_id
stringlengths 40
40
| text
stringlengths 0
10.7k
|
|---|---|
dcd72f0a9cdc37450379f401fc2f4f87e30f5021 | |
c1b66422b1dab3eeee6d6c760f4bd227a8bb16c5 | |
e75c5d1b7ecd71cd9f1fdc3d07f56290517ef1e5 | ஆன்லைன் பரிவர்த்தனை செயலாக்கம் (OLTP) மற்றும் ஆன்லைன் பகுப்பாய்வு செயலாக்கம் (OLAP) ஆகிய இரண்டு பகுதிகளும் தரவுத்தள கட்டமைப்புகளுக்கு வெவ்வேறு சவால்களை முன்வைக்கின்றன. தற்போது, மிஷன்-கிரிட்டிகல் பரிவர்த்தனைகளின் அதிக விகிதங்களைக் கொண்ட வாடிக்கையாளர்கள் தங்கள் தரவை இரண்டு தனித்தனி அமைப்புகளாகப் பிரித்துள்ளனர், OLTP க்கான ஒரு தரவுத்தளம் மற்றும் OLAP க்கான ஒரு தரவுக் கிடங்கு. முறையான பரிவர்த்தனை விகிதங்களை அனுமதிக்கும் அதே வேளையில், இந்த பிரிப்பு, இரண்டு தனித்தனி தகவல் அமைப்புகளை பராமரிப்பதால், எக்ஸ்ட்ராக்ட் டிரான்ஸ்ஃபார்ம் லோடு-தரவுகளை அவ்வப்போது தொடங்குவதால் ஏற்படும் தாமதம் மற்றும் அதிகப்படியான வள நுகர்வு ஆகியவற்றால் ஏற்படும் தரவு புத்துணர்ச்சி பிரச்சினைகள் உட்பட பல குறைபாடுகளைக் கொண்டுள்ளது. ஹைபர் எனப்படும் ஒரு திறமையான கலப்பின அமைப்பை நாங்கள் முன்வைக்கிறோம், இது OLTP மற்றும் OLAP இரண்டையும் ஒரே நேரத்தில் கையாள முடியும். இது பரிவர்த்தனை தரவுகளின் நிலையான ஸ்னாப்ஷாட்களை பராமரிக்க வன்பொருள் உதவியுடன் பிரதி பொறிமுறையைப் பயன்படுத்துவதன் மூலம். ஹைபர் என்பது ஒரு பிரதான நினைவக தரவுத்தள அமைப்பாகும், இது OLTP பரிவர்த்தனைகளின் ACID பண்புகளை உத்தரவாதம் செய்கிறது மற்றும் ஒரே, தன்னிச்சையாக தற்போதைய மற்றும் நிலையான ஸ்னாப்ஷாட்டில் OLAP வினவல் அமர்வுகளை (பல வினவல்கள்) செயல்படுத்துகிறது. மெய்நிகர் நினைவக மேலாண்மைக்கான செயலி-உள்ளார்ந்த ஆதரவின் பயன்பாடு (முகவரி மொழிபெயர்ப்பு, கேச்சிங், புதுப்பித்தலில் நகல்) ஒரே நேரத்தில் இருவரும் விளைவுகளை ஏற்படுத்துகிறதுஃ முன்னோடியில்லாத வகையில் உயர் பரிவர்த்தனை விகிதங்கள் வினாடிக்கு 100000 வரை உயர்ந்தவை மற்றும் ஒரே நேரத்தில் இரண்டு பணிச்சுமைகளையும் செயல்படுத்தும் ஒரு அமைப்பில் மிக வேகமான OLAP வினவல் மறுமொழி நேரங்கள். செயல்திறன் பகுப்பாய்வு ஒருங்கிணைந்த TPC-C மற்றும் TPC-H தரநிலை அடிப்படையில் உள்ளது. |
732212be0e6c5216158a7470c79fa2ff98a2da06 | ஒரு அடுக்கு-FET மோனோலிதிக் மில்லிமீட்டர்-வேவ் (mmW) ஒருங்கிணைந்த சுற்று டோஹெர்டி சக்தி பெருக்கி (DPA) ஐ நாங்கள் முன்வைக்கிறோம். 6 டிபி பவர் பேக்-ஆஃப் (பிபிஓ) இல் அதிக சக்தி மற்றும் அதிக செயல்திறனை அடைய டிபிஏ ஒரு புதுமையான சமச்சீர் ஸ்டேக் கேட் சார்புநிலையை பயன்படுத்துகிறது. இந்த சுற்று 0.15-μm மேம்படுத்தல் முறை (E- முறை) கால்சியம் ஆர்செனைடு (GaAs) செயல்முறையில் தயாரிக்கப்படுகிறது. பரிசோதனை முடிவுகள் வெளியீட்டு ஆற்றலை 1 dB அதிகரிப்பு சுருக்கத்தில் (P1dB) 28.2 dBm, உச்ச சக்தி சேர்க்கப்பட்ட செயல்திறன் (PAE) 37% மற்றும் PAE 6 dB PBO இல் 27% 28 GHz இல் நிரூபிக்கின்றன. அளவிடப்பட்ட சிறிய சமிக்ஞை ஆதாயம் 15 dB ஆகும், அதே நேரத்தில் 3-dB அலைவரிசை 25.5 முதல் 29.5 GHz வரை உள்ளடக்கியது. 20 MHz 64 QAM மாடுலேட்டட் சிக்னலுடன் டிஜிட்டல் ப்ரீடஸ்டோர்ஷன் (DPD) பயன்படுத்தி, அருகிலுள்ள சேனல் சக்தி விகிதம் (ACPR) -46 dBc கண்காணிக்கப்பட்டுள்ளது. |
03837b659b4a8878c2a2dbef411cd986fecfef8e | நாம் ஒரு ஆட்டோரிகிரெசிவ் கவனம் பொறிமுறையை அறிமுகப்படுத்துகிறோம். இந்த முறையை பயன்படுத்தி, ஒரு நரம்பியல் மாதிரியை மேம்படுத்துகிறோம். இது, நெடுஞ்சாலை நெட்வொர்க் இணைப்புகளால் இணைக்கப்பட்ட, காரணமான, உருண்டையான அடுக்குகளின் தொகுதிகளால் ஆனது. முன்மொழியப்பட்ட கவன இயந்திரத்துடன் மற்றும் இல்லாமல் மாதிரிகளை முறையே நெடுஞ்சாலை காரண கன்வோல்யூஷன் (காரண கன்வோல்யூஷன்) மற்றும் ஆட்டோரேக்ரெசிவ்-கவன காரண கன்வோல்யூஷன் (ARA-Conv) என்று குறிக்கிறோம். தானியங்குமறைப்பு கவன இயந்திரம் டிகோடரில் காரணத்தை முக்கியமாக பராமரிக்கிறது, இது இணையான செயல்படுத்தலை அனுமதிக்கிறது. இந்த மாதிரிகள், அவற்றின் தொடர்ச்சியான சகாக்களுடன் ஒப்பிடும்போது, வேகமான மற்றும் துல்லியமான கற்றலை இயல்பு நிலை NLP பணிகளில் அனுமதிக்கின்றன என்பதை நாங்கள் நிரூபிக்கிறோம். குறிப்பாக, இயற்கை மொழி திருத்தம் மற்றும் மொழி மாதிரியாக பணிகளில் இந்த மாதிரிகள் தொடர்ச்சியான நரம்பியல் நெட்வொர்க் மாதிரிகளை விட சிறப்பாக செயல்படுகின்றன, மேலும் அவை நேரத்தின் ஒரு பகுதியிலேயே இயங்குகின்றன. |
fe419be5c53e2931e1d6370c914ce166be29ff6e | |
0c3078bf214cea52669ec13962a0a242243d0e09 | இந்த ஆய்வில் ஒரு புதிய சிறிய அளவிலான ஊட்டச்சத்து சுற்றை பயன்படுத்தி ஒரு அகலக்கட்டையால் அச்சிடப்பட்ட நான்கு கோடுகள் கொண்ட சுழல் அண்டெனா முன்மொழியப்பட்டுள்ளது. இந்த ஆண்டெனா 29% அலைவரிசை பரப்பளவில், ஒரு பரந்த பீம்விட் மீது ஒரு சிறந்த அச்சு விகிதத்தை வழங்குகிறது. ஒரு குறிப்பிட்ட ஊட்ட சுழற்சி ஒரு துளை இணைக்கப்பட்ட மாற்றம் அடிப்படையில் மற்றும் இரண்டு 90 ° மேற்பரப்பு மவுண்ட் கலப்பினங்கள் உட்பட வடிவமைக்கப்பட்டுள்ளது quadrifilar ஆண்டெனா ஒருங்கிணைக்க. இந்த அலைவரிசையில், அகலப்பரப்பு சிறிய சுற்றில் இருந்து உணவளிக்கப்படும் ஆண்டெனாவின் அளவிடப்பட்ட பிரதிபலிப்பு குணகம் -12 dBக்கு சமமானதாகவோ அல்லது குறைவாகவோ இருப்பதாகவும், அதிகபட்ச ஆதாயம் 1.5 முதல் 2.7 dBic வரை 1.18 முதல் 1.58 GHz வரை மாறுபடும் என்றும் கண்டறியப்பட்டுள்ளது. அரை சக்தி பீம்விட்ஜ் 150° ஆகும், இந்த வரம்பில் 3 dB க்கும் குறைவான அச்சு விகிதத்துடன். ஊட்டச் சுற்றின் சிறிய தன்மை, வரிசை ஏற்பாடுகளில் சிறிய உறுப்பு இடைவெளியை அனுமதிக்கிறது. |
0c3751db5a24c636c1aa8abfd9d63321b38cfce5 | ஸ்டோகாஸ்டிக் கிராடியன்ட் டிசன்ட் (SGD) SVM போன்ற பெரிய அளவிலான மேற்பார்வையிடப்பட்ட இயந்திர கற்றல் தேர்வுமுறை சிக்கல்களைத் தீர்ப்பதற்கு பிரபலமாகிவிட்டது, ஏனெனில் அவற்றின் வலுவான தத்துவார்த்த உத்தரவாதங்கள் உள்ளன. நெருக்கமாக தொடர்புடைய இரட்டை ஒருங்கிணைப்பு ஏற்றம் (டி.சி.ஏ) முறை பல்வேறு மென்பொருள் தொகுப்புகளில் செயல்படுத்தப்பட்டிருந்தாலும், இதுவரை இது நல்ல ஒத்திசைவு பகுப்பாய்வைக் கொண்டிருக்கவில்லை. இந்த ஆய்வறிக்கை ஸ்டோகாஸ்டிக் இரட்டை ஒருங்கிணைப்பு அசென்ட் (SDCA) பற்றிய ஒரு புதிய பகுப்பாய்வை முன்வைக்கிறது, இந்த வகை முறைகள் வலுவான தத்துவார்த்த உத்தரவாதங்களை அனுபவிக்கின்றன, அவை SGD ஐ விட ஒப்பிடக்கூடியவை அல்லது சிறந்தவை. இந்த பகுப்பாய்வு SDCA யின் செயல்திறனை நடைமுறை பயன்பாடுகளில் நியாயப்படுத்துகிறது. |
24424918dc93c016deeaeb86a01c8bfc01253c9b | பல பாரம்பரிய வழிமுறைகள் பல ஆண்டுகளுக்குப் பிறகு அவை கருத்தரிக்கப்பட்ட வரம்புகளை மீறி, கணிக்க முடியாத அமைப்புகளில் தொடர்ந்து பொருத்தமாக இருப்பதைக் காணலாம். இந்த ஆய்வில், SVRG என்பது அத்தகைய ஒரு முறையாகும் என்பதைக் காட்டுகிறோம்ஃ முதலில் மிகவும் குமிழ் இலக்குகளுக்காக வடிவமைக்கப்பட்டது, இது மிகவும் உறுதியானது அல்லாத வலுவான குமிழ் அல்லது குமிழ் அல்லாத அமைப்புகளின் தொகை. f ((x) என்பது மென்மையான, குமிழ் செயல்பாடுகளின் தொகை ஆனால் f என்பது வலுவாக குமிழ் அல்ல (லாசோ அல்லது லாஜிஸ்டிக் பின்னடைவு போன்றவை), SVRG இன் மேல் வளர்ந்து வரும் சகாப்த நீளத்தின் ஒரு புதிய தேர்வை உருவாக்கும் ஒரு மாறுபட்ட SVRG ஐ நாங்கள் முன்மொழிகிறோம். SVRG என்பது இந்த அமைப்பில் SVRG இன் நேரடி, வேகமான மாறுபாடாகும். f (x) என்பது வெட்டாத செயல்பாடுகளின் கூட்டுத்தொகை ஆனால் f என்பது வலுவாக வெட்டப்பட்டதாக இருந்தால், SVRG இன் ஒத்திசைவு நேரியல் முறையில் தொகைகளின் வெட்டாத அளவுருவைப் பொறுத்தது என்பதைக் காட்டுகிறோம். இது இந்த அமைப்பில் சிறந்த அறியப்பட்ட முடிவை மேம்படுத்துகிறது, மேலும் ஸ்டோகாஸ்டிக் பி.சி.ஏ. க்கு சிறந்த இயங்கும் நேரத்தை அளிக்கிறது. |
680cbbc88d537bd6f5a68701b1bb0080a77faa00 | ஸ்டோகாஸ்டிக் சாய்வு இறக்கம் பெரிய அளவிலான தேர்வுமுறைக்கு பிரபலமானது, ஆனால் உள்ளார்ந்த மாறுபாட்டின் காரணமாக அசிம்ப்டோடிக் முறையில் மெதுவான ஒத்திசைவு உள்ளது. இந்த சிக்கலை சரிசெய்ய, ஸ்டோகாஸ்டிக் மாறுபாட்டு குறைக்கப்பட்ட சாய்வு (SVRG) என்று நாம் அழைக்கும் ஸ்டோகாஸ்டிக் சாய்வு சாய்வு குறைப்பு முறையை அறிமுகப்படுத்துகிறோம். மென்மையான மற்றும் வலுவான குமிழ் செயல்பாடுகளுக்கு, இந்த முறை ஸ்டோகாஸ்டிக் இரட்டை ஒருங்கிணைப்பு ஏற்றம் (SDCA) மற்றும் ஸ்டோகாஸ்டிக் சராசரி சாய்வு (SAG) போன்ற அதே விரைவான ஒத்திசைவு விகிதத்தை அனுபவிக்கிறது என்பதை நிரூபிக்கிறோம். எவ்வாறாயினும், எமது பகுப்பாய்வு கணிசமாக எளிமையானது மற்றும் உள்ளுணர்வு மிக்கது. மேலும், SDCA அல்லது SAG போலல்லாமல், எங்கள் முறைக்கு சாய்வுகளை சேமிப்பது தேவையில்லை, எனவே சில கட்டமைக்கப்பட்ட கணிப்பு சிக்கல்கள் மற்றும் நரம்பியல் நெட்வொர்க் கற்றல் போன்ற சிக்கலான சிக்கல்களுக்கு எளிதாகப் பயன்படுத்தப்படுகிறது. |
9fe5a7a24ff81ba2b6769e811b6ab47188a45242 | குமிழ் அல்லாத மற்றும் சீரான அல்லாத சிக்கல்கள் சமீபத்தில் சமிக்ஞை/பட செயலாக்கம், புள்ளியியல் மற்றும் இயந்திர கற்றலில் கணிசமான கவனத்தைப் பெற்றுள்ளன. இருப்பினும், குமிழ் மற்றும் சீரற்ற உகப்பாக்கம் சிக்கல்களைத் தீர்ப்பது ஒரு பெரிய சவாலாக உள்ளது. துரிதப்படுத்தப்பட்ட அருகில் உள்ள சாய்வு (APG) என்பது குவியலான நிரலாக்கத்திற்கான ஒரு சிறந்த முறையாகும். இருப்பினும், வழக்கமான APG ஆனது, குமிழ் அல்லாத திட்டமிடலில் ஒரு முக்கியமான புள்ளியை நெருக்கமாக உறுதி செய்ய முடியுமா என்பது இன்னும் தெரியவில்லை. இந்த ஆய்வில், போதுமான இறங்கு பண்புகளை பூர்த்தி செய்யும் ஒரு மானிட்டரை அறிமுகப்படுத்துவதன் மூலம் பொதுவான குமிழ் மற்றும் சீரற்ற நிரல்களுக்கான APG ஐ விரிவுபடுத்துகிறோம். அதன்படி, ஒரு ஒற்றைப்படை APG மற்றும் ஒரு ஒற்றைப்படை அல்லாத APG ஐ நாங்கள் முன்மொழிகிறோம். பின்வருபவை இலக்கு செயல்பாட்டின் ஒரே மாதிரியான குறைப்புக்கான தேவையை கைவிடுகின்றன மற்றும் ஒவ்வொரு மறு செய்கையிலும் குறைவான கணக்கீடு தேவைப்படுகிறது. எமது சிறந்த அறிவுக்கு, பொதுவான குமிழ் மற்றும் ஒழுங்கற்ற சிக்கல்களுக்கு APG- வகை வழிமுறைகளை வழங்குவதில் நாங்கள் முதல் நபராக இருக்கிறோம், ஒவ்வொரு குவிப்பு புள்ளியும் ஒரு முக்கியமான புள்ளியாக இருப்பதை உறுதிசெய்கிறது, மேலும் சிக்கல்கள் குமிழ்வாக இருக்கும்போது ஒத்திசைவு விகிதங்கள் O (1 k2 ) ஆக இருக்கும், இதில் k என்பது மீண்டும் மீண்டும் நிகழும் எண்ணிக்கை ஆகும். எண் முடிவுகள் வேகத்தில் நமது வழிமுறைகளின் நன்மையை உறுதிப்படுத்துகின்றன. |
3e36eb936002a59b81d8abb4548dc2c42a29b743 | பெரும்பாலும் பாதுகாப்பு என்பது ஆட்டோமேஷன் அமைப்புகளுக்கான கூடுதல் சேவையாகக் கருதப்படுகிறது, இது திறமையான பரிமாற்றம் அல்லது வள வரம்புகள் போன்ற பிற இலக்குகளுடன் அடிக்கடி முரண்படுகிறது. இந்த கட்டுரை, தன்னியக்க முறைமைகளில் பாதுகாப்புக்கான நடைமுறை சார்ந்த அணுகுமுறையை வழங்குகிறது. இது ஆட்டோமேஷன் அமைப்புகள் மற்றும் குறிப்பாக ஆட்டோமேஷன் நெட்வொர்க்குகளுக்கு பொதுவான அச்சுறுத்தல்களை பகுப்பாய்வு செய்கிறது, பாதுகாப்பைப் பொறுத்து அமைப்புகளை வகைப்படுத்த ஒரு மாதிரியை அமைக்கிறது மற்றும் வெவ்வேறு அமைப்பு மட்டங்களில் கிடைக்கக்கூடிய பொதுவான நடவடிக்கைகளைப் பற்றி விவாதிக்கிறது. நடவடிக்கைகளின் விவரம் ஒட்டுமொத்த அமைப்பின் பாதுகாப்பிற்கு ஏற்படும் விளைவுகளை மதிப்பிட அனுமதிக்கும். |
8b74a32cebb5faf131595496f6470ff9c2c33468 | சமூக தொடர்புக்கான மிகவும் பிரபலமான கருவிகளில் ஒன்றாக ஃபேஸ்புக் வேகமாக மாறி வருகிறது. இருப்பினும், பேஸ்புக் மற்ற சமூக வலைப்பின்னல் தளங்களிலிருந்து சற்று வித்தியாசமானது, ஏனெனில் இது ஆஃப்லைன்-டு-ஆன்லைன் போக்கை நிரூபிக்கிறது; அதாவது, பெரும்பாலான பேஸ்புக் நண்பர்கள் ஆஃப்லைனில் சந்தித்து பின்னர் சேர்க்கப்படுகிறார்கள். இந்த ஆராய்ச்சியில், ஃபேஸ்புக் பயன்பாட்டுடன் ஆளுமையின் ஐந்து காரணி மாதிரி எவ்வாறு தொடர்புடையது என்பது ஆராயப்பட்டது. வெளிநோக்கு மற்றும் அனுபவத்திற்கு திறந்த தன்மை தொடர்பான சில எதிர்பார்க்கப்பட்ட போக்குகள் இருந்தபோதிலும், முந்தைய இலக்கியம் பரிந்துரைக்கும் அளவுக்கு ஆளுமை காரணிகள் செல்வாக்கு செலுத்தவில்லை என்பதை முடிவுகள் சுட்டிக்காட்டின. பேஸ்புக் பயன்பாட்டின் அடிப்படையில் தொடர்பு கொள்ளும் உந்துதல் செல்வாக்கு செலுத்துவதாக முடிவுகள் தெரிவித்தன. ஃபேஸ்புக் போன்ற கருவிகளைப் பயன்படுத்துவதற்கான முடிவில், குறிப்பாக ஃபேஸ்புக்கின் தனிப்பட்ட செயல்பாடுகள் கருதப்படும்போது, வெவ்வேறு உந்துதல்கள் செல்வாக்கு செலுத்தக்கூடும் என்று பரிந்துரைக்கப்படுகிறது. Ó 2008 Elsevier Ltd. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. 1. ஆளுமை தொடர்புகள் மற்றும் தொடர்புடைய திறன் காரணிகள் |
423fff94db2be3ddef5e3204338d2111776eafea | கல்லூரி மாணவர்களின் ஆன்லைன் சமூக வலைதளமான பேஸ்புக் தளத்தில் 4.2 மில்லியன் பயனர்கள் பரிமாறிக்கொண்ட 362 மில்லியன் செய்திகளின் முழுமையாக அநாமதேய தலைப்புகளை 26 மாத இடைவெளியில் பகுப்பாய்வு செய்தோம். பல்கலைக்கழக மாணவர்களின் நேர பயன்பாடு மற்றும் அவர்களின் சமூக வாழ்க்கை பற்றிய நுண்ணறிவை வழங்கும் பல வலுவான தினசரி மற்றும் வாராந்திர ஒழுங்குமுறைகளை தரவு வெளிப்படுத்துகிறது, இதில் பருவகால வேறுபாடுகள் அடங்கும். பள்ளி இணைப்பு மற்றும் முறைசாரா ஆன்லைன் "நண்பர்" பட்டியல்கள் போன்ற காரணிகள் எவ்வாறு கண்காணிக்கப்பட்ட நடத்தை மற்றும் கால வடிவங்களை பாதிக்கின்றன என்பதையும் நாங்கள் ஆய்வு செய்தோம். இறுதியாக, பேஸ்புக் பயனர்கள் தற்காலிக செய்தி வடிவங்கள் தொடர்பாக பள்ளிகளால் தொகுக்கப்படுவதாகத் தெரிகிறது. |
1bed30d161683d279780aee34619f94a860fa973 | தரவுத்தளங்கள், உள்ளக நினைவக கேச், மற்றும் வரைபட பகுப்பாய்வு போன்ற பல "பெரிய நினைவக" சேவையக பணிச்சுமைகள், பக்க அடிப்படையிலான மெய்நிகர் நினைவகத்திற்கான அதிக செலவை செலுத்துகின்றன என்பதை எங்கள் பகுப்பாய்வு காட்டுகிறது. பெரிய பக்கங்களை பயன்படுத்தினாலும் கூட, TLB தோல்விகளில் 10% வரை செயல்படுத்தும் சுழற்சிகளை அவை பயன்படுத்துகின்றன. மறுபுறம், இந்த பணிச்சுமைகள் பெரும்பாலான பக்கங்களில் படிக்க-எழுத அனுமதிகளைப் பயன்படுத்துகின்றன, பரிமாறிக்கொள்ளாமல் வழங்கப்படுகின்றன, மேலும் பக்க அடிப்படையிலான மெய்நிகர் நினைவகத்தின் முழு நெகிழ்வுத்தன்மையிலிருந்து அரிதாகவே பயனடைகின்றன. பெரிய நினைவக பணிச்சுமைகளுக்கான TLB மிஸ் ஓவர்ஹெட் அகற்றுவதற்கு, ஒரு செயல்முறையின் நேரியல் மெய்நிகர் முகவரி இடத்தின் ஒரு பகுதியை ஒரு நேரடி பிரிவுடன் வரைபடமாக்க முன்மொழிகிறோம், அதே நேரத்தில் மெய்நிகர் முகவரி இடத்தின் மீதமுள்ள பக்க வரைபடத்தை வரைபடமாக்குகிறோம். நேரடி பிரிவுகள் குறைந்தபட்ச வன்பொருளைப் பயன்படுத்துகின்றன---அடிப்படை, வரம்பு மற்றும் ஆஃப்செட் பதிவேடுகள் ஒரு மையத்திற்கு---அண்டைய மெய்நிகர் நினைவகப் பகுதிகளை நேரடியாக அடுத்தடுத்த இயற்பியல் நினைவகத்திற்கு வரைபடமாக்குகின்றன. தரவுத்தள பஃப்பர் பூல்கள் மற்றும் நினைவகத்தில் உள்ள முக்கிய-மதிப்பு கடைகள் போன்ற முக்கிய தரவு கட்டமைப்புகளுக்கு TLB தவறான வாய்ப்புகளை அவை நீக்குகின்றன. ஒரு நேரடி பிரிவு மூலம் மேப் செய்யப்பட்ட நினைவகத்தை தேவைப்படும் போது மீண்டும் பக்கமாக்கலுக்கு மாற்றலாம். லினக்ஸில் x86-64 க்கான நேரடி-பிரிவு மென்பொருள் ஆதரவு முன்மாதிரி மற்றும் நேரடி-பிரிவு வன்பொருளை உருவகப்படுத்துகிறோம். எங்கள் பணிச்சுமைகளுக்கு, நேரடி பிரிவுகள் கிட்டத்தட்ட அனைத்து TLB தவறானவற்றையும் நீக்கி, TLB தவறானவற்றில் வீணடிக்கப்படும் செயல்படுத்தும் நேரத்தை 0.5% க்கும் குறைவாகக் குறைக்கின்றன. |
86dc975f9cbd9a205f8e82fb1db3b61c6b738fa5 | மெஷின் டேக்கிங் மல்டிமீடியா உள்ளடக்கத்திற்கான அதிக சக்திவாய்ந்த நுட்பங்கள் வெளிவருவதால், அடிப்படை சொற்களஞ்சியங்களை தரப்படுத்திப் பயன்படுத்துவது மிகவும் முக்கியத்துவம் பெறுகிறது. இவ்வாறு செய்வது, ஒருங்கிணைப்புத் தன்மையை வழங்குகிறது மற்றும் மல்டிமீடியா சமூகத்தை ஒரு நன்கு வரையறுக்கப்பட்ட செமண்டிக்ஸ் தொகுப்பில் நடந்துகொண்டிருக்கும் ஆராய்ச்சியை மையப்படுத்த அனுமதிக்கிறது. இந்த ஆவணம் ஒளிபரப்பு செய்தி வீடியோவை விவரிக்க ஒரு பெரிய தரப்படுத்தப்பட்ட வகைப்படுத்தலை உருவாக்க மல்டிமீடியா ஆராய்ச்சியாளர்கள், நூலக விஞ்ஞானிகள் மற்றும் இறுதி பயனர்களின் கூட்டு முயற்சியை விவரிக்கிறது. மல்டிமீடியாவிற்கான பெரிய அளவிலான கருத்து ஆன்டாலஜி (LSCOM) என்பது ஒரே நேரத்தில் இறுதி பயனர் அணுகலை எளிதாக்குவதற்காக பயன்பாட்டை மேம்படுத்த வடிவமைக்கப்பட்ட முதல் வகை ஆகும், இது ஒரு பெரிய சொற்பொருள் இடத்தை உள்ளடக்கியது, தானியங்கி பிரித்தெடுப்பை சாத்தியமாக்குகிறது, மேலும் பல்வேறு ஒளிபரப்பு செய்தி வீடியோ தரவுத் தொகுப்புகளில் கண்காணிப்பை அதிகரிக்கிறது |
2b2ba9b0022ff45939527836a150959fe388ee23 | |
c39d04c6f3b84c77ad379d0358bfbe7148ad4fd2 | |
8db7f5a54321e1a4cd51d0666607279556a57404 | பின்னணி மருத்துவ மற்றும் உளவியல் பிரச்சினைகளை சமாளிக்கும் நோயாளிகளால் தியான நுட்பங்கள் அடிக்கடி தேடப்படுகின்றன. அவற்றின் பரவலான பயன்பாடு மற்றும் மருத்துவ சிகிச்சைகள் போன்ற பயன்பாட்டுக்கான சாத்தியம் காரணமாக, மருத்துவ தலையீடுகள் என இந்த நடைமுறைகள் பற்றிய தற்போதைய அறிவியல் அறிவின் சுருக்கமான மற்றும் முழுமையான ஆய்வு நடத்தப்பட்டது. நோய் சிகிச்சையில் தியான நடைமுறைகளின் செயல்திறன் மற்றும் பாதுகாப்பை ஆதரிக்கும் ஆதாரங்களை முறையாக ஆய்வு செய்து, மேலும் ஆய்வு செய்ய வேண்டிய பகுதிகளை ஆய்வு செய்ய வேண்டும். சாதாரண ஆரோக்கியமான மக்கள் தொகை குறித்த ஆய்வுகள் சேர்க்கப்படவில்லை. METHODS PubMed, PsycInfo, மற்றும் Cochrane தரவுத்தளத்தைப் பயன்படுத்தி தேடல்கள் மேற்கொள்ளப்பட்டன. தியானம், தியானப் பிரார்த்தனை, யோகா, நிதானமான வினைகள் ஆகியவை முக்கிய வார்த்தைகளாக இருந்தன. தகுதிபெறும் ஆய்வுகள் இரண்டு மதிப்பாய்வாளர்களால் மதிப்பாய்வு செய்யப்பட்டு தரம் அடிப்படையில் சுயாதீனமாக மதிப்பிடப்பட்டன. நடுத்தர மற்றும் உயர் தரமான ஆய்வுகள் (சரிபார்க்கப்பட்ட ஆராய்ச்சி தர அளவிலான 0.65 அல்லது 65% க்கும் அதிகமான மதிப்பெண்களைப் பெற்றவை) சேர்க்கப்பட்டன. முடிவுகள் மொத்தம் 82 ஆய்வுகள் அடையாளம் காணப்பட்டன, 20 சீரற்ற கட்டுப்பாட்டு சோதனைகள் எங்கள் அளவுகோல்களை பூர்த்தி செய்தன. இந்த ஆய்வுகளில் மொத்தம் 958 நபர்கள் (397 பரிசோதனை சிகிச்சை, 561 கட்டுப்பாடுகள்) அடங்குவர். சேர்க்கப்பட்ட அல்லது விலக்கப்பட்ட எந்தவொரு மருத்துவ பரிசோதனையிலும் எந்தவொரு தீவிரமான பக்க விளைவுகளும் தெரிவிக்கப்படவில்லை. மருத்துவ இலக்கியங்களில் கடுமையான பக்க விளைவுகள் அரிதாக இருந்தாலும் அவை தெரிவிக்கப்படுகின்றன. மாரடைப்பு, மாதவிடாய் முன்கூட்டிய நோய்க்குறி அறிகுறிகள் மற்றும் மாதவிடாய் நிறுத்த அறிகுறிகளுக்கு மிகவும் வலுவான செயல்திறன் ஆதாரம் கண்டறியப்பட்டது. மனநிலை மற்றும் கவலைக் கோளாறுகள், தன்னிச்சையான நோய் எதிர்ப்பு சக்தி, மற்றும் புற்றுநோய்களில் உணர்ச்சிக் கோளாறு ஆகியவற்றிற்கும் நன்மை நிரூபிக்கப்பட்டது. முடிவுகள் சில நோய்களுக்கு சிகிச்சையளிப்பதற்கான தியான நடைமுறைகளின் பாதுகாப்பையும் சாத்தியமான செயல்திறனையும் ஆதரிக்கின்றன, குறிப்பாக மனநோயற்ற மனநிலை மற்றும் கவலைக் கோளாறுகளில். பெரிய அளவிலான, முறையான ஆய்வுகளிலிருந்து செயல்திறனை ஆதரிக்கும் தெளிவான மற்றும் மீண்டும் உருவாக்கக்கூடிய சான்றுகள் இல்லை. |
46b2cd0ef7638dcb4a6220a52232712beb2fa850 | 3D மனித இயக்கத்தின் உருவாக்கும் மாதிரிகள் பெரும்பாலும் ஒரு சிறிய எண்ணிக்கையிலான செயல்பாடுகளுக்கு மட்டுப்படுத்தப்பட்டிருக்கின்றன, எனவே புதிய இயக்கங்கள் அல்லது பயன்பாடுகளுக்கு நன்றாக பொதுமைப்படுத்த முடியாது. இந்த ஆய்வில் மனித இயக்கத்தை கைப்பற்றும் தரவுகளுக்கான ஆழமான கற்றல் கட்டமைப்பை முன்மொழிகிறோம். இது இயக்கத்தை கைப்பற்றும் தரவுகளின் பெரிய தொகுப்பிலிருந்து பொதுவான பிரதிநிதித்துவத்தை கற்றுக்கொள்கிறது மற்றும் புதிய, காணப்படாத இயக்கங்களுக்கு நன்கு பொதுவானது. குறியீட்டு-பதிலீடு வலையமைப்பை பயன்படுத்தி, எதிர்கால 3D போஸ்களை மிக சமீபத்திய காலத்திலிருந்து கணித்து, மனித இயக்கத்தின் ஒரு அம்ச பிரதிநிதித்துவத்தை பிரித்தெடுக்கிறோம். வரிசைக் கணிப்புக்கான ஆழமான கற்றல் குறித்த பெரும்பாலான பணிகள் வீடியோ மற்றும் பேச்சில் கவனம் செலுத்துகின்றன. எலும்புத் தரவு வேறுபட்ட கட்டமைப்பைக் கொண்டிருப்பதால், கால சார்புகள் மற்றும் உறுப்பு தொடர்புகள் பற்றி வேறுபட்ட அனுமானங்களை உருவாக்கும் வெவ்வேறு நெட்வொர்க் கட்டமைப்புகளை நாங்கள் முன்வைத்து மதிப்பீடு செய்கிறோம். கற்ற அம்சங்களை அளவிடுவதற்கு, செயல்திறன் வகைப்படுத்தலுக்கான வெவ்வேறு அடுக்குகளின் வெளியீட்டைப் பயன்படுத்துகிறோம் மற்றும் நெட்வொர்க் அலகுகளின் ஏற்பு புலங்களைக் காட்சிப்படுத்துகிறோம். எலும்பு இயக்கத்தை முன்னறிவிப்பதில் நமது முறை சமீபத்திய தொழில்நுட்பத்தை விட சிறப்பாக செயல்படுகிறது, இவை நடவடிக்கை சார்ந்த பயிற்சி தரவைப் பயன்படுத்தினாலும் கூட. நமது முடிவுகள், ஒரு பொதுவான மோகாப் தரவுத்தளத்திலிருந்து பயிற்றுவிக்கப்பட்ட ஆழமான ஊட்டச்சத்து நெட்வொர்க்குகள், மனித இயக்கத் தரவுகளிலிருந்து அம்ச பிரித்தெடுப்புக்கு வெற்றிகரமாகப் பயன்படுத்தப்படலாம் என்பதையும், இந்த பிரதிநிதித்துவத்தை வகைப்படுத்தல் மற்றும் கணிப்பிற்கான அடித்தளமாகப் பயன்படுத்தலாம் என்பதையும் காட்டுகின்றன. |
3c094494f6a911de3087ed963d3d893f6f2b1d71 | நோக்கம் இந்த ஆய்வின் நோக்கம் நடை பயிற்சிக்கான கலப்பின உதவி கால்கள் அமைப்பின் மருத்துவ பயன்பாடுகள் குறித்த இலக்கியங்களை மதிப்பாய்வு செய்வதாகும். முறைகள் Web of Science, PubMed, CINAHL மற்றும் clinicaltrials.gov ஆகியவற்றைப் பயன்படுத்தி முறையான இலக்கியத் தேடல் மேற்கொள்ளப்பட்டது. மேலும் அடையாளம் காணப்பட்ட அறிக்கைகளில் உள்ள குறிப்புப் பட்டியல்களைப் பயன்படுத்தி கூடுதல் தேடல் மேற்கொள்ளப்பட்டது. சுருக்கங்கள் பரிசோதிக்கப்பட்டன, தொடர்புடைய கட்டுரைகள் மதிப்பாய்வு செய்யப்பட்டு தர மதிப்பீட்டிற்கு உட்படுத்தப்பட்டன. முடிவுகள் 37 ஆய்வுகளில், 7 ஆய்வுகள் சேர்க்கை அளவுகோல்களை பூர்த்தி செய்தன. ஆறு ஆய்வுகள் ஒற்றை குழு ஆய்வுகள் மற்றும் 1 ஆய்வு தடயமிட்ட கட்டுப்படுத்தப்பட்ட சோதனை. மொத்தத்தில், இந்த ஆய்வுகளில் 140 பங்கேற்பாளர்கள் பங்கேற்றனர், அவர்களில் 118 பேர் தலையீடுகளை முடித்தனர் மற்றும் 107 பேர் நடை பயிற்சிக்காக HAL ஐப் பயன்படுத்தினர். ஐந்து ஆய்வுகள் மாரடைப்புக்குப் பிறகு நடை பயிற்சி, 1 முதுகெலும்பு காயம் (SCI) மற்றும் 1 ஆய்வு மாரடைப்பு, SCI அல்லது நடைபயிற்சி திறனை பாதிக்கும் பிற நோய்களுக்குப் பிறகு. சிறிய மற்றும் தற்காலிக பக்க விளைவுகள் ஏற்பட்டன ஆனால் எந்தவொரு தீவிரமான பாதகமான நிகழ்வுகளும் ஆய்வுகளில் தெரிவிக்கப்படவில்லை. நடை செயல்பாடு மாறிகள் மற்றும் நடைப்பயிற்சியில் சுயாதீனமான நன்மை விளைவுகள் காணப்பட்டன. முடிவில், HAL அமைப்பு நடை பயிற்சிக்கு பயன்படுத்தப்படும் போது, குறைந்த உறுப்பு பரேசிஸ் நோயாளிகளுக்கு தொழில்முறை அமைப்பில் பயன்படுத்தப்படும் போது, அது சாத்தியம் என்பதை குவிக்கப்பட்ட கண்டுபிடிப்புகள் நிரூபிக்கின்றன. நடைப்பயிற்சி மற்றும் நடைப்பயிற்சியில் சுயாதீனமான நன்மைகள் காணப்பட்டன, ஆனால் தரவு முடிவுகளை அனுமதிக்காது. மேலும் கட்டுப்படுத்தப்பட்ட ஆய்வுகள் பரிந்துரைக்கப்படுகின்றன. |
515e34476452bbfeb111ce5480035ae1f7aa4bee | நல்ல உட்புற காற்று தரமானது மனித ஆரோக்கியத்தின் ஒரு முக்கிய பகுதியாகும். உட்புற காற்றின் தரமற்ற தன்மை ஆஸ்துமா, இதய நோய், நுரையீரல் புற்றுநோய் போன்ற நாள்பட்ட சுவாச நோய்களை உருவாக்க உதவும். இந்த சிக்கலை மேலும் சிக்கலாக்குவதன் மூலம், காற்று தரம் குறைவாக இருப்பதை மனிதர்கள் பார்வை மற்றும் வாசனை மூலம் மட்டுமே கண்டறிவது மிகவும் கடினம், மேலும் தற்போதுள்ள உணர்திறன் உபகரணங்கள் சாதாரண குடிமக்களுக்கு பதிலாக விஞ்ஞானிகளால் பயன்படுத்தப்பட்டு தரவை வழங்க வடிவமைக்கப்பட்டுள்ளன. நாங்கள் inAir என்ற கருவியை முன்மொழிகிறோம். இது உள்ளரங்க காற்றின் தரத்தை அளவிடுவதற்கும், காட்சிப்படுத்துவதற்கும், கற்றுக்கொள்வதற்கும் பயன்படும். inAir என்பது, 0.5 மைக்ரான் அளவுள்ள, சிறிய ஆபத்தான காற்றுத் துகள்களை அளவிடுவதன் மூலம், உள்ளக காற்றுத் தரத்தின் வரலாற்று மற்றும் நிகழ்நேர காட்சிப்படுத்தல்களை வழங்குகிறது. பயனர் ஆய்வுகள் மூலம், இன் ஏர் எவ்வாறு அதிக விழிப்புணர்வை ஊக்குவிக்கிறது என்பதையும், உட்புற காற்று தரத்தை மேம்படுத்துவதற்கான தனிப்பட்ட நடவடிக்கைகளை ஊக்குவிக்கிறது என்பதையும் நாங்கள் நிரூபிக்கிறோம். |
44db0c2f729661e7b30af484a1ad5df4e70cb22a | இணையத்தில் ஸ்கேன் செய்யும் புழுக்களுடன் ஒப்பிடும்போது ப்ளூடூத் புழுக்கள் தற்போது ஒப்பீட்டளவில் சிறிய ஆபத்தை ஏற்படுத்துகின்றன. ப்ளூ பேக் திட்டம் புளூடூத் தீம்பொருள் மூலம் திட்டமிட்ட தாக்குதல்களைக் காட்டுகிறது, இது கருத்துச் சான்று குறியீடுகள் மற்றும் மொபைல் சாதனங்களைப் பயன்படுத்துகிறது |
0a87428c6b2205240485ee6bb9cfb00fd9ed359c | மிடில்பெரி ஒளியியல் ஓட்ட மதிப்பீட்டு அல்காரிதம்களின் துல்லியம் சீராக மேம்பட்டு வருகிறது. இருப்பினும், ஹோர்ன் மற்றும் ஷுன்கின் படைப்புகளிலிருந்து வழக்கமான வடிவமைப்பு சிறிதளவு மாறிவிட்டது. இலக்கு செயல்பாடு, தேர்வுமுறை முறை, மற்றும் நவீன நடைமுறை நடைமுறைகள் துல்லியத்தை எவ்வாறு பாதிக்கின்றன என்பதை முழுமையாக பகுப்பாய்வு செய்வதன் மூலம் சமீபத்திய முன்னேற்றங்களை சாத்தியமாக்கியதை நாங்கள் கண்டறிய முயற்சிக்கிறோம். நவீன உகப்பாக்கம் மற்றும் நடைமுறைப்படுத்தல் நுட்பங்களுடன் இணைந்தால் "கிளாசிக்கல்" ஓட்ட வடிவமைப்புகள் வியக்கத்தக்க வகையில் சிறப்பாக செயல்படுகின்றன என்பதை நாம் கண்டறிகிறோம். மேலும், நடுத்தர ஓட்டக் களங்களின் நடுத்தர வடிகட்டுதல் தேர்வுமுறை போது சமீபத்திய செயல்திறன் ஆதாயங்களுக்கு ஒரு முக்கியமானது என்றாலும், இது அதிக ஆற்றல் தீர்வுகளுக்கு வழிவகுக்கிறது. இந்த நிகழ்வின் பின்னணியில் உள்ள கொள்கைகளை புரிந்து கொள்ள, நடுத்தர வடிகட்டுதல் ஹூரிஸ்டிக் முறையான ஒரு புதிய இலக்கை நாம் பெறுகிறோம். இந்த இலக்கு ஒரு உள்ளூர் அல்லாத காலத்தை உள்ளடக்கியது, இது பெரிய இடஞ்சார்ந்த சுற்றுப்புறங்களில் ஓட்ட மதிப்பீடுகளை உறுதியாக ஒருங்கிணைக்கிறது. இந்த புதிய சொல் மாற்றப்பட்டு ஓட்டம் மற்றும் பட எல்லைகள் பற்றிய தகவல்களை உள்ளடக்கியது நாம் மிடில்பெரி தரவரிசையில் மேல் இடத்தில் ஒரு முறை உருவாக்க. |
90930683f4ef3da8c51ed7d2553774c196172cb3 | |
919bd86eb5fbccd3862e3e2927d4a0d468c7c591 | |
73e51b9820e90eb6525fc953c35c9288527cecfd | தற்போதுள்ள நரம்பியல் சார்பு பகுப்பாய்விகள் வழக்கமாக இரு திசை LSTM களுடன் ஒரு வாக்கியத்தில் ஒவ்வொரு வார்த்தையையும் குறியீட்டு முறையில் உள்ளடக்குகின்றன, மேலும் தலை மற்றும் மாற்றியின் LSTM பிரதிநிதித்துவங்களிலிருந்து ஒரு வில் மதிப்பை மதிப்பிடுகின்றன, இது கருதப்படும் வில் தொடர்பான பொருத்தமான சூழல் தகவல்களைக் கொண்டிருக்காது. இந்த ஆய்வில், நாம் ஒரு நரம்பியல் அம்ச பிரித்தெடுத்தல் முறையை முன்மொழிகிறோம், இது வில் குறிப்பிட்ட அம்சங்களை பிரித்தெடுக்க கற்றுக்கொள்கிறது. நாம் ஒரு நரம்பியல் வலையமைப்பை அடிப்படையாகக் கொண்ட கவனம் முறை பயன்படுத்தி சான்றுகளை சேகரிக்கிறோம் ஒவ்வொரு சாத்தியமான தலை மாற்றியமைக்கும் ஜோடிக்கு எதிராகவும், இதன் மூலம் நமது மாதிரி நம்பிக்கை மற்றும் நம்பிக்கையின்மைக்கான உறுதியான மதிப்பெண்களை கணக்கிடுகிறது, மற்றும் நம்பிக்கையின் மதிப்பெணிலிருந்து நம்பிக்கையின்மை மதிப்பெண்களைக் கழற்றுவதன் மூலம் இறுதி வில் மதிப்பெண்களை தீர்மானிக்கிறது. இரண்டு வகையான ஆதாரங்களை வெளிப்படையாக அறிமுகப்படுத்துவதன் மூலம், வளைவு வேட்பாளர்கள் ஒருவருக்கொருவர் மிகவும் பொருத்தமான தகவல்களின் அடிப்படையில் போட்டியிட முடியும், குறிப்பாக அவர்கள் அதே தலை அல்லது மாற்றியமைப்பவர் பகிர்ந்து கொள்ளும் சந்தர்ப்பங்களில். இது இரண்டு அல்லது அதற்கு மேற்பட்ட போட்டி வளைவுகளை அவற்றின் போட்டியாளர்களை (நம்பிக்கையற்ற ஆதாரங்களை) முன்வைப்பதன் மூலம் சிறந்த முறையில் வேறுபடுத்துவதை சாத்தியமாக்குகிறது. பல்வேறு தரவுத் தொகுப்புகளில் மேற்கொள்ளப்பட்ட பரிசோதனைகள், நமது வளைவு-சிறப்பு அம்ச பிரித்தெடுக்கும் வழிமுறை நீண்ட தூர சார்புகளை தெளிவாக மாதிரியாகக் கொண்டு இரு திசை LSTM அடிப்படையிலான மாதிரிகளின் செயல்திறனை கணிசமாக மேம்படுத்துகிறது என்பதைக் காட்டுகின்றன. ஆங்கிலம் மற்றும் சீன மொழி இரண்டிற்கும், முன்மொழியப்பட்ட மாதிரி, தற்போதுள்ள பெரும்பாலான நரம்பியல் கவனம் அடிப்படையிலான மாதிரிகளை விட, சார்பு பகுப்பாய்வு பணியில் அதிக துல்லியத்தை அடைகிறது. |
7bdb08efd640311ad18466a80498c78267f886ca | |
26d92017242e51238323983eba0fad22bac67505 | இந்த ஆய்வறிக்கை பயனர்கள் அறியப்பட்ட, ஆஃப்லைன் தொடர்புகளைக் கண்டறியவும், சமூக வலைப்பின்னல் தளங்களில் புதிய நண்பர்களைக் கண்டறியவும் உதவும் வகையில் வடிவமைக்கப்பட்ட நபர்களின் பரிந்துரைகளை ஆய்வு செய்கிறது. 500 பயனர்கள் மற்றும் 3,000 பயனர்கள் கொண்ட ஒரு கள ஆய்வு மூலம் ஒரு நிறுவன சமூக வலைதளத்தில் நான்கு பரிந்துரை அல்காரிதம்களை மதிப்பீடு செய்தோம். பயனர்களின் நண்பர் பட்டியல்களை விரிவுபடுத்துவதில் அனைத்து வழிமுறைகளும் பயனுள்ளதாக இருப்பதை நாங்கள் கண்டறிந்தோம். சமூக வலைப்பின்னல் தகவல்களை அடிப்படையாகக் கொண்ட வழிமுறைகள் சிறந்த பரிந்துரைகளை உருவாக்க முடிந்தது மற்றும் பயனர்களுக்கு மிகவும் அறியப்பட்ட தொடர்புகளைக் கண்டறிந்தது, அதே நேரத்தில் பயனர் உருவாக்கிய உள்ளடக்கத்தின் ஒற்றுமையைப் பயன்படுத்தும் வழிமுறைகள் புதிய நண்பர்களைக் கண்டுபிடிப்பதில் வலுவாக இருந்தன. நாங்கள் எங்கள் கணக்கெடுப்பு பயனர்களிடமிருந்து தரமான பின்னூட்டங்களை சேகரித்தோம் மற்றும் பல அர்த்தமுள்ள வடிவமைப்பு தாக்கங்களை ஈர்த்தோம். |
3621bc359003e36707733650cccadf4333683293 | |
54c32d432fb624152da7736543f2685840860a57 | ஆழமான போல்ட்ஸ்மேன் இயந்திரம் (டிபிஎம்) ஒரு வகை அறிமுகப்படுத்துகிறோம், இது ஒரு பெரிய கட்டமைக்கப்படாத ஆவணங்களின் தொகுப்பிலிருந்து விநியோகிக்கப்பட்ட சொற்பொருள் பிரதிநிதித்துவங்களை பிரித்தெடுப்பதற்கு ஏற்றது. ஒரு டிபிஎம்-ஐ பயிற்சி அளிப்பதில் உள்ள வெளிப்படையான சிரமத்தை நாம் சமாளிக்கிறோம். இது ஒரு திறமையான முன் பயிற்சி வழிமுறையையும், விரைவான ஊகத்திற்கான ஒரு மாநில தொடக்கத் திட்டத்தையும் செயல்படுத்துகிறது. இந்த மாதிரியை ஒரு நிலையான கட்டுப்படுத்தப்பட்ட போல்ட்ஸ்மேன் இயந்திரம் போலவே திறமையாக பயிற்சி செய்ய முடியும். நமது சோதனைகள், இந்த மாதிரி, பிரதிசெய்யப்பட்ட மென்மையான மாடலை விட, காணப்படாத தரவுகளுக்கு சிறந்த பதிவு நிகழ்தகவை ஒதுக்குகிறது என்பதைக் காட்டுகிறது. ஆவண மீட்பு மற்றும் ஆவண வகைப்படுத்தல் பணிகளில் எல்.டி.ஏ, ரெப்ளிகேட்டட் சோஃப்ட்மேக்ஸ் மற்றும் டாக்நாட் மாதிரிகளை விட எங்கள் மாதிரியிலிருந்து பிரித்தெடுக்கப்பட்ட அம்சங்கள் சிறப்பாக செயல்படுகின்றன. |
3d8650c28ae2b0f8d8707265eafe53804f83f416 | முந்தைய ஆய்வில் [9] நாம் AdaBoost எனப்படும் ஒரு புதிய boosting வழிமுறையை அறிமுகப்படுத்தினோம், இது கோட்பாட்டளவில், எந்தவொரு கற்றல் வழிமுறையின் பிழையையும் கணிசமாகக் குறைக்க பயன்படுத்தப்படலாம், இது சீரான முறையில் வகைப்படுத்திகளை உருவாக்குகிறது, அதன் செயல்திறன் சீரற்ற யூகத்தை விட சற்று சிறந்தது. நாம் ஒரு தொடர்புடைய கருத்து அறிமுகப்படுத்தப்பட்டது ஒரு "பொய்-இழப்பு" இது ஒரு முறை பல லேபிள் கருத்துக்கள் ஒரு கற்றல் வழிமுறை கட்டாயப்படுத்தும் ஒரு முறை உள்ளது வித்தியாசம் கடினமாக இருக்கும் லேபிள்கள் கவனம் செலுத்த. இந்த ஆய்வில், நாம் நடத்திய சோதனைகளை விவரிக்கிறோம், அடாபூஸ்ட் எவ்வளவு நன்றாக செயல்படுகிறது என்பதை மதிப்பீடு செய்ய, மற்றும் போலி இழப்பு இல்லாமல், உண்மையான கற்றல் சிக்கல்களில். நாங்கள் இரண்டு சோதனைகளை நடத்தினோம். முதல் தொகுப்பு பல வகைப்படுத்திகளை (முடிவு மரங்கள் மற்றும் ஒற்றை பண்பு-மதிப்பு சோதனைகள் உட்பட) ஒன்றிணைக்க பயன்படுத்தப்படும் போது பிரேமன் [1] பேக்கிங் முறையுடன் அதிகரிப்பை ஒப்பிடுகிறது. இயந்திரக் கற்றல் தரநிலைகளின் தொகுப்பில் இரண்டு முறைகளின் செயல்திறனை நாம் ஒப்பிட்டோம். இரண்டாவது சோதனைகளில், OCR சிக்கலில் அருகிலுள்ள அண்டை வகைப்படுத்தியைப் பயன்படுத்தி அதிகரிப்பதன் செயல்திறனை விரிவாக ஆய்வு செய்தோம். |
85379baf4972e15cd7b9f5e06ce177e693b35f53 | இந்த ஆய்வில், மூலப் பரவல் இலக்குப் பரவலிலிருந்து கணிசமாக வேறுபடும் டொமைன் தழுவல் சிக்கல்களைத் தீர்க்க அரை மேற்பார்வையிடப்பட்ட கரு பொருத்த முறை ஒன்றை நாங்கள் முன்மொழிகிறோம். குறிப்பாக, இலக்கு கரு அச்சு அட்டவணையை ஒரு ஹில்பர்ட் ஷ்மிட் சுதந்திர அளவுகோலின் அடிப்படையில் மூல கரு அட்டவணையின் துணை அட்டவணையுடன் பொருத்துவதன் மூலம் இலக்கு தரவு புள்ளிகளை ஒத்த மூல தரவு புள்ளிகளுக்கு வரைபடமாக்கும் போது பெயரிடப்பட்ட மூல தரவுகளில் ஒரு கணிப்பு செயல்பாட்டைக் கற்றுக்கொள்கிறோம். இந்த ஒரே நேரத்தில் கற்றல் மற்றும் வரைபட செயல்முறையை ஒரு முறுக்கப்பட்ட அல்லாத முழு எண் தேர்வுமுறை சிக்கலாக வடிவமைத்து, அதன் தளர்வான தொடர்ச்சியான வடிவத்திற்கான உள்ளூர் குறைந்தபட்ச செயல்முறையை முன்வைக்கிறோம். எங்கள் அனுபவ முடிவுகள் முன்மொழியப்பட்ட கரு பொருத்தமான முறை கணிசமாக குறுக்கு டொமைன் உணர்வு வகைப்படுத்தல் பணியில் மாற்று முறைகளை விட சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகிறது. |
7eeb362f11bfc1c89996e68e3a7c5678e271f95b | |
893167546c870eac602d81874c6473fd3cd8bd21 | பல பரிமாண புள்ளிகளின் (டூப்ளஸ்) தொகுப்பின் வானலை, கொடுக்கப்பட்ட தொகுப்பில் தெளிவாக சிறந்த புள்ளி இல்லாத புள்ளிகளைக் கொண்டுள்ளது, இது ஆர்வமுள்ள களங்களில் கூறு வாரியான ஒப்பீட்டைப் பயன்படுத்துகிறது. ஸ்கைலைன் வினவல்கள், அதாவது, ஒரு ஸ்கைலைன் கணக்கீடு சம்பந்தப்பட்ட வினவல்கள், கணக்கீட்டு ரீதியாக விலை உயர்ந்ததாக இருக்கலாம், எனவே பல செயலிகளை நன்கு பயன்படுத்தும் இணையான அணுகுமுறைகளை கருத்தில் கொள்வது இயற்கையானது. இந்த சிக்கலை நாம் ஹைப்பர் பிளேன் திட்டங்களைப் பயன்படுத்தி அணுகுகிறோம். இணையான செயலாக்கத்திற்கான தரவு தொகுப்பின் பயனுள்ள பகிர்வுகளைப் பெறுவதற்கு. இந்த பிரிவுகள் சிறிய உள்ளூர் வானலை தொகுப்புகளை உறுதி செய்வது மட்டுமல்லாமல், முடிவுகளை திறம்பட இணைக்கவும் உதவுகின்றன. தரவு விநியோகத்தைப் பொருட்படுத்தாமல், இணையான வானலை கணக்கீட்டிற்கான இதேபோன்ற அணுகுமுறைகளை எங்கள் முறை தொடர்ந்து மிஞ்சும் என்பதை எங்கள் பரிசோதனைகள் காட்டுகின்றன, மேலும் வெவ்வேறு தேர்வுமுறை உத்திகளின் தாக்கங்கள் குறித்த நுண்ணறிவை வழங்குகிறது. |
b87d5f9b8013386f4ff5ad1a130efe6e924dca5c | கட்டுரை வரலாறு: 27 ஆகஸ்ட் 2012 அன்று பெறப்பட்டது திருத்தப்பட்ட வடிவத்தில் 1 ஆகஸ்ட் 2013 அன்று பெறப்பட்டது 5 ஆகஸ்ட் 2013 அன்று ஏற்றுக்கொள்ளப்பட்டது 15 ஆகஸ்ட் 2013 அன்று ஆன்லைனில் கிடைக்கிறது |
bc18ee4a0f26320a86852b057077e8eca78b0c13 | கானாவில் உள்ள ஆசிரியர்களிடையே தொழில்நுட்பத்தை ஏற்றுக்கொள்ளும் தன்மையை பாதிக்கும் காரணிகளை அடையாளம் காண இந்த ஆய்வு தொழில்நுட்பத்தை ஏற்றுக்கொள்ளும் தன்மையை விரிவுபடுத்துகிறது. 380 கேள்வித்தாள்களைப் பயன்படுத்தக்கூடிய தரவுகளை ஆராய்ச்சி மாதிரியுடன் ஒப்பிடும் போது சோதிக்கப்பட்டது. விரிவாக்கப்பட்ட தொழில்நுட்ப ஏற்றுக்கொள்ளும் மாதிரியை (TAM) ஒரு ஆராய்ச்சி கட்டமைப்பாகப் பயன்படுத்தி, ஆய்வு கண்டறிந்ததுஃ முன் சேவை ஆசிரியர்கள் கல்வியியல் நம்பிக்கைகள், பயன்படுத்த எளிதானது, கணினி தொழில்நுட்பத்தின் பயனுள்ளதாக கருதப்பட்டது மற்றும் கணினி தொழில்நுட்பத்தின் உண்மையான பயன்பாட்டைக் குறித்த அணுகுமுறை ஆகியவை கணினி தொழில்நுட்பத்தின் உண்மையான பயன்பாட்டைக் குறிக்கின்றன. பல படிநிலை பின்னடைவு பகுப்பாய்வைப் பயன்படுத்தி பெறப்பட்ட முடிவுகள் பின்வருமாறு வெளிப்படுத்தினஃ (1) முன் சேவை ஆசிரியர்கள் கற்பித்தல் நம்பிக்கைகள் கணிப்பொறி பயன்பாட்டைப் பற்றிய அணுகுமுறையையும் கணிப்பொறி பயன்பாட்டைப் பற்றிய அணுகுமுறையையும் கணிப்பொறி பயன்பாட்டைப் பற்றிய அணுகுமுறையையும் கணிப்பொறி பயன்பாட்டைப் பற்றிய அணுகுமுறையையும் கணிப்பொறி பயன்பாட்டைப் பற்றிய அணுகுமுறையையும் கணிப்பொறி பயன்பாட்டைப் பற்றிய அணுகுமுறையையும் கணிப்பொறி பயன்பாட்டைப் பற்றிய ஆசிரியர்கள் கணிப்பொறி பயன்பாட்டைப் பற்றிய அணுகுமுறையையும் கணிசமாக பாதிக்கின்றன. இருப்பினும், புள்ளிவிவர ரீதியாக, பயன்படுத்த எளிதானது உணரப்பட்ட பயன்பாட்டினை கணிசமாக பாதிக்கவில்லை. கானா சூழலில் TAM ஐ சரிபார்த்து, தொழில்நுட்ப ஒருங்கிணைப்பு வளர்ச்சியின் ஆராய்ச்சி மற்றும் நடைமுறைக்கு பல முக்கிய தாக்கங்களை வழங்குவதன் மூலம் இந்த கண்டுபிடிப்புகள் இலக்கியத்திற்கு பங்களிக்கின்றன. |
04e5b276da90c8181d6ad8397f763a181baae949 | இயந்திரக் கற்றலில் செயல்திறன் மற்றும் முன்னேற்றத்தை அளவிடுவதற்கு குறுக்கு-சரிபார்ப்பு ஒரு முக்கிய ஆதாரமாகும். குறுக்கு-சரிபார்ப்பு ஆய்வுகளில் துல்லியம், F-அளவு மற்றும் ROC வளைவின் கீழ் பகுதி (AUC) ஆகியவற்றை எவ்வாறு கணக்கிடுவது என்பதில் நுட்பமான வேறுபாடுகள் உள்ளன. எனினும், இந்த விவரங்கள் இலக்கியத்தில் விவாதிக்கப்படவில்லை, மற்றும் இணக்கமற்ற முறைகள் பல்வேறு ஆவணங்கள் மற்றும் மென்பொருள் தொகுப்புகளால் பயன்படுத்தப்படுகின்றன. இது ஆராய்ச்சி இலக்கியங்களில் முரண்பாடுகளுக்கு வழிவகுக்கிறது. குறிப்பிட்ட மடிப்புகள் மற்றும் சூழ்நிலைகளுக்கான செயல்திறன் கணக்கீடுகளில் உள்ள அசாதாரணங்கள் பல மடிப்புகள் மற்றும் தரவுத் தொகுப்புகளில் ஒருங்கிணைந்த முடிவுகளில் புதைக்கப்படும்போது கண்டுபிடிக்கப்படாமல் போகும், இடைநிலை செயல்திறன் அளவீடுகளை ஒருபோதும் பார்க்காத ஒரு நபர். இந்த ஆராய்ச்சி குறிப்பு வேறுபாடுகளை தெளிவுபடுத்துகிறது மற்றும் விளக்குகிறது, மேலும் குறுக்கு-சரிபார்ப்பு கீழ் வகைப்படுத்தல் செயல்திறனை எவ்வாறு அளவிடுவது என்பதற்கான வழிகாட்டுதல்களை இது வழங்குகிறது. குறிப்பாக, F-அளவைக் கணக்கிடப் பல மாறுபட்ட முறைகள் உள்ளன, இது பெரும்பாலும் வகுப்பு ஏற்றத்தாழ்வின் கீழ் செயல்திறன் அளவீடாக பரிந்துரைக்கப்படுகிறது, எ. கா. , உரை வகைப்படுத்தல் களங்களுக்கும் பல வகுப்புகளைக் கொண்ட தரவுத்தொகுப்புகளின் ஒரு-எதிராக-அனைத்து குறைப்புகளுக்கும். இந்த கணக்கீட்டு முறைகளில் ஒன்றைத் தவிர மற்றவை அனைத்தும் பாரபட்சமான அளவீடுகளுக்கு வழிவகுக்கிறது என்பதை பரிசோதனையின் மூலம் காண்பிக்கிறோம், குறிப்பாக உயர் வர்க்க ஏற்றத்தாழ்வின் கீழ். இந்த ஆவணம் இயந்திர கற்றல் மென்பொருள் நூலகங்களை வடிவமைப்பவர்கள் மற்றும் உயர் வர்க்க ஏற்றத்தாழ்வு குறித்து கவனம் செலுத்தும் ஆராய்ச்சியாளர்களுக்கு குறிப்பாக ஆர்வமாக உள்ளது. |
8efac913ff430ef698dd3fa5df4cbb7ded3cab50 | ஒரு மேற்பார்வை செய்யப்படாத கிளஸ்டரிங் கருவியான பிரதான திசை பிரிவு பிரிவு, இது எண் திசையன்களாக குறிப்பிடக்கூடிய எந்தவொரு தரவுத் தொகுப்பிற்கும் பொருந்தக்கூடிய ஒரு அளவிடக்கூடிய மற்றும் பல்துறை மேல்-கீழே முறையாகும். அடிப்படை முறையின் விளக்கம், இது பயன்படுத்தப்பட்ட முக்கிய பயன்பாட்டுப் பகுதிகளின் சுருக்கம் மற்றும் சில சமீபத்திய முடிவுகள் முக்கிய வார்த்தைகளைத் தேர்ந்தெடுப்பது மற்றும் புதிய தரவு வந்தவுடன் கிளஸ்டர்களைப் புதுப்பிக்கும் செயல்முறை ஆகியவை விவாதிக்கப்படுகின்றன. |
1e20f9de45d26950ecd11965989d2b15a5d0d86b | மாதிரி அடிப்படையிலான முறைகள் மற்றும் ஆழமான நரம்பியல் நெட்வொர்க்குகள் இரண்டும் இயந்திரக் கற்றலில் மிகவும் வெற்றிகரமான முன்மாதிரிகளாக இருந்தன. மாதிரி அடிப்படையிலான முறைகளில், ஊகத்தின் போது சிரமங்களின் இழப்பில் மாதிரியின் கட்டுப்பாடுகளில் நமது சிக்கல் கள அறிவை எளிதாக வெளிப்படுத்தலாம். தீர்மானிக்கும் ஆழமான நரம்பியல் நெட்வொர்க்குகள் ஒரு வழியில் கட்டமைக்கப்படுகின்றன, இதனால் ஊகங்கள் நேரடியானவை, ஆனால் சிக்கல் கள அறிவை எளிதில் இணைக்கும் திறனை நாங்கள் தியாகம் செய்கிறோம். இந்த ஆவணத்தின் நோக்கம் இரண்டு அணுகுமுறைகளின் பலன்களைப் பெறுவதற்கு ஒரு பொதுவான மூலோபாயத்தை வழங்குவதாகும், அதே நேரத்தில் அவற்றின் பல குறைபாடுகளைத் தவிர்க்கவும். பொதுவான கருத்தை பின்வருமாறு சுருக்கமாகக் கூறலாம்: ஒரு மாதிரியை அடிப்படையாகக் கொண்ட அணுகுமுறைக்கு ஒரு தொடர்ச்சியான ஊக முறை தேவைப்படுகிறது, நாம் ஒரு நரம்பியல் வலையமைப்பிற்கு ஒத்த ஒரு அடுக்கு வாரியான கட்டமைப்பில் மீண்டும் மீண்டும் விரிக்கிறோம். நாம் பின்னர் மாடல் அளவுருக்களை அடுக்குகள் முழுவதும் பிரித்து, புதிய நரம்பியல் நெட்வொர்க் போன்ற கட்டமைப்புகளை பெறலாம், அவை எளிதில் படிநிலை அடிப்படையிலான முறைகளைப் பயன்படுத்தி பாகுபாடு காட்ட பயிற்சி அளிக்கப்படலாம். இதன் விளைவாக உருவாகும் சூத்திரம் ஒரு வழக்கமான ஆழமான வலையமைப்பின் வெளிப்பாட்டு சக்தியை மாதிரியின் அடிப்படையிலான அணுகுமுறையின் உள் கட்டமைப்போடு இணைக்கிறது, அதே நேரத்தில் ஒரு நிலையான எண்ணிக்கையிலான அடுக்குகளில் ஊகிக்க அனுமதிக்கிறது, அவை சிறந்த செயல்திறனுக்காக மேம்படுத்தப்படலாம். இந்த கட்டமைப்பை எதிர்மறை அல்லாத மேட்ரிக்ஸ் காரணிக்கு எவ்வாறு பயன்படுத்தலாம் என்பதை நாங்கள் காட்டுகிறோம், இது ஒரு புதிய எதிர்மறை அல்லாத ஆழமான நரம்பியல் நெட்வொர்க் கட்டமைப்பைப் பெறுவதற்கு, இது ஒரு பெருக்கமான பின்னோக்கி-விநியோக பாணி புதுப்பிப்பு வழிமுறையுடன் பயிற்சி பெறலாம். நாம் பேச்சு மேம்பாட்டு துறையில் சோதனைகள் முன்வைக்க, நாம் விளைவாக மாதிரி பாரம்பரிய நரம்பியல் நெட்வொர்க் தாண்டி முடியும் என்று காட்ட எங்கே போது மட்டுமே அளவுருக்கள் எண்ணிக்கை ஒரு பகுதியை தேவைப்படுகிறது. நாம் நம்புகிறோம் இது ஆழமான வலையமைப்பின் கட்டமைப்பில் சிக்கல் நிலை அனுமானங்களை இணைக்க எங்கள் கட்டமைப்பின் திறன் காரணமாகும். arXiv.org இந்த படைப்பை முழுமையாகவோ அல்லது பகுதியாகவோ எந்த வணிக நோக்கத்திற்காகவும் நகலெடுக்கவோ அல்லது இனப்பெருக்கம் செய்யவோ கூடாது. இலாப நோக்கமற்ற கல்வி மற்றும் ஆராய்ச்சி நோக்கங்களுக்காக முழுமையாகவோ அல்லது பகுதியாகவோ நகலெடுக்க அனுமதி வழங்கப்படுகிறது, அத்தகைய முழு அல்லது பகுதி பிரதிகள் பின்வருவனவற்றை உள்ளடக்கியிருக்கும்ஃ அத்தகைய நகல் மிட்சுபிஷி எலக்ட்ரிக் ரிசர்ச் லேபொரேட்டரிஸ், இன்க் அனுமதியுடன் உள்ளது என்ற அறிவிப்பு; படைப்புக்கு ஆசிரியர்கள் மற்றும் தனிப்பட்ட பங்களிப்புகளை ஒப்புதல்; மற்றும் பதிப்புரிமை அறிவிப்பின் பொருந்தக்கூடிய அனைத்து பகுதிகளும். வேறு எந்த நோக்கத்திற்காகவும் பிரதி எடுப்பது, பிரதி எடுப்பது அல்லது மறுபதிப்பு செய்வது, மிட்சுபிஷி எலக்ட்ரிக் ரிசர்ச் லேபொரேட்டரிஸ், இன்க் நிறுவனத்திற்கு கட்டணம் செலுத்துவதன் மூலம் உரிமம் தேவைப்படுகிறது. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. Copyright c © மிட்சுபிஷி எலக்ட்ரிக் ரிசர்ச் லேபொரேட்டரிஸ், இன்க், 2014 201 பிராட்வே, கேம்பிரிட்ஜ், மாசசூசெட்ஸ் 02139 |
26f4f07696a3828f5eeb0d8bb8944da80228b77d | முடிவு மர வழிமுறைகளுக்கு அதிகரிக்கும் நடைமுறைகளைப் பயன்படுத்துவது மிகவும் துல்லியமான வகைப்படுத்தல்களை உருவாக்குகிறது. இந்த வகைப்படுத்திகள் பல முடிவு மரங்களில் பெரும்பான்மை வாக்கெடுப்பு வடிவத்தில் உள்ளன. துரதிருஷ்டவசமாக, இந்த வகைப்பாடுகள் பெரும்பாலும் பெரியவை, சிக்கலானவை மற்றும் விளக்குவதற்கு கடினமானவை. இந்த ஆவணம் ஒரு புதிய வகை வகைப்பாடு விதியை விவரிக்கிறது, மாறி முடிவெடுக்கும் மரம், இது முடிவெடுக்கும் மரங்கள், வாக்களித்த முடிவு மரங்கள் மற்றும் வாக்களித்த முடிவு ஸ்டம்ப்ஸின் பொதுமயமாக்கலாகும். அதே நேரத்தில் இந்த வகை வகைப்பாடுகள் விளக்கம் செய்ய எளிதானவை. நாம் ஒரு கற்றல் வழிமுறையை முன்வைக்கிறோம் மாறி மாறி முடிவு மரங்கள் இது ஊக்கத்தை அடிப்படையாகக் கொண்டது. சோதனை முடிவுகள் இது C5.0 போன்ற அதிகரித்த முடிவு மரம் வழிமுறைகளுடன் போட்டித்தன்மையுடையது என்பதைக் காட்டுகிறது, மேலும் வழக்கமாக சிறிய அளவிலான விதிகளை உருவாக்குகிறது, இதனால் விளக்க எளிதானது. கூடுதலாக இந்த விதிகள் வகைப்படுத்தல் நம்பகத்தன்மையின் இயற்கையான அளவை அளிக்கிறது, இது வகைப்படுத்த கடினமாக இருக்கும் எடுத்துக்காட்டுகளை கணிப்பதில் இருந்து விலகி இருப்பது செலவில் துல்லியத்தை மேம்படுத்த பயன்படுத்தப்படலாம். |
5e28e81e757009d2f76b8674e0da431f5845884a | இந்த ஆவணம் பல பரிமாண நேரியல் பாகுபாடு பகுப்பாய்வு மற்றும் அதனுடன் தொடர்புடைய உகந்த நேரியல் திட்டத்தின் கோட்பாடுகளைப் பயன்படுத்தி ஒரு பட பயிற்சி தொகுப்பிலிருந்து அம்சங்களை தானியங்கி தேர்வு செய்வதை விவரிக்கிறது. நாம் "நல்ல முறையில் வடிவமைக்கப்பட்ட" காட்சிகளாக வழங்கப்படும் பரந்த அளவிலான மாறுபட்ட உண்மையான உலக பொருள்களின் ஒரு பெரிய தரவுத்தளத்திலிருந்து பார்வை அடிப்படையிலான வகுப்பு மீட்டெடுப்பிற்கான இந்த மிகவும் வேறுபடுத்தும் அம்சங்களின் செயல்திறனை நிரூபிக்கிறோம், மேலும் அதை முக்கிய கூறு பகுப்பாய்வோடு ஒப்பிடுகிறோம். |
dbe8c61628896081998d1cd7d10343a45b7061bd | பெரிய இணைப்புவாத பேச்சு அங்கீகார அமைப்புகளின் வடிவமைப்பிற்கு வழிவகுக்கும் படிநிலைகளாக அடிப்படை நெட்வொர்க் மாதிரிகளின் வரம்புகளை மீறும் பல உத்திகள் விவரிக்கப்பட்டுள்ளன. கவலைக்குரிய இரண்டு முக்கிய பகுதிகள் காலப் பிரச்சினை மற்றும் அளவிடுதல் பிரச்சினை. பேச்சு சமிக்ஞைகள் காலப்போக்கில் தொடர்ந்து மாறுபடுகின்றன, மேலும் அவை மகத்தான மனித அறிவை குறியீட்டு மற்றும் பரிமாற்றும். இந்த சமிக்ஞைகளை டிகோட் செய்ய, நரம்பியல் நெட்வொர்க்குகள் பொருத்தமான நேர பிரதிநிதித்துவங்களைப் பயன்படுத்த முடியும், மேலும் இந்த நெட்வொர்க்குகளை கிட்டத்தட்ட தன்னிச்சையான அளவுகள் மற்றும் சிக்கலான வளங்களுக்குள் நீட்டிக்க முடியும். காலப் பிரச்சினை ஒரு கால தாமத நரம்பியல் வலையமைப்பின் வளர்ச்சியால் தீர்க்கப்படுகிறது; சிறிய துணைப் பிரிவு வலையமைப்புகள் அடிப்படையில் பெரிய வலையமைப்புகள் மாடுலரிட்டி மற்றும் அதிகரிப்பு வடிவமைப்பு மூலம் அளவிடுவதற்கான பிரச்சினை. வரையறுக்கப்பட்ட பணிகளைச் செய்ய பயிற்சி பெற்ற சிறிய நெட்வொர்க்குகள், கால மாற்றமற்ற, மறைக்கப்பட்ட சுருக்கங்களை உருவாக்குகின்றன என்பதைக் காட்டுகிறது, அவை பின்னர் பெரிய, சிக்கலான நெட்வொர்க்குகளை திறம்பட பயிற்சி செய்ய பயன்படுத்தப்படலாம். இந்த நுட்பங்களைப் பயன்படுத்தி, அதிகரிக்கும் சிக்கலான ஒலிப்பு அங்கீகார நெட்வொர்க்குகளை உருவாக்க முடியும், அவை அனைத்தும் சிறந்த அங்கீகார செயல்திறனை அடைகின்றன. |
eeb8c7a22f731839755a4e820b608215e9885276 | |
01905a9c0351aad54ee7dbba1544cd9db06ca935 | தகவல் அமைப்பு (ஐஎஸ்) பாதுகாப்பைக் கையாள விரும்பும் எந்தவொரு நிறுவனத்திற்கும் ஆபத்து மேலாண்மை இன்று ஒரு முக்கிய திசைமாற்ற கருவியாகும். இருப்பினும், IS பாதுகாப்பு அபாய மேலாண்மை (ISSRM) நிறுவ மற்றும் பராமரிக்க கடினமான ஒரு செயல்முறையாக உள்ளது, முக்கியமாக சிக்கலான மற்றும் ஒன்றோடொன்று இணைக்கப்பட்ட IS உடன் பல ஒழுங்குமுறைகளின் சூழலில். நிறுவன கட்டமைப்பு மேலாண்மை (EAM) உடன் இணைப்பு இந்த பிரச்சினைகளை சமாளிக்க உதவுகிறது என்று நாங்கள் கூறுகிறோம். இரண்டு துறைகளையும் ஒருங்கிணைப்பதற்கான முதல் படி ஒருங்கிணைந்த EAM-ISSRM கருத்தியல் மாதிரியை வரையறுப்பதாகும். இந்த ஆவணம் இந்த மாதிரியின் விரிவாக்கம் மற்றும் சரிபார்ப்பு பற்றி உள்ளது. இதைச் செய்ய, தற்போதுள்ள ISSRM கள மாதிரியை மேம்படுத்துகிறோம், அதாவது ISSRM களத்தை சித்தரிக்கும் ஒரு கருத்தியல் மாதிரி, EAM கருத்துக்களுடன். EAM-ISSRM ஒருங்கிணைந்த மாதிரியின் சரிபார்ப்பு பின்னர் மாதிரியின் பயன்பாடு மற்றும் பயன்பாட்டினை மதிப்பீடு செய்யும் சரிபார்ப்புக் குழுவின் உதவியுடன் மேற்கொள்ளப்படுகிறது. |
1976c9eeccc7115d18a04f1e7fb5145db6b96002 | Freebase என்பது ஒரு நடைமுறை, அளவிடக்கூடிய டப்பிள் தரவுத்தளமாகும், இது பொது மனித அறிவை கட்டமைக்க பயன்படுகிறது. Freebase இல் உள்ள தரவு கூட்டுறவு மூலம் உருவாக்கப்பட்டு, கட்டமைக்கப்பட்டு, பராமரிக்கப்படுகிறது. Freebase தற்போது 125,000,000 க்கும் மேற்பட்ட டூப்ள்கள், 4000 க்கும் மேற்பட்ட வகைகள், மற்றும் 7000 க்கும் மேற்பட்ட பண்புகளை கொண்டுள்ளது. பொது வாசிப்பு / எழுத்து அணுகல் ஒரு தரவு வினவல் மற்றும் கையாளுதல் மொழியாக Metaweb வினவல் மொழி (MQL) ஐப் பயன்படுத்தி HTTP- அடிப்படையிலான வரைபட-கேள்வி API மூலம் அனுமதிக்கப்படுகிறது. MQL என்பது Freebase இல் உள்ள டப்பிள் தரவுகளுக்கு பயன்படுத்த எளிதான பொருள் சார்ந்த இடைமுகத்தை வழங்குகிறது, மேலும் கூட்டு, இணைய அடிப்படையிலான தரவு சார்ந்த பயன்பாடுகளை உருவாக்குவதை எளிதாக்குவதற்காக வடிவமைக்கப்பட்டுள்ளது. |
77b99e0a3a6f99537a4b497c5cd67be95c1b7088 | தன்னாட்சி வாகன ஆராய்ச்சி ஒரு தசாப்தத்திற்கும் மேலாக பரவலாக உள்ளது, ஆனால் சமீபத்தில் தான் தன்னாட்சி வாகனங்களில் ஏற்படும் மனித தொடர்பு குறித்து சிறிய அளவிலான ஆராய்ச்சி மேற்கொள்ளப்பட்டுள்ளது. சுய-நலமான வாகன ஆராய்ச்சியின் முக்கிய மையமாக இருந்த பாதுகாப்பான செயல்பாட்டிற்கு செயல்பாட்டு மென்பொருள் மற்றும் சென்சார் தொழில்நுட்பம் இன்றியமையாததாக இருந்தாலும், மனித தொடர்புகளின் அனைத்து கூறுகளையும் கையாளுவதும் அவற்றின் வெற்றியின் மிக முக்கியமான அம்சமாகும். இந்த ஆவணம், தன்னாட்சி வாகனங்களில் மனித வாகன தொடர்புகளின் முக்கியத்துவத்தை ஒரு கண்ணோட்டத்தை அளிக்கும் அதே நேரத்தில், ஏற்றுக்கொள்ளப்படுவதை பாதிக்கும் தொடர்புடைய காரணிகளை கருத்தில் கொள்ளும். ஆட்டோமொபைலில் கட்டுப்பாட்டு தொடர்பான முக்கிய பகுதிகளில் முன்னர் மேற்கொள்ளப்பட்ட ஆராய்ச்சிகளுக்கு சிறப்பு கவனம் செலுத்தப்படும், கூடுதலாக மனித இயக்கத்திற்காக ஆரம்பத்தில் உருவாக்கப்பட்ட இந்த வாகனங்களின் வெற்றிக்கான சாத்தியத்தை பாதிக்கும் என்று எதிர்பார்க்கப்படும் பல்வேறு கூறுகள். மனிதர்களுடனான தொடர்புகளை கருத்தில் கொண்டு மேற்கொள்ளப்பட்ட வரையறுக்கப்பட்ட ஆராய்ச்சி மற்றும் தற்போது வெளியிடப்பட்ட செயல்பாட்டு மென்பொருள் மற்றும் சென்சார் தொழில்நுட்பத்தின் தற்போதைய நிலை பற்றிய விவாதமும் இந்த ஆவணத்தில் அடங்கும். |
31f3a12fb25ddb0a27ebdda7dd8d014996debd74 | சுமார் 2 ஆண்டுகளில் 12,500 ஆண்ட்ராய்டு சாதனங்களின் பயன்பாட்டுத் தகவல்களை சேகரித்தோம். எங்கள் தரவுத் தொகுப்பில், ஆண்ட்ராய்டு 687 பதிப்புகளை இயக்கும் 894 மாடல்களின் 53 பில்லியன் தரவு புள்ளிகள் உள்ளன. சேகரிக்கப்பட்ட தரவுகளை செயலாக்குவது, அளவிடக்கூடிய தன்மை முதல் நிலைத்தன்மை மற்றும் தனியுரிமைக் கருத்தாய்வுகள் வரை பல சவால்களை முன்வைக்கிறது. இந்த பரவலான தரவுத் தொகுப்பின் சேகரிப்பு மற்றும் பகுப்பாய்விற்கான எங்கள் அமைப்பு கட்டமைப்பை நாங்கள் முன்வைக்கிறோம், நம்பகமான காலத் தொடர் தரவுகளின் முன்னிலையில் எங்கள் அமைப்பு எவ்வாறு நம்பகமான முறையில் சேகரிக்க முடியும் என்பதைப் பற்றி விவாதிக்கிறோம், மேலும் பல பெரிய தரவு சேகரிப்பு திட்டங்களுக்கு பொருந்தும் என்று நாங்கள் நம்பும் சிக்கல்கள் மற்றும் கற்றுக்கொண்ட பாடங்களைப் பற்றி விவாதிக்கிறோம். |
408a8e250316863da94ffb3eab077175d08c01bf | |
5656fa5aa6e1beeb98703fc53ec112ad227c49ca | பல-முன்னறிவிப்பு ஆழமான போல்ட்ஸ்மேன் இயந்திரத்தை (MP-DBM) அறிமுகப்படுத்துகிறோம். MPDBM என்பது பொதுவான போலி நிகழ்தகவுக்கான மாறுபட்ட தோராயத்தை அதிகரிக்க பயிற்சி பெற்ற ஒரு நிகழ்தகவு மாதிரியாகக் கருதப்படலாம், அல்லது அளவுருக்களைப் பகிர்ந்து கொள்ளும் மற்றும் வெவ்வேறு ஊக சிக்கல்களை தோராயமாக தீர்க்கும் தொடர்ச்சியான வலைகளின் குடும்பமாகக் கருதலாம். டிபிஎம் பயிற்சிக்கான முந்தைய முறைகள் வகைப்படுத்தல் பணிகளில் சிறப்பாக செயல்படவில்லை அல்லது ஒரு ஆரம்ப கற்றல் பாஸ் தேவைப்படுகிறது, இது டிபிஎம்-ஐ ஒரு நேரத்தில் ஒரு அடுக்குக்கு ஏராளமாக பயிற்றுவிக்கிறது. MP-DBMக்கு லஞ்சம் நிறைந்த அடுக்கு முன்கூட்டியே பயிற்சி தேவைப்படாது, மேலும் தரநிலை DBM ஐ வகைப்படுத்தல், காணாமல் போன உள்ளீடுகளுடன் வகைப்படுத்தல் மற்றும் சராசரி புலம் கணிப்பு பணிகளில் சிறப்பாக செயல்படுகிறது. |
4c99b87df6385bd945a00633f829e4a9ec5ce314 | சமூக வலைப்பின்னல்கள் ஏராளமான தரவுகளை உருவாக்குகின்றன. ஃபேஸ்புக் 400 மில்லியனுக்கும் அதிகமான செயலில் உள்ள பயனர்களைக் கொண்டுள்ளது, ஒவ்வொரு மாதமும் 5 பில்லியனுக்கும் அதிகமான தகவல்களைப் பகிர்ந்து கொள்கிறது. இந்த பரந்த அளவிலான கட்டமைக்கப்படாத தரவுகளை பகுப்பாய்வு செய்வது மென்பொருள் மற்றும் வன்பொருளுக்கு சவால்களை முன்வைக்கிறது. GraphCT என்ற கருவி தொகுப்பை அறிமுகப்படுத்துகிறோம். இது சமூக வலைத்தள தரவுகளை பிரதிநிதித்துவப்படுத்தும் மிகப்பெரிய வரைபடங்களுக்கான கருவி தொகுப்பாகும். 128 செயலி கொண்ட Cray XMT இல், கிராஃப்க்டி ஒரு செயற்கையாக உருவாக்கப்பட்ட (R-MAT) 537 மில்லியன் முனைகள், 55 நிமிடங்களில் 8.6 பில்லியன் விளிம்பு வரைபடம் மற்றும் ஒரு உண்மையான உலக வரைபடத்தின் (Kwak, et al.) 61.6 மில்லியன் கோணங்களும் 1.47 பில்லியன் விளிம்புகளும் 105 நிமிடங்களில். Twitter, microblogging நெட்வொர்க்கில் இருந்து பொதுத் தரவுகளை பகுப்பாய்வு செய்ய GraphCT ஐப் பயன்படுத்துகிறோம். ட்விட்டரின் செய்தி இணைப்புகள் முதன்மையாக செய்தி பரப்புதல் அமைப்பாக மர அமைப்புடன் தோன்றும். பொதுத் தரவுகளில், உரையாடல்களின் தொகுப்புகள் உள்ளன. GraphCT ஐ பயன்படுத்தி, இந்த உரையாடல்களில் உள்ள நடிகர்களை தரவரிசைப்படுத்தலாம் மற்றும் பகுப்பாய்வாளர்கள் கவனத்தை மிகவும் சிறிய தரவுகளின் துணைக்குழுவில் கவனம் செலுத்த உதவுகிறது. |
7b1e18688dae102b8702a074f71bbea8ba540998 | வாகன வாகன அமைப்புகளின் சிக்கலான தன்மை, வெளிப்புற நெட்வொர்க்குகள், பொருள்களின் இணையம் ஆகியவற்றுடன் அவற்றின் உள் நெட்வொர்க்கிங் அதிகரிப்பது ஹேக்கிங் மற்றும் தீங்கிழைக்கும் தாக்குதல்களுக்கு கதவுகளைத் திறக்கிறது. நவீன வாகனங்களில் பாதுகாப்பு மற்றும் தனியுரிமை அபாயங்கள் இப்போது நன்கு விளம்பரப்படுத்தப்பட்டுள்ளன. பாதுகாப்பு மீறல் பாதுகாப்பு மீறல்களுக்கு வழிவகுக்கும் என்பது நன்கு வாதிட்ட மற்றும் ஏற்றுக்கொள்ளப்பட்ட வாதம். பாதுகாப்பு ஒழுக்கம் பல தசாப்தங்களாக முதிர்ச்சியடைந்துள்ளது , ஆனால் பாதுகாப்பு ஒழுக்கம் மிகவும் இளையது . பாதுகாப்பு பொறியியல் செயல்முறை செயல்பாட்டு பாதுகாப்பு பொறியியல் செயல்முறைக்கு (ஐஎஸ்ஓ 26262 தரநிலை மூலம் முறையானது) ஒத்ததாக இருப்பதோடு, அவை பக்கவாட்டாக அமைக்கப்படலாம் மற்றும் ஒன்றாக செய்யப்படலாம், ஆனால் வேறு வல்லுநர்கள் குழுவால் செய்யப்படலாம் என்று வாதங்கள் உள்ளன. வாகன வாகன அமைப்புகளுக்கான செயல்பாட்டு பாதுகாப்பு பொறியியல் செயல்முறைகளின் வரிசையில் ஒரு பாதுகாப்பு பொறியியல் செயல்முறையை வரையறுக்க நகர்வுகள் உள்ளன . ஆனால், பாதுகாப்பை முறைப்படுத்தும் இந்த முயற்சிகள் பாதுகாப்பான மற்றும் பாதுகாப்பான அமைப்புகளை உருவாக்க போதுமானதா? பாதுகாப்பான மற்றும் பாதுகாப்பான அமைப்புகளை உருவாக்கும் எண்ணத்துடன் இந்த பாதையில் ஒருவர் செல்லும்போது, உற்பத்தி வரிகளில் இருந்து பாதுகாப்பான மற்றும் பாதுகாப்பான அமைப்புகள் வெளிவரத் தொடங்குவதற்கு முன்னர், சில சவால்கள், முரண்பாடுகள், வேறுபாடுகள், கவலைகள் உள்ளன என்பதை ஒருவர் உணர்கிறார். இந்த ஆவணத்தின் நோக்கம், சமுதாயத்தின் கவனத்திற்கு கொண்டு வரவும், முன்னோக்கி செல்லும் வழிகளை பரிந்துரைக்கவும் உள்ளது. |
a608bd857a131fe0d9e10c2219747b9fa03c5afc | நவீன ஆட்டோமொபைல்கள் எல்லா இடங்களிலும் கணினிமயமாக்கப்பட்டுள்ளன, எனவே தாக்குதலுக்கு ஆளாகக்கூடியவை. எனினும், சில நவீன கார்களில் உள்ள உள் நெட்வொர்க்குகள் பாதுகாப்பற்றவை என்று முந்தைய ஆராய்ச்சிகள் காட்டியுள்ள போதிலும், அதனுடன் தொடர்புடைய அச்சுறுத்தல் மாதிரி - முந்தைய உடல் அணுகலைத் தேவைப்படுத்துகிறது - நியாயமான முறையில் நம்பத்தகாததாகக் கருதப்படுகிறது. எனவே, ஆட்டோமொபைல்களும் தொலைதூர சமரசத்திற்கு ஆளாக முடியுமா என்பது ஒரு திறந்த கேள்வியாக உள்ளது. நவீன வாகனத்தின் வெளிப்புற தாக்குதல் மேற்பரப்பை முறையாக பகுப்பாய்வு செய்வதன் மூலம் இந்த கேள்வியை அமைதிப்படுத்த எங்கள் பணி முயல்கிறது. தொலைதூர சுரண்டல் என்பது பரந்த அளவிலான தாக்குதல் திசையன்கள் (மெக்கானிக் கருவிகள், சிடி பிளேயர்கள், புளூடூத் மற்றும் செல்லுலார் ரேடியோ உட்பட) மூலம் சாத்தியமானது என்பதை நாங்கள் கண்டுபிடிக்கிறோம், மேலும், வயர்லெஸ் தகவல்தொடர்பு சேனல்கள் நீண்ட தூர வாகனக் கட்டுப்பாட்டை அனுமதிக்கின்றன, இருப்பிட கண்காணிப்பு, கேபினில் ஆடியோ கசிவு மற்றும் திருட்டு. இறுதியாக, இந்த பிரச்சினைகளை உருவாக்கும் வாகன சூழல் அமைப்பின் கட்டமைப்பு அம்சங்கள் குறித்து விவாதித்து, அவற்றை குறைப்பதில் நடைமுறை சவால்களை முன்னிலைப்படுத்துகிறோம். |
cdbb46785f9b9acf8d03f3f8aba58b201f06639f | வாகன அமைப்புகளின் தகவல் தொழில்நுட்ப பாதுகாப்பு என்பது வளர்ந்து வரும் ஆராய்ச்சித் துறையாகும். தற்போதைய நிலைமை மற்றும் வளர்ந்து வரும் அச்சுறுத்தல்களின் சாத்தியமான போக்கு ஆகியவற்றை பகுப்பாய்வு செய்ய, சமீபத்திய வாகன தொழில்நுட்பத்தில் பல நடைமுறை சோதனைகளை நாங்கள் மேற்கொண்டோம். CAN பஸ் தொழில்நுட்பத்தை அடிப்படையாகக் கொண்ட வாகன அமைப்புகளில் கவனம் செலுத்தி, இந்த கட்டுரை ஜன்னல் லிஃப்ட், எச்சரிக்கை ஒளி மற்றும் ஏர்பேக் கட்டுப்பாட்டு அமைப்பு மற்றும் மத்திய நுழைவாயிலின் கட்டுப்பாட்டு அமைப்புகளில் மேற்கொள்ளப்பட்ட நான்கு தேர்ந்தெடுக்கப்பட்ட சோதனைகளின் முடிவுகளை சுருக்கமாகக் கூறுகிறது. இந்த முடிவுகள் இந்த கட்டுரையில் இந்த நான்கு தாக்குதல் காட்சிகளின் வகைப்படுத்தல் மூலம் நிறுவப்பட்ட CERT வகைப்பாடு மற்றும் அடிப்படை பாதுகாப்பு பாதிப்புகளின் பகுப்பாய்வு மற்றும் குறிப்பாக சாத்தியமான பாதுகாப்பு தாக்கங்கள் ஆகியவற்றால் பூர்த்தி செய்யப்படுகின்றன. இந்த சோதனைகளின் முடிவுகள் குறித்து, இந்த கட்டுரையில், எங்கள் சோதனைகளில் பயன்படுத்தப்பட்ட அடிப்படை பலவீனங்களை நிவர்த்தி செய்ய இரண்டு தேர்ந்தெடுக்கப்பட்ட எதிர் நடவடிக்கைகள் பற்றி மேலும் விவாதிக்கிறோம். இந்தத் திட்டங்கள் ஊடுருவல் கண்டறிதல் (மூன்று எடுத்துக்காட்டு கண்டறிதல் முறைகள் பற்றி விவாதித்தல்) மற்றும் தகவல் தொழில்நுட்ப-தடயவியல் நடவடிக்கைகள் (தடயவியல் மாதிரி அடிப்படையில் முன்னோடி நடவடிக்கைகளை முன்மொழிதல்) ஆகியவற்றின் மாற்றங்களாகும். இந்த கட்டுரை முன்னர் அறிமுகப்படுத்தப்பட்ட நான்கு தாக்குதல் காட்சிகளைப் பார்த்து, அவற்றின் திறன்கள் மற்றும் கட்டுப்பாடுகளை உள்ளடக்கியது. இந்த எதிர்வினை அணுகுமுறைகள் குறுகிய கால நடவடிக்கைகள் என்றாலும், அவை ஏற்கனவே இன்றைய வாகன தகவல் தொழில்நுட்ப கட்டமைப்பிற்கு சேர்க்கப்படலாம், நீண்ட கால கருத்துக்களும் விரைவில் அறிமுகப்படுத்தப்படுகின்றன, அவை முக்கியமாக தடுப்பு ஆனால் ஒரு பெரிய மறுவடிவமைப்பு தேவைப்படும். அந்தந்த ஆராய்ச்சி அணுகுமுறைகள் பற்றிய ஒரு சுருக்கமான கண்ணோட்டத்தின் கீழ், அவற்றின் தனிப்பட்ட தேவைகள், சாத்தியங்கள் மற்றும் கட்டுப்பாடுகள் பற்றி நாங்கள் விவாதிக்கிறோம். & 2010 Elsevier Ltd. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
13b44d1040bf8fc1edb9de23f50af1f324e63697 | நாம் பண்பு-வழிகாட்டப்பட்ட முகத்தை உருவாக்குவதில் ஆர்வமாக உள்ளோம்: குறைந்த-தெளிவுத்திறன் கொண்ட முக உள்ளீட்டு படத்தை, உயர்-தெளிவுத்திறன் கொண்ட படத்திலிருந்து பிரித்தெடுக்கக்கூடிய ஒரு பண்பு திசையன் (குறிப்பிட்ட படம்), எங்கள் புதிய முறை கொடுக்கப்பட்ட பண்புகளை பூர்த்தி செய்யும் குறைந்த-தெளிவுத்திறன் உள்ளீட்டிற்கான உயர்-தெளிவுத்திறன் கொண்ட முக படத்தை உருவாக்குகிறது. இந்த சிக்கலை தீர்க்க, சைக்கிள்ஜானை நிபந்தனைக்குட்படுத்தி, நிபந்தனைக்குட்பட்ட சைக்கிள்ஜானை முன்மொழிகிறோம், இது 1) இணைக்கப்படாத பயிற்சி தரவைக் கையாள வடிவமைக்கப்பட்டுள்ளது, ஏனெனில் பயிற்சி குறைந்த / உயர் தெளிவுத்திறன் மற்றும் உயர் தெளிவுத்திறன் பண்பு படங்கள் ஒருவருக்கொருவர் சீரமைக்கப்படாமல் இருக்கலாம், மற்றும் 2) உள்ளீட்டு பண்புகள் மூலம் உருவாக்கப்பட்ட முகத்தின் தோற்றத்தை எளிதாகக் கட்டுப்படுத்த அனுமதிக்கிறது. பண்பு-நிரல்படுத்தப்பட்ட நிபந்தனை CycleGAN இல் உயர்தர முடிவுகளை நாங்கள் நிரூபிக்கிறோம், இது பயனர் வழங்கிய பண்புகளால் (எ. கா. , பாலினம், ஒப்பனை, முடி நிறம், கண்ணாடிகள்) எளிதில் கட்டுப்படுத்தப்படும் தோற்றத்துடன் யதார்த்தமான முக படங்களை ஒருங்கிணைக்க முடியும். அந்தந்த நிபந்தனை திசையனை உருவாக்க பண்பு உருவத்தை அடையாளமாகப் பயன்படுத்துவதன் மூலமும், முக சரிபார்ப்பு வலையமைப்பை இணைப்பதன் மூலமும், பண்பு-நிரல் நெட்வொர்க் அடையாள-நிரல் நிபந்தனை CycleGAN ஆக மாறும், இது அடையாள பரிமாற்றத்தில் உயர் தரமான மற்றும் சுவாரஸ்யமான முடிவுகளை உருவாக்குகிறது. அடையாளம்-நிகழ்தல் நிபந்தனை CycleGAN மீது மூன்று பயன்பாடுகளை நாங்கள் நிரூபிக்கிறோம்: அடையாளம்-பாதுகாக்கும் முக சூப்பர்-தீர்வு, முக பரிமாற்றம், மற்றும் முன் முக தலைமுறை, இது தொடர்ந்து எங்கள் புதிய முறையின் நன்மையைக் காட்டுகிறது. |
8a7b0520de8d9af82617bb13d7aef000aae26119 | இரட்டை-பாண்ட் ஒர்த்தோமோட் டிரான்ஸ்யூசர் (OMT) கூறுகளை வடிவமைக்க, பொதுவான அனுமதி மேட்ரிக்ஸ் மற்றும் பொதுவான சிதறல் மேட்ரிக்ஸ் மூலம் பெறப்பட்ட கலப்பு தன்மை பரிந்துரைக்கப்படுகிறது. இந்த முறையின் அடிப்படையில் துல்லியமான மற்றும் திறமையான முழு அலை பகுப்பாய்வு மென்பொருள் உருவாக்கப்பட்டுள்ளது. Ku பட்டை கொண்ட உயர் செயல்திறன் கொண்ட இரட்டை அதிர்வெண் OMT முழுமையாக வடிவமைக்கப்பட்டுள்ளது. எண் மற்றும் பரிசோதனை முடிவுகளுக்கு இடையே நல்ல ஒற்றுமை வடிவமைப்பு செயல்முறையை சரிபார்க்கிறது. |
17168ca2262960c57ee141b5d7095022e038ddb4 | ஸ்மார்ட் சாதனங்கள் மற்றும் அணியக்கூடிய சென்சார்கள் மூலம் செயல்பாட்டை அங்கீகரிப்பது என்பது பரவலாக ஏற்றுக்கொள்ளப்பட்ட ஸ்மார்ட் சாதனங்கள் மற்றும் அவர்களின் அன்றாட வாழ்க்கையில் மக்களை ஆதரிப்பதற்காக அது வழங்கும் நன்மைகள் காரணமாக ஆராய்ச்சியின் ஒரு செயலில் உள்ள பகுதியாகும். நுணுக்கமான பழமையான செயல்பாட்டு அங்கீகாரத்திற்கான கிடைக்கக்கூடிய தரவுத்தொகுப்புகள் பல இயக்கம் அல்லது விளையாட்டு நடவடிக்கைகள் மீது கவனம் செலுத்துகின்றன, உண்மையான உலகில் அன்றாட நடத்தைக்கு குறைவான முக்கியத்துவம் அளிக்கப்படுகிறது. இந்த ஆவணம் ஒரு யதார்த்தமான மாற்றியமைக்கப்படாத சமையலறை சூழலில் செயல்பாட்டு அங்கீகாரம் ஒரு புதிய தரவு தொகுப்பு வழங்குகிறது. பத்து பங்கேற்பாளர்களிடமிருந்து தரவுகளை ஸ்மார்ட் கடிகாரங்கள் மட்டுமே பயன்படுத்தி சேகரிக்கப்பட்டது. அவர்கள் ஒரு மாற்றியமைக்கப்படாத வாடகை சமையலறையில் உணவைத் தயாரித்தனர். இந்த ஆவணத்தில் இந்த தரவுத்தொகுப்பில் வெவ்வேறு வகைப்படுத்திகளுக்கான அடிப்படை செயல்திறன் அளவீடுகளையும் வழங்குகிறது. மேலும், ஒரு ஆழமான அம்ச கற்றல் அமைப்பு மற்றும் பாரம்பரியமான புள்ளிவிவர அம்சங்களை அடிப்படையாகக் கொண்ட அணுகுமுறைகள் ஒப்பிடப்படுகின்றன. தரவு சார்ந்த அம்ச கற்றல் தரவு சார்ந்த அம்சங்களுடன் ஒப்பிடும்போது தரவரிசைப்படுத்தியவர் சிறந்த செயல்திறனை அடைய அனுமதிக்கிறது என்பதை இந்த பகுப்பாய்வு காட்டுகிறது. |
62a6cf246c9bec56babab9424fa36bfc9d4a47e8 | ஹாரி பாட்டர் என்ற கதாபாத்திரத்தை உருவாக்கியவர் யார் போன்ற கேள்விகளுக்கு கணினிகள் தானாக பதில் அளிக்க நாம் எவ்வாறு உதவ முடியும்? கவனமாக கட்டப்பட்ட அறிவுத் தளங்கள் உண்மைகளின் வளமான ஆதாரங்களை வழங்குகின்றன. ஆனால், ஒரு கேள்வியின் பல வெளிப்பாடுகள் காரணமாக, இயற்கை மொழியில் எழுப்பப்படும் உண்மை கேள்விகளுக்கு பதிலளிப்பது சவாலாகவே உள்ளது. குறிப்பாக, நாம் மிகவும் பொதுவான கேள்விகளை கவனம் செலுத்துகிறோம் - அறிவுத் தளத்தில் ஒரு உண்மைக்கு பதிலளிக்கக்கூடியவை. CFO என்ற நிபந்தனை மையப்படுத்தப்பட்ட நரம்பியல் நெட்வொர்க் அடிப்படையிலான அணுகுமுறையை நாங்கள் முன்மொழிகிறோம், இது அறிவுத் தளங்களுடன் உண்மை கேள்விகளுக்கு பதிலளிக்க உதவுகிறது. எங்கள் அணுகுமுறை முதலில் ஒரு கேள்வியில் அதிக சாத்தியமான வேட்பாளர் பொருள் குறிப்புகளைக் கண்டறிந்து, ஒருங்கிணைந்த நிபந்தனை நிகழ்தகவு கட்டமைப்பைக் கொண்டு இறுதி பதில்களைக் கூறுகிறது. ஆழமான தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் மற்றும் நரம்பியல் உட்பொதிவுகளால் இயங்கும் நமது முன்மொழியப்பட்ட CFO, 108,000 கேள்விகளின் தரவுத்தொகுப்பில் 75.7% துல்லியத்தை அடைகிறது - இதுவே இன்றுவரை மிகப்பெரிய பொதுவானது. இது தற்போதைய தொழில்நுட்ப நிலையை 11.8% என்ற முழுமையான விளிம்பில் மிஞ்சி உள்ளது. |
7bbacae9177e5349090336c23718a51bc94f6bfc | புவிஇருப்பிடத் தகவலுடன் குறிக்கப்பட்ட தெரு பக்க படங்களின் தரவுத்தளத்தைப் பயன்படுத்தி ஒரு தேடல் படத்தில் சித்தரிக்கப்பட்ட இடத்தை அடையாளம் காண முயற்சிக்கிறோம். தரவுத்தளத்தில் உள்ள படங்களுக்கும் தேடலுக்கும் இடையில் அளவு, பார்வை மற்றும் விளக்கு மாற்றங்கள் காரணமாக இது ஒரு சவாலான பணியாகும். இடத்தை அடையாளம் காண்பதில் உள்ள முக்கிய பிரச்சனைகளில் ஒன்று மரங்கள் அல்லது சாலை குறிகள் போன்ற பொருள்களின் இருப்பு ஆகும், அவை தரவுத்தளத்தில் அடிக்கடி நிகழ்கின்றன, இதனால் வெவ்வேறு இடங்களுக்கு இடையில் குறிப்பிடத்தக்க குழப்பத்தை ஏற்படுத்துகின்றன. முக்கிய பங்களிப்பாக, குறிப்பிட்ட இடங்களை குழப்பத்தை ஏற்படுத்தும் அம்சங்களை எவ்வாறு தவிர்ப்பது என்பதைக் காண்பிக்கிறோம். குழப்பமான அம்சங்களின் பட-குறிப்பிட்ட மற்றும் இடஞ்சார்ந்த-உள்ளூர்மயமாக்கப்பட்ட குழுக்களை தானியங்கி கண்டறிதலுக்கான ஒரு முறையை நாங்கள் உருவாக்குகிறோம், மேலும் அவற்றை அடக்குவது தரவுத்தள அளவைக் குறைக்கும் அதே வேளையில் இட அங்கீகார செயல்திறனை கணிசமாக மேம்படுத்துகிறது என்பதை நிரூபிக்கிறது. இந்த முறை, வினவல் விரிவாக்கம் உள்ளிட்ட, நவீன வசதிகளுடன் இணைந்து செயல்படுவதைக் காண்பிப்போம். மேலும், பரந்த அளவிலான பார்வைகள் மற்றும் விளக்கு நிலைமைகளில் பொதுவான இட அங்கீகாரத்தை காண்பிப்போம். கூகுள் ஸ்ட்ரீட் வியூவில் இருந்து பதிவிறக்கம் செய்யப்பட்ட 17,000 படங்களைக் கொண்ட புவி குறிச்சொல் தரவுத்தளத்தில் முடிவுகள் காட்டப்பட்டுள்ளன. |
d72b366e1d45cbcddfe5c856b77a2801d8d0c11f | தற்போதுள்ள நரம்பியல் சொற்பொருள் பாகுபடுத்திகள் முக்கியமாக ஒரு வரிசை குறியாக்கியை, அதாவது, ஒரு வரிசை LSTM, வார்த்தை வரிசை அம்சங்களை பிரித்தெடுக்க, மற்ற மதிப்புமிக்க தொடரியல் தகவல்களை புறக்கணித்து, சார்பு வரைபடம் அல்லது உறுப்பு மரங்கள் போன்றவை. இந்த ஆய்வில், மூன்று வகையான ஒழுங்கமைக்கப்பட்ட தகவல்களை பிரதிநிதித்துவப்படுத்த, முதலில், ஒழுங்கமைக்கப்பட்ட வரைபடத்தைப் பயன்படுத்த முன்மொழிகிறோம், அதாவது, சொல் வரிசை, சார்புநிலை மற்றும் தொகுதி அம்சங்கள். மேலும், ஒரு வரிசைக்கு ஒரு வரைபடத்தை உருவாக்கி, ஒரு ஒழுங்கமைவு வரைபடத்தை குறியீடு செய்து, ஒரு தர்க்கரீதியான வடிவத்தை டிகோட் செய்கிறோம். மேற்கோள் தரவுத் தொகுப்புகளில் சோதனை முடிவுகள், எங்கள் மாதிரி Jobs640, ATIS மற்றும் Geo880 ஆகியவற்றில் உள்ள அதிநவீனத்துடன் ஒப்பிடக்கூடியது என்பதைக் காட்டுகின்றன. எதிர்ப்பு உதாரணங்களில் சோதனை முடிவுகள் மாதிரி வலுவான மேலும் தொடரியல் தகவல் குறியீட்டு மூலம் மேம்படுத்தப்படுகிறது நிரூபிக்கின்றன. |
32cde90437ab5a70cf003ea36f66f2de0e24b3ab | சிக்கலான நகர்ப்புற வீதி காட்சிகளின் காட்சி புரிதல் என்பது பரந்த அளவிலான பயன்பாடுகளுக்கு ஒரு திறன்மிக்க காரணியாகும். குறிப்பாக ஆழமான கற்றல் சூழலில், பெரிய அளவிலான தரவுத் தொகுப்புகளிலிருந்து பொருள் கண்டறிதல் பெரிதும் பயனடைந்துள்ளது. இருப்பினும், சொற்பொருள் நகர்ப்புற காட்சி புரிதலுக்கு, தற்போதைய தரவுத்தொகுப்பு எதுவும் உண்மையான உலக நகர்ப்புற காட்சிகளின் சிக்கலைப் போதிய அளவில் கைப்பற்றவில்லை. இதைத் தீர்க்க, நாங்கள் சிட்டிஸ்கேப்ஸ், ஒரு தரப்படுத்தல் தொகுப்பு மற்றும் பெரிய அளவிலான தரவுத்தொகுப்பை அறிமுகப்படுத்துகிறோம், இது பிக்சல்-நிலை மற்றும் நிகழ்வு-நிலை சொற்பொருள் குறிச்சொல் அணுகுமுறைகளை பயிற்றுவிக்கவும் சோதிக்கவும் உதவுகிறது. சிட்டிஸ்கேப்ஸ் என்பது 50 வெவ்வேறு நகரங்களில் உள்ள வீதிகளில் பதிவு செய்யப்பட்ட பலவிதமான ஸ்டீரியோ வீடியோ காட்சிகளைக் கொண்டது. இவற்றில் 5000 படங்கள் உயர் தரமான பிக்சல் அளவிலான குறிப்புகளைக் கொண்டுள்ளன, மேலும் 20 000 படங்கள் அதிக அளவு லேபிளிடப்பட்ட தரவைப் பயன்படுத்தும் முறைகளை இயக்குவதற்கு தோராயமான குறிப்புகளைக் கொண்டுள்ளன. முக்கியமாக, தரவுத்தொகுப்பின் அளவு, குறிப்புச் செல்வம், காட்சி மாறுபாடு, சிக்கலான தன்மை ஆகியவற்றின் அடிப்படையில் எமது முயற்சி முந்தைய முயற்சிகளை விட அதிகமாக உள்ளது. எங்களது அனுபவபூர்வமான ஆய்வு தரவுத்தொகுப்பின் பண்புகளை ஆழமாக பகுப்பாய்வு செய்து, எங்களது தரவுத்தொகுப்பின் அடிப்படையில் பல அதிநவீன அணுகுமுறைகளின் செயல்திறன் மதிப்பீட்டை வழங்குகிறது. |
7c5f143adf1bf182bf506bd31f9ddb0f302f3ce9 | |
ceb7784d1bebbc8e97e97cbe2b3b76bce1e708a5 | வணிக நுண்ணறிவு (பிஐ) என்பது இன்று அனைவரின் வாயிலும் உள்ளது, ஏனெனில் இது வணிகங்களுக்கு தங்கள் வணிக நடைமுறைகளை பகுப்பாய்வு செய்து அவற்றை மேம்படுத்தும் வாய்ப்பை வழங்குகிறது. இருப்பினும், சிறிய மற்றும் நடுத்தர நிறுவனங்கள் (SMEs) பெரும்பாலும் BI இன் நேர்மறையான விளைவுகளை பயன்படுத்த முடியாது, ஏனெனில் பணியாளர்கள், அறிவு அல்லது பணம் போன்ற வளங்கள் இல்லை. சிறு மற்றும் நடுத்தர நிறுவனங்கள் ஒரு முக்கிய வகையான வணிக அமைப்பு என்பதால், இந்த உண்மையை சமாளிக்க வேண்டும். சில்லறை வர்த்தகம் என்பது SME துறையின் ஒரு முக்கிய பகுதியாக இருப்பதால், சில்லறை வர்த்தக SME களுக்கான BI அமைப்பிற்கான ஒரு நிறுவனங்களுக்கு இடையிலான அணுகுமுறையை நாங்கள் முன்மொழிகிறோம், இது தரவை கூட்டு சேகரிப்பதற்கும் பகுப்பாய்வு பணியைச் செய்வதற்கும் அனுமதிக்கிறது. எங்கள் தொடர்ச்சியான ஆராய்ச்சி முயற்சியின் நோக்கம் வடிவமைப்பு அறிவியல் ஆராய்ச்சி முறையைப் பின்பற்றி அத்தகைய ஒரு அமைப்பை உருவாக்குவதாகும். இந்த கட்டுரையில், சில்லறைத் துறையில் உள்ள SME களில் தற்போதைய BI நடைமுறைகளின் நிலைமை பத்து SME மேலாளர்களுடன் தரமான நேர்காணல்கள் மூலம் பகுப்பாய்வு செய்யப்படுகிறது. பின்னர், BI அமைப்புகள் மற்றும் நிறுவனங்களுக்கு இடையிலான தகவல் அமைப்புகள் ஆகியவற்றின் தத்தெடுப்பு மற்றும் வெற்றி காரணிகள் ஒரு விரிவான கட்டமைக்கப்பட்ட இலக்கிய மதிப்பாய்வில் உருவாக்கப்படுகின்றன. தற்போதைய நிலை மற்றும் ஏற்றுக்கொள்ளும் மற்றும் வெற்றி காரணிகளின் அடிப்படையில், நிறுவனங்களுக்கு இடையிலான BI அமைப்பை ஏற்றுக்கொள்வதற்கான முதல் தேவைகள் அடையாளம் காணப்பட்டு மற்றொரு சுற்று தரமான நேர்காணல்களில் சரிபார்க்கப்படுகின்றன. இது ஒன்பது செயல்பாட்டுத் தேவைகள் மற்றும் மூன்று செயல்பாட்டுத் தேவைகளுக்கு வழிவகுக்கிறது, இது பின்வரும் ஆராய்ச்சி முயற்சிகளில் SME க்கான ஒரு நிறுவனங்களுக்கு இடையிலான BI அமைப்பை வடிவமைப்பதற்கும் செயல்படுத்துவதற்கும் பயன்படுத்தப்படலாம். |
43e33e80d74205e860dd4b8e26b7c458c60e201a | எடைகள் மற்றும் சார்புகள் மீது பொருத்தமான முன்னுரிமை கொண்ட ஒரு (உதவிக்குரிய) கன்வெல்ஷனல் நரம்பியல் வலையமைப்பின் (சிஎன்என்) வெளியீடு ஒரு காஸ்ஸியன் செயல்முறை (ஜிபி) என்பது முடிவற்ற பல கன்வெல்ஷனல் வடிகட்டிகளின் வரம்பில் உள்ளது என்பதை நாங்கள் காட்டுகிறோம், அடர்த்தியான நெட்வொர்க்குகளுக்கு ஒத்த முடிவுகளை விரிவுபடுத்துகிறோம். ஒரு சிஎன்என் க்கு, சமமான கருவை துல்லியமாக கணக்கிட முடியும், மேலும் ஆழமான கருக்கள் போலல்லாமல், மிகக் குறைவான அளவுருக்கள் உள்ளனஃ அசல் சிஎன்என் இன் ஹைப்பர் அளவுருக்கள் மட்டுமே. மேலும், இந்த கருவிக்கு இரண்டு பண்புகள் உள்ளன என்பதைக் காட்டுகிறோம், இது திறம்பட கணக்கிட அனுமதிக்கிறது; ஒரு ஜோடி படங்களுக்கான கருவை மதிப்பீடு செய்வதற்கான செலவு அசல் சிஎன்என் மூலம் ஒரு முன்னோக்கி பாஸ் மூலம் ஒரே ஒரு வடிகட்டியை மட்டுமே கொண்டுள்ளது. 32-லேயர் ரெஸ்நெட்டுக்கு சமமான கரு 0.84% வகைப்படுத்தல் பிழையை MNIST இல் பெறுகிறது, இது ஒப்பிடக்கூடிய அளவுருக்களுடன் GP களுக்கு ஒரு புதிய சாதனையாகும். 1 ம் |
1e38c680492a958a2bd616a9a7121f905746a37e | பிட்காயின் அமைப்பு (https://bitcoin.org) என்பது ஒரு போலி-அநாமதேய நாணயமாகும், இது ஒரு பயனரை எந்தவொரு உண்மையான உலக அடையாளத்திலிருந்தும் பிரிக்க முடியும். அந்த சூழலில், மெய்நிகர் மற்றும் உடல் பிளவு வெற்றிகரமாக மீறல் பிட்காயின் அமைப்பில் ஒரு குறிப்பிடத்தக்க aw ஐ குறிக்கிறது [1]. இந்த திட்டத்தில் பிட்காயின் பரிவர்த்தனைகளுக்குப் பின்னால் உள்ள உண்மையான உலக பயனர்களைப் பற்றிய தகவல்களை எவ்வாறு சேகரிப்பது என்பதைக் காண்பிக்கிறோம். பொதுவில் கிடைக்கும் தரவுகளை பகுப்பாய்வு செய்கிறோம். குறிப்பாக, ஒரு பிட்காயின் பயனரின் செலவு பழக்கங்களை ஆராய்வதன் மூலம், அந்த பயனரின் உடல் இருப்பிடம் பற்றிய தகவல்களை தீர்மானிப்பதில் கவனம் செலுத்துகிறோம். |
2c0a239caa3c2c590e4d6f23ad01c1f77adfc7a0 | |
5f6d9b8461a9d774da12f1b363eede4b7088cf5d | முந்தைய ஆராய்ச்சி முடிவுகள் UHF செயலற்ற CMOS RFID குறிச்சொற்கள் -20 dBm க்கும் குறைவான உணர்திறனை அடைவதில் சிரமம் இருப்பதைக் காட்டியது. இந்த ஆவணம் இரட்டை சேனல் 15-பிட் UHF செயலற்ற CMOS RFID டேக் முன்மாதிரிகளை முன்வைக்கிறது, இது -20 dBm க்கும் குறைவான உணர்திறன் கொண்டதாக செயல்பட முடியும். முன்மொழியப்பட்ட டேக் சிப் 866.4-MHz (ETSI க்கு) அல்லது 925-MHz (FCC க்கு) சேனலில் ஆற்றலைப் பெற்று, தரவுகளை 433-MHz சேனலில் பெறுகிறது. இதன் விளைவாக, தரவு பரிமாற்ற இணைப்பு RF ஆற்றலைப் பெறுவதில் இருந்து எங்கள் குறிப்பைத் தடுக்காது. சேகரிக்கப்பட்ட சக்தியை திறம்பட பயன்படுத்த, ஒரு சீராக்கி அல்லது வி.சி.ஓ. இல்லாத ஒரு டேக் சிப்பை நாங்கள் வடிவமைக்கிறோம், இதனால் சேகரிக்கப்பட்ட ஆற்றல் முழுமையாக தரவைப் பெறுவதிலும், செயலாக்குவதிலும், பின்னோக்கி சிதறடிப்பதிலும் பயன்படுத்தப்படுகிறது. ஒரு கட்டுப்படுத்தி இல்லாமல், எங்கள் குறிச்சொல் பெறுநர் முன் முடிவில் முடிந்தவரை சில செயலில் அனலாக் சுற்றுகள் பயன்படுத்துகிறது. அதற்கு பதிலாக, எங்கள் குறிப்பு பெறப்பட்ட தரவு decode ஒரு புதிய டிஜிட்டல் சுற்று பயன்படுத்துகிறது. வி.சி.ஓ. இல்லாமல், நமது டேக் வடிவமைப்பு தேவையான கடிகார சமிக்ஞையை தரவிறக்க தரவுகளிலிருந்து பிரித்தெடுக்க முடியும். பரிந்துரைக்கப்பட்ட செயலற்ற டேக் சிப்பின் உணர்திறன் -21.2 dBm வரை அடையலாம் என்று அளவீட்டு முடிவு காட்டுகிறது. இத்தகைய முடிவு, 36-dBm EIRP மற்றும் 0.4-dBi டேக் ஆண்டெனா ஆதாயத்தின் கீழ் 19.6 மீட்டர் ரீடர்-டு-டேக் தூரத்திற்கு ஒத்திருக்கிறது. இந்த சிப் TSMC 0.18-μm CMOS செயல்முறையில் தயாரிக்கப்பட்டது. அச்சுப்பொறி பகுதி 0.958 மிமீ × 0.931 மிமீ ஆகும். |
4991785cb0e6ee3d0b7823b59e144fb80ca3a83e | |
2f3a6728b87283ccf0f8822f7a60bca8280f0957 | கூட்டுத் தேடல் என்பது பல சிறப்புத் தேடல் சேவைகளிலிருந்தோ அல்லது செங்குத்துகளிலிருந்தோ கிடைக்கும் முடிவுகளை இணையத் தேடல் முடிவுகளில் ஒருங்கிணைக்கும் பணியாகும். இந்த பணிக்கு எந்த செங்குத்துகளை முன்வைப்பது (பெரும்பாலான முந்தைய ஆராய்ச்சியின் கவனம்) மட்டுமல்லாமல், அவற்றை முன்வைக்க இணைய முடிவுகளில் எங்கு (அதாவது, இணைய முடிவுகளுக்கு மேலே அல்லது கீழே அல்லது இடையில் எங்காவது) கணிப்பதும் தேவைப்படுகிறது. பல செங்குத்துகளிலிருந்து முடிவுகளைச் சேகரிக்க மாதிரிகள் கற்றுக்கொள்வது இரண்டு முக்கிய சவால்களுடன் தொடர்புடையது. முதலாவதாக, செங்குத்துகள் வெவ்வேறு வகையான முடிவுகளைத் தேடுவதால், வெவ்வேறு தேடல் பணிகளை நிவர்த்தி செய்வதால், வெவ்வேறு செங்குத்துகளிலிருந்து வரும் முடிவுகள் வெவ்வேறு வகையான முன்கணிப்பு ஆதாரங்களுடன் (அல்லது அம்சங்களுடன்) தொடர்புடையவை. இரண்டாவதாக, ஒரு அம்சம் செங்குத்துகளில் பொதுவானதாக இருந்தாலும், அதன் கணிப்பு திறன் செங்குத்து-குறிப்பிட்டதாக இருக்கலாம். எனவே, செங்குத்து முடிவுகளை கூட்டுவதற்கான அணுகுமுறைகள் செங்குத்துகளில் சீரற்ற அம்ச பிரதிநிதித்துவத்தை கையாள வேண்டும், மேலும், அம்சங்களுக்கும் பொருத்தத்திற்கும் இடையில் ஒரு செங்குத்து-குறிப்பிட்ட உறவு தேவைப்படுகிறது. இந்த சவால்களை வெவ்வேறு வழிகளில் எதிர்கொள்ளும் 3 பொதுவான அணுகுமுறைகளை நாங்கள் முன்வைக்கிறோம், மேலும் அவற்றின் முடிவுகளை 13 செங்குத்து மற்றும் 1070 வினவல்களின் தொகுப்பில் ஒப்பிடுகிறோம். நாம் சிறந்த அணுகுமுறைகள் என்று காட்டுகின்றன கற்றல் வழிமுறை அம்சங்கள் மற்றும் பொருத்தமான இடையே ஒரு செங்குத்து-குறிப்பிட்ட உறவு கற்று கொள்ள அனுமதிக்கும் அந்த. |
b8945cfb7ed72c0fd70263379c328b8570bd763f | |
a2770a51760a134dbb77889d5517550943ea7b81 | 2G/3G/LTE தகவல்தொடர்புகளுக்காக உயர் ஆதாயத்துடன் கூடிய ஒரு சிறிய இரட்டை-துருவப்படுத்தப்பட்ட இரட்டை-பாண்ட் சர்வ திசை ஆண்டெனா வழங்கப்படுகிறது, இதில் இரண்டு கிடைமட்ட துருவப்படுத்தல் (HP) மற்றும் ஒரு செங்குத்து துருவப்படுத்தல் (VP) கூறுகள் உள்ளன. மேல் ஹெச்பி உறுப்பு நான்கு ஜோடி மாற்றியமைக்கப்பட்ட அச்சிடப்பட்ட காந்த-மின்சார (ME) டைபோல்களைக் கொண்டுள்ளது, அவை நான்கு வழி சக்தி பிரிப்பான் ஊட்ட நெட்வொர்க்கால் வழங்கப்படுகின்றன, மேலும் வட்ட அச்சிடப்பட்ட சுற்றுப் பலகையின் இருபுறமும் மாறி மாறி அச்சிடப்பட்ட வட்ட வடிவ ஒட்டுண்ணி தட்டுகளின் எட்டு துண்டுகள் உள்ளன. நான்கு வழி சக்தி பிரிப்பான் ஊட்ட நெட்வொர்க் நான்கு ஜோடி ME டிப்போல்களுடன் சேர்ந்து முக்கியமாக ஒரு நிலையான 360 ° கதிர்வீச்சு வடிவத்தையும் அதிக ஆதாயத்தையும் வழங்குகிறது, அதே நேரத்தில் எட்டு துண்டுகள் பேட்ச் அலைவரிசையை மேம்படுத்த பயன்படுகின்றன. கீழ் HP உறுப்பு மேல் உறுப்புக்கு ஒத்ததாக இருக்கிறது, ஆனால் அதில் ஒட்டுண்ணி பட்டைகள் இல்லை. VP உறுப்பு நான்கு ஜோடி கூம்பு வடிவ பிழைகளை கொண்டுள்ளது. ஹெச்பி உறுப்பிலிருந்து வேறுபட்டது, மேல் விபி உறுப்பு கீழ் அதிர்வெண் பட்டை வழங்குகிறது, அதே நேரத்தில் கீழ் விபி ஒன்று மேல் அதிர்வெண் பட்டை அளிக்கிறது. VP உறுப்பு மற்றும் HP உறுப்பு செங்குத்தாக அமைக்கப்பட்டுள்ளன. அளவிடப்பட்ட முடிவுகள், ஹெச்பி திசையில் சுமார் 2.6 டிபிஐ அதிகரிப்புடன் 39.6% (0.77-1.15 ஜிஹெச்எச்) மற்றும் சுமார் 4.5 டிபிஐ அதிகரிப்புடன் 55.3% (1.66-2.93 ஜிஹெச்எச்) என்ற மற்றொரு அலைவரிசை அகலத்தை அடைய முடியும் என்பதைக் காட்டுகிறது, அதே நேரத்தில் விபி திசையில் சுமார் 4.4 டிபிஐ அதிகரிப்புடன் 128% (0.7-3.2 ஜிஹெச்எச்) என்ற அலைவரிசை அகலத்தை பெற முடியும். 20 dBக்கு மேல் போர்ட் தனிமைப்படுத்தல் மற்றும் 2 dBi க்குள் குறைந்த ஆதாய மாறுபாடு நிலைகள் பெறப்படுகின்றன. எனவே, இந்த செயற்கைக்கோள் 2G/3G/LTE உட்புற தகவல்தொடர்புகளுக்கு ஏற்றதாகும். |
33a1ee51cc5d51609943896a95c1371538f2d017 | |
1eb0bf4b9bf04e870962b742c4fc6cb330d1235a | வணிக செயல்முறை மேலாண்மை குறித்த பெரும்பாலான இலக்கியங்களில் கொடுக்கப்பட்டுள்ள வணிக செயல்முறை வரையறைகள் ஆழத்தில் மட்டுப்படுத்தப்பட்டுள்ளன, மேலும் வணிக செயல்முறைகளின் தொடர்புடைய மாதிரிகள் அதற்கேற்ப கட்டுப்படுத்தப்பட்டுள்ளன. உற்பத்தி முறைகளிலிருந்து அலுவலக சூழலுக்கு வணிக செயல்முறை மாடலிங் நுட்பங்களின் முன்னேற்றத்தின் சுருக்கமான வரலாற்றை வழங்கிய பின்னர், இந்த ஆவணம் பெரும்பாலான வரையறைகள் ஒரு செயல்முறையின் இயந்திர உருவக வகை ஆய்வின் அடிப்படையில் இருப்பதாக முன்மொழிகிறது. இந்த நுட்பங்கள் பெரும்பாலும் வளமானவை மற்றும் விளக்கமளிக்கும் அதே வேளையில், இன்றைய சவாலான சூழலுக்கு ஏற்ப உருவாக்கப்பட வேண்டிய வணிக செயல்முறைகளின் உண்மையான தன்மையை வெளிப்படுத்த அவை மிகவும் குறைவாகவே உள்ளன என்று கூறப்படுகிறது. |
bc018fc951c124aa4519697f1884fd5afaf43439 | பரந்த அலைவரிசை கொண்ட தட்டையான வானொலியின் தத்துவார்த்த மற்றும் பரிசோதனை முடிவுகள் வழங்கப்பட்டுள்ளன. இந்த ஆண்டெனா ஒரு பரந்த அலைவரிசை, குறைந்த குறுக்கு-துருவமுனைப்பு நிலைகள், மற்றும் குறைந்த பின்னோக்கி கதிர்வீச்சு நிலைகளை அடைய முடியும். பரந்த அலைவரிசை மற்றும் செயலில் உள்ள சுற்றுகளுடன் எளிதாக ஒருங்கிணைக்க, இது துளை இணைக்கப்பட்ட அடுக்கி சதுர தட்டுகளைப் பயன்படுத்துகிறது. இணைப்பு துளை ஒரு H வடிவ துளை. முடிந்த-வித்தியாச கால-தள முறை அடிப்படையில், ஆண்டெனாவின் உள்ளீட்டு தடை ஒரு அளவுரு ஆய்வு வழங்கப்படுகிறது, மற்றும் ஆண்டெனா தடை மீது ஒவ்வொரு அளவுருவின் விளைவுகள் விளக்கப்பட்டுள்ளன. [பக்கம் 3-ன் படம்] அளவிடப்பட்ட திரும்பும் இழப்பு 21.7% இன் ஒரு தடை அலைவரிசை அகலத்தைக் காட்டுகிறது. இரு விமானங்களிலும் குறுக்கு-துருவ நிலைகள் 23 dB ஐ விட சிறந்தது. அந்தென்டின் கதிர் வீச்சு வடிவத்தின் முன்-பின் விகிதம் 22 dB ஐ விட சிறந்தது. அளவுருக்கள் மற்றும் கதிர்வீச்சு வடிவங்களின் தத்துவார்த்த மற்றும் பரிசோதனை முடிவுகள் இருவரும் வழங்கப்பட்டு விவாதிக்கப்படுகின்றன. |
5adcac7d15ec8999fa2beb62f0ddc6893884e080 | கைரேகை மேம்படுத்தல், கைரேகை வகைப்பாடு மற்றும் கைரேகை அங்கீகாரம் ஆகியவற்றில் கைரேகை நோக்குநிலை முக்கிய பங்கு வகிக்கிறது. இந்த ஆவணம் விமர்சன ரீதியாக கைரேகை நோக்குநிலை மதிப்பீட்டில் முதன்மை முன்னேற்றங்களை மதிப்பாய்வு செய்கிறது. தற்போதுள்ள முறைகளின் நன்மைகள் மற்றும் குறைபாடுகள் குறித்து ஆராயப்பட்டுள்ளது. எதிர்கால வளர்ச்சி தொடர்பான பிரச்சினைகள் விவாதிக்கப்பட்டன. பதிப்புரிமை © 2010 ஜான் வில்லி & சன்ஸ், லிமிடெட். |
568cff415e7e1bebd4769c4a628b90db293c1717 | தற்போது அதிகளவில் வீடியோக்கள் பதிவு செய்யப்பட்டு வருகின்றன, ஆனால் பெரும்பாலானவை பெயரிடப்படவில்லை. இந்த தரவுகளை சமாளிக்க, எந்தவொரு கைமுறையாக பெயரிடப்பட்ட எடுத்துக்காட்டுகளும் இல்லாமல் வீடியோக்களில் உள்ளடக்க அடிப்படையிலான செயல்பாட்டு அங்கீகாரத்தின் பணியை நாங்கள் கருதுகிறோம், இது பூஜ்ஜிய-ஷாட் வீடியோ அங்கீகாரம் என்றும் அழைக்கப்படுகிறது. இதை அடைய, காணொளிகள் கண்டறியப்பட்ட காட்சிக் கருத்துக்களின் அடிப்படையில் பிரதிநிதித்துவப்படுத்தப்படுகின்றன, பின்னர் அவை கொடுக்கப்பட்ட உரைத் தேடலுடன் ஒத்திருப்பதன் அடிப்படையில் பொருத்தமானவை அல்லது பொருத்தமற்றவை என மதிப்பிடப்படுகின்றன. இந்த ஆய்வில், முந்தைய பணிகளின் பல முரட்டுத்தனங்கள் மற்றும் குறைந்த துல்லிய சிக்கல்களைக் குறைக்க, கருத்துக்களை மதிப்பீடு செய்வதற்கான ஒரு வலுவான அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். நாம் கூட்டு சேர்ந்து அர்த்த தொடர்பு, காட்சி நம்பகத்தன்மை, மற்றும் பாகுபாடு சக்தி ஆகியவற்றை மட்டும் கருத்தில் கொள்வதில்லை. தேர்ந்தெடுக்கப்பட்ட கருத்துக்களின் தரவரிசை மதிப்பெண்களில் சத்தம் மற்றும் நேரியல் அல்லாத தன்மைகளை கையாள, மதிப்பெண் கூட்டலுக்கான ஒரு புதிய ஜோடி வரிசை மேட்ரிக்ஸ் அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். பெரிய அளவிலான TRECVID மல்டிமீடியா நிகழ்வு கண்டறிதல் தரவுகளின் விரிவான பரிசோதனைகள் நமது அணுகுமுறையின் மேலான தன்மையைக் காட்டுகின்றன. |
a62ac71cd51124973ac57c87d09a3461ecbd8e61 | குறைந்தபட்ச சராசரி நான்காவது (LMF) வழிமுறையின் நடத்தை சிறப்பு ஆர்வம் கொண்டது. எடை தளர்வு செயல்முறைக்கு இந்த வழிமுறையை எல்எம்எஸ் வழிமுறையுடன் ஒப்பிடுகையில், இரண்டும் ஒரே மாதிரியான நேர மாறிலிகளைக் கொண்டிருக்கும்போது, எல்எம்எஃப் வழிமுறை, சில சூழ்நிலைகளில், எல்எம்எஸ் வழிமுறையை விட கணிசமாக குறைந்த எடை சத்தத்தைக் கொண்டிருக்கும். எனவே, ஒரு குறைந்தபட்ச சராசரி நான்காவது பிழை வழிமுறை ஒரு சராசரி சதுர பிழை வழிமுறையை விட குறைந்தபட்ச சதுர மதிப்பீட்டில் ஒரு சிறந்த வேலையைச் செய்ய முடியும். இந்த சுவாரஸ்யமான கருத்து அனைத்து வகையான தகவமைப்பு வழிமுறைகளுக்கும் தாக்கங்களைக் கொண்டுள்ளது, அவை மிகவும் செங்குத்தான இறக்கத்தை அடிப்படையாகக் கொண்டவையாக இருந்தாலும் இல்லாவிட்டாலும். புதிய செங்குத்தான இறங்கு முறைகள் தழுவல் வடிகட்டுதலுக்காக வடிவமைக்கப்பட்டுள்ளன, அவை சராசரி நான்காவது மற்றும் சராசரி ஆறாவது, முதலியன, உணர்வில் பிழையை குறைக்க அனுமதிக்கின்றன. தழுவலின் போது, எடைகள் அவற்றின் உகந்த தீர்வுகளை நோக்கி அதிவேக தளர்வுக்கு உட்படுகின்றன. Time மாறிலிகள் பெறப்பட்டன, மேலும் அவை விட்ரோ மற்றும் ஹாஃப் ஆகியோரின் மிகக் குறைந்த சராசரி சதுர (LMS) வழிமுறையைப் பயன்படுத்தியிருந்தால் பெறப்பட்டிருக்கும் நேர மாறிலிகளுக்கு விகிதாசாரமாக மாறிவிட்டன. புதிய சாய்வு வழிமுறைகள் LMS வழிமுறையை விட திட்டமிடவும் கணக்கிடவும் சற்றே சிக்கலானவை. அவற்றின் பொது வடிவம் W J+l = w, t 2plqK-lx,, இங்கு W, தற்போதைய எடை திசையன், W, + 1 அடுத்த எடை திசையன், r, தற்போதைய பிழை, X, தற்போதைய உள்ளீட்டு திசையன், u என்பது நிலையான கட்டுப்பாட்டு நிலைத்தன்மை மற்றும் ஒத்திசைவு விகிதம், மற்றும் 2 K என்பது குறைக்கப்படும் பிழையின் அடுக்கு ஆகும். புதிய சாய்வு வழிமுறைகளுக்கான சராசரி மற்றும் மாறுபாட்டின் எடை-வெக்டார் ஒத்திசைவுக்கான நிபந்தனைகள் பெறப்பட்டுள்ளன. |
5896b9299d100bdd10fee983fe365dc3bcf35a67 | இந்த ஆய்வறிக்கை தொடர்ச்சியான சுகாதார கண்காணிப்பிற்கான ஒரு ஊடுருவாத வயர்லெஸ் சென்சார் தளத்தை முன்வைக்கிறது. சென்சார் அமைப்பு ஒரு சுழற்சி ஆண்டெனா, வயர்லெஸ் சென்சார் இடைமுக சிப் மற்றும் ஒரு பாலிமர் அடி மூலக்கூறில் குளுக்கோஸ் சென்சார் ஆகியவற்றை ஒருங்கிணைக்கிறது. IC ஆனது மின் மேலாண்மை, வாசிப்பு சுற்று, வயர்லெஸ் தகவல்தொடர்பு இடைமுகம், எல்இடி டிரைவர் மற்றும் வெளிப்புற கூறுகள் இல்லாத 0.36-மிமீ 2 சிஎம்ஓஎஸ் சிப்பில் ஆற்றல் சேமிப்பு மின்தேக்கிகளைக் கொண்டுள்ளது. நமது குளுக்கோஸ் சென்சார் உணர்திறன் 0.18 μA·mm-2·mM-1. இந்த அமைப்பு கம்பியில்லாமல் இயங்குகிறது மற்றும் 400 Hz/mM உணர்திறனுடன் 0.05-1 mM அளவிடப்பட்ட குளுக்கோஸ் வரம்பை அடைகிறது, அதே நேரத்தில் 1.2 V விநியோகத்திலிருந்து 3 μW நுகரும். |
622c5da12c87ecc3ea8be91f79192b6e0ee559d2 | பயனர் பங்கேற்பு மற்றும் ஈடுபாடு குறித்த முந்தைய ஆராய்ச்சியின் மூன்று மரபுகளை இந்த கோட்பாட்டு தொகுப்பில் நாங்கள் ஒன்றிணைக்கிறோம்ஃ பயனர் பங்கேற்பு மற்றும் ஐஎஸ் வெற்றிக்கு இடையிலான உறவு குறித்த ஆய்வு மற்றும் சோதனை இலக்கியம், மாற்று மேம்பாட்டு அணுகுமுறைகள் குறித்த நியமன இலக்கியம் மற்றும் தரமான ஆய்வுகள் பயனர் பங்கேற்பை பல்வேறு கோட்பாட்டு கண்ணோட்டங்களிலிருந்து ஆராய்கின்றன. மூன்று இலக்கியப் பிரிவுகளில் செய்யப்பட்ட முன்னேற்றத்தையும் மதிப்பீடு செய்கிறோம், மேலும் பயனர் பங்கேற்பை மேம்படுத்துவதற்கான எதிர்கால ஆராய்ச்சியின் இடைவெளிகள் மற்றும் திசைகளை அடையாளம் காண்கிறோம். |
24beb987b722d4a25d3157a43000e685aa8f8874 | இந்த ஆவணம் ஒரு புள்ளியியல் மாதிரியை முன்வைக்கிறது, இது ஒரு பகுதியின் பேச்சு குறிச்சொற்களுடன் குறிக்கப்பட்ட ஒரு தொகுப்பிலிருந்து பயிற்றுவிக்கிறது மற்றும் அவற்றை முன்னர் காணப்படாத உரைக்கு கலை துல்லியத்துடன் ஒதுக்குகிறது இந்த மாதிரியை அதிகபட்ச என்ட்ரோபி மாதிரியாக வகைப்படுத்தலாம் மற்றும் ஒரே நேரத்தில் பிஓஎஸ் குறிச்சொல்லை கணிக்க பல சூழல் அம்சங்களைப் பயன்படுத்துகிறது மேலும் இந்த ஆவணம் மாடல் சிக்கலான குறிச்சொல் முடிவுகளை சிறப்பு அம்சங்களைப் பயன்படுத்துவதை நிரூபிக்கிறது இந்த அம்சங்களை செயல்படுத்துவதில் கண்டறியப்பட்ட தொகுப்பு நிலைத்தன்மை சிக்கல்களைப் பற்றி விவாதிக்கிறது மற்றும் இந்த சிக்கல்களைக் குறைக்கும் ஒரு பயிற்சி மூலோபாயத்தை முன்மொழிகிறது |
6a2fe560574b76994ab1148b4dae0bfb89e3a3e3 | மனித உணர்வின் ஒரு முக்கியமான அம்சம் எதிர்பார்ப்பு மற்றும் ஒரு மனிதன் அடுத்தடுத்து என்ன நடவடிக்கைகளை எடுப்பான் (மற்றும் அவற்றை எவ்வாறு செய்வது) பல பயன்பாடுகளுக்கு பயனுள்ளதாக இருக்கும், எடுத்துக்காட்டாக, எதிர்பார்ப்பு ஒரு உதவி ரோபோவை மனித சூழல்களில் எதிர்வினை பதில்களுக்கு முன்னதாக திட்டமிட உதவுகிறது. இந்த நூலில், பொருளின் வசதிகளின் மூலம் பணக்கார இட-கால உறவுகளைப் பற்றி பகுத்தறிவதன் மூலம் பல்வேறு சாத்தியமான எதிர்கால மனித நடவடிக்கைகளை உருவாக்குவதற்கான ஒரு ஆக்கபூர்வமான அணுகுமுறையை நாங்கள் முன்வைக்கிறோம். ஒவ்வொரு சாத்தியமான எதிர்காலத்தையும் ஒரு முன்னோடி கால நிபந்தனை சீரற்ற புலத்தை (ATCRF) பயன்படுத்தி பிரதிநிதித்துவப்படுத்துகிறோம், அங்கு எதிர்கால பொருள் பாதைகள் மற்றும் மனித போஸ்களுக்கு ஏற்ப ஒரு தலைமுறை மாதிரியிலிருந்து முனைகள் மற்றும் விளிம்புகளை நாங்கள் மாதிரி செய்கிறோம். பின்னர், உருவாக்கப்பட்ட ATCRF துகள்களின் தொகுப்பைப் பயன்படுத்தி, சாத்தியமான எதிர்காலங்களில் விநியோகத்தை பிரதிநிதித்துவப்படுத்துகிறோம். CAD-120 மனித செயல்பாடு RGB-D தரவுத்தொகுப்பில் விரிவான மதிப்பீட்டில், புதிய பாடங்களுக்கு (பயிற்சி தொகுப்பில் காணப்படவில்லை), 75.4%, 69.2% மற்றும் 58.1% என்ற செயல்பாட்டு எதிர்பார்ப்பு துல்லியத்தை (முதல் மூன்று கணிப்புகளில் ஒன்று உண்மையில் நடந்ததா என்று வரையறுக்கப்படுகிறது) முறையே 1, 3 மற்றும் 10 வினாடிகள் எதிர்பார்ப்பு நேரத்திற்கு. 1 ம் |
ea38789c6687e7ccb483693046fff5293e903c51 | ஒவ்வொரு கொள்கையின் தரத்தையும் பற்றி ஒரு சாத்தியமான உத்தரவாதங்களை வழங்கும் ஒரு தொகுதி வலுவூட்டல் கற்றல் (RL) வழிமுறையை நாங்கள் முன்வைக்கிறோம், மேலும் இது நிபுணர் சரிசெய்தல் தேவைப்படும் ஹைப்பர்-பாரமிட்டர்கள் இல்லை. பயனர் எந்த செயல்திறன் கீழ்-கட்டுப்பாடு, ρ- மற்றும் நம்பகத்தன்மை நிலை, δ ஐத் தேர்ந்தெடுக்கலாம், மேலும் எங்கள் வழிமுறை ρ- க்குக் கீழே செயல்திறன் கொண்ட கொள்கையைத் திருப்பித் தரும் நிகழ்தகவு அதிகபட்சம் δ என்பதை உறுதி செய்யும். பின்னர் நாம் ஒரு அதிகரிக்கும் வழிமுறையை முன்மொழிகிறோம். இது நமது கொள்கை மேம்பாட்டு வழிமுறையை பலமுறை செயல்படுத்துகிறது. பல கொள்கை மேம்பாடுகளை உருவாக்குகிறது. எளிய gridworld மற்றும் நிலையான மலை கார் பிரச்சனை, அதே போல் ஒரு டிஜிட்டல் மார்க்கெட்டிங் பயன்பாடு உண்மையான உலக தரவு பயன்படுத்தும் எங்கள் அணுகுமுறை சாத்தியமான காட்டுகின்றன. |
780b05a35f2c7dd4b4d6e2a844ef5e145f1972ae | பல திருப்ப உரையாடல்களில், இயற்கை மொழி புரிதல் மாதிரிகள் சூழல் தகவல்களுக்கு குருடாக இருப்பதன் மூலம் வெளிப்படையான பிழைகளை அறிமுகப்படுத்தலாம். உரையாடல் வரலாற்றை இணைக்க, பேச்சாளரைப் பொறுத்து வெவ்வேறு விதமாக உரைகளை குறியீட்டுப்படுத்தும் பேச்சாளர்-உணர்திறன் இரட்டை நினைவக நெட்வொர்க்குகளுடன் ஒரு நரம்பியல் கட்டமைப்பை நாங்கள் முன்வைக்கிறோம். இது கணினிக்கு கிடைக்கும் பல்வேறு அளவிலான தகவல்களைக் குறிக்கிறது - கணினிக்கு பயனர் உரைகளின் மேற்பரப்பு வடிவம் மட்டுமே தெரியும், அதே நேரத்தில் கணினி வெளியீட்டின் சரியான சொற்பொருள் உள்ளது. மைக்ரோசாப்ட் கோர்டானா, ஒரு வணிக தனிப்பட்ட உதவியாளர், உண்மையான பயனர் தரவுகளை வைத்து பரிசோதனைகள் செய்தோம். சூழல் சார்ந்த தகவல்களைப் பயன்படுத்தி, அதிநவீன ஸ்லாட் டேக்கிங் மாதிரிகளை விட, செயல்திறன் கணிசமாக மேம்பட்டிருப்பதாக முடிவுகள் தெரிவிக்கின்றன. |
259bbc822121df705bf3d5898ae031cd712505ea | 1மொபைல் கம்யூனிகேஷன்ஸ் துறை, மின் பொறியியல் மற்றும் கணினி அறிவியல் பள்ளி, பெர்லின் தொழில்நுட்ப பல்கலைக்கழகம், பெர்லின், ஜெர்மனி 2கம்பி இல்லாத வலையமைப்பு, சமிக்ஞை செயலாக்கம் மற்றும் பாதுகாப்பு ஆய்வகம், மின் மற்றும் கணினி பொறியியல் துறை, ஹூஸ்டன் பல்கலைக்கழகம், ஹூஸ்டன், TX 77004, அமெரிக்கா 3தகவல் தொடர்பு அமைப்புகள் பிரிவு, மின் பொறியியல் துறை (ISY), லிங்கோபிங் பல்கலைக்கழகம், SE-581 83 லிங்கோபிங், ஸ்வீடன் 4தகவல் ஆய்வகம், மின் பொறியியல் மற்றும் தகவல் தொழில்நுட்பம், டிரெஸ்டன் தொழில்நுட்ப பல்கலைக்கழகம், 01062 டிரெஸ்டன், ஜெர்மனி |
4eca7aa4a96300caf8622d666ecf5635d8b72132 | மனித நடவடிக்கைகளை துல்லியமாக அடையாளம் காணும் திறன் தானியங்கி மறுவாழ்வு மற்றும் விளையாட்டு பயிற்சி அமைப்புகளை உருவாக்குவதற்கு இன்றியமையாதது. இந்த ஆய்வில், முன்வயிற்றில் அணியக்கூடிய சென்சார் மூலம் பெறப்பட்ட பெரிய அளவிலான உடற்பயிற்சி இயக்கத் தரவு ஒரு சுருக்கமான நரம்பியல் நெட்வொர்க் (சிஎன்என்) உடன் வகைப்படுத்தப்பட்டுள்ளது. முடுக்கம் அளவீடு மற்றும் நோக்குநிலை அளவீடுகள் கொண்ட கால வரிசை தரவு படங்களாக வடிவமைக்கப்படுகிறது, இது சிஎன்என் தானாகவே பாகுபாடு அம்சங்களை பிரித்தெடுக்க அனுமதிக்கிறது. பட வடிவமைப்பின் விளைவுகள் மற்றும் வெவ்வேறு சிஎன்என் கட்டமைப்புகள் பற்றிய ஒரு ஒப்பீட்டு ஆய்வும் வழங்கப்படுகிறது. சிறந்த செயல்திறன் கொண்ட அமைப்பு 92.1% துல்லியத்துடன் 50 உடற்பயிற்சிகளை வகைப்படுத்துகிறது. |
1b1a829c43f1a4f3a3d70f033a1b8e7bee1f7112 | |
6abac64862f7d207cac58c6a93f75dc80d74e575 | |
5fb874a1c8106a5b2b2779ee8e1433149109ba00 | தரவுகளிலிருந்து பேய்சியன் நெட்வொர்க்குகளை கற்றல் வழிமுறைகள் இரண்டு கூறுகளைக் கொண்டுள்ளனஃ ஒரு மதிப்பெண் அளவீடு மற்றும் ஒரு தேடல் நடைமுறை. தரவுகளின் கட்டமைப்பின் தரத்தை மதிப்பிடுகின்ற மதிப்பெண்களை மதிப்பீட்டு அளவீடு கணக்கிடுகிறது. தேடல் செயல்முறை அதிக மதிப்பெண்களைக் கொண்ட நெட்வொர்க் கட்டமைப்புகளை அடையாளம் காண முயற்சிக்கிறது. ஹெக்கர்மேன் மற்றும் பலர். (1995) ஒரு பேய்சியன் அளவீடு, BDe அளவீடு என்று அழைக்கப்படுகிறது, இது தரவுகளின் அடிப்படையில் ஒரு பிணைய கட்டமைப்பின் ஒப்பீட்டு பின்புற நிகழ்தகவைக் கணக்கிடுகிறது. இந்த ஆய்வில், ஒவ்வொரு முனையிலும் அதிகபட்சம் K பெற்றோர் உள்ளனர், இது ஒரு குறிப்பிட்ட மாறிலியை விட பெரியது, ஒரு பேயஸ் நெட்வொர்க்கை அடையாளம் காண்பதற்கான தேடல் சிக்கல் NP- முழுமையானது என்பதை நாங்கள் காட்டுகிறோம், BDe மெட்ரிக் பயன்படுத்தப்படும்போது. 12.1 அறிமுகம் சமீபத்தில், பல ஆராய்ச்சியாளர்கள் பேய்சியன் நெட்வொர்க்குகளை கற்றல் முறைகளை ஆராயத் தொடங்கியுள்ளனர். இந்த அணுகுமுறைகளில் பல அதே அடிப்படை கூறுகளைக் கொண்டுள்ளனஃ ஒரு மதிப்பெண் அளவீட்டு மற்றும் ஒரு தேடல் நடைமுறை. மதிப்பீட்டு அளவீடு, கண்காணிக்கப்பட்ட வழக்குகள் D மற்றும் ஒரு நெட்வொர்க் அமைப்பு B S ஆகியவற்றின் தரவுத்தளத்தை எடுத்து, தரவுகளின் நல்ல-இ-இ-களை அமைப்புக்குத் திருப்பித் தருகிறது. தேடல் செயல்முறை மதிப்பீட்டு அளவீடு மூலம் மதிப்பீடு செய்ய நெட்வொர்க்குகளை உருவாக்குகிறது. இந்த அணுகுமுறைகள் ஒரு நெட்வொர்க் கட்டமைப்பை அல்லது எதிர்கால நிகழ்வுகளை கணிக்க அல்லது காரண உறவுகளை ஊகிக்க பயன்படுத்தக்கூடிய கட்டமைப்புகளின் தொகுப்பை அடையாளம் காண இரண்டு கூறுகளைப் பயன்படுத்துகின்றன. கூப்பர் மற்றும் ஹெர்ஸ்கோவிட்ஸ் (1992) இங்கு CH என குறிப்பிடப்படுகிறார்கள், ஒரு பேயஸியன் அளவீடு, நாம் BD அளவீடு என்று அழைக்கிறோம், தனித்த மாறிகள் மட்டுமே கொண்ட பேயஸியன் நெட்வொர்க்குகளை கற்றல் பற்றி நியாயமான அனுமானங்களின் தொகுப்பிலிருந்து. ஹெக்கர்மேன் மற்றும் பலர். (1995) என்று குறிப்பிடப்படுவது, ஒரு புதிய அளவீடு பெற CH இன் பணியைப் பற்றி விரிவாகக் கூறுகிறது, இது BDe அளவீடு என்று அழைக்கப்படுகிறது, இது நிகழ்தகவு சமநிலை என்ற விரும்பத்தக்க சொத்து உள்ளது. நிகழ்தகவு சமநிலை, தரவு சமமான கட்டமைப்புகளை வேறுபடுத்திப் பார்க்க உதவாது என்று கூறுகிறது. CH ஆல் பெறப்பட்ட BD அளவீட்டை இப்போது முன்வைக்கிறோம். B h S ஐ தரவுத்தளத்தை உருவாக்கிய விநியோகத்தின் I- வரைபடமாக B S உள்ளது என்ற கருதுகோளைக் குறிக்க பயன்படுத்துகிறோம். 2 ஒரு நம்பிக்கை-நெட்வொர்க் கட்டமைப்பை B S கொடுக்கப்பட்டால் , x i இன் பெற்றோரைக் குறிக்க i ஐப் பயன்படுத்துகிறோம் . நாம் r i ஐ மாறி x i இன் நிலைகளின் எண்ணிக்கையை குறிக்க பயன்படுத்துகிறோம், மற்றும் q i = Q x l 2 i r l ஐ மாறி i இன் நிகழ்வுகளின் எண்ணிக்கையை குறிக்க பயன்படுத்துகிறோம். இந்த நிகழ்வுகளை குறியிட முழு எண் j ஐ பயன்படுத்துகிறோம். அதாவது, i = j என எழுதுகிறோம் x i இன் பெற்றோரின் j-வது நிகழ்வின் அவதானிப்பைக் குறிக்க. 1996 ஸ்பிரிங்கர்-வெர்லாக். 2 ஒரு . . . |
7783fd2984ac139194d21c10bd83b4c9764826a3 | கணக்கீட்டு கருவிகளின் பகுதிகளை உருவாக்க சாத்தியக்கூறு முறைகள். ஆனால் நான் கேன்ஸ் செய்யப்பட வேண்டும், பேய்சியன் நெட்வொர்க்குகள் சமீபத்தில் வலுவாக வேலை செய்தன. சமீபத்தில் நான் இந்த புத்தகம் வெளியிடப்பட்டது தூக்கி. புத்திசாலித்தனமான அமைப்புகளில் ஆராய்ச்சியாளர்கள், AI செயல்பாடுகள் ஆராய்ச்சி சிறந்த விருது பட்டதாரிகளுக்கு வழங்கப்படுகிறது. நான் எப்படி இருக்கிறேன் என்று மிகவும் கவலை. டாப்னி கோலர் மற்றும் கற்றல் கட்டமைப்புகள் சான்றுகள் பகுத்தறிவு என்று தெரிகிறது. முத்து என்பது நான். ஆரம்பகால வெளியீட்டு தேதி இருந்தபோதிலும், சிறந்த குறிப்புகளை வழங்கும் வகையில் இது சிறப்பாக இல்லை. |
5c386d601ffcc75f7635a4a5c6066824b37b9425 | தற்போது, ஒரு படத்தில் எழுத்துக்களின் வரிசையை காண்பிக்கும் மற்றும் நுழைவு புலத்தில் வரிசையை உள்ளிடுமாறு பயனரைக் கேட்கும் ஒரு தானியங்கி மனித ஆதார சோதனையால் பாதுகாக்கப்படாத பதிவு படிவத்துடன் பிரபலமான வலைத்தளத்தைக் கண்டுபிடிப்பது கடினம். இந்த பாதுகாப்பு பொறிமுறை, செயற்கை நுண்ணறிவில் உள்ள பழமையான கருத்துக்களில் ஒன்றான டுரிங் சோதனையை அடிப்படையாகக் கொண்டது. மேலும் இது பெரும்பாலும் கணினிகள் மற்றும் மனிதர்களை வேறுபடுத்துவதற்கான முழுமையாக தானியங்கி பொது டுரிங் சோதனை (கேப்ட்சா) என்று அழைக்கப்படுகிறது. இந்த வகை சோதனை ஒரு முக்கியமான இணைய வளத்திற்கு தானியங்கி அணுகலைத் தடுக்க வடிவமைக்கப்பட்டுள்ளது, எடுத்துக்காட்டாக, ஒரு வலை அஞ்சல் சேவை அல்லது ஒரு சமூக வலைப்பின்னல். தற்போது நூற்றுக்கணக்கான இந்த சோதனைகள் உள்ளன, அவை ஒரு நாளைக்கு மில்லியன் கணக்கான முறை வழங்கப்படுகின்றன, இதனால் ஏராளமான மனித வேலைகள் உள்ளன. மறுபுறம், இந்த சோதனைகளில் பல உடைக்கப்பட்டுள்ளன, அதாவது ஆராய்ச்சியாளர்கள், ஹேக்கர்கள் மற்றும் ஸ்பேமர்கள் வடிவமைத்த தானியங்கி நிரல்கள் தானாகவே சரியான பதிலை வழங்க முடிந்தது. இந்த அத்தியாயத்தில், கேப்ட்சாக்களின் வரலாறு மற்றும் கருத்து, அவற்றின் பயன்பாடுகள் மற்றும் அவற்றின் நிகழ்வுகளின் பரந்த ஆய்வு ஆகியவற்றை நாங்கள் முன்வைக்கிறோம். பயனர் மற்றும் பாதுகாப்பு கண்ணோட்டத்தில் அவற்றின் மதிப்பீடு, பயன்பாட்டினை, தாக்குதல்கள் மற்றும் எதிர் நடவடிக்கைகள் உள்ளிட்டவற்றைப் பற்றியும் நாங்கள் விவாதிக்கிறோம். இந்த சுவாரஸ்யமான துறையில் இந்த அத்தியாயம் வாசகருக்கு ஒரு நல்ல கண்ணோட்டத்தை வழங்குகிறது என்று நாங்கள் நம்புகிறோம். CES IN COMPUTERS, VOL. 83 109 Copyright © 2011 Elsevier Inc. 65-2458/DOI: 10.1016/B978-0-12-385510-7.00003-5 அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. 110 ஜே. எம். கோமஸ் ஹிடால்கோ மற்றும் ஜி. ஆல்வாரெஸ் மராங்கன் 1. அறிமுகம் . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 1 . 1 . T he டுரிங் சோதனை மற்றும் கேப்ட்சாக்களின் தோற்றம் . . . . . . . . . . . . . . . 112. உந்துதல் மற்றும் விண்ணப்பங்கள் . . . . . . . . . . . . 127 3.1. ஓ சி. ஆர். . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 3 . 2 நான் வயது . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 3 . 3 . ஒரு ஆடியோ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 3 . 4 C cognitive . இது ஒரு அறிவாற்றல் . . . . . . . . . . . . . . . 173 R குறிப்புகள் . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 . . . . . . . . . . . . . . . . . . . 154 5. S பாதுகாப்பு மற்றும் CAPTCHAs மீது தாக்குதல்கள் . . . . . . . . . . . . . . . . . . . . 156 5 . 1. கேப்ட்சாக்களில் ஒரு தாக்குதல் . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 5 . 2 S கேப்ட்சாக்களின் பாதுகாப்பு தேவைகள் . . . . . . . . . . . . . . . . . . . 169 6. கேப்ட்சாக்களுக்கு மாற்று . . . . . . . . . . . . . . . . . . . . . . . . . 1717. C முடிவுகள் மற்றும் எதிர்கால போக்குகள் . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144 4. கேப்ட்சாக்களின் மதிப்பீடு . . . . . . . . . . . . . . . . . . . . . . . . . 146 4.1. E செயல்திறன் . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 4.2. அணுகல் சிக்கல்கள். . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 4.3. P ரகசியக் கருத்தாய்வுகள் . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 2 . 1. CAPTCHAs பொது விளக்கம் . . . . . . . . . . . . . . . . . . . . . 116 2 . 2 கேப்ட்சாக்களின் விரும்பத்தக்க பண்புகள் . . . . . . . . . . . . . . . . . . . . . 117 2 . 3 நான் நிரப்புதல் மற்றும் பரப்புதல். . . . . . . . . . . . . . . . . . . . . . 119 2 . 4 A pplications மற்றும் ரோபோக்களின் எழுச்சி . . . . . . . . . . . . . . . . . . . 121 3. கேப்ட்சா வகைகள் . . . . . . . . . . . . . . . . . . |
941a668cb77010e032a809861427fa8b1bee8ea0 | இன்று பெரும்பாலான ECG பகுப்பாய்வு மற்றும் விளக்கத்திற்கான அமைப்புகளில் சமிக்ஞை செயலாக்கம் செய்யப்படுகிறது. ஈ.சி.ஜி. சிக்னல் செயலாக்கத்தின் நோக்கம் பலவகை மற்றும் அளவீட்டு துல்லியம் மற்றும் மறுஉருவாக்கம் ஆகியவற்றை மேம்படுத்துதல் (கையேடு அளவீடுகளுடன் ஒப்பிடும்போது) மற்றும் காட்சி மதிப்பீட்டின் மூலம் சிக்னலில் இருந்து உடனடியாக கிடைக்காத தகவல்களை பிரித்தெடுப்பது ஆகியவை அடங்கும். பல சூழ்நிலைகளில், ECG என்பது அம்பியூலட்டரி அல்லது கடினமான சூழ்நிலைகளில் பதிவு செய்யப்படுகிறது, இதனால் சமிக்ஞை பல்வேறு வகையான சத்தங்களால் சிதைக்கப்படுகிறது, சில நேரங்களில் உடலின் மற்றொரு உடலியல் செயல்முறையிலிருந்து உருவாகிறது. எனவே, இசிஜி சமிக்ஞை செயலாக்கத்தின் மற்றொரு முக்கியமான நோக்கத்தை சத்தம் குறைப்பு பிரதிநிதித்துவப்படுத்துகிறது; உண்மையில், ஆர்வமுள்ள அலை வடிவங்கள் சில நேரங்களில் சத்தத்தால் மிகவும் கனமாக மறைக்கப்படுகின்றன, அவற்றின் இருப்பை பொருத்தமான சமிக்ஞை செயலாக்கம் முதலில் பயன்படுத்தப்பட்ட பின்னரே வெளிப்படுத்த முடியும். இதயத் துடிப்பில் இடைவெளியில் ஏற்படும் கோளாறுகளை அடையாளம் காணும் நோக்கத்திற்காக எலக்ட்ரோ கார்டியோகிராஃபிக் சிக்னல்களை நீண்ட கால அளவிலான (அதாவது பல நாட்கள்) பதிவு செய்யலாம். இதன் விளைவாக, உருவாக்கப்பட்ட ஈ.சி.ஜி பதிவு மிகப்பெரிய தரவு அளவுகளை உருவாக்குகிறது, இது கிடைக்கக்கூடிய சேமிப்பக இடத்தை விரைவாக நிரப்புகிறது. பொது தொலைபேசி நெட்வொர்க்குகள் வழியாக சமிக்ஞைகளை அனுப்புவது என்பது பெரிய அளவிலான தரவுகளை உள்ளடக்கிய மற்றொரு பயன்பாடு ஆகும். இரண்டு சூழ்நிலைகளிலும், தரவு சுருக்கமானது ஒரு அத்தியாவசிய செயல்பாடாகும், இதன் விளைவாக, ஈ.சி.ஜி சமிக்ஞை செயலாக்கத்தின் மற்றொரு நோக்கத்தை பிரதிநிதித்துவப்படுத்துகிறது. சிக்னல் செயலாக்கம், ECG பற்றிய புதிய புரிதலுக்கு முக்கிய பங்களிப்பு செய்துள்ளது. உதாரணமாக, இதயத் துடிப்புகளில் நுட்பமான மாறுபாடுகளால் பிரதிபலிக்கும் இதய-வாஸ்குலர் அமைப்புடன் தொடர்புடைய அசைவுகளை வகைப்படுத்தும் நுட்பங்கள் உருவாக்கப்பட்டுள்ளன. T அலைகள் பெருக்கத்தில் குறைந்த அளவிலான, மாறி மாறி மாற்றங்களை கண்டறிவது என்பது அதிர்வுற்ற நடத்தைக்கான மற்றொரு எடுத்துக்காட்டு ஆகும், இது திடீர், உயிருக்கு ஆபத்தான அரித்மியாக்களுக்கான அதிகரித்த ஆபத்தின் குறிகாட்டியாக நிறுவப்பட்டுள்ளது. இந்த இரண்டு அசைவு சமிக்ஞை பண்புகளிலும் ஒன்றையும் ஒரு நிலையான ஈ.சி.ஜி. அச்சிடலில் இருந்து வெற்றுக் கண்ணால் உணர முடியாது. அனைத்து வகையான ஈ.சி.ஜி. பகுப்பாய்விற்கும் பொதுவானது - இது ஓய்வெடுக்கும் ஈ.சி.ஜி விளக்கம், மன அழுத்த சோதனை, அம்பியூலட்டரி கண்காணிப்பு அல்லது தீவிர சிகிச்சை கண்காணிப்பு ஆகியவை - சிக்னலை வெவ்வேறு வகையான சத்தம் மற்றும் கலைப்பொருட்களுடன் நிபந்தனைக்கு உட்படுத்தும் அடிப்படை வழிமுறைகளின் தொகுப்பாகும், இதய துடிப்புகளைக் கண்டறிதல், அலைகள் மற்றும் நீளங்களின் அடிப்படை ஈ.சி.ஜி அளவீடுகளை பிரித்தெடுப்பது மற்றும் தரவை திறம்பட சேமித்து வைப்பதற்காக அல்லது பரிமாற்றத்திற்காக சுருக்கவும்; பிளாக் வரைபடத்தில் உள்ள தொகுதி வரைபடம். 1 இந்த சமிக்ஞை செயலாக்க வழிமுறைகளை வழங்குகிறது. இந்த வழிமுறைகள் பெரும்பாலும் தொடர்ச்சியான வரிசையில் செயல்பட செயல்படுத்தப்பட்டாலும், QRS கண்டறிதல் மூலம் தயாரிக்கப்படும் இதயத் துடிப்புக்கான நிகழ்வு நேரம் பற்றிய தகவல்கள் சில நேரங்களில் செயல்திறனை மேம்படுத்த மற்ற வழிமுறைகளில் இணைக்கப்படுகின்றன. ஒவ்வொரு வழிமுறையின் சிக்கலானது பயன்பாட்டிற்கு பயன்பாட்டிற்கு மாறுபடும், எனவே, எடுத்துக்காட்டாக, ஆம்புலட்டரி கண்காணிப்பில் மேற்கொள்ளப்படும் சத்தம் வடிகட்டுதல் ஓய்வில் உள்ள ஈ.சி.ஜி பகுப்பாய்வில் தேவைப்படுவதை விட மிகவும் சிக்கலானது. அடிப்படை அல்காரிதம்கள் மூலம் பெறப்பட்ட தகவல்கள் கிடைத்தவுடன், இதயத் துடிப்பு மற்றும் துடிப்பு உருவவியல் பண்புகளை அளவிடுவதற்கு சமிக்ஞை செயலாக்கத்தைப் பயன்படுத்துவது ஆர்வமுள்ள பலவிதமான ஈ.சி.ஜி பயன்பாடுகள் உள்ளன. இவ்வாறான இரண்டு பயன்பாடுகளான உயர் தெளிவுத்திறன் கொண்ட ஈ.சி.ஜி மற்றும் டி அலை மாறிகள் ஆகியவற்றுடன் தொடர்புடைய சமிக்ஞை செயலாக்கம் இந்த கட்டுரையின் முடிவில் சுருக்கமாக விவரிக்கப்பட்டுள்ளது. ஆர்வமுள்ள வாசகர்கள், உதாரணமாக, Ref. 1, இதில் மற்ற ஈ.சி.ஜி பயன்பாடுகள் பற்றிய விரிவான விளக்கத்தை காணலாம். |
b681da8d4be586f6ed6658038c81cdcde1d54406 | இந்த கடிதத்தில், ஒரு புதிய இரட்டை-பாண்ட் மற்றும் துருவமுனைப்பு-வளையக்கூடிய அடி மூலக்கூறு ஒருங்கிணைந்த அலைகாட்டி (SIW) குழி ஆண்டெனா முன்மொழியப்பட்டுள்ளது. ஆண்டெனாவிற்குப் பயன்படுத்தப்படும் SIW குழி அதன் முதல் அதிர்வுக்கு ஒரு வழக்கமான TE120 முறையால் தூண்டப்படுகிறது. ஸ்லாட்டின் தலையீட்டின் மூலம், மாற்றியமைக்கப்பட்ட- TE120 முறையால் தூண்டப்பட்ட இரண்டாவது ஒலிப்புத்திறன் உருவாக்கப்படுகிறது, இதனால் இரண்டு ஒலிப்புத்திறன் அதிர்வெண்களில் ஒரு பரந்த பக்க கதிர்வீச்சு வடிவத்தை வழங்குகிறது. கூடுதலாக, முன்மொழியப்பட்ட ஆண்டெனா இரண்டு நேர்கோணல் ஊட்டக் கோடுகளைக் கொண்டுள்ளது. எனவே, ஆறு முக்கிய துருவ நிலைகளை வழங்க முடியும். இந்த கடிதத்தில், மூன்று முக்கிய துருவமுனைப்பு நிகழ்வுகள் உருவகப்படுத்தப்பட்டு அளவிடப்பட்ட முடிவுகளுடன் ஒப்பிடப்படுகின்றன. நவீன தகவல்தொடர்பு முறைகளுக்கு பல செயல்பாட்டு ஆண்டெனாக்கள் தேவைப்படுவதால், முன்மொழியப்பட்ட ஆண்டெனா கருத்து ஒரு நம்பிக்கைக்குரிய வேட்பாளர். |
cf18287e79b1fd73cd333fc914bb24c00a537f4c | சிக்கலான திறன்களைத் தானாகக் கற்றுக்கொள்ள, ரோபோக்கள் மனித மேற்பார்வை இல்லாமல், தானாகச் சேகரிக்கப்பட்ட தரவுகளிலிருந்து கற்றுக்கொள்ள முடியும். சுயாதீனமாக சேகரிக்கப்பட்ட தரவுகளுக்கு எப்போதும் கிடைக்கும் ஒரு கற்றல் சமிக்ஞை கணிப்பு ஆகும். ஒரு ரோபோ எதிர்காலத்தை கணிப்பதைக் கற்றுக் கொண்டால், ஒரு பொருளை ஒரு குறிப்பிட்ட இடத்திற்கு நகர்த்துவது போன்ற விரும்பிய முடிவுகளை உருவாக்க நடவடிக்கைகளை எடுக்க இந்த கணிப்பு மாதிரியைப் பயன்படுத்தலாம். இருப்பினும், சிக்கலான திறந்த உலக சூழ்நிலைகளில், கணிப்புக்கான பிரதிநிதித்துவத்தை வடிவமைப்பது கடினம். இந்த வேலையில், நேரடி வீடியோ கணிப்பு மூலம் சுய-கண்காணிக்கப்பட்ட ரோபோ கற்றலை செயல்படுத்துவதை நோக்கமாகக் கொண்டுள்ளோம்: ஒரு நல்ல பிரதிநிதித்துவத்தை வடிவமைக்க முயற்சிப்பதற்கு பதிலாக, ரோபோ அடுத்தது என்ன பார்க்கும் என்பதை நேரடியாக கணித்து, பின்னர் இந்த மாதிரியைப் பயன்படுத்தி விரும்பிய இலக்குகளை அடையலாம். ரோபோட் கையாளுதல்களுக்கான வீடியோ கணிப்பில் ஒரு முக்கிய சவால், மறைவுகள் போன்ற சிக்கலான இட ஒழுங்கமைவுகளை கையாளுகிறது. அந்த நோக்கத்திற்காக, நாம் ஒரு வீடியோ கணிப்பு மாதிரி அறிமுகப்படுத்த, இது தற்காலிக skipconnections இணைப்பதன் மூலம் மறைப்பு மூலம் பொருட்களை கண்காணிக்க முடியும். புதிய திட்டமிடல் அளவுகோல் மற்றும் செயல்பாட்டு இட வடிவமைப்புடன் சேர்ந்து, இந்த மாதிரி வீடியோ கணிப்பு அடிப்படையிலான கட்டுப்பாட்டில் முந்தைய வேலையை கணிசமாக மிஞ்சியுள்ளது என்பதை நாங்கள் நிரூபிக்கிறோம். பயிற்சியின் போது காணப்படாத பொருள்களை கையாளுதல், பல பொருள்களை கையாளுதல், மற்றும் தடைகளை சுற்றி பொருட்களை தள்ளுதல் ஆகியவற்றை எமது முடிவுகள் காட்டுகின்றன. இந்த முடிவுகள், சுய மேற்பார்வை கொண்ட ரோபோ கற்றல் மூலம் முற்றிலும் செய்யக்கூடிய திறன்களின் வரம்பு மற்றும் சிக்கலான தன்மையில் குறிப்பிடத்தக்க முன்னேற்றத்தை குறிக்கின்றன. |
89701a3b04c3f102ebec83db3249b20791eacb38 | சூழல் உணர்வு என்பது சூழல் உணர்வு சேவைகளை செயல்படுத்துவதற்கான ஒரு முக்கிய பண்பு ஆகும். ஒரு மொபைல் சாதனத்திற்கு, பயனரின் இருப்பிடம் அல்லது பாதை முக்கியமான சூழல்களில் ஒன்றாகும். மொபைல் சாதனங்கள் மூலம் இருப்பிடம் அல்லது பாதையை கண்டறிவதற்கான ஒரு பொதுவான சவால், துல்லியத்திற்கும் மின் நுகர்வுக்கும் இடையிலான சமரசத்தை நிர்வகிப்பதாகும். (1) சென்சார் பயன்பாட்டின் அதிர்வெண்ணை கட்டுப்படுத்துதல் மற்றும் (2) சென்சார் இணைப்பு நுட்பம் ஆகியவை வழக்கமான அணுகுமுறைகள் ஆகும். இந்த ஆவணத்தில் முன்மொழியப்பட்ட வழிமுறை, செல் டவர் இருந்து மீண்டும் மீண்டும் அளவிடப்பட்ட கரடுமுரடான மற்றும் துல்லியமற்ற இருப்பிட தரவை இணைப்பதன் மூலம் துல்லியத்தை மேம்படுத்த ஒரு வித்தியாசமான அணுகுமுறையை எடுக்கிறது. 41 நாட்கள் அளவீடு செய்த தரவுகளை இணைப்பதன் மூலம், கண்டறியப்பட்ட பாதையை மற்றும் தரையில் உள்ள நிலப்பரப்பு ஆகியவற்றுக்கு இடையேயான சராசரி பிழை தூரம் 44 மீட்டரில் இருந்து 10.9 மீட்டராக அதிகரிக்கப்பட்டுள்ளது. |
a85ad1a2ee829c315be6ded0eee8a1dadc21a666 | தன்னியக்க மற்றும் உதவி ஓட்டுதல் என்பவை சந்தேகத்திற்கு இடமின்றி கணினி பார்வை துறையில் பிரபலமான தலைப்புகளாகும். எனினும், ஓட்டுநர் பணி மிகவும் சிக்கலானது மற்றும் ஓட்டுநர்களின் நடத்தை பற்றிய ஆழமான புரிதல் இன்னும் இல்லை. காட்சியில் உள்ள முக்கிய மற்றும் சுவாரஸ்யமான பொருட்களை கண்டறிய கணக்கீட்டு மாதிரிகளை வரையறுக்க பல ஆராய்ச்சியாளர்கள் இப்போது கவன இயந்திரத்தை ஆராய்ந்து வருகின்றனர். இருப்பினும், இந்த மாதிரிகள் பெரும்பாலானவை கீழே இருந்து மேல்நோக்கி காட்சி முக்கியத்துவத்தை மட்டுமே குறிப்பிடுகின்றன மற்றும் இன்னும் படங்களில் கவனம் செலுத்துகின்றன. அதற்கு பதிலாக, ஓட்டுநர் அனுபவத்தின் போது, பணிகளின் கால இயல்பு மற்றும் தனித்தன்மை கவனம் செலுத்தும் வழிமுறைகளை பாதிக்கிறது, இது நிஜ வாழ்க்கை ஓட்டுநர் தரவு கட்டாயமாகும் என்ற முடிவுக்கு வழிவகுக்கிறது. இந்த ஆய்வில், வாகனத்தை ஓட்டும்போது பெறப்பட்ட புதுமையான, பொதுமக்களுக்குக் கிடைக்கும் தரவு தொகுப்பை முன்மொழிகிறோம். 500,000க்கும் மேற்பட்ட பிரேம்களைக் கொண்ட நமது தரவுத்தொகுப்பில், ஓட்டுநர்களின் பார்வைத் தடங்களும், அவற்றின் கால ஒருங்கிணைப்பும் அடங்கியுள்ளன. இது குறிப்பிட்ட பணிக்குரிய முக்கிய வரைபடங்களை வழங்குகிறது. புவிசார் குறிப்பு இடங்கள், ஓட்டுநர் வேகம் மற்றும் பாதை ஆகியவை வெளியிடப்பட்ட தரவுகளின் தொகுப்பை நிறைவு செய்கின்றன. இதுவே, இந்த வகை தரவுகளின் முதல் பொதுத் தொகுப்பாகும். இது, எதிர்கால தலைமுறையினரின் தன்னாட்சி மற்றும் உதவி பெறும் கார்களில் ஓட்டுநரின் கவனத்தை மேம்படுத்தும் செயல்முறையை நன்கு புரிந்துகொள்வது, பயன்படுத்துவது மற்றும் பிரதிபலிப்பது குறித்து புதிய விவாதங்களை ஊக்குவிக்கும். |
a0ff514a8a64ba5a7cd7430ca04245fd037d040c | இந்த ஆவணம் 2012 மற்றும் 2013 ஆம் ஆண்டுகளில் நடைபெற்ற ஐசிஐஎஸ் முன் நிகழ்வுகளிலிருந்து கல்வி மற்றும் தொழில் விவாதங்களை உருவாக்குகிறதுஃ BI காங்கிரஸ் III மற்றும் முடிவெடுக்கும் ஆதரவு அமைப்புகள் (SIGDSS) குறித்த சிறப்பு ஆர்வக் குழு பட்டறை. முடிவு எடுக்கும் மற்றும் புதுமைக்கான புதிய நுண்ணறிவுகளை வழங்கும் "பெரிய தரவு" திறனை அங்கீகரித்த இரு நிகழ்வுகளிலும் பேனலிஸ்டுகள் நிறுவனங்கள் போட்டி நன்மையைப் பெற பெரிய தரவை எவ்வாறு பயன்படுத்தலாம் மற்றும் நிர்வகிக்கலாம் என்பதை விவாதித்தனர். கூடுதலாக, ஆராய்ச்சி இடைவெளிகளை அடையாளம் காண நிபுணர் குழு உறுப்பினர்கள் உதவினார்கள். கல்வி சமூகத்தில் உருவாகி வரும் ஆராய்ச்சி பெரிய தரவைப் பெறுவதில், பகுப்பாய்வு செய்வதில் மற்றும் பயன்படுத்துவதில் சில சிக்கல்களை அடையாளம் காணும்போது, நடைமுறையில் உள்ள சமூகத்தில் பல புதிய முன்னேற்றங்கள் ஏற்படுகின்றன. நிறுவனங்களில் பெரிய தரவு பகுப்பாய்வுக்குத் தேவையான கூறுகளின் செயல்முறை பார்வையை சித்தரிக்கும் ஒரு பெரிய தரவு பகுப்பாய்வு கட்டமைப்பை முன்வைப்பதன் மூலம் கல்வி மற்றும் பயிற்சி ஆராய்ச்சிக்கு இடையிலான இடைவெளியைக் குறைக்கிறோம். கல்வியியல் மற்றும் நடைமுறை ஆகிய இரண்டிலிருந்தும் பயிற்சியாளர்களுடன் நேர்காணல்கள் மற்றும் இலக்கியங்களைப் பயன்படுத்தி, இந்த கட்டமைப்பால் வழிநடத்தப்படும் பெரிய தரவு ஆராய்ச்சியின் தற்போதைய நிலையை நாங்கள் அடையாளம் காண்கிறோம், மேலும் கல்வியியல் ஆராய்ச்சியின் நடைமுறைக்கு பொருத்தத்தை அதிகரிக்க எதிர்கால ஆராய்ச்சிக்கு சாத்தியமான பகுதிகளை முன்மொழிகிறோம். |
34d03cfb02806e668f9748ee60ced1b269d1db6c | |
0607acbb450d2afef7f2aa5b53bb05966bd065ed | ஆழமான நரம்பியல் நெட்வொர்க்குகள் (டிஎன்என்) பெரிய சொற்களஞ்சிய தொடர்ச்சியான பேச்சு அங்கீகாரம் (எல்விசிஎஸ்ஆர்) பணிகளுக்கு பெரும் வெற்றியைப் பெற்றுள்ள நிலையில், இந்த நெட்வொர்க்குகளின் பயிற்சி மெதுவாக உள்ளது. ஒரு காரணம், டி.என்.என்.க்கள் அதிக எண்ணிக்கையிலான பயிற்சி அளவுருக்களுடன் (அதாவது, 10-50 மில்லியன்) பயிற்சி பெற்றிருப்பதுதான். நல்ல செயல்திறனை அடைவதற்கு நெட்வொர்க்குகள் அதிக எண்ணிக்கையிலான வெளியீட்டு இலக்குகளுடன் பயிற்சி பெற்றிருப்பதால், இந்த அளவுருக்களில் பெரும்பாலானவை இறுதி எடை அடுக்கில் உள்ளன. இந்த ஆய்வில், இறுதி எடை அடுக்குக்கான குறைந்த தரவரிசை மேட்ரிக்ஸ் காரணிகளை நாங்கள் முன்மொழிகிறோம். இந்த குறைந்த தர நுட்பத்தை நாம் DNN களுக்கு ஒலி மாதிரியும் மொழி மாதிரியும் இரண்டிற்கும் பயன்படுத்துகிறோம். 50-400 மணிநேரங்களுக்கு இடையில் உள்ள மூன்று வெவ்வேறு LVCSR பணிகளில், குறைந்த தரவரிசை காரணிகள் நெட்வொர்க்கின் அளவுருக்களின் எண்ணிக்கையை 30-50% குறைக்கின்றன என்பதை நாங்கள் காட்டுகிறோம். இது முழு தரவரிசை பிரதிநிதித்துவத்துடன் ஒப்பிடும்போது, இறுதி அங்கீகார துல்லியத்தில் குறிப்பிடத்தக்க இழப்பு இல்லாமல், பயிற்சி நேரத்தில் ஏறக்குறைய சமமான குறைப்பை ஏற்படுத்துகிறது. |
56c16d9e2a5270ba6b1d83271e2c10916591968d | |
56c2fb2438f32529aec604e6fc3b06a595ddbfcc | சமீபத்தில், முகத்தின் முன் படங்களிலிருந்து பாலின வகைப்பாட்டைக் கண்டறிய பல இயந்திர கற்றல் முறைகள் முன்மொழியப்பட்டுள்ளன. அவற்றின் பன்முகத்தன்மை, இந்த பிரச்சனைக்கு ஒரு தனித்துவமான அல்லது பொதுவான தீர்வு இல்லை என்பதைக் குறிக்கிறது. முறைகளின் பன்முகத்தன்மைக்கு மேலதிகமாக, அவற்றை மதிப்பீடு செய்யப் பயன்படுத்தப்படும் அளவுகோல்களின் பன்முகத்தன்மையும் உள்ளது. இதுவே எங்கள் பணிக்கு உந்துதலாக அமைந்தது. இதுவே, ஆண்-பெண் அடையாளம் காண்பதில் பயன்படுத்தப்படும் முக்கிய நவீன முறைகளை சுருக்கமாகவும், நம்பகமான முறையிலும் தேர்ந்தெடுத்து ஒப்பிடுவதாகும். எதிர்பார்த்தபடி, ஒரு வெற்றியாளர் இல்லை. தரவரிசைப்படுத்தலின் துல்லியத்தின் அடிப்படையில் வெற்றியாளர், பயன்படுத்தப்படும் தரநிலைகளின் வகையைப் பொறுத்தது. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.