_id
stringlengths 40
40
| text
stringlengths 0
10.7k
|
|---|---|
bdf67ee2a13931ca2d5eac458714ed98148d1b34 | கணினி துஷ்பிரயோகம், ஊடுருவல் மற்றும் பிற வடிவங்களை கண்டறியும் திறன் கொண்ட ஒரு உண்மையான நேர ஊடுருவல் கண்டறிதல் நிபுணர் அமைப்பின் மாதிரி விவரிக்கப்பட்டுள்ளது. இந்த மாதிரி, கணினியின் தணிக்கை பதிவுகளை கண்காணிப்பதன் மூலம், கணினியின் பயன்பாட்டின் அசாதாரண வடிவங்களைக் கண்டறிவதன் மூலம் பாதுகாப்பு மீறல்களைக் கண்டறிய முடியும் என்ற கருதுகோளின் அடிப்படையில் அமைந்துள்ளது. இந்த மாதிரி, அளவீடுகள் மற்றும் புள்ளியியல் மாதிரிகள் அடிப்படையில் பொருள்களைப் பொறுத்தவரை பாடங்களின் நடத்தையை பிரதிநிதித்துவப்படுத்துவதற்கான சுயவிவரங்களையும், தணிக்கை பதிவுகளிலிருந்து இந்த நடத்தை பற்றிய அறிவைப் பெறுவதற்கான விதிகளையும், அசாதாரண நடத்தை கண்டறிவதற்கும் உள்ளடக்கியது. இந்த மாதிரி எந்தவொரு குறிப்பிட்ட அமைப்பு, பயன்பாட்டு சூழல், கணினி பாதிப்பு அல்லது ஊடுருவல் வகை ஆகியவற்றிலிருந்து சுயாதீனமாக உள்ளது, இதனால் பொது நோக்கத்திற்கான ஊடுருவல் கண்டறிதல் நிபுணர் அமைப்பிற்கான ஒரு கட்டமைப்பை வழங்குகிறது. |
eeb1a1e0cab8d809b5789d04418dc247dca956cc | லீ, ஸ்டோல்போ மற்றும் மோக் ஆகியோர் ஊடுருவலைக் கண்டறிவதற்கான அறிவைப் பெறுவதற்காக சுரங்க தணிக்கை தரவுகளுக்கான சங்க விதிகள் மற்றும் அதிர்வெண் நிகழ்வுகளின் பயன்பாட்டை முன்னர் தெரிவித்தனர். சங்க விதிகளையும் அதிர்வெண் நிகழ்வுகளையும் மங்கலான தர்க்கத்துடன் ஒருங்கிணைப்பது ஊடுருவல் கண்டறிதலுக்கான சுருக்கமான மற்றும் நெகிழ்வான வடிவங்களை உருவாக்க முடியும், ஏனெனில் ஊடுருவல் கண்டறிதலில் பல அளவு அம்சங்கள் ஈடுபட்டுள்ளன, மேலும் பாதுகாப்பு தன்னை மங்கலானது. மங்கலான சங்க விதிகளை சுரங்கப்படுத்துவதற்கான முன்னர் அறிவிக்கப்பட்ட வழிமுறையின் ஒரு மாற்றத்தை நாங்கள் முன்வைக்கிறோம், மங்கலான அதிர்வெண் அத்தியாயங்களின் கருத்தை வரையறுக்கிறோம், மேலும் மங்கலான அதிர்வெண் அத்தியாயங்களை சுரங்கப்படுத்துவதற்கான அசல் வழிமுறையை முன்வைக்கிறோம். ஒரு தரவு நிகழ்வு மற்றவர்களை விட அதிகமாக பங்களிப்பதைத் தடுக்க, ஒரு இயல்பாக்க நடவடிக்கைகளை மௌனமான சங்க விதிகளை சுரங்கப்படுத்துவதற்கான நடைமுறைக்கு சேர்க்கிறோம். மேலும், அலைவரிசைத் துண்டுகளைத் தோண்டி எடுக்கும் செயல்முறையை மாற்றி, அலைவரிசைத் துண்டுகளைத் தோண்டி எடுக்கலாம். ஊடுருவலை கண்டறிவதில், சோதனை முடிவுகள் தெளிவற்ற தொடர்பு விதிமுறைகள் மற்றும் தெளிவற்ற அதிர்வெண் நிகழ்வுகளின் பயனைக் காட்டுகின்றன. வரைவு: சர்வதேச அறிவார்ந்த அமைப்புகள் இதழில் வெளியிடப்பட்ட புதுப்பிக்கப்பட்ட பதிப்பு, தொகுதி 15, எண். I, ஆகஸ்ட் 2000 3 |
0b07f84c22ce01309981a02c23d5cd1770cad48b | அட்டவணைப் பிரிவு ஒரு அட்டவணையை சிறிய பகுதிகளாகப் பிரிக்கிறது, அவை ஒருவருக்கொருவர் சுயாதீனமாக அணுகலாம், சேமிக்கலாம் மற்றும் பராமரிக்கப்படலாம். தரவுத்தளங்களின் செயல்திறனை மேம்படுத்துவதில் பாரம்பரிய பயன்பாட்டிலிருந்து, தரவுத்தள அமைப்புகளின் ஒட்டுமொத்த மேலாண்மையை மேம்படுத்துவதற்கான ஒரு சக்திவாய்ந்த வழிமுறையாக பகிர்வு உத்திகள் உருவாகியுள்ளன. தரவுகளை ஏற்றுதல், அகற்றுதல், காப்புப் பிரதி எடுப்பது, புள்ளிவிவரங்களை பராமரித்தல் மற்றும் சேமிப்பு வழங்கல் போன்ற நிர்வாகப் பணிகளை அட்டவணைப் பிரிவு எளிதாக்குகிறது. வினவல் மொழி நீட்டிப்புகள் இப்போது பயன்பாடுகள் மற்றும் பயனர் வினவல்கள் அவற்றின் முடிவுகளை எவ்வாறு பிரிக்க வேண்டும் என்பதைக் குறிப்பிட அனுமதிக்கின்றன. இருப்பினும், வினவல் தேர்வுமுறை நுட்பங்கள் அட்டவணை பகிர்வுகளின் பயன்பாடு மற்றும் பயனர் கட்டுப்பாட்டில் விரைவான முன்னேற்றங்களைக் கொண்டிருக்கவில்லை. பிரிக்கப்பட்ட அட்டவணைகளில் பல வழி இணைப்புகளை உள்ளடக்கிய SQL வினவல்களுக்கான திறமையான திட்டங்களை உருவாக்குவதற்கான புதிய நுட்பங்களை உருவாக்குவதன் மூலம் இந்த இடைவெளியை நாங்கள் தீர்க்கிறோம். எமது நுட்பங்கள் இன்று பரவலாகப் பயன்படுத்தப்படும் கீழ்-மேலே தேடல் உகப்பாக்கிகளில் எளிதாக இணைக்க வடிவமைக்கப்பட்டுள்ளன. இந்த நுட்பங்களை PostgreSQL Optimizer இல் முன்மாதிரி செய்திருக்கிறோம். விரிவான மதிப்பீடு, நமது பகிர்வு-அறிவு உகப்பாக்கம் நுட்பங்கள், குறைந்த உகப்பாக்கம் ஓவர்ஹெட், தற்போதைய உகப்பாக்கிகள் தயாரித்த திட்டங்களை விட ஒரு அளவு ஒழுங்கு சிறப்பாக இருக்க முடியும் என்று திட்டங்களை உருவாக்குகின்றன. |
26d673f140807942313545489b38241c1f0401d0 | உலகிலும் நம் வாழ்விலும் உள்ள தகவல்களின் அளவு எப்போதும் அதிகரித்துக் கொண்டே போகிறது, அதற்கு முடிவே இல்லை. விகா பணி மேசை என்பது அதிநவீன இயந்திர கற்றல் வழிமுறைகள் மற்றும் தரவு முன் செயலாக்க கருவிகளின் ஒழுங்கமைக்கப்பட்ட தொகுப்பாகும். இந்த முறைகளுடன் தொடர்பு கொள்ளும் அடிப்படை வழி, கட்டளை வரிசையில் இருந்து அவற்றை அழைப்பது. எனினும், தரவு ஆய்வு, பரவலான கணினி தளங்களில் பெரிய அளவிலான பரிசோதனைகளை அமைத்தல், மற்றும் ஸ்ட்ரீம் செய்யப்பட்ட தரவு செயலாக்கத்திற்கான கட்டமைப்புகளை வடிவமைத்தல் ஆகியவற்றிற்காக வசதியான ஊடாடும் வரைகலை பயனர் இடைமுகங்கள் வழங்கப்படுகின்றன. இந்த இடைமுகங்கள் பரிசோதனை தரவு சுரங்கத்திற்கான ஒரு மேம்பட்ட சூழலை உருவாக்குகின்றன. தரவு வகைப்படுத்தல் என்பது பரந்த பயன்பாடுகளைக் கொண்ட ஒரு முக்கியமான தரவு சுரங்க நுட்பமாகும். இது பல்வேறு வகையான தரவுகளை வகைப்படுத்துகிறது. REPTree, Simple Cart மற்றும் RandomTree வகைப்படுத்தல் வழிமுறைகளின் செயல்திறன் மதிப்பீட்டை மேற்கொள்ள இந்த ஆவணம் மேற்கொள்ளப்பட்டுள்ளது. இந்திய செய்திகளின் தரவுத்தொகுப்பின் பின்னணியில், REPTree, Simple Cart மற்றும் RandomTree ஆகிய வகைப்படுத்திகளின் ஒப்பீட்டு மதிப்பீட்டை மேற்கொள்வதன் மூலம் உண்மையான நேர்மறை விகிதத்தை அதிகரிக்கவும், தவறான நேர்மறை விகிதத்தை குறைக்கவும் இந்த ஆய்வறிக்கை நோக்கமாக உள்ளது. செயலாக்கத்திற்காக Weka API பயன்படுத்தப்பட்டது. இந்திய செய்தித் தரவுத் தொகுப்பு குறித்த ஆய்வறிக்கையின் முடிவுகள், ரேண்டம் ட்ரீ மற்றும் சிம்பிள் கார்ட்டை விட ரேண்டம் ட்ரீவின் செயல்திறன் மற்றும் துல்லியம் சிறந்தது என்பதைக் காட்டுகிறது. முக்கிய வார்த்தைகள்- எளிய வண்டி, ரேண்டம் ட்ரீ, REPTree, Weka, WWW |
6e633b41d93051375ef9135102d54fa097dc8cf8 | சமீப காலமாக "ஒட்டுமொத்த கற்றல்" - பல வகைப்படுத்திகளை உருவாக்கி அவற்றின் முடிவுகளை ஒருங்கிணைக்கும் முறைகளில் அதிக ஆர்வம் உள்ளது. இரண்டு நன்கு அறியப்பட்ட முறைகள் வர்க்கம் மரங்களை அதிகரிக்கும் (எ. கா. , ஷாபியர் மற்றும் பலர், 1998) மற்றும் பைகள் பிரைமன் (1996) ஆகும். அதிகரிப்பதில், அடுத்தடுத்த மரங்கள் முந்தைய கணிப்பாளர்களால் தவறாக கணித்த புள்ளிகளுக்கு கூடுதல் எடையை கொடுக்கின்றன. இறுதியில், ஒரு எடை கொண்ட வாக்கு கணிக்கப்படுகிறது. பேக்கிங்கில், அடுத்தடுத்த மரங்கள் முந்தைய மரங்களை சார்ந்து இல்லை - ஒவ்வொன்றும் தரவுத் தொகுப்பின் பூட்ஸ்ட்ராப் மாதிரியைப் பயன்படுத்தி சுயாதீனமாக கட்டமைக்கப்படுகின்றன. இறுதியில், எளிய பெரும்பான்மை வாக்கெடுப்பு முன்னறிவிப்புக்காக எடுக்கப்படுகிறது. Breiman (2001) தற்செயலான காடுகளை முன்மொழிந்தார், இது பைகளில் கூடுதல் அடுக்கு தற்செயலான தன்மையை சேர்க்கிறது. தரவுகளின் வேறுபட்ட பூட்ஸ்ட்ராப் மாதிரியைப் பயன்படுத்தி ஒவ்வொரு மரத்தையும் உருவாக்குவதோடு கூடுதலாக, சீரற்ற காடுகள் வகைப்படுத்தல் அல்லது பின்னடைவு மரங்கள் எவ்வாறு கட்டமைக்கப்படுகின்றன என்பதை மாற்றுகின்றன. நிலையான மரங்களில், ஒவ்வொரு முனைகளும் அனைத்து மாறிகளிலும் சிறந்த பிரிவைப் பயன்படுத்தி பிரிக்கப்படுகின்றன. ஒரு சீரற்ற காட்டில், ஒவ்வொரு முனைகளும் அந்த முனையில் தோராயமாக தேர்ந்தெடுக்கப்பட்ட கணிப்புகளின் துணைக்குழுவில் சிறந்ததைப் பயன்படுத்தி பிரிக்கப்படுகின்றன. இந்த சில எதிர்மறையான மூலோபாயம் வேறுபட்ட பகுப்பாய்வு, ஆதரவு திசையன் இயந்திரங்கள் மற்றும் நரம்பியல் நெட்வொர்க்குகள் உள்ளிட்ட பல வகைப்படுத்திகளுடன் ஒப்பிடும்போது மிகச் சிறப்பாக செயல்படுகிறது, மேலும் அதிக பொருத்தத்திற்கு எதிராக வலுவானது (பிரீமேன், 2001). கூடுதலாக, இது இரண்டு அளவுருக்கள் மட்டுமே (ஒவ்வொரு முனைகளிலும் சீரற்ற துணைக்குழுவில் உள்ள மாறிகளின் எண்ணிக்கை மற்றும் காட்டில் உள்ள மரங்களின் எண்ணிக்கை) இருப்பதால் இது மிகவும் பயனர் நட்புடன் உள்ளது, மேலும் பொதுவாக அவற்றின் மதிப்புகளுக்கு மிகவும் உணர்திறன் இல்லை. ரேண்டம்ஃபோரஸ்ட் தொகுப்பு பிரைமன் மற்றும் கட்லர் (http://www.stat.berkeley.edu/ users/breiman/) ஆகியோரால் உருவாக்கப்பட்ட ஃபோர்ட்ரான் நிரல்களுக்கு ஒரு R இடைமுகத்தை வழங்குகிறது. இந்த கட்டுரை R செயல்பாடுகளின் பயன்பாடு மற்றும் அம்சங்கள் பற்றிய ஒரு சுருக்கமான அறிமுகத்தை வழங்குகிறது. |
8cfe24108b7f73aa229be78f9108e752e8210c36 | தரவுத் தோற்றம் சில காலமாக வணிக உலகில் வெற்றிகரமாக செயல்படுத்தப்பட்டாலும், உயர் கல்வியில் அதன் பயன்பாடு இன்னும் ஒப்பீட்டளவில் புதியது, அதாவது, அதன் பயன்பாடு தரவுகளிலிருந்து புதிய மற்றும் மதிப்புமிக்க அறிவை அடையாளம் காணவும் பிரித்தெடுக்கவும் நோக்கம் கொண்டது. தரவு சுரங்கத்தை பயன்படுத்தி மாணவர்களின் கல்வி வெற்றியைப் பற்றிய முடிவைப் பெறக்கூடிய ஒரு மாதிரியை உருவாக்குவதே இதன் நோக்கம். 2010-2011 கல்வியாண்டில் துஸ்லா பல்கலைக்கழகத்தில், பொருளாதார பீடத்தில், முதல் ஆண்டு மாணவர்களிடையே கோடைக்கால செமஸ்டர் மற்றும் சேர்க்கை போது எடுக்கப்பட்ட தரவுகளில் இருந்து சேகரிக்கப்பட்ட தரவுகளைப் பயன்படுத்தி மாணவர்களின் வெற்றியைக் கணிக்கும் போது தரவு சுரங்கத்தின் வெவ்வேறு முறைகள் மற்றும் நுட்பங்கள் ஒப்பிடப்பட்டன. தேர்வில் தேர்ச்சி பெற்ற மதிப்பெண்ணின் மூலம் வெற்றி மதிப்பீடு செய்யப்பட்டது. மாணவர்களின் சமூக-மக்கள்தொகை மாறிகள், உயர்நிலைப் பள்ளி மற்றும் நுழைவுத் தேர்வுகளில் பெற்ற முடிவுகள், மற்றும் படிப்புக்கு எதிரான மனப்பான்மை ஆகியவை வெற்றியை பாதிக்கும் என்று ஆராயப்பட்டது. எதிர்கால ஆய்வுகளில், படிப்பு செயல்முறைக்கு தொடர்புடைய மாறிகளை அடையாளம் கண்டு மதிப்பீடு செய்வதன் மூலம், மற்றும் மாதிரி அதிகரிப்புடன், உயர் கல்வியில் முடிவெடுக்கும் ஆதரவு அமைப்பின் வளர்ச்சிக்கான அடித்தளமாக இருக்கும் ஒரு மாதிரியை உருவாக்க முடியும். |
cc5c84c1c876092e6506040cde7d2a5b9e9065ff | இந்த ஆய்வறிக்கை இரண்டு வெவ்வேறு கல்வி நிறுவனங்களில் இளங்கலை மற்றும் முதுகலை மாணவர்களின் கல்வி செயல்திறனைக் கணிப்பதற்கான முடிவெடுக்கும் மரம் மற்றும் பேயஸியன் நெட்வொர்க் வழிமுறைகளின் துல்லியத்தை ஒப்பிடுகிறது: வியட்நாமில் உள்ள ஒரு பெரிய தேசிய பல்கலைக்கழகமான கான் தோ பல்கலைக்கழகம் (சி.டி.யு.) மற்றும் தாய்லாந்தில் உள்ள ஒரு சிறிய சர்வதேச முதுகலை நிறுவனமான ஆசிய தொழில்நுட்ப நிறுவனம் (ஏ.ஐ.டி.) 86 வெவ்வேறு நாடுகளில் இருந்து மாணவர்களை ஈர்க்கிறது. இந்த இரண்டு மாணவர் மக்கள் தொகைகளின் பன்முகத்தன்மை மிகவும் வித்தியாசமாக இருந்தாலும், மாணவர் செயல்திறனைக் கணிப்பதில் தரவு-சுரங்க கருவிகள் ஒத்த அளவு துல்லியத்தை அடைய முடிந்ததுஃ முறையே 73/71% {நிராகரிப்பு, நியாயமான, நல்ல, மிகவும் நல்ல} மற்றும் 94/93% {நிராகரிப்பு, தேர்ச்சி} CTU/AIT இல். இந்த கணிப்புகள் CTU-யில் தோல்வியுற்ற மாணவர்களை அடையாளம் கண்டு அவர்களுக்கு உதவுவதற்கும் (64% துல்லியம்), மற்றும் AIT-இல் உதவித்தொகைக்கு (82% துல்லியம்) மிகவும் நல்ல மாணவர்களைத் தேர்ந்தெடுப்பதற்கும் மிகவும் பயனுள்ளதாக இருக்கும். இந்த பகுப்பாய்வில், முடிவு மரம் தொடர்ந்து 3-12% துல்லியமாக இருந்தது பேய்சன் நெட்வொர்க்கை விட. இந்த வழக்கு ஆய்வுகளின் முடிவுகள் மாணவர்களின் செயல்திறனை துல்லியமாக கணிப்பதற்கான நுட்பங்களைப் பற்றிய நுண்ணறிவை அளிக்கிறது, தரவு சுரங்க வழிமுறைகளின் துல்லியத்தை ஒப்பிடுகிறது, மற்றும் திறந்த மூல கருவிகளின் முதிர்ச்சியை நிரூபிக்கிறது. |
9d0f09e343ebc9d5e896528273b79a1f13aa5c07 | |
2cb6d78e822ca7fd0e29670ec7e26e37ae3d3e8f | இந்த ஆவணம் ஒரு புதிய சிறிய குறைந்த வெப்பநிலை சமையல் செய்யப்பட்ட பீங்கான் (LTCC) பரந்த இடைவெளி மற்றும் உயர் தேர்வாற்றலுடன் கூடிய பேன்ட் பாஸ் வடிகட்டி (BPF) ஐ வழங்குகிறது. முன்மொழியப்பட்ட சுற்று இரண்டு இணைக்கப்பட்ட λ <sub> g <sub> / 4 பரிமாற்ற-வரி ஒலிபெருக்கிகளைக் கொண்டுள்ளது. மூன்றாவது ஹார்மோனிக் அதிர்வெண்ணில் டிரான்ஸ்மிஷன் ஜீரோ (TZ) உருவாக்குவதற்கான ஒரு புதிய பாகுபடுத்தும் இணைப்பு திட்டத்தை உணர ஒரு சிறப்பு இணைப்பு பகுதி தேர்ந்தெடுக்கப்படுகிறது. இயந்திரம் பகுப்பாய்வு செய்யப்பட்டு வடிவமைப்பு வழிகாட்டி விவரிக்கப்பட்டுள்ளது. மூல-சுமை இணைப்பு இரண்டு TZ களை பாஸ்பேண்ட் அருகில் மற்றும் ஒரு நிறுத்தப் பந்தையில் உருவாக்க அறிமுகப்படுத்தப்படுகிறது. இதனால், கூடுதல் சுற்றுகள் இல்லாமல் பரந்த நிறுத்தப் பட்டை பெற முடியும். LTCC பல அடுக்கு கட்டமைப்புகள் காரணமாக, வடிகட்டி அளவு 0.058 λ <sub> g <sub> × 0.058 λ <sub> g <sub> × 0.011 λ <sub> g <sub>, அல்லது 2.63 மிமீ × 2.61 மிமீ × 0.5 மிமீ ஆகும். முன்மொழியப்பட்ட வடிவமைப்பை சரிபார்க்க, LTCC BPF இன் உருவகப்படுத்தப்பட்ட மற்றும் அளவிடப்பட்ட முடிவுகள் வழங்கப்படுகின்றன. |
52c9eb70c55685b349126ed907e037f383673cf3 | ஒத்த URL களுக்கான சுருக்கங்கள் உள்ளடக்கம் மற்றும் அமைப்பு இரண்டிலும் ஒத்ததாக இருக்கும் என்ற அவதானிப்பின் அடிப்படையில் சுருக்கமான வலை சுருக்கத்திற்கு ஒரு புதிய அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். தற்போதுள்ள URL குவியல்களைப் பயன்படுத்தி, URL-குறிப்பிட்ட பண்புகளைத் தவிர்த்து, அறியப்பட்ட சுருக்கங்களை இணைக்கும் குவியலுக்குரிய வார்த்தை வரைபடங்களை உருவாக்குகிறோம். இதன் விளைவாக உருவாகும் டோபோலஜி, URL அம்சங்களை நிபந்தனை செய்கிறது, சுருக்க சிக்கலை ஒரு கட்டமைக்கப்பட்ட கற்றல் பணியாக டிகோடிங் படி என குறைந்த செலவு பாதை தேடலைப் பயன்படுத்தி அனுப்ப அனுமதிக்கிறது. ஆரம்பகால சோதனை முடிவுகள், இந்த அணுகுமுறை முன்னர் முன்மொழியப்பட்ட வலை சுருக்கங்களை விட சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகிறது. |
8947ca4949fc66eb65f863dfb825ebd90ab01772 | உரை செயலாக்கத்தில் பல பயன்பாடுகள் பெரிய ஆவண சேகரிப்புகளை (புள்ளியியல் மாதிரிகளை கற்கும்போது) அல்லது அவற்றிலிருந்து விதிகளை (அறிவு பொறியியலைப் பயன்படுத்தும் போது) பெயரிடுவதற்கு குறிப்பிடத்தக்க மனித முயற்சியைத் தேவைப்படுகின்றன. இந்த வேலையில், இந்த முயற்சியைக் குறைப்பதற்கான வழியை விவரிக்கிறோம், அதே நேரத்தில் முறைகளின் துல்லியத்தை பராமரிப்பதன் மூலம், இயந்திர கற்றலை பூர்த்தி செய்ய தானாகக் கண்டறியப்பட்ட உரை வடிவங்களில் மனித பகுத்தறிவைப் பயன்படுத்தும் ஒரு கலப்பின வகைப்படுத்தியை உருவாக்குவதன் மூலம். ஒரு நிலையான உணர்வு-வகைப்படுத்தல் தரவுத்தொகுப்பு மற்றும் உண்மையான வாடிக்கையாளர் பின்னூட்ட தரவுகளைப் பயன்படுத்தி, இதன் விளைவாக வரும் நுட்பம் ஒரு குறிப்பிட்ட வகைப்படுத்தல் துல்லியத்தை பெற தேவையான மனித முயற்சியை கணிசமாகக் குறைக்கிறது என்பதை நாங்கள் நிரூபிக்கிறோம். மேலும், கலப்பின உரை வகைப்படுத்தி, இயந்திரக் கற்றல் அடிப்படையிலான வகைப்படுத்திகளை விட, ஒப்பிடக்கூடிய அளவு லேபிளிடப்பட்ட தரவுகளைப் பயன்படுத்தும்போது, துல்லியத்தில் குறிப்பிடத்தக்க அதிகரிப்பு ஏற்படுகிறது. |
563384a5aa6111610ac4939f645d1125a5a0ac7f | சட்ட அமலாக்கம், பாதுகாப்பு பயன்பாடுகள் அல்லது வீடியோ குறியீட்டு போன்ற பல்வேறு துறைகளில் அதன் பல பயன்பாடுகள் காரணமாக சமீபத்திய ஆண்டுகளில் மக்களின் தானியங்கி அங்கீகாரம் அதிக கவனத்தைப் பெற்றுள்ளது. முகத்தை அடையாளம் காண்பது என்பது ஒரு முக்கியமான மற்றும் மிகவும் சவாலான நுட்பமாகும். இன்றுவரை, முக அங்கீகாரம் சந்திக்கும் அனைத்து சூழ்நிலைகளுக்கும், பல்வேறு பயன்பாடுகளுக்கும் வலுவான தீர்வை வழங்கும் எந்த நுட்பமும் இல்லை. பொதுவாக, முக அங்கீகார அமைப்பின் செயல்திறன், அம்ச திசையை எவ்வாறு துல்லியமாக பிரித்தெடுப்பது மற்றும் அவற்றை ஒரு குழுவாக துல்லியமாக வகைப்படுத்துவது என்பதில் தீர்மானிக்கப்படுகிறது என்பதை உறுதிப்படுத்த முடியும். எனவே, நாம் அம்ச பிரித்தெடுத்தல் மற்றும் வகைப்படுத்தியை நெருக்கமாகப் பார்க்க வேண்டியது அவசியம். இந்த ஆய்வில், அம்ச பிரித்தெடுத்தலில் முக்கிய பங்கு வகிக்கும் வகையில், பிரதான கூறு பகுப்பாய்வு (பிசிஏ) பயன்படுத்தப்படுகிறது. மேலும், முக அங்கீகாரப் பிரச்சினையைத் தீர்க்க எஸ்விஎம் பயன்படுத்தப்படுகிறது. வடிவ அங்கீகாரத்திற்கான புதிய வகைப்படுத்தியாக ஆதரவு வெக்டர் இயந்திரங்கள் (SVM) சமீபத்தில் முன்மொழியப்பட்டுள்ளன. கேம்பிரிட்ஜ் ORL முக தரவுத்தளத்தில் SVM களின் திறனை நாங்கள் விளக்குகிறோம், இது 40 நபர்களின் 400 படங்களைக் கொண்டுள்ளது, இதில் வெளிப்பாடு, போஸ் மற்றும் முக விவரங்களில் அதிக அளவு மாறுபாடு உள்ளது. பயன்படுத்தப்பட்ட SVM களில் நேரியல் (LSVM), பல்லுறுப்பு (PSVM), மற்றும் ரேடியல் அடிப்படை செயல்பாடு (RBFSVM) SVM கள் அடங்கும். ORL Face தரவுத்தொகுப்பில் நேரியல் SVM ஐ விட பல்லுறுப்பு மற்றும் ரேடியல் அடிப்படை செயல்பாடு (RBF) SVM சிறப்பாக செயல்படுகிறது என்பதை நிரூபிக்கும் சோதனை ஆதாரங்களை நாங்கள் வழங்குகிறோம். பல அடுக்கு உணர்திறன் (MLP) வகைப்பாடு அளவுகோலைப் பயன்படுத்தி SVM அடிப்படையிலான அங்கீகாரத்தை நிலையான சொந்த முக அணுகுமுறையுடன் ஒப்பிட்டுப் பார்த்தோம். |
47daf9cc8fb15b3a4b7c3db4498d29a5a8b84c22 | 3D பொருளின் வகைப்படுத்தல் என்பது கணினி பார்வையில் பல உண்மையான உலக பயன்பாடுகளை உள்ளடக்கிய ஒரு அற்பமான பணி. 3D பலகோண வலைகளை வகைப்படுத்தும் சிக்கலை நாம் முன்வைக்கிறோம், இது பல பார்வை 2D படங்களிலிருந்து தோற்ற பரிணாமத்தை கற்றுக்கொள்கிறது. 3D பலகோண வலைகளின் தொகுப்பைக் கொடுத்தால், முதலில் அதற்கு ஒத்த RGB மற்றும் ஆழம் படங்களை ஒரே மாதிரியான கோளத்தில் பல பார்வை புள்ளிகளிலிருந்து வழங்குகிறோம். தரவரிசைப் பிரிவைப் பயன்படுத்தி, 2D காட்சிகளின் தோற்ற பரிணாமத்தை அறிய இரண்டு முறைகளை நாங்கள் முன்மொழிகிறோம். முதலில், ஆழமான கன்வோல்ஷனல் நியூரல் நெட்வொர்க்கை (CNN) அடிப்படையாகக் கொண்ட பார்வை-இன்வரியன்ட் மாதிரிகளை நாங்கள் பயிற்சி செய்கிறோம், வழங்கப்பட்ட RGB-D படங்களைப் பயன்படுத்தி முதல் முழுமையாக இணைக்கப்பட்ட அடுக்கு செயல்படுத்தல்களை வரிசைப்படுத்த கற்றுக்கொள்கிறோம், எனவே, இந்த பிரித்தெடுக்கப்பட்ட அம்சங்களின் பரிணாமத்தை கைப்பற்றுகிறோம். இந்த செயல்முறையின் போது கற்ற அளவுருக்கள் 3D வடிவ பிரதிநிதித்துவங்களாகப் பயன்படுத்தப்படுகின்றன. இரண்டாவது முறையில், தரவரிசைப்படுத்தும் இயந்திரத்தை நேரடியாக வழங்கப்பட்ட RGB-D படங்களுக்குப் பயன்படுத்துவதன் மூலம் ஆரம்பத்தில் இருந்தே காட்சிகளின் கூட்டுதலைக் கற்றுக்கொள்கிறோம், இது கூட்டு 2D படங்களை உருவாக்குகிறது, அவை நாம் 3D வடிவ படங்கள் என்று அழைக்கிறோம். நாம் சிஎன்என் மாதிரிகளை கற்றுக்கொள்கிறோம் இந்த புதிய வடிவ பிரதிநிதித்துவம் RGB மற்றும் ஆழம் ஆகிய இரண்டிற்கும் இது பலகோணத்தின் முக்கிய வடிவியல் கட்டமைப்பை குறியிடுகிறது. ModelNet40 மற்றும் ModelNet10 தரவுத் தொகுப்புகளில் மேற்கொள்ளப்பட்ட பரிசோதனைகள், 3D வடிவ அங்கீகாரத்தில் தற்போதுள்ள அதிநவீன வழிமுறைகளை விட, முன்மொழியப்பட்ட முறை தொடர்ந்து சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகிறது. |
58156d27f80ee450ba43651a780ebd829b70c363 | கருவி கண்காணிப்பு மற்றும் பாதுகாப்பு குறித்த முந்தைய ஆராய்ச்சி, கருவி தாக்குதல்களிலிருந்து பாதுகாப்பு கருவிகளை தனிமைப்படுத்த வன்பொருள் மெய்நிகராக்க நீட்டிப்புகள் போன்ற அதிக சலுகை பெற்ற கணினி கூறுகளை பரவலாக நம்பியுள்ளது. இந்த அணுகுமுறைகள் பராமரிப்பு முயற்சி மற்றும் சிறப்புரிமை பெற்ற அமைப்பு கூறுகளின் குறியீடு அடிப்படை அளவு ஆகிய இரண்டையும் அதிகரிக்கிறது, இது பாதுகாப்பு பாதிப்புகளின் அபாயத்தை அதிகரிக்கிறது. SKEE, இது Secure Kernellevel Execution Environment என்பதன் சுருக்கமாகும், இந்த அடிப்படை சிக்கலை தீர்க்கிறது. SKEE என்பது ஒரு புதிய அமைப்பாகும், இது கர்னலின் அதே சலுகை மட்டத்தில் தனிமைப்படுத்தப்பட்ட இலகுரக செயல்படுத்தும் சூழலை வழங்குகிறது. SKEE என்பது ARM தளங்களுக்கான தயாரிப்பாக வடிவமைக்கப்பட்டுள்ளது. இதன் முக்கிய நோக்கம், அதிக சலுகை பெற்ற மென்பொருளின் செயலில் ஈடுபடாமல், கருவின் பாதுகாப்பான கண்காணிப்பு மற்றும் பாதுகாப்பை அனுமதிப்பதாகும். SKEE தனிமைப்படுத்தலை உறுதி செய்வதற்கான புதிய நுட்பங்களை வழங்குகிறது. இது ஒரு பாதுகாக்கப்பட்ட முகவரி இடத்தை உருவாக்குகிறது, இது கருவுக்கு அணுக முடியாதது, இது கரு மற்றும் தனிமைப்படுத்தப்பட்ட சூழல் இரண்டும் ஒரே சலுகை அளவைப் பகிர்ந்து கொள்ளும்போது அடைய சவாலானது. SKEE இந்த சவாலை கர்னல் அதன் சொந்த நினைவக மொழிபெயர்ப்பு அட்டவணையை நிர்வகிப்பதைத் தடுப்பதன் மூலம் தீர்க்கிறது. எனவே, கணினியின் நினைவக அமைப்பை மாற்றுவதற்கு SKEE க்கு மாற கருவி கட்டாயப்படுத்தப்படுகிறது. SKEE கோரப்பட்ட மாற்றம் பாதுகாக்கப்பட்ட முகவரி இடத்தின் தனிமைப்படுத்தலை பாதிக்காது என்பதை சரிபார்க்கிறது. OS கருவிலிருந்து SKEE க்கு மாறுவது ஒரு நன்கு கட்டுப்படுத்தப்பட்ட சுவிட்ச் கேட் வழியாக மட்டுமே செல்கிறது. இந்த சுவிட்ச் கேட் கவனமாக வடிவமைக்கப்பட்டுள்ளது, இதனால் அதன் செயல்படுத்தல் வரிசை அணு மற்றும் தீர்மானகரமானதாகும். இந்த பண்புகள் இணைந்து ஒரு சாத்தியமான சமரசம் செய்யப்பட்ட கருவை தனிமைப்படுத்தலை சமரசம் செய்ய சுவிட்ச் வரிசையை பயன்படுத்த முடியாது என்பதை உறுதிப்படுத்துகிறது. இந்த பண்புகளை மீற முயன்றால், பாதுகாக்கப்பட்ட முகவரி இடத்தை வெளிப்படுத்தாமல் கணினி தோல்வியடையும். முழு OS நினைவகத்திற்கான அணுகல் அனுமதிகளை SKEE பிரத்தியேகமாக கட்டுப்படுத்துகிறது. எனவே, இது நிரூபிக்கப்படாத குறியீட்டை கருவில் செலுத்த முயற்சிக்கும் தாக்குதல்களைத் தடுக்கிறது. மேலும், பல்வேறு ஊடுருவல் கண்டறிதல் மற்றும் ஒருமைப்பாடு சரிபார்ப்பு கருவிகளை ஆதரிப்பதற்காக மற்ற கணினி நிகழ்வுகளைத் தடுக்க இது எளிதாக விரிவாக்கப்படலாம். இந்த ஆவணம் 32-பிட் ARMv7 மற்றும் 64-பிட் ARMv8 கட்டமைப்புகளில் இயங்கும் ஒரு SKEE முன்மாதிரி வழங்குகிறது. செயல்திறன் மதிப்பீட்டு முடிவுகள், SKEE என்பது நிஜ உலக அமைப்புகளுக்கு ஒரு நடைமுறை தீர்வாகும் என்பதை நிரூபிக்கின்றன. இந்த ஆசிரியர்கள் சமமாக இந்த வேலைக்கு பங்களித்தனர் |
698902ce1a836d353d4ff955c826095e28506e05 | |
da09bc42bbf5421b119abea92716186a1ca3f02f | நாம் ஒரு புதிய வகை அடையாள அடிப்படையிலான குறியாக்கத்தை அறிமுகப்படுத்துகிறோம் (IBE) நாம் அதை ஃப்ஸி அடையாள அடிப்படையிலான குறியாக்கம் என்று அழைக்கிறோம். ஃபாஸி IBE இல் நாம் ஒரு அடையாளத்தை விவரிப்பு பண்புகளின் தொகுப்பாக பார்க்கிறோம். ஒரு ஃப்ஸி IBE திட்டம் ஒரு அடையாளத்திற்கான ஒரு தனியார் விசையை அனுமதிக்கிறது, ω, ஒரு அடையாளத்துடன் குறியாக்கப்பட்ட ஒரு குறியாக்க உரையை டிக்ரிப்ட் செய்ய, ω , மற்றும் அடையாளங்கள் ω மற்றும் ω ஒருவருக்கொருவர் நெருக்கமாக இருந்தால் மட்டுமே, செட் ஒப்பர்லாப் தூர மெட்ரிக் மூலம் அளவிடப்படுகிறது. ஒரு மழுப்பலான IBE திட்டத்தை அடையாளங்களாக பயோமெட்ரிக் உள்ளீடுகளைப் பயன்படுத்தி குறியாக்கத்தை செயல்படுத்த பயன்படுத்தலாம்; ஒரு மழுப்பலான IBE திட்டத்தின் பிழை-எதிர்ப்பு சொத்து துல்லியமாக பயோமெட்ரிக் அடையாளங்களைப் பயன்படுத்துவதை அனுமதிக்கிறது, அவை ஒவ்வொரு முறையும் மாதிரிகள் எடுக்கப்படும்போது இயல்பாகவே சில சத்தங்களைக் கொண்டிருக்கும். மேலும், நாம் பண்பு அடிப்படையிலான குறியாக்கம் என்று அழைக்கப்படும் ஒரு வகை பயன்பாட்டிற்கு ஃப்ஸி-ஐபிஇ பயன்படுத்தப்படலாம் என்பதைக் காட்டுகிறோம். இந்த ஆய்வில், ஃபஸ்ஸி ஐபிஇ திட்டங்களின் இரண்டு கட்டமைப்புகளை நாங்கள் முன்வைக்கிறோம். நமது கட்டுமானங்களை ஒரு (மோசமான) அடையாளத்தை உருவாக்கும் பல பண்புகளின் கீழ் ஒரு செய்தியின் அடையாள அடிப்படையிலான குறியாக்கமாக பார்க்கலாம். நமது ஐபிஇ திட்டங்கள் பிழை-சகிப்புத்தன்மை கொண்டவை மற்றும் சதித் தாக்குதல்களுக்கு எதிராக பாதுகாப்பானவை. கூடுதலாக, நமது அடிப்படை கட்டமைப்பு தற்செயலான கணிப்புகளைப் பயன்படுத்துவதில்லை. தேர்ந்தெடுக்கப்பட்ட அடையாள பாதுகாப்பு மாதிரியின் கீழ் எங்கள் திட்டங்களின் பாதுகாப்பை நிரூபிக்கிறோம். |
b3baba6c34a2946b999cc0f6be6bb503d303073e | இந்த ஆய்வில் மாற்றியமைக்கப்பட்ட கொல்மோகோரோவ்-ஸ்மிர்னோவ் (KS) சோதனை அடிப்படையில் ரிசீவர் இயக்க பண்பு (ROC) வளைவுகளின் சமநிலைக்கான எளிய, அளவுரு அல்லாத மற்றும் பொதுவான சோதனை விவரிக்கப்பட்டுள்ளது. ROC வளைவின் கீழ் உள்ள பகுதி (AUC) மற்றும் நைமன்-பியர்சன் முறை போன்ற பொதுவாகப் பயன்படுத்தப்படும் நுட்பங்களுடன் சோதனை விவரிக்கப்பட்டுள்ளது. ஒரு வகைப்படுத்தியால் கணித்த வகுப்பு லேபிள்கள் தோராயமாக இருப்பதை விட சிறந்தவை அல்ல என்ற பூஜ்ய கருதுகோளை சோதிக்க கே.எஸ் சோதனை எவ்வாறு பயன்படுத்தப்படுகிறது என்பதை முதலில் மதிப்பாய்வு செய்கிறோம். பின்னர் நாம் ஒரு இடைவெளி வரைபட நுட்பத்தை முன்மொழிகிறோம், இது இரண்டு வகைப்படுத்திகளுக்கு சமமான ROC வளைவுகள் இருப்பதாக பூஜ்ய கருதுகோளை சோதிக்க இரண்டு KS சோதனைகளைப் பயன்படுத்த அனுமதிக்கிறது. இந்த சோதனை, ஒரு வளைவு மற்றொன்றை ஆதிக்கம் செலுத்தும்போது, வளைவுகள் குறையும்போது, AUC ஆல் வேறுபடுத்தப்படாதபோது, வெவ்வேறு ROC வளைவுகளை வேறுபடுத்துகிறது என்பதை நாங்கள் நிரூபிக்கிறோம். இடைவெளி வரைபட நுட்பம் அதன் வரம்புகள் இருந்தாலும், AUC வகைப்படுத்தி செயல்திறன் ஒரு மாதிரி-சுயாதீனமான மற்றும் ஒருங்கிணைந்த அளவீடு இருக்க முடியும் என்பதை நிரூபிக்க பயன்படுத்தப்படுகிறது. |
090f4b588ba58c36a21eddd67ea33d59614480c1 | எனது அணுகுமுறைகள் ஒரு ஆழமற்ற பேச்சு மாதிரியையும், அகராதி அறிவுத் தளத்திலிருந்து பெறப்பட்ட ஆவிக்குரிய தகவல்களையும் நம்பியுள்ளன. நான் எப்படி வாக்கியம் மற்றும் ஆப்ஸிடிவ் எல்லைகளை நம்பகமான முறையில் தீர்மானிக்க முடியும் என்பதைக் காட்டுகிறேன் உள்ளூர் சூழலை அடிப்படையாகக் கொண்ட ஒரு முடிவெடுக்கும் நடைமுறையைப் பயன்படுத்தி, பகுதி-பேச்சு குறிச்சொற்கள் மற்றும் பெயர்ச்சொல் துண்டுகளால் பிரதிநிதித்துவம் செய்யப்படுகிறது. பின்னர், எளிமைப்படுத்தும் செயல்பாட்டின் போது, சொல்லாட்சிக்கும் உரையிடத்திற்கும் இடையில் ஏற்படும் தொடர்புகளை நான் முறையாகக் கூறுகிறேன். இது முக்கியமானது, ஏனென்றால் ஒரு உரையை பரந்த பார்வையாளர்களுக்கு அணுகக்கூடிய வகையில் செய்முறை எளிமைப்படுத்தலின் பயன், மறு எழுதப்பட்ட உரைக்கு ஒருங்கிணைப்பு இல்லாவிட்டால் குறைக்கப்படலாம். வாக்கிய வரிசைப்படுத்தல், குறிப்பு-சொல் தேர்வு, குறிப்பு-வெளிப்பாடு தலைமுறை, தீர்மானிக்கும் தேர்வு மற்றும் பிரதிபெயர் பயன்பாடு போன்ற பல்வேறு தலைமுறை சிக்கல்களை எவ்வாறு தீர்க்க முடியும் என்பதை நான் விவரிக்கிறேன். இதனால், தொடரியல் எளிமைப்படுத்தலின் போது இணைப்பு மற்றும் அனாஃபோரிக் ஒத்திசைவு-உறவுகளை பாதுகாக்க முடியும். எழுத்துரு எளிமைப்படுத்தல் செய்ய, நான் பல்வேறு இயற்கை மொழி செயலாக்க சிக்கல்களை தீர்க்க வேண்டியிருந்தது, இதில் பிரிவு மற்றும் ஆப்சிட்டிவ் அடையாளம் மற்றும் இணைப்பு, பிரதிபெயர் தீர்மானம் மற்றும் குறிப்பு-வெளிப்பாடு தலைமுறை. ஒவ்வொரு சிக்கலையும் தீர்க்கும் என் அணுகுமுறைகளை நான் தனித்தனியாக மதிப்பீடு செய்கிறேன், மேலும் எனது தொடரியல் எளிமைப்படுத்தல் முறையின் முழுமையான மதிப்பீட்டை முன்வைக்கிறேன். ஒரு உரையின் இலக்கண சிக்கலைக் குறைக்கும் செயல்முறையாகும், அதே நேரத்தில் அதன் தகவல் உள்ளடக்கம் மற்றும் அர்த்தத்தை தக்க வைத்துக் கொள்ளும் செயல்முறையாகும். ஒழுங்கமைவு எளிமைப்படுத்தலின் நோக்கம், மனித வாசகர்களுக்கு உரையை எளிதாகப் புரிந்துகொள்வதாகும், அல்லது நிரல்களால் செயலாக்கப்படுகிறது. இந்த ஆய்வறிக்கையில், அடுக்கு வலுவான பகுப்பாய்வு, கைவினைப்பொருள் எளிமைப்படுத்தும் விதிகள் மற்றும் உரைகளை உரை ரீதியாக மாற்றியமைப்பதற்கான பேச்சு மட்ட அம்சங்களின் விரிவான பகுப்பாய்வு ஆகியவற்றைப் பயன்படுத்தி எவ்வாறு தொடரியல் எளிமைப்படுத்தலை அடைய முடியும் என்பதை நான் விவரிக்கிறேன். நான் உறவினர் விதிமுறைகள், apposition, ஒருங்கிணைப்பு மற்றும் கீழ்நிலை ஒரு சிகிச்சை வழங்குகின்றன. நான் உறவினர் விதிமுறை மற்றும் ஆப்ஸிடிவ் இணைப்புக்கான புதிய நுட்பங்களை முன்வைக்கிறேன். இந்த இணைப்பு முடிவுகள் வெறுமனே சொற்றொடர்பு அல்ல என்று நான் வாதிடுகிறேன். |
a9a7168b5b45fcf63e7f8904f68f6a90f8062443 | |
6d7c6c8828c7ac91cc74a79fdc06b5783102a784 | இந்த கட்டுரை, முன்னர் Satimo என அழைக்கப்பட்ட Microwave Vision என்ற நிறுவனத்தின் சுகாதார தொடர்பான பயன்பாடுகளை நோக்கிய செயல்பாடுகளை பற்றிய ஒரு கண்ணோட்டத்தை தருகிறது. குறிப்பிட்ட உறிஞ்சுதல் விகிதம் (SAR) அளவீட்டு மற்றும் RF பாதுகாப்பு ஆகியவற்றின் அடிப்படையில் தற்போதுள்ள தயாரிப்புகள் விரிவாக விவரிக்கப்பட்டுள்ளன. மைக்ரோவேவ் அலைகளை பயன்படுத்தி மார்பக நோய்க்குறியீடுகளை கண்டறியும் புதிய இமேஜிங் முறையின் வளர்ச்சி பற்றிய அறிக்கை விரைவில் வெளியிடப்படும். |
0c1a55e0e02c1dbf6cf363ec022ca17925586e16 | கண்காணிக்கப்படும் பொருள்களை அடையாளம் காண்பது, காற்று, மேற்பரப்பு மற்றும் மேற்பரப்பின் கீழ் (கடல்), மற்றும் நிலப்பரப்பு சூழல்களுக்கான தானியங்கி கண்காணிப்பு மற்றும் தகவல் அமைப்புகளின் முக்கிய திறன் ஆகும், இது சூழ்நிலை விழிப்புணர்வை மேம்படுத்துகிறது மற்றும் செயல்பாட்டு பயனர்களுக்கு முடிவெடுக்கும் ஆதரவை வழங்குகிறது. பேயஸியன் அடிப்படையிலான அடையாள தரவுகளை இணைக்கும் செயல்முறை (IDCP) பல்வேறு ஆதாரங்களில் இருந்து நிச்சயமற்ற அடையாள அறிகுறிகளை இணைப்பதற்கான ஒரு சிறந்த கருவியை வழங்குகிறது. செயல்முறை கட்டமைப்பிற்கு ஒரு பயனர் சார்ந்த அணுகுமுறை அறிமுகப்படுத்தப்படுகிறது, இது மாறுபட்ட செயல்பாட்டு சூழ்நிலைகளில் மாறிவரும் அடையாள தேவைகளுக்கு ஐடிசிபியை மாற்றியமைக்க ஆபரேட்டர்களுக்கு உதவுகிறது. அறிவாற்றல் உளவியல் மற்றும் முடிவெடுக்கும் கோட்பாட்டிலிருந்து வரும் முடிவுகளின் பயன்பாடு பேய்சியன் தரவை மீட்டெடுப்பதற்கு நல்ல அணுகலை வழங்குகிறது மற்றும் செயல்பாட்டு நிபுணர்களுக்கு கட்டமைப்பை எளிதில் சாத்தியமாக்குகிறது. |
2636bff7d3bdccf9b39c5e1e7d86a77690f1c07d | ஊக்கக் கற்றலில் (Refinishment Learning (RL)) மதிப்பெண்களை வழங்குவது என்பது முக்கியமான ஆனால் சவாலான பிரச்சினையை சமாளிக்க வெகுமதி வடிவமைத்தல் மிகவும் பயனுள்ள முறைகளில் ஒன்றாகும். இருப்பினும், வடிவமைக்கும் செயல்பாடுகளை வடிவமைப்பது பொதுவாக அதிக நிபுணத்துவ அறிவு மற்றும் கை பொறியியல் தேவைப்படுகிறது, மேலும் தீர்க்கப்பட வேண்டிய பல ஒத்த பணிகள் இருப்பதால் சிரமங்கள் மேலும் மோசமடைகின்றன. இந்த ஆய்வில், பணிகளின் விநியோகத்தில் வெகுமதி வடிவமைப்பை நாங்கள் கருதுகிறோம், மேலும் புதிய மாதிரி பணிகளில் திறமையான வெகுமதி வடிவமைப்பை தானாகவே கற்றுக்கொள்ள ஒரு பொதுவான மெட்டா-கற்றல் கட்டமைப்பை முன்மொழிகிறோம், பகிரப்பட்ட மாநில இடத்தை மட்டுமே கருதி, ஆனால் அவசியமாக நடவடிக்கை இடம் இல்லை. முதலில் நாம் கோட்பாட்டளவில் உகந்த வெகுமதி வடிவமைப்பை பெறுகிறோம். பின்னர் நாம் ஒரு மதிப்பு அடிப்படையிலான மெட்டா-கற்றல் வழிமுறையை முன்மொழிகிறோம் சிறந்த வெகுமதி வடிவமைப்பிற்கு மேல் ஒரு பயனுள்ள முன்னுரிமையை பிரித்தெடுக்க. முன்னர் புதிய பணிகளுக்கு நேரடியாகப் பயன்படுத்தப்படலாம், அல்லது சில சாய்வு புதுப்பிப்புகளுக்குள் பணியைத் தீர்க்கும்போது, பணி-பின்வருபவருக்கு நிரூபிக்கக்கூடிய வகையில் மாற்றியமைக்கப்படலாம். கற்றல் செயல்திறன் மற்றும் விளக்கக்கூடிய காட்சிப்படுத்தல்கள் ஆகியவற்றின் மூலம் பல்வேறு அமைப்புகளில் எங்கள் வடிவமைப்பின் செயல்திறனை நாங்கள் நிரூபிக்கிறோம், குறிப்பாக DQN இலிருந்து DDPG க்கு வெற்றிகரமாக மாற்றம். |
0309ec1f0e139cc10090c4fefa08a83a2644530a | |
42771aede47980ae8eeebac246c7a8b941d11414 | தனிப்பயனாக்கப்பட்ட இணையத் தேடலை மேம்படுத்த தேடல் முடிவுகளை மாறுபடுத்துவதற்கான முறைகளை நாங்கள் முன்வைத்து மதிப்பீடு செய்கிறோம். ஒரு பொதுவான தனிப்பயனாக்க அணுகுமுறை, முதல் N தேடல் முடிவுகளை மறுசீரமைப்பதை உள்ளடக்கியது, இதனால் பயனரால் விரும்பப்படும் ஆவணங்கள் உயர்ந்த இடத்தில் வழங்கப்படுகின்றன. மறு தரவரிசைப்படுத்தலின் பயன் பகுதியாக கருதப்பட்ட முடிவுகளின் எண்ணிக்கை மற்றும் பன்முகத்தன்மையால் வரையறுக்கப்படுகிறது. சிறந்த முடிவுகளின் பன்முகத்தன்மையை அதிகரிக்கவும், இந்த முறைகளின் செயல்திறனை மதிப்பீடு செய்யவும் மூன்று முறைகளை நாங்கள் முன்மொழிகிறோம். |
22a8979b53315fad7f98781328cc0326b5147cca | ஒரு செயற்கை நரம்பியல் நெட்வொர்க் அடிப்படையிலான ஒருங்கிணைப்பு மாதிரி ஒரு-ஊட்ட வட்ட-துருவப்படுத்தப்பட்ட சதுர மைக்ரோஸ்ட்ரிப் ஆண்டெனா (சிபிஎஸ்எம்ஏ) வடிவமைப்பிற்காக முறுக்கப்பட்ட மூலைகளுடன் முன்மொழியப்பட்டுள்ளது. பயிற்சி தரவுத் தொகுப்புகளைப் பெறுவதற்கு, சதுர மைக்ரோஸ்ட்ரிப் ஆண்டெனாக்களின் அதிர்வு அதிர்வெண் மற்றும் Q- காரணி அனுபவ சூத்திரங்களின் மூலம் கணக்கிடப்படுகின்றன. பின்னர் குறுக்கிடப்பட்ட மூலைகளின் அளவு மற்றும் சிறந்த அச்சு விகிதத்துடன் செயல்படும் அதிர்வெண் பெறப்படுகிறது. லெவன்பெர்க்-மார்கார்ட் (LM) வழிமுறையைப் பயன்படுத்தி, ஒரு துல்லியமான தொகுப்பு மாதிரியை அடைய மூன்று மறைக்கப்பட்ட அடுக்கு நெட்வொர்க் பயிற்சி அளிக்கப்படுகிறது. இறுதியாக, இந்த மாதிரி அதன் முடிவுகளை மின்காந்த உருவகப்படுத்துதல் மற்றும் அளவீடுகளுடன் ஒப்பிடுவதன் மூலம் சரிபார்க்கப்படுகிறது. இது அண்டெனா பொறியாளர்களுக்கு நேரடியாக துண்டிக்கப்பட்ட மூலைகளுடன் ஒற்றை-உணவு CPSMA இன் பேட்ச் இயற்பியல் பரிமாணங்களை பெறுவதற்கு மிகவும் பயனுள்ளதாக இருக்கும். |
93f962a46b24030bf4486a77b282f567529e7782 | இந்த ஆவணம் ஒரு சிறிய மற்றும் சக்தி திறன் கொண்ட 5 Ghz இன்-பேண்ட் முழு இரட்டை (FD) வடிவமைப்பை ANSYS HFSS இல் 180 டிகிரி ரிங் ஹைப்ரிட் கப்லரைப் பயன்படுத்தி வழங்குகிறது. முன்மொழியப்பட்ட வடிவமைப்பு 57dB ஒரு சிறந்த தனிமைப்படுத்தல் அடைய இரண்டு கதிர்வீச்சு ஆண்டெனாக்கள் இணைப்பு இணைக்கப்பட்ட இடையே அழிவு தலையீடு பயன்படுத்தி, சுய தலையீடு ஒரு பெரிய குறைப்பு வழிவகுக்கும். இந்த வடிவமைப்பு செயலற்றது, எனவே, தகவமைப்பு சேனல் மதிப்பீட்டிற்கான கூடுதல் சக்தி தேவையை மீறுகிறது. கூடுதலாக, இது விரும்பிய இயக்க அதிர்வெண் மிகவும் வேலை செய்யக்கூடிய ஒரு இயற்பியல் அளவைக் கொண்டுள்ளது. எனவே, முன்மொழியப்பட்ட எஃப்.டி. வடிவமைப்பு சிறியதாகவும், ஆற்றல் திறன் மிக்கதாகவும் உள்ளது. இது செல்போன்கள் அல்லது டேப்லெட்/பேப்லெட் சாதனங்கள் போன்ற மொபைல் சாதனங்களில் பயன்படுத்தப்படலாம். |
023cc7f9f3544436553df9548a7d0575bb309c2e | இந்த ஆவணம், உரை வகைப்படுத்தலுக்கான எளிய மற்றும் திறமையான அடிப்படைக் கோட்டை ஆராய்கிறது. நமது சோதனைகள் நமது வேகமான உரை வகைப்படுத்தி fastText என்பது துல்லியத்தின் அடிப்படையில் ஆழமான கற்றல் வகைப்படுத்திகளுடன் சமமாக இருப்பதையும், பயிற்சி மற்றும் மதிப்பீட்டிற்காக பல அளவுகளை விட வேகமாக இருப்பதையும் காட்டுகிறது. நாம் ஒரு பில்லியன் சொற்களுக்கு மேல் fastText பயிற்சி தரமான பலகோள CPU பயன்படுத்தி பத்து நிமிடங்களுக்குள் குறைவாக, மற்றும் 312K வகுப்புகள் இடையே அரை மில்லியன் வாக்கியங்களை வகைப்படுத்தி ஒரு நிமிடத்திற்குள். |
d80e7da055f9c25e29f732d0a829daf172eb1fa0 | இந்த கட்டுரை, சுகாதார சேவை வழங்கல் மற்றும் அமைப்பில் புதுமைகளை எவ்வாறு பரப்புவது மற்றும் நிலைநிறுத்துவது என்ற கேள்வியை உரையாற்றும் ஒரு விரிவான இலக்கிய மதிப்பாய்வை சுருக்கமாகக் கூறுகிறது. இது உள்ளடக்கம் (நிறுவனங்களில் புதுமை பரவுவதை வரையறுத்தல் மற்றும் அளவிடுதல்) மற்றும் செயல்முறை (நூல்களை முறையான மற்றும் மீண்டும் மீண்டும் செய்யக்கூடிய முறையில் மதிப்பாய்வு செய்தல்) இரண்டையும் கருத்தில் கொண்டுள்ளது. இந்த கட்டுரை (1) சுகாதார சேவை அமைப்புகளில் புதுமைகளின் பரவலைக் கருத்தில் கொள்வதற்கான ஒரு தாராளமான மற்றும் ஆதார அடிப்படையிலான மாதிரியைப் பற்றி விவாதிக்கிறது, (2) கூடுதல் ஆராய்ச்சி கவனம் செலுத்த வேண்டிய தெளிவான அறிவு இடைவெளிகள், மற்றும் (3) சுகாதார சேவை கொள்கை மற்றும் நிர்வாகத்தை முறையாக மதிப்பாய்வு செய்வதற்கான வலுவான மற்றும் மாற்றக்கூடிய முறை. இந்த மாதிரி மற்றும் முறை ஆகிய இரண்டும் பல்வேறு சூழல்களில் பரவலாக சோதிக்கப்பட வேண்டும். |
3343d1d78f2a14045b52b71428efaf43073d616d | நோக்கம் அதிகரிக்கும் உடல் பருமன் விகிதங்கள் ஆற்றல் மிகுந்த உணவுகளை உட்கொள்வதோடு தொடர்புபடுத்தப்பட்டுள்ளன. உணவுப் பருப்பிலிருந்து கிடைக்கும் ஆற்றல் அடர்த்தி உடல் பருமன் மற்றும் இன்சுலின் எதிர்ப்பு மற்றும் வளர்சிதை மாற்ற நோய்க்குறி உள்ளிட்ட இதனுடன் தொடர்புடைய கோளாறுகளுடன் தொடர்புடையதா என்பதை நாங்கள் ஆய்வு செய்தோம். ஆராய்ச்சி வடிவமைப்பு மற்றும் முறைகள் 1999-2002 தேசிய சுகாதாரம் மற்றும் ஊட்டச்சத்து பரிசோதனை கணக்கெடுப்பிலிருந்து > அல்லது =20 வயதுடைய அமெரிக்க பெரியவர்களின் தேசிய பிரதிநிதித்துவ தரவைப் பயன்படுத்தி ஒரு குறுக்குவெட்டு ஆய்வை நாங்கள் நடத்தினோம் (n = 9,688). உணவுப் பொருட்களின் அடிப்படையில் மட்டுமே உணவுப் பொருட்களின் ஆற்றல் அடர்த்தி கணக்கிடப்பட்டது. உணவுப் பொருட்களின் ஆற்றல் அடர்த்தி, உடல் பருமன் (BMI [கிலோ மீட்டர் சதுரத்திற்கு கிலோ] மற்றும் இடுப்பு சுற்றளவு [சென்டிமீட்டரில்]), இரத்த சர்க்கரை அல்லது இன்சுலீமியா ஆகியவற்றுக்கு இடையேயான சுயாதீனமான தொடர்பை தீர்மானிக்க பல மாறுபாடு கொண்ட நேரியல் பின்னடைவு மாதிரிகள் தொடர்ச்சியைப் பயன்படுத்தினோம். தேசிய கொழுப்பு மற்றும் கல்வித் திட்டத்தின் (வயது வந்தோருக்கான சிகிச்சை குழு III) வரையறையின்படி உணவுப் பொருட்களின் ஆற்றல் அடர்த்திக்கும் வளர்சிதை மாற்ற நோய்க்குறிக்கும் இடையிலான சுயாதீனமான தொடர்பைத் தீர்மானிக்க பல மாறிகள் கொண்ட புவோசன் பின்னடைவு மாதிரிகளைப் பயன்படுத்தினோம். முடிவுகள் உணவுப் பருப்பிலுள்ள ஆற்றல் அடர்த்தி சுயாதீனமாகவும், பெண்களில் அதிகமான BMI உடன் தொடர்புடையதாகவும் இருந்தது (பெட்டா = 0. 44 [95% CI 0. 14- 0. 73]) மற்றும் ஆண்களில் ஒரு குறிப்பிடத்தக்க தொடர்பு நோக்கி (பெட்டா = 0. 37 [- 0. 007 முதல் 0. 74], P = 0. 054). பெண்களிலும் ஆண்களிலும் (பெட்டா = 1. 11 [0. 42- 1. 80]) அதிக இடுப்பு சுற்றளவுடன் உணவு ஆற்றல் அடர்த்தி தொடர்புடையது (பெட்டா = 1. 33 [0. 46- 2. 19]) உணவுப் பருவத்தில் உள்ள ஆற்றல் அடர்த்தி அதிகரித்த உண்ணாவிரத இன்சுலின் (பெட்டா = 0. 65 [0. 18 - 1. 12]) மற்றும் வளர்சிதை மாற்ற நோய்க்குறி (அதிகரிப்பு விகிதம் = 1. 10 [95% ஐசி 1. 03- 1. 17]) ஆகியவற்றுடன் சுயாதீனமாக தொடர்புடையதாக இருந்தது. முடிவுக்கு உணவு ஆற்றல் அடர்த்தி என்பது உடல் பருமன், அதிகரித்த உண்ணாவிரத இன்சுலின் அளவு, மற்றும் அமெரிக்க பெரியவர்களில் வளர்சிதை மாற்ற நோய்க்குறி ஆகியவற்றின் ஒரு சுயாதீனமான முன்னறிவிப்பாளராகும். உணவுப் பொருட்களில் உள்ள ஆற்றல் அடர்த்தியைக் குறைப்பதற்கான தலையீட்டு ஆய்வுகள் தேவைப்படுகின்றன. |
3e597e492c1ed6e7bbd539d5f2e5a6586c6074cd | பெரும்பாலான நரம்பியல் இயந்திர மொழிபெயர்ப்பு (NMT) மாதிரிகள் தொடர்ச்சியான குறியாக்கி-டீகோடர் கட்டமைப்பை அடிப்படையாகக் கொண்டவை, இது தொடரியல் தகவலைப் பயன்படுத்தாது. இந்த ஆய்வில், மூல-பக்க தொடரியல் மரங்களை வெளிப்படையாக இணைப்பதன் மூலம் இந்த மாதிரியை மேம்படுத்துகிறோம். மேலும் குறிப்பாக, (1) ஒரு இரு திசை மர குறியீட்டாளர், இது தொடர்ச்சியான மற்றும் மர கட்டமைக்கப்பட்ட பிரதிநிதித்துவங்களைக் கற்றுக்கொள்கிறது; (2) ஒரு மரம்-அடைவு மாதிரி, கவனத்தை மூல-பக்க தொடரியல் சார்ந்து இருக்க அனுமதிக்கிறது. சீன-ஆங்கில மொழிபெயர்ப்பு பற்றிய பரிசோதனைகள், எங்கள் முன்மொழியப்பட்ட மாதிரிகள் தொடர்ச்சியான கவனம் செலுத்தும் மாதிரியை விடவும், கீழ்நோக்கி மர குறியீட்டாளர் மற்றும் வார்த்தை கவரேஜ் கொண்ட வலுவான அடிப்படைக் கோட்டையும் விடவும் சிறப்பாக செயல்படுகின்றன என்பதைக் காட்டுகின்றன. |
4e88de2930a4435f737c3996287a90ff87b95c59 | வரிசைத் தகவல்களை காலப்போக்கில் பாதுகாக்கும் அவர்களின் உயர்ந்த திறன் காரணமாக, நீண்ட குறுகிய கால நினைவக (எல்எஸ்டிஎம்) நெட்வொர்க்குகள், ஒரு வகை தொடர்ச்சியான நரம்பியல் நெட்வொர்க், மிகவும் சிக்கலான கணக்கீட்டு அலகுடன், பலவிதமான வரிசை மாதிரியை உருவாக்கும் பணிகளில் வலுவான முடிவுகளைப் பெற்றுள்ளன. இதுவரை ஆராயப்பட்ட ஒரே அடிப்படை LSTM அமைப்பு ஒரு நேரியல் சங்கிலி ஆகும். இருப்பினும், இயற்கை மொழி சொற்களஞ்சிய பண்புகளை வெளிப்படுத்துகிறது, இது இயற்கையாகவே சொற்களை சொற்றொடர்களுடன் இணைக்கும். மர-எல்எஸ்எம், மர-கட்டமைக்கப்பட்ட நெட்வொர்க் டோபோலஜிகளுக்கு எல்எஸ்எம்எஸ் பொதுமயமாக்கல் அறிமுகப்படுத்துகிறோம். TreeLSTMகள் அனைத்து தற்போதைய அமைப்புகளையும் வலுவான LSTM அடிப்படைக் கோடுகளையும் இரண்டு பணிகளில் முந்தைய செயல்திறனை விட சிறப்பாக செய்கின்றனஃ இரண்டு வாக்கியங்களின் சொற்பொருள் தொடர்பை கணித்தல் (SemEval 2014, Task 1) மற்றும் உணர்வு வகைப்பாடு (ஸ்டான்போர்ட் உணர்வு ட்ரீபேங்க்). |
6411da05a0e6f3e38bcac0ce57c28038ff08081c | பொருள் சார்ந்த பிரதிநிதித்துவங்கள் நீண்ட காலமாக அர்த்தம் பாதுகாப்பதை வலுப்படுத்துவதற்கும் இயந்திர மொழிபெயர்ப்பு முறைகளின் பொதுமைப்படுத்தல் செயல்திறனை மேம்படுத்துவதற்கும் பயனுள்ளதாக இருக்கும் என்று வாதிடப்படுகிறது. இந்த பணியில், மூல வாக்கியங்களின் (அதாவது, சொற்பொருள்-பங்கு பிரதிநிதித்துவங்கள்) பிரதிநிதித்துவத்தின் பிரதிநிதித்துவ அமைப்பு பற்றிய தகவல்களை நரம்பியல் இயந்திர மொழிபெயர்ப்பில் சேர்த்த முதல் நபர்கள் நாங்கள். ஆங்கிலம்-ஜெர்மன் மொழி ஜோடி மீது மொழியியல்-அக்னோஸ்டிக் மற்றும் syntaxaware பதிப்புகளில் BLEU மதிப்பெண்களில் முன்னேற்றங்களை அடைவதற்கு, சொற்றொடர் குறியீட்டாளர்களுக்கு ஒரு சொற்பொருள் சார்பு ஊசி போட கிராஃப் கன்வோல்ஷனல் நெட்வொர்க்குகள் (GCNs) பயன்படுத்துகிறோம். |
9f291ce2d0fc1d76206139a40a859283674d8f65 | குறியாக்கி-வெளியீட்டாளர் கட்டமைப்பை அடிப்படையாகக் கொண்ட நரம்பியல் இயந்திர மொழிபெயர்ப்பு (என்எம்டி) சமீபத்தில் அதிநவீன செயல்திறனை அடைந்துள்ளது. மூலப் பக்க சொற்றொடர் கட்டமைப்பை இணைப்பதன் மூலம் சொற்களின் கவனத்தை சொற்றொடர் மட்டத்திற்கு விரிவுபடுத்துவதன் மூலம் கவன மாதிரி மேம்படுத்தப்பட்டு நம்பிக்கைக்குரிய முன்னேற்றத்தை அடைய முடியும் என்பதை ஆராய்ச்சியாளர்கள் நிரூபித்துள்ளனர். இருப்பினும், ஒரு மூல வாக்கியத்தை சரியாகப் புரிந்துகொள்வதற்கு முக்கியமானதாக இருக்கும் வார்த்தை சார்புகள் எப்போதும் தொடர்ச்சியான முறையில் இல்லை (அதாவது. சில நேரங்களில் அவை நீண்ட தூரத்தில் இருக்கலாம். நீண்ட தூர சார்புகளை வெளிப்படையாக மாதிரியாகக் காட்ட சொற்றொடர் கட்டமைப்புகள் சிறந்த வழி அல்ல. இந்த ஆய்வில், NMT யில் மூல-பக்க நீண்ட தூர சார்புகளை இணைக்க எளிய ஆனால் பயனுள்ள முறையை முன்மொழிகிறோம். சார்பு மரங்களை அடிப்படையாகக் கொண்ட நமது முறை ஒவ்வொரு மூல நிலையையும் உலகளாவிய சார்பு கட்டமைப்புகளுடன் வளப்படுத்துகிறது, இது மூல வாக்கியங்களின் உள்ளார்ந்த தொடரியல் கட்டமைப்பை சிறப்பாகப் பிடிக்க முடியும். சீன-ஆங்கிலம் மற்றும் ஆங்கிலம்-ஜப்பானிய மொழிபெயர்ப்பு பணிகள் குறித்த பரிசோதனைகள், நமது முன்மொழியப்பட்ட முறை, அதிநவீன SMT மற்றும் NMT அடிப்படைகளை விட சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகிறது. |
d12c173ea92fc33dc276d1da90dc72a660f7ea12 | இணைக்கப்பட்ட தரவுகளின் முக்கிய நோக்கம் இணைப்பு மற்றும் ஒருங்கிணைப்பு ஆகும், மேலும் இந்த இலக்கை எட்டியுள்ளதா என்பதை மதிப்பீடு செய்வதற்கான ஒரு முக்கிய படி, இணைக்கப்பட்ட திறந்த தரவு (LOD) கிளவுட் தரவுத்தொகுப்புகளுக்கு இடையிலான அனைத்து இணைப்புகளையும் கண்டுபிடிப்பதாகும். இரண்டு அல்லது அதற்கு மேற்பட்ட தரவுத்தொகுப்புகளுக்கு இடையிலான இணைப்பு பொதுவான நிறுவனங்கள், முப்பரிமாணங்கள், இலக்கியங்கள் மற்றும் திட்ட கூறுகள் மூலம் அடையப்படலாம், அதே நேரத்தில் URI களுக்கு இடையிலான சமமான உறவுகளின் காரணமாக அதிக இணைப்புகள் ஏற்படலாம், அதாவது owl:sameAs, owl:equivalentProperty மற்றும் owl:equivalentClass, பல வெளியீட்டாளர்கள் அத்தகைய சமமான உறவுகளைப் பயன்படுத்துவதால், அவர்களின் URI கள் மற்ற தரவுத்தொகுப்புகளின் URI களுடன் சமமானவை என்று அறிவிக்கப்படுகின்றன. இருப்பினும், இரண்டு தரவுத்தொகுப்புகளை விட அதிகமான இணைப்பு அளவீடுகள் (மற்றும் குறியீடுகள்) கிடைக்கவில்லை, அவை தரவுத்தொகுப்புகளின் முழு உள்ளடக்கத்தையும் (எ. கா. நிறுவனங்கள், ஸ்கீமா, மூன்று) அல்லது ஸ்லைஸ் (எ. கா. ஒரு குறிப்பிட்ட நிறுவனத்திற்கான மூன்று) உள்ளடக்கியது, இருப்பினும் அவை தகவல் செறிவூட்டல், தரவுத்தொகுப்பு கண்டுபிடிப்பு மற்றும் பல போன்ற பல உண்மையான உலக பணிகளுக்கு முதன்மை முக்கியத்துவம் வாய்ந்தவை. பொதுவாக, தரவுத் தொகுப்புகளுக்கு இடையேயான இணைப்புகளைக் கண்டறிவது எளிதான பணி அல்ல, ஏனெனில் ஏராளமான LOD தரவுத் தொகுப்புகள் உள்ளன, மேலும் இணைப்புகளைத் தவறவிடாமல் இருப்பதற்காக சமமான உறவுகளின் மாற்றம் மற்றும் சமச்சீர் மூடல் கணக்கிடப்பட வேண்டும். இந்த காரணத்திற்காக, நாம் அளவிடக்கூடிய முறைகள் மற்றும் வழிமுறைகளை அறிமுகப்படுத்துகிறோம், (அ) சமமான உறவுகளுக்கான மாற்றம் மற்றும் சமச்சீரற்ற மூடலின் கணக்கீட்டைச் செய்வதற்கு (அவை தரவுத்தளங்களுக்கு இடையே அதிக இணைப்புகளை உருவாக்க முடியும் என்பதால்); (ஆ) தரவுத்தளங்களின் முழு உள்ளடக்கத்தையும் உள்ளடக்கிய பிரத்யேக உலகளாவிய சொற்பொருள்-அறிவு குறியீடுகளை உருவாக்குவதற்கு; மற்றும் (இ) இரண்டு அல்லது அதற்கு மேற்பட்ட தரவுத்தளங்களுக்கு இடையிலான இணைப்பை அளவிடுவதற்கு. இறுதியாக, முன்மொழியப்பட்ட அணுகுமுறையின் வேகத்தை மதிப்பீடு செய்கிறோம், அதே நேரத்தில் இரண்டு பில்லியன் மூன்று மடங்குகளுக்கு மேல் ஒப்பீட்டு முடிவுகளை நாங்கள் அறிக்கையிடுகிறோம். |
d6020bdf3b03f209174cbc8fb4ecbe6208eb9ff1 | முதலாவது ஆசிரியரின் ஆராய்ச்சி வாழ்க்கை பற்றிய பின்னோக்கிப் பார்க்கும் சிந்தனையுடன் தொடங்குகிறோம், இது பெரும்பாலும் நிறுவன மாற்றத்திற்கான தகவல் தொழில்நுட்பத்தின் (IT) தாக்கங்கள் பற்றிய ஆராய்ச்சிக்கு அர்ப்பணிக்கப்பட்டுள்ளது. நிறுவன மாற்றத்துடன் தகவல் தொழில்நுட்பம் நீண்ட காலமாக தொடர்புடையதாக இருந்தாலும், நிறுவனக் கோட்பாட்டில் தொழில்நுட்பத்தின் சிகிச்சையின் வரலாற்று ஆய்வு, நிறுவனங்களின் பொருள் சார்ந்த அம்சங்கள் கோட்பாட்டு வளர்ச்சியின் பின்னணியில் எவ்வளவு எளிதில் மறைந்துவிடும் என்பதைக் காட்டுகிறது. தகவல் தொழில்நுட்பத் திட்டங்களின் பொருள்சார் பண்புகள் அவற்றை மற்ற நிறுவன மாற்றத் திட்டங்களிலிருந்து வேறுபடுத்துவதால் இது ஒரு துரதிர்ஷ்டவசமான முடிவு. தகவல் தொழில்நுட்பம் பாதிப்பு பற்றிய ஆய்வுகளுக்கு அதன் முக்கியத்துவத்தை மீண்டும் கொண்டுவருவதே எமது நோக்கமாகும். நாம் ஒரு சமூக-தொழில்நுட்ப முன்னோக்கை ஏற்றுக்கொள்கிறோம், இது ஒரு கடுமையான சமூக-பொருளாதார முன்னோக்கிலிருந்து வேறுபடுகிறது, ஏனெனில் பொருள் கலைப்பொருட்களுக்கும் அவற்றின் சமூகப் பயன்பாட்டு சூழலுக்கும் இடையிலான ஆன்டாலஜிக வேறுபாட்டைப் பாதுகாக்க விரும்புகிறோம். சமூக-தொழில்நுட்ப கண்ணோட்டத்துடன் ஒத்துப்போகும் ஒரு உறவுக் கருத்தாக "பொருள்திறன்" என்ற கருத்தை பயன்படுத்தி எங்கள் பகுப்பாய்வு தொடர்கிறது. பின்னர், வழக்கமான நடைமுறைகள் எனப்படும் உற்பத்தி முறைமையில் பொருள் கலைப்பொருட்களை இணைக்கும் நிறுவன வழக்கமான கோட்பாட்டின் விரிவாக்கங்களை நாங்கள் முன்மொழிகிறோம். தகவல் தொழில்நுட்பத்தின் நிறுவன தாக்கங்கள் குறித்த ஆய்வில், முக்கியத்துவத்தை ஒரு புதிய ஆராய்ச்சி மையமாக ஏற்றுக்கொள்வதில் உள்ள பல சவால்களில் இரண்டை இந்த பங்களிப்புகள் எடுத்துக்காட்டுகின்றன. |
7039b7c97bd0e59693f2dc4ed7b40e8790bf2746 | நூல்கள் மற்றும் அறிவுத் தள (KB) நிறுவனங்களின் விநியோகிக்கப்பட்ட பிரதிநிதித்துவங்களை இணைந்து கற்றுக்கொள்ளும் ஒரு நரம்பியல் நெட்வொர்க் மாதிரியை நாங்கள் விவரிக்கிறோம். KB இல் உள்ள ஒரு உரையைக் கொடுத்தால், உரைக்கு பொருத்தமான நிறுவனங்களைக் கணிக்கும் வகையில் எங்கள் முன்மொழியப்பட்ட மாதிரியை பயிற்றுவிக்கிறோம். எமது மாதிரி பொதுவானதாக வடிவமைக்கப்பட்டுள்ளது பல்வேறு NLP பணிகளை எளிதாக கையாளும் திறன் கொண்டது. விக்கிபீடியாவில் இருந்து எடுக்கப்பட்ட ஒரு பெரிய அளவிலான நூல்கள் மற்றும் அவற்றின் நிறுவன குறிப்புகளை பயன்படுத்தி நாங்கள் மாதிரியை பயிற்றுவிக்கிறோம். மேற்பார்வை செய்யப்படாத மற்றும் மேற்பார்வை செய்யப்பட்ட அமைப்புகளை உள்ளடக்கிய மூன்று முக்கியமான என்.எல்.பி பணிகளில் (அதாவது, வாக்கிய உரை ஒற்றுமை, நிறுவன இணைப்பு மற்றும் உண்மை கேள்வி பதில்) மாதிரியை நாங்கள் மதிப்பீடு செய்தோம். இதன் விளைவாக, இந்த மூன்று பணிகளிலும் நாங்கள் மிகச்சிறந்த முடிவுகளை அடைந்தோம். நமது குறியீடு மற்றும் பயிற்சி பெற்ற மாதிரிகள் பொதுமக்களுக்கு கிடைக்கின்றன மேலும் கல்வி ஆராய்ச்சிக்கு. |
42f75b297aed474599c8e598dd211a1999804138 | ஆட்டோ கிளாஸ், ஒரு அணுகுமுறை என்று நாம் விவரிக்கிறோம் மேற்பார்வை செய்யப்படாத வகைப்படுத்தல் கிளாசிக்கல் கலவை மாதிரியின் அடிப்படையில், உகந்த வகுப்புகளை தீர்மானிக்க ஒரு பேயஸியன் முறையால் பூர்த்தி செய்யப்படுகிறது. ஆட்டோ கிளாஸ் அமைப்பின் பின்னால் உள்ள கணிதத்தின் மிதமான விரிவான விளக்கத்தை நாங்கள் சேர்க்கிறோம். தற்போதுள்ள எந்தவொரு கண்காணிக்கப்படாத வகைப்படுத்தல் முறையும் தனியாக இயங்கும்போது அதிகபட்ச பயனுள்ள முடிவுகளை உருவாக்க முடியாது என்பதை நாங்கள் வலியுறுத்துகிறோம். இது டொமைன் நிபுணர்களுக்கும், மாதிரி இடத்தை தேடும் இயந்திரத்திற்கும் இடையிலான தொடர்பு, இது புதிய அறிவை உருவாக்குகிறது. தரவுத்தள பகுப்பாய்வு பணிக்கு இருவரும் தனித்துவமான தகவல்களையும் திறன்களையும் கொண்டு வருகிறார்கள், ஒவ்வொருவரும் மற்றவர்களின் செயல்திறனை மேம்படுத்துகிறார்கள். சிக்கலான நிஜ உலக தரவுத்தளங்களுக்கு ஆட்டோ கிளாஸின் பல பயன்பாடுகளுடன் இந்த புள்ளியை விளக்குகிறோம், இதன் விளைவாக வெற்றிகளையும் தோல்விகளையும் விவரிக்கிறோம். 6.1 அறிமுகம் இந்த அத்தியாயம் தரவுத்தளங்களில் இருந்து பயனுள்ள தகவல்களை பிரித்தெடுக்க ஒரு தானியங்கி வகைப்படுத்தல் நிரலை (AutoClass) பயன்படுத்துவதில் எங்கள் அனுபவத்தின் சுருக்கமாகும். இது பொதுவாக தானியங்கி வகைப்படுத்தல் மற்றும் குறிப்பாக ஆட்டோ கிளாஸ் ஆகியவற்றின் அடிப்படைக் கொள்கைகளை கோடிட்டுக் காட்டுகிறது. லேபிளிடப்பட்ட உதாரணங்களிலிருந்து (கண்காணிக்கப்பட்ட கற்றல் என்று அழைக்கப்படும்) வகுப்புகளின் விளக்கங்களை உருவாக்குவதை விட, தரவுகளில் வகுப்புகளை தானாகவே கண்டுபிடிக்கும் சிக்கல் (சில நேரங்களில் கிளஸ்டரிங் அல்லது மேற்பார்வை செய்யப்படாத கற்றல் என்று அழைக்கப்படுகிறது) பற்றி நாங்கள் கவலைப்படுகிறோம். ஒரு விதத்தில், தானியங்கி வகைப்படுத்தல் தரவுகளில் உள்ள "இயற்கை" வகுப்புகளைக் கண்டறிவதை நோக்கமாகக் கொண்டுள்ளது. இந்த வகுப்புகள் சில வழக்குகள் மற்ற வழக்குகளை விட ஒருவருக்கொருவர் மிகவும் ஒத்ததாக இருக்கும் அடிப்படை காரண வழிமுறைகளை பிரதிபலிக்கின்றன. காரண வழிமுறைகள் தரவுகளில் மாதிரி சார்புகளைப் போலவே சலிப்பாக இருக்கலாம், அல்லது களத்தில் சில முக்கிய புதிய கண்டுபிடிப்புகளை மீண்டும் பெறலாம். சில நேரங்களில், இந்த வகுப்புகள் துறையில் நிபுணர்களுக்கு நன்கு தெரிந்திருந்தன, ஆனால் ஆட்டோ கிளாஸுக்கு தெரியாதவை, மற்ற நேரங்களில் |
32aea4c9fb9eb7cf2b6869efa83cf73420374628 | |
091778f43d947affb69dbccc2c3251abfa852ad2 | ஒரு சொற்பொருள் கோப்பு முறைமை என்பது ஒரு தகவல் சேமிப்பு முறையாகும், இது கோப்பு வகை குறிப்பிட்ட டிரான்ஸ்யூசர்களுடன் கோப்புகளிலிருந்து பண்புகளை தானாக பிரித்தெடுப்பதன் மூலம் கணினியின் உள்ளடக்கத்திற்கு நெகிழ்வான தொடர்பு அணுகலை வழங்குகிறது. இணைப்பு அணுகல் என்பது தற்போதுள்ள மர-கட்டமைக்கப்பட்ட கோப்பு முறைமை நெறிமுறைகளுக்கு ஒரு பழமைவாத நீட்டிப்பு மற்றும் உள்ளடக்க அடிப்படையிலான அணுகலுக்காக வடிவமைக்கப்பட்ட நெறிமுறைகளால் வழங்கப்படுகிறது. தற்போதுள்ள கோப்பு முறைமை நெறிமுறைகளுடன் இணக்கத்தன்மை ஒரு மெய்நிகர் அடைவு என்ற கருத்தை அறிமுகப்படுத்துவதன் மூலம் வழங்கப்படுகிறது. மெய்நிகர் அடைவு பெயர்கள் வினவல்களாக விளக்கப்படுகின்றன, இதனால் தற்போதுள்ள மென்பொருளுடன் இணக்கமான முறையில் கோப்புகள் மற்றும் அடைவுகளுக்கு நெகிழ்வான தொடர்பு அணுகலை வழங்குகின்றன. கோப்பு முறைமை பொருள்களின் முக்கிய பண்புகளை தானியங்கி முறையில் பிரித்தெடுத்து குறியீட்டு முறையில் கொண்டு விரைவான பண்பு அடிப்படையிலான கோப்பு முறைமை உள்ளடக்க அணுகல் செயல்படுத்தப்படுகிறது. கோப்புகள் மற்றும் அடைவுகளின் தானியங்கி குறியீட்டு முறை "சீராக்க" என்று அழைக்கப்படுகிறது, ஏனெனில் பயனர் நிரல்படுத்தக்கூடிய டிரான்ஸ்யூசர்கள் குறியீட்டு முறைக்கான பண்புகளை பிரித்தெடுக்க புதுப்பிக்கப்பட்ட கோப்பு முறைமை பொருள்களின் சொற்பொருள் பற்றிய தகவல்களைப் பயன்படுத்துகின்றன. ஒரு சொற்பொருள் கோப்பு முறைமை செயல்படுத்தலில் இருந்து பரிசோதனை முடிவுகள், தகவல் பகிர்வு மற்றும் கட்டளை நிலை நிரலாக்கத்திற்கான பாரம்பரிய மர கட்டமைக்கப்பட்ட கோப்பு முறைமைகளை விட சொற்பொருள் கோப்பு முறைமைகள் மிகவும் பயனுள்ள சேமிப்பக சுருக்கத்தை வழங்குகின்றன என்ற கருத்தை ஆதரிக்கின்றன. |
096db7e8d2b209fb6dca9c7495ac84405c40e507 | இந்த ஆய்வில், எதிர்மறை அல்லாத மேட்ரிக்ஸ் காரணி (என்எம்எஃப்) மற்றும் 3 டி எதிர்மறை அல்லாத டென்சர் காரணி (என்டிஎஃப்) ஆகியவற்றிற்கான புதிய மாற்று குறைந்த சதுர (ஏஎல்எஸ்) வழிமுறைகளை நாங்கள் முன்வைக்கிறோம், அவை சத்தம் இருக்கும்போது வலுவானவை மற்றும் பல சாத்தியமான பயன்பாடுகளைக் கொண்டுள்ளன, இதில் பல வழி குருட்டு மூல பிரிப்பு (பிஎஸ்எஸ்), பல-உணர்திறன் அல்லது பல பரிமாண தரவு பகுப்பாய்வு மற்றும் எதிர்மறை அல்லாத நரம்பு அரிதான குறியீட்டு. ஒரே நேரத்தில் அல்லது தொடர்ச்சியான (ஒன்றன் ஒன்று) குறைப்பு ஒரு மிக எளிய ALS வழிமுறையை வழிவகுக்கும் உள்ளூர் செலவு செயல்பாடுகளை பயன்படுத்த நாங்கள் முன்மொழிகிறோம், இது சில குறைவான வரம்புகளின் கீழ் செயல்படுகிறது (மூலங்களை விட குறைவான சென்சார்கள் கொண்ட ஒரு அமைப்பு) மற்றும் அதிக-கட்டுப்படுத்தப்பட்ட மாதிரி. விரிவான பரிசோதனை முடிவுகள், குறிப்பாக பல அடுக்கு வரிசைப்படுத்தப்பட்ட NMF பயன்பாட்டுடன், உருவாக்கப்பட்ட வழிமுறைகளின் செல்லுபடியாகும் மற்றும் உயர் செயல்திறனை உறுதிப்படுத்துகின்றன. முன்மொழியப்பட்ட வழிமுறையை பல பரிமாண அரிதான கூறு பகுப்பாய்வு மற்றும் மென்மையான கூறு பகுப்பாய்வு ஆகியவற்றிற்கு விரிவுபடுத்துவதும் முன்மொழியப்பட்டுள்ளது. |
339888b357e780c6e80fc135ec48a14c3b524f7d | புளூம் வடிகட்டி என்பது உறுப்பினர் வினவல்களை ஆதரிப்பதற்காக ஒரு தொகுப்பைக் குறிக்க ஒரு எளிய இட-திறமையான சீரற்ற தரவு கட்டமைப்பாகும். ப்ளூம் வடிகட்டிகள் தவறான நேர்மறைகளை அனுமதிக்கின்றன, ஆனால் பிழையின் நிகழ்தகவு கட்டுப்படுத்தப்படும்போது இட சேமிப்பு பெரும்பாலும் இந்த குறைபாட்டை விட அதிகமாக இருக்கும். புளூம் வடிகட்டிகள் 1970 களில் இருந்து தரவுத்தள பயன்பாடுகளில் பயன்படுத்தப்பட்டு வருகின்றன, ஆனால் சமீபத்திய ஆண்டுகளில் மட்டுமே அவை நெட்வொர்க்கிங் இலக்கியத்தில் பிரபலமாகிவிட்டன. இந்த ஆவணத்தின் நோக்கம், புளூம் வடிகட்டிகள் பல்வேறு வலையமைப்பு சிக்கல்களில் பயன்படுத்தப்பட்டு மாற்றியமைக்கப்பட்ட வழிகளை ஆய்வு செய்வதாகும், இதன் நோக்கம் அவற்றை புரிந்துகொள்வதற்கும் எதிர்கால பயன்பாடுகளில் அவற்றின் பயன்பாட்டை ஊக்குவிப்பதற்கும் ஒரு ஒருங்கிணைந்த கணித மற்றும் நடைமுறை கட்டமைப்பை வழங்குவதாகும். |
dc3e8bea9ef0c9a2df20e4d11860203eaf795b6a | சாதாரண நடைப்பயணத்தின் போது உருவாக்கப்பட்ட தரை எதிர்வினை சக்திகள் சமீபத்தில் காலப்போக்கில் காணப்படும் சக்திகளின் வடிவத்தின் அடிப்படையில் தனிநபர்களை அடையாளம் காணவும் மற்றும் / அல்லது வகைப்படுத்தவும் பயன்படுத்தப்பட்டுள்ளன. செங்குத்து நில எதிர்வினை சக்திகளிலிருந்து பிரித்தெடுக்கக்கூடிய ஒரு அம்சம் உடல் நிறை ஆகும். இந்த ஒற்றை அம்சம் பல மற்றும் சிக்கலான அம்சங்களைப் பயன்படுத்தும் மற்ற ஆய்வுகளுடன் ஒப்பிடக்கூடிய அடையாளம் காணும் சக்தியைக் கொண்டுள்ளது. (1) உடல் நிறைவை நிலத்தின் செங்குத்து எதிர்வினை சக்திகளைப் பயன்படுத்தி பெறக்கூடிய துல்லியம் மற்றும் துல்லியத்தை அளவிடுவதன் மூலம், (1) நடை பகுப்பாய்வின் அடிப்படையில் முன்னர் ஆய்வு செய்யப்பட்டதை விட அதிகமான மக்கள்தொகையில் உடல் நிறைவின் விநியோகத்தை அளவிடுவதன் மூலம், மற்றும் (3) உடல் நிறைவை பலவீனமான பயோமெட்ரிக் எனப் பயன்படுத்தும் அமைப்புகளின் எதிர்பார்க்கப்படும் அடையாளம் காணும் திறன்களை அளவிடுவதன் மூலம் அடையாளம் காணலில் உடல் நிறைவின் பங்கை புரிந்து கொள்ள இந்த ஆய்வு உதவுகிறது. நமது முடிவுகள், உடல் நிறை ஒரு கிலோகிராம் தர விலகல் குறைவான பிழையுடன் ஒரு வினாடி வினாடிக்குள் அளவிட முடியும் என்பதைக் காட்டுகிறது. |
1b2f2bb90fb08d0e02eabb152120dbf1d6e5837e | தொடர்ச்சியான வார்த்தை பிரதிநிதித்துவங்களை கணக்கிட நரம்பியல்-நெட்வொர்க்-ஆத்மாவளித்த மாதிரிகள் ஒரு குடும்பத்தை நாங்கள் முன்வைக்கிறோம், குறிப்பாக ஒரே மொழி மற்றும் பன்மொழி உரையை பயன்படுத்த வடிவமைக்கப்பட்டுள்ளது. இந்த கட்டமைப்பானது, மேற்பார்வை செய்யப்படாத முறையில் பயிற்சி பெற்ற முந்தைய மாதிரிகளுடன் ஒப்பிடும்போது, தொடரியல் மற்றும் சொற்பொருள் கலவை ஆகியவற்றில் அதிக துல்லியத்தை வெளிப்படுத்தும் உட்பொதிப்புகளின் மேற்பார்வை செய்யப்படாத பயிற்சியை மேற்கொள்ள அனுமதிக்கிறது. இதுபோன்ற பன்மொழி உட்பொதிப்புகள், சொற்பொருள் ஒற்றுமைக்கு உகந்ததாக, இணையான தரவுகளில் இல்லாத சொற்களை எவ்வாறு கையாளுகிறது என்பதன் அடிப்படையில் புள்ளியியல் இயந்திர மொழிபெயர்ப்பின் செயல்திறனை மேம்படுத்த முடியும் என்பதையும் நாங்கள் காட்டுகிறோம். |
396945dabf79f4a8bf36ca408a137d6e961306e7 | |
6010c2d8eb5b6c5da3463d0744203060bdcc07a7 | சால்மன் பூச்சிகள், லெபியோஃபீரஸ் சால்மனிஸ் (Krøyer, 1837), அட்லாண்டிக் சால்மன், சால்மோ சாலர் லினேயஸ், 1758 ஆகியவற்றின் மரிக்லச்சில் குறிப்பிடத்தக்க பொருளாதார சேதத்தை ஏற்படுத்தும் மீன் எக்டோபராசைட்டுகள் ஆகும். மீன் பண்ணைகளில் எல். சால்மன்ஸிஸ் கட்டுப்பாடு பெரும்பாலும் பூச்சி எதிர்ப்பு மருந்துகளால் சிகிச்சையளிக்கப்படுகிறது. இரசாயனக் கட்டுப்பாட்டுடன் தொடர்புடைய ஒரு பிரச்சனை, எதிர்ப்பு வளர்ச்சிக்கான சாத்தியமாகும், இது எல். சால்மனிஸில் ஆர்கானோஃபோஸ்பேட்ஸ், பைரெத்ராய்டுகள் மற்றும் அவெர்மெக்டின்கள் உள்ளிட்ட பல மருந்து வகுப்புகளுக்கு ஆவணப்படுத்தப்பட்டுள்ளது. ATP- பிணைப்பு கேசட் (ABC) மரபணு சூப்பர் குடும்பம் அனைத்து உயிரினங்களிலும் காணப்படுகிறது மற்றும் புற்றுநோய்கள் மற்றும் நோய்க்கிருமிகளுக்கு மருந்து எதிர்ப்பை வழங்கக்கூடிய ஒரு வகையான மருந்து வெளியேற்ற டிரான்ஸ்போர்ட்டர்களை உள்ளடக்கியது. மேலும், சில ஏபிசி டிரான்ஸ்போர்ட்டர்கள் பூச்சிக்கொல்லி எதிர்ப்புத் தன்மையை வழங்குவதில் ஈடுபடுவதாக அங்கீகரிக்கப்பட்டுள்ளது. எல். சால்மனிஸில் ஏபிசி டிரான்ஸ்போர்ட்டர்களை பல ஆய்வுகள் ஆய்வு செய்திருந்தாலும், இந்த இனத்திற்கான ஏபிசி மரபணு குடும்பத்தின் முறையான பகுப்பாய்வு எதுவும் இல்லை. இந்த ஆய்வு L. salmonis இல் உள்ள ABC மரபணுக்களின் மரபணு அளவிலான ஆய்வு ஒன்றை முன்வைக்கிறது, இதில், ABC சூப்பர் குடும்ப உறுப்பினர்கள் L. salmonis மரபணுவின் ஹோமோலஜி தேடலின் மூலம் அடையாளம் காணப்பட்டனர். கூடுதலாக, பல நிலை RNA நூலகத்தின் உயர் செயல்திறன் RNA வரிசைப்படுத்தல் (RNA-seq) மூலம் உருவாக்கப்பட்ட ஒட்டுண்ணியின் குறிப்பு டிரான்ஸ்கிரிப்டோமில் ABC புரதங்கள் அடையாளம் காணப்பட்டன. மரபணு மற்றும் ஒலிபெயர்ப்பு இருவகைகளிலும் தேடல்கள் மொத்தம் 33 மரபணுக்கள் / டிரான்ஸ்கிரிப்டுகள் அடையாளம் காண அனுமதித்தன, இதில் 3 மரபணு மற்றும் 4 ஒலிபெயர்ப்பு மட்டுமே பிரதிநிதித்துவப்படுத்தப்பட்டன. மருந்து போக்குவரத்து சாதனங்களைக் கொண்டிருக்கும் என அறியப்பட்ட ABC துணைக் குடும்பங்களுக்கு 18 வரிசைகள் ஒதுக்கப்பட்டுள்ளன, அதாவது துணைக் குடும்பங்கள் B (4 வரிசைகள்), C (11) மற்றும் G (2). எல். சால்மன்ஸின் ஏபிசி மரபணு குடும்பம் மற்ற எலும்புக்கூடுகளுக்கு பதிவு செய்யப்பட்டுள்ளதை விட குறைவான உறுப்பினர்களைக் கொண்டுள்ளது என்று முடிவுகள் தெரிவிக்கின்றன. எல். சால்மன்ஸ் ஏபிசி மரபணு சூப்பர் குடும்பத்தின் தற்போதைய ஆய்வு, சால்மன் கரைக்கும் முகவர்களின் நச்சுத்தன்மையிலும், மருந்து எதிர்ப்பின் சாத்தியமான வழிமுறைகளிலும் ஏபிசி டிரான்ஸ்போர்ட்டர்களின் சாத்தியமான பாத்திரங்களை மேலும் ஆராய்ச்சி செய்வதற்கான அடிப்படையை வழங்கும். |
4a3235a542f92929378a11f2df2e942fe5674c0e | இந்த ஆவணம் கண்காணிக்கப்படாத நரம்பியல் நெட்வொர்க்குகள் அடிப்படையிலான ஊடுருவல் கண்டறிதல் (UNNID) அமைப்பை அறிமுகப்படுத்துகிறது, இது கண்காணிக்கப்படாத நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தி நெட்வொர்க் அடிப்படையிலான ஊடுருவல்கள் மற்றும் தாக்குதல்களைக் கண்டறிகிறது. இந்த அமைப்பில், ஊடுருவலை கண்டறிவதில் பயன்படுத்தப்பட வேண்டிய கண்காணிக்கப்படாத வலைகளை பயிற்சி, சோதனை மற்றும் சரிசெய்தல் வசதிகள் உள்ளன. இந்த முறையைப் பயன்படுத்தி, இரண்டு வகையான மேற்பார்வை செய்யப்படாத தழுவல் ஒலிப்பு கோட்பாடு (ART) வலைகளை (ART-1 மற்றும் ART-2) சோதித்தோம். இதன் விளைவாக, இத்தகைய நெட்வொர்க்குகள் நெட்வொர்க் போக்குவரத்தை சாதாரணமாகவும், ஊடுருவும் வகையில் திறம்பட வகைப்படுத்த முடியும். இந்த அமைப்பு தவறான பயன்பாடு மற்றும் அசாதாரணமான கண்டறிதல் அணுகுமுறைகளின் கலவையை பயன்படுத்துகிறது, எனவே அறியப்பட்ட தாக்குதல் வகைகளையும் புதிய தாக்குதல் வகைகளையும் அசாதாரணமாக கண்டறியும் திறன் கொண்டது. |
10a9abb4c78f0be5cc85847f248d3e8277b3c810 | கணிப்பொறி இயற்கை மொழி கற்றல் மாநாட்டில் பங்கேற்பாளர்கள் தங்கள் கற்றல் முறைகளை அதே தரவுத் தொகுப்புகளில் பயிற்சி செய்து சோதிக்கும் ஒரு பகிரப்பட்ட பணி இடம்பெறுகிறது. 2007 ஆம் ஆண்டில், 2006 ஆம் ஆண்டில், பகிரப்பட்ட பணி சார்பு பகுப்பாய்வுக்கு அர்ப்பணிக்கப்பட்டுள்ளது, இந்த ஆண்டு பல மொழி பாதை மற்றும் டொமைன் தழுவல் பாதை ஆகிய இரண்டையும் கொண்டுள்ளது. இந்த ஆய்வில், வெவ்வேறு பாதைகளின் பணிகளை வரையறுத்து, பத்து மொழிகளுக்கான ஏற்கனவே உள்ள மரக் களஞ்சியங்களிலிருந்து தரவுத் தொகுப்புகள் எவ்வாறு உருவாக்கப்பட்டன என்பதை விவரிக்கிறோம். கூடுதலாக, பங்கேற்கும் அமைப்புகளின் வெவ்வேறு அணுகுமுறைகளை நாங்கள் வகைப்படுத்துகிறோம், சோதனை முடிவுகளைப் பற்றி அறிக்கையிடுகிறோம், மேலும் இந்த முடிவுகளின் முதல் பகுப்பாய்வை வழங்குகிறோம். |
14626b05a5ec7ec2addc512f0dfa8db60d817c1b | இந்த ஆய்வில், ஆழமான நரம்பு வலையமைப்பில் சிறப்பு கவனம் செலுத்தி, பெரிய அளவிலான அல்லாத குவியலான தேர்வுமுறை சிக்கல்களுக்கான முடுக்கம் நுட்பங்களை ஆராய்வோம். எக்ஸ்ட்ராபோலேஷன் திட்டம் என்பது குவியலான தேர்வுமுறைக்கு ஸ்டோகாஸ்டிக் சாய்வு இறக்கத்தை துரிதப்படுத்துவதற்கான ஒரு பாரம்பரிய அணுகுமுறையாகும், ஆனால் இது பொதுவாக குவியலற்ற தேர்வுமுறைக்கு நன்றாக வேலை செய்யாது. மாற்றாக, ஒரு இடைநிலை திட்டத்தை முன்மொழிகிறோம், இது குமிழ் அல்லாத தேர்வுமுறை மற்றும் முறை Interpolatron என்று அழைக்கப்படுகிறது. இன்டர்போலாட்ரான் பின்னணியில் உள்ள உந்துதலை விளக்கி, முழுமையான அனுபவ பகுப்பாய்வை நடத்துகிறோம். CIFAR-10 மற்றும் ImageNet இல் உள்ள பெரிய ஆழங்களின் DNNs (எ. கா. , 98- அடுக்கு ResNet மற்றும் 200- அடுக்கு ResNet) பற்றிய அனுபவ முடிவுகள், இன்டர்போலாட்ரான் வேகமான மற்றும் ஆடம் போன்ற SGD போன்ற அதிநவீன முறைகளை விட மிக வேகமாக ஒன்றிணைக்க முடியும் என்பதைக் காட்டுகிறது. மேலும், ஆண்டர்சன் துரிதப்படுத்தல், இதில் கலவை குணகங்கள் குறைந்தபட்ச சதுர மதிப்பீட்டின் மூலம் கணக்கிடப்படுகின்றன, செயல்திறனை மேம்படுத்தவும் பயன்படுத்தலாம். இன்டர்போலாட்ரான் மற்றும் ஆண்டர்சன் ஆகிய இரு வேகமாக்கல்களும் செயல்படுத்தவும் சரிசெய்யவும் எளிதானவை. இண்டர்போலட்ரான் சில ஒழுங்குமுறை அனுமானங்களின் கீழ் நேரியல் ஒத்திசைவு விகிதத்தைக் கொண்டிருப்பதைக் காட்டுகிறோம். |
55baef0d54403387f5cf28e2ae1ec850355cf60a | கீர்ன்ஸ், நீல், ரோத் மற்றும் வு [ஐசிஎம்எல் 2018] சமீபத்தில் புள்ளிவிவர மற்றும் தனிப்பட்ட நியாயமான கருத்துக்களுக்கு இடையிலான இடைவெளியை மூடுவதற்கு பணக்கார துணைக்குழு நியாயத்தின் கருத்தை முன்மொழிந்தனர். பணக்கார துணைக்குழு நேர்மை ஒரு புள்ளியியல் நேர்மை கட்டுப்பாட்டை எடுக்கிறது (பாதுகாக்கப்பட்ட குழுக்களில் தவறான நேர்மறை விகிதங்களை சமப்படுத்துகிறது என்று சொல்லலாம்), ஆனால் இந்த கட்டுப்பாடு ஒரு எல்லைக்குட்பட்ட வி.சி பரிமாணத்துடன் கூடிய செயல்பாடுகளின் வகுப்பால் வரையறுக்கப்பட்ட துணைக்குழுக்களின் அதிவேக அல்லது எல்லையற்ற பெரிய தொகுப்பில் நடத்தப்பட வேண்டும் என்று கேட்கிறது. இந்த கட்டுப்பாடுகளுக்கு உட்பட்டு கற்க உத்தரவாதம் அளிக்கப்பட்ட ஒரு வழிமுறையை அவை வழங்குகின்றன, நியாயமான கட்டுப்பாடு இல்லாதபோது சரியான கற்றலுக்கான ஆரக்கிள்களுக்கு அணுகல் உள்ளது என்ற நிபந்தனையின் கீழ். இந்த ஆய்வில், கீர்ன்ஸ் மற்றும் அவரது கூட்டாளிகளின் வழிமுறையின் விரிவான அனுபவ மதிப்பீட்டை மேற்கொள்கிறோம். நியாயம் ஒரு கவலையாக இருக்கும் நான்கு உண்மையான தரவுத் தொகுப்புகளில், கற்றல் ஆரக்கிள்களின் இடத்தில் விரைவான ஹூரிஸ்டிக்ஸுடன் நிகழ்நேரப்படுத்தப்படும்போது வழிமுறையின் அடிப்படை ஒத்திசைவை நாங்கள் ஆராய்வோம், நியாயம் மற்றும் துல்லியத்திற்கு இடையிலான சமரசங்களை அளவிடுகிறோம், மேலும் இந்த அணுகுமுறையை அகர்வால், பெய்கெல்சைமர், டுடிக், லாங்போர்ட் மற்றும் வாலச் [ஐ.சி.எம்.எல் 2018] இன் சமீபத்திய வழிமுறையுடன் ஒப்பிடுகிறோம், இது தனிப்பட்ட பாதுகாக்கப்பட்ட பண்புகளால் வரையறுக்கப்பட்ட பலவீனமான மற்றும் பாரம்பரிய ஓரளவு நியாயம் கட்டுப்பாடுகளை செயல்படுத்துகிறது. பொதுவாக, கீர்ன்ஸ் மற்றும் அவரது கூட்டாளிகள் இதைக் கண்டறிந்துள்ளனர். இந்த வகைப்படுத்தல் முறை விரைவாக ஒன்றிணைகிறது, நியாயமான பெரிய ஆதாயங்கள் துல்லியத்திற்கு மிதமான செலவுகளுடன் பெறப்படலாம், மேலும் ஓரளவு நியாயத்திற்கு உட்பட்ட துல்லியத்தை மேம்படுத்துவது கணிசமான துணைக்குழு அநீதியுடன் வகைப்படுத்திகளுக்கு வழிவகுக்கிறது. கீர்ன்ஸ் மற்றும் மற்றவர்களின் இயக்கவியல் மற்றும் நடத்தை பற்றிய பல பகுப்பாய்வுகளையும் காட்சிப்படுத்தல்களையும் நாங்கள் வழங்குகிறோம். அல்காரிதம். ஒட்டுமொத்தமாக இந்த வழிமுறை உண்மையான தரவுகளில் பயனுள்ளதாக இருப்பதாகவும், பணக்கார துணைக்குழு நியாயம் நடைமுறையில் ஒரு சாத்தியமான கருத்தாக இருப்பதாகவும் நாங்கள் காண்கிறோம். |
6be461dd5869d00fc09975a8f8e31eb5f86be402 | கணினி அனிமேஷன் முகவர்கள் மற்றும் ரோபோக்கள் மனித கணினி தொடர்புகளுக்கு ஒரு சமூக பரிமாணத்தை கொண்டு வந்து, கணினிகளை அன்றாட வாழ்க்கையில் எவ்வாறு பயன்படுத்தலாம் என்பது பற்றி புதிய வழிகளில் சிந்திக்க நம்மை கட்டாயப்படுத்துகின்றன. நேருக்கு நேர் தொடர்பு என்பது 40 மில்லி வினாடிகள் என்ற அளவில் செயல்படும் ஒரு நிகழ்நேர செயல்முறையாகும். இந்த கால அளவிலான நிச்சயமற்ற நிலை கணிசமானது, இது மனிதர்களுக்கும் இயந்திரங்களுக்கும் மெதுவான குறியீட்டு ஊக செயல்முறைகளை விட உணர்ச்சி ரீதியான பணக்கார புலனுணர்வு பூர்வங்களை நம்ப வேண்டிய அவசியத்தை ஏற்படுத்துகிறது. இந்த ஆய்வில், இதுபோன்ற ஒரு புராதன உணர்வின் முன்னேற்றத்தை நாங்கள் முன்வைக்கிறோம். இந்த அமைப்பு வீடியோ ஸ்ட்ரீமில் உள்ள முகங்களை தானாகவே கண்டறிந்து அவற்றை நிஜ நேரத்தில் 7 பரிமாணங்களில் குறியீட்டுக்கு உட்படுத்துகிறது: நடுநிலை, கோபம், வெறுப்பு, பயம், மகிழ்ச்சி, சோகம், ஆச்சரியம். முகங்களைக் கண்டறிதல் கருவி, அதிகரிக்கும் நுட்பங்களுடன் பயிற்சி பெற்ற அம்சக் கண்டறிதல்களின் தொடர்ச்சியைப் பயன்படுத்துகிறது [15, 2]. முக அடையாளம் காட்டி முக அடையாளம் காட்டிக் கொண்டிருக்கும் படப் புள்ளிகளை முக அடையாளம் காட்டிக் கொள்கிறது. பிளாஸ்ட்டின் ஒரு கபோர் பிரதிநிதித்துவம் உருவாக்கப்பட்டு பின்னர் SVM வகைப்படுத்திகளின் வங்கியால் செயலாக்கப்படுகிறது. Adaboost மற்றும் SVM ஆகியவற்றின் புதிய கலவையானது செயல்திறனை அதிகரிக்கிறது. இந்த அமைப்பு கோன்-கனடே தரவுத்தொகுப்பில் முகபாவனைகளை சோதித்தது [6]. 7 வழிகளில் கட்டாயத் தேர்வுக்கான புதிய பாடங்களுக்கு பொதுமைப்படுத்தல் செயல்திறன் மிகவும் சுவாரஸ்யமாக வகைப்படுத்தியின் வெளியீடுகள் நேரத்தின் செயல்பாடாக சீராக மாறுகின்றன, முகம் வெளிப்பாடு இயக்கவியல் குறியீட்டை முற்றிலும் தானியங்கி மற்றும் கவனக்குறைவான முறையில் மதிப்புமிக்க பிரதிநிதித்துவத்தை வழங்குகிறது. இந்த அமைப்பு சோனியின் ஐபோ செல்லப்பிராணி ரோபோ, ஏடிஆர் ரோபோவி மற்றும் சியூ அனிமேட்டர் உள்ளிட்ட பல்வேறு தளங்களில் பயன்படுத்தப்பட்டு வருகிறது. மேலும் இது தானியங்கி வாசிப்பு பயிற்சியாளர்கள், மனித-ரோபோ தொடர்பு மதிப்பீடு உள்ளிட்ட பயன்பாடுகளுக்கு தற்போது மதிப்பீடு செய்யப்படுகிறது. |
15f932d189b13786ca54b1dc684902301d34ef65 | குறைந்த சக்தி கொண்ட ஃபோட்டோவோல்டாயிக் பயன்பாட்டிற்கான உயர் திறன் கொண்ட LLCC வகை ஒலிபெருக்கி DC-DC மாற்றி இந்த ஆவணத்தில் விவாதிக்கப்படுகிறது. இந்த ஆய்வில், ஒலிப்பு தொட்டியின் வடிவமைப்பில் உள்ள பல்வேறு வழிமுறைகள் குறித்து கவனம் செலுத்தப்பட்டுள்ளது. அதே நேரத்தில் இன்வெர்ட்டரின் மென்மையான சுவிட்ச் மற்றும் ரெக்டிகேட்டர் பாலம் ஆகியவை கருதப்படுகின்றன. வடிவமைப்பு விதிகளை பொறுத்தவரை, ஒரு LLCC-கன்வெர்ட்டரை வடிவமைப்பதில் ஒரு புதிய சவால் தீர்க்கப்படுகிறது. ஒலித்திறன் கூறுகளுக்குப் பதிலாக, அவற்றின் விகிதங்கள், எ. கா. Ls/Lp என்ற இண்டக்டன்ஸிகளின் விகிதம் முதலில் வடிவமைப்பு அளவுருக்களாக கருதப்படுகிறது. மேலும், மின்மாற்றி-உதவி சாதனத்திற்கான வழித்தோன்றல் வடிவமைப்பு விதி ஒட்டுமொத்த LLCC வடிவமைப்பில் நேரடியாக பொருந்துகிறது. மின்மாற்றிகளின் இயல்பு காரணமாக, அதாவது Ls/Lp இன்டக்டன்ஸ்களின் உறவு என்பது வடிவியல் சார்ந்த செயல்பாடு மட்டுமே, இந்த வடிவமைப்பு அளவுருவை வடிவியல் நேரடியாக கருதுகிறது. பரிசோதனை முடிவுகள் உயர் செயல்திறனை நிரூபித்துள்ளன. |
f13902eb6429629179419c95234ddbd555eb2bb6 | |
07d138a54c441d6ae9bff073025f8f5eeaac4da4 | பெரிய அளவிலான தரவுகளில் பயிற்சி பெற்ற பெரிய ஆழமான நரம்பியல் நெட்வொர்க் (டி.என்.என்) மாதிரிகள் சமீபத்தில் படங்கள் மற்றும் பேச்சு அங்கீகாரம் போன்ற கடினமான பணிகளில் சிறந்த துல்லியத்தை அடைந்துள்ளன. இந்த டிஎன்எஸ் களை ஒரு கம்யூடிட்டி இயந்திரக் குழுவைப் பயன்படுத்தி பயிற்றுவிப்பது ஒரு நம்பிக்கைக்குரிய அணுகுமுறையாகும், ஏனெனில் பயிற்சி நேரம் எடுத்துக்கொள்ளும் மற்றும் கணினி-தீவிரமானது. மிகப்பெரிய டிஎன்என் களின் பயிற்சியை செயல்படுத்த, மாதிரிகள் இயந்திரங்கள் முழுவதும் பிரிக்கப்படுகின்றன. மிகப் பெரிய தரவுத் தொகுப்புகளில் பயிற்சியை விரைவுபடுத்துவதற்காக, பயிற்சி எடுத்துக்காட்டுகளின் வெவ்வேறு துணைக்குழுக்களில் பல மாதிரி பிரதிகளை இணையாக பயிற்சி செய்யப்படுகிறது, இந்த பிரதிகளில் பகிரப்பட்ட எடைகளை பராமரிக்கும் உலகளாவிய அளவுரு சேவையகத்துடன். மாதிரி மற்றும் தரவு பிரிவு மற்றும் ஒட்டுமொத்த அமைப்பு வழங்கல் ஆகியவற்றிற்கான சரியான தேர்வு டிஎன்என் மற்றும் விநியோகிக்கப்பட்ட கணினி வன்பொருள் பண்புகளை பெரிதும் சார்ந்துள்ளது. இந்த முடிவுகளுக்கு தற்போது குறிப்பிடத்தக்க கள நிபுணத்துவம் மற்றும் நேரத்தை எடுத்துக்கொள்ளும் அனுபவபூர்வமான நிலை விண்வெளி ஆய்வு தேவைப்படுகிறது. இந்த ஆவணத்தில் செயல்திறன் மாதிரிகள் உருவாக்கப்படுகின்றன, அவை ஒட்டுமொத்த விநியோகிக்கப்பட்ட அமைப்பு செயல்திறன் மற்றும் அளவிடுதலில் இந்த பகிர்வு மற்றும் வழங்கல் முடிவுகளின் தாக்கத்தை அளவிடுகின்றன. மேலும், இந்த செயல்திறன் மாதிரிகளை பயன்படுத்தி ஒரு அளவிடக்கூடிய தன்மை உகப்பாக்கியை உருவாக்குகிறோம், இது சிறந்த அமைப்பு அமைப்பை திறம்பட தீர்மானிக்கிறது, இது டிஎன்என் பயிற்சி நேரத்தை குறைக்கிறது. இரண்டு தரப்படுத்தல் பயன்பாடுகளில் ஒரு அதிநவீன விநியோகிக்கப்பட்ட டிஎன்என் பயிற்சி கட்டமைப்பைப் பயன்படுத்தி எங்கள் செயல்திறன் மாதிரிகள் மற்றும் அளவிடக்கூடிய தன்மை உகப்பாக்கியை நாங்கள் மதிப்பீடு செய்கிறோம். இதன் விளைவாக, நமது செயல்திறன் மாதிரிகள் டிஎன்என் பயிற்சி நேரத்தை அதிக மதிப்பீட்டு துல்லியத்துடன் மதிப்பிடுகின்றன, மேலும் நமது அளவிடக்கூடிய தன்மை உகப்பாக்கி சிறந்த கட்டமைப்புகளை சரியாகத் தேர்ந்தெடுக்கிறது, இது விநியோகிக்கப்பட்ட டிஎன்என் பயிற்சி நேரத்தை குறைக்கிறது. |
eee686b822950a55f31d4c9c33d02c1942424785 | சுருக்கம்: இந்த ஆய்வில், 2 x 2 முக்கோண மைக்ரோஸ்ட்ரிப் பேட்ச் ஆண்டெனாவை, காலாண்டு அலை மின்மாற்றி கொண்ட டி-ஜங்க்ஷன் பயன்படுத்தி விவரிக்கிறது. பேட்ச் ஆண்டெனாவில் தூரத்தை ஒழுங்குபடுத்துவதன் மூலமும், ஊட்ட நிலையை சரிசெய்வதன் மூலமும், அலைவரிசையை பெறலாம் மற்றும் ஒரு வரிசையைப் பயன்படுத்துவதன் மூலம், திசைத்திறன் மேம்படுத்தப்படுகிறது. பெரிய அலைவரிசை, உயர் திசை மற்றும் குறைந்தபட்ச அளவு ஆகியவற்றின் தேவை, 5.5 GHz இல் செயல்படும் T- சந்திப்பு நெட்வொர்க்குடன் உணவளிக்கும் 2 x 2 முக்கோண மைக்ரோஸ்ட்ரிப் பேட்ச் ஆண்டெனா வரிசை வடிவமைப்பிற்கு வழிவகுக்கிறது. ஒரு FR4 அடி மூலக்கூறில் வடிவமைக்கப்பட்ட ஒரு ஆண்டெனா, இது ஒரு மின்கடத்தா மாறிலி (r) 4.4, ஒரு இழப்பு தொடுநிலை 0.02 மற்றும் 1.6 மிமீ தடிமன் கொண்டது. டி-ஜங்க்ஷன் சப்ளை நெட்வொர்க்கைப் பயன்படுத்தி வடிவமைக்கப்பட்ட ஆண்டெனா 12.91 டிபி மற்றும் 173 மெகா ஹெர்ட்ஸ் அலைவரிசையுடன் VSWR 1.07 கொண்டிருப்பதை சிமுலேட்டட் முடிவுகள் காட்டின. முன்மொழியப்பட்ட 2 x 2 முக்கோண வரிசைக்கு குறைந்த எடை, எளிமையான உற்பத்தி, ஒற்றை அடுக்கு அமைப்பு மற்றும் உயர் திசைத்திறன் ஆகியவற்றின் நன்மைகள் உள்ளன. முக்கிய வார்த்தைகள் அலைவரிசை, பெருநிறுவன ஊட்டச்சத்து, திரும்ப இழப்பு, T-junction, VSWR. |
c707938422b60bf827ec161872641468ec1ffe00 | முடிந்த நிலை நடவடிக்கை மார்கோவ் முடிவு செயல்முறைகளில் மதிப்பு செயல்பாடுகளின் இடத்தின் வடிவியல் மற்றும் இடவியல் பண்புகளை நாங்கள் நிறுவுகிறோம். அதன் வடிவத்தின் தன்மையைக் குறிப்பிடுவதே எமது முக்கிய பங்களிப்பாகும்: ஒரு பொதுவான பலகோணம் (Aigner et al., 2010). இந்த முடிவை நிரூபிக்க, கொள்கைகள் மற்றும் மதிப்பு செயல்பாடுகளுக்கு இடையேயான கட்டமைப்பு உறவின் பல பண்புகளை நாங்கள் காண்பிக்கிறோம், இதில் வரி கோட்பாடு அடங்கும், இது ஒரு மாநிலத்தைத் தவிர மற்ற எல்லாவற்றிலும் கட்டுப்படுத்தப்பட்ட கொள்கைகளின் மதிப்பு செயல்பாடுகள் ஒரு வரிப் பகுதியை விவரிக்கிறது என்பதைக் காட்டுகிறது. இறுதியாக, இந்த புதிய கண்ணோட்டத்தை பயன்படுத்தி, வலுவூட்டல் கற்றல் வழிமுறைகளின் இயக்கவியல் பற்றிய புரிதலை மேம்படுத்த காட்சிப்படுத்தல்களை அறிமுகப்படுத்துகிறோம். |
86854374c13516a8ad0dc28ffd9cd4be2bca9bfc | சமீபத்திய ஆண்டுகளில், கண்காணிக்கப்பட்ட தரவு அல்லது மறைக்கப்பட்ட நிலை மாறிகள் அறியப்பட்ட ரிமானியன் பன்முகத்தன்மைக்கு மட்டுப்படுத்தப்பட்ட சிக்கல்களில் ஆர்வம் அதிகரித்து வருகிறது. தொடர்ச்சியான தரவு பகுப்பாய்வில் இந்த ஆர்வமும் வளர்ந்து வருகிறது, ஆனால் கச்சா வழிமுறைகள் பயன்படுத்தப்பட்டுள்ளனஃ மோன்டே கார்லோ வடிப்பான்கள் அல்லது மிருகத்தனமான-சக்தி டிஸ்க்ரீடிசேஷன்கள். இந்த அணுகுமுறைகள் மோசமாக அளவிடப்படுகின்றன மற்றும் தெளிவாக ஒரு காணாமல் போன இடைவெளியைக் காட்டுகின்றனஃ கால்மன் வடிப்பான்களுக்கு பொதுவான ஒத்தவை தற்போது யூக்ளிடியன் அல்லாத களங்களில் கிடைக்கவில்லை. இந்த ஆய்வில், முதலில் வாசனை மாற்றம் மற்றும் பின்னர் வாசனை கலாத கல்மன் வடிகட்டிகளை ரிமானியன் பன்முகத்தன்மைக்கு பொதுமைப்படுத்துவதன் மூலம் இந்த சிக்கலை சரிசெய்கிறோம். கால்மன் வடிகட்டியை கஸ்-நியூட்டன் முறைக்கு ஒத்த ஒரு தேர்வுமுறை வழிமுறையாக பார்க்க முடியும் என்பதால், எங்கள் வழிமுறை பலவகைகளில் ஒரு பொது நோக்க உகப்பாக்கம் கட்டமைப்பையும் வழங்குகிறது. நாம் வலுவான மற்றும் ஒத்திசைவு ஆய்வு செய்ய ஒரு பகுதியில் கண்காணிப்பு சிக்கல் ஒரு கூட்டுச்சேர்க்கை அம்சங்கள் பயன்படுத்தி, ஒரு கூட்டு கண்காணிப்பு சிக்கல், ஒரு சராசரி மதிப்பு தேர்வுமுறை மற்றும் ஒரு போஸ் தேர்வுமுறை சிக்கல் ஒரு செயற்கையான தரவு மீது பரிந்துரைக்கப்படுகிறது முறை விளக்குகிறது. |
a075a513b2b1e8dbf9b5d1703a401e8084f9df9c | அச்சிடப்பட்ட ஆண்டெனா வடிவியல் வடிவங்களில் மேற்பரப்பு அலை உற்சாகத்தை குறைக்க ஒருமட்ட சிறிய மின்காந்த அலை இடைவெளி (UC-EBG) அடி மூலக்கூறு ஒரு பயனுள்ள நடவடிக்கையாக நிரூபிக்கப்பட்டுள்ளது. இந்த ஆய்வில், UC-EBG மூலக்கூறில் பதிக்கப்பட்ட ஒரு மைக்ரோஸ்ட்ரிப் ஆண்டெனா கட்ட வரிசையின் செயல்திறனை ஆராய்கிறது. இதன் விளைவாக கூறுகளுக்கு இடையேயான பரஸ்பர இணைப்பு குறைந்து, அச்சிடப்பட்ட கூறுகளுடன் கட்டம் வரிசை பயன்பாடுகளில் "இறந்த புள்ளிகள்" பிரச்சினைக்கு ஒரு சாத்தியமான தீர்வை வழங்குகிறது. புதிய மற்றும் திறமையான UC-EBG வரிசை அமைப்பு முன்மொழியப்பட்டுள்ளது. உயர் மின்கடத்தா நிலையான அடுக்கு மீது 7/spl முறை/5 கூறுகளின் ஒரு ஆய்வு ஊட்டப்பட்ட பேட்ச் ஆண்டெனா கட்டப்பட்ட வரிசை வடிவமைக்கப்பட்டது, கட்டப்பட்டது மற்றும் சோதிக்கப்பட்டது. உருவகப்படுத்துதல் மற்றும் அளவீட்டு முடிவுகள் செயலில் திரும்பும் இழப்பு மற்றும் வரிசை மைய உறுப்பின் செயலில் உள்ள வடிவத்தில் முன்னேற்றத்தைக் காட்டுகின்றன. சிறந்த செயல்திறனைப் பெறுவதற்கு பயன்படுத்தப்படும் சமரசங்கள் விவாதிக்கப்படுகின்றன. |
16a0fde5a8ab5591a9b2985f60a04fdf50a18dc4 | நடை பயனர் அங்கீகாரத்திற்கான ஒரு திறமையான பயோமெட்ரிக் பண்பு என கருதப்படுகிறது. நடைமுறை அடிப்படையிலான அங்கீகார முறைகளில் நடைமுறை மாதிரிகள்/மாதிரிகளை பாதுகாக்கும் பணியைக் கையாளும் சில ஆய்வுகள் இருந்தாலும், அவை நடைமுறை தரவுகளின் குறைந்த வேறுபாட்டையும், அதிக மாறுபாட்டையும் கணக்கில் எடுத்துக்கொள்ளவில்லை, இது முன்மொழியப்பட்ட அமைப்புகளின் பாதுகாப்பு மற்றும் நடைமுறைக்கு கணிசமாக பாதிக்கிறது. இந்த ஆய்வில், செயலற்ற சென்சார் அடிப்படையிலான நடைமுறை குறியாக்க முறைமையில் மேற்கூறிய குறைபாடுகளை நிவர்த்தி செய்வதில் கவனம் செலுத்துகிறோம். குறிப்பாக, நாம் நேரியல் பாகுபாடு பகுப்பாய்வு நடைமுறை வார்ப்புருக்கள் பாகுபாடு அதிகரிக்க, மற்றும் கிரே குறியீடு குவாண்டிசேஷன் உயர் பாகுபாடு மற்றும் நிலையான பைனரி வார்ப்புரு பிரித்தெடுக்க பயன்படுத்த. 38 வெவ்வேறு பயனர்களிடம் மேற்கொள்ளப்பட்ட பரிசோதனை முடிவுகள், நாங்கள் முன்மொழிந்த முறை, நடைமுறை குறியாக்க முறைமையின் செயல்திறன் மற்றும் பாதுகாப்பை கணிசமாக மேம்படுத்துவதாகக் காட்டியது. குறிப்பாக, 6 × 10−5% (அதாவது, 16983 சோதனைகளில் 1 தோல்வி) மற்றும் 9.2% பொய்யான நிராகரிப்பு விகிதத்தை 148-பிட் பாதுகாப்போடு அடைந்தோம். |
d7fd575c7fae05e055e47d898a5d9d2766f742b9 | |
84ade3cb5b57624baee89d9e617bb5847ee07375 | |
9e5158222c911bec96d4f533cd0d7a1a0cff1731 | அடுத்த தலைமுறை RF சென்சார் தொகுதிகள் பல செயல்பாடு செயலில் மின்னணு முறையில் இயங்கும் ஆண்டெனா (AESA) அமைப்புகளுக்கு ரேடார், மின்னணு போர் (EW) செயல்பாடுகள் மற்றும் தகவல்தொடர்பு / தரவு இணைப்புகள் போன்ற வெவ்வேறு இயக்க முறைமைகளின் கலவையை அதே ஆண்டெனா முன் இறுதியில் தேவைப்படும். அவை பொதுவாக C-பாண்ட், X-பாண்ட் மற்றும் Ku-பாண்ட் ஆகியவற்றில் இயங்குகின்றன மற்றும் 10 GHz க்கும் அதிகமான அலைவரிசை தேவைகளை உள்ளடக்கியது. நவீன செயலில் மின்னணு முறையில் இயங்கும் ஆண்டெனாக்களை உருவாக்க, டிரான்ஸ்மிஷன்/ரீசிவ் (டி/ஆர்) தொகுதிகள் கடுமையான வடிவியல் தேவைகளுக்கு ஏற்ப இருக்க வேண்டும். இந்த எதிர்கால மல்டிஃபங்க்ஷன் RF சென்சார் தொகுதிகளுக்கு ஒரு முக்கிய சவால் அரை அலைநீள ஆண்டெனா கட்ட இடைவெளியால் நிர்ணயிக்கப்படுகிறது, இது இயற்பியல் சேனல் அகலத்தை <12 மிமீ அல்லது அதற்கும் குறைவாகக் கட்டுப்படுத்துகிறது, இது அதிக அதிர்வெண் செயல்பாட்டைப் பொறுத்து பீம் சுட்டிக்காட்டும் தேவைகளுடன் உள்ளது. இந்த வடிவியல் கோரிக்கைகளை சமாளிக்க ஒரு நம்பிக்கைக்குரிய தீர்வு மொத்த மோனோலிதிக் மைக்ரோவேவ் ஒருங்கிணைந்த சுற்று (MMIC) சிப் பகுதியை குறைப்பதாகும், இது தனிப்பட்ட RF செயல்பாடுகளை ஒருங்கிணைப்பதன் மூலம் அடையப்படுகிறது, இது பொதுவாக தனிப்பட்ட ஒருங்கிணைந்த சுற்றுகள் (IC கள்) மூலம் அடையப்படுகிறது, புதிய மல்டிஃபங்க்ஸ்னல் (MFC) MMIC களில். அடுத்த தலைமுறை RF சென்சார் தொகுதிகளை உருவாக்குவதற்கான பல்வேறு கருத்துக்கள், அவற்றில் சில ஏற்கனவே செயல்படுத்தப்பட்டுள்ளன, இந்த வேலையில் விவாதிக்கப்பட்டு விளக்கப்படும். |
77a9473256f6841d40cb9198feb5b91dccf9ffd1 | இந்த ஆவணம் மின்சார காரணி திருத்தம் (PFC) மற்றும் ஜீரோ வோல்டேஜ் சுவிட்ச் (ZVS) உடன் ஒளி-உமிழும் டையோட்கள் (LED கள்) சக்திக்கு ஒரு மங்கலான கட்டணம்-குழுவி இயக்கி வழங்குகிறது. முன்மொழியப்பட்ட எல்இடி டிரைவர் மின்னாற்பகுப்பு மின்தேக்கிகளைப் பயன்படுத்தாது, அதிக பயனுள்ள ஆயுளை வழங்குகிறது, மேலும் இது தற்போதைய சென்சார்கள் தேவையில்லாமல் திறந்த சுழற்சி கட்டுப்பாட்டில் வெளியீட்டு மின்னோட்டத்தை உறுதிப்படுத்த முடியும், இது செலவைக் குறைக்கிறது. வெளியீட்டு சக்தி என்பது சுவிட்ச் அதிர்வெண்ணுக்கு விகிதாசாரமானது, இது எல்.இ.டிகளை மங்கச் செய்கிறது. 22 W உடன் ஒரு முன்மாதிரி செயல்படுத்தப்பட்டது மற்றும் சோதனை முடிவுகள் விவாதிக்கப்பட்டன. இந்த முன்மாதிரி 0.996 என்ற சக்தி காரணி மற்றும் 89.5% என்ற செயல்திறனைக் கொண்டிருந்தது. 53 kHz முதல் 30 kHz வரை மாறுபடும் போது மாற்றி அதிர்வெண் மூலம் இயக்கி வெளியீட்டு சக்தி 40% க்கும் அதிகமாக குறைக்கப்பட்டது மற்றும் மாற்றி ZVS இல் தொடர்ந்து செயல்பட்டு வருகிறது. |
b5fe4731ff6a7a7f1ad8232186e84b1f944162e0 | குறுக்கு ஊடக ஹேஷிங், இது வெவ்வேறு முறைகளிலிருந்து தரவை ஒரு பொதுவான குறைந்த பரிமாண ஹேமிங் இடத்திற்கு உட்பொதிப்பதன் மூலம் குறுக்கு ஊடக மீட்டெடுப்பை நடத்துகிறது, இது சமீபத்திய ஆண்டுகளில் தீவிர கவனத்தை ஈர்த்துள்ளது. இது உண்மைகளால் தூண்டப்படுகிறது a) மல்டிமோடல் தரவு பரவலாக உள்ளது, எ. கா. , Flickr இல் உள்ள வலை படங்கள் குறிச்சொற்களுடன் தொடர்புடையவை, மற்றும் b) ஹேஷிங் என்பது பெரிய அளவிலான உயர் பரிமாண தரவு செயலாக்கத்தை நோக்கிய ஒரு சிறந்த நுட்பமாகும், இது exactly cross-media retrieval நிலைமை. ஆழமான கற்றலில் சமீபத்திய முன்னேற்றங்களால் ஈர்க்கப்பட்டு, பல வழிமுறை நரம்பியல் நெட்வொர்க்குகளை அடிப்படையாகக் கொண்ட ஊடக இடைவெளி ஹேஷிங் அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். கற்றல் இலக்கில் கட்டுப்படுத்துவதன் மூலம் a) தொடர்புடைய குறுக்கு ஊடக தரவுகளுக்கான ஹாஷ் குறியீடுகள் ஒத்தவை, மற்றும் b) வகுப்பு லேபிள்களை முன்னறிவிப்பதற்காக ஹாஷ் குறியீடுகள் பாகுபாடு காட்டுகின்றன, கற்ற ஹாமிங் இடம் குறுக்கு ஊடக சொற்பொருள் உறவுகளை நன்கு கைப்பற்றுவதற்கும் சொற்பொருளில் பாகுபாடு காட்டுவதற்கும் எதிர்பார்க்கப்படுகிறது. இரண்டு நிஜ உலக தரவுத் தொகுப்புகளில் மேற்கொள்ளப்பட்ட பரிசோதனைகள், நமது அணுகுமுறை, நவீன முறைகளுடன் ஒப்பிடும்போது, சிறந்த ஊடகங்கள் மீதான மீட்டெடுப்பு செயல்திறனை அடைகிறது என்பதைக் காட்டுகிறது. |
9814dd00440b08caf0df96988edb4c56cfcf7bd1 | ஒரு ஈர்ப்பு அதிக அளவிலான பணி நோக்கங்களை வழங்குகிறது மற்றும் உள்ளூர் திட்டமிடுபவருக்கு சுற்றுச்சூழல் பற்றிய உலகளாவிய தகவல்களை உள்ளடக்கியது, இதனால் நீண்ட கால எல்லைகளுடன் செலவு குறைந்த உலகளாவிய திட்டமிடல் தேவையை நீக்குகிறது. ஒரு ஈர்ப்புடன் பாதை திட்டமிடல் என்பது உள்ளூர் திட்டமிடல் மட்டுமே கொண்ட அமைப்புகளை விட மேம்பட்ட செயல்திறனை விளைவிக்கிறது என்பதை நிரூபிக்கிறது செயலில் உள்ள SLAM ஆனது SLAM செயல்முறைக்கு ஒரே நேரத்தில் திறமையான பாதைகளைத் திட்டமிடுவதற்கான ஒரு தன்னாட்சி ரோபோவிற்கான சவாலை முன்வைக்கிறது. ரோபோ, வரைபடம் மற்றும் சென்சார் அளவீடுகளின் நிச்சயமற்ற தன்மைகள், மற்றும் மாறும் மற்றும் இயக்கக் கட்டுப்பாடுகள் ஆகியவை திட்டமிடல் செயல்பாட்டில் கருதப்பட வேண்டும். இந்த ஆய்வில், செயலில் உள்ள SLAM சிக்கல் ஒரு உகந்த பாதை திட்டமிடல் சிக்கலாக வடிவமைக்கப்பட்டுள்ளது. ஒரு புதிய நுட்பம் அறிமுகப்படுத்தப்பட்டுள்ளது, இது ஒரு ஈர்க்கும் ஒருங்கிணைப்பை உள்ளூர் திட்டமிடல் உத்திகளுடன் இணைத்துள்ளது, இது மாதிரி முன்னறிவிப்பு கட்டுப்பாடு (அ. கா. இந்த பிரச்சினையை தீர்க்க. |
bc32313c5b10212233007ebb38e214d713db99f9 | வயது வந்தோருக்கான மருத்துவ எலக்ட்ரோ கார்டியோகிராஃபி (ECG) சிக்னல் செயலாக்க நுட்பங்கள் மற்றும் டிஜிட்டல் செயலிகளின் சக்தி ஆகியவற்றில் குறிப்பிடத்தக்க முன்னேற்றங்கள் இருந்தபோதிலும், ஆக்கிரமிப்பு அல்லாத கரு ECG (NI-FECG) பகுப்பாய்வு இன்னும் அதன் ஆரம்ப கட்டத்தில் உள்ளது. அறிவியல் சமுதாயத்திற்கு அறிவியல் சிக்னல் செயலாக்க நுட்பங்களை மதிப்பீடு செய்வதற்காக FECG தரவுகளின் தொகுப்பை பொதுவில் கிடைக்கச் செய்வதன் மூலம் Physionet/Computing in Cardiology Challenge 2013 இந்த வரம்புகளில் சிலவற்றை நிவர்த்தி செய்கிறது. அதிக அதிர்வெண்கள் மற்றும் அடிப்படை அலைவரிசைகளை அகற்றுவதற்காக வயிற்றுப் பகுதி ECG சமிக்ஞைகள் முதலில் ஒரு அலைவரிசை-பாதையுடன் வடிகட்டப்பட்டன. தேவைப்பட்டால் 50 Hz அல்லது 60 Hz இல் சக்தி குறுக்கீடுகளை அகற்ற ஒரு குறுக்கு வடிகட்டி பயன்படுத்தப்பட்டது. பின்னர், தாய்வழி ஈ.சி.ஜி.யை ரத்து செய்ய பல்வேறு மூல பிரிப்பு நுட்பங்களைப் பயன்படுத்துவதற்கு முன்னர், சமிக்ஞைகள் இயல்பாக்கப்பட்டது. இந்த நுட்பங்களில் அடங்கும்ஃ டெம்ப்ளேட் கழித்தல், பிரதான/சுதந்திர கூறு பகுப்பாய்வு, விரிவாக்கப்பட்ட கல்மான் வடிகட்டி மற்றும் இந்த முறைகளின் துணைக்குழுவின் கலவையாகும் (FUSE முறை). கரு QRS கண்டறிதல் ஒரு பான் மற்றும் டாம்ப்கின்ஸ் QRS கண்டறிதலைப் பயன்படுத்தி அனைத்து எச்சங்களிலும் செய்யப்பட்டது மற்றும் கரு இதய துடிப்பு நேரத் தொடர்களில் மிகவும் மென்மையான எஞ்சிய சேனல் தேர்ந்தெடுக்கப்பட்டது. FUSE வழிமுறை பயிற்சி தரவு தொகுப்பில் உள்ள அனைத்து தனிப்பட்ட முறைகளையும் விட சிறப்பாக செயல்பட்டது. சரிபார்ப்பு மற்றும் சோதனைத் தொகுப்புகளில், சிறந்த சவால் மதிப்பெண்கள் E1 = 179.44, E2 = 20.79, E3 = 153.07, E4 = 29.62 மற்றும் E5 = 4.67 ஆகியவை முறையே நிகழ்வுகள் 1-5 க்கு FUSE முறையைப் பயன்படுத்தி பெறப்பட்டன. E1 மற்றும் E2 ஆகியவற்றிற்கான சிறந்த சவால் மதிப்பெண்கள் மற்றும் E3, E4 மற்றும் E5 ஆகியவற்றிற்கான மூன்றாவது மற்றும் இரண்டாவது சிறந்த சவால் மதிப்பெண்கள் சவாலில் நுழைந்த 53 சர்வதேச அணிகளில் இருந்தன. கருவின் இதயத் துடிப்பு மதிப்பீட்டிற்கான தற்போதுள்ள நிலையான அணுகுமுறைகளை மதிப்பீட்டாளர்களை ஒன்றாக இணைப்பதன் மூலம் மேம்படுத்த முடியும் என்பதை முடிவுகள் நிரூபித்தன. விவரித்த ஒவ்வொரு தரநிலை அணுகுமுறைகளுக்கும் தரப்படுத்தலை செயல்படுத்த திறந்த மூலக் குறியீட்டை நாங்கள் வழங்குகிறோம். |
09f13c590f19dce53dfd8530f8cbe8044cce33ed | சமீபத்திய ஆண்டுகளில், பல பயனர் இடைமுக சாதனங்கள் பல்வேறு உடல் தொடர்புகளை நிர்வகிப்பதற்காக தோன்றியுள்ளன. மைக்ரோசாப்ட் கினெக்ட் கேமரா என்பது ஒரு புரட்சிகர மற்றும் பயனுள்ள ஆழம் கேமரா ஆகும், இது எக்ஸ்பாக்ஸ் இயங்குதளத்தில் சைகை அல்லது இயக்க கண்டறிதல் மூலம் ஊடாடும் கேமிங்கின் புதிய பயனர் அனுபவத்தை வழங்குகிறது. இந்த ஆய்வில், மைக்ரோசாப்ட் கினெக்ட் சென்சார் மூலம் குவாட்ரோட்டர் ஏ.ஆர். ட்ரோனை கட்டுப்படுத்தும் முறையை முன்வைக்கிறோம். |
ca78c8c4dbe4c92ba90c8f6e1399b78ced3cf997 | இந்த ஆய்வில், கவனம் மற்றும் வெளியீட்டுக்கு இடையிலான கூட்டு விநியோகத்தின் எளிய பீம் தோராயமானது, வரிசைக்கு வரிசை கற்றலுக்கான எளிதான, துல்லியமான மற்றும் திறமையான கவனம் பொறிமுறையாகும் என்பதைக் காட்டுகிறோம். இந்த முறை கடினமான கவனத்தில் கூர்மையான கவனம் செலுத்துவதன் நன்மை மற்றும் மென்மையான கவனத்தின் செயல்படுத்தல் எளிமையை இணைக்கிறது. ஐந்து மொழிபெயர்ப்பு மற்றும் இரண்டு உருவவியல் மாற்றம் பணிகளில், தற்போதுள்ள கவனம் செலுத்தும் வழிமுறைகளுடன் ஒப்பிடும்போது BLEU இல் சிரமமின்றி மற்றும் நிலையான முன்னேற்றங்களைக் காட்டுகிறோம். |
abdb694ab4b1cb4f54f07ed16a657765ce8c47f5 | புதுமை பண்புகள் மற்றும் புதுமை தத்தெடுப்பு மற்றும் நடைமுறைப்படுத்தலுடன் அவற்றின் உறவு ஆகியவற்றைப் பற்றி எழுபத்தைந்து கட்டுரைகளின் ஆய்வு மற்றும் மெட்டா பகுப்பாய்வு மேற்கொள்ளப்பட்டது. பகுப்பாய்வின் ஒரு பகுதியாக இருக்கும் ஆய்வுகளின் ஒரு முறை சார்ந்த சுயவிவரத்தை உருவாக்குவது, மற்றும் ஒரு கருத்தியல் உகந்த அணுகுமுறையுடன் இதை ஒப்பிடுவது ஆகியவை அடங்கும். ஆய்வின் இரண்டாம் பகுதியில், தற்போதுள்ள அனுபவக் கண்டுபிடிப்புகளின் பொதுவான தன்மை மற்றும் நிலைத்தன்மையை மதிப்பிடுவதற்கு மெட்டா-அனலிட்டிக் புள்ளியியல் நுட்பங்கள் பயன்படுத்தப்பட்டன. மூன்று புதுமை பண்புகள் (ஒப்புதல், தொடர்புடைய நன்மை, மற்றும் சிக்கலான தன்மை) புதுமை தத்தெடுப்புடன் மிகவும் நிலையான குறிப்பிடத்தக்க உறவைக் கொண்டிருந்தன. இந்த பகுதியில் எதிர்கால ஆராய்ச்சிக்கு ஆலோசனைகள் வழங்கப்பட்டன. |
518fd110bbf86df5259fb99126173d626a2ff744 | தனிநபர் ரோபோக்கள் மற்றும் சட்டசபை வரிசை ரோபோக்கள் போன்ற மொபைல் கையாளுபவர்களுக்கான பாதைகளை விட விருப்பங்களைக் கற்றுக்கொள்வதற்கான சிக்கலை நாங்கள் கருதுகிறோம். நாம் கற்றுக்கொள்ளும் விருப்பங்கள், சுழற்சிகளில் உள்ள எளிய வடிவியல் கட்டுப்பாடுகளை விட சிக்கலானவை; அவை பல்வேறு பொருள்களின் சுற்றியுள்ள சூழலாலும், சுற்றுச்சூழலில் மனித தொடர்புகளாலும் ஆளப்படுகின்றன. சூழல் நிறைந்த சூழல்களில் விருப்பங்களை கற்பிப்பதற்கான ஒரு கூட்டு ஆன்லைன் கற்றல் கட்டமைப்பை நாங்கள் முன்மொழிகிறோம். பயனரிடமிருந்து எதிர்பார்க்கப்படும் பின்னூட்ட வகைகளில் நமது அணுகுமுறையின் முக்கிய புதுமை உள்ளது: மனித பயனர் உகந்த பாதைகளை பயிற்சி தரவுகளாக நிரூபிக்க தேவையில்லை, ஆனால் கணினியால் தற்போது முன்மொழியப்பட்ட பாதையில் சற்று மேம்பட்ட பாதைகளை மீண்டும் மீண்டும் வழங்க வேண்டும். இந்த கூட்டு விருப்பத்தேர்வு பின்னூட்டத்தை உகந்த பாதைகளின் ஆர்ப்பாட்டங்களை விட எளிதாக பெற முடியும் என்று நாங்கள் வாதிடுகிறோம். ஆயினும், நமது வழிமுறையின் தத்துவார்த்த வருத்த வரம்புகள் உகந்த பாதை வழிமுறைகளின் அசிம்ப்டோடிக் விகிதங்களுடன் பொருந்துகின்றன. நாங்கள் எங்கள் வழிமுறையை இரண்டு உயர்-சுதந்திர ரோபோக்களில் செயல்படுத்துகிறோம், PR2 மற்றும் பாக்ஸ்டர், மற்றும் மூன்று உள்ளுணர்வு வழிமுறைகளை வழங்குகிறோம் அத்தகைய அதிகரித்த பின்னூட்டத்தை வழங்குவதற்காக. எங்கள் சோதனை மதிப்பீட்டில், வீட்டு வேலைகள் மற்றும் மளிகைக் கடை காசோலை ஆகிய இரண்டு சூழல் நிறைந்த அமைப்புகளை நாங்கள் கருத்தில் கொண்டு, பயனர்கள் சில பின்னூட்டங்களுடன் (சில நிமிடங்கள் மட்டுமே எடுக்கும்) ரோபோவை பயிற்றுவிக்க முடியும் என்பதைக் காட்டுகிறோம். |
9f927249d7b33b91ca23f8820e21b22a6951a644 | மில்லிமீட்டர் அலை (mmWave) செல்லுலார் அமைப்புகளின் உயர் தரவு விகிதங்களை இயக்குவதற்கு அடிப்படை நிலையங்கள் மற்றும் மொபைல் பயனர்கள் ஆகிய இரு இடங்களிலும் பெரிய ஆண்டெனா வரிசைகளை நிறுவ வேண்டும். மிமீ அலை செல்லுலார் நெட்வொர்க்குகளின் கவரேஜ் மற்றும் வீதத்தின் முந்தைய பணிகள் அடிப்படை நிலையங்கள் மற்றும் மொபைல் பீம்ஃபார்மிங் வெக்டர்கள் அதிகபட்ச பீம்ஃபார்மிங் ஆதாயங்களுக்காக முன் வடிவமைக்கப்பட்டிருக்கும் போது கவனம் செலுத்தியது. பீம்ஃபார்மிங்/கம்பைனிங் வெக்டர்களை வடிவமைப்பது, பயிற்சி தேவைப்படுகிறது, இது SINR கவரேஜ் மற்றும் mmWave அமைப்புகளின் விகிதம் ஆகிய இரண்டையும் பாதிக்கும். இந்த ஆவணம் மிமீ அலை செல்லுலார் நெட்வொர்க்கின் செயல்திறனை மதிப்பீடு செய்கிறது அதே நேரத்தில் பீம் பயிற்சி / சங்கம் மேலேயுள்ள செலவை கணக்கிடுகிறது. முதலில், பீம் ஸ்வைப்பிங் மற்றும் டவுன்லிங்க் கண்ட்ரோல் பைலட் மறுபயன்பாட்டின் அடிப்படையில் ஆரம்ப பீம் அசோசியேஷனுக்கான ஒரு மாதிரி உருவாக்கப்படுகிறது. கதிர் பயிற்சியின் தாக்கத்தை உள்ளடக்குவதற்கு, ஒரு புதிய மெட்ரிக், பயனுள்ள நம்பகமான விகிதம் என்று அழைக்கப்படுகிறது, வரையறுக்கப்பட்டு ஏற்றுக்கொள்ளப்படுகிறது. ஸ்டோகாஸ்டிக் வடிவியல் பயன்படுத்தி, mmWave செல்லுலார் நெட்வொர்க்குகளின் பயனுள்ள விகிதம் இரண்டு சிறப்பு நிகழ்வுகளுக்கு பெறப்படுகிறதுஃ கிட்டத்தட்ட-ஒர்த்தோகனல் பைலட்டுகள் மற்றும் முழு பைலட் மறுபயன்பாடு. பகுப்பாய்வு மற்றும் உருவகப்படுத்துதல் முடிவுகள் இரண்டு முக்கியமான கேள்விகளுக்கு விடைகளை வழங்குகின்றன. முதலாவதாக, மிமீ அலை நெட்வொர்க் செயல்திறன் மீது பீம் சங்கத்தின் தாக்கம் என்ன? எனவே, orthogonal அல்லது reused பைலட்டுகளை பயன்படுத்த வேண்டுமா? இதன் விளைவாக, பயன்படுத்தப்படும் பீம்ஸ் மிகவும் அகலமாக இல்லாவிட்டால், முழுமையான பைலட் மறுபயன்பாட்டுடன் ஆரம்ப பீம் பயிற்சி கிட்டத்தட்ட சரியான பீம் சீரமைப்பைப் போலவே சிறந்தது. |
6bd1f2782d6c8c3066d4e7d7e3afb995d79fa3dd | ஒரு சொற்பொருள் பிரிவு அல்காரிதம் ஒரு படத்தில் உள்ள ஒவ்வொரு பிக்சலுக்கும் ஒரு லேபிளை ஒதுக்க வேண்டும். சமீபத்தில், ஆழமான கற்றல் காரணமாக RGB படங்களின் சொற்பொருள் பிரிவு கணிசமாக முன்னேறியுள்ளது. சொற்பொருள் பிரிவுக்கான தரவுத்தொகுப்புகளை உருவாக்குவது கடினமானதாக இருப்பதால், இந்த தரவுத்தொகுப்புகள் பொருள் அங்கீகார தரவுத்தொகுப்புகளை விட கணிசமாக சிறியதாக இருக்கும். இது செமண்டிக் பிரிவுக்கான ஆழமான நரம்பியல் வலையமைப்பை நேரடியாக பயிற்றுவிப்பதை கடினமாக்குகிறது, ஏனெனில் இது அதிக பொருந்தக்கூடியதாக இருக்கும். இதைச் சமாளிக்க, ஆழமான கற்றல் மாதிரிகள் பொதுவாக பெரிய அளவிலான பட வகைப்படுத்தல் தரவுத்தொகுப்புகளில் முன் பயிற்சி பெற்ற கன்வோல்ஷனல் நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்துகின்றன, அவை பின்னர் சொற்பொருள் பிரிவுக்காக நுணுக்கமாக சரிசெய்யப்படுகின்றன. RGB அல்லாத படங்களுக்கு, இது தற்போது சாத்தியமில்லை, ஏனெனில் பெரிய அளவிலான பெயரிடப்பட்ட RGB அல்லாத தரவுத்தொகுப்புகள் இல்லை. இந்த ஆய்வில், பல நிறமாலை தொலைநிலை உணர்திறன் படங்களின் சொற்பொருள் பிரிவுக்காக இரண்டு ஆழமான நரம்பியல் வலையமைப்புகளை நாங்கள் உருவாக்கியுள்ளோம். இலக்கு தரவுத்தொகுப்பில் பயிற்சிக்கு முன், நாம் நெட்வொர்க்குகளை பெரிய அளவிலான செயற்கை பல்வகை படங்களுடன் தொடங்குகிறோம். இது நிஜ உலக தொலைநிலை உணர்திறன் படங்களின் முடிவுகளை கணிசமாக மேம்படுத்துகிறது என்பதை நாங்கள் காட்டுகிறோம், மேலும் சவாலான ஹாம்லின் பீச் மாநில பூங்கா தரவுத்தளத்தில் ஒரு புதிய அதிநவீன முடிவை நாங்கள் நிறுவுகிறோம். |
9e9b8832b9e727d5f7a61cedfa4bdf44e8969623 | உலகளாவிய தீர்வுகளை கண்டுபிடிப்பதற்கான பெரிய அளவிலான நேரியல் அல்லாத தேர்வுமுறை சிக்கல்களுக்கு போதனை-கற்றல் அடிப்படையிலான தேர்வுமுறை (TLBO) என்று அழைக்கப்படும் ஒரு திறமையான தேர்வுமுறை முறை இந்த காகிதத்தில் முன்மொழியப்பட்டுள்ளது. வகுப்பறையில் மாணவர்களின் செயல்திறன் மீது ஆசிரியரின் செல்வாக்கின் விளைவை அடிப்படையாகக் கொண்டே இந்த முறை உருவாக்கப்பட்டுள்ளது. இந்த முறையின் அடிப்படை தத்துவம் விரிவாக விளக்கப்பட்டுள்ளது. இந்த முறையின் செயல்திறன் பல்வேறு குணாதிசயங்களைக் கொண்ட பல குறிப்பு சிக்கல்களில் சோதிக்கப்படுகிறது மற்றும் முடிவுகள் பிற மக்கள் அடிப்படையிலான முறைகளுடன் ஒப்பிடப்படுகின்றன. 2011 Elsevier Inc. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
3ca6ab58ae015860098d800a9942af9df4d1e090 | குறுகிய பாதைகள் மற்றும் ஐசோமார்பிக் துணைக் கிராப்களைக் கண்டுபிடிப்பது போன்ற தேடல் அடிப்படையிலான வரைபட வினவல்கள் நினைவக தாமதத்தால் ஆதிக்கம் செலுத்துகின்றன. உள்ளீட்டு வரைபடங்களை முறையாகப் பிரித்தெடுத்தால், பெரிய கிளஸ்டர் அடிப்படையிலான கணினி தளங்கள் இந்த வினவல்களை இயக்க முடியும். இருப்பினும், உள்ளீட்டு வரைபடத்தின் ஒவ்வொரு முனையத்திலும் கணக்கீட்டு-இணைக்கப்பட்ட செயலாக்கத்தின் பற்றாக்குறை மற்றும் அண்டை நாடுகளை மீட்டெடுப்பதற்கான நிலையான தேவை குறைந்த செயலி பயன்பாட்டைக் குறிக்கிறது. மேலும், அளவிலான இலவச சமூக வலைப்பின்னல்கள் போன்ற வரைபட வகுப்புகளுக்கு பகிர்வு தெளிவாக பயனுள்ளதாக இருக்கும் வகையில் உள்ளூர்மயமாக்கல் இல்லை. மாபெரும் மல்டித்ரெடிங் என்பது ஒரு மாற்று கட்டடக்கலை முன்னுதாரணமாகும், இதில் ஒரு பெரிய பகிரப்பட்ட நினைவகம் பல நூல் சூழல்களை ஆதரிக்க கூடுதல் வன்பொருளைக் கொண்ட செயலிகளுடன் இணைக்கப்படுகிறது. செயலி வேகம் வழக்கமானதை விட மெதுவாக உள்ளது, மேலும் தரவு கேச் இல்லை. நினைவக தாமதத்தை குறைப்பதற்கு பதிலாக, பல நூல் இயந்திரங்கள் அதை பொறுத்துக்கொள்கின்றன. இந்த முன்னுதாரணம் வரைபட தேடலின் சிக்கலுடன் நன்கு சீரமைக்கப்பட்டுள்ளது, ஏனெனில் கணக்கீட்டிற்கான நினைவக கோரிக்கைகளின் உயர் விகிதம் மல்டித்ரெடிங் மூலம் தாங்கப்படலாம். இந்த ஆய்வில், மல்டித்ரெட் கிராப் நூலகம் (MTGL) பற்றி அறிமுகப்படுத்துகிறோம், இது மல்டித்ரெட் கணினிகளில் சொற்பொருள் வரைபடங்களை செயலாக்குவதற்கான பொதுவான வரைபட வினவல் மென்பொருளாகும். இந்த நூலகம் தற்போது சீரியல் இயந்திரங்கள் மற்றும் கிரே எம்டிஏ -2 இல் இயங்குகிறது, ஆனால் சாண்டியா ஒரு இயக்க நேர அமைப்பை உருவாக்கி வருகிறது, இது எம்டிஜிஎல் அடிப்படையிலான குறியீட்டை சமச்சீர் மல்டிபிராசஸர்களில் இயக்க அனுமதிக்கும். இணைக்கப்பட்ட கூறுகளுக்கான பல நூல் வழிமுறை மற்றும் துல்லியமற்ற துணைக் கிராஃப் ஐசோமார்பிசத்திற்கான புதிய ஹூரிஸ்டிக் ஆகியவற்றை நாங்கள் அறிமுகப்படுத்துகிறோம். பெரிய அளவிலான இலவச கிராஃப்களில் இந்த மற்றும் பிற அடிப்படை கிராஃப் வழிமுறைகளின் செயல்திறனை நாங்கள் ஆராய்வோம். கிரே எம்டிஏ-2 மற்றும் ப்ளூ ஜீன்/லைட் இடையே செயல்திறன் ஒப்பீட்டை கொண்டு முடிக்கிறோம். |
d4c65ee21bb8d64b8e4380f80ad856a1629b5949 | பரந்தவெளி ஆர்த்தோ-மோட் டிரான்ஸ்யூசர்களில் இரட்டை நேர்கோணல் நேரியல் துருவமுனைப்புகளை பிரிப்பதற்காக மடிந்த பக்கவாட்டு கைகளுடன் ஒரு அலை வழிகாட்டி பிரிப்பான் வழங்கப்படுகிறது. இந்த அமைப்பு நன்கு அறியப்பட்ட இரட்டை சமச்சீர் சந்திப்பின் அடிப்படையில் அமைந்துள்ளது, இதில் உலோக ஊசிகள் அகற்றப்பட்டு, பக்கவாட்டு வெளியீடுகள் ஒருங்கிணைந்த விளைவை அடைய மடித்துள்ளனஃ செங்குத்து துருவமுனைப்புக்கான பொருத்தம் மற்றும் மிக முக்கியமான அளவு குறைப்பு. கூடுதலாக, பக்க கிளைகளுக்கான பாதை குறைக்கப்பட்டிருப்பதால், வெவ்வேறு துருவமுனைப்புகளுக்கான செருகல் இழப்புகள் சமநிலையில் உள்ளன. இணைப்பின் இரட்டை சமச்சீரமைப்பின் காரணமாக orthogonal துருவமுனைகளுக்கு இடையிலான தனிமைப்படுத்தல் பராமரிக்கப்படுகிறது. இயந்திரக் கண்ணோட்டத்தில், முன்மொழியப்பட்ட சந்தி, 12.6 முதல் 18.25 GHz வரை முழு Ku-பட்டை உள்ளடக்கிய Ku-பட்டை வடிவமைப்பில் காட்டப்பட்டுள்ள ஆர்த்தோ-மோட் டிரான்ஸ்யூசர் பாகங்களின் எளிய உற்பத்தி மற்றும் அசெம்பிளிங்கை அனுமதிக்கிறது. பரிசோதனை முன்மாதிரி வடிவமைப்பு பட்டை 28 dB விட சிறந்த மற்றும் 0.15 dB விட சிறிய இரு துருவமுனைப்பு இழப்பு ஒரு அளவிடப்பட்ட திரும்ப இழப்பு காட்டியுள்ளது. |
db3259ae9e7f18a319cc24229662da9bf400221a | |
10dae7fca6b65b61d155a622f0c6ca2bc3922251 | |
5021c5f6d94ffaf735ab941241ab21e0c491ffa1 | MSER அம்சங்கள் பொருந்தக்கூடிய மற்றும் மீட்டெடுப்பு பணிகளில் அவற்றின் செயல்திறனை மேம்படுத்த மறுவரையறை செய்யப்படுகின்றன. முன்மொழியப்பட்ட சிம்சர் அம்சங்கள் (அதாவது அளவு-அனுபவம் இல்லாத MSER கள்) என்பது எல்லை மாற்றங்களுக்கு (MSER கள் போன்றவை) மட்டுமல்லாமல், கூடுதலாக, பட மறுஅளவிடுதலுக்கு (மென்மையாக்கல்) கீழ் அதிகபட்ச நிலையான பகுதிகளாகும். இத்தகைய மாற்றத்தின் தத்துவார்த்த நன்மைகள் விவாதிக்கப்படுகின்றன. இதுபோன்ற மாற்றம் MSER களின் அடிப்படை பண்புகளை பாதுகாக்கிறது, அதாவது, அம்சங்களின் சராசரி எண்ணிக்கை, மீண்டும் நிகழ்தகவு, மற்றும் கணக்கீட்டு சிக்கலான தன்மை (பயன்படுத்தப்படும் அளவீடுகளின் எண்ணிக்கையால் பெருக்கல் முறையில் அதிகரிக்கப்படுகிறது), அதே நேரத்தில் செயல்திறன் (வழக்கமான CBVIR அளவீடுகளால் அளவிடப்படுகிறது) கணிசமாக மேம்படுத்தப்படலாம். குறிப்பாக, தரவுத்தொகுப்புகளின் முடிவுகள், விவரிப்பான் அடிப்படையிலான பொருந்தக்கூடிய மற்றும் வார்த்தை அடிப்படையிலான பொருந்தக்கூடிய இருவகைகளிலும் நினைவுகூரும் மதிப்புகளில் குறிப்பிடத்தக்க அதிகரிப்புகளைக் காட்டுகின்றன. பொதுவாக, SIMSER கள் பெரிய காட்சி சொற்களஞ்சியங்களுடன் பயன்பாட்டிற்கு மிகவும் பொருத்தமானவை என்று தோன்றுகிறது, எ. கா. பெரிய அளவிலான தரவுத்தளங்களில் BoW முன் தேடல் செயல்பாடுகளின் தரத்தை மேம்படுத்த அவை முன்னோக்கி பயன்படுத்தப்படலாம். |
e23c9687ba0bf15940af76b7fa0e0c1af9d3156e | நுகர்வோர் மின்னணுவியல் தொழில் என்பது 240 பில்லியன் டாலர் மதிப்பிலான உலகளாவிய தொழிலாகும். இதில் அதிக போட்டித்திறன் கொண்ட உலகளாவிய வீரர்கள் ஒரு சிறிய எண்ணிக்கையில் உள்ளனர். இந்தத் துறையில் உள்ள எந்தவொரு உலகளாவிய விநியோகச் சங்கிலியுடனும் தொடர்புடைய பல அபாயங்களை நாங்கள் விவரிக்கிறோம். இந்த அபாயங்களை குறைக்க சாம்சங் எலக்ட்ரானிக்ஸ் மற்றும் அதன் துணை நிறுவனமான சாம்சங் எலக்ட்ரானிக்ஸ் யுகே எடுத்த நடவடிக்கைகளை எடுத்துள்ளோம். அபாயங்கள் பற்றிய நமது விளக்கமும், அவற்றைக் குறைக்கும் முயற்சிகள் பற்றிய விளக்கமும் எதிர்கால ஆராய்ச்சிகளின் பகுதிகளை அடையாளம் காண பின்னணியை வழங்குகிறது. |
2f52cbef51a6a8a2a74119ad821526f9e0b57b39 | SAP HANA தரவுத்தளம் SAP HANA Appliance இன் மையமாக நிறுவப்பட்டுள்ளது, இது சிக்கலான வணிக பகுப்பாய்வு செயல்முறைகளை பரிவர்த்தனை ரீதியாக நிலையான செயல்பாட்டு பணிச்சுமைகளுடன் இணைத்து ஆதரிக்கிறது. இந்த ஆவணத்தில், SAP HANA தரவுத்தளத்தின் அடிப்படை பண்புகளை நாங்கள் கோடிட்டுக் காட்டுகிறோம், மற்ற பாரம்பரிய உறவு தரவுத்தள மேலாண்மை அமைப்புகளிலிருந்து SAP HANA தரவுத்தளத்தை வேறுபடுத்தும் தனித்துவமான அம்சங்களை வலியுறுத்துகிறோம். தொழில்நுட்ப ரீதியாக, SAP HANA தரவுத்தளம் தரவு செயலாக்கத்தின் முழு அளவையும் வழங்க விநியோகிக்கப்பட்ட வினவல் செயலாக்க சூழலுடன் பல தரவு செயலாக்க இயந்திரங்களைக் கொண்டுள்ளது - ஒரு கலப்பின இயந்திரத்தில் வரிசை மற்றும் நெடுவரிசை சார்ந்த இயற்பியல் பிரதிநிதித்துவங்களை ஆதரிக்கும் கிளாசிக்கல் உறவு தரவுகளிலிருந்து, அதே அமைப்பில் அரை மற்றும் கட்டமைக்கப்படாத தரவு நிர்வாகத்திற்கான வரைபடம் மற்றும் உரை செயலாக்கத்திற்கு. பயன்பாட்டு சார்ந்த பார்வையில், SAP HANA தரவுத்தளத்தின் மூலம் வழங்கப்படும் குறிப்பிட்ட ஆதரவை நாங்கள் கோடிட்டுக் காட்டுகிறோம். தரவுத்தள அமைப்புகளுக்கான தொடர்பு மொழி (lingua franca) எனும் SQL, தரவு மேலாண்மை அடுக்குடன் நெருக்கமான தொடர்பு தேவைப்படும் நவீன பயன்பாடுகளின் அனைத்து தேவைகளையும் பூர்த்தி செய்வதாக இனி கருத முடியாது. எனவே, SAP HANA தரவுத்தளம், பயன்பாட்டு சொற்பொருள்களை அடிப்படை தரவு மேலாண்மை தளத்துடன் பரிமாறிக்கொள்ள அனுமதிக்கிறது, இது தேடல் வெளிப்பாட்டை அதிகரிக்கவும், தனிப்பட்ட பயன்பாடு-தரவுத்தள சுற்றுப்பயணங்களின் எண்ணிக்கையை குறைக்கவும் பயன்படுத்தப்படலாம். |
3a011bd31f1de749210b2b188ffb752d9858c6a6 | பெரிய சிக்கலான நெட்வொர்க்குகள் மீது முடிவெடுக்கும் ஆதரவு வசதிகளை விரிவுபடுத்துவதை நாங்கள் கருதுகிறோம், இதில் பல பரிமாண பண்புகள் நெட்வொர்க் நிறுவனங்களுடன் தொடர்புடையவை, இதனால் பல பரிமாண நெட்வொர்க்குகள் என்று அழைக்கப்படுகின்றன. தரவுக் கிடங்குகள் மற்றும் OLAP (ஆன்லைன் பகுப்பாய்வு செயலாக்க) தொழில்நுட்பம் உறவு தரவுகளில் முடிவெடுப்பதில் உதவும் திறமையான கருவிகளாக நிரூபிக்கப்பட்டுள்ளன. எனினும், புதிய ஆனால் முக்கியமான பல பரிமாண நெட்வொர்க்குகளை கையாள அவை நன்கு பொருத்தப்பட்டிருக்கவில்லை. இந்த ஆய்வில், கிராஃப் கியூப் என்ற புதிய தரவு சேமிப்பு மாதிரியை அறிமுகப்படுத்துகிறோம், இது பெரிய பல பரிமாண நெட்வொர்க்குகளில் OLAP வினவல்களை திறம்பட ஆதரிக்கிறது. நெட்வொர்க்குகளின் பண்புக்கூறு கூட்டு மற்றும் கட்டமைப்பு சுருக்கம் ஆகிய இரண்டையும் கணக்கில் எடுத்துக்கொள்வதன் மூலம், கிராஃப் கியூப் என்பது எண் மதிப்பு அடிப்படையிலான குழு-வழி மூலம் மட்டுமே சம்பந்தப்பட்ட பாரம்பரிய தரவு கியூப் மாதிரியைத் தாண்டி செல்கிறது, இதனால் ஒவ்வொரு சாத்தியமான பல பரிமாண இடத்திலும் அதிக நுண்ணறிவு மற்றும் கட்டமைப்பு நிறைந்த கூட்டு நெட்வொர்க்கை உருவாக்குகிறது. பாரம்பரிய கியூபோய்ட் வினவல்களுக்கு கூடுதலாக, ஒரு புதிய வகையான OLAP வினவல்கள், குறுக்குவழி, அறிமுகப்படுத்தப்படுகின்றன, இது பல பரிமாண நெட்வொர்க்குகளில் தனித்துவமாக பயனுள்ளதாக இருக்கும், மேலும் இதற்கு முன்பு ஆய்வு செய்யப்படவில்லை. பல பரிமாண நெட்வொர்க்குகளின் சிறப்பு பண்புகளை தற்போதுள்ள நன்கு ஆய்வு செய்யப்பட்ட தரவு க்யூப் நுட்பங்களுடன் இணைத்து கிராஃப் க்யூபை செயல்படுத்துகிறோம். உண்மையான உலக தரவுத் தொகுப்புகளின் தொடர்ச்சியான விரிவான பரிசோதனை ஆய்வுகளை நாங்கள் மேற்கொள்கிறோம், மேலும் கிராஃப் கியூப் பெரிய பல பரிமாண நெட்வொர்க்குகளில் முடிவெடுப்பதில் ஒரு சக்திவாய்ந்த மற்றும் திறமையான கருவியாக நிரூபிக்கப்பட்டுள்ளது. |
4b573416043cf9cff42cbb7b753993c907a2be4a | பல பாரம்பரிய மற்றும் புதிய வணிக பயன்பாடுகள் இயல்பாகவே வரைபட கட்டமைக்கப்பட்ட தரவுகளுடன் வேலை செய்கின்றன, எனவே தரவு மேலாண்மை அடுக்கில் வழங்கப்படும் வரைபட சுருக்கங்கள் மற்றும் செயல்பாடுகளிலிருந்து பயனடைகின்றன. சொத்து வரைபட தரவு மாதிரி திட்ட நெகிழ்வுத்தன்மையை வழங்குவதோடு மட்டுமல்லாமல் தரவு மற்றும் மெட்டாடேட்டாவை ஒன்றாக நிர்வகிக்கவும் செயலாக்கவும் அனுமதிக்கிறது. தரவுத்தள இயந்திரத்தில் நேரடியாக செயல்படுத்தப்படும் வழக்கமான வரைபட செயல்பாடுகள் மற்றும் ஒரு உள்ளுணர்வு நிரலாக்க இடைமுகம் மற்றும் ஒரு அறிவிப்பு மொழியின் வடிவத்தில் அவற்றை வெளிப்படுத்துவதன் மூலம், சிக்கலான வணிக பயன்பாட்டு தர்க்கத்தை எளிதாக வெளிப்படுத்தலாம் மற்றும் மிகவும் திறமையாக செயல்படுத்தலாம். இந்த ஆவணத்தில், SAP HANA தரவுத்தளத்தை உள்ளமைக்கப்பட்ட வரைபட தரவு ஆதரவுடன் விரிவுபடுத்துவதற்கான எங்கள் தற்போதைய பணியை விவரிக்கிறோம். SAP HANA உடன் நவீன வணிக பயன்பாடுகளுக்கான திறமையான மற்றும் உள்ளுணர்வு தரவு மேலாண்மை தளத்தை வழங்குவதற்கான அடுத்த படியாக இதை நாங்கள் பார்க்கிறோம். |
16af753e94919ca257957cee7ab6c1b30407bb91 | |
cc75568885ab99851cc0e0ea5679121606121e5d | வேலை செய்யும் நாய்களைப் பயிற்றுவிப்பதும் கையாளுவதும் ஒரு செலவுமிக்க செயல்முறையாகும், மேலும் சிறப்பு திறன்களும் நுட்பங்களும் தேவைப்படுகின்றன. குறைந்த செலவு மற்றும் குறைந்த சுயநல பயிற்சி முறைகள் இந்த நாய்களுடன் நமது கூட்டாண்மைகளை மேம்படுத்துவது மட்டுமல்லாமல், அவர்களின் திறன்களிலிருந்து இன்னும் திறமையாக பயனடையவும் உதவும். இதை எளிதாக்க, நாய் உடலமைப்பு-வலைத்தளம் (cBAN) ஒன்றை உருவாக்கி வருகிறோம். இது உணர்திறன் தொழில்நுட்பங்கள் மற்றும் கணினி மாதிரியை இணைத்து, நாய் பயிற்சிக்கான துல்லியமான விளக்கத்தை வழங்குகிறது. முதல் படி, நாய்களின் நடத்தை செயல்பாடுகளை தொலைவிலிருந்து கண்டறிய, செயலற்ற அளவீட்டு அலகுகளை (IMU) பயன்படுத்தினோம். முடிவு மர வகைப்படுத்திகள் மற்றும் மறைக்கப்பட்ட மார்கோவ் மாதிரிகள் நிலையான நிலைகளை (அமர்ந்திருத்தல், நின்று, படுத்து, இரண்டு கால்களில் நின்று, தரையில் இருந்து சாப்பிடுவது) மற்றும் மாறும் செயல்பாடுகளை (நடப்பது, படிக்கட்டுகளில் ஏறுவது மற்றும் ஒரு சாய்வைக் கீழே நடப்பது) கண்டறிய பயன்படுத்தப்பட்டன. இது ஒரு நாய் உடையில் பயன்படுத்தப்பட்ட வயர்லெஸ் சென்சிங் சிஸ்டத்தால் வழங்கப்பட்ட அக்ஸலரோமீட்டர் மற்றும் ஜைரோஸ்கோப் தரவுகளின் ஹூரிஸ்டிக் அம்சங்களின் அடிப்படையில். 6 லாப்ரடார் ரிட்ரீவர்ஸ் மற்றும் ஒரு கை கென் ஆகியவற்றிலிருந்து தரவு சேகரிக்கப்பட்டது. IMU இடம் மற்றும் நோக்குநிலை பகுப்பாய்வு நிலையான மற்றும் மாறும் செயல்பாட்டு அங்கீகாரத்திற்கான உயர் வகைப்படுத்தல் துல்லியத்தை அடைய உதவியது. |
694a40785f480cc0d65bd94a5e44f570aff5ea37 | மொபைல் ரோபோட் வழிசெலுத்தல் குறித்த ஆராய்ச்சி, உட்புற சூழல்களை வரைபடமாக்குவதற்கான இரண்டு முக்கிய முன்னுதாரணங்களை உருவாக்கியுள்ளதுஃ கட்டம் அடிப்படையிலான மற்றும் இடவியல். கட்டம் அடிப்படையிலான முறைகள் துல்லியமான அளவீட்டு வரைபடங்களை உருவாக்கும் போது, அவற்றின் சிக்கலானது பெரும்பாலும் பெரிய அளவிலான உட்புற சூழல்களில் திறமையான திட்டமிடல் மற்றும் சிக்கலைத் தீர்ப்பதைத் தடைசெய்கிறது. மறுபுறம், டோபோலஜிக்கல் வரைபடங்கள் மிகவும் திறமையாக பயன்படுத்தப்படலாம், ஆனால் துல்லியமான மற்றும் நிலையான டோபோலஜிக்கல் வரைபடங்கள் பெரிய அளவிலான சூழல்களில் கற்றுக்கொள்வது மிகவும் கடினம். இந்த ஆவணம் இரண்டு முன்னுதாரணங்களையும் ஒருங்கிணைக்கும் ஒரு அணுகுமுறையை விவரிக்கிறது: கட்டம் அடிப்படையிலான மற்றும் டோபோலஜிக்கல். கட்டம் அடிப்படையிலான வரைபடங்கள் செயற்கை நரம்பியல் நெட்வொர்க்குகள் மற்றும் பேய்சியன் ஒருங்கிணைப்பு ஆகியவற்றைப் பயன்படுத்தி கற்றுக்கொள்ளப்படுகின்றன. கட்டம் சார்ந்த வரைபடங்களின் மேல், இடவியல் வரைபடங்கள் உருவாக்கப்படுகின்றன. இரண்டு முன்னுதாரணங்களையும் இணைப்பதன் மூலம் - கட்டம் சார்ந்த மற்றும் இடவியல் சார்ந்த - இங்கு வழங்கப்பட்ட அணுகுமுறை இரு உலகங்களிலும் சிறந்ததைப் பெறுகிறதுஃ துல்லியம் / நிலைத்தன்மை மற்றும் செயல்திறன். இந்த ஆய்வறிக்கை, பல அறைகள் கொண்ட மக்கள் வசிக்கும் சூழலில், சோனார் சென்சார்கள் பொருத்தப்பட்ட ஒரு மொபைல் ரோபோவை தன்னாட்சி முறையில் இயக்குவதற்கான முடிவுகளை வழங்குகிறது. |
a512385be058b1e2e1d8b418a097065707622ecd | உலக அளவில் புற்றுநோய் பாதிப்பு தொடர்ந்து அதிகரித்து வருகிறது. உலக மக்கள் தொகை அதிகரித்து வருவதாலும், புற்றுநோயை ஏற்படுத்தும் பழக்கவழக்கங்கள், குறிப்பாக புகைபிடித்தல் ஆகியவை பொருளாதார ரீதியாக வளரும் நாடுகளில் அதிகரித்து வருவதாலும் இது ஏற்படுகிறது. 2008 ஆம் ஆண்டில் சுமார் 12.7 மில்லியன் புற்றுநோய் நோயாளிகள் மற்றும் 7.6 மில்லியன் புற்றுநோய் இறப்புகள் ஏற்பட்டதாக மதிப்பிடப்பட்டுள்ளது. இவற்றில் 56% வழக்குகள் மற்றும் 64% இறப்புகள் பொருளாதார ரீதியாக வளரும் உலகில் நிகழ்ந்தன. மார்பக புற்றுநோய் என்பது அடிக்கடி கண்டறியப்படும் புற்றுநோய் மற்றும் பெண்களுக்குள் புற்றுநோயால் ஏற்படும் மரணத்தின் முக்கிய காரணமாகும், இது மொத்த புற்றுநோய் வழக்குகளில் 23% மற்றும் புற்றுநோயால் ஏற்படும் மரணங்களில் 14% ஆகும். ஆண்களில் புற்றுநோயின் முக்கிய இடமாக நுரையீரல் புற்றுநோய் உள்ளது, இது மொத்த புற்றுநோய் பாதிப்புகளில் 17% மற்றும் மொத்த புற்றுநோய் இறப்புகளில் 23% ஆகும். மார்பக புற்றுநோய் இப்போது பொருளாதார ரீதியாக வளரும் நாடுகளில் உள்ள பெண்களுக்கு புற்றுநோயால் ஏற்படும் மரணத்தின் முக்கிய காரணமாகும், இது முந்தைய தசாப்தத்தில் இருந்து மாற்றமாகும், இதன் போது புற்றுநோயால் ஏற்படும் மரணத்தின் பொதுவான காரணம் கருப்பை வாய் புற்றுநோய் ஆகும். மேலும், வளரும் நாடுகளில் நுரையீரல் புற்றுநோயால் பெண்களுக்கு ஏற்படும் இறப்புச் சுமை கருப்பை புற்றுநோயால் ஏற்படும் இறப்புச் சுமைக்கு சமம், ஒவ்வொருவரும் மொத்த பெண் புற்றுநோயால் ஏற்படும் இறப்புகளில் 11% ஆகும். வளரும் நாடுகளில் புற்றுநோய் பாதிப்பு விகிதம் வளர்ந்த நாடுகளில் பாதிக்கும் மேற்பட்டது என்றாலும், புற்றுநோயால் இறக்கும் விகிதம் பொதுவாக ஒத்ததாகவே உள்ளது. வளரும் நாடுகளில் புற்றுநோய் உயிர்வாழ்வது குறைவாக உள்ளது, பெரும்பாலும் நோயறிதல் தாமதமாகி இருப்பதாலும், சரியான நேரத்தில் மற்றும் நிலையான சிகிச்சைக்கு குறைந்த அணுகல் இருப்பதாலும். புற்றுநோயின் உலகளாவிய சுமையின் கணிசமான பகுதியை புற்றுநோயை கட்டுப்படுத்துவதற்கான தற்போதைய அறிவைப் பயன்படுத்துவதன் மூலமும், புகையிலை கட்டுப்பாடு, தடுப்பூசி (இரத்த மற்றும் கருப்பை கட்டி புற்றுநோய்க்கான) மற்றும் ஆரம்பகால கண்டறிதல் மற்றும் சிகிச்சை, அத்துடன் உடல் செயல்பாடு மற்றும் ஆரோக்கியமான உணவு உட்கொள்ளலை ஊக்குவிக்கும் பொது சுகாதார பிரச்சாரங்களை செயல்படுத்துவதன் மூலமும் தடுக்க முடியும். மருத்துவ நிபுணர்கள், பொது சுகாதார நிபுணர்கள் மற்றும் கொள்கை வகுப்பாளர்கள் உலக அளவில் இத்தகைய தலையீடுகளை விரைவாகப் பயன்படுத்துவதில் தீவிரப் பங்காற்ற முடியும். |
37fa040ec0c4bc1b85f3ca2929445f3229ed7f72 | நாம் sketch-rnn, ஒரு தொடர்ச்சியான நரம்பியல் நெட்வொர்க் (RNN) பொதுவான பொருள்களின் ஸ்ட்ரோக் அடிப்படையிலான வரைபடங்களை உருவாக்க முடியும். நூற்றுக்கணக்கான வகுப்புகளை பிரதிநிதித்துவப்படுத்தும் ஆயிரக்கணக்கான கச்சா மனித-வரைபடங்களின் மீது இந்த மாதிரி பயிற்சி பெற்றது. நிபந்தனை மற்றும் நிபந்தனையற்ற வரைபட உருவாக்கம் செய்வதற்கான ஒரு கட்டமைப்பை நாங்கள் கோடிட்டுக் காட்டுகிறோம், மேலும் ஒரு திசையன் வடிவத்தில் ஒருங்கிணைந்த வரைபட வரைபடங்களை உருவாக்குவதற்கான புதிய வலுவான பயிற்சி முறைகளை விவரிக்கிறோம். |
a1a1c4fb58a2bc056a056795609a2be307b6b9bf | கிளவுட் ஸ்டோரேஜ் என்பது பல தகவல் தொழில்நுட்ப உள்கட்டமைப்புகளின் மூலக்கல்லாக மாறிவிட்டது. இது பெரிய அளவிலான தரவுகளை காப்புப் பிரதி எடுக்கவும், ஒத்திசைக்கவும், பகிர்ந்து கொள்ளவும் ஒரு தடையற்ற தீர்வாக அமைகிறது. இருப்பினும், கிளவுட் சேவை வழங்குநர்களின் நேரடி கட்டுப்பாட்டில் பயனர் தரவை வைப்பது, அவுட்சோர்ஸ் செய்யப்பட்ட தரவுகளின் ஒருமைப்பாடு, ரகசிய தகவல்களின் தற்செயலான அல்லது வேண்டுமென்றே கசிவு, பயனர் செயல்பாடுகளின் விவரக்குறிப்பு மற்றும் பலவற்றோடு தொடர்புடைய பாதுகாப்பு மற்றும் தனியுரிமைக் கவலைகளை எழுப்புகிறது. மேலும், கிளவுட் வழங்குநர் நம்பகமானவராக இருந்தாலும், அவுட்சோர்ஸ் செய்யப்பட்ட கோப்புகளை அணுகும் பயனர்கள் தீங்கிழைக்கும் மற்றும் தவறான நடத்தை கொண்டவர்களாக இருக்கலாம். தனிப்பட்ட சுகாதார பதிவுகள் மற்றும் கடன் மதிப்பெண் அமைப்புகள் போன்ற முக்கியமான பயன்பாடுகளில் இந்த கவலைகள் மிகவும் தீவிரமானவை. இந்த பிரச்சினையை தீர்க்க, GORAM, ஒரு குறியாக்க அமைப்பு, இது நம்பகமற்ற சேவையகம் மற்றும் தீங்கிழைக்கும் வாடிக்கையாளர்களுக்கு வெளிப்புற தரவுகளின் இரகசியத்தன்மையையும் ஒருமைப்பாட்டையும் பாதுகாக்கிறது, அத்தகைய தரவுகளுக்கான அணுகல்களின் அநாமதேயத்தையும் இணைக்க முடியாத தன்மையையும் உறுதி செய்கிறது, மேலும் தரவு உரிமையாளர் வெளிப்புற தரவை மற்ற வாடிக்கையாளர்களுடன் பகிர்ந்து கொள்ள அனுமதிக்கிறது, தேர்ந்தெடுக்கப்பட்ட முறையில் அவர்களுக்கு வாசிப்பு மற்றும் எழுதும் அனுமதிகளை வழங்குகிறது. வெளிப்புற சேமிப்பகத்தில் இத்தகைய பரந்த பாதுகாப்பு மற்றும் தனியுரிமை பண்புகளை அடைந்த முதல் அமைப்பு கோராம் ஆகும். ஒரு திறமையான கட்டமைப்பை வடிவமைக்கும் செயல்பாட்டில், இரண்டு புதிய, பொதுவாகப் பொருந்தக்கூடிய குறியாக்கத் திட்டங்களை நாங்கள் உருவாக்கியுள்ளோம், அதாவது, கலவைக்கான தொகுக்கப்பட்ட பூஜ்ஜிய அறிவு சான்றுகள் மற்றும் கமலேன் கையொப்பங்களை அடிப்படையாகக் கொண்ட ஒரு பொறுப்புக்கூறல் நுட்பம், இது சுயாதீன ஆர்வமாக நாங்கள் கருதுகிறோம். அமேசான் எலாஸ்டிக் கம்ப்யூட் கிளவுட்டில் (ஈசி2) கோரமைப்பை செயல்படுத்தி, செயல்திறன் மதிப்பீட்டை நடத்தி, எங்கள் கட்டுமானத்தின் அளவிடக்கூடிய தன்மை மற்றும் செயல்திறனை நிரூபித்தோம். |
32527d9fcbfb0c84daf715d7e9a375f647b33c2c | |
269ed5ba525519502123b58472e069d77c5bda14 | ஒரு ஊடாடும் கேள்வி பதில் (QA) அமைப்பு அடிக்கடி முக்கியமற்ற (முழுமையற்ற) கேள்விகளை சந்திக்கிறது. இந்த முக்கியமற்ற கேள்விகள் ஒரு பயனர் உரையாடலின் சூழலில் இல்லாமல் கேட்கும்போது கணினிக்கு அர்த்தமற்றதாக இருக்கலாம். எனவே, முழுமையற்ற கேள்வியை செயலாக்க, உரையாடலின் சூழலை கணக்கில் எடுத்துக்கொள்ள வேண்டும். இந்த பணியில், ஒரு முழுமையான (நோக்கம்) கேள்வியை உருவாக்கக்கூடிய ஒரு தொடர்ச்சியான நரம்பியல் நெட்வொர்க் (RNN) அடிப்படையிலான குறியாக்கி டிகோடர் நெட்வொர்க்கை நாங்கள் முன்வைக்கிறோம், இது ஒரு முழுமையற்ற கேள்வி மற்றும் உரையாடல் சூழலைக் கொடுத்தது. மில்லியன் கணக்கான வாக்கியங்களுடன் இணைந்த ஒரு தொகுப்பில் பயிற்சி பெற்றால் RNN குறியாக்கி டிகோடர் நெட்வொர்க்குகள் நன்றாக வேலை செய்கின்றன என்பது நிரூபிக்கப்பட்டுள்ளது, இருப்பினும் இந்த அளவிலான உரையாடல் தரவைப் பெறுவது மிகவும் கடினம். எனவே, நாம் ஆரம்ப சிக்கலை இரண்டு தனித்தனி எளிமைப்படுத்தப்பட்ட சிக்கல்களாக உடைக்க முன்மொழிகிறோம், அங்கு ஒவ்வொரு சிக்கலும் ஒரு சுருக்கத்தில் கவனம் செலுத்துகிறது. குறிப்பாக, நாம் ஒரு சொற்பொருள் வரிசை மாதிரிக்கு சொற்பொருள் வடிவங்களை கற்றுக்கொள்ள பயிற்சி அளிக்கிறோம், மற்றும் ஒரு சொற்பொருள் வரிசை மாதிரிக்கு மொழியியல் வடிவங்களை கற்றுக்கொள்ள பயிற்சி அளிக்கிறோம். நாம் மேலும் ஒரு தொகுப்பு மாதிரி உருவாக்க, ஒருங்கிணைந்த மற்றும் சொற்பொருள் வரிசை மாதிரிகள் இணைக்க. எங்கள் மாதிரி ஒரு நிலையான RNN குறியாக்கி டிகோடர் மாதிரியைப் பயன்படுத்தி 18.54 உடன் ஒப்பிடும்போது 30.15 என்ற BLEU மதிப்பெண்ணை அடைகிறது. |
27099ec9ea719f8fd919fb69d66af677a424143b | சிந்தனை-உணர்வு (ACT-R; J. R. Anderson & C. Lebiere, 1998) இன் தழுவல் கட்டுப்பாடு பல தொகுதிகளைக் கொண்ட ஒரு கோட்பாடாக உருவாகியுள்ளது, ஆனால் இந்த தொகுதிகள் எவ்வாறு ஒருங்கிணைக்கப்படுகின்றன என்பதை விளக்குகிறது. உணர்வு-இயக்க முறைகள், இலக்கு முறை, மற்றும் அறிவிப்பு நினைவக முறை ஆகியவை ACT-R இல் உள்ள சிறப்பு முறைகளின் எடுத்துக்காட்டுகளாக வழங்கப்படுகின்றன. இந்த தொகுதிகள் தனித்தனி மண்டலப் பகுதிகளுடன் தொடர்புடையவை. இந்த தொகுதிகள் பஃப்பர்களில் உள்ள தகவல்களின் வடிவங்களுக்கு பதிலளிக்கும் ஒரு உற்பத்தி அமைப்பால் கண்டறியக்கூடிய இடங்களில் துண்டுகளை வைக்கின்றன. எந்த நேரத்திலும், தற்போதைய வடிவத்திற்கு பதிலளிக்க ஒரு ஒற்றை உற்பத்தி விதி தேர்ந்தெடுக்கப்படுகிறது. சுடப்படும் விதிகளைத் தேர்ந்தெடுப்பதற்கும் சில தொகுதிகளின் உள் செயல்பாடுகளுக்கும் வழிநடத்த துணை அடையாள செயல்முறைகள் உதவுகின்றன. கற்றல் பெரும்பாலும் இந்த துணை அடையாள செயல்முறைகளை சரிசெய்தல் அடங்கும். இந்த தொகுதிகள் தனித்தனியாகவும், ஒன்றிணைந்து செயல்படுவதையும் விளக்குவதற்கு எளிய மற்றும் சிக்கலான அனுபவ உதாரணங்கள் பல விவரிக்கப்பட்டுள்ளன. |
6fdbf20f50dfd6276d9b89e494f86fbcc7b0b9b7 | 2 × 2 மைக்ரோ-ஸ்ட்ரிப் துணை வரிசைகளால் உருவாக்கப்பட்ட ஒரு புதிய மின்னணு கண்காணிப்பு ஆண்டெனா வரிசையை நாங்கள் வடிவமைத்து சோதித்தோம். ஒவ்வொரு துணை வரிசையிலும் கால வரிசை கட்ட எடை மூலம், ஒவ்வொரு துணை வரிசையிலும் உள்ள பெருக்கமும் கட்டமும் விளைந்த ஒற்றை சேனலின் வெளியீட்டிலிருந்து மீட்கப்படலாம். டிஜிட்டல் சிக்னல் செயலாக்கத்தின் மூலம் தொகை மற்றும் வேறுபாடு கதிர்வீச்சு வடிவத்தை உருவாக்க ஒவ்வொரு வரிசையிலும் உள்ள ஆம்பிளிடூட் மற்றும் கட்டத்தை பயன்படுத்தலாம். மோனோபல்ஸ் அமைப்பை ஒப்பிடும்போது, RF ஒப்பீட்டாளர் நீக்கப்பட்டு, பெறுதல் சேனல்களின் எண்ணிக்கை 3 இலிருந்து 1 ஆகக் குறைக்கப்படுகிறது. ஒரு நிரூபண-கருத்து முன்மாதிரி தயாரிக்கப்பட்டு சோதிக்கப்பட்டது. அளவிடப்பட்ட முடிவுகள் முன்மொழியப்பட்ட திட்டத்தின் செல்லுபடியாகும் மற்றும் நன்மைகளை உறுதிப்படுத்தியது. சேனல் திருத்தம் செயல்முறை கொடுக்கப்பட்டுள்ளது. |
3701bdb05b6764b09a5735cdc3cb9c40736d9765 | ஸ்டோகாஸ்டிக் அசிங்க்ரோனஸ் ப்ராக்ஸிமல் மாற்று நேரியல் குறைப்பு (SAPALM) முறையை அறிமுகப்படுத்துகிறோம், இது ஒரு தொகுதி ஒருங்கிணைப்பு ஸ்டோகாஸ்டிக் ப்ராக்ஸிமல்-கிராடியன்ட் முறையாகும், இது குமிழி அல்லாத, சீரான அல்லாத தேர்வுமுறை சிக்கல்களைத் தீர்க்கிறது. SAPALM என்பது முதல் ஒத்திசைவற்ற இணையான தேர்வுமுறை முறையாகும், இது நிரூபிக்கக்கூடிய வகையில் ஒரு பெரிய வர்க்கம் அல்லாத, அல்லாத சிக்கல்களில் ஒன்றிணைகிறது. இந்த சிக்கல் வர்க்கத்தில் SAPALM என்பது சமச்சீரற்ற அல்லது ஒத்திசைவற்ற முறைகளில் சிறந்த அறியப்பட்ட ஒத்திசைவு விகிதங்களுடன் பொருந்துகிறது என்பதை நிரூபிக்கிறோம். குறைந்த சிக்கலான சிக்கல்களுக்கு அறியப்பட்ட சிறந்த வரம்புகளை பொருத்துகின்ற, ஒரு நேரியல் வேகத்தை நாம் எதிர்பார்க்கக்கூடிய தொழிலாளர்களின் எண்ணிக்கையின் மேல் வரம்புகளை நாங்கள் வழங்குகிறோம், நடைமுறையில் SAPALM இந்த நேரியல் வேகத்தை அடைகிறது என்பதைக் காட்டுகிறோம். நாம் பல மேட்ரிக்ஸ் காரணிப் பிரச்னைகளில் அதிநவீன செயல்திறனைக் காட்டுகிறோம். |
5cd28cdc4c82f788dee27cb73d7d9280cf9c7343 | இந்த ஆவணம் வான்வழி படங்களில் இருந்து பிரித்தெடுக்கப்பட்ட பொருந்தும் கிராஃபிள்களை (அதாவது, சிறிய இணைக்கப்பட்ட துணைக் கிராஃப்களை) அடிப்படையாகக் கொண்ட வான்வழி பட வகைகளை அங்கீகரிப்பதற்கான ஒரு முறையை முன்வைக்கிறது. ஒவ்வொரு வான்வழி படத்தின் வடிவியல் பண்பு மற்றும் வண்ணப் பரவலை குறியிட ஒரு பிராந்திய அட்ஜெசன்சி கிராஃப் (RAG) ஐ உருவாக்குவதன் மூலம், RAG-to-RAG பொருந்தக்கூடியதாக வான்வழி பட வகை அங்கீகாரத்தை நாங்கள் தூக்குகிறோம். கிராப் தத்துவத்தின் அடிப்படையில், RAG-to-RAG பொருத்தம் அனைத்து அவற்றின் அந்தந்த கிராஃப்லெட்டுகளையும் பொருத்துவதன் மூலம் மேற்கொள்ளப்படுகிறது. ஒரு பயனுள்ள கிராஃப்லெட் பொருத்தமான செயல்முறைக்கு, வெவ்வேறு அளவு கிராஃப்லெட்களை சம நீள அம்ச திசையன்களாக மாற்றவும், மேலும் இந்த அம்ச திசையன்களை ஒரு கருவில் ஒருங்கிணைக்கவும் ஒரு பன்மடங்கு உட்பொதிப்பு வழிமுறையை நாங்கள் உருவாக்குகிறோம். இந்த கருவி SVM [8] வகைப்படுத்திக்கு விமான பட வகைகளை அங்கீகரிப்பதற்காக பயிற்சி அளிக்கப் பயன்படுகிறது. பரிசோதனை முடிவுகள் நமது முறை பல அதிநவீன பொருள்/காட்சி அங்கீகார மாதிரிகளை விட சிறப்பாக செயல்படுகிறது என்பதை நிரூபிக்கிறது. |
b2dac341df54e5f744d5b6562d725d254aae8e80 | இந்த ஆய்வு, பொதுவில் திறந்த தரவுத் தொகுப்புகளை இணைத்து ஒருங்கிணைப்பதற்கான இலவச Matlab கருவிப் பெட்டியான OpenHAR ஐ அறிமுகப்படுத்துகிறது. இது பொதுமக்களுக்குத் திறந்திருக்கும் பத்து மனித செயல்பாட்டுத் தரவுத் தொகுப்புகளின் முடுக்கம் அளவீட்டுக் குறிப்புகளுக்கு எளிதாக அணுகலை வழங்குகிறது. OpenHAR அனைத்து தரவுத் தொகுப்புகளையும் ஒரே வடிவத்தில் வழங்குவதால் தரவுத் தொகுப்புகளை அணுகுவது எளிது. கூடுதலாக, அலகுகள், அளவீட்டு வரம்பு மற்றும் லேபிள்கள் ஒருங்கிணைக்கப்பட்டுள்ளன, அதே போல், உடல் நிலை ஐடிகள். மேலும், வெவ்வேறு மாதிரி விகிதங்களைக் கொண்ட தரவுத் தொகுப்புகள், மாதிரிகள் குறைக்கப்படுவதன் மூலம் ஒருங்கிணைக்கப்படுகின்றன. மேலும், சென்சார் தவறான திசையில் இருப்பது போன்ற, காணக்கூடிய தவறுகளை கண்டறிய, தரவுத் தொகுப்புகள் காட்சி ரீதியாக ஆய்வு செய்யப்பட்டுள்ளன. OpenHAR இந்த பிழைகளை சரிசெய்வதன் மூலம் தரவுத் தொகுப்புகளின் மறுபயன்பாட்டை மேம்படுத்துகிறது. மொத்தத்தில் OpenHAR 65 மில்லியனுக்கும் அதிகமான பெயரிடப்பட்ட தரவு மாதிரிகளைக் கொண்டுள்ளது. இது 3D முடுக்கம் அளவீடுகளிலிருந்து 280 மணி நேரத்திற்கும் மேலான தரவுகளுக்கு சமம். இதில் 211 ஆய்வாளர்கள் 17 தினசரி மனித செயல்பாடுகளை மேற்கொண்டு, 14 வெவ்வேறு உடல் நிலைகளில் சென்சார்கள் அணிந்து இருந்தனர். |
7347b4601078bd52eec80d5de29f801890f82de3 | ஒரு இணைக்கப்பட்ட Gysel-பரந்தவெளி இணைப்பான்/பிரிப்பான் முன்மொழியப்பட்டு நிரூபிக்கப்பட்டுள்ளது. புதிய கருத்து வடிவமைப்பில் ஒரு இணைக்கப்பட்ட வரிப் பகுதியை பயன்படுத்துவதை நம்பியுள்ளது. குறைந்த இழப்பு, வடிவமைப்பு எளிமை மற்றும் நெகிழ்வுத்தன்மையை பராமரிக்கும் போது அலைவரிசையில் குறிப்பிடத்தக்க முன்னேற்றம் உணரப்படுகிறது. இணைக்கப்பட்ட-கெய்செல் 2.5 - 8 GHz (105% பங்கிடப்பட்ட அலைவரிசை) பிரிப்பான் 0.1 dB பிரிப்பான் இழப்புடன், மற்றும் 3.4 - 10.2 GHz (100% பங்கிடப்பட்ட அலைவரிசை) 0.2 dB பிரிப்பான் இழப்புடன் நிரூபிக்கப்பட்டுள்ளது. |
a05d984443d62575c097ad65b747aae859a5f8b0 | குழந்தைகளின் மனநல வளர்ச்சிக்கு வீடியோ கேம்களின் விளைவுகள் விவாதத்தின் மையமாக உள்ளது. இரண்டு நேர புள்ளிகளில், 1 வருட இடைவெளியில், 194 குழந்தைகள் (7.27-11.43 வயது; ஆண் = 98) தங்கள் கேமிங் அதிர்வெண், மற்றும் வன்முறை வீடியோ கேம்களை விளையாடுவதற்கான அவர்களின் போக்குகள், மற்றும் விளையாட்டு (அ) கூட்டுறவு மற்றும் (ஆ) போட்டி; இதேபோல், பெற்றோர்கள் தங்கள் குழந்தைகளின் உளவியல் சமூக ஆரோக்கியத்தைப் பற்றி அறிக்கை செய்தனர். 1 மணிக்கு விளையாடுவது உணர்ச்சி ரீதியான பிரச்சினைகளை அதிகரிக்கும். வன்முறை விளையாட்டுகள் மனநல மாற்றங்களுடன் தொடர்புபடுத்தப்படவில்லை. கூட்டுறவு விளையாட்டு சமூக நடத்தை மாற்றங்களுடன் தொடர்புடையதாக இல்லை. இறுதியாக, போட்டி விளையாட்டு சமூக நடத்தை குறைப்புடன் தொடர்புடையது, ஆனால் அதிக அதிர்வெண்ணுடன் வீடியோ கேம்களை விளையாடிய குழந்தைகளுக்கு மட்டுமே. இவ்வாறு, விளையாட்டு அதிர்வெண் உள்மயமாக்கல் ஆனால் வெளிமயமாக்கல், கவனம், அல்லது சக பிரச்சினைகள் அதிகரிப்புடன் தொடர்புடையது, வன்முறை விளையாட்டு வெளிமயமாக்கல் பிரச்சினைகள் அதிகரிப்புடன் தொடர்புடையது அல்ல, மேலும் வாரத்திற்கு சுமார் 8 மணிநேரம் அல்லது அதற்கு மேற்பட்ட நேரங்களை விளையாடும் குழந்தைகளுக்கு, அடிக்கடி போட்டி விளையாட்டு என்பது சமூக நடத்தை குறைவதற்கான ஆபத்து காரணி. நாம் மறுபிரதி தேவை என்று வாதிடுகின்றனர் மற்றும் எதிர்கால ஆராய்ச்சி சிறந்த நுணுக்கமான மற்றும் பொதுவான நுண்ணறிவு கேமிங் பல்வேறு வடிவங்களில் இடையே வேறுபடுத்தி வேண்டும் என்று. |
5a47e047d4d41b61204255e1b265d704b7f265f4 | பெரிய தரவு என்ற சொல் எங்கும் காணப்படும் ஒன்றாக மாறியுள்ளது. கல்வித்துறை, தொழில் மற்றும் ஊடகங்கள் ஆகியவற்றுக்கு இடையே ஒரு பொதுவான தோற்றம் இருப்பதால், ஒரே ஒரு ஒருங்கிணைந்த வரையறை இல்லை, மேலும் பல்வேறு பங்குதாரர்கள் பல்வேறு மற்றும் பெரும்பாலும் முரண்பட்ட வரையறைகளை வழங்குகின்றனர். ஒருங்கிணைந்த வரையறை இல்லாததால், பலவிதமான கருத்துக்கள் வெளிப்படுவதுடன், பெரிய தரவு தொடர்பான பேச்சுவார்த்தைகளுக்கு இடையூறு ஏற்படுகிறது. இந்த சிறு கட்டுரை, ஒரு குறிப்பிட்ட அளவிலான ஈர்ப்பைப் பெற்ற பல்வேறு வரையறைகளை ஒன்றிணைத்து, தெளிவான மற்றும் சுருக்கமான வரையறையை வழங்க முயற்சிக்கிறது. |
7065e6b496af41bba16971246a02986f5e388860 | நிறுவனங்களின் திறன்களை நிர்வகிப்பதும் மேம்படுத்துவதும் பல நிறுவனங்களுக்கு முக்கியமான சிக்கலான விடயமாகும். நிர்வாகத்தை ஆதரிப்பதற்கும் மேம்பாடுகளைச் செய்வதற்கும், செயல்திறன் மதிப்பீடுகள் பொதுவாகப் பயன்படுத்தப்படுகின்றன. நிறுவனத்தின் திறன்களை மதிப்பிடுவதற்கான ஒரு வழி முதிர்வு கட்டங்கள் மூலம். முதிர்வு கட்டங்கள் பொதுவான கட்டமைப்பைப் பகிர்ந்து கொள்ளலாம் என்றாலும், அவற்றின் உள்ளடக்கம் வேறுபடுகிறது மற்றும் அவை பெரும்பாலும் புதிதாக உருவாக்கப்படுகின்றன. இந்த ஆவணம் முதிர்வு கட்டங்களை உருவாக்குவதற்கான ஒரு குறிப்பு புள்ளியையும் வழிகாட்டலையும் வழங்குகிறது. தற்போதுள்ள 24 முதிர்வு முறைமைகளை மறுபரிசீலனை செய்து, அவற்றின் வளர்ச்சிக்கு ஒரு வரைபடத்தை முன்மொழிவதன் மூலம் இது அடையப்படுகிறது. இந்த ஆய்வு முதிர்வு மதிப்பீடுகளை உருவாக்குவதில் நிறுவன மாற்றம் குறித்த உள்ளமைக்கப்பட்ட அனுமானங்களுக்கு முக்கியத்துவம் அளிக்கிறது. முன்மொழியப்பட்ட வரைபடம் நான்கு கட்டங்களை உள்ளடக்கியது: திட்டமிடல், மேம்பாடு, மதிப்பீடு மற்றும் பராமரிப்பு. ஒவ்வொரு கட்டமும் செயல்முறை பகுதிகளைத் தேர்ந்தெடுப்பது, முதிர்வு நிலைகள் மற்றும் விநியோக வழிமுறை போன்ற பல முடிவுகளை எடுக்கும் புள்ளிகளை விவாதிக்கிறது. தொழில்துறை நடைமுறையில் சாலை வரைபடத்தின் பயனை நிரூபிக்கும் ஒரு உதாரணம் வழங்கப்பட்டுள்ளது. தற்போதுள்ள அணுகுமுறைகளை மதிப்பீடு செய்வதற்கு இந்த வரைபடத்தை பயன்படுத்தலாம். கட்டுரையின் முடிவில், மேலாண்மை நடைமுறை மற்றும் ஆராய்ச்சிக்கான தாக்கங்கள் முன்வைக்கப்படுகின்றன. |
5dd79167d714ff3907ffbba102b8e6fba49f053e | டிஜிட்டல் வயர்லெஸ் தகவல்தொடர்புகளில் அதிக பிட்-ரேட்களை வழங்குவதற்கான அலைவரிசை திறன் கொண்ட இறுதி வரம்புகளை அடிப்படை புரிந்துகொள்ள வேண்டியதன் அவசியத்தால் இந்த ஆவணம் தூண்டப்படுகிறது, மேலும் இந்த வரம்புகளை எவ்வாறு அணுகலாம் என்பதைப் பார்க்கத் தொடங்குகிறது. பல உறுப்பு வரிசை (MEA) தொழில்நுட்பத்தை நாம் ஆராய்வோம், அதாவது சில பயன்பாடுகளில் வயர்லெஸ் திறன்களை மேம்படுத்த இட பரிமாணத்தை (நேர பரிமாணம் மட்டுமல்ல) செயலாக்குகிறது. குறிப்பாக, சில அடிப்படை தகவல் கோட்பாடு முடிவுகளை நாங்கள் முன்வைக்கிறோம், இது வயர்லெஸ் லேன்ஸில் MEAs ஐப் பயன்படுத்துவதன் மூலம் பெரும் நன்மைகளை வழங்குகிறது மற்றும் வயர்லெஸ் தகவல்தொடர்பு இணைப்புகளை உருவாக்குவதற்கு கட்டமைக்கிறது. சேனல் பண்புகளை அனுப்புபவர் கிடைக்காதபோது, ஆனால் ரேலி மங்கலான தன்மைக்கு உட்பட்ட பண்புகளை பெறுபவர் அறிந்திருக்கும் (கண்காணிக்கும்) முக்கியமான வழக்கை நாங்கள் ஆராய்வோம். ஒட்டுமொத்தமாக அனுப்பப்படும் சக்தியை நிர்ணயித்து, எம்.இ.ஏ. தொழில்நுட்பத்தால் வழங்கப்படும் திறனை வெளிப்படுத்துகிறோம், மேலும் SNR அதிகரிக்கும் போது திறன் எவ்வாறு அளவிடப்படுகிறது என்பதைப் பார்க்கிறோம், ஆனால் டிரான்ஸ்மிட்டர் மற்றும் ரிசீவர் ஆகிய இரண்டிலும் ஏற்ற எண், , நாம் அந்தி கூறுகளுக்கு இடையே சுயாதீனமான ரேலி மங்கலான பாதைகள் வழக்கு விசாரிக்க மற்றும் அசாதாரண திறன் கிடைக்கும் என்று உயர் நிகழ்தகவு கண்டுபிடிக்க. அடிப்படை n = 1 வழக்குடன் ஒப்பிடும்போது, ஷானனின் பாரம்பரிய சூத்திரம் ஒவ்வொரு 3 டிபி சிக்னல்-குரல் விகிதம் (SNR) அதிகரிப்புக்கு ஒரு பிட் / சுழற்சியாக அளவிடுகிறது, குறிப்பாக MEAs உடன், அளவிடுதல் கிட்டத்தட்ட n அதிக பிட்கள் / சுழற்சி ஒவ்வொரு 3 டிபி அதிகரிப்புக்கு SNR. இந்த திறன் எவ்வளவு பெரியது என்பதை விளக்க, சிறிய n க்கு கூட, n = 2, 4 மற்றும் 16 வழக்குகளை எடுத்துக்கொள்ளுங்கள், சராசரியாக 21 dB SNR பெறப்படுகிறது. 99% க்கும் அதிகமான சேனல்களுக்கு திறன் முறையே 7, 19 மற்றும் 88 பிட் / சுழற்சி ஆகும், அதே நேரத்தில் n = 1 என்றால் 99% மட்டத்தில் 1.2 பிட் / சுழற்சி மட்டுமே உள்ளது. சமிக்ஞை அலைவரிசைக்கு பொருத்தமான பிட்/சிம்பல்/அளவு என்பதால், சேனல் அலைவரிசைக்கு சமமான சிம்பல் வீதத்தை எடுத்துக் கொள்வோம், இந்த அதிக திறன்கள் நியாயமற்றவை அல்ல. n = 4 க்கான 19 பிட்கள்/சுழற்சி 4.75 பிட்கள்/சிம்பல்/அளவுக்கு சமம், அதேசமயம் n = 16 க்கான 88 பிட்கள்/சுழற்சி 5.5 பிட்கள்/சிம்பல்/அளவுக்கு சமம். தேர்வு மற்றும் உகந்த இணைத்தல் போன்ற நிலையான அணுகுமுறைகள் இறுதியில் சாத்தியமானவற்றுடன் ஒப்பிடும்போது குறைபாடுள்ளதாகக் காணப்படுகின்றன. வாக்குறுதியளிக்கப்பட்ட பெரும் திறனை உணர புதிய கோடெக்குகள் கண்டுபிடிக்கப்பட வேண்டும். |
4f911fe6ee5040e6e46e84a9f1e211153943cd9b |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.