେ ତଥ୍ୟ ସୃଷ୍ଟି କରି ଏହି ଗବେଷଣା କ୍ଷେତ୍ରର ଗୁରୁତ୍ୱକୁ ବୃଦ୍ଧି କରିଛି । ଏହି ଦ୍ରୁତ ଗତିରେ ସୃଷ୍ଟି ହେଉଥିବା ତଥ୍ୟକୁ ଡାଟା ଷ୍ଟ୍ରିମ୍ କୁହାଯାଏ । କ୍ରେଡିଟ କାର୍ଡ କାରବାର, ଗୁଗଲ ସର୍ଚ୍ଚ, ସହରରେ ଟେଲିଫୋନ କଲ ଏବଂ ଅନ୍ୟାନ୍ୟ ଅନେକ ତଥ୍ୟ ପ୍ରବାହ । ଅନେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରୟୋଗରେ, ଏହି ଷ୍ଟ୍ରିମିଂ ଡାଟାକୁ ରିଅଲ ଟାଇମରେ ବିଶ୍ଳେଷଣ କରିବା ଅନିବାର୍ଯ୍ୟ । ପାରମ୍ପରିକ ଡାଟା ମାଇନିଂ କୌଶଳଗୁଡ଼ିକ ଡାଟା ଷ୍ଟ୍ରିମ୍ ମାଇନିଂର ଆବଶ୍ୟକତା ପୂରଣ କରିବାରେ ବିଫଳ ହୋଇଛି । ନୂତନ କୌଶଳ ବିକଶିତ କରିବା କିମ୍ବା ପ୍ରଚଳିତ କୌଶଳଗୁଡିକୁ ଗ୍ରହଣ କରିବା ପାଇଁ ରାଣ୍ଡମିଜେଶନ, ଅନୁକୂଳନ ଏବଂ ଅନୁକୂଳନକୁ ବ୍ୟାପକ ଭାବରେ ବ୍ୟବହାର କରାଯାଇଛି । ଏହି ଦସ୍ତାବିଜରେ ଡାଟା ଷ୍ଟ୍ରିମ୍ ମାଇନିଂ କ୍ଷେତ୍ରରେ ପ୍ରମୁଖ ମାଇଲଖୁଣ୍ଟ ଏବଂ କଳାର ସ୍ଥିତିର ସମୀକ୍ଷା କରାଯାଇଛି । ଭବିଷ୍ୟତରେ ହେବାକୁ ଥିବା କାର୍ଯ୍ୟର ମଧ୍ୟ ସୂଚନା ଦିଆଯାଇଛି । C © 2011 ୱାଇଲି ପତ୍ରିକା, ଇନ୍କ. |
2327ad6f237b37150e84f0d745a05565ebf0b24d | ବିଟ୍ କଏନ୍ ହେଉଛି ପ୍ରଥମ ଡିଜିଟାଲ୍ ମୁଦ୍ରା ଯାହା ବ୍ୟାପକ ଗ୍ରହଣୀୟତା ହାସଲ କରିଛି । ଯଦିଓ ପେମେଣ୍ଟ ଗୁଡ଼ିକ ଛଦ୍ମନାମ ମଧ୍ୟରେ କରାଯାଇଥାଏ, ବିଟ୍ କଏନ୍ ଗୁଡ଼ିକ ଦୃଢ଼ ଗୋପନୀୟତା ଗ୍ୟାରେଣ୍ଟି ପ୍ରଦାନ କରିପାରିବ ନାହିଁ: ପେମେଣ୍ଟ କାରବାରଗୁଡ଼ିକ ଏକ ସର୍ବସାଧାରଣ ବିକେନ୍ଦ୍ରୀକୃତ ଲିଜର୍ ରେ ରେକର୍ଡ କରାଯାଇଥାଏ, ଯେଉଁଠାରୁ ଅନେକ ସୂଚନା ବାହାର କରାଯାଇପାରିବ । ଜିରୋ କଏନ୍ (ମିୟର୍ସ ଆଦିମ, ଆଇଇଇଇ ଏସ ଆଣ୍ଡ ପି ୨୦୧୩) ଏହି ଗୋପନୀୟତା ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଏ । ତଥାପି, ଏହା ଦେୟଗୁଡିକର ଲକ୍ଷ୍ୟସ୍ଥଳ ଏବଂ ପରିମାଣକୁ ପ୍ରକାଶ କରେ ଏବଂ କାର୍ଯ୍ୟକାରିତାରେ ସୀମିତ ଅଟେ । ଏହି କାଗଜରେ, ଆମେ ଏକ ପୂର୍ଣ୍ଣ-ବ୍ୟାପକ ଲିଜର୍-ଆଧାରିତ ଡିଜିଟାଲ୍ ମୁଦ୍ରା ନିର୍ମାଣ କରିଛୁ ଯାହା ଦୃଢ଼ ଗୋପନୀୟତା ଗ୍ୟାରେଣ୍ଟି ସହିତ ଅଛି । ଆମର ଫଳାଫଳଗୁଡ଼ିକ ଜ୍ଞାନର ଶୂନ୍ୟ ଜ୍ଞାନ ସଂକ୍ଷିପ୍ତ ଅଣ-ଆଲୋଚନାତ୍ମକ ଯୁକ୍ତି (ଜେକ୍-ଏସଏନଏଆରକେ) ରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିକୁ ଉନ୍ମୁକ୍ତ କରେ । ପ୍ରଥମେ, ଆମେ ବିକେନ୍ଦ୍ରୀକୃତ ଅନାମଧେୟ ଦେୟ ଯୋଜନା (ଡିଏପି ଯୋଜନା) ର ରଚନା ଏବଂ ନିର୍ମାଣ କରୁ । ଏକ ଡିଏପି ଯୋଜନାରେ ବ୍ୟବହାରକାରୀମାନେ ପରସ୍ପରକୁ ବ୍ୟକ୍ତିଗତ ଭାବେ ପ୍ରତ୍ୟକ୍ଷ ଭାବେ ଦେୟ ପ୍ରଦାନ କରିପାରିବେ: ଏହି କାରବାରରେ ଦେୟ ପ୍ରଦାନର ଉତ୍ପତ୍ତି, ଲକ୍ଷ୍ୟସ୍ଥଳ ଏବଂ ସ୍ଥାନାନ୍ତରିତ ରାଶିକୁ ଲୁଚାଇ ଦିଆଯାଇଥାଏ । ଆମେ ନିର୍ମାଣର ସୁରକ୍ଷା ପାଇଁ ଔପଚାରିକ ସଂଜ୍ଞା ଏବଂ ପ୍ରମାଣ ପ୍ରଦାନ କରୁ । ଦ୍ୱିତୀୟରେ, ଆମେ ଜିରୋ କ୍ୟାସ ନିର୍ମାଣ କରୁଛୁ, ଆମର ଡିଏପି ସ୍କିମ ନିର୍ମାଣର ଏକ ବ୍ୟବହାରିକ ଉଦାହରଣ । ଜିରୋ କ୍ୟାସରେ, କାରବାର ୧ କେବିରୁ କମ୍ ହୋଇଥାଏ ଏବଂ ଯାଞ୍ଚ କରିବା ପାଇଁ ୬ ଏମଏସରୁ କମ୍ ସମୟ ଲାଗିଥାଏ - କମ ଅଜ୍ଞାତ ଜିରୋ ମୁଦ୍ରା ଅପେକ୍ଷା ଅଧିକ ଦକ୍ଷତା ଏବଂ ସାଦା ବିଟ୍ ମୁଦ୍ରା ସହିତ ପ୍ରତିଯୋଗୀତା। |
3d08280ae82c2044c8dcc66d2be5a72c738e9cf9 | ମୁଁ ଏକ ହାଇବ୍ରିଡ୍ ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ ମଡେଲ ଉପସ୍ଥାପନ କରୁଛି ଯାହା ଉପଭୋକ୍ତା ଏବଂ ଆଇଟମଗୁଡ଼ିକୁ ସେମାନଙ୍କର ବିଷୟବସ୍ତୁ ବିଶେଷତା latent factors ର ରେଖୀ ସଂଯୋଗ ଭାବରେ ପ୍ରତିନିଧିତ୍ୱ କରେ । ଏହି ମଡେଲ ଉଭୟ ସହଭାଗୀ ଏବଂ ବିଷୟବସ୍ତୁ ଆଧାରିତ ମଡେଲକୁ ଶୀତଳ-ଆରମ୍ଭ କିମ୍ବା ବିରଳ ପାରସ୍ପରିକ ତଥ୍ୟ ଦୃଶ୍ୟପଟ୍ଟରେ (ଉପଭୋକ୍ତା ଏବଂ ଆଇଟମ୍ ମେଟାଡାଟା ଉଭୟ ବ୍ୟବହାର କରି) ଅତିକମରେ ଭଲ କରିଥାଏ ଏବଂ ଏକ ଶୁଦ୍ଧ ସହଭାଗୀ ମ୍ୟାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ ମଡେଲ ସହିତ କାର୍ଯ୍ୟ କରେ ଯେଉଁଠାରେ ପାରସ୍ପରିକ ତଥ୍ୟ ପ୍ରଚୁର ଥାଏ । ଏହା ସହିତ, ମଡେଲ ଦ୍ୱାରା ଉତ୍ପାଦିତ ଫିଚର ଇମ୍ବେଡିଂଗୁଡିକ ଶବ୍ଦ ଇମ୍ବେଡିଂ ଆଭିମୁଖ୍ୟକୁ ମନେ ପକାଇ ଦେବା ଭଳି ଅର୍ଥାତ୍ମକ ସୂଚନାକୁ ଏନକୋଡ୍ କରିଥାଏ, ଯାହା ସେମାନଙ୍କୁ ଟ୍ୟାଗ୍ ସୁପାରିଶ ପରି ବିଭିନ୍ନ ସମ୍ବନ୍ଧୀୟ କାର୍ଯ୍ୟ ପାଇଁ ଉପଯୋଗୀ କରିଥାଏ । |
25d1a2c364b05e0db056846ec397fbf0eacdca5c | ମେଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେଶନ ଆଧାରିତ ପଦ୍ଧତିଗୁଡ଼ିକ ଡାୟାଡିକ ଡାଟା ବିଶ୍ଳେଷଣରେ ଲୋକପ୍ରିୟ ହୋଇଯାଏ, ଯେଉଁଠାରେ ଏକ ମୌଳିକ ସମସ୍ୟା ହେଉଛି, ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ଶବ୍ଦ-ଦଲିଲ ମାଟ୍ରିକ୍ସ ଦିଆଯାଇଥିବା ଶବ୍ଦ ଏବଂ ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକୁ ଡକ୍ୟୁମେଣ୍ଟ କ୍ଲଷ୍ଟରିଂ କିମ୍ବା କୋ-କ୍ଲଷ୍ଟରିଂ କରିବା । ଅଣ-ନକାରାତ୍ମକ ମାଟ୍ରିକ୍ସ ତ୍ରି-କାରକୀକରଣ (NMTF) ଏକ ପ୍ରତିଜ୍ଞା ସାଧନ ଭାବରେ ଉଦୟ ହେଉଛି, ଯାହା 3-କାରକ ବିଖଣ୍ଡନ X USV କୁ ଖୋଜୁଛି, ଯେଉଁଥିରେ ସମସ୍ତ କାରକ ମାଟ୍ରିକ୍ସ ଅଣ-ନକାରାତ୍ମକ ହେବା ପାଇଁ ସୀମିତ, ଅର୍ଥାତ୍, U P 0; S P 0; V P 0: ଏହି କାଗଜରେ ଆମେ ଅର୍ତ୍ତୋଗନାଲ NMTF ପାଇଁ ଗୁଣନୀୟ ଅପଡେଟ୍ ବିକଶିତ କରୁ ଯେଉଁଠାରେ X USV କୁ ଅର୍ତ୍ତୋଗୋଗାନିଲିଟି ପ୍ରତିବନ୍ଧକ ସହିତ ଅନୁସରଣ କରାଯାଏ, UU 1⁄4 I; ଏବଂ VV 1⁄4 I, ଷ୍ଟୀଫେଲ ମନିଫୋଲ୍ଡରେ ପ୍ରକୃତ ଗ୍ରାଡିଏଣ୍ଟ ବ୍ୟବହାର କରି । ବିଭିନ୍ନ ଡକ୍ୟୁମେଣ୍ଟ ଡାଟା ସେଟ ଉପରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ଏହି ପଦ୍ଧତି ଡକ୍ୟୁମେଣ୍ଟ କ୍ଲଷ୍ଟରିଂ ପାଇଁ ଭଲ କାମ କରିଥାଏ ଏବଂ ଶବ୍ଦ ଓ ଡକ୍ୟୁମେଣ୍ଟକୁ କ୍ଲଷ୍ଟରିଂ କରି ପଲିସେମସ ଶବ୍ଦକୁ ପ୍ରକାଶ କରିବାରେ ଉପଯୋଗୀ ଅଟେ । 2010 ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
461ac81b6ce10d48a6c342e64c59f86d7566fa68 | ଏହି ପ୍ରକାଶନରେ ପୁନଃ ପ୍ରକାଶିତ ଲେଖା ରହିଛି ଯାହାର ଆଇଇଇଇର କପିରାଇଟ୍ ନାହିଁ । ଏହି ଲେଖାଗୁଡ଼ିକର ସମ୍ପୂର୍ଣ୍ଣ ପାଠ୍ୟ IEEE Xplore ରେ ଉପଲବ୍ଧ ନାହିଁ । |
c03fb606432af6637d9d7d31f447e62a855b77a0 | ଯଦିଓ ଶିକ୍ଷଣରେ ସଫଳ ଛାତ୍ରମାନେ ସେମାନଙ୍କ ପାଠପଢ଼ାରେ ନିୟୋଜିତ ଥିବା ନେଇ ପ୍ରମାଣ ରହିଛି, ତଥାପି ଛାତ୍ରଙ୍କ ନିୟୋଜିତତାକୁ ସ୍ପଷ୍ଟ ଭାବେ ବ୍ୟାଖ୍ୟା କରିବା କଷ୍ଟକର ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ଛାତ୍ରମାନଙ୍କର ସହଭାଗିତାକୁ ସାଧାରଣତଃ ଦୁଇ ଦିଗରୁ ବୁଝାଯାଏ, ସାମାଜିକ ଓ ଶିକ୍ଷାଗତ । ସାମାଜିକ ଗଣମାଧ୍ୟମ ଏବଂ ଡିଜିଟାଲ ପ୍ରଯୁକ୍ତିର ଦ୍ରୁତ ଗ୍ରହଣଶୀଳତା ଛାତ୍ରଛାତ୍ରୀଙ୍କ ମଧ୍ୟରେ ଶିକ୍ଷଣ ପ୍ରତି ଆଗ୍ରହ ବୃଦ୍ଧି କରିଛି । ଏହି ଅଧ୍ୟୟନରେ ପ୍ରଥମ ବର୍ଷର ମନୋବିଜ୍ଞାନ ଛାତ୍ରମାନଙ୍କ ମଧ୍ୟରେ ଫେସବୁକ ବ୍ୟବହାରର ଅନୁଧ୍ୟାନ କରାଯାଇଛି ଏବଂ ରିପୋର୍ଟ କରାଯାଇଛି ଯେ ଅଧିକାଂଶ ଛାତ୍ର (୯୪%) ଙ୍କ ଫେସବୁକ ଆକାଉଣ୍ଟ ଥିବାବେଳେ ସେମାନେ ପ୍ରତିଦିନ ହାରାହାରି ଏକ ଘଣ୍ଟା ଫେସବୁକରେ ବିତାଉଛନ୍ତି । ବ୍ୟକ୍ତିତ୍ୱଗତ କାରଣ ବ୍ୟବହାରର ଧାରାକୁ ପ୍ରଭାବିତ କରିଥାଏ, ଅଧିକ ସଚେତନ ଛାତ୍ରମାନେ କମ୍ ସଚେତନ ଛାତ୍ରଙ୍କ ତୁଳନାରେ ଫେସବୁକକୁ କମ୍ ବ୍ୟବହାର କରିଥାନ୍ତି । ଏହି ପତ୍ରରେ ଯୁକ୍ତି କରାଯାଇଛି ଯେ, ସାମାଜିକ ସମ୍ପର୍କକୁ ପ୍ରୋତ୍ସାହନ ଦେବା ପରିବର୍ତ୍ତେ, ଯାହା ଶିକ୍ଷାଗତ ସମ୍ପର୍କକୁ ବୃଦ୍ଧି କରିପାରିବ, ଫେସବୁକ୍ ଏକ ବିଭ୍ରାନ୍ତକାରୀ ପ୍ରଭାବ ଭାବରେ କାର୍ଯ୍ୟ କରିବାର ସମ୍ଭାବନା ଅଧିକ । |
171071069cb3b58cfe8e38232c25bfa99f1fbdf5 | ସୋସିଆଲ ନେଟୱର୍କିଂ ସାଇଟଗୁଡିକରେ ନିଜକୁ ପରିଚୟ ଦେବାର ଏକ ସମ୍ପୂର୍ଣ୍ଣ ନୂତନ ପଦ୍ଧତି ପ୍ରକାଶ ପାଇଛି । ଏହି ସାଇବର ସାମାଜିକ ଉପକରଣ ବ୍ୟକ୍ତିତ୍ୱ ଏବଂ ପରିଚୟକୁ ପରୀକ୍ଷା କରିବା ପାଇଁ ଏକ ନୂତନ ସ୍ଥାନ ପ୍ରଦାନ କରେ । ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନରେ ସୋସିଆଲ ନେଟୱର୍କିଂ ୱେବସାଇଟ ଫେସବୁକ ଡଟ୍ କମ୍ ରେ ନାର୍କିସିଜିମ୍ ଏବଂ ଆତ୍ମସମ୍ମାନ କିପରି ପ୍ରକାଶ ପାଉଛି ତାହା ଅନୁସନ୍ଧାନ କରାଯାଇଛି । ୟର୍କ ବିଶ୍ୱବିଦ୍ୟାଳୟରେ ୧୦୦ ଜଣ ଫେସବୁକ ବ୍ୟବହାରକାରୀଙ୍କ ଠାରୁ ଆତ୍ମସମ୍ମାନ ଓ ନାର୍କିସଷ୍ଟ ବ୍ୟକ୍ତିତ୍ୱ ଆତ୍ମ-ରିପୋର୍ଟ ସଂଗ୍ରହ କରାଯାଇଥିଲା । ଅଂଶଗ୍ରହଣକାରୀ ୱେବ ପୃଷ୍ଠାଗୁଡ଼ିକୁ ମଧ୍ୟ ସ୍ୱ-ପ୍ରଚାରିତ ବିଷୟବସ୍ତୁ ବିଶେଷତା ଉପରେ ଆଧାର କରି କୋଡ୍ କରାଯାଇଥିଲା । ଏହି ବିଶ୍ଳେଷଣରୁ ଜଣାପଡିଥିଲା ଯେ, ଯେଉଁ ବ୍ୟକ୍ତିଙ୍କ ମଧ୍ୟରେ ନାର୍କିସିଜିମ୍ ଅଧିକ ଏବଂ ଆତ୍ମସମ୍ମାନ କମ୍, ସେମାନେ ଅଧିକ ଅନଲାଇନ୍ କାର୍ଯ୍ୟକଳାପ ସହିତ କିଛି ଆତ୍ମପ୍ରଚାର ବିଷୟବସ୍ତୁ ସହିତ ଜଡିତ ଥିଲେ । ଲିଙ୍ଗଗତ ପାର୍ଥକ୍ୟ ଯୋଗୁଁ ଫେସବୁକ ବ୍ୟବହାରକାରୀଙ୍କ ଦ୍ୱାରା ପ୍ରଦର୍ଶିତ ହେଉଥିବା ସ୍ୱ-ପ୍ରଚାର ବିଷୟବସ୍ତୁ ଉପରେ ପ୍ରଭାବ ପଡିଥାଏ । ସାମାଜିକ ନେଟୱାର୍କିଂ ୱେବସାଇଟରେ ନାର୍କିସିଜିମ୍ ଓ ଆତ୍ମସମ୍ମାନର ପ୍ରଭାବ ଓ ଭବିଷ୍ୟତର ଗବେଷଣା ଦିଗ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । |
5e30227914559ce088a750885761adbb7d2edbbf | ଇଣ୍ଟରନେଟରେ ସୋସିଆଲ ନେଟୱର୍କିଂରେ ଯୋଗ ଦେବା ପାଇଁ କିଶୋରମାନେ ବ୍ୟକ୍ତିଗତ ସୂଚନାକୁ ମୁକ୍ତ ଭାବରେ ଛାଡିଦେବେ । ପରେ, ଯେତେବେଳେ ସେମାନଙ୍କ ପିତାମାତା ସେମାନଙ୍କ ପତ୍ରିକା ପଢ଼ନ୍ତି, ସେମାନେ ଆଶ୍ଚର୍ଯ୍ୟ ହୋଇଯାଆନ୍ତି । ଅନ୍ଲାଇନ୍ରେ ଯୁବପିଢ଼ିଙ୍କ ଦ୍ୱାରା ପ୍ରକାଶିତ ବ୍ୟକ୍ତିଗତ ତଥ୍ୟକୁ ନେଇ ସମ୍ପ୍ରଦାୟଗୁଡ଼ିକ କ୍ଷୁବ୍ଧ ହୋଇପଡ଼ିଛନ୍ତି ଏବଂ କଲେଜଗୁଡ଼ିକ କ୍ୟାମ୍ପସ୍ ଭିତରେ ଓ ବାହାରେ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ଗତିବିଧି ଉପରେ ନଜର ରଖିଛନ୍ତି । କିଶୋର ଏବଂ ଛାତ୍ରମାନଙ୍କ ଦ୍ୱାରା ବ୍ୟକ୍ତିଗତ ସୂଚନା ପୋଷ୍ଟ କରିବା ଦ୍ୱାରା ଏହାର ପରିଣାମ ମଧ୍ୟ ଅଛି । ଏହି ଲେଖାରେ ଗୋପନୀୟତା ପାରାଡକ୍ସ, ଗୋପନୀୟତା ବନାମ ସର୍ବସାଧାରଣ ସ୍ଥାନ ଏବଂ ସୋସିଆଲ ନେଟୱାର୍କିଂ ଗୋପନୀୟତା ପ୍ରସଙ୍ଗ ଉପରେ ଆଲୋଚନା କରାଯିବ । ଏହାଦ୍ୱାରା ଗୋପନୀୟତା ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ପ୍ରସ୍ତାବିତ ସମାଧାନ ଓ ପଦକ୍ଷେପ ଉପରେ ଆଲୋଚନା କରାଯିବ । |
6c394f5eecc0371b43331b54ed118c8637b8b60d | ବ୍ୟାପକ ବିଚ୍ଛିନ୍ନତା କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିବା ପାଇଁ ବହୁ-ବିଭାଗ ଶକ୍ତି ବିଭାଜନର ଏକ ନୂତନ ଡିଜାଇନ୍ ଫର୍ମୁଲା ପ୍ରାପ୍ତ ହୋଇଛି । ଏହି ଡିଜାଇନ୍ ଫର୍ମୁଲା ସିଙ୍ଗଲ୍ ଟର୍ମିନାଲ୍ ଫିଲ୍ଟର ଡିଜାଇନ୍ ଥିଓରୀ ଉପରେ ଆଧାରିତ । ଏହି କାଗଜରେ ପ୍ରସ୍ତାବିତ ଡିଜାଇନ ଫର୍ମୁଲାର ବୈଧତା ଦର୍ଶାଇବା ପାଇଁ ବହୁ ବିଭାଗୀୟ ଶକ୍ତି ବିଭାଜକ ପାଇଁ ଅନେକ ସିମୁଲେସନ ଏବଂ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଉପସ୍ଥାପନ କରାଯାଇଛି । ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ମଲ୍ଟି-ଅକ୍ଟେଭ୍ ଆଇସୋଲେସନ ଚରିତ୍ର ସହିତ ମଲ୍ଟି-ସେକ୍ସନ ପାୱାର ଡିଭାଇଡରର ଉତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ରହିଛି । |
d12e3606d94050d382306761eb43b58c042ac390 | ଶିକ୍ଷାର୍ଥୀମାନଙ୍କର ପ୍ରବେଶିକା ପରୀକ୍ଷାରେ ସଫଳତା (କିମ୍ବା ବିଫଳତା) କୁ ନେଇ ରହିଥିବା କାରଣଗୁଡ଼ିକୁ ବୁଝିବା ଏକ ରୋଚକ ଓ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ସମସ୍ୟା । ଯେହେତୁ କେନ୍ଦ୍ରୀଭୂତ ସ୍ଥାନାନ୍ତରଣ ପରୀକ୍ଷା ଏବଂ ଭବିଷ୍ୟତର ଶିକ୍ଷାଗତ ସଫଳତାକୁ ଜଡିତ ଧାରଣା ଭାବରେ ବିବେଚନା କରାଯାଏ, ତେଣୁ ସ୍ଥାନାନ୍ତରଣ ପରୀକ୍ଷାର ସଫଳତାର କାରଣଗୁଡିକର ବିଶ୍ଳେଷଣ ଶିକ୍ଷାଗତ ସଫଳତାକୁ ବୁଝିବା ଏବଂ ସମ୍ଭାବ୍ୟ ଉନ୍ନତି କରିବାରେ ସାହାଯ୍ୟ କରିପାରେ _ ଏହି ଅଧ୍ୟୟନରେ, ତୁର୍କୀରେ ମାଧ୍ୟମିକ ଶିକ୍ଷା ପରିବର୍ତ୍ତନ ପ୍ରଣାଳୀରୁ ଏକ ବୃହତ ଏବଂ ବିବରଣୀ ସମୃଦ୍ଧ ଡାଟାସେଟ ବ୍ୟବହାର କରି ଆମେ ମାଧ୍ୟମିକ ଶିକ୍ଷା ସ୍ଥାନୀକରଣ ପରୀକ୍ଷାର ଫଳାଫଳକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ମଡେଲ ବିକଶିତ କରିଛୁ ଏବଂ ସେହି ପୂର୍ବାନୁମାନ ମଡେଲଗୁଡିକ ଉପରେ ସମ୍ବେଦନଶୀଳତା ବିଶ୍ଳେଷଣ ବ୍ୟବହାର କରି ଆମେ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପୂର୍ବାନୁମାନକାରୀଙ୍କୁ ଚିହ୍ନଟ କରିଛୁ । ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ C5 ନିଷ୍ପତ୍ତି ଗଛ ଆଲଗୋରିଦମ ହେଉଛି ସର୍ବୋତ୍ତମ ପୂର୍ବାନୁମାନକାରୀ 95% ସଠିକତା ସହିତ ହୋଲ୍ଡଆଉଟ୍ ନମୁନା ଉପରେ, ଏହା ପରେ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ (୯୧% ସଠିକତା ସହିତ) ଏବଂ କୃତ୍ରିମ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (୮୯% ସଠିକତା ସହିତ) । ଲଜିଷ୍ଟିକ ରିଗ୍ରେସନ ମଡେଲଗୁଡ଼ିକ ଚାରୋଟି ମଧ୍ୟରୁ ସବୁଠାରୁ କମ୍ ସଠିକ ବୋଲି ଜଣାପଡିଛି ଏବଂ ମୋଟାମୋଟି ସଠିକତା ୮୨% । ସମ୍ବେଦନଶୀଳତା ବିଶ୍ଳେଷଣରୁ ଜଣାପଡିଛି ଯେ ପୂର୍ବ ପରୀକ୍ଷାର ଅଭିଜ୍ଞତା, ଛାତ୍ରର ଛାତ୍ରବୃତ୍ତି ଅଛି କି ନାହିଁ, ଛାତ୍ରର ଭାଇଭଉଣୀଙ୍କ ସଂଖ୍ୟା, ପୂର୍ବ ବର୍ଷଗୁଡ଼ିକର ଗ୍ରେଡ୍ ପଏଣ୍ଟ ହାରାହାରି ହେଉଛି ସ୍ଥାନିତ ପରୀକ୍ଷାର ସ୍କୋରର ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପୂର୍ବାନୁମାନକାରୀ । 2012 ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ। |
75859ac30f5444f0d9acfeff618444ae280d661d | ବହୁ ବାୟୋମେଟ୍ରିକ ପ୍ରଣାଳୀକୁ ବହୁ ବଡ଼-ବଡ଼ ବାୟୋମେଟ୍ରିକ ପ୍ରୟୋଗରେ (ଯେପରିକି ଏଫବିଆଇ-ଆଇଏଫଆଇଏସ, ଭାରତରେ ୟୁଆଇଡିଏଆଇ ପ୍ରଣାଳୀ) ଅଧିକ ମାତ୍ରାରେ ବ୍ୟବହାର କରାଯାଉଛି କାରଣ ୟୁନି ବାୟୋମେଟ୍ରିକ ପ୍ରଣାଳୀ ତୁଳନାରେ ଏହାର ତ୍ରୁଟି ହାର କମ୍ ଏବଂ ଜନସଂଖ୍ୟା ଅଧିକ । କିନ୍ତୁ ମଲ୍ଟି ବାୟୋମେଟ୍ରିକ ସିଷ୍ଟମରେ ପ୍ରତ୍ୟେକ ଉପଭୋକ୍ତାଙ୍କ ପାଇଁ ଏକାଧିକ ବାୟୋମେଟ୍ରିକ ଟେମ୍ପଲେଟ (ଯେପରିକି ଫିଙ୍ଗରପ୍ରିଣ୍ଟ, ଆଇରିସ ଏବଂ ଚେହେରା) ର ଷ୍ଟୋରେଜ ଆବଶ୍ୟକ ହୋଇଥାଏ, ଯାହାଦ୍ୱାରା ଉପଭୋକ୍ତାଙ୍କ ଗୋପନୀୟତା ଏବଂ ସିଷ୍ଟମ ସୁରକ୍ଷା ପ୍ରତି ବିପଦ ବଢ଼ିଯାଏ । ବ୍ୟକ୍ତିଗତ ଟେମ୍ପଲେଟକୁ ସୁରକ୍ଷିତ ରଖିବା ପାଇଁ ଗୋଟିଏ ଉପାୟ ହେଉଛି ବାୟୋମେଟ୍ରିକ କ୍ରିପ୍ଟୋ ସିଷ୍ଟମ ବ୍ୟବହାର କରି କେବଳ ସେହି ଟେମ୍ପଲେଟରୁ ସୃଷ୍ଟି ହୋଇଥିବା ସୁରକ୍ଷିତ ସ୍କେଚକୁ ଷ୍ଟୋର କରିବା । ଏଥିପାଇଁ ଏକାଧିକ ସ୍କେଚକୁ ଷ୍ଟୋର୍ କରିବାକୁ ପଡ଼ିବ । ଏହି କାଗଜରେ, ଆମେ ଏକ ବୈଶିଷ୍ଟ୍ୟ-ସ୍ତରୀୟ ସମ୍ମିଶ୍ରଣ ଫ୍ରେମୱାର୍କର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଏକକାଳୀନ ଏକ ୟୁଜର୍ଙ୍କର ଏକାଧିକ ଟେମ୍ପଲେଟକୁ ଏକ ସୁରକ୍ଷିତ ସ୍କେଚ୍ ଭାବରେ ସୁରକ୍ଷା କରିଥାଏ । ଆମର ମୁଖ୍ୟ ଅବଦାନଗୁଡ଼ିକ ହେଲା: (1) ଦୁଇଟି ଜଣାଶୁଣା ବାୟୋମେଟ୍ରିକ୍ କ୍ରିପ୍ଟୋସିଷ୍ଟମ, ଯଥା ନାମୀକରଣ, ଫଜ୍ଜୀ ଭେଲ୍ଟ ଏବଂ ଫଜ୍ଜୀ ପ୍ରତିବଦ୍ଧତା ବ୍ୟବହାର କରି ପ୍ରସ୍ତାବିତ ବୈଶିଷ୍ଟ୍ୟ-ସ୍ତରୀୟ ସମ୍ମିଶ୍ରଣ ଢାଞ୍ଚାର ବ୍ୟବହାରିକ କାର୍ଯ୍ୟକାରିତା ଏବଂ (2) ଦୁଇଟି ଭିନ୍ନ ଡାଟାବେସ୍ (ଏକ ବାସ୍ତବ ଏବଂ ଏକ ଭର୍ଚୁଆଲ୍ ମଲ୍ଟିମୋଡାଲ୍ ଡାଟାବେସ୍) ଉପରେ ଆଧାରିତ ପ୍ରସ୍ତାବିତ ମଲ୍ଟିବାୟୋମେଟ୍ରିକ୍ କ୍ରିପ୍ଟୋସିଷ୍ଟମରେ ମେଳ ହେଉଥିବା ସଠିକତା ଏବଂ ସୁରକ୍ଷା ମଧ୍ୟରେ ବାଣିଜ୍ୟର ବିସ୍ତୃତ ବିଶ୍ଳେଷଣ, ଯେଉଁଥିରେ ପ୍ରତ୍ୟେକ ତିନୋଟି ଲୋକପ୍ରିୟ ବାୟୋମେଟ୍ରିକ୍ ମୋଡାଲିଟିଜ୍, ଯଥା ଫିଙ୍ଗରପ୍ରିଣ୍ଟ, ଆଇରିସ୍ ଏବଂ ଚେହେରା ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ଉଭୟ ମଲ୍ଟିବାୟୋମେଟ୍ରିକ୍ କ୍ରିପ୍ଟୋସିଷ୍ଟମ ଏଠାରେ ପ୍ରସ୍ତାବିତ ହୋଇଛି, ସେମାନଙ୍କର ୟୁନିବାୟୋମେଟ୍ରିକ୍ ପ୍ରତିପକ୍ଷ ତୁଳନାରେ ଅଧିକ ସୁରକ୍ଷା ଏବଂ ମେଳ ଖାଉଥିବା କାର୍ଯ୍ୟଦକ୍ଷତା ରହିଛି । |
98e03d35857f66c34fa79f3ea0dd2b4e3b670044 | |
65227ddbbd12015ba8a45a81122b1fa540e79890 | ୱେବ ପୃଷ୍ଠାର ଗୁରୁତ୍ୱ ହେଉଛି ଏକ ଅନ୍ତର୍ନିହିତ ବିଷୟ, ଯାହା ପାଠକଙ୍କ ଆଗ୍ରହ, ଜ୍ଞାନ ଏବଂ ମନୋଭାବ ଉପରେ ନିର୍ଭର କରେ । କିନ୍ତୁ ୱେବ ପୃଷ୍ଠାଗୁଡ଼ିକର ଆନୁପାତିକ ମହତ୍ତ୍ୱ ବିଷୟରେ ଏବେ ମଧ୍ୟ ଅନେକ କିଛି କୁହାଯାଇପାରିବ । ଏହି ପତ୍ରିକାରେ ପେଜରେଙ୍କ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯାହାକି ୱେବ ପୃଷ୍ଠାଗୁଡ଼ିକୁ ବସ୍ତୁଗତ ଓ ଯାନ୍ତ୍ରିକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରିବାର ଏକ ପଦ୍ଧତି, ଯାହାଦ୍ୱାରା ସେଗୁଡ଼ିକ ପ୍ରତି ମନୁଷ୍ୟର ଆଗ୍ରହ ଓ ଧ୍ୟାନକୁ ପ୍ରଭାବୀ ଢଙ୍ଗରେ ମାପ କରାଯାଇପାରିବ । ଆମେ ପେଜରେଙ୍କକୁ ଏକ ଆଦର୍ଶ ଅନିୟମିତ ୱେବ ସର୍ଫର ସହିତ ତୁଳନା କରିଥାଉ । ଆମେ ଦେଖାଇବୁ କିପରି ବହୁ ସଂଖ୍ୟକ ପୃଷ୍ଠାର ପେଜରେଙ୍କକୁ ସଠିକ ଭାବରେ ଗଣନା କରାଯାଇପାରିବ । ଏବଂ, ଆମେ ଦେଖାଇବୁ କିପରି ପେଜରେଙ୍କକୁ ପ୍ରୟୋଗ କରି ସର୍ଚ୍ଚ ଏବଂ ୟୁଜର ନେଭିଗେସନକୁ ବ୍ୟବହାର କରିପାରିବା । |
0a202f1dfc6991a6a204eaa5e6b46d6223a4d98a | କୌଣସି ଫିଚର ଆଧାରିତ ଭିଜନ୍ ସିଷ୍ଟମ୍ କାମ କରିପାରିବ ନାହିଁ, ଯଦି ଭଲ ଫିଚର ଗୁଡିକୁ ଚିହ୍ନଟ କରାଯାଇପାରିବ ନାହିଁ ଏବଂ ଫ୍ରେମରୁ ଫ୍ରେମକୁ ଟ୍ରାକ୍ କରାଯାଇପାରିବ ନାହିଁ । ଯଦିଓ ଟ୍ରାକିଂ ନିଜେ ଏକ ସମାଧାନ ସମସ୍ୟା ଅଟେ, ତଥାପି ଭଲ ଭାବରେ ଟ୍ରାକ୍ କରାଯାଇପାରୁଥିବା ଏବଂ ଦୁନିଆର ଭୌତିକ ବିନ୍ଦୁ ସହିତ ମେଳ ଖାଉଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ବାଛିବା କଷ୍ଟକର ଅଟେ । ଆମେ ଏକ ବୈଶିଷ୍ଟ୍ୟ ଚୟନ ମାନଦଣ୍ଡ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହା ନିର୍ମାଣ ଦ୍ୱାରା ସର୍ବୋତ୍ତମ ଅଟେ କାରଣ ଏହା ଟ୍ରାକର୍ କିପରି କାର୍ଯ୍ୟ କରେ ତାହା ଉପରେ ଆଧାରିତ, ଏବଂ ଏକ ବୈଶିଷ୍ଟ୍ୟ ମନିଟରିଂ ପଦ୍ଧତି ଯାହା ଅବରୋଧ, ପ୍ରକାଶ ଏବଂ ବୈଶିଷ୍ଟ୍ୟକୁ ଚିହ୍ନଟ କରିପାରିବ ଯାହା ଦୁନିଆର ବିନ୍ଦୁ ସହିତ ମେଳ ଖାଉନାହିଁ । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ଏକ ନୂତନ ଟ୍ରାକିଂ ଆଲଗୋରିଦମ ଉପରେ ଆଧାରିତ ଯାହା ପୂର୍ବବର୍ତ୍ତୀ ନିଉଟନ-ରାଫସନ ଶୈଳୀ ସନ୍ଧାନ ପଦ୍ଧତିଗୁଡ଼ିକୁ ଏକ ନୂତନ ପ୍ରତିଛବି ପରିବର୍ତ୍ତନ ଅଧୀନରେ କାର୍ଯ୍ୟ କରିବାକୁ ବିସ୍ତାର କରିଥାଏ । ଆମେ ଅନେକ ସିମୁଲେସନ ଓ ପରୀକ୍ଷଣ କରି ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତା ଯାଞ୍ଚ କରିଥାଉ । |
4f640c1338840f3740187352531dfeca9381b5c3 | କ୍ରମିକ ମଡେଲର ସମସ୍ୟା ନିକଟରେ [AS95]ରେ ଉପସ୍ଥାପିତ ହୋଇଥିଲା । ଆମକୁ ଏକ କ୍ରମର ଡାଟାବେସ୍ ଦିଆଯାଏ, ଯେଉଁଠାରେ ପ୍ରତ୍ୟେକ କ୍ରମ ହେଉଛି କାରବାର ସମୟ ଅନୁସାରେ କ୍ରମାନୁସାରେ କରାଯାଇଥିବା କାରବାରର ଏକ ତାଲିକା, ଏବଂ ପ୍ରତ୍ୟେକ କାରବାର ହେଉଛି ଆଇଟମ୍ସର ଏକ ସେଟ୍ । ସମସ୍ୟା ହେଉଛି ସମସ୍ତ କ୍ରମିକ ମଡେଲକୁ ବ୍ୟବହାରକାରୀ ନିର୍ଦ୍ଦିଷ୍ଟ ସର୍ବନିମ୍ନ ସମର୍ଥନ ସହିତ ଆବିଷ୍କାର କରିବା, ଯେଉଁଠାରେ ଏକ ମଡେଲର ସମର୍ଥନ ହେଉଛି ଡାଟା-ସେକ୍ୱେନ୍ସ ସଂଖ୍ୟା ଯାହା ମଡେଲ ଧାରଣ କରିଥାଏ । ଗୋଟିଏ କ୍ରମିକ ମଡେଲର ଉଦାହରଣ ହେଉଛି ୫% ଗ୍ରାହକ ଗୋଟିଏ କାରବାରରେ ଅନ ଫାଉଣ୍ଡେସନ ଏବଂ ଅନ ରିଙ୍ଗୱାର୍ଲ୍ଡ କିଣିଛନ୍ତି, ତା ପରେ ପରବର୍ତ୍ତୀ କାରବାରରେ ଅନ ସେକେଣ୍ଡ ଫାଉଣ୍ଡେସନ କିଣିଛନ୍ତି । ଆମେ ଏହି ସମସ୍ୟାକୁ ନିମ୍ନଲିଖିତ ଭାବରେ ସାଧାରଣ କରିଥାଉ । ପ୍ରଥମେ, ଆମେ ସମୟର ପ୍ରତିବନ୍ଧକ ଯୋଡୁ ଯାହା ଏକ ମଡେଲର ଆଖପାଖ ଉପାଦାନ ମଧ୍ୟରେ ସର୍ବନିମ୍ନ ଏବଂ / କିମ୍ବା ସର୍ବାଧିକ ସମୟ ଅବଧି ନିର୍ଦ୍ଦିଷ୍ଟ କରେ । ଦ୍ୱିତୀୟତଃ, ଆମେ କ୍ରମିକ ମଡେଲର ଏକ ଉପାଦାନରେ ଥିବା ଆଇଟମଗୁଡିକ ସେହି ସମାନ କାରବାରରୁ ଆସିବା ଆବଶ୍ୟକ ବୋଲି ପ୍ରତିବନ୍ଧକକୁ କୋହଳ କରିଥାଉ, ଏହା ପରିବର୍ତ୍ତେ ଆଇଟମଗୁଡିକ କାରବାରର ଏକ ସେଟରେ ଉପସ୍ଥିତ ରହିବାକୁ ଅନୁମତି ଦେଇଥାଉ ଯାହାର କାରବାର ସମୟ ଉପଭୋକ୍ତା-ନିର୍ଦ୍ଦିଷ୍ଟ ସମୟ ୱିଣ୍ଡୋ ମଧ୍ୟରେ ଥାଏ । ତୃତୀୟତଃ, ଉପଭୋକ୍ତା-ନିର୍ଦ୍ଧାରିତ ବର୍ଗୀକରଣ (ଏକ-ଶ୍ରେଣୀ) ଦ୍ୱାରା ବସ୍ତୁଗୁଡ଼ିକ ଉପରେ, ଆମେ କ୍ରମିକ ପ୍ୟାଟର୍ନଗୁଡ଼ିକୁ ବର୍ଗୀକରଣର ସମସ୍ତ ସ୍ତରରେ ବସ୍ତୁଗୁଡ଼ିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବାକୁ ଅନୁମତି ଦେଇଥାଉ । ଆମେ ଏଠାରେ GSP, ଏକ ନୂତନ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏହି ସାଧାରଣ କ୍ରମିକ ମଡେଲଗୁଡ଼ିକୁ ଆବିଷ୍କାର କରିଥାଏ । ସିନ୍ଥେଟିକ ଏବଂ ବାସ୍ତବ ଜୀବନର ତଥ୍ୟ ବ୍ୟବହାର କରି ଅନୁଭୂତି ଆଧାରିତ ମୂଲ୍ୟାୟନ ଦର୍ଶାଏ ଯେ ଜିଏସପି ଆପ୍ରିଓରିଅଲ୍ ଆଲଗୋରିଦମ ଅପେକ୍ଷା ବହୁତ ଦ୍ରୁତ ଅଟେ । ତଥ୍ୟ-କ୍ରମର ସଂଖ୍ୟା ସହିତ ଜିଏସପିର ପରିମାପକ ଧାଡ଼ିରେ ହୋଇଥାଏ ଏବଂ ହାରାହାରି ତଥ୍ୟ-କ୍ରମର ଆକାର ସହିତ ଜଡ଼ିତ ବହୁତ ଭଲ ସ୍କେଲ-ଅପ୍ ଗୁଣ ଥାଏ । ଏହା ସହିତ, କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ ବିଭାଗ, ୱିସକନସିନ ବିଶ୍ୱବିଦ୍ୟାଳୟ, ମେଡିସନ । |
4282abe7e08bcfb2d282c063428fb187b2802e9c | ଫିଲର ବ୍ୟବହାର କରି ରୋଗୀମାନଙ୍କର ସଂଖ୍ୟା ଧୀରେ ଧୀରେ ବୃଦ୍ଧି ପାଇବା ସହିତ ଅଣ ଡାକ୍ତରୀ ପେସାଦାର କିମ୍ବା ଅଭିଜ୍ଞତା ନଥିବା ଡାକ୍ତରଙ୍କ ଦ୍ୱାରା ଚିକିତ୍ସା କରାଯାଉଥିବା ରୋଗୀମାନଙ୍କର ସଂଖ୍ୟା ମଧ୍ୟ ବୃଦ୍ଧି ପାଉଛି । ଆମେ ଏଠାରେ 2 ଜଣ ରୋଗୀଙ୍କ ବିଷୟରେ ସୂଚନା ଦେଉଛୁ ଯେଉଁମାନେ ଫିଲର ଇଞ୍ଜେକ୍ସନ ନେବା ପରେ ଗୁରୁତର ଜଟିଳତା ଅନୁଭବ କରିଥିଲେ ଏବଂ ଏଡିସୋସ- ଡେବିରିଭଡ ଷ୍ଟେମ ସେଲ (ଏଡିଏସସି) ଥେରାପି ଦ୍ୱାରା ସଫଳତାର ସହ ଚିକିତ୍ସା କରାଯାଇଥିଲା । କେସ୍ ୧ ହେଉଛି ଜଣେ ୨୩ ବର୍ଷୀୟ ମହିଳା ରୋଗୀ ଯାହାଙ୍କୁ ଜଣେ ଅଣ ଡାକ୍ତରୀ ପେସାଦାର ତାଙ୍କ କପାଳରେ, ଗ୍ଲାବେଲା ଏବଂ ନାକରେ ଏକ ଫିଲଲର (ରେଷ୍ଟିଲେନ) ଇଞ୍ଜେକ୍ସନ ଦେଇଥିଲେ । ଇଞ୍ଜେକ୍ସନ ଦିଆଯିବାର ପରଦିନ, 3x3 ସେଣ୍ଟିମିଟର ଚର୍ମର ଜଳାପୋଡ଼ା ସହିତ ଜ୍ୱଳନ ଦେଖାଦେଇଥିଲା । କେସ୍ ୨ଃ ଜଣେ ୩୦ ବର୍ଷୀୟା ମହିଳାଙ୍କୁ ଏକ ଘରୋଇ କ୍ଲିନିକରେ ହାୟାଲୁରୋନିକ୍ ଏସିଡ୍ ଜେଲ୍ (ଜ୍ୟୁଭେଡର୍ମ) ର ଭରଣକାରୀ ଇଞ୍ଜେକ୍ସନ ଦିଆଯାଇଥିଲା । ପ୍ରତ୍ୟେକ ରୋଗୀଙ୍କ ପେଟର ତଳ ଚର୍ମ ଟିସୁରୁ ସଂଗ୍ରହ କରାଯାଇଥିବା ଏଡିଏସସି ଯୁକ୍ତ ଦ୍ରବ୍ୟକୁ ଚର୍ମ ଓ ତଳ ଚର୍ମ ସ୍ତରରେ କ୍ଷତରେ ଇଞ୍ଜେକ୍ସନ ଦିଆଯାଇଥିଲା । ଆଘାତର ଚିକିତ୍ସା ବିନା ଏହା ଭଲ ହୋଇଯାଇଥିଲା । କ୍ରମାଗତ ଅନୁଧ୍ୟାନରେ ଉଭୟ ରୋଗୀ ଅପରେସନ ପରର ୬ ମାସ ମଧ୍ୟରେ କେବଳ ସୂକ୍ଷ୍ମ ରେଖାପଥିକ କ୍ଷତ ଚିହ୍ନ ଦେଖିଲେ । ଏଡିପୋସ-ଆଧାରିତ ଷ୍ଟେମ ସେଲ ବ୍ୟବହାର କରି, ଆମେ ସଫଳତାର ସହିତ ଚର୍ମର ଜଟିଳ ଜଟିଳତା ଚିକିତ୍ସା କରିଥିଲୁ, ଯାହାଫଳରେ କମ୍ କ୍ଷତ ସୃଷ୍ଟି ହୋଇଥିଲା, ଏବଂ ଅଧିକ ସନ୍ତୋଷଜନକ ଫଳାଫଳ କେବଳ କ୍ଷତ ଆରୋଗ୍ୟରେ ନୁହେଁ, ସୌନ୍ଦର୍ଯ୍ୟରେ ମଧ୍ୟ ହାସଲ କରାଯାଇଥିଲା । |
3198e5de8eb9edfd92e5f9c2cb325846e25f22aa | |
bdf434f475654ee0a99fe11fd63405b038244f69 | ପୁନଃ ଅପରାଧ ପୂର୍ବାନୁମାନ ସ୍କୋର ସମଗ୍ର ଆମେରିକାରେ ଶହ ଶହ କଏଦୀଙ୍କ ଦଣ୍ଡ ଏବଂ ତଦାରଖ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ପୁନଃ ଅପରାଧ ପୂର୍ବାନୁମାନ ସ୍କୋରର ଏକ ଜେନେରେଟର ହେଉଛି ନର୍ଥପଏଣ୍ଟର ସଂଶୋଧନ ଅପରାଧୀ ପରିଚାଳନା ପ୍ରୋଫାଇଲିଂ ବିକଳ୍ପ ଦଣ୍ଡ (କମ୍ପାସ୍) ସ୍କୋର, କାଲିଫର୍ଣ୍ଣିଆ ଏବଂ ଫ୍ଲୋରିଡା ପରି ରାଜ୍ୟରେ ବ୍ୟବହୃତ, ଯାହା ଅତୀତର ଅନୁସନ୍ଧାନରେ କଳା ଅନ୍ତେବାସୀଙ୍କ ବିରୋଧରେ ପକ୍ଷପାତିତା ଦେଖାଯାଇଛି। ଏହି ଜାତିଗତ ଭେଦଭାବକୁ ପ୍ରତିରୋଧ କରିବା ପାଇଁ, ଆମେ ଏକ ବିରୋଧାଭାସୀ ତାଲିମପ୍ରାପ୍ତ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ପୁନଃ ଅପରାଧର ପୂର୍ବାନୁମାନ କରିଥାଏ ଏବଂ ଜାତିଗତ ଭେଦଭାବକୁ ଦୂର କରିବା ପାଇଁ ତାଲିମପ୍ରାପ୍ତ ହୋଇଥାଏ । ଯେତେବେଳେ ଆମେ ଆମର ମଡେଲର ଫଳାଫଳକୁ COMPAS ସହିତ ତୁଳନା କରୁ, ଆମେ ପୂର୍ବାନୁମାନ ସଠିକତା ହାସଲ କରୁ ଏବଂ ନ୍ୟାୟପୂର୍ଣ୍ଣତାର ତିନୋଟି ମାପଦଣ୍ଡ ମଧ୍ୟରୁ ଦୁଇଟି ହାସଲ କରିବା ପାଇଁ ନିକଟତର ହେଉ: ସମାନତା ଏବଂ ସୁଯୋଗର ସମାନତା । ଆମର ମଡେଲକୁ ଯେକୌଣସି ପୂର୍ବାନୁମାନ ଏବଂ ଜନସଂଖ୍ୟା ପାଇଁ ସାଧାରଣ କରାଯାଇପାରିବ । ଏହି ଗବେଷଣା ପୁନରାବୃତ୍ତି ପୂର୍ବାନୁମାନ ଭଳି ବାସ୍ତବ ଦୁନିଆରେ ଉଚ୍ଚ-ଦାମର ପ୍ରୟୋଗରେ ବୈଜ୍ଞାନିକ ପ୍ରତିକ୍ରିୟା ଏବଂ ସରଳୀକରଣର ଏକ ଉଦାହରଣ ପ୍ରଦାନ କରେ । |
33fad977a6b317cfd6ecd43d978687e0df8a7338 | ଏହି କାଗଜରେ ସ୍ଥାନୀୟ ବାଇନାରୀ ମଡେଲ ଏବଂ ନମୁନା ଏବଂ ପ୍ରୋଟାଇପ ବଣ୍ଟନର ଅଣ ପାରାମେଟ୍ରିକ ଭେଦଭାବ ଉପରେ ଆଧାରିତ ଗ୍ରେ-ସ୍କେଲ ଏବଂ ଘୂର୍ଣ୍ଣନ ଅକ୍ଷୟତା ଟେକ୍ସଚର ବର୍ଗୀକରଣ ପାଇଁ ଏକ ସିଦ୍ଧାନ୍ତଗତ ଭାବରେ ବହୁତ ସରଳ, ତଥାପି ଦକ୍ଷ, ମଲ୍ଟି ରିଜୋଲ୍ୟୁସନ ଆଭିମୁଖ୍ୟ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ପଦ୍ଧତିର ଆଧାର ହେଉଛି ଯେ କେତେକ ସ୍ଥାନୀୟ ବାଇନାରୀ ମଡେଲ, ଯାହାକୁ ଏକକ ବୋଲି କୁହାଯାଇଥାଏ, ସ୍ଥାନୀୟ ପ୍ରତିଛବିର ମୌଳିକ ଗୁଣ ଏବଂ ସେମାନଙ୍କର ଘଟଣା ହିଷ୍ଟୋଗ୍ରାମ୍ ଏକ ଶକ୍ତିଶାଳୀ ଢାଞ୍ଚା ବୈଶିଷ୍ଟ୍ୟ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ଆମେ ଏକ ସାଧାରଣ ଧୂସର ଆକାର ଓ ଘୂର୍ଣ୍ଣନ ଅକ୍ଷର ଅପରେଟର ଉପସ୍ଥାପନା କରିଛୁ ଯାହା କୋଣିକୃତ ସ୍ଥାନର ଯେକୌଣସି ପରିମାଣିକରଣ ଏବଂ ଯେକୌଣସି ଆଭାସିକ ସଂକଳ୍ପ ପାଇଁ ଏକୀକୃତ ପଦ୍ଧତିକୁ ଚିହ୍ନଟ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଏବଂ ବହୁ ସଂକଳ୍ପ ବିଶ୍ଳେଷଣ ପାଇଁ ଏକାଧିକ ଅପରେଟରକୁ ମିଶ୍ରଣ କରିବାର ଏକ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରିଥାଏ । ଧୂସର ରଙ୍ଗର ତାରତମ୍ୟକୁ ନେଇ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ବହୁତ ଦୃଢ଼ ଅଟେ କାରଣ ଅପରେଟର, ପରିଭାଷା ଅନୁସାରେ, ଧୂସର ରଙ୍ଗର ତାରତମ୍ୟର କୌଣସି ଏକକ ରୂପାନ୍ତରଣ ପ୍ରତି ଅସ୍ଥିର ଅଟେ । ଅନ୍ୟ ଏକ ସୁବିଧା ହେଉଛି କମ୍ପ୍ୟୁଟେଶନାଲ୍ ସରଳତା କାରଣ ଅପରେଟରକୁ ଏକ ଛୋଟ ପଡ଼ୋଶୀ ଏବଂ ଏକ ଲୁକ୍ଅପ୍ ଟେବୁଲରେ କିଛି ଅପରେସନ୍ ସହିତ ଅନୁଭବ କରାଯାଇପାରିବ । ପ୍ରକୃତ ସମସ୍ୟା ଗୁଡିକରେ ମିଳିଥିବା ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ, ଯେଉଁଠାରେ ଶ୍ରେଣୀକରଣକାରୀକୁ ଗୋଟିଏ ନିର୍ଦ୍ଦିଷ୍ଟ ଘୂର୍ଣ୍ଣନ କୋଣରେ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଏ ଏବଂ ଅନ୍ୟ ଘୂର୍ଣ୍ଣନ କୋଣରୁ ନମୁନା ସହିତ ପରୀକ୍ଷା କରାଯାଏ, ସେଠାରେ ଭଲ ଭେଦଭାବ ହାସଲ କରାଯାଇପାରିବ । ଏହି ଅପରେଟରମାନେ ସ୍ଥାନୀୟ ପ୍ରତିଛବିର ସଂରଚନାର ଆଭ୍ୟନ୍ତରୀଣ ସଂରଚନାକୁ ବର୍ଣ୍ଣନା କରନ୍ତି ଏବଂ ସ୍ଥାନୀୟ ପ୍ରତିଛବିର ସଂରଚନାର ବିପରୀତତାକୁ ବର୍ଣ୍ଣନା କରୁଥିବା ଘୂର୍ଣ୍ଣନ ଅକ୍ଷରୀୟ ବିଭେଦ ମାପ ସହିତ ମିଶ୍ରଣ କରି କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଆହୁରି ଉନ୍ନତ କରାଯାଇପାରିବ । ଏହି ଅର୍ତୋଗୋନାଲ୍ ମାପଗୁଡିକର ମିଳିତ ବଣ୍ଟନ ଘୂର୍ଣ୍ଣନ ଅକ୍ଷରୀୟ ଟେକ୍ସଚର ବିଶ୍ଳେଷଣ ପାଇଁ ଅତ୍ୟନ୍ତ ଶକ୍ତିଶାଳୀ ଉପକରଣ ଭାବରେ ଦେଖାଯାଇଥାଏ । ସୂଚକାଙ୍କ ଶବ୍ଦ: ଅଣ ପାରାମିଟ୍ରିକ, ରଚନା ବିଶ୍ଳେଷଣ, ଓଉଟେକ୍ସ, ବ୍ରୋଡାଟଜ, ବଣ୍ଟନ, ହିଷ୍ଟୋଗ୍ରାମ୍, ବିପରୀତ । |
8ade5d29ae9eac7b0980bc6bc1b873d0dd12a486 | |
12a97799334e3a455e278f2a995a93a6e0c034bf | ଏହି ପତ୍ରିକାରେ ଚିନୀ ଶବ୍ଦ ବିଭାଜନ ପାଇଁ ଏକ ଇମ୍ବେଡିଂ ମେଳ ଖାଉଥିବା ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି, ଯାହା ପାରମ୍ପରିକ କ୍ରମିକ ଲେବଲିଂ ଫ୍ରେମୱାର୍କକୁ ସାଧାରଣ କରିଥାଏ ଏବଂ ବଣ୍ଟିତ ପ୍ରତିନିଧିତ୍ୱର ଲାଭ ଉଠାଇଥାଏ । ତାଲିମ ଏବଂ ପୂର୍ବାନୁମାନ ଆଲଗୋରିଦମଗୁଡ଼ିକର ରେଖାପାତ ସମୟ ଜଟିଳତା ରହିଛି । ପ୍ରସ୍ତାବିତ ମଡେଲ ଆଧାରରେ ଏକ ଲୋଭୀ ସେଗମେଣ୍ଟର ବିକଶିତ କରାଯାଇଥାଏ ଏବଂ ଏହାର ମୂଲ୍ୟାଙ୍କନ ବେଞ୍ଚମାର୍କ କର୍ପୋରେସନରେ କରାଯାଇଥାଏ । ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ଲୋଭୀ ସେଗମେଣ୍ଟେଟର ପୂର୍ବ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଆଧାରିତ ଶବ୍ଦ ସେଗମେଣ୍ଟେଟର ତୁଳନାରେ ଉନ୍ନତ ଫଳାଫଳ ହାସଲ କରିଥାଏ ଏବଂ ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତା ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତି ସହିତ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା କରିଥାଏ, ଏହାର ସରଳ ବୈଶିଷ୍ଟ୍ୟ ସେଟ୍ ଏବଂ ତାଲିମ ପାଇଁ ବାହ୍ୟ ଉତ୍ସ ଅଭାବ ସତ୍ତ୍ୱେ _ |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.