_id
stringlengths 40
40
| text
stringlengths 0
10.7k
|
|---|---|
40baa5d4632d807cc5841874be73415775b500fd | மோட்டார் இயக்கிகளுக்கான பாரம்பரிய இரு நிலை உயர் அதிர்வெண் துடிப்பு அகல மாற்றியமைத்தல் (PWM) இன்வெர்ட்டர்கள் அவற்றின் உயர் அதிர்வெண் மாற்றுதலுடன் தொடர்புடைய பல சிக்கல்களைக் கொண்டுள்ளன, இது பொதுவான-நிலை மின்னழுத்தம் மற்றும் மோட்டார் சுருள்களுக்கு உயர் மின்னழுத்த மாற்றம் (dV / dt) விகிதங்களை உருவாக்குகிறது. பல நிலை இன்வெர்ட்டர்கள் இந்த சிக்கல்களை தீர்க்கின்றன, ஏனெனில் அவற்றின் சாதனங்கள் மிகக் குறைந்த அதிர்வெண்ணில் மாற முடியும். மின்சார இயக்கிகளுக்கான மாற்றிகளாகப் பயன்படுத்த இரண்டு வெவ்வேறு பல நிலை டோபோலஜிகள் அடையாளம் காணப்பட்டுள்ளன, தனித்தனி DC ஆதாரங்களுடன் ஒரு நீர்வீழ்ச்சி இன்வெர்ட்டர் மற்றும் ஒரு பின்-க்கு-பின் டையோடு கிளாம்ப் செய்யப்பட்ட மாற்றி. காஸ்கேட் இன்வெர்ட்டர் பெரிய வாகன ஆல் எலக்ட்ரிக் டிரைவ்களுக்கு இயல்பான பொருத்தமாக உள்ளது, ஏனெனில் அதிக VA மதிப்பீடுகள் சாத்தியம் மற்றும் ஏனெனில் இது பேட்டரிகள் அல்லது எரிபொருள் செல்களிலிருந்து கிடைக்கும் பல நிலை DC மின்னழுத்த ஆதாரங்களைப் பயன்படுத்துகிறது. ஹைபிரிட் மின்சார வாகனம் போன்ற ஏசி மின்னழுத்த ஆதாரம் இருக்கும் இடங்களில், பின்புறம்-க்கு-பின்புறம் டையோடு கிளாம்ப் செய்யப்பட்ட மாற்றி சிறந்தது. PWM அடிப்படையிலான இயக்கிகளை விட இந்த இரண்டு மாற்றிகளின் சிறப்பான தன்மையை உருவகப்படுத்துதல் மற்றும் பரிசோதனை முடிவுகள் காட்டுகின்றன. |
895fa1357bcfa9b845945c6505a6e48070fd5d89 | இந்த வேலையில் இணையம் வழியாக பெரிய அளவில் வாக்களிப்பதற்கு ஏற்ற பாதுகாப்பான மின்னணு வாக்களிப்பு நெறிமுறையை நாங்கள் முன்மொழிகிறோம். இந்த நெறிமுறை ஒரு வாக்காளர் தனது வாக்குப்பதிவை அநாமதேயமாக, கண்டுபிடிக்க முடியாத ஆனால் உண்மையான செய்திகளை பரிமாறிக்கொள்வதன் மூலம் அனுமதிக்கிறது. இந்த நெறிமுறை (i) தகுதி வாய்ந்த வாக்காளர்கள் மட்டுமே வாக்களிக்க முடியும் என்பதை உறுதி செய்கிறது, (ii) ஒரு வாக்காளர் ஒரு வாக்கை மட்டுமே வழங்க முடியும், (iii) ஒரு வாக்காளர் தனது வாக்கு இறுதி எண்ணிக்கையில் கணக்கிடப்படுவதை சரிபார்க்க முடியும், (iv) வாக்காளரைத் தவிர வேறு யாரும் ஒரு வாக்காளருடன் ஒரு வாக்களித்த வாக்கை இணைக்க முடியாது, மற்றும் (v) ஒரு வாக்காளர் வாக்களிக்க வேண்டாம் என்று முடிவு செய்தால், வாக்காளருக்கு பதிலாக யாரும் மோசடி வாக்களிப்பதில்லை. இந்த நெறிமுறைக்கு பதிவு செய்யப்பட்ட அனைத்து வாக்காளர்களின் ஒத்துழைப்பு தேவையில்லை. மேலும், வாக்களிப்பதில், முன்கூட்டியே மறைகுறியாக்க முறைகள் அல்லது அநாமதேய சேனல்கள் போன்ற சிக்கலான குறியாக்க நுட்பங்களைப் பயன்படுத்துவது தேவையில்லை. இது இலக்கியத்தில் முன்மொழியப்பட்ட பிற வாக்களிப்பு நெறிமுறைகளுக்கு முரணானது. இந்த நடைமுறை வெற்றிகரமான செயல்பாட்டிற்கு வாக்காளர்களைத் தவிர மூன்று முகவர்களைப் பயன்படுத்துகிறது. எனினும், இந்த முகவர்கள் எவரும் நம்பகமானவர்களாக இருக்க வேண்டும் என்று நாங்கள் கோரவில்லை. அதாவது, முகவர்கள் உடல் ரீதியாக ஒரே இடத்தில் இருக்கலாம் அல்லது ஒருவருக்கொருவர் சதி செய்து மோசடி செய்ய முயற்சி செய்யலாம். ஒரு முறைகேடு நடந்தால், அதை எளிதாக கண்டறிந்து நிரூபிக்க முடியும், இதனால் வாக்கெடுப்பு செல்லாது என்று அறிவிக்க முடியும். மின்னணு வாக்களிப்பை மனதில் கொண்டு இந்த நெறிமுறையை நாங்கள் முன்மொழிந்தாலும், இந்த நெறிமுறையை மற்ற பயன்பாடுகளிலும் பயன்படுத்தலாம், இதில் கண்காணிக்க முடியாத ஆனால் உண்மையான செய்தியை பரிமாறிக் கொள்ளலாம். இத்தகைய பயன்பாடுகளின் எடுத்துக்காட்டுகள் இரகசியமான கேள்வித்தாளுக்கு அநாமதேயமாக அல்லது அநாமதேய நிதி பரிவர்த்தனைகளுக்கு பதிலளிப்பதாகும். |
cf9145aa55da660a8d32bf628235c615318463bf | கடந்த பத்தாண்டுகளில், உட்பொதிக்கப்பட்ட அமைப்புகள் நமது அன்றாட வாழ்வின் ஒருங்கிணைந்த பகுதியாக இருப்பதாகத் தெரிகிறது. பல உட்பொதிக்கப்பட்ட பயன்பாடுகளின் கம்பியில்லா இயல்பு மற்றும் அவற்றின் எல்லா இடங்களிலும் இருப்பது பாதுகாப்பு மற்றும் தனியுரிமையைப் பாதுகாக்கும் வழிமுறைகளின் தேவையை குறிப்பாக முக்கியமாக்கியுள்ளது. எனவே, FPGA கள் உட்பொதிக்கப்பட்ட அமைப்புகளின் ஒருங்கிணைந்த பகுதிகளாக மாறும்போது, அவற்றின் பாதுகாப்பை ஒட்டுமொத்தமாக கருத்தில் கொள்வது அவசியம். இந்த பங்களிப்பு FPGA களில் உள்ள பாதுகாப்பு சிக்கல்களை, அமைப்பு மற்றும் செயல்படுத்தல் கண்ணோட்டத்தில், ஒரு அதிநவீன விளக்கத்தை வழங்குகிறது. குறியாக்க பயன்பாடுகளுக்கான மறுசீரமைக்கக்கூடிய வன்பொருளின் நன்மைகள் பற்றி விவாதிக்கிறோம், FPGA களின் சாத்தியமான பாதுகாப்பு சிக்கல்களைக் காட்டுகிறோம், மேலும் திறந்த ஆராய்ச்சி சிக்கல்களின் பட்டியலை வழங்குகிறோம். மேலும், FPGA களில் பொது மற்றும் சமச்சீர்-முக்கிய அல்காரிதம் செயல்படுத்தல்களை சுருக்கமாகக் கூறுகிறோம். |
748eb923d2c384d2b3af82af58d2e6692ef57aa1 | டெக்ஸ்ட் மைனிங் என்பது கணினி அறிவியலின் ஒரு புதிய மற்றும் உற்சாகமான பகுதியாகும், இது தரவு சுரங்க, இயந்திர கற்றல், இயற்கை மொழி செயலாக்கம், தகவல் மீட்பு மற்றும் அறிவு மேலாண்மை ஆகியவற்றின் நுட்பங்களை இணைப்பதன் மூலம் தகவல் சுமை நெருக்கடியை தீர்க்க முயற்சிக்கிறது. உரை சுரங்க கையேடு உரை சுரங்க மற்றும் இணைப்பு கண்டறிதல் சமீபத்திய நுட்பங்கள் ஒரு விரிவான விவாதம் வழங்குகிறது. முக்கிய உரை சுரங்க மற்றும் இணைப்பு கண்டறிதல் வழிமுறைகள் மற்றும் செயல்பாடுகளை ஆழமாக ஆராய்வதைத் தவிர, இந்த புத்தகம் மேம்பட்ட முன் செயலாக்க நுட்பங்கள், அறிவு பிரதிநிதித்துவக் கருத்தாய்வுகள் மற்றும் காட்சிப்படுத்தல் அணுகுமுறைகளை ஆராய்கிறது, இது உண்மையான உலக பயன்பாடுகளுடன் முடிவடைகிறது. |
d044d399049bb9bc6df8cc2a5d72610a95611eed | லோகோமாட் மூலம் ரோபோட் உதவியுடன் நடை பயிற்சியின் செயல்திறனை சாதாரண நடை பயிற்சியுடன் குறைவாக மாரடைப்பு உள்ள நபர்களுடன் ஒப்பிடுவது. முறைகள் ஆரம்ப நடை வேகம் 0. 1 முதல் 0. 6 மீ/ நொடிக்கு இடையில் உள்ள மல்டிசென்டர், சீரற்ற மருத்துவ பரிசோதனையில் மொத்தம் 63 பங்கேற்பாளர்கள் < 6 மாதங்கள் பக்கவாதம் அடைந்தனர். அனைத்து பங்கேற்பாளர்களும் லோகோமாட் அல்லது வழக்கமான நடை பயிற்சியின் இருபத்து நான்கு ஒரு மணி நேர பயிற்சிகளை பெற்றனர். பயிற்சிக்கு முன்னர், 12 மற்றும் 24 அமர்வுகளுக்குப் பிறகு, 3 மாத பின்தொடர்தல் பரிசோதனையில் முடிவுகள் மதிப்பீடு செய்யப்பட்டன. நிலத்தடி வேகத்தை சுய தேர்வு செய்தல் மற்றும் 6 நிமிடங்களில் நடந்த தூரம் முதன்மை முடிவு நடவடிக்கைகள், இரண்டாம் நிலை முடிவு நடவடிக்கைகள் சமநிலை, இயக்கம் மற்றும் செயல்பாடு, வேகம் மற்றும் சமச்சீர், ஊனமுற்ற நிலை மற்றும் வாழ்க்கைத் தர நடவடிக்கைகள் ஆகியவை அடங்கும். முடிவுகள் வழக்கமான நடை பயிற்சி பெற்ற பங்கேற்பாளர்கள் லோகோமாட்டில் பயிற்சி பெற்றவர்களை விட நடை வேகம் (P=.002) மற்றும் தூரம் (P=.03) ஆகியவற்றில் கணிசமாக அதிக லாபத்தை அனுபவித்தனர். இந்த வேறுபாடுகள் 3 மாத பின்தொடர்தல் மதிப்பீட்டில் பராமரிக்கப்பட்டன. இரண்டாம் நிலை அளவீடுகள் இரண்டு குழுக்களுக்கும் இடையில் வேறுபட்டவை அல்ல, இருப்பினும் வழக்கமான மற்றும் லோகோமாட் குழுவில் 2 மடங்கு அதிக முன்னேற்றம் காணப்பட்டது. முடிவுகள் நடுத்தர அளவிலிருந்து கடுமையான நடை குறைபாடுகள் உள்ள சப்-அகூட் ஸ்ட்ரோக் பங்கேற்பாளர்களுக்கு, நடை பயிற்சியின் மாறுபட்ட தலையீடுகள் ரோபோ-ஆதார நடை பயிற்சியை விட நடை திறன் திரும்புவதை எளிதாக்குவதில் மிகவும் பயனுள்ளதாக இருக்கும். |
098cc8b16697307a241658d69c213954ede76d59 | இரண்டு தளங்களில் 43 பயனர்களின் தரவுகளைப் பயன்படுத்தி, ஸ்மார்ட்போன் போக்குவரத்தை விரிவாகக் காண்பிக்கிறோம். இணையத்தில் உலாவுதல் பாதிக்கும் மேல் போக்குவரத்தை அளிக்கிறது, மின்னஞ்சல், ஊடகம், மற்றும் வரைபடங்கள் ஒவ்வொன்றும் சுமார் 10% பங்களிப்பு செய்கின்றன. சிறிய பரிமாற்ற அளவுகள் காரணமாக கீழ் அடுக்கு நெறிமுறைகளின் மேல்நிலை அதிகமாக இருப்பதை நாங்கள் காண்கிறோம். போக்குவரத்து மட்ட பாதுகாப்பைப் பயன்படுத்தும் பாதி பரிமாற்றங்களுக்கு, தலைப்பு பைட்டுகள் மொத்தத்தில் 40% ஆகும். ஸ்மார்ட்போன் போக்குவரத்தின் செயல்திறனைக் கட்டுப்படுத்தும் முக்கிய காரணி பேக்கெட் இழப்பு என்றாலும், இணைய சேவையகங்களில் பெரிய அனுப்புதல் பஃப்பர்கள் பரிமாற்றங்களின் நான்கில் ஒரு பகுதியின் செயல்திறனை மேம்படுத்த முடியும் என்பதை நாங்கள் காட்டுகிறோம். இறுதியாக, ஸ்மார்ட்போன் போக்குவரத்துக்கும் வானொலி மின்சார மேலாண்மை கொள்கைக்குமிடையே உள்ள தொடர்புகளை ஆராய்வதன் மூலம், தொகுப்பு பரிமாற்றங்களின் செயல்திறனில் குறைந்தபட்ச தாக்கத்துடன் வானொலியின் மின் நுகர்வு 35% குறைக்கப்படலாம் என்று நாங்கள் கண்டறிந்தோம். |
1e126cee4c1bddbfdd4e36bf91b8b1c2fe8d44c2 | இந்த ஆவணம் பவர்பூட்டரை விவரிக்கிறது, இது ஒரு தானியங்கி சக்தி மாதிரி கட்டுமான நுட்பமாகும், இது உள்ளமைக்கப்பட்ட பேட்டரி மின்னழுத்த சென்சார்கள் மற்றும் பேட்டரி வெளியேற்ற நடத்தை பற்றிய அறிவைப் பயன்படுத்தி மின் நுகர்வு கண்காணிக்கவும், தனிப்பட்ட கூறுகளின் சக்தி மேலாண்மை மற்றும் செயல்பாட்டு நிலைகளை வெளிப்படையாகக் கட்டுப்படுத்தவும் பயன்படுத்துகிறது. இதற்கு வெளிப்புற அளவீட்டு உபகரணங்கள் தேவையில்லை. PowerTutor, ஒரு கூறு சக்தி மேலாண்மை மற்றும் செயல்பாட்டு நிலை உள்நோக்க அடிப்படையிலான கருவியாகும், இது ஆன்லைன் சக்தி மதிப்பீட்டிற்காக PowerBooter ஆல் உருவாக்கப்பட்ட மாதிரியைப் பயன்படுத்துகிறது. புதிய ஸ்மார்ட்போன் வகைகளுக்கான சக்தி மாதிரிகளை உருவாக்குவதற்கு பயன்பாட்டு உருவாக்குநர்கள் மற்றும் இறுதி பயனர்களுக்கு விரைவாகவும் எளிதாகவும் செய்ய PowerBooter வடிவமைக்கப்பட்டுள்ளது. PowerTutor என்பது உட்பொதிக்கப்பட்ட அமைப்புகளுக்கான சக்தி திறன் மென்பொருளின் வடிவமைப்பு மற்றும் தேர்வை எளிதாக்குவதை நோக்கமாகக் கொண்டுள்ளது. PowerBooter மற்றும் PowerTutor ஆகியவை இணைந்து அதிகமான ஸ்மார்ட்போன் வகைகள் மற்றும் அவற்றின் பயனர்களுக்கு சக்தி மாதிரியைத் திறந்து பகுப்பாய்வு செய்வதை நோக்கமாகக் கொண்டுள்ளன. |
3f62fe7de3bf15af1e5871dd8f623db29d8f0c35 | 255 பயனர்களின் விரிவான பதிவுகளை பயன்படுத்தி, ஸ்மார்ட்போன் பயன்பாட்டைப் பற்றி விரிவான ஆய்வு ஒன்றை நடத்துகிறோம். நாம் பயனர் செயல்பாடுகளை வகைப்படுத்துகிறோம் -- சாதனங்களுடனான தொடர்புகள் மற்றும் பயன்பாடுகள் -- மற்றும் அந்த செயல்பாடுகளின் தாக்கம் வலையமைப்பு மற்றும் ஆற்றல் பயன்பாட்டில். பயனர்கள் மத்தியில் மிகப்பெரிய பன்முகத்தன்மையைக் காண்கிறோம். நாம் ஆய்வு செய்யும் அனைத்து அம்சங்களிலும், பயனர்கள் ஒன்று அல்லது அதற்கு மேற்பட்ட அளவுகளில் வேறுபடுகிறார்கள். உதாரணமாக, ஒரு நாளைக்கு சராசரியாக 10 முதல் 200 இடைவினைகள் நடைபெறுகின்றன, மேலும் ஒரு நாளைக்கு பெறப்படும் தரவுகளின் சராசரி அளவு 1 முதல் 1000 MB வரை மாறுபடுகிறது. இந்த அளவிலான பன்முகத்தன்மை பயனர் அனுபவத்தை மேம்படுத்துவதற்கான வழிமுறைகள் அல்லது ஆற்றல் நுகர்வு பயனர் நடத்தைக்கு கற்றுக்கொள்ளவும் மாற்றியமைக்கவும் மிகவும் பயனுள்ளதாக இருக்கும் என்று கூறுகிறது. பயனர்கள் இடையே குண ரீதியான ஒற்றுமைகள் இருப்பதை நாம் கண்டறிந்துள்ளோம், இது பயனர் நடத்தை கற்றல் பணியை எளிதாக்குகிறது. உதாரணமாக, விண்ணப்பத்தின் பிரபலத்தை ஒரு அதிவேக விநியோகத்தைப் பயன்படுத்தி மாதிரியாகக் கொள்ளலாம், வெவ்வேறு பயனர்களுக்கு வெவ்வேறு விநியோக அளவுருக்கள் உள்ளன. எதிர்கால ஆற்றல் வீழ்ச்சியைக் கணிக்கும் ஒரு வழிமுறையின் சூழலில் பயனர் நடத்தைக்கு ஏற்ப மாற்றியமைப்பதன் மதிப்பை நாங்கள் நிரூபிக்கிறோம். பயனர்கள் மத்தியில் சராசரி நடத்தை அடிப்படையில் கணிக்கப்பட்டதை விட, தழுவல் 90 சதவீதத் தவறை விட பாதி குறைவாக உள்ளது. |
45654695f5cad20d2be36d45d280af5180004baf | இந்த கட்டுரையில் எதிர்கால 5G நெட்வொர்க்குகளுக்கான புதிய fronthaul இடைமுகத்தின் வடிவமைப்பைப் பற்றி விவாதிக்கிறோம். தற்போதைய முன்னணி தீர்வுகளின் முக்கிய குறைபாடுகள் முதலில் பகுப்பாய்வு செய்யப்பட்டு, அடுத்த தலைமுறை முன்னணி இடைமுகம் (NGFI) எனப்படும் புதிய முன்னணி இடைமுகம் முன்மொழியப்பட்டது. NGFI-யின் வடிவமைப்புக் கொள்கைகள் முன்வைக்கப்படுகின்றன, இதில் ஆண்டெனாக்களின் எண்ணிக்கையிலிருந்து முன்-அலைவரிசை அலைவரிசை அகலத்தை பிரித்தல், செல் மற்றும் பயனர் உபகரணங்கள் செயலாக்கத்தை பிரித்தல் மற்றும் உயர் செயல்திறன் கூட்டு தொழில்நுட்பங்களில் கவனம் செலுத்துதல் ஆகியவை அடங்கும். முக்கிய 5ஜி தொழில்நுட்பங்கள், குறிப்பாக கிளவுட் RAN, நெட்வொர்க் செயல்பாடுகள் மெய்நிகராக்கம் மற்றும் பெரிய அளவிலான ஆண்டெனா அமைப்புகள் ஆகியவற்றை NGFI சிறப்பாக ஆதரிப்பதை நோக்கமாகக் கொண்டுள்ளது. மொபைல் நெட்வொர்க் போக்குவரத்தில் அலை அலையின் விளைவைப் பயன்படுத்தி, குறைக்கப்பட்ட அலைவரிசை மற்றும் மேம்பட்ட பரிமாற்ற செயல்திறன் ஆகியவற்றின் நன்மைகளை NGFI கூறுகிறது. நெகிழ்வுத்தன்மை மற்றும் நம்பகத்தன்மையின் நன்மைகளை அனுபவிக்க NGFI இன் பரிமாற்றம் ஈதர்நெட்டை அடிப்படையாகக் கொண்டது. ஈத்தர்நெட் அடிப்படையிலான முன்னணி நெட்வொர்க்குகளின் முக்கிய தாக்கம், சவால்கள் மற்றும் சாத்தியமான தீர்வுகள் பகுப்பாய்வு செய்யப்படுகின்றன. ஜிடர், லேடென்சி, மற்றும் நேர மற்றும் அதிர்வெண் ஒத்திசைவு ஆகியவை கடக்க வேண்டிய முக்கிய பிரச்சினைகள் ஆகும். |
a1bbd52c57ad6a36057f5aa69544887261eb1a83 | நாம் ஒரு தொடரியல் அடிப்படையிலான வழிமுறையை விவரிக்கிறோம், இது தானாகவே செமண்ட்டிக் சமமான மொழிபெயர்ப்பு தொகுப்புகளிலிருந்து முடிந்த நிலை ஆட்டோமாக்களை (சொல் கட்டங்கள்) உருவாக்குகிறது. இந்த FSAகள் மறுமொழிகளின் நல்ல பிரதிநிதித்துவங்களாகும். சொற்களஞ்சிய மற்றும் சொற்களஞ்சிய சொற்றொடர் ஜோடிகளை பிரித்தெடுக்கவும், உள்ளீட்டு தொகுப்புகளில் உள்ள சொற்றொடர்களுடன் அதே அர்த்தத்தை வெளிப்படுத்தும் புதிய, காணப்படாத வாக்கியங்களை உருவாக்கவும் அவை பயன்படுத்தப்படலாம். எமது FSAகள் மாற்று அர்த்தமற்ற மொழிபெயர்ப்புகளின் துல்லியத்தையும் கணிக்க முடியும், இது மொழிபெயர்ப்புகளின் தரத்தை மதிப்பீடு செய்ய பயன்படுத்தப்படலாம். |
78e2cf228287d7e995c6718338e3ec58dc7cca50 | |
7674e4e66c60a4a31d0b68a07d4ea521cca8a84b | FuzzyLog என்பது ஒரு பகுதியாக ஒழுங்குபடுத்தப்பட்ட பகிரப்பட்ட பதிவு சுருக்கமாகும். விநியோகிக்கப்பட்ட பயன்பாடுகள் ஒரே நேரத்தில் பகுதி வரிசையில் சேர்க்கப்பட்டு அதை மீண்டும் இயக்கலாம். FuzzyLog பயன்பாடுகள் ஒரு அடிப்படை பகிரப்பட்ட பதிவுகளின் நன்மைகளைப் பெறுகின்றன - அதன் குறைபாடுகளை அனுபவிக்காமல் - வலுவான நிலைத்தன்மை, ஆயுள் மற்றும் தோல்வி அணுசக்தியை எளிய வழிகளில் பிரித்தெடுக்கிறது. ஒரு பகுதி வரிசையை வெளிப்படுத்துவதன் மூலம், ஃப்யூஸிலாக் பயன்பாடுகளுக்கான மூன்று முக்கிய திறன்களை செயல்படுத்துகிறதுஃ செயல்திறன் மற்றும் திறனுக்கான நேரியல் அளவிடுதல் (அணுநிலை தியாகம் செய்யாமல்), பலவீனமான நிலைத்தன்மை உத்தரவாதங்கள் மற்றும் நெட்வொர்க் பகிர்வுகளுக்கு சகிப்புத்தன்மை. ஃப்ஸிலாக் சுருக்கத்தின் விநியோகிக்கப்பட்ட நடைமுறைப்படுத்தல் டாப்லை நாங்கள் முன்வைக்கிறோம், இது பகுதி வரிசையை சுருக்கமாக சேமித்து வைக்கிறது மற்றும் புதிய வரிசைப்படுத்தும் நெறிமுறை மூலம் திறமையான சேர்க்கை / மறுபதிப்பை ஆதரிக்கிறது. பல தரவு கட்டமைப்புகள் மற்றும் பயன்பாடுகளை நாங்கள் ஃப்ஸி லாக் மூலம் செயல்படுத்துகிறோம், இதில் பல வரைபட வகைகள் மற்றும் ZooKeeper செயல்படுத்தல் ஆகியவை அடங்கும். எங்கள் மதிப்பீடு இந்த பயன்பாடுகள் சிறிய, வேகமான மற்றும் நெகிழ்வானவை என்பதைக் காட்டுகிறதுஃ அவை ஒரு பகிரப்பட்ட பதிவு வடிவமைப்பின் எளிமை (100 வரிகள் குறியீடு) மற்றும் வலுவான சொற்பொருளை (நீடித்த தன்மை மற்றும் தோல்வி அணு) தக்கவைத்துக்கொள்கின்றன, அதே நேரத்தில் நேரியல் அளவிடுதலுக்கான ஃப்ஸிலாக் பகுதியளவு வரிசையை பயன்படுத்துகின்றன, நெகிழ்வான நிலைத்தன்மை உத்தரவாதங்கள் (எ. கா. , காரண + நிலைத்தன்மை), மற்றும் நெட்வொர்க் பகிர்வு சகிப்புத்தன்மை. 6-முனை டாப்ள் வரிசைப்படுத்தலில், எங்கள் ஃப்ஸி லாக் அடிப்படையிலான ZooKeeper 3M/s ஒற்றை-முக்கிய எழுத்துக்களை ஆதரிக்கிறது, மற்றும் 150K/s அணு குறுக்கு-கண்டு மறுபெயரிடுகிறது. |
38bcf0bd4f8c35ff54d292d37cbdca1da677f3f5 | செவிப்புலன் கொண்ட பயோ சென்சார்கள் (WBS) பல புதிய அமைப்புகளில் தொடர்ச்சியான இருதய (CV) கண்காணிப்பை அனுமதிக்கும். பல முக்கிய நோய்களை கண்டறிந்து சிகிச்சையளிப்பதில் பயன்கள் காணப்படுகின்றன. WBS, பொருத்தமான அலார்ட்ம்கள் இணைந்து, அதிக ஆபத்துள்ள நபர்களுக்கு CV பேரழிவுக்கான கண்காணிப்பு திறன்களை அதிகரிக்க முடியும். WBS ஆனது, சிகிச்சையை துல்லியமாக அளவிடுவதற்கு அல்லது நோயாளிகளின் இணக்கத்தில் உள்ள இடைவெளிகளைக் கண்டறிவதற்கு உதவும் தகவல்களை வழங்குவதன் மூலம், நாள்பட்ட நோய்களின் சிகிச்சையில் ஒரு பங்கை வகிக்க முடியும். WBS ஆபத்தான நடவடிக்கைகளின் போது (இராணுவ, தீயணைப்பு போன்றவை) மக்களை கம்பியில்லாமல் கண்காணிப்பதில் முக்கிய பங்கு வகிக்க முடியும். ), அல்லது இதுபோன்ற சென்சார்கள் ஒரு வெகுஜன பொதுமக்கள் காயங்கள் நிகழ்வின் போது வழங்கப்படலாம். உடலியல் சார்ந்த காரணிகள் " உயிர் அறிகுறிகள் " ஆகும் என்பதால், அவசர மருத்துவ சூழ்நிலைகளில் மிக முக்கியமான தகவல்களாக WBS இருக்கும், WBS ஆபத்துள்ள பெரிய எண்ணிக்கையிலான நபர்களுக்கு வயர்லெஸ் கண்காணிப்பு முறையை செயல்படுத்தலாம். இன்றைய அவசரநிலைப் பிரிவுகளில் காத்திருப்பு அறைகளை கண்காணிப்பதில் இதே அணுகுமுறை பயனுள்ளதாக இருக்கும். இதயக் கண்காணிப்பு தேவைப்படும் மருத்துவமனை நோயாளிகளுக்கு, தற்போதைய பயோசென்சார் தொழில்நுட்பம் வழக்கமாக நோயாளிகளை கம்பிகளின் ஒரு சிக்கலில் கட்டி வைக்கிறது, அதேசமயம் அணியக்கூடிய இதயக் கண்காணிப்பு சென்சார்கள் நோயாளிகளின் வசதியை அதிகரிக்கலாம் மற்றும் தடுமாறி விழுவதற்கான அபாயத்தை கூட குறைக்கலாம், இது நோய்வாய்ப்பட்ட, மருந்துகள் மற்றும் அறிமுகமில்லாத சூழலில் உள்ள மருத்துவமனை நோயாளிகளுக்கு ஒரு நிரந்தர பிரச்சினையாகும். தினசரி அடிப்படையில், சிகிச்சையளிக்கப்படாத உயர் இரத்த அழுத்தத்தை உணர்ந்து, மருந்துகளை தவறவிட்டதை கண்டறியக்கூடிய CV சென்சார்கள், மருந்துகளை எடுக்க நோயாளிக்கு ஒரு தானியங்கி நினைவூட்டலைத் தூண்டக்கூடும். மேலும், மருத்துவர்கள் உயர் இரத்த அழுத்த சிகிச்சையை அளவிடுவது முக்கியம், ஏனெனில் போதிய சிகிச்சை மற்றும் அதிக சிகிச்சை (அசாதாரணமாக குறைந்த இரத்த அழுத்தத்திற்கு வழிவகுக்கிறது) இறப்பு விகிதத்தை அதிகரிக்கிறது. இருப்பினும், சிகிச்சை முடிவுகளை அடிப்படையாகக் கொண்டிருக்கும் இரத்த அழுத்தத்தின் இடைவெளி மதிப்புகள் மட்டுமே சுகாதார வழங்குநர்களுக்கு உள்ளன; தொடர்ச்சியான இரத்த அழுத்த கண்காணிப்பு சிகிச்சையின் மேம்பட்ட அளவீடு மற்றும் இறப்பு குறைப்புகளை அனுமதிக்கும் என்பது சாத்தியம். இதேபோல், WBS ஒரு நோயாளியின் உடற்பயிற்சி முயற்சிகளின் உடலியல் கையொப்பத்தை (இதயத் துடிப்பு மற்றும் இரத்த அழுத்தத்தில் ஏற்படும் மாற்றங்களாக வெளிப்படுத்தப்படுகிறது) பதிவு செய்ய முடியும், இது நோயாளி மற்றும் சுகாதார வழங்குநர் சுகாதார விளைவுகளை மேம்படுத்துவதாக நிரூபிக்கப்பட்ட ஒரு திட்டத்தின் இணக்கத்தை மதிப்பீடு செய்ய அனுமதிக்கிறது. இதய செயலிழப்பு போன்ற நாள்பட்ட இருதய நோயால் பாதிக்கப்பட்ட நோயாளிகளுக்கு, WBS ஐப் பயன்படுத்தி வீட்டு கண்காணிப்பு மிகவும் ஆரம்ப கட்டங்களில் (மற்றும் பெரும்பாலும் எளிதில் சிகிச்சையளிக்கக்கூடியது) அதிகரிப்புகளைக் கண்டறியலாம், நோயாளி அவசர அறை வருகை மற்றும் விலையுயர்ந்த மருத்துவமனை அனுமதி தேவைப்படும் மிகவும் ஆபத்தான நிலைகளுக்கு முன்னேறுவதற்கு முன்பே. இந்த கட்டுரையில் நாம் தொழில்நுட்ப மற்றும் மருத்துவ ரீதியான இருவகைகளையும் பற்றி பேசுவோம் ... |
86c9a59c7c4fcf0d10dbfdb6afd20dd3c5c1426c | கைரேகை தரவுத்தளத்தில் கைரேகை வகைப்பாடு ஒரு முக்கியமான குறியீட்டு வழிமுறையை வழங்குகிறது. துல்லியமான மற்றும் சீரான வகைப்பாடு ஒரு பெரிய தரவுத்தளத்தில் கைரேகை பொருந்தும் நேரத்தை பெரிதும் குறைக்க முடியும். முன்னர் வெளியிடப்பட்ட தகவல்களை விட அதிக துல்லியத்தை அடையக்கூடிய விரல் அச்சு வகைப்படுத்தல் வழிமுறையை நாங்கள் முன்வைக்கிறோம். கைரேகைகளை ஐந்து வகைகளாக பிரிக்கிறோம்: சுழல், வலது சுழல், இடது சுழல், வளைவு, மற்றும் வளைவு. இந்த வழிமுறை ஒரு புதிய பிரதிநிதித்துவத்தை (ஃபிங்கர் கோட்) பயன்படுத்துகிறது மற்றும் ஒரு வகைப்படுத்தலை உருவாக்க இரண்டு-நிலை வகைப்படுத்தியை அடிப்படையாகக் கொண்டது. இது NIST-4 தரவுத்தளத்தில் உள்ள 4,000 படங்களில் சோதிக்கப்பட்டது. ஐந்து வகுப்புப் பிரச்னைக்கு, 90 சதவீத வகைப்படுத்தல் துல்லியம் அடையப்படுகிறது (சிறப்பு பிரித்தெடுக்கும் கட்டத்தில் 1.8 சதவீத நிராகரிப்புடன்). நான்கு வகுப்புப் பிரச்னைக்கு (வளைவு மற்றும் கூடார வளைவு ஒரு வகுப்பில் இணைக்கப்பட்டுள்ளது), 94.8 சதவீத வகைப்படுத்தல் துல்லியத்தை நாம் அடைய முடிகிறது (1.8 சதவீத நிராகரிப்புடன்). வகைப்படுத்தியில் நிராகரிப்பு விருப்பத்தை இணைப்பதன் மூலம், ஐந்து வகுப்பு வகைப்படுத்தல் பணிக்கான வகைப்படுத்தல் துல்லியம் 96 சதவீதமாகவும், மொத்தம் 32.5 சதவீத படங்கள் நிராகரிக்கப்பட்ட பிறகு நான்கு வகுப்பு வகைப்படுத்தல் பணிக்கான 97.8 சதவீதமாகவும் அதிகரிக்கப்படலாம். |
a2ed347d010aeae4ddd116676bdea2e77d942f6e | இந்த ஆய்வில் ஒரு கைரேகை வகைப்படுத்தல் வழிமுறை வழங்கப்பட்டுள்ளது. கைரேகைகள் ஐந்து வகைகளாக வகைப்படுத்தப்படுகின்றன: வளைவு, வளைவு, இடது சுழல், வலது சுழல் மற்றும் சுழல். இந்த வழிமுறை ஒரு கைரேகை படத்தில் தனித்துவமான புள்ளிகளை (கோல்கள் மற்றும் டெல்டாக்கள்) பிரித்தெடுக்கிறது மற்றும் கண்டறியப்பட்ட தனித்துவமான புள்ளிகளின் எண்ணிக்கை மற்றும் இடங்களின் அடிப்படையில் வகைப்படுத்தலைச் செய்கிறது. இந்த வகைப்படுத்தி சுழற்சி, மொழிபெயர்ப்பு மற்றும் சிறிய அளவிலான அளவிலான மாற்றங்களுக்கு மாறாதது. வகைப்படுத்தி விதி அடிப்படையானது, அங்கு விதிகளை ஒரு குறிப்பிட்ட தரவு தொகுப்பு இருந்து சுயாதீன உருவாக்கப்படுகின்றன. NIST-4 தரவுத்தளத்தில் உள்ள 4000 படங்கள் மற்றும் NIST-9 தரவுத்தளத்தில் உள்ள 5400 படங்கள் மீது இந்த வகைப்படுத்தி சோதிக்கப்பட்டது. NIST-4 தரவுத்தளத்தில், ஐந்து வகுப்புப் பிரச்னைக்கு 85.4% வகைப்படுத்தல் துல்லியம் மற்றும் நான்கு வகுப்புப் பிரச்னைக்கு 91.1% (வளைவு மற்றும் கூடார வளைவு ஒரே பிரிவில் வைக்கப்பட்டுள்ளன) ஆகியவை அடையப்பட்டன. நிராகரிப்பு விருப்பத்தைப் பயன்படுத்தி, நான்கு வகுப்பு வகைப்படுத்தல் பிழையை 6% க்கும் குறைவாகக் குறைக்கலாம், 10% கைரேகை படங்கள் நிராகரிக்கப்படுகின்றன. இதேபோன்ற வகைப்படுத்தல் செயல்திறன் NIST-9 தரவுத்தளத்தில் பெறப்பட்டது. |
b07ce649d6f6eb636872527104b0209d3edc8188 | |
3337976b072405933a02f7d912d2b6432de38feb | இந்த ஆவணம் மூன்று பகுதிகளைக் கொண்டுள்ளது: பொதுவாக சுருக்கங்களின் ஆரம்ப வகைப்பாடு; தற்போதைய மற்றும் திட்டமிடப்பட்ட தொகுதிகள் மற்றும் செயல்திறன் பற்றிய விளக்கம் SUMMARIST தானியங்கி பன்மொழி உரை சுருக்க அமைப்பு கட்டமைக்கப்படுகிறது sat ISI, மற்றும் சுருக்கங்களை மதிப்பீடு செய்ய மூன்று முறைகள் பற்றிய விவாதம். 1. T H E N A T U R E O F S U M A R I E S 1950 களின் பிற்பகுதியிலும், 60 களின் தொடக்கத்திலும் மேற்கொள்ளப்பட்ட ஆரம்பகால பரிசோதனைகள், கணினி மூலம் உரை சுருக்கத்தை உருவாக்குவது சாத்தியம் என்றாலும், அது நேரடியானதல்ல என்று சுட்டிக்காட்டியது (Luhn, 59; Edmundson, 68). பின்னர் உருவாக்கப்பட்ட முறைகள் மிகவும் சிக்கலானவை அல்ல, முக்கியமாக வாக்கிய நிலை மற்றும் சொல் அதிர்வெண் எண்ணிக்கை போன்ற மேற்பரப்பு நிலை நிகழ்வுகளை நம்பியிருந்தன, மேலும் சுருக்கங்களை (உரையிலிருந்து தேர்ந்தெடுக்கப்பட்ட பத்திகள், மீண்டும் உருவாக்கப்பட்டது) விட சுருக்கங்களை (உரையின் விளக்கமளிக்கப்பட்ட பகுதிகள், புதிதாக உருவாக்கப்பட்டவை) தயாரிப்பதில் கவனம் செலுத்தியது. சில தசாப்தங்களின் இடைவெளிக்குப் பிறகு, அதிக அளவில் ஆன்லைன் உரைகள் - கார்பராக்களில் மற்றும் குறிப்பாக இணையத்தில் - தானியங்கி உரை சுருக்கத்தில் ஆர்வத்தை புதுப்பித்தது. இந்த இடைப்பட்ட தசாப்தங்களில், இயற்கை மொழி செயலாக்கத்தில் (NLP) ஏற்பட்ட முன்னேற்றம், கணினி நினைவகம் மற்றும் வேகத்தின் பெரும் அதிகரிப்புடன் இணைந்து, மிகவும் ஊக்கமளிக்கும் முடிவுகளுடன், மிகவும் சிக்கலான நுட்பங்களை சாத்தியமாக்கியது. 1990 களின் பிற்பகுதியில், அமெரிக்காவில் ஒப்பீட்டளவில் சிறிய ஆராய்ச்சி முதலீடுகள் (மைக்ரோசாப்ட், லெக்ஸிஸ்-நெக்ஸிஸ், ஆரக்கிள், எஸ்ஆர்ஏ மற்றும் டெக்ஸ்ட்வைஸ் ஆகியவற்றில் வணிக முயற்சிகள் மற்றும் சிஎம்யூ, என்எம்எஸ்யூ, யுபிஎன் மற்றும் யுஎஸ்சி / ஐஎஸ்ஐ ஆகியவற்றில் பல்கலைக்கழக முயற்சிகள் உட்பட 10 க்கும் மேற்பட்ட திட்டங்கள்) மூன்று அல்லது நான்கு ஆண்டுகளில் சாத்தியமான சந்தைப்படுத்தல் மற்றும் தொடர்ச்சியான முன்னேற்றத்தை உறுதிப்படுத்தும் பல கண்டுபிடிப்புகளை வெளிப்படுத்தியுள்ளன. கூடுதலாக, பல சமீபத்திய பட்டறைகள், ஒரு புத்தகத் தொகுப்பு, மற்றும் பல பயிற்சிகள் ஆகியவை தானியங்கி உரை சுருக்கமானது ஒரு சூடான பகுதியாக மாறியுள்ளன என்பதை சாட்சியமளிக்கின்றன. எனினும், பல்வேறு அமைப்புகளை ஆராய்ந்து, உண்மையில் என்ன சாதிக்கப்பட்டுள்ளது என்பதைக் கருத்தில் கொள்ள ஒரு நொடி எடுத்துக் கொள்ளும்போது, அவற்றின் அடிப்படை ஒற்றுமை, அவற்றின் கவனம் குறுகியதாக இருப்பதால், மற்றும் சிக்கலைச் சுற்றியுள்ள ஏராளமான அறியப்படாத காரணிகளால் ஒருவர் தாக்கப்படுவதைத் தவிர்க்க முடியாது. உதாரணமாக, சுருக்கம் என்றால் என்ன? யாருக்கும் சரியாகத் தெரியாது. எங்கள் பணியில், சுருக்கத்தை பொதுவான சொல் என்று பயன்படுத்துகிறோம், அதை பின்வருமாறு வரையறுக்கிறோம்ஃ சுருக்கம் என்பது ஒன்று அல்லது அதற்கு மேற்பட்ட (ஒருவேளை மல்டிமீடியா) நூல்களிலிருந்து தயாரிக்கப்படும் ஒரு உரை, இது அசல் உரையின் அதே தகவல்களை (சில) கொண்டுள்ளது, மேலும் அசல் உரையின் பாதிக்கும் அதிகமாக இல்லை. படத்தை கொஞ்சம் தெளிவுபடுத்த, பின்வரும் அம்சங்களை அடையாளம் கண்டு, (ஸ்பிரிக் ஜோன்ஸ், 97) விரிவுபடுத்துகிறோம். எந்தவொரு சுருக்கமும் (குறைந்தபட்சம்) மூன்று முக்கிய வகை பண்புகளால் வகைப்படுத்தப்படலாம்: Invut: மூல உரையின் பண்புகள் (((s) மூல அளவுஃ ஒற்றை ஆவணம் v s. பல ஆவணங்கள்: ஒரு ஆவண சுருக்கம் ஒரு உள்ளீட்டு உரையிலிருந்து பெறப்படுகிறது (சுருக்க செயல்முறை மற்ற நூல்களிலிருந்து முன்னர் தொகுக்கப்பட்ட தகவல்களைப் பயன்படுத்தலாம் என்றாலும்). பல ஆவண சுருக்கம் என்பது ஒன்றுக்கு மேற்பட்ட உள்ளீட்டு உரையின் உள்ளடக்கத்தை உள்ளடக்கிய ஒரு உரை ஆகும், மேலும் இது உள்ளீட்டு நூல்கள் கருப்பொருளாக தொடர்புடையதாக இருக்கும்போது மட்டுமே பயன்படுத்தப்படுகிறது. குறிப்பிட்ட தன்மை: கள-குறிப்பிட்ட vs பொதுவானது: உள்ளீட்டு நூல்கள் அனைத்தும் ஒரு களத்திற்கு சொந்தமானவை என்றால், கள-குறிப்பிட்ட சுருக்க நுட்பங்களைப் பயன்படுத்துவது, குறிப்பிட்ட உள்ளடக்கத்தில் கவனம் செலுத்துவது மற்றும் பொதுவான வழக்குடன் ஒப்பிடும்போது குறிப்பிட்ட வடிவங்களை வெளியிடுவது பொருத்தமாக இருக்கலாம். ஒரு டொமைன்-குறிப்பிட்ட சுருக்கம் என்பது உள்ளீட்டு உரைகளிலிருந்து பெறப்படுகிறது, அதன் தீம் ஒரு ஒற்றை வரையறுக்கப்பட்ட களத்திற்கு சொந்தமானது. இதுபோன்ற, இது குறைந்த கால தெளிவின்மை, தனித்துவமான சொல் மற்றும் இலக்கண பயன்பாடு, சிறப்பு வடிவமைப்பு போன்றவற்றை கருத்தில் கொள்ளலாம், மேலும் அவற்றை சுருக்கத்தில் பிரதிபலிக்க முடியும். |
25126128faa023d1a65a47abeb8c33219cc8ca5c | பெரிய அளவிலான கரு முறைகளுக்கு நாம் Nyström வகை துணை மாதிரி அணுகுமுறைகளை ஆய்வு செய்கிறோம், மேலும் எண் கற்றல் அமைப்பில் கற்றல் வரம்புகளை நிரூபிக்கிறோம், அங்கு சீரற்ற மாதிரி மற்றும் உயர் நிகழ்தகவு மதிப்பீடுகள் கருதப்படுகின்றன. குறிப்பாக, இந்த அணுகுமுறைகள் உகந்த கற்றல் வரம்புகளை அடைய முடியும் என்பதை நிரூபிக்கிறோம், துணை மாதிரி நிலை பொருத்தமாக தேர்ந்தெடுக்கப்பட்டால். இந்த முடிவுகள் Nyström Kernel ஒழுங்குபடுத்தப்பட்ட குறைந்தபட்ச சதுரங்களின் எளிய அதிகரிப்பு மாறுபாட்டைக் குறிக்கின்றன, அங்கு துணை மாதிரி நிலை கணக்கீட்டு ஒழுங்குபடுத்தலின் ஒரு வடிவத்தை செயல்படுத்துகிறது, அதே நேரத்தில் ஒழுங்குபடுத்தல் மற்றும் கணக்கீடுகளை கட்டுப்படுத்துகிறது. விரிவான பரிசோதனை பகுப்பாய்வு, பரிசீலிக்கப்பட்ட அணுகுமுறை, பெரிய அளவிலான தரவுத் தொகுப்புகளை ஒப்பிடும் போது, அதிநவீன செயல்திறனை அடைகிறது என்பதைக் காட்டுகிறது. |
414573bcd1849b4d3ec8a06dd4080b62f1db5607 | விநியோகிக்கப்பட்ட சேவை மறுப்பு (DDoS) தாக்குதல்கள் இணையம் முழுவதும் அச்சுறுத்தலை ஏற்படுத்துகின்றன. D-WARD என்ற DDoS பாதுகாப்பு முறையை நாங்கள் முன்மொழிகிறோம், இது மூல-இறுதி நெட்வொர்க்குகளில் பயன்படுத்தப்படுகிறது, இது இந்த நெட்வொர்க்குகளிலிருந்து வரும் தாக்குதல்களைத் தானாகக் கண்டறிந்து நிறுத்துகிறது. நெட்வொர்க் மற்றும் மீதமுள்ள இணையம் இடையேயான இருவழி போக்குவரத்து ஓட்டங்களை தொடர்ந்து கண்காணிப்பதன் மூலமும், சாதாரண ஓட்ட மாதிரிகளுடன் அவ்வப்போது ஒப்பிடுவதன் மூலமும் தாக்குதல்கள் கண்டறியப்படுகின்றன. பொருந்தாத ஓட்டங்கள் அவற்றின் ஆக்கிரமிப்பு விகிதத்தில் விகித வரையறை கொண்டவை. D-WARD ஒரு தாக்குதலின் போது கூட சட்டப்பூர்வ போக்குவரத்துக்கு நல்ல சேவையை வழங்குகிறது, அதே நேரத்தில் DDoS போக்குவரத்தை ஒரு புறக்கணிக்கத்தக்க மட்டத்திற்கு குறைக்கிறது. இந்த அமைப்பின் முன்மாதிரி ஒரு லினக்ஸ் திசைவியில் கட்டப்பட்டுள்ளது. பல்வேறு தாக்குதல் சூழ்நிலைகளில் அதன் செயல்திறனைக் காண்பிப்போம், பயன்பாட்டிற்கான உந்துதல்களைப் பற்றி விவாதிப்போம், அதனுடன் தொடர்புடைய செலவுகளை விவரிப்போம். |
705a24f4e1766a44bbba7cf335f74229ed443c7b | முக அங்கீகார வழிமுறைகள் பொதுவாக முக படங்கள் நன்கு சீரமைக்கப்பட்டவை மற்றும் ஒத்த தோற்றத்தைக் கொண்டவை என்று கருதுகின்றன -- ஆனால் பல நடைமுறை பயன்பாடுகளில் இந்த நிபந்தனைகளை பூர்த்தி செய்வது சாத்தியமற்றது. எனவே, முகம் அடையாளம் காண்பதை கட்டுப்பாடுகள் இல்லாத முகப் படங்களுக்கும் விரிவுபடுத்துவது ஒரு செயலில் உள்ள ஆராய்ச்சிப் பகுதியாக மாறியுள்ளது. இந்த நோக்கத்திற்காக, உள்ளூர் பைனரி வடிவங்களின் (எல்பிபி) ஹிஸ்டோகிராம்கள் முக அங்கீகாரத்திற்கான மிகவும் பாகுபாடு காட்டும் விவரிப்பாளர்களாக நிரூபிக்கப்பட்டுள்ளன. இருப்பினும், பெரும்பாலான LBP- அடிப்படையிலான வழிமுறைகள் ஒரு உறுதியான விவரிப்பு பொருத்தமான மூலோபாயத்தைப் பயன்படுத்துகின்றன, இது போஸ் மாறுபாடு மற்றும் தவறான சீரமைப்புக்கு எதிராக வலுவானதாக இல்லை. நாம் இரண்டு முக அங்கீகார வழிமுறைகளை முன்மொழிகிறோம் அவை போஸ் மாறுபாடுகள் மற்றும் தவறான சீரமைப்புகளை கையாள வடிவமைக்கப்பட்டுள்ளன. வெளிச்சத்தின் மாறுபாடுகளை எதிர்த்து வலுவூட்டும் வகையில், வெளிச்சத்தை இயல்பாக்குவதற்கான ஒரு படிநிலையையும் நாங்கள் இணைத்துள்ளோம். முன்மொழியப்பட்ட வழிமுறைகள் LBP இன் ஹிஸ்டோகிராம்களை அடிப்படையாகக் கொண்ட விவரிப்பாளர்களைப் பயன்படுத்துகின்றன மற்றும் முறையே இடவியல் பிரமிடு பொருத்துதல் (SPM) மற்றும் நேயவ் பேஸ் அருகிலுள்ள அண்டை (NBNN) உடன் விவரிப்பாளரை பொருத்துகின்றன. வகுப்புக்குள் உள்ள வேறுபாடுகளை கருத்தில் கொண்டு மேம்பட்ட உறுதியைக் கொடுப்பதற்காக பட-வகுப்பு உறவைப் பயன்படுத்தும் நெகிழ்வான இடஞ்சார்ந்த பொருத்தமான திட்டங்களைச் சேர்ப்பது எங்கள் பங்களிப்பாகும். நாங்கள் முன்மொழியப்பட்ட வழிமுறைகளின் துல்லியத்தை அஹோனனின் அசல் LBP- அடிப்படையிலான முக அங்கீகார அமைப்பு மற்றும் நான்கு நிலையான தரவுத் தொகுப்புகளில் இரண்டு அடிப்படை முழுமையான வகைப்படுத்திகளுடன் ஒப்பிடுகிறோம். எமது முடிவுகள் NBNN அடிப்படையிலான வழிமுறை மற்ற தீர்வுகளை விட சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகின்றன. மேலும் இது போஸ் மாறுபாடுகள் இருக்கும்போது மிகவும் குறிப்பிடத்தக்க வகையில் செயல்படுகிறது. |
fb8704210358d0cbf5113c97e1f9f9f03f67e6fc | கடந்த 10 ஆண்டுகளில் கணினி பார்வைத் துறையில் உள்ளடக்க அடிப்படையிலான காட்சித் தகவல் மீட்பு (CBVIR) அல்லது உள்ளடக்க அடிப்படையிலான பட மீட்பு (CBIR) என்பது மிகவும் தெளிவான ஆராய்ச்சிப் பகுதிகளில் ஒன்றாகும். காட்சி மற்றும் மல்டிமீடியா தரவுகளின் பெருமளவிலான மற்றும் தொடர்ந்து வளர்ந்து வரும் அளவுகள் கிடைப்பதுடன், இணையத்தின் வளர்ச்சியும், வெறும் உரை அடிப்படையிலான வினவல்கள் அல்லது தரவுத்தள புலங்களுக்கு சரியான பொருத்தத்தை அடிப்படையாகக் கொண்ட கோரிக்கைகளை விட அதிகமாக வழங்கும் கருப்பொருள் அணுகல் முறைகளை உருவாக்குவதற்கான தேவையை வலியுறுத்துகின்றன. காட்சி அல்லது ஒலி உள்ளடக்கத்தின் அடிப்படையில் வினவல்களை உருவாக்கி செயல்படுத்தவும், பெரிய மல்டிமீடியா களஞ்சியங்களை உலாவ உதவும் பல நிரல்கள் மற்றும் கருவிகள் உருவாக்கப்பட்டுள்ளன. ஆயினும், பல்வேறு வகையான ஆவணங்கள் மற்றும் மாறுபட்ட பண்புகளைக் கொண்ட பெரிய மாறுபட்ட தரவுத்தளங்கள் தொடர்பாக எந்தவொரு பொதுவான முன்னேற்றமும் அடையப்படவில்லை. வேகம், சொற்பொருள் விவரிப்புகள் அல்லது புறநிலை பட விளக்கங்கள் தொடர்பான பல கேள்விகளுக்கு பதில்கள் இன்னும் பதிலளிக்கப்படவில்லை. மருத்துவத் துறையில், படங்கள், குறிப்பாக டிஜிட்டல் படங்கள், அதிக அளவில் தயாரிக்கப்பட்டு, நோயறிதல் மற்றும் சிகிச்சைக்குப் பயன்படுத்தப்படுகின்றன. 2002-ல் ஜெனீவா பல்கலைக்கழக மருத்துவமனையின் ரேடியோலஜி பிரிவு மட்டும் ஒரு நாளைக்கு 12,000 படங்களை எடுத்தது. இதயவியல் தற்போது டிஜிட்டல் படங்களின் இரண்டாவது பெரிய தயாரிப்பாளராக உள்ளது, குறிப்பாக இதய காதிட்ரிஸிங் வீடியோக்களுடன் (ஒவ்வொரு ஆண்டும் சுமார் 1800 பரிசோதனைகள் கிட்டத்தட்ட 2000 படங்களைக் கொண்டுள்ளன). 2002 ஆம் ஆண்டில் ஜெனீவா பல்கலைக்கழக மருத்துவமனையில் தயாரிக்கப்பட்ட இதயவியல் படத் தரவுகளின் மொத்த அளவு சுமார் 1 TB ஆகும். எண்டோஸ்கோபிக் வீடியோக்களும் மிகப்பெரிய அளவிலான தரவுகளை உருவாக்க முடியும். மருத்துவத்தில் டிஜிட்டல் இமேஜிங் மற்றும் தகவல்தொடர்பு (டிஐசிஓஎம்) மூலம், பட தகவல்தொடர்புக்கான ஒரு தரநிலை அமைக்கப்பட்டுள்ளது மற்றும் நோயாளி தகவல்களை உண்மையான படத்துடன் சேமிக்க முடியும், இருப்பினும் தரப்படுத்தல் தொடர்பாக சில சிக்கல்கள் இன்னும் உள்ளன. மருத்துவத் தரவுகளை நிர்வகிப்பதை எளிதாக்கும் வகையில் மருத்துவப் படங்களுக்கு உள்ளடக்க அடிப்படையிலான அணுகல் மருத்துவத் தீர்மானங்களை ஆதரிப்பதற்காக பல கட்டுரைகளில் முன்மொழியப்பட்டுள்ளது. மேலும் பட ஆவணப்படுத்தல் மற்றும் தகவல் தொடர்பு அமைப்புகளில் (PACS) உள்ளடக்க அடிப்படையிலான அணுகல் முறைகளை ஒருங்கிணைப்பதற்கான காட்சிகள் உருவாக்கப்பட்டுள்ளன. மருத்துவ படத் தரவுகளுக்கான உள்ளடக்க அடிப்படையிலான அணுகல் மற்றும் இந்த துறையில் பயன்படுத்தப்படும் தொழில்நுட்பங்கள் குறித்த இலக்கியங்கள் பற்றிய ஒரு கண்ணோட்டத்தை இந்த கட்டுரை வழங்குகிறது. பிரிவு 1 பொதுவான உள்ளடக்க அடிப்படையிலான பட மீட்பு மற்றும் பயன்படுத்தப்படும் தொழில்நுட்பங்கள் பற்றிய அறிமுகத்தை வழங்குகிறது. பிரிவு 2 மருத்துவ நடைமுறையில் பட மீட்டெடுப்பு மற்றும் பல்வேறு அணுகுமுறைகளைப் பயன்படுத்துவதற்கான முன்மொழிவுகளை விளக்குகிறது. எடுத்துக்காட்டு அமைப்புகள் மற்றும் பயன்பாட்டு பகுதிகள் விவரிக்கப்பட்டுள்ளன. பிரிவு 3 நடைமுறைப்படுத்தப்பட்ட அமைப்புகளில் பயன்படுத்தப்படும் நுட்பங்கள், அவற்றின் தரவுத் தொகுப்புகள் மற்றும் மதிப்பீடுகள் ஆகியவற்றை விவரிக்கிறது. பிரிவு 4 மருத்துவ நடைமுறையில் மற்றும் ஆராய்ச்சி மற்றும் கல்வி போன்றவற்றில் பட மீட்பு முறைகளின் சாத்தியமான மருத்துவ நன்மைகளை அடையாளம் காட்டுகிறது. பயனுள்ளதாக இருக்கும் புதிய ஆராய்ச்சி திசைகள் வரையறுக்கப்படுகின்றன. மருத்துவத் துறையில் இருந்து பல திட்டங்கள் உருவாக்கப்படுகின்றன, மேலும் மருத்துவ தரவுத்தொகுப்புகளைப் பயன்படுத்தி கணினி அறிவியல் துறைகளில் ஆராய்ச்சி முன்மாதிரிகள் உருவாக்கப்படுகின்றன. [பக்கம் 3-ன் படம்] பொதுவாக, தற்போதைய உரை அடிப்படையிலான தேடல் முறைகளை மாற்றுவதல்ல, ஆனால் காட்சி தேடல் கருவிகளால் அவற்றை நிறைவு செய்வதே இதன் நோக்கம் என்று கூற வேண்டும். |
38919649ae3fd207b96b62e95b3c8c8e69635c7f | இந்த ஆய்வு, வயர்லெஸ் மொபைல் அட் ஹோக் நெட்வொர்க்குகளுக்காக முன்மொழியப்பட்ட மூன்று ரூட்டிங் நெறிமுறைகளை ஒப்பிடுவதாகும். இந்த நெறிமுறைகள்ஃ இலக்கு வரிசைப்படுத்தப்பட்ட தூர திசையன் (DSDV), தேவைக்கேற்ப தூர திசையன் (AODV) மற்றும் டைனமிக் மூல வழிமுறை (DSR). முனைகள் தோராயமாக நகரும் சூழ்நிலையில் விரிவான உருவகப்படுத்துதல்கள் செய்யப்படுகின்றன. ஒரு சூழ்நிலையில் முனைகளின் ஒப்பீட்டு வேகத்தை பிரதிபலிக்க வடிவமைக்கப்பட்ட ஒரு புதிய இயக்கம் அளவீட்டின் செயல்பாடாக முடிவுகள் வழங்கப்படுகின்றன. மேலும், மூன்று யதார்த்தமான காட்சிகள் அறிமுகப்படுத்தப்பட்டுள்ளன, இது நெறிமுறைகளை மிகவும் சிறப்பு சூழல்களில் சோதிக்க உதவுகிறது. பெரும்பாலான உருவகப்படுத்துதல்களில், எதிர்வினை நெறிமுறைகள் (AODV மற்றும் DSR) DSDV ஐ விட கணிசமாக சிறப்பாக செயல்பட்டன. குறைந்த போக்குவரத்து சுமைகளில், டிஎஸ்ஆர் அனைத்து சோதனை செய்யப்பட்ட இயக்கம் மதிப்புகளிலும் ஏஓடிவி விட சிறப்பாக செயல்பட்டது, அதே நேரத்தில் ஏஓடிவி அதிக போக்குவரத்து சுமைகளில் டிஎஸ்ஆரை விட சிறப்பாக செயல்பட்டது. பிந்தையது டி.எஸ்.ஆர் தரவுப் பொதிகளில் உள்ள மூலப் பாதைகளால் ஏற்படுகிறது, இது நெட்வொர்க்கில் சுமை அதிகரிக்கிறது. திசைவிகள் மற்றும் ஹோஸ்ட்கள், இதனால் ஒரு முனை மற்ற முனைகளுக்கு இடையே பாக்கெட்டுகளை முன்னோக்கி அனுப்பலாம் மற்றும் பயனர் பயன்பாடுகளை இயக்கலாம். அண்மையில் மேற்கொள்ளப்பட்ட பல ஆராய்ச்சி மற்றும் மேம்பாட்டு முயற்சிகளின் மையமாக மொபைல் அட் ஹோக் நெட்வொர்க்குகள் இருந்து வருகின்றன. இதுவரை, தற்காலிக தொகுப்பு வானொலி நெட்வொர்க்குகள் முக்கியமாக இராணுவ பயன்பாடுகளை உள்ளடக்கியிருந்தன, அங்கு ஒரு பரவலாக்கப்பட்ட நெட்வொர்க் கட்டமைப்பு ஒரு செயல்பாட்டு நன்மை அல்லது ஒரு தேவை. தற்காலிக கட்டமைப்பு கருத்துக்களைப் பயன்படுத்தும் நெட்வொர்க்குகள் பல இராணுவ பயன்பாடுகளில் பயன்படுத்தப்படலாம், அவை ஒன்றோடொன்று இணைக்கப்பட்ட வயர்லெஸ் அணுகல் புள்ளிகள் முதல் தனிநபர்களால் கொண்டு செல்லப்படும் வயர்லெஸ் சாதனங்களின் நெட்வொர்க்குகள் வரை, எ. கா. , டிஜிட்டல் வரைபடங்கள், உடலில் இணைக்கப்பட்ட சென்சார்கள், குரல் தொடர்பு போன்றவை. பரந்த மற்றும் குறுகிய தூர இடைமுக நெட்வொர்க்குகள் இணைந்து, மோசமான இயக்க நிலைமைகளின் போது கூட, வலுவான, உலகளாவிய கவரேஜை வழங்க முற்படுகின்றன. |
0f7329cf0d388d4c5d5b94ee52ad2385bd2383ce | சூப்பர் பிக்சல் பிரிவு பட பகுப்பாய்வில் உள்ளதைப் போலவே, சூப்பர் வோக்சல் பிரிவு ஆரம்ப வீடியோ பகுப்பாய்வில் இணைக்கப்படக்கூடிய வலுவான ஆற்றலைக் கொண்டுள்ளது. இருப்பினும், பல சாத்தியமான சூப்பர் வோக்சல் முறைகள் உள்ளன, மேலும் அவை எப்போது, எங்கு மிகவும் பொருத்தமானவை என்பது குறித்து சிறிய புரிதல் உள்ளது. உண்மையில், சூப்பர் வோக்சல் பிரிவு பற்றிய ஒற்றை ஒப்பீட்டு ஆய்வு பற்றி எங்களுக்கு தெரியாது. அந்த நோக்கத்திற்காக, நாங்கள் ஒரு நல்ல சூப்பர் வோக்சல் என்று கருதும் சூழலில், ஆஃப்லைன் மற்றும் ஸ்ட்ரீமிங் முறைகள் உட்பட ஏழு சூப்பர் வோக்சல் வழிமுறைகளை ஆய்வு செய்கிறோம்ஃ அதாவது, இட-நேர ஒற்றுமை, பொருள் / பிராந்திய எல்லை கண்டறிதல், பிராந்திய சுருக்கம் மற்றும் சாதுர்யம். இந்த மதிப்பீட்டிற்கு, இந்த விரும்பத்தக்க சூப்பர் வோக்சல் பண்புகளை அளவிடுவதற்கு ஏழு தர அளவீடுகளின் விரிவான தொகுப்பை நாங்கள் முன்மொழிகிறோம். கூடுதலாக, வீடியோ பகுப்பாய்வில் சூப்பர்வாக்செல்ஸின் அடுத்தடுத்த உயர் மட்ட பயன்பாடுகளுக்கான பிரதிநிதியாக சூப்பர்வாக்செல் வகைப்படுத்தல் பணியில் உள்ள முறைகளை நாங்கள் மதிப்பீடு செய்கிறோம். நாங்கள் தற்போதுள்ள ஆறு தரவுத் தொகுப்புகளை பயன்படுத்தி உள்ளடக்க வகைகள் மற்றும் மனிதக் குறிப்புகளை கொண்டிருக்கிறோம். எமது கண்டுபிடிப்புகள், வரிசைக் கிராஃப் அடிப்படையிலான (GBH), எடை கொண்ட கூட்டுத்தொகை (SWA) மற்றும் தற்கால சூப்பர் பிக்சல்கள் (TSP) முறைகள் ஆகியவை ஏழு முறைகளில் சிறந்த செயல்திறன் கொண்டவை என்பதற்கான உறுதியான ஆதாரங்களை எமக்கு வழங்கியுள்ளன. அவை அனைத்தும் பிரிவு துல்லியத்தின் அடிப்படையில் சிறப்பாக செயல்படுகின்றன, ஆனால் மற்ற விரும்பிய தரவுகளைப் பொறுத்தவரை வேறுபடுகின்றன: GBH சிறந்த பொருளின் எல்லைகளை கைப்பற்றுகிறது; SWA பிராந்திய சுருக்கத்திற்கான சிறந்த திறனைக் கொண்டுள்ளது; மற்றும் TSP சிறந்த கீழ் பிரிவு பிழையை அடைகிறது. |
50dea03d4feb1797f1d5c260736e1cf7ad6d45ca | அறிமுகம் நாம் விரைவாக வளர்ந்து வரும் fibroadenoma ஒரு வழக்கு அறிக்கை. நோயாளிகள் ஒரு 13 வயது சிறுமி இடது மார்பக வெடிப்பு பற்றி வெளிநோயாளி கிளினிக் ஆலோசனை. மருத்துவ பரிசோதனைகள் மூலம் இந்த கட்டி ஃபைப்ரோஅடெனோமா என கண்டறியப்பட்டது, மேலும் நோயாளி கவனமாக கண்காணிக்கப்பட்டார். ஒவ்வொரு மாதவிடாயிலும் இந்த வெகுஜனமானது வேகமாக பெருகி நான்கு மாதங்களுக்குப் பிறகு 50% அளவு அதிகரிப்பைக் காட்டியது. மார்பக அறுவை சிகிச்சை செய்யப்பட்டது. கட்டிகள் ஒழுங்கமைக்கப்பட்ட வகை ஃபைப்ரோஅடெனோமாவாக ஹிஸ்டாலஜி ரீதியாக கண்டறியப்பட்டது மற்றும் பல தசை மார்பக உயிரணுக்கள் கருவில் எஸ்ட்ரோஜன் எதிர்ப்பி எதிர்ப்புக்கு எதிர்ப்பு ஹிஸ்டோகெமிக்கல் வண்ணமயமாக்கல் நேர்மறையானவை. முடிவுக்கு ஈஸ்ட்ரோஜன் உணர்திறன் கட்டி விரைவான வளர்ச்சிக்கு காரணமாக இருக்கலாம். |
0674c1e2fd78925a1baa6a28216ee05ed7b48ba0 | பிராக். கணினி பார்வை பற்றிய சர்வதேச மாநாட்டில், கோர்பு (செப்டம்பர் 1999) ஒரு புதிய வகையான உள்ளூர் பட அம்சங்களைப் பயன்படுத்தும் ஒரு பொருள் அங்கீகார அமைப்பு உருவாக்கப்பட்டுள்ளது. அம்சங்கள் பட அளவீட்டு, மொழிபெயர்ப்பு மற்றும் சுழற்சிக்கு மாறாதவை, மற்றும் வெளிச்ச மாற்றங்கள் மற்றும் ஒத்த அல்லது 3D திட்டத்திற்கு ஓரளவு மாறாதவை. இந்த அம்சங்கள், முதன்மைக் கால்நடைகளின் பார்வையில் பொருளை அடையாளம் காண பயன்படுத்தப்படும் கீழ் தற்காலிக மண்டலத்தில் உள்ள நரம்பியுடன் ஒத்த பண்புகளை பகிர்ந்து கொள்கின்றன. அளவுகோல் இடத்திலுள்ள நிலையான புள்ளிகளை அடையாளம் காணும் ஒரு நிலை வடிகட்டுதல் அணுகுமுறையின் மூலம் அம்சங்கள் திறம்பட கண்டறியப்படுகின்றன. பல திசைவிகளில் மற்றும் பல அளவுகளில் மங்கலான பட சாய்வுகளை பிரதிநிதித்துவப்படுத்துவதன் மூலம் உள்ளூர் வடிவியல் சிதைவுகளை அனுமதிக்கும் பட விசைகள் உருவாக்கப்படுகின்றன. இந்த விசைகள், அருகிலுள்ள அண்டை நாடுகளின் குறியீட்டு முறையில் உள்ளீடுகளாகப் பயன்படுத்தப்படுகின்றன. இது பொருந்தக்கூடிய பொருள்களை அடையாளம் காணும். ஒவ்வொரு பொருத்தத்திற்கும் இறுதி சரிபார்ப்பு அறியப்படாத மாதிரி அளவுருக்களுக்கான குறைந்த மீதமுள்ள குறைந்த சதுர தீர்வுகளைக் கண்டறிவதன் மூலம் அடையப்படுகிறது. சோதனை முடிவுகள், 2 வினாடிகளுக்கு கீழ் கணக்கீட்டு நேரத்துடன், ஒழுங்கற்ற பகுதி-மறைக்கப்பட்ட படங்களில் வலுவான பொருள் அங்கீகாரத்தை அடைய முடியும் என்பதைக் காட்டுகின்றன. |
bbb9c3119edd9daa414fd8f2df5072587bfa3462 | இந்த திறந்த மூல கணினி கட்டமைப்பானது புதிய பயன்பாடுகளை திறக்க ஸ்ட்ரீமிங், தொகுதி மற்றும் ஊடாடும் பெரிய தரவு பணிச்சுமைகளை ஒருங்கிணைக்கிறது. |
18ca2837d280a6b2250024b6b0e59345601064a7 | அறிவியலின் பல துறைகள் ஆய்வு தரவு பகுப்பாய்வு மற்றும் காட்சிப்படுத்தலை சார்ந்திருக்கின்றன. பல மாறி தரவுகளின் பெரிய அளவை பகுப்பாய்வு செய்ய வேண்டிய அவசியம் பரிமாணக் குறைப்பின் அடிப்படை சிக்கலை எழுப்புகிறதுஃ உயர் பரிமாண தரவுகளின் சிறிய பிரதிநிதித்துவங்களை எவ்வாறு கண்டுபிடிப்பது. இங்கு, உள்ளூரில் நேரியல் உட்பொதிப்பு (Locally Linear Embedding (LLE)) என்ற ஒரு மேற்பார்வை செய்யப்படாத கற்றல் வழிமுறையை அறிமுகப்படுத்துகிறோம், இது உயர் பரிமாண உள்ளீடுகளின் குறைந்த பரிமாண, அக்கம் பக்கத்தை பாதுகாக்கும் உட்பொதிப்புகளை கணக்கிடுகிறது. உள்ளூர் பரிமாணக் குறைப்பிற்கான கிளஸ்டரிங் முறைகளைப் போலல்லாமல், LLE அதன் உள்ளீடுகளை குறைந்த பரிமாணத்தின் ஒற்றை உலகளாவிய ஒருங்கிணைப்பு அமைப்பில் வரைபடமாக்குகிறது, மேலும் அதன் தேர்வுமுறைகள் உள்ளூர் குறைந்தபட்சங்களை உள்ளடக்குவதில்லை. நேரியல் புனரமைப்புகளின் உள்ளூர் சமச்சீர் தன்மைகளை பயன்படுத்தி, LLE ஆனது நேரியல் அல்லாத பன்முகத்தன்மைகளின் உலகளாவிய கட்டமைப்பைக் கற்றுக்கொள்ள முடியும், அதாவது முகங்களின் படங்கள் அல்லது உரை ஆவணங்களால் உருவாக்கப்பட்டவை. |
a3bfe87159938a96d3f2037ff0fe10adca0d21b0 | வாகனங்களில் அதிகமான மென்பொருள் தொகுதிகள் மற்றும் வெளிப்புற இடைமுகங்கள் சேர்க்கப்படுவதால், புதிய தாக்குதல்கள் மற்றும் பாதிப்புகள் உருவாகின்றன. வாகனத்தில் உள்ள மின்னணு கட்டுப்பாட்டு அலகுகளை (ECU) எவ்வாறு பாதிப்பது மற்றும் வாகனத்தின் இயக்கத்தை கட்டுப்படுத்துவது என்பதை ஆராய்ச்சியாளர்கள் நிரூபித்துள்ளனர். இந்த பாதிப்புகளை எதிர்கொள்ள, பல்வேறு வகையான பாதுகாப்பு வழிமுறைகள் முன்மொழியப்பட்டுள்ளன, ஆனால் அவை வாகனத்தில் உள்ள நெட்வொர்க் தாக்குதல்களுக்கு எதிராக பாதுகாப்பு-கடிதமான ECU களுக்கான வலுவான பாதுகாப்பின் தேவையை பூர்த்தி செய்ய முடியவில்லை. இந்த குறைபாட்டைக் குறைக்க, நாம் ஒரு அசாதாரண அடிப்படையிலான ஊடுருவல் கண்டறிதல் முறையை (IDS) முன்மொழிகிறோம், இது கடிகார அடிப்படையிலான IDS (CIDS) என்று அழைக்கப்படுகிறது. இது வாகனத்தில் உள்ள செய்திகளின் இடைவெளியை அளவிட்டு, ECUகளின் கைரேகைகளை எடுக்கும். இவ்வாறு பெறப்பட்ட கைரேகைகள் பின்னர் ECUs கடிகார நடத்தைகளின் அடிப்படைக் கட்டமைப்பிற்கு பயன்படுத்தப்படுகின்றன. இந்த அடிப்படை நிலையை அடிப்படையாகக் கொண்டு, அடையாளம் காணும் பிழைகளில் ஏதேனும் அசாதாரண மாற்றங்களைக் கண்டறிய CIDS ஒட்டுமொத்த தொகையை (CUSUM) பயன்படுத்துகிறது - இது ஊடுருவலின் தெளிவான அறிகுறியாகும். இது வாகனத்தில் உள்ள நெட்வொர்க் ஊடுருவல்களை 0.055% என்ற குறைந்த தவறான நேர்மறை விகிதத்துடன் விரைவாக அடையாளம் காண அனுமதிக்கிறது. நவீன ஐடிஎஸ்-க்களைப் போலல்லாமல், ஒரு தாக்குதல் கண்டறியப்பட்டால், சிஐடிஎஸ்-ன் ஈசியூகளின் கைரேகைகளும் மூல காரண பகுப்பாய்வை எளிதாக்குகின்றன; எந்த ஈசியூ தாக்குதலை நடத்தியது என்பதை அடையாளம் காணும். CAN பஸ் முன்மாதிரி மற்றும் உண்மையான வாகனங்களில் மேற்கொள்ளப்பட்ட எங்கள் சோதனைகள், CIDS வாகனத்தில் உள்ள நெட்வொர்க் தாக்குதல்களின் பரந்த அளவை கண்டறிய முடியும் என்பதைக் காட்டுகின்றன. |
c567bdc35a40e568e0661446ac4f9b397787e40d | மிகக் குறைந்த சக்தி கொண்ட வயர்லெஸ் சென்சார் முனைகளுக்கான 2.4 GHz குறுக்கீடு-எதிர்ப்பு விழிப்புணர்வு பெறுபவர் ஒரு நிச்சயமற்ற-IF இரட்டை மாற்றம் டோபோலஜி பயன்படுத்துகிறது, இது ஒரு விநியோகிக்கப்பட்ட பல-நிலை N- பாதை வடிகட்டுதல் நுட்பத்தை ஒரு திறக்கப்படாத குறைந்த-Q ரிசொன்டர்-குறிப்பிடப்பட்ட உள்ளூர் ஆஸிலேட்டருடன் இணைக்கிறது. இந்த அமைப்பு குறுகிய-பட்டைத் தேர்வும், இடையூறுகளுக்கு எதிரான வலுவான நோய் எதிர்ப்பு சக்தியும் அளிக்கிறது, அதே நேரத்தில் BAW ஒலிபெருக்கிகள் அல்லது படிகங்கள் போன்ற விலையுயர்ந்த வெளிப்புற ஒலிபெருக்கி கூறுகளைத் தவிர்க்கிறது. 65 nm CMOS ரிசீவர் முன்மாதிரி -97 dBm உணர்திறன் மற்றும் 5 MHz இணக்கத்தில் கேரியர்-டு-இன்டர்ஃபெரெர் விகிதம் -27 dB ஐ விட சிறந்தது, 10-3 பிட் பிழை விகிதத்தில் 10 kb / s தரவு விகிதத்திற்கு, தொடர்ச்சியான செயல்பாட்டில் 0.5 V மின்னழுத்த சப்ளையிலிருந்து 99 μW ஐ நுகரும். |
703244978b61a709e0ba52f5450083f31e3345ec | இந்த தொகுதியில் ஆசிரியர்கள், ஆராய்ச்சி இலக்கியம் மற்றும் கல்லூரி ஆசிரியர்களுடன் ஒருவருக்கொருவர் பணிபுரியும் இருபத்தி ஏழு வருட அனுபவத்திலிருந்து பிரித்தெடுக்கப்பட்ட ஏழு பொதுவான கற்றல் கொள்கைகளை அறிமுகப்படுத்துகின்றனர். கற்றல், திறமையான அமைப்பு எவ்வாறு தகவல்களைப் பெறுதல் மற்றும் பயன்படுத்துவதை மேம்படுத்துகிறது என்பதையும், உந்துதல் என்ன பாதிக்கிறது என்பதையும் அடிப்படையாகக் கொண்ட ஒரு முக்கிய கொள்கைகளை அடையாளம் காண அவர்கள் பல கண்ணோட்டங்களில் (அறிவாற்றல், வளர்ச்சி மற்றும் சமூக உளவியல்; கல்வி ஆராய்ச்சி; மானுடவியல்; மக்கள்தொகை; மற்றும் நிறுவன நடத்தை) ஆராய்ச்சியைப் பயன்படுத்தியுள்ளனர். இந்த கொள்கைகள் மாணவர்களின் கற்றலைப் பற்றிய புரிதலைக் கொடுக்கின்றன, இது சில கற்பித்தல் அணுகுமுறைகள் மாணவர்களின் கற்றலை ஆதரிப்பது அல்லது ஆதரிக்காதது ஏன் என்பதைக் கண்டறிய உதவுகிறது, குறிப்பிட்ட சூழல்களில் மாணவர்களின் கற்றலை அதிக திறம்பட ஊக்குவிக்கும் கற்பித்தல் அணுகுமுறைகள் மற்றும் உத்திகளை உருவாக்குதல் அல்லது சுத்திகரித்தல் மற்றும் இந்த கொள்கைகளை புதிய படிப்புகளுக்கு மாற்றுதல் மற்றும் பயன்படுத்துதல். |
52a345a29267107f92aec9260b6f8e8222305039 | இந்த ஆவணம் Bianchini et al. இன் Inside PageRank ஆவணத்திற்கு ஒரு துணை அல்லது நீட்டிப்பாக செயல்படுகிறது. [19] இது பேஜ் தரவரிசை தொடர்பான அனைத்து சிக்கல்களின் விரிவான ஆய்வு ஆகும், இது அடிப்படை பேஜ் தரவரிசை மாதிரி, கிடைக்கக்கூடிய மற்றும் பரிந்துரைக்கப்பட்ட தீர்வு முறைகள், சேமிப்பு சிக்கல்கள், இருப்பு, தனித்தன்மை மற்றும் ஒத்திசைவு பண்புகள், அடிப்படை மாதிரியில் சாத்தியமான மாற்றங்கள், பாரம்பரிய தீர்வு முறைகளுக்கு பரிந்துரைக்கப்பட்ட மாற்றுகள், உணர்திறன் மற்றும் நிபந்தனை, மற்றும் இறுதியாக புதுப்பித்தல் சிக்கல். சில புதிய முடிவுகளை அறிமுகப்படுத்தி, விரிவான குறிப்பு பட்டியலை வழங்குகிறோம், மேலும் எதிர்கால ஆராய்ச்சியின் உற்சாகமான பகுதிகளைப் பற்றி ஊகிக்கின்றோம். |
0e5c8094d3da52340b58761d441eb809ff96743f | 1, பகுதி 2 பொருள் இந்த ஆய்வில், புதிதாக அறிமுகப்படுத்தப்பட்ட விநியோகிக்கப்பட்ட செயலில் உள்ள மின்மாற்றி (DAT) கட்டமைப்பின் செயல்திறனை வழக்கமான சிப்-இன்-இம்பேண்டன்ஸ்-மாற்ற முறைகளுடன் ஒப்பிடுகிறோம். தரமான சிலிக்கான் செயல்முறை தொழில்நுட்பங்களில் உயர் சக்தி கொண்ட முழுமையாக ஒருங்கிணைந்த பெருக்கிகளின் வடிவமைப்பில் அவற்றின் அடிப்படை சக்தி-திறன் வரம்புகள் பகுப்பாய்வு செய்யப்படுகின்றன. DAT என்பது ஒரு திறமையான இம்பிடென்ஸ்-மாற்றம் மற்றும் சக்தி-கம்பனிங் முறையாக நிரூபிக்கப்பட்டுள்ளது, இது பல குறைந்த மின்னழுத்த தள்ளு-இழுத்தல் பெருக்கிகளை காந்த இணைப்பு மூலம் தொடர்ச்சியாக இணைக்கிறது. புதிய கருத்தின் செல்லுபடியை நிரூபிக்க, 50 உள்ளீடு மற்றும் வெளியீடு பொருந்தக்கூடிய 41% ஆற்றல்-சேர்க்கப்பட்ட செயல்திறனை அடையும் 2.4-GHz 1.9-W 2-V முழுமையாக ஒருங்கிணைந்த சக்தி-அதிகரிப்பு 0.35-μm CMOS டிரான்சிஸ்டர்களைப் பயன்படுத்தி தயாரிக்கப்பட்டுள்ளது. அனுமதியுடன் மறுபதிப்பு. கையெழுத்துப் பிரதி மே 27, 2001 அன்று பெறப்பட்டது. [இணையத்தில் வெளியிடப்பட்டது: 2002-08-07] இந்த பணி இன்டெல் கார்ப்பரேஷன், இராணுவ ஆராய்ச்சி அலுவலகம், ஜெட் ப்ரொபல்ஷன் ஆய்வகம், இன்ஃபினியன் மற்றும் தேசிய அறிவியல் அறக்கட்டளை ஆகியவற்றால் ஆதரிக்கப்பட்டது. சிப்ஸ் தயாரிப்பிற்காக ஆசிரியர்கள் கானெக்ஸன்ட் சிஸ்டம்ஸுக்கு நன்றி தெரிவிக்கின்றனர், குறிப்பாக ஆர். மாகூன், எஃப். இன்ட்வெல்ட், ஜே. பவல், ஏ. வோ மற்றும் கே. மோய். பாசடெனாவில் உள்ள கலிபோர்னியா இன்ஸ்டிடியூட் ஆப் டெக்னாலஜி (கால்டெக்) -ல் இருந்து வந்த கே. பாட்டர், டி. ஹாம், மற்றும் ஹெச். வு ஆகியோருக்கு அவர்களின் உதவிக்காக விசேஷ நன்றிகள். ஏஜிலென்ட் டெக்னாலஜிஸ் மற்றும் சோனெட் மென்பொருள் இன்க், லிவர்பூல், நியூயார்க் ஆகியவற்றின் CAD கருவிகளுக்கான தொழில்நுட்ப ஆதரவு பாராட்டத்தக்கது. சிலிக்கம் அடிப்படையிலான RF மற்றும் மைக்ரோவேவ் ஒருங்கிணைந்த சுற்றுகள் பற்றிய சிறப்பு இதழ், மைக்ரோவேவ் கோட்பாடு மற்றும் நுட்பங்கள் குறித்த IEEE பரிவர்த்தனைகள், தொகுதி. 50, இல்லை. |
14fae9835ae65adfdc434b7b7e761487e7a9548f | ஒரு கதிரியக்க சக்தி கலவை ஒரு பெரிய எண்ணிக்கையிலான சக்தி பெருக்கிகளை இணைப்பதில் மிகவும் பயனுள்ளதாக இருப்பதாக அறியப்படுகிறது, அங்கு ஒப்பீட்டளவில் பரந்த பந்தத்தில் அதிக செயல்திறன் (90% க்கும் அதிகமாக) அடைய முடியும். இருப்பினும், அதன் வடிவமைப்பு சிக்கலான தன்மை காரணமாக, தற்போதைய பயன்பாடு குறைவாகவே உள்ளது. இந்த ஆய்வில், ஆரம்ப தோராயமான வடிவமைப்பு சூத்திரங்கள் மற்றும் இறுதி துல்லியமான வடிவமைப்பு தேர்வுமுறை நோக்கங்களுக்காக பொருத்தமான மாதிரிகள் ஆகிய இரண்டையும் உள்ளடக்கிய ஒரு படிப்படியான வடிவமைப்பு நடைமுறையை நாங்கள் உருவாக்குகிறோம். முப்பரிமாண மின்காந்த மாதிரியின் அடிப்படையில், கணிக்கப்பட்ட முடிவுகள் அளவிடப்பட்டவற்றுடன் மிகச் சிறந்த உடன்பாட்டில் இருந்தன. ரேடியல்-கம்பைனரின் செயல்திறன், அதன் அழகிய சீரழிவு, மற்றும் உயர் வரிசை தொகுப்பு ஒலிப்புகளின் விளைவுகள் தொடர்பான நடைமுறை சிக்கல்கள் இங்கு விரிவாக விவாதிக்கப்படுகின்றன |
47fdb5ec9522019ef7e580d59c262b3dc9519b26 | மைக்ரோஸ்ட்ரிப் சோதனைகள் மற்றும் WR-430 செவ்வக அலை வழிகாட்டி பயன்படுத்தி 1:4 சக்தி பிரிப்பான் வெற்றிகரமாக நிரூபிக்கப்பட்டுள்ளது. 15 டிபி திரும்ப இழப்பு அலைவரிசை உகந்ததாக இல்லாத கட்டமைப்பின் 22% மற்றும் அதன் 0.5-டிபி செருகல் இழப்பு அலைவரிசை 26% என்று நிரூபிக்கப்பட்டுள்ளது. வழக்கமான இயந்திரத்தின் மூலம் இதுபோன்ற கட்டமைப்பு உருவாக்கப்படுகின்ற போதிலும், இது நிரூபிக்கப்பட்ட மில்லிமீட்டர் மற்றும் சப்-மில்லிமீட்டர் அலை மைக்ரோ-மேசிங் நுட்பங்களுடன் ஒத்துப்போகும் வகையில் கூடியிருக்கும். இதனால், இந்த கட்டமைப்பு ஒரு சாத்தியமான சக்தி பிரித்தல் மற்றும் சக்தி இணைக்கும் கட்டமைப்பை வழங்குகிறது, இது மைக்ரோமேஷிங் மூலம், 100GHz க்கு மேல் பயன்பாடுகளுக்கு பயன்படுத்தப்படலாம். |
68218edaf08484871258387e95161a3ce0e6fe67 | எட்டு சாதனங்கள் கொண்ட Ka-band திட நிலை சக்தி பெருக்கி ஒரு பயண அலை சக்தி-பிரித்தல்/கூட்டு நுட்பத்தைப் பயன்படுத்தி வடிவமைக்கப்பட்டு தயாரிக்கப்பட்டுள்ளது. இந்த வடிவமைப்பில் பயன்படுத்தப்படும் குறைந்த சுயவிவர ஸ்லாட்-அலை வழிகாட்டி அமைப்பு ஒரு பரந்த அலைவரிசையில் அதிக சக்தி-கம்பைன் செயல்திறனை வழங்குவதோடு மட்டுமல்லாமல், செயலில் உள்ள சாதனங்களுக்கு திறமையான வெப்பத்தை மூழ்கடிக்கிறது. எட்டு சாதன சக்தி பெருக்கிகளின் அளவிடப்பட்ட அதிகபட்ச சிறிய சமிக்ஞை ஆதாயம் 34 GHz இல் 19.4 dB ஆகும், இது 3.2 GHz (f/sub L/=31.8 GHz, f/sub H/=35 GHz) என்ற 3-dB அலைவரிசையில் உள்ளது. சக்தி பெருக்கி இருந்து 1-dB அழுத்தத்தில் அளவிடப்பட்ட அதிகபட்ச வெளியீடு சக்தி 33 dBm (/ spl sim / 2 W) 32.2 GHz, 80% ஒரு சக்தி இணைக்கும் திறன் உள்ளது. மேலும், சாதன செயலிழப்பு காரணமாக இந்த சக்தி பெருக்கி செயல்திறன் குறைபாடுகளும் உருவகப்படுத்தப்பட்டு அளவிடப்பட்டுள்ளன. |
db884813d6d764aea836c44f46604128735bffe0 | அதிக சக்தி, பரந்த அலைவரிசை, அதிக நேரியல் தன்மை, மற்றும் குறைந்த சத்தம் ஆகியவை பெருக்கி வடிவமைப்பில் மிக முக்கியமான அம்சங்களில் ஒன்றாகும். பரந்த-தொலைபேசி இடஞ்சார்ந்த ஆற்றல்-கம்பனி நுட்பம் இந்த அனைத்து பிரச்சினைகளையும் தீர்க்கிறது, பரந்த-தொலைபேசி ஒற்றை அலை ஒருங்கிணைந்த சுற்று (MMIC) பெருக்கிகளின் ஒரு பெரிய அளவிலான வெளியீட்டு சக்தியை ஒரு பரந்த-தொலைபேசி ஒருங்கிணைந்த அலை வழிகாட்டி சூழலில் இணைப்பதன் மூலம், நல்ல நேரியல் தன்மையைப் பராமரிப்பதன் மூலமும், MMIC பெருக்கிகளின் கட்ட சத்தத்தை மேம்படுத்துவதன் மூலமும். ஒரு ஒருங்கிணைந்த அலை வழிகாட்டி பரந்த அலைவரிசை மற்றும் ஒவ்வொரு உறுப்புக்கும் உள்ளீட்டு சக்தியை சமமாக விநியோகிப்பதன் மூலம் சிறந்த சீரான தன்மைக்கு இணைக்கும் சுற்றுகளின் புரவலனாக பயன்படுத்தப்பட்டது. மிகக் குறைந்த அளவிலான புதிய சிறிய ஒருங்கிணைந்த இணைப்பு கலவை ஆராயப்படுகிறது. வணிக MMIC பெருக்கிகளுடன் சிறந்த இணக்கத்தன்மைக்காக பிராட்பேண்ட் ஸ்லாட்லைன் முதல் மைக்ரோஸ்ட்ரிப்-லைன் மாற்றம் ஒருங்கிணைக்கப்பட்டுள்ளது. வெப்ப உருவகப்படுத்துதல்கள் செய்யப்பட்டு, அதிக சக்தி பயன்பாட்டில் வெப்பத்தை குறைக்க முந்தைய வடிவமைப்புகளை விட மேம்பட்ட வெப்ப மேலாண்மை திட்டம் பயன்படுத்தப்படுகிறது. சிறிய கலவை வடிவமைப்பைப் பயன்படுத்தி ஒரு உயர்-சக்தி பெருக்கி கட்டமைக்கப்பட்டு, 44-W அதிகபட்ச வெளியீட்டு சக்தியுடன் 6 முதல் 17 GHz வரையிலான அலைவரிசை கொண்டது நிரூபிக்கப்பட்டுள்ளது. நேரியல் அளவீடு 52 dBm உயர் மூன்றாம் வரிசை இடைவெளி புள்ளியைக் காட்டியுள்ளது. பகுப்பாய்வு பெருக்கிகள் பொய்யான இலவச மாறும் வரம்பை 2 3 முறை நீட்டிக்க திறன் உள்ளது காட்டுகிறது. இந்த பெருக்கி, தாங்கி இருந்து 10-kHz ஆஃப்செட்டில் 140 dBc அருகில் ஒரு மீதமுள்ள கட்டத் தளத்தைக் காட்டியுள்ளது, இது ஒருங்கிணைந்த ஒரு MMIC பெருக்கிக்கு ஒப்பிடும்போது 5-6-dB குறைப்புகளுடன். |
e73ee8174589e9326d3b36484f1b95685cb1ca42 | வரவிருக்கும் 5 வது தலைமுறை செல்லுலார் தகவல்தொடர்புக்கான முதல் 28 GHz ஆண்டெனா தீர்வு விரிவாக வழங்கப்பட்டுள்ளது. விரிவான அளவீடுகள் மற்றும் உருவகப்படுத்துதல்கள், முன்மொழியப்பட்ட 28 GHz ஆண்டெனா தீர்வு, உண்மையான பரவல் சூழல்களில் செயல்படும் செல்லுலார் கைபேசிகளுக்கு மிகவும் பயனுள்ளதாக இருப்பதை உறுதிப்படுத்துகின்றன. |
4e85503ef0e1559bc197bd9de0625b3792dcaa9b | நெட்வொர்க் அடிப்படையிலான தாக்குதல்கள் பொதுவானதாகவும், அதிநவீனமாகவும் மாறிவிட்டன. இந்த காரணத்திற்காக, ஊடுருவல் கண்டறிதல் அமைப்புகள் இப்போது ஹோஸ்ட்கள் மற்றும் அவற்றின் இயக்க முறைமைகளிலிருந்து நெட்வொர்க்கிற்கு தங்கள் கவனத்தை மாற்றிக் கொண்டிருக்கின்றன. நெட்வொர்க் அடிப்படையிலான ஊடுருவல் கண்டறிதல் சவாலானது, ஏனெனில் நெட்வொர்க் தணிக்கை அதிக அளவு தரவை உருவாக்குகிறது, மேலும் ஒரே ஊடுருவலுடன் தொடர்புடைய வெவ்வேறு நிகழ்வுகள் நெட்வொர்க்கில் வெவ்வேறு இடங்களில் காணப்படலாம். இந்த ஆவணம் நெட்ஸ்டாட், நெட்வொர்க் ஊடுருவல் கண்டறிதலுக்கான ஒரு புதிய அணுகுமுறையை முன்வைக்கிறது. நெட்வொர்க் மற்றும் தாக்குதல்களின் முறையான மாதிரியைப் பயன்படுத்தி, நெட்ஸ்டாட் எந்த நெட்வொர்க் நிகழ்வுகளை கண்காணிக்க வேண்டும் மற்றும் அவை எங்கு கண்காணிக்கப்படலாம் என்பதை தீர்மானிக்க முடியும். |
818c13721db30a435044b37014fe7077e5a8a587 | பெரிய குவியல்களில் பாரிய தரவு பகுப்பாய்வு வினவல் தேர்வுமுறைக்கு புதிய வாய்ப்புகளையும் சவால்களையும் வழங்குகிறது. தரவுப் பிரிவு இந்த சூழலில் செயல்திறனுக்கு முக்கியமானது. இருப்பினும், தரவு மறுபகிர்வு என்பது மிகவும் விலையுயர்ந்த செயல்பாடு ஆகும், எனவே இதுபோன்ற செயல்பாடுகளின் எண்ணிக்கையை குறைப்பது மிக முக்கியமான செயல்திறன் மேம்பாடுகளைத் தரும். எனவே இந்த சூழலுக்கான ஒரு வினவல் உகப்பாக்கி தரவுப் பிரிவுகளை அதன் ஒழுங்கமைவு மற்றும் குழுவோடு தொடர்புகொள்வது உட்பட பகுத்தறிவு செய்ய முடியும். SCOPE என்பது SQL போன்ற ஒரு ஸ்கிரிப்டிங் மொழியாகும். இது மைக்ரோசாப்டில் பாரிய தரவு பகுப்பாய்விற்காக பயன்படுத்தப்படுகிறது. ஒரு மாற்றம் அடிப்படையிலான உகப்பாக்கி, ஸ்கிரிப்ட்களை காஸ்மோஸ் விநியோகிக்கப்பட்ட கணினி தளத்திற்கான திறமையான செயல்படுத்தும் திட்டங்களாக மாற்றுவதற்கு பொறுப்பாகும். இந்த ஆய்வில், தரவுப் பிரிவு பற்றிய பகுத்தறிவு எவ்வாறு SCOPE உகப்பாக்கியில் இணைக்கப்பட்டுள்ளது என்பதை விவரிக்கிறோம். பிளவுபடுத்தல், வரிசைப்படுத்தல் மற்றும் குழுவாக்கல் பண்புகளை உறவுமுறை ஆபரேட்டர்கள் எவ்வாறு பாதிக்கின்றன என்பதைக் காண்பிக்கிறோம், தேவையற்ற செயல்பாடுகளைத் தவிர்ப்பதற்காக உகப்பாக்கி எவ்வாறு காரணங்களைக் கூறுகிறது மற்றும் அத்தகைய பண்புகளை எவ்வாறு பயன்படுத்துகிறது என்பதை விவரிக்கிறது. பெரும்பாலான உகப்பாக்கிகளில், இணையான திட்டங்களை கருத்தில் கொள்வது பிந்தைய செயலாக்க கட்டத்தில் செய்யப்படும் ஒரு பிந்தைய சிந்தனை ஆகும். பிரிவுமுறை பற்றி பகுத்தறிவு SCOPE உகப்பாக்கி முழுமையாக செலவு அடிப்படையிலான தேர்வுமுறை ஒருங்கிணைக்க இணையான, தொடர் மற்றும் கலப்பு திட்டங்கள் கருத்தில் செயல்படுத்துகிறது. இந்த திட்டத்தின் பலன்கள், நமது அணுகுமுறையால் சாத்தியமான பல்வேறு திட்டங்களைக் காண்பிப்பதன் மூலம் விளக்கப்பட்டுள்ளன. |
8420f2f686890d9675538ec831dbb43568af1cb3 | ரோமன் எழுத்துக்களில் எழுதப்பட்ட ஹிங்லிஷ் உரையின் உணர்வு துருவநிலையை தீர்மானிக்க, அம்சத் தேர்வு முறைகளின் வெவ்வேறு சேர்க்கைகள் மற்றும் சொற்களின் அதிர்வெண்-எதிர் ஆவண அதிர்வெண் அம்ச பிரதிநிதித்துவத்தைப் பயன்படுத்தி வகைப்படுத்திகளின் தொகுப்பை நாங்கள் பரிசோதித்தோம். செய்திகள் மற்றும் ஃபேஸ்புக் கருத்துக்களில் ஹிங்லிஷில் எழுதப்பட்ட உணர்வுகளை வகைப்படுத்த சிறந்த வகைப்படுத்தல்களைக் கண்டறிய மொத்தம் 840 பரிசோதனைகளை நாங்கள் மேற்கொண்டோம். ஹிங்லிஷ் நூலில் வெளிப்படுத்தப்பட்ட உணர்வை வகைப்படுத்த சிறந்த கலவையாக, அதிர்வெண்-எதிர்நிலை ஆவண அதிர்வெண் அடிப்படையிலான அம்ச பிரதிநிதித்துவம், ஆதாய விகிதம் அடிப்படையிலான அம்சத் தேர்வு மற்றும் ரேடியல் அடிப்படை செயல்பாடு நரம்பியல் நெட்வொர்க் ஆகியவற்றின் முக்கோணத்தை நாங்கள் முடிவு செய்தோம். |
c97ebb60531a86bea516d3582758a45ba494de10 | IEEE நுண்ணறிவு போக்குவரத்து அமைப்புகள் சங்கம் மற்றும் பரவலான கணினி ஆராய்ச்சி சமூகத்திற்கு இடையே நெருக்கமான ஒத்துழைப்பை ஊக்குவிக்க, ஆசிரியர்கள் ITS சங்கத்தை அறிமுகப்படுத்துகிறார்கள் மற்றும் ITS சங்க ஆராய்ச்சியாளர்கள் பணிபுரியும் பல பரவலான கணினி தொடர்பான ஆராய்ச்சி தலைப்புகளை முன்வைக்கிறார்கள். இந்த பிரிவு புத்திசாலித்தனமான போக்குவரத்து குறித்த சிறப்புப் பதிப்பின் ஒரு பகுதியாகும். |
e91196c1d0234da60314945c4812eda631004d8f | மொழி கற்றலுக்கான ஒரு ஊடாடும் பன்முக கட்டமைப்பை நாங்கள் முன்மொழிகிறோம். இயற்கையான உரையின் பெரும் அளவிற்கு பாசிவமாக வெளிப்படுவதற்குப் பதிலாக, நமது கற்றவர்கள் (உணவு முன்னோக்கி நரம்பியல் நெட்வொர்க்குகள் என செயல்படுத்தப்படுகின்றன) ஒரு டேபூலா ராசா அமைப்பிலிருந்து தொடங்கி கூட்டுறவு குறிப்பு விளையாட்டுகளில் ஈடுபடுகின்றன, இதனால் விளையாட்டில் வெற்றிபெறத் தொடர்பு கொள்ள வேண்டியதன் அவசியத்திலிருந்து தங்கள் சொந்த மொழியை உருவாக்குகின்றன. ஆரம்ப பரிசோதனைகள் நம்பிக்கைக்குரிய முடிவுகளை வழங்குகின்றன, ஆனால் இந்த வழியில் பயிற்சி பெற்ற முகவர்கள் அவர்கள் விளையாடும் விளையாட்டுக்கு மட்டுமே பயனுள்ள ஒரு தற்காலிக தகவல் தொடர்பு குறியீட்டை உருவாக்கவில்லை என்பதை உறுதிப்படுத்துவது முக்கியம் என்று கூறுகிறது. |
500b7d63e64e13fa47934ec9ad20fcfe0d4c17a7 | சமீபத்தில், உயர் அதிர்வெண் சமிக்ஞைகளின் நேரக் கட்டுப்பாடு மூன்று பரிமாண (3D) LTCC- அடிப்படையிலான SiP பயன்பாடுகளில் உயர் ஒருங்கிணைப்பு அடர்த்தி காரணமாக வலுவாக கோரப்படுகிறது. எனவே, நேர தாமதத்தை கட்டுப்படுத்த, புதிய 3D தாமத கோடுகள் முன்மொழியப்படும். சமிக்ஞை வழியாக பலவீனமான, நாம் இணை அச்சு வரி என்ற கருத்தை ஏற்றுக் கொண்டு, ஒரு மேம்பட்ட சமிக்ஞை வழியாக கட்டமைப்பைக் கொண்டு, கிட்டத்தட்ட இணை அச்சு தரை (QCOX-GND) வழியாக முன்மொழிகிறோம். எ.எம். மற்றும் சர்க்யூட் சிமுலேட்டரைப் பயன்படுத்தி உருவகப்படுத்தப்பட்ட முடிவுகளை காண்பிப்போம். |
1a07186bc10592f0330655519ad91652125cd907 | ஒரு ஒற்றை உருவகப்படுத்தப்பட்ட நரம்பியல் நெட்வொர்க் கட்டமைப்பை நாங்கள் விவரிக்கிறோம், இது ஒரு வாக்கியத்தை வழங்கியவுடன், மொழி செயலாக்க கணிப்புகளின் தொகுப்பை வெளியிடுகிறது: பேச்சு-பகுதி குறிச்சொற்கள், துண்டுகள், பெயரிடப்பட்ட நிறுவன குறிச்சொற்கள், சொற்பொருள் பாத்திரங்கள், சொற்பொருளில் ஒத்த சொற்கள் மற்றும் ஒரு மொழி மாதிரியைப் பயன்படுத்தி வாக்கியம் அர்த்தமுள்ளதாக இருக்கும் (வணக்கவியல் மற்றும் சொற்பொருளில்). முழு வலையமைப்பும் இந்த பணிகள் அனைத்தையும் பகிர்ந்துகொள்ளும் முறையை பயன்படுத்தி பயிற்சி அளிக்கப்படுகிறது. அனைத்து பணிகளும் லேபிளிடப்பட்ட தரவைப் பயன்படுத்துகின்றன, ஆனால் மொழி மாதிரி லேபிளிடப்படாத உரையிலிருந்து கற்றுக்கொள்ளப்படுகிறது, மேலும் பகிரப்பட்ட பணிகளுக்கு அரை மேற்பார்வையிடப்பட்ட கற்றலின் ஒரு புதிய வடிவத்தை பிரதிநிதித்துவப்படுத்துகிறது. பல பணிகளைச் செய்யும் கற்றல் மற்றும் அரை மேற்பார்வையிடப்பட்ட கற்றல் ஆகிய இரண்டும் பகிரப்பட்ட பணிகளின் பொதுமயமாக்கலை எவ்வாறு மேம்படுத்துகின்றன என்பதை நாங்கள் காட்டுகிறோம், இதன் விளைவாக அதிநவீன செயல்திறன் ஏற்படுகிறது. |
27e38351e48fe4b7da2775bf94341738bc4da07e | ஒற்றை-சொல் திசையன் விண்வெளி மாதிரிகள் சொற்களஞ்சிய தகவல்களை கற்றலில் மிகவும் வெற்றிகரமாக இருந்தன. இருப்பினும், நீண்ட சொற்றொடர்களின் கலவை அர்த்தத்தை அவர்களால் பிடிக்க முடியாது, இது மொழியின் ஆழமான புரிதலைத் தடுக்கிறது. ஒரு மறுபடியும் நிகழும் நரம்பியல் வலையமைப்பு (RNN) மாதிரியை அறிமுகப்படுத்துகிறோம், இது தன்னிச்சையான தொடரியல் வகை மற்றும் நீளத்தின் சொற்றொடர்கள் மற்றும் வாக்கியங்களுக்கான கலவை திசையன் பிரதிநிதித்துவங்களைக் கற்றுக்கொள்கிறது. எங்கள் மாதிரி ஒரு பாகுபடுத்தும் மரத்தில் உள்ள ஒவ்வொரு முனைக்கும் ஒரு திசையன் மற்றும் ஒரு மேட்ரிக்ஸை ஒதுக்குகிறது: திசையன் உறுப்பின் உள்ளார்ந்த அர்த்தத்தை கைப்பற்றுகிறது, அதே நேரத்தில் மேட்ரிக்ஸ் அண்டை சொற்கள் அல்லது சொற்றொடர்களின் அர்த்தத்தை எவ்வாறு மாற்றுகிறது என்பதைப் பிடிக்கிறது. இந்த மேட்ரிக்ஸ்-வெக்டார் RNN, சொற்றொடர் தர்க்கம் மற்றும் இயற்கை மொழியில் உள்ள ஆபரேட்டர்களின் அர்த்தத்தை கற்றுக்கொள்ள முடியும். இந்த மாதிரி மூன்று வெவ்வேறு பரிசோதனைகளில் கலை செயல்திறனைப் பெறுகிறது: வினைச்சொல்-சொல் ஜோடிகளின் நுணுக்கமான உணர்வு விநியோகங்களை கணித்தல்; திரைப்பட மதிப்புரைகளின் உணர்வு லேபிள்களை வகைப்படுத்துதல் மற்றும் காரண-விளைவு அல்லது தலைப்பு-செய்தி போன்ற சொற்பொருள்களுக்கு இடையிலான சொற்பொருள்களை இடையேயான தொடரியல் பாதையைப் பயன்படுத்தி சொற்பொருள் உறவுகளை வகைப்படுத்துதல். |
303b0b6e6812c60944a4ac9914222ac28b0813a2 | இந்த ஆவணம் ஒரு வெளிப்பாடு நடுநிலை அல்லது துருவமா என்பதை முதலில் தீர்மானிக்கும் சொற்றொடர் அளவிலான உணர்வு பகுப்பாய்வுக்கு ஒரு புதிய அணுகுமுறையை முன்வைக்கிறது, பின்னர் துருவ வெளிப்பாடுகளின் துருவத்தை தெளிவுபடுத்துகிறது. இந்த அணுகுமுறையால், இந்த அமைப்பு உணர்வு வெளிப்பாடுகளின் ஒரு பெரிய துணைக்குழுவின் சூழல் துருவநிலையை தானாகவே அடையாளம் காண முடியும், இது அடிப்படை நிலையை விட கணிசமாக சிறந்த முடிவுகளை அடைகிறது. |
4eb943bf999ce49e5ebb629d7d0ffee44becff94 | மனிதனின் பல சுவாரஸ்யமான நடத்தைகளுக்கு காலமே அடிப்படை. எனவே, இணைப்புவாத மாதிரிகளில் நேரத்தை எவ்வாறு பிரதிநிதித்துவப்படுத்துவது என்ற கேள்வி மிகவும் முக்கியமானது. ஒரு அணுகுமுறை நேரத்தை வெளிப்படையாக (ஒரு இடஞ்சார்ந்த பிரதிநிதித்துவத்தில்) செயலாக்கத்தின் விளைவுகளால் மறைமுகமாக பிரதிநிதித்துவப்படுத்துவதாகும். இந்த அறிக்கை இந்த வரிசையில் ஒரு முன்மொழிவை உருவாக்குகிறது, இது முதலில் ஜோர்டான் (1986) விவரித்தது, இது நெட்வொர்க்குகளுக்கு ஒரு மாறும் நினைவகத்தை வழங்குவதற்காக தொடர்ச்சியான இணைப்புகளைப் பயன்படுத்துவதை உள்ளடக்கியது. இந்த அணுகுமுறையில், மறைக்கப்பட்ட அலகு வடிவங்கள் தங்களுக்குள் மீண்டும் உணவளிக்கப்படுகின்றன; இதனால் உருவாகும் உள் பிரதிநிதித்துவங்கள் முந்தைய உள் நிலைகளின் சூழலில் பணி கோரிக்கைகளை பிரதிபலிக்கின்றன. ஒப்பீட்டளவில் எளிய சிக்கல்களிலிருந்து (XOR இன் கால பதிப்பு) சொற்களுக்கான தொடரியல்/சொல்பொருள் அம்சங்களைக் கண்டுபிடிப்பது வரை ஒரு தொகுப்பு உருவகப்படுத்துதல்கள் தெரிவிக்கப்படுகின்றன. இந்த வலையமைப்புகள் சுவாரஸ்யமான உள் பிரதிநிதித்துவங்களைக் கற்றுக்கொள்ள முடியும், அவை பணி கோரிக்கைகளை நினைவக கோரிக்கைகளுடன் இணைக்கின்றன; உண்மையில், இந்த அணுகுமுறையில் நினைவக கருத்து பணி செயலாக்கத்துடன் பிரிக்கமுடியாத வகையில் இணைக்கப்பட்டுள்ளது. இந்த பிரதிநிதித்துவங்கள் ஒரு பணக்கார கட்டமைப்பை வெளிப்படுத்துகின்றன, இது மிகவும் சூழல் சார்ந்ததாக இருக்க அனுமதிக்கிறது, அதே நேரத்தில் பொருட்களின் வகுப்புகள் முழுவதும் பொதுமயமாக்கல்களை வெளிப்படுத்துகிறது. இந்த பிரதிநிதித்துவங்கள் சொற்களஞ்சிய வகைகள் மற்றும் வகை / டோக்கன் வேறுபாட்டை பிரதிநிதித்துவப்படுத்துவதற்கான ஒரு முறையை பரிந்துரைக்கின்றன. |
2069c9389df8bb29b7fedf2c2ccfe7aaf82b2832 | புதிய இயந்திர கற்றல் முறை எனும் பெயரிடுதல் கற்றல் சமீபத்தில் அதிக கவனம் பெற்றுள்ளது. ஒரு இலக்கு களத்தில் பயிற்சி தரவு கணிப்பு மாதிரிகள் திறம்பட கற்றுக்கொள்ள போதுமானதாக இல்லை சூழ்நிலைகளில், பரிமாற்ற கற்றல் கற்றல் மற்ற தொடர்புடைய துணை களங்களில் இருந்து துணை மூல தரவுகளை மேம்படுத்துகிறது. இந்த பகுதியில் தற்போதுள்ள பெரும்பாலான பணிகள் இலக்கு தரவு போன்ற அதே பிரதிநிதித்துவ கட்டமைப்பைக் கொண்ட மூலத் தரவைப் பயன்படுத்துவதில் மட்டுமே கவனம் செலுத்துகின்றன, இந்த ஆவணத்தில், உரை மற்றும் படங்களுக்கு இடையில் அறிவு பரிமாற்றத்திற்கான ஒரு மாறுபட்ட பரிமாற்ற கற்றல் கட்டமைப்பை விரிவுபடுத்துவதன் மூலம் இந்த எல்லையை மேலும் தள்ளுகிறோம். இலக்கு-டொமைன் வகைப்படுத்தல் சிக்கலுக்காக, சில விளக்கப்பட படங்களை பல சமூக வலைத்தளங்களில் காணலாம், அவை இணையத்தில் கிடைக்கும் ஏராளமான உரை ஆவணங்களிலிருந்து அறிவை மாற்றுவதற்கான பாலமாக செயல்படலாம். ஒரு முக்கிய கேள்வி என்னவென்றால், உரை ஆவணங்கள் தன்னிச்சையானவை என்றாலும் மூல தரவுகளில் உள்ள அறிவை எவ்வாறு திறம்பட மாற்றுவது என்பதுதான். எங்கள் தீர்வு, மேட்ரிக்ஸ் காரணிப்படுத்தல் மூலம் துணை மூல தரவுகளிலிருந்து பிரித்தெடுக்கப்பட்ட சொற்பொருள் கருத்துக்களுடன் இலக்கு படங்களின் பிரதிநிதித்துவத்தை வளப்படுத்தி, துணை தரவுகளால் உருவாக்கப்பட்ட மறைக்கப்பட்ட சொற்பொருள் அம்சங்களைப் பயன்படுத்தி சிறந்த பட வகைப்படுத்தியை உருவாக்க வேண்டும். கால்டெக்-256 படத் தரவுத் தொகுப்பில் நமது வழிமுறையின் செயல்திறனை நாம் அனுபவ ரீதியாக சரிபார்க்கிறோம். |
381231eecd132199821c5aa3ff3f2278f593ea33 | |
a8823ab946321079c63b9bd42f58bd17b96a25e4 | முகத்தை கண்டறிதல் மற்றும் கண்களை பிரித்தெடுப்பது போன்ற பல பயன்பாடுகளில் முக அங்கீகாரம், முகபாவனை பகுப்பாய்வு, பாதுகாப்பு உள்நுழைவு போன்றவற்றில் முக்கிய பங்கு வகிக்கிறது. கணினிக்கு மனித முகங்கள், கண்கள், மூக்கு போன்ற முக அமைப்புகளை கண்டறிவது என்பது மிகவும் சிக்கலான செயல்முறை ஆகும். இந்த ஆவணம் முகத்தை கண்டறிதல் மற்றும் முகத்தின் முனையிலிருந்து கண்களை பிரித்தெடுப்பதற்கான ஒரு வழிமுறையை முன்மொழிகிறது முக படங்கள் சோபெல் விளிம்பு கண்டறிதல் மற்றும் உருவவியல் செயல்பாடுகளைப் பயன்படுத்தி. முன்மொழியப்பட்ட அணுகுமுறை மூன்று கட்டங்களாக பிரிக்கப்பட்டுள்ளது; முன் செயலாக்கம், முகப் பகுதியை அடையாளம் காண்பது, மற்றும் கண்களைப் பிரித்தெடுப்பது. படங்களின் அளவு மாற்றம் மற்றும் சாம்பல் அளவிலான பட மாற்றம் முன்கூட்டியே செயலாக்கத்தில் அடையப்படுகிறது. முகப் பகுதியை அடையாளம் காண்பது சோபெல் விளிம்பு கண்டறிதல் மற்றும் உருவவியல் செயல்பாடுகளால் நிறைவேற்றப்படுகிறது. கடைசி கட்டத்தில், உருவவியல் செயல்பாடுகளின் உதவியுடன், முகப் பகுதியிலிருந்து கண்கள் பிரித்தெடுக்கப்படுகின்றன. இந்த சோதனைகள் முறையே IMM முனை முகம் தரவுத்தளத்தில் 120, 75, 40 படங்கள், FEI முகம் தரவுத்தளத்தில் மற்றும் IMM முகம் தரவுத்தளத்தில் நடத்தப்படுகின்றன. முகத்தை கண்டறிவதற்கான துல்லியம் முறையே 100%, 100%, 97.50% மற்றும் கண்களை பிரித்தெடுப்பதற்கான துல்லியம் விகிதம் முறையே 92.50%, 90.66%, 92.50% ஆகும். |
3b6911dc5d98faeb79d3d3e60bcdc40cfd7c9273 | ஒரு கூட்டு கையொப்பம் திட்டம் என்பது ஒரு டிஜிட்டல் கையொப்பமாகும், இது ஒருங்கிணைப்பை ஆதரிக்கிறது: n தனித்தனி பயனர்களிடமிருந்து n தனித்தனி செய்திகளில் n கையொப்பங்கள் கொடுக்கப்பட்டால், இந்த கையொப்பங்கள் அனைத்தையும் ஒரே குறுகிய கையொப்பமாக ஒருங்கிணைக்க முடியும். இந்த ஒற்றை கையொப்பம் (மற்றும் n அசல் செய்திகள்) n பயனர்கள் உண்மையில் n அசல் செய்திகளை கையொப்பமிட்டனர் என்பதை சரிபார்ப்பவர் நம்ப வைக்கும் (அதாவது, பயனர் i i = 1 க்கு மின்னஞ்சல் மி கையொப்பமிட்டார். . . , n) இந்த ஆய்வில் நாம் ஒருங்கிணைந்த கையொப்பம் என்ற கருத்தை அறிமுகப்படுத்துகிறோம், அத்தகைய கையொப்பங்களுக்கான பாதுகாப்பு மாதிரிகளை முன்வைக்கிறோம், மேலும் ஒருங்கிணைந்த கையொப்பங்களுக்கான பல பயன்பாடுகளை வழங்குகிறோம். சமீபத்திய குறுகிய கையொப்பத் திட்டத்திலிருந்து ஒரு திறமையான கூட்டு கையொப்பத்தை நாங்கள் உருவாக்குகிறோம், இது பொன், லின் மற்றும் ஷாசாம் காரணமாக இருமடங்கு வரைபடங்களை அடிப்படையாகக் கொண்டது. சான்றிதழ் சங்கிலிகளின் அளவைக் குறைக்க (சீட்டில் உள்ள அனைத்து கையொப்பங்களையும் கூட்டுவதன் மூலம்) மற்றும் SBGP போன்ற பாதுகாப்பான திசைவி நெறிமுறைகளில் செய்தியின் அளவைக் குறைக்க கூட்டு கையொப்பங்கள் பயனுள்ளதாக இருக்கும். மேலும், கூட்டு கையொப்பங்கள், சரிபார்க்கக்கூடிய குறியாக்க கையொப்பங்களை உருவாக்குகின்றன என்பதைக் காட்டுகிறோம். இத்தகைய கையொப்பங்கள் ஒரு குறிப்பிட்ட குறியாக்க உரை C என்பது ஒரு குறிப்பிட்ட செய்தியில் M இல் கையொப்பத்தின் குறியாக்கமா என்பதை சரிபார்க்க அனுமதிக்கிறது . ஒப்பந்த கையெழுத்து நெறிமுறைகளில் சரிபார்க்கக்கூடிய குறியாக்கப்பட்ட கையொப்பங்கள் பயன்படுத்தப்படுகின்றன. இறுதியாக, குறுகிய கையொப்பத் திட்டத்தை எளிமையான வளைய கையொப்பங்களைக் கொடுப்பதற்காக இதே போன்ற யோசனைகளைப் பயன்படுத்தலாம் என்பதைக் காட்டுகிறோம். |
6d4fa4b9037b64b8383331583430711be321c587 | உணர்வு பகுப்பாய்வு என்பது வளர்ந்து வரும் ஆராய்ச்சித் துறையாகும், இது வணிக பயன்பாடுகள் மற்றும் கல்வி ஆர்வம் ஆகிய இரண்டாலும் இயக்கப்படுகிறது. இந்த ஆய்வில், மதிப்பு மற்றும் தூண்டுதலின் உணர்வு பரிமாணங்களுக்கான டைரி போன்ற வலைப்பதிவு இடுகைகளின் பல வகுப்பு வகைப்பாட்டை ஆராய்வோம், அங்கு ஒரு இடுகையின் மதிப்பு மற்றும் தூண்டுதலின் அளவை ஒரு வரிசை ஐந்து நிலை அளவிலான, மிகவும் எதிர்மறை / குறைந்த முதல் மிகவும் நேர்மறை / உயர் வரை கணிக்க வேண்டும். ரஸ்ஸலின் சர்க்கம்ப்ளெக்ஸ் மாதிரி பாதிப்பின் உளவியல் மாதிரியின் அடிப்படையில் இந்த இரண்டு பரிமாணங்களில் ஒழுங்கான அளவிலான தனித்துவமான உணர்ச்சி நிலைகளை எவ்வாறு வரைபடமாக்குவது என்பதை நாங்கள் காட்டுகிறோம், மேலும் முன்னர் கிடைக்கக்கூடிய ஒரு தொகுப்பை பல பரிமாண, உண்மையான மதிப்புள்ள குறிப்புகளுடன் பெயரிடுகிறோம். ஆதரவு திசையன் இயந்திர வகைப்படுத்திகளின் பின்னடைவு மற்றும் ஒரு-எதிராக-அனைத்து அணுகுமுறைகளைப் பயன்படுத்தி பரிசோதனை முடிவுகள், பிந்தைய அணுகுமுறை சிறந்த துல்லியமான ஒழுங்கு வகுப்பு கணிப்பு துல்லியத்தை வழங்கினாலும், பின்னடைவு நுட்பங்கள் சிறிய அளவிலான பிழைகளைச் செய்ய முனைகின்றன என்பதைக் காட்டுகின்றன. |
9931c6b050e723f5b2a189dd38c81322ac0511de | மனித செயல் அங்கீகார சமூகத்திற்குள் பொதுவில் கிடைக்கும் தரவுத் தொகுப்புகளின் தற்போதைய நிலை குறித்து ஒரு மதிப்பாய்வை நாங்கள் முன்வைக்கிறோம்; போஸ் அடிப்படையிலான முறைகளின் மறுமலர்ச்சி மற்றும் நபர்-நபர் தொடர்பு மாதிரியைப் புரிந்துகொள்வதற்கான சமீபத்திய முன்னேற்றத்தை முன்னிலைப்படுத்துகிறது. தரவுத்தொகுப்புகளை தரவுத்தொகுப்பு தரவுத்தொகுப்பாகப் பயன்படுத்துவதற்கான பல முக்கிய பண்புகள் குறித்து வகைப்படுத்துகிறோம்; வகுப்பு லேபிள்களின் எண்ணிக்கை, வழங்கப்பட்ட அடிப்படை உண்மைகள் மற்றும் அவை ஆக்கிரமிக்கும் பயன்பாட்டு களம் உட்பட. ஒவ்வொரு தரவுத் தொகுப்பின் சுருக்கத்தின் அளவையும் நாங்கள் கருதுகிறோம்; செயல்கள், தொடர்புகள் மற்றும் உயர் மட்ட சொற்பொருள் நடவடிக்கைகளை முன்வைக்கும் குழுக்களை. இந்த ஆய்வு முக்கிய தோற்றத்தை அடையாளம் காணும் மற்றும் போஸ் அடிப்படையிலான தரவுத்தொகுப்புகளை குறிப்பிடுகிறது, இது எளிமையான, வலியுறுத்தப்பட்ட அல்லது ஸ்கிரிப்ட் செய்யப்பட்ட செயல் வகுப்புகளுக்கான போக்கைக் குறிப்பிடுகிறது, அவை பெரும்பாலும் நிலையான துணை செயல்பாட்டு சைகைகளின் தொகுப்பால் எளிதில் வரையறுக்கப்படுகின்றன. நெருக்கமாக தொடர்புடைய செயல்களை வழங்கும் தரவுத்தொகுப்புகள் தெளிவாக இல்லை, அவை தொடர்ச்சியான போஸ் மற்றும் சைகைகள் மூலம் மறைமுகமாக அடையாளம் காணப்படவில்லை, மாறாக ஒரு மாறும் தொடர்புகளின் தொகுப்பு. எனவே, 3D போஸ் மூலம் இரண்டு நபர்களிடையே சிக்கலான உரையாடல் தொடர்புகளை பிரதிநிதித்துவப்படுத்தும் ஒரு புதிய தரவுத்தொகுப்பை நாங்கள் முன்மொழிகிறோம். இரண்டு Kinect ஆழம் சென்சார்கள் பயன்படுத்தி 7 தனி உரையாடல் அடிப்படையிலான காட்சிகளை விவரிக்கும் 8 ஜோடி தொடர்புகள் சேகரிக்கப்பட்டன. எண்ணற்ற பழமையான செயல்கள், தொடர்புகள் மற்றும் இயக்கங்களிலிருந்து கட்டமைக்கப்பட்ட நிகழ்வுகளை ஒரு காலப்பகுதியில் வழங்குவதே நோக்கம்; நிஜ உலகத்தை பிரதிநிதித்துவப்படுத்தும் நுட்பமான செயல் வகுப்புகளின் தொகுப்பை வழங்குதல், தற்போது உருவாக்கப்பட்ட அங்கீகார முறைகளுக்கு ஒரு சவால். இது 3D போஸ் ப்ரீப்ரிண்ட் பயன்படுத்தி உரையாடல் தொடர்பு வகைப்படுத்தல் அர்ப்பணிக்கப்பட்ட முதல் தரவுத்தொகுப்புகளில் ஒன்றாகும் என்று நாங்கள் நம்புகிறோம். இது Elsevier அக்டோபர் 27, 2015 அம்சங்களுக்கு சமர்ப்பிக்கப்பட்டது மற்றும் இந்த பணி உண்மையில் சாத்தியம் என்பதைக் காட்டுகிறது. முழு தரவுத்தொகுப்பு ஆராய்ச்சி சமூகத்திற்கு [1] பொதுவில் கிடைக்கிறது. |
26e6b1675e081a514f4fdc0352d6cb211ba6d9c8 | நவீன கார்களில் பயன்படுத்தப்படும் பசிவ் கீலெஸ் என்ட்ரி அண்ட் ஸ்டார்ட் (PKES) அமைப்புகளில் ரிலே தாக்குதல்களை நாங்கள் நிரூபிக்கிறோம். இரண்டு திறமையான மற்றும் மலிவான தாக்குதல் செயல்திறன்களை நாங்கள் உருவாக்குகிறோம், கம்பி மற்றும் கம்பி இல்லாத இயற்பியல் அடுக்கு ரிலேக்கள், இது தாக்குபவர் நுழைந்து ஒரு காரை தொடங்குவதற்கு அனுமதிக்கிறது கார் மற்றும் ஸ்மார்ட் கீ இடையே செய்திகளை அனுப்பும். நமது ரிலேக்கள் மாடுலேஷன், நெறிமுறை, அல்லது வலுவான அங்கீகாரம் மற்றும் குறியாக்கம் ஆகியவற்றில் இருந்து முற்றிலும் சுயாதீனமாக உள்ளன. எட்டு உற்பத்தியாளர்களின் 10 கார் மாடல்களைப் பற்றி விரிவான மதிப்பீடுகளை நாங்கள் செய்கிறோம். எமது முடிவுகள், சமிக்ஞையை ஒரு திசையில் (கார் முதல் சாவி வரை) அனுப்புவது தாக்குதலை நடத்துவதற்கு போதுமானது என்பதைக் காட்டுகிறது. அதே நேரத்தில் சாவிக்கும் காருக்கும் இடையிலான உண்மையான தூரம் பெரியதாகவே உள்ளது (சோதனை செய்யப்பட்டது 50 மீட்டர் வரை, பார்வை கோடு அல்ல). மேலும், எமது அமைப்பின் மூலம், ஸ்மார்ட் கீ 8 மீட்டர் தூரத்தில் இருந்து தூண்டப்படலாம். இது தாக்குபவர் ரிலேவை நிறுவுவதற்காக விசையை நெருங்க வேண்டிய அவசியத்தை நீக்குகிறது. நாம் மேலும் பகுப்பாய்வு செய்து முக்கியமான அமைப்பு பண்புகளை விவாதிக்கிறோம். ரிலே தாக்குதலின் பொதுவான தன்மை மற்றும் மதிப்பீடு செய்யப்பட்ட அமைப்புகளின் எண்ணிக்கை ஆகியவற்றைக் கருத்தில் கொண்டு, இதேபோன்ற வடிவமைப்புகளை அடிப்படையாகக் கொண்ட அனைத்து பி.கே.இ.எஸ் அமைப்புகளும் அதே தாக்குதலுக்கு பாதிக்கப்படக்கூடியவை. இறுதியாக, ரிலே தாக்குதல்களின் அபாயத்தை குறைக்கும் உடனடி தணிப்பு நடவடிக்கைகளையும், ரிலே தாக்குதல்களைத் தடுக்கக்கூடிய சமீபத்திய தீர்வுகளையும் நாங்கள் முன்மொழிகிறோம், அதே நேரத்தில் பயன்பாட்டின் வசதியை பாதுகாக்கிறோம், அதற்காக PKES அமைப்புகள் ஆரம்பத்தில் அறிமுகப்படுத்தப்பட்டன. |
69d685d0cf85dfe70d87c1548b03961366e83663 | இரத்தத்தில் ஆக்ஸிஜன் செறிவு (SpO2) அளவை கண்காணிக்க ஒரு தொடர்பு இல்லாத முறையை நாங்கள் முன்வைக்கிறோம். இந்த முறை ஒரு சிஎம்ஓஎஸ் கேமராவை ஒரு தூண்டுதல் கட்டுப்பாட்டுடன் பயன்படுத்துகிறது, இது இரண்டு குறிப்பிட்ட அலைநீளங்களில் மாறி மாறி ஃபோட்டோபிளெதிஸ்மோகிராஃபி (பிபிஜி) சமிக்ஞைகளை பதிவு செய்ய அனுமதிக்கிறது, மேலும் இந்த அலைநீளங்களில் பிபிஜி சமிக்ஞைகளின் துடிப்பு மற்றும் துடிப்பு இல்லாத கூறுகளின் அளவிடப்பட்ட விகிதங்களிலிருந்து SpO2 ஐ தீர்மானிக்கிறது. SpO2 மதிப்பின் சமிக்ஞை-சத்தம் விகிதம் (SNR) அலைநீளங்களின் தேர்வைப் பொறுத்தது. ஆரஞ்சு (λ = 611 nm) மற்றும் அருகிலுள்ள அகச்சிவப்பு (λ = 880 nm) ஆகியவற்றின் கலவையானது தொடர்பு இல்லாத வீடியோ அடிப்படையிலான கண்டறிதல் முறைக்கு சிறந்த SNR ஐ வழங்குகிறது என்பதை நாங்கள் கண்டறிந்தோம். இந்த அலைநீளங்களில் PPG சமிக்ஞை வலிமைகள் மற்றும் கேமரா குவாண்டம் செயல்திறன்கள் தொடர்பு இல்லாத முறையைப் பயன்படுத்தி SpO2 அளவீடுக்கு மிகவும் பொருத்தமானவை என்பதால் இந்த கலவையானது பாரம்பரிய தொடர்பு அடிப்படையிலான SpO2 அளவீட்டில் பயன்படுத்தப்படுவதிலிருந்து வேறுபட்டது. 83% - 98% SpO2 வரம்பில் தொடர்பு இல்லாத முறையை சரிபார்க்க ஒரு சிறிய சோதனை ஆய்வையும் நாங்கள் நடத்தினோம். இந்த ஆய்வு முடிவுகள் ஒரு குறிப்பு தொடர்பு SpO2 சாதனத்தை பயன்படுத்தி அளவிடப்பட்டவைகளுடன் ஒத்துப்போகின்றன (r = 0.936, p <; 0.001). இந்த முறை, சுதந்திரமாக வாழும் சூழ்நிலையில், வீட்டில் உள்ளவர்களின் உடல்நலம் மற்றும் நல்வாழ்வை கண்காணிப்பதற்கும், பாரம்பரியமான தொடர்பு அடிப்படையிலான பிபிஜி சாதனங்களைப் பயன்படுத்த முடியாதவர்களுக்கும் மிகவும் பொருத்தமானது. |
51c88134a668cdfaccda2fe5f88919ac122bceda | இணைய வீடியோக்களில் மல்டிமீடியா நிகழ்வுகளை கண்டறிவது மல்டிமீடியா மற்றும் கணினி பார்வைத் துறைகளில் வளர்ந்து வரும் ஒரு சூடான ஆராய்ச்சி பகுதியாகும். இந்த ஆய்வில், நிகழ்வு கண்டறிதல் ஒட்டுமொத்த பிரச்சினையின் பல்வேறு அம்சங்களை கையாள எமது நிகழ்வு லேபிளிங் மூலம் பகுப்பாய்வு ஊடக செயலாக்க (E-LAMP) அமைப்பிற்காக அண்மையில் நாம் உருவாக்கிய கட்டமைப்பின் முக்கிய முறைகள் மற்றும் தொழில்நுட்பங்களை அறிமுகப்படுத்துகிறோம். மேலும் குறிப்பாக, ஆயிரக்கணக்கான மணிநேர வீடியோக்களுடன் கூடிய பெரிய வீடியோ தரவுகளை கையாளும் திறன் கொண்ட அம்ச பிரித்தெடுப்புக்கான திறமையான முறைகளை நாங்கள் உருவாக்கியுள்ளோம். இரண்டாவதாக, நாம் பிரித்தெடுக்கப்பட்ட மூல அம்சங்களை ஒரு இடவியல் பை-வார்த்தைகள் மாதிரியில் பிரதிநிதித்துவப்படுத்துகிறோம், இது மிகவும் பயனுள்ள தட்டுகளுடன், வெவ்வேறு அம்சங்கள் மற்றும் வெவ்வேறு நிகழ்வுகளின் இடவியல் தளவமைப்பு தகவல்களை சிறப்பாகப் பிடிக்க முடியும், இதனால் ஒட்டுமொத்த கண்டறிதல் செயல்திறனை மேம்படுத்த முடியும். மூன்றாவதாக, பரவலாகப் பயன்படுத்தப்படும் ஆரம்ப மற்றும் தாமதமான இணைவு திட்டங்களிலிருந்து வேறுபட்டது, பல அம்சங்களிலிருந்து மிகவும் வலுவான மற்றும் பாகுபாடு காட்டும் இடைநிலை அம்ச பிரதிநிதித்துவத்தை கற்றுக்கொள்ள ஒரு புதிய வழிமுறை உருவாக்கப்பட்டுள்ளது, இதனால் சிறந்த நிகழ்வு மாதிரிகள் அதன் மீது கட்டமைக்கப்படலாம். இறுதியாக, மிகச் சில நேர்மறையான எடுத்துக்காட்டுகளுடன் நிகழ்வு கண்டறிதல் என்ற கூடுதல் சவாலை எதிர்கொள்ள, நிகழ்வு கண்டறிதலை உதவுவதற்காக துணை ஆதாரங்களில் இருந்து கற்றுக்கொண்ட அறிவை திறம்பட மாற்றியமைக்கக்கூடிய ஒரு புதிய வழிமுறையை நாங்கள் உருவாக்கியுள்ளோம். எங்கள் அனுபவ முடிவுகள் மற்றும் TRECVID MED11 மற்றும் MED12 பற்றிய அதிகாரப்பூர்வ மதிப்பீட்டு முடிவுகள் இரண்டும் இந்த யோசனைகளை ஒருங்கிணைப்பதன் சிறந்த செயல்திறனை நிரூபிக்கின்றன. |
10d6b12fa07c7c8d6c8c3f42c7f1c061c131d4c5 | வலுவான காட்சி பொருளின் அங்கீகாரத்திற்கான அம்சத் தொகுப்புகளின் கேள்வியை நாங்கள் ஆய்வு செய்கிறோம்; நேரியல் SVM அடிப்படையிலான மனித கண்டறிதலை ஒரு சோதனை வழக்காக ஏற்றுக்கொள்வது. தற்போதுள்ள விளிம்பு மற்றும் சாய்வு அடிப்படையிலான விவரிப்பாளர்களை மதிப்பாய்வு செய்த பிறகு, நோக்குநிலை சாய்வு (HOG) விவரிப்பாளர்களின் ஹிஸ்டோகிராம்களின் கட்டங்கள் மனித கண்டறிதலுக்கான தற்போதுள்ள அம்சத் தொகுப்புகளை கணிசமாக விட அதிகமாக இருப்பதை பரிசோதனை ரீதியாகக் காட்டுகிறோம். கணக்கீட்டின் ஒவ்வொரு கட்டமும் செயல்திறனில் உள்ள செல்வாக்கை நாங்கள் ஆய்வு செய்கிறோம், நுட்பமான அளவிலான சாய்வுகள், நுட்பமான நோக்குநிலை பிணைப்பு, ஒப்பீட்டளவில் கரடுமுரடான இடஞ்சார்ந்த பிணைப்பு மற்றும் ஒன்றுடன் ஒன்று ஒட்டிக்கொள்ளும் விவரிப்பு தொகுதிகளில் உயர்தர உள்ளூர் மாறுபாடு இயல்பாக்கம் ஆகியவை நல்ல முடிவுகளுக்கு முக்கியமானவை என்று முடிவு செய்கிறோம். புதிய அணுகுமுறை, MIT-இன் அசல் பாதசாரி தரவுத்தளத்தில் கிட்டத்தட்ட சரியான பிரிப்பை அளிக்கிறது, எனவே, 1800க்கும் மேற்பட்ட மனித புகைப்படங்களை கொண்ட, சவாலான தரவுத்தளத்தை அறிமுகப்படுத்துகிறோம். இதில், பலவிதமான போஸ் மாறுபாடுகள் மற்றும் பின்னணியுடன் விளக்கப்பட்டுள்ளது. |
2337ff38e6cfb09e28c0958f07e2090c993ef6e8 | பல வடிவ அங்கீகார பணிகளுக்கு, சிறந்த உள்ளீட்டு அம்சம் பல குழப்பமான பண்புகளுக்கு மாறாததாக இருக்கும் (ஒளி மற்றும் பார்வை கோணம் போன்றவை, கணினி பார்வை பயன்பாடுகளில்). சமீபத்தில், மேற்பார்வை செய்யப்படாத முறையில் பயிற்சி பெற்ற ஆழமான கட்டிடக்கலைகள் பயனுள்ள அம்சங்களை பிரித்தெடுப்பதற்கான தானியங்கி முறையாக முன்மொழியப்பட்டுள்ளன. இருப்பினும், கற்ற அம்சங்களை ஒரு வகைப்படுத்தியில் பயன்படுத்துவதைத் தவிர வேறு எந்த வகையிலும் மதிப்பீடு செய்வது கடினம். இந்த ஆய்வில், நாம் கற்றறிந்த அம்சங்கள் வெவ்வேறு உள்ளீட்டு மாற்றங்களுக்கு மாறாத அளவை நேரடியாக அளவிடும் பல அனுபவ சோதனைகளை முன்மொழிகிறோம். இயற்கை படங்களில் பயிற்சி பெற்றால், அதிகபட்சமாக மாறாத அம்சங்களைக் கற்றுக் கொள்ளும். நாம் கண்டறிவது என்னவென்றால், இந்த ஆழமான நம்பிக்கை நெட்வொர்க்குகள் ஒவ்வொரு அடுக்குகளிலும் கணிசமாக அதிகமான மாறாத அம்சங்களை கற்றுக்கொள்கின்றன. இந்த முடிவுகள் ஆழமான மற்றும் அடுக்கு பிரதிநிதித்துவங்களைப் பயன்படுத்துவதை மேலும் நியாயப்படுத்துகின்றன, ஆனால் ஒரு ஆட்டோகோடரை மற்றொன்றின் மேல் அடுக்கி வைப்பதைத் தாண்டி வழிமுறைகள் மாறாமையை அடைவதற்கு முக்கியமானதாக இருக்கலாம் என்று கூறுகின்றன. எங்கள் மதிப்பீட்டு அளவீடுகள் ஆழமான கற்றலில் எதிர்கால வேலைகளை மதிப்பிடுவதற்கு பயன்படுத்தப்படலாம், இதனால் எதிர்கால வழிமுறைகளின் வளர்ச்சிக்கு உதவலாம். |
31b58ced31f22eab10bd3ee2d9174e7c14c27c01 | இணையம் வந்ததன் மூலம், பில்லியன் கணக்கான படங்கள் இப்போது இணையத்தில் இலவசமாகக் கிடைக்கின்றன. அவை காட்சி உலகின் அடர்த்தியான மாதிரியாக அமைகின்றன. பலவிதமான அளவுருக்கள் அல்லாத முறைகளைப் பயன்படுத்தி, இணையத்திலிருந்து சேகரிக்கப்பட்ட 79,302,017 படங்களின் ஒரு பெரிய தரவுத்தொகுப்பின் உதவியுடன் இந்த உலகத்தை ஆராய்வோம். மனிதக் காட்சி அமைப்பின் அற்புதமான சகிப்புத்தன்மையைக் காட்டும் மனோதத்துவ முடிவுகளால் தூண்டப்பட்டு, படத் தீர்மானத்தில் சீரழிவுகளுக்கு, தரவுத்தொகுப்பில் உள்ள படங்கள் 32 x 32 வண்ண படங்களாக சேமிக்கப்படுகின்றன. ஒவ்வொரு படமும் ஆங்கிலத்தில் 75,062 சுருக்கமற்ற பெயர்களில் ஒன்றைக் கொண்டு தாராளமாக பெயரிடப்பட்டுள்ளது, இது வேர்ட்நெட் சொற்களஞ்சிய தரவுத்தளத்தில் பட்டியலிடப்பட்டுள்ளது. எனவே படத் தரவுத்தளம் அனைத்து பொருள்களின் வகைகள் மற்றும் காட்சிகளின் விரிவான கவரேஜை வழங்குகிறது. வேர்ட்நெட்டில் இருந்து வரும் சொற்பொருள் தகவல்களை அருகிலுள்ள அண்டை முறைகளுடன் இணைந்து பொருள் வகைப்படுத்தலைச் செய்யலாம். தரவுத்தொகுப்பில் குறிப்பாக பரவலாக காணப்படும் சில வகுப்புகளுக்கு, மக்கள் போன்றவர்களுக்கு, வகுப்பு-குறிப்பிட்ட வியோலா-ஜோன்ஸ் பாணி கண்டறிதல்களுடன் ஒப்பிடக்கூடிய ஒரு அங்கீகார செயல்திறனை நாங்கள் நிரூபிக்க முடிகிறது. |
4b605e6a9362485bfe69950432fa1f896e7d19bf | ஆழமான கற்றல் மற்றும் ஆழமான நெட்வொர்க்குகளை பயிற்றுவிப்பதற்கான பெரிய தரவுத்தொகுப்புகளின் கிடைக்கும் தன்மை ஆகியவற்றின் இணைப்பால் தானியங்கி முக அங்கீகார தொழில்நுட்பங்கள் செயல்திறனில் குறிப்பிடத்தக்க முன்னேற்றங்களைக் கண்டன. முகங்களை அடையாளம் காண்பது என்பது மனிதர்கள் மிகவும் சிறப்பாக செயல்படுவதாக நம்பப்படும் ஒரு பணியாகும் என்பதால், முற்றிலும் கட்டுப்படுத்தப்படாத முக படங்களை செயலாக்கும் போது தானியங்கி முக அங்கீகாரத்தின் ஒப்பீட்டு செயல்திறன் மற்றும் மனிதர்களை ஒப்பிடுவது இயற்கையானது. இந்த ஆய்வில், முகம் குறித்த கட்டுப்பாடுகள் இல்லாத படங்களை பயன்படுத்தி பல புதிய பகுப்பாய்வுகளை மேற்கொள்வதன் மூலம் மனிதர்கள் மற்றும் தானியங்கி அமைப்புகளின் அங்கீகார துல்லியத்தை பற்றிய முந்தைய ஆய்வுகளை விரிவுபடுத்துகிறோம். மனித அங்கீகரிப்பாளர்கள் ஒவ்வொரு பாடத்திற்கும் மாறுபட்ட அளவு படங்கள், பாலினம் போன்ற மாறாத பண்புகள் மற்றும் மறைப்பு, விளக்கு மற்றும் போஸ் போன்ற சூழ்நிலை பண்புகள் வழங்கப்படும்போது செயல்திறன் மீதான தாக்கத்தை நாங்கள் ஆராய்வோம். IJB-A தரவுத்தொகுப்பில், மனிதர்கள் மிகவும் மேம்பட்ட தானியங்கி முக அங்கீகார வழிமுறைகளை விட சிறப்பாக செயல்படுவதாக முடிவுகள் தெரிவிக்கின்றன. |
a4d510439644d52701f852d9dd34bbd37f4b8b78 | செல்யூலர் ஆட்டோமேட்டா (CA) அடிப்படையிலான SLEUTH மாதிரியானது பெருநகரப் பகுதிகளில் நகர அபிவிருத்தி உருவகப்படுத்துதலுக்குப் பயன்படுத்தப்படலாம். இந்த ஆய்வில் SLEUTH மாதிரி நகர்ப்புற விரிவாக்கத்தை மாதிரியாகக் கொண்டு தெஹ்ரானில் நகர்ப்புற வளர்ச்சியின் எதிர்கால நடத்தைகளை முன்னறிவிக்கப் பயன்படுத்தப்பட்டது. 1988, 1992, 1998, 2001 மற்றும் 2010 ஆம் ஆண்டுகளில் எடுக்கப்பட்ட ஐந்து லேண்ட்சாட் TM மற்றும் ETM படங்கள்தான் அடிப்படைத் தரவுகளாக இருந்தன. மூன்று காட்சிகள் இடவியல் வடிவத்தை உருவகப்படுத்த வடிவமைக்கப்பட்டன. வரலாற்று நகர்ப்புறமயமாக்கல் முறை நீடிக்கும் என்றும், வளர்ச்சிக்கு ஒரே வரம்பு உயரம் மற்றும் சாய்வு என்று முதல் காட்சி கருதுகிறது. இரண்டாவது ஒரு சிறிய சூழ்நிலையாக இருந்தது, இது வளர்ச்சியை பெரும்பாலும் உள்நாட்டில் உருவாக்கி, புறநகர் பகுதிகளின் விரிவாக்கத்தை மட்டுப்படுத்தியது. கடைசி சூழ்நிலையில், சிறிய பகுதிகளை விட்டுச்செல்லும் ஒரு பல மைய நகர கட்டமைப்பை முன்மொழிகிறது. டெல். : +98 912 3572913 மின்னஞ்சல் முகவரி: [email protected] |
f19e6e8a06cba5fc8cf234881419de9193bba9d0 | நரம்பியல் வலையமைப்புகள் பொதுவாக வகைப்படுத்தல் மற்றும் முடிவெடுக்கும் பணிகளில் பயன்படுத்தப்படுகின்றன. இந்த ஆய்வில், அவர்களின் முடிவுகளின் உள்ளூர் நம்பிக்கையின் பிரச்சினையில் கவனம் செலுத்துகிறோம். புள்ளிவிவர முடிவுக் கோட்பாட்டிலிருந்து சில கருத்துக்களை நாங்கள் மதிப்பாய்வு செய்கிறோம், இது நரம்பியல் நெட்வொர்க்குகளுடன் வகைப்படுத்தலுக்கான நம்பிக்கையான நடவடிக்கைகளை தீர்மானித்தல் மற்றும் பயன்படுத்துவது பற்றிய நுண்ணறிவை வழங்குகிறது. பின்னர் தற்போதுள்ள நம்பகத்தன்மை அளவீடுகளின் ஒரு கண்ணோட்டத்தை முன்வைக்கிறோம், இறுதியாக நெட்வொர்க் வெளியீடுகளின் நிகழ்தகவு விளக்கத்தின் நன்மைகளையும், பூட்ஸ்ட்ராப் பிழை மதிப்பீட்டின் மூலம் மாதிரியின் தரத்தை மதிப்பிடுவதையும் இணைக்கும் ஒரு எளிய அளவீட்டை முன்மொழிகிறோம். ஒரு உண்மையான உலக பயன்பாடு மற்றும் ஒரு செயற்கை பிரச்சனை ஆகியவற்றில் நாம் அனுபவ ரீதியான முடிவுகளைப் பற்றி விவாதிக்கிறோம், மேலும் எளிமையான நடவடிக்கை பெரும்பாலும் மிகவும் சிக்கலானவற்றை விட சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகிறது, ஆனால் சில சூழ்நிலைகளில் ஆபத்தானதாக இருக்கலாம். |
4a5be26509557f0a1a911e639868bfe9d002d664 | உற்பத்தி செய்தி விவரக்குறிப்பு (MMS) நெறிமுறை தொழில்துறை செயல்முறை கட்டுப்பாட்டு பயன்பாடுகளில் பரவலாகப் பயன்படுத்தப்படுகிறது, ஆனால் அது மோசமாக ஆவணப்படுத்தப்பட்டுள்ளது. இந்த ஆய்வில், தகவல் பாதுகாப்பு சூழலில் MMS பற்றிய புரிதலை மேம்படுத்துவதற்காக MMS நெறிமுறையின் பகுப்பாய்வை நாங்கள் முன்வைக்கிறோம். எம்எம்எஸ் போதிய பாதுகாப்பு வழிமுறைகளை கொண்டிருக்கவில்லை என்பதையும், கிடைக்கக்கூடிய குறைந்தபட்ச பாதுகாப்பு வழிமுறைகள் வணிக ரீதியாக கிடைக்கக்கூடிய தொழில்துறை சாதனங்களில் செயல்படுத்தப்படவில்லை என்பதையும் எங்கள் கண்டுபிடிப்புகள் காட்டுகின்றன. |
15a2ef5fac225c864759b28913b313908401043f | வாடிக்கையாளர்களின் நம்பிக்கையைப் பெறுவதற்காக, மென்பொருள் விற்பனையாளர்கள் தங்கள் தயாரிப்புகளை பாதுகாப்பு தரநிலைகளின்படி சான்றிதழ் வழங்கலாம், எ. கா. , பொதுவான அளவுகோல்கள் (ஐஎஸ்ஓ 15408). ஆனால், பொதுவான அளவுகோல் சான்றிதழ் பெற, மென்பொருள் தயாரிப்பு பற்றிய தெளிவான ஆவணங்கள் தேவை. இந்த ஆவணங்களை உருவாக்குவது நேரத்திலும் பணத்திலும் அதிக செலவுகளை ஏற்படுத்துகிறது. பொதுவான அளவுகோல் சான்றிதழுக்கு தேவையான ஆவணங்களை உருவாக்குவதை ஆதரிக்கும் ஒரு மென்பொருள் மேம்பாட்டு செயல்முறையை நாங்கள் முன்மொழிகிறோம். எனவே, மென்பொருள் உருவாக்கப்பட்ட பிறகு ஆவணங்களை உருவாக்க வேண்டிய அவசியம் இல்லை. மேலும், பொதுவான அளவுகோல் ஆவணங்களை உருவாக்குவதில் சாத்தியமான சிக்கல்களைக் கண்டறிய ADIT எனப்படும் தேவைகள் சார்ந்த மென்பொருள் பொறியியல் செயல்முறையின் மேம்பட்ட பதிப்பைப் பயன்படுத்த நாங்கள் முன்மொழிகிறோம். சான்றிதழ் செயல்முறைக்கு முன்னர் இந்த சிக்கல்களைக் கண்டறிவதை நோக்கமாகக் கொண்டுள்ளோம். இதனால் சான்றிதழ் வழங்கும் பணியில் ஏற்படும் செலவு மிகுந்த தாமதங்களைத் தவிர்க்கலாம். ADIT ஒரு தடையற்ற வளர்ச்சி அணுகுமுறையை வழங்குகிறது, இது பல்வேறு வகையான UML மாதிரிகளுக்கு இடையில் நிலைத்தன்மையை சரிபார்க்க அனுமதிக்கிறது. பாதுகாப்புத் தேவைகள் முதல் வடிவமைப்பு ஆவணங்கள் வரை கண்காணிப்புக்கும் ADIT ஆதரவு அளிக்கிறது. ஒரு ஸ்மார்ட் மீட்டரிங் கேட்வே அமைப்பின் வளர்ச்சியுடன் எங்கள் அணுகுமுறையை விளக்குகிறோம். |
21968ae000669eb4cf03718a0d97e23a6bf75926 | சமீபத்தில், சமூக வலைதளங்களில் செல்வாக்கு பரவுதல் என்ற நிகழ்வு மீது மிகுந்த ஆர்வம் ஏற்பட்டுள்ளது. இந்த பகுதியில் உள்ள ஆய்வுகள், பயனர்களிடையே செல்வாக்கு சாத்தியக்கூறுகள் என பெயரிடப்பட்ட விளிம்புகளைக் கொண்ட ஒரு சமூக வரைபடத்தை தங்கள் பிரச்சினைகளுக்கு உள்ளீடாகக் கொண்டுள்ளன என்று கருதுகின்றன. இருப்பினும், இந்த நிகழ்தகவுகள் எங்கிருந்து வருகின்றன அல்லது உண்மையான சமூக வலைப்பின்னல் தரவுகளிலிருந்து அவற்றை எவ்வாறு கணக்கிட முடியும் என்ற கேள்வி இப்போது வரை பெரும்பாலும் புறக்கணிக்கப்பட்டுள்ளது. எனவே ஒரு சமூக வரைபடத்திலிருந்து மற்றும் அதன் பயனர்களின் செயல்களின் பதிவுகளிலிருந்து, செல்வாக்கு மாதிரிகளை ஒருவர் உருவாக்க முடியுமா என்று கேட்பது சுவாரஸ்யமானது. இதுவே இந்த ஆய்வில் தாக்கப்படும் பிரதான பிரச்சினையாகும். மாதிரி அளவுருக்களைக் கற்றுக்கொள்வதற்கும் கற்ற மாதிரிகளைச் சோதித்து கணிப்புகளைச் செய்வதற்கும் மாதிரிகள் மற்றும் வழிமுறைகளை முன்மொழிவதோடு கூடுதலாக, ஒரு பயனர் ஒரு செயலைச் செய்ய எதிர்பார்க்கப்படும் நேரத்தை கணிப்பதற்கான நுட்பங்களையும் நாங்கள் உருவாக்குகிறோம். 1.3 மில்லியன் முனைகள், 40 மில்லியன் விளிம்புகள் கொண்ட ஒரு சமூக வரைபடம், மற்றும் 300 மில்லியன் தனித்தனி செயல்களைக் குறிக்கும் 35 மில்லியன் டூப்ள்களைக் கொண்ட ஒரு செயல் பதிவு ஆகியவற்றைக் கொண்ட ஃப்ளிக்ர் தரவுத் தொகுப்பைப் பயன்படுத்தி எங்கள் யோசனைகளையும் நுட்பங்களையும் நாங்கள் சரிபார்க்கிறோம். உண்மையான சமூக வலைப்பின்னலில் உண்மையான செல்வாக்கு உள்ளது என்பதைக் காண்பிப்பதைத் தவிர, எங்கள் நுட்பங்கள் சிறந்த கணிப்பு செயல்திறனைக் கொண்டுள்ளன என்பதைக் காட்டுகிறோம். |
c8a04d0cbb9f70e86800b11b594c9a05d7b6bac0 | |
61dc8de84e0f4aab21a03833aeadcefa87d6d4e5 | தனியுரிமையைப் பாதுகாக்கும் வகையில், தற்காலிக நெட்வொர்க்குகளில் தரவுகளைச் சேகரிப்பது, விநியோகிக்கப்பட்ட தகவல் தொடர்பு மற்றும் கட்டுப்பாட்டுத் தேவை, டைனமிக் நெட்வொர்க் டோபோலஜி, நம்பகமற்ற தகவல் தொடர்பு இணைப்புகள் போன்றவற்றைக் கருத்தில் கொண்டு, ஒரு சவாலான பிரச்சினையாகும். நேர்மையற்ற முனைகள் இருக்கும்போது இந்த சிக்கல் மிகைப்படுத்தப்படுகிறது, மேலும் நேர்மையற்ற முனைகளுக்கு எதிராக தனியுரிமை, துல்லியம் மற்றும் வலுவை எவ்வாறு உறுதிப்படுத்துவது என்பது ஒரு திறந்த பிரச்சினையாகவே உள்ளது. பரவலாகப் பயன்படுத்தப்படும் குறியாக்க அணுகுமுறைகளிலிருந்து வேறுபட்ட இந்த ஆய்வில், விநியோகிக்கப்பட்ட ஒருமித்த கருத்தாய்வு நுட்பத்தை பயன்படுத்தி இந்த சவாலான பிரச்சினையை நாங்கள் கையாள்கிறோம். முதலில், பாதுகாப்பான ஒருமித்த கருத்து அடிப்படையிலான தரவு ஒருங்கிணைப்பு (SCDA) வழிமுறையை நாங்கள் முன்மொழிகிறோம். இது முக்கியமான தரவுகளின் தனியுரிமையைப் பாதுகாக்கும் அதே வேளையில் துல்லியமான தொகை ஒருங்கிணைப்புக்கு உத்தரவாதம் அளிக்கிறது. பின்னர், நேர்மையற்ற முனைகளிலிருந்து வரும் மாசுபாட்டைக் குறைக்க, மேம்பட்ட SCDA (E-SCDA) வழிமுறையை நாங்கள் முன்மொழிகிறோம், இது அண்டை நாடுகளை நேர்மையற்ற முனைகளைக் கண்டறிய அனுமதிக்கிறது, மேலும் கண்டறிய முடியாத டிஷ்ன்கள் t முனைகள் இருக்கும்போது பிழை வரம்பை பெறுகிறது. SCDA மற்றும் E-SCDA இரண்டும் ஒன்றிணைந்ததை நிரூபிக்கிறோம். மேலும், முன்மொழியப்பட்ட வழிமுறைகள் ((, σ) - தரவு தனியுரிமை என்பதை நிரூபித்து, மற்றும் σ இடையேயான கணித உறவைப் பெறுகிறோம். விரிவான உருவகப்படுத்துதல்கள் முன்மொழியப்பட்ட அல்கோரித் எம்எஸ் அதிக துல்லியம் மற்றும் குறைந்த சிக்கலான தன்மை கொண்டது, மேலும் அவை நெட்வொர்க் இயக்கவியல் மற்றும் நேர்மையற்ற முனைகளுக்கு எதிராக வலுவானவை என்பதைக் காட்டியுள்ளன. |
dbde4f47efed72cbb99f412a9a4c17fe39fa04fc | இயற்கையான பட உருவாக்கம் என்பது தற்போது ஆழமான கற்றலில் மிகவும் தீவிரமாக ஆராயப்படும் துறைகளில் ஒன்றாகும். பல அணுகுமுறைகள், எ. கா. கலை வடிவத்தின் மாற்றம் அல்லது இயற்கையான அமைப்புகளின் தொகுப்பு ஆகியவற்றிற்காக, மேற்பார்வையிடப்பட்ட பயிற்சி பெற்ற ஆழமான நரம்பியல் நெட்வொர்க்குகளில் படிநிலை பிரதிநிதித்துவங்களின் புள்ளிவிவரங்களை நம்புங்கள். இருப்பினும், இந்த அம்ச பிரதிநிதித்துவத்தின் எந்த அம்சங்கள் இயற்கையான பட உருவாக்கத்திற்கு முக்கியம் என்பது தெளிவாகத் தெரியவில்லைஃ இது ஆழம், கூட்டு அல்லது இயற்கை படங்களில் அம்சங்களின் பயிற்சி? இயற்கை அமைப்புகளின் தொகுப்புக்கான பணிக்காக இந்த கேள்வியை நாம் இங்கு உரையாற்றுகிறோம், மேலே கூறப்பட்ட அம்சங்கள் எதுவும் இன்றியமையாதவை அல்ல என்பதைக் காட்டுகிறோம். அதற்கு பதிலாக, உயர் உணர்திறன் கொண்ட இயற்கை அமைப்புகளை ஒரே அடுக்கு கொண்ட நெட்வொர்க்குகளிலிருந்து உருவாக்க முடியும் என்பதை நாங்கள் நிரூபிக்கிறோம், கூட்டு மற்றும் சீரற்ற வடிப்பான்கள் இல்லை. |
acdc3d8d8c880bc9b9e10b337b09bed4c0c762d8 | ஆடைகள் மற்றும் அணியக்கூடிய பொருட்களில் ஒருங்கிணைக்கப்பட்ட தொலைத்தொடர்பு அமைப்புகள் மருத்துவ சாதனங்கள் மருத்துவ பராமரிப்பு வசதிகளை மேம்படுத்துவதில் தாக்கத்தை ஏற்படுத்துகின்றன. இந்த ஆடைகள் முழுமையாக உருவாக்கப்படும்போது, மருத்துவமனை வளங்கள் மற்றும் உழைப்பைக் குறைப்பதோடு, தேவைப்பட்டால் எச்சரிக்கை மற்றும் கவனத்தை கோருவதற்கு திறன் கொண்டதாக இருக்கும். மேலும், நோய்களைத் தடுப்பதிலும், உடல்நலக் கோளாறுகள் மற்றும் முன்னறிவிக்கப்படாத இதய அல்லது மூளைக் கோளாறுகளில் அவை முக்கிய பங்கு வகிக்கலாம். இந்த பணி, அல்ட்ரா-வைட் பேண்ட் (UWB) ஆண்டெனாவை ஆய்வு செய்வதற்கான சாத்தியத்தை முன்வைக்கிறது, இது முழுமையாக ஜவுளி பொருட்களிலிருந்து தயாரிக்கப்படுகிறது, அவை அடி மூலக்கூறிற்கும் வடிவமைக்கப்பட்ட ஆண்டெனாவின் கடத்தும் பகுதிகளுக்கும் பயன்படுத்தப்பட்டன. முன்மொழியப்பட்ட ஆண்டெனா வடிவமைப்பு பரந்த வேலை அலைவரிசை தேவைகளை பூர்த்தி செய்கிறது மற்றும் சிறிய அளவு, கழுவக்கூடிய மற்றும் நெகிழ்வான பொருட்களுடன் 17GHz அலைவரிசை வழங்குகிறது என்பதை உருவகப்படுத்தப்பட்ட மற்றும் அளவிடப்பட்ட முடிவுகள் காட்டுகின்றன. தற்போதைய கையெழுத்துப் வடிவமைப்பின் பயனை சரிபார்க்க, திரும்பும் இழப்பு, அலைவரிசை, கதிர்வீச்சு முறை, தற்போதைய விநியோகம் மற்றும் ஆதாயம் மற்றும் செயல்திறன் ஆகியவற்றின் அடிப்படையில் முடிவுகள் வழங்கப்படுகின்றன. இங்கு வழங்கப்பட்டுள்ள பணிகள் ஒரு நாள் ஒரு தனித்தனி தொகுப்பின் எதிர்கால ஆய்வுகளுக்கு ஆழமான தாக்கங்களைக் கொண்டுள்ளன, இது ஒரு நாள் அணிந்திருப்பவருக்கு (நோயாளிக்கு) அத்தகைய நம்பகமான மற்றும் வசதியான மருத்துவ கண்காணிப்பு நுட்பங்களை வழங்க உதவும். 12 ஏப்ரல் 2011 அன்று பெறப்பட்டது, 23 மே 2011 அன்று ஏற்றுக்கொள்ளப்பட்டது, 10 ஜூன் 2011 அன்று திட்டமிடப்பட்டது * தொடர்புடைய ஆசிரியர்ஃ மய் ஏ. ரஹ்மான் ஒஸ்மான் ([email protected]). |
aab8c9514b473c4ec9c47d780b7c79112add9008 | ஒரு ஆராய்ச்சி மூலோபாயமாக வழக்கு ஆய்வு என்பது மாணவர்களுக்கும், மற்ற புதிய ஆராய்ச்சியாளர்களுக்கும் ஒரு சிறிய அளவிலான ஆராய்ச்சி திட்டத்தை மேற்கொள்ள விரும்பும் மாணவர்களுக்கும், அல்லது ஒரு குறிப்பிட்ட எண்ணிக்கையிலான நிறுவனங்களை ஒப்பிடுவதற்கும் ஒரு தெளிவான விருப்பமாகத் தோன்றுகிறது. இந்த சூழலில் வழக்கு ஆய்வு ஆராய்ச்சியைப் பயன்படுத்துவதில் மிகவும் சவாலான அம்சம் என்னவென்றால், விசாரணையை "என்ன நடக்கிறது" என்ற விவரிப்புக் கணக்கிலிருந்து ஒரு ஆராய்ச்சிப் பகுதியாக உயர்த்துவது, இது அறிவுக்கு ஒரு மதிப்புமிக்க, மிதமான கூடுதலாக இருப்பதாகக் கூறலாம். இந்த கட்டுரை வழக்கு ஆய்வு ஆராய்ச்சி மற்றும் தொடர்புடைய பகுதிகளில் நிறுவப்பட்ட பாடப்புத்தகங்களை பெரிதும் ஈர்க்கிறது, அதாவது Yin, 1994, Hamel et al., 1993, Eaton, 1992, Gomm, 2000, Perry, 1998, மற்றும் Saunders et al., 2000 ஆனால் இந்த ஆராய்ச்சி அணுகுமுறையின் சில முக்கிய கொள்கைகளை புதிய ஆராய்ச்சியாளர்கள் கையாளவும் பயன்படுத்தவும் ஊக்குவிக்கும் வகையில் வழக்கு ஆய்வு ஆராய்ச்சியின் முக்கிய அம்சங்களை வடிகட்ட முயல்கிறது. இந்த கட்டுரை வழக்கு ஆய்வு ஆராய்ச்சி, ஆராய்ச்சி வடிவமைப்பு, தரவு சேகரிப்பு மற்றும் தரவு பகுப்பாய்வு ஆகியவற்றை எப்போது பயன்படுத்தலாம் என்பதை விளக்குகிறது, இறுதியாக ஒரு அறிக்கை அல்லது ஆய்வறிக்கையை எழுதுவதில் ஆதாரங்களை வரைய பரிந்துரைகளை வழங்குகிறது. |
a088bed7ac41ae77dbb23041626eb8424d96a5ba | இந்த ஆவணம் எஃப்யிரா கேள்வி பதில் இயந்திரத்தை விவரிக்கிறது, இது ஒரு தொகுதி மற்றும் விரிவாக்கக்கூடிய கட்டமைப்பாகும், இது கேள்வி பதில் அளிப்பதற்கான பல அணுகுமுறைகளை ஒரு அமைப்பில் ஒருங்கிணைக்க அனுமதிக்கிறது. நமது கட்டமைப்பை ஆங்கிலம் தவிர மற்ற மொழிகளுக்கு மொழி சார்ந்த கூறுகளை மாற்றுவதன் மூலம் மாற்றியமைக்க முடியும். கேள்வி பதில், அறிவு குறிப்பு மற்றும் அறிவு சுரங்கம் ஆகிய இரண்டு முக்கிய அணுகுமுறைகளை இது ஆதரிக்கிறது. எஃப்ரா இணையத்தை ஒரு தரவு ஆதாரமாகப் பயன்படுத்துகிறது, ஆனால் சிறிய கார்பராக்களுடன் வேலை செய்ய முடியும். கூடுதலாக, கேள்விக்கான விளக்கத்திற்கு ஒரு புதிய அணுகுமுறையை நாங்கள் முன்மொழிகிறோம், இது கேள்விக்கான அசல் வடிவமைப்பிலிருந்து விலகிச் செல்கிறது. ஒரு கேள்வியை விளக்குவதற்கும், உரை துணுக்குகளிலிருந்து பதில்களைப் பிரித்தெடுப்பதற்கும் உரை வடிவங்கள் பயன்படுத்தப்படுகின்றன. நமது கணினி தானாகவே பதிலைப் பெறுவதற்கான வடிவங்களைக் கற்றுக்கொள்கிறது, கேள்வி-பதில் ஜோடிகளை பயிற்சி தரவுகளாகப் பயன்படுத்துகிறது. இந்த அணுகுமுறையின் திறனை பரிசோதனை முடிவுகள் வெளிப்படுத்தின. |
227ed02b3e5edf4c5b08539c779eca90683549e6 | தற்போதுள்ள பெரும்பாலான கட்டமைப்புகள், சமூக பொருளாதார மற்றும் தொழில்நுட்ப சூழல் உள்ள நாடுகளில் அவற்றின் உலகளாவிய பொருந்தக்கூடிய தன்மையைக் கையாள போதுமானதாக இல்லை. இதுவரை, ஒரே அளவு அனைவருக்கும் பொருந்தும் என்ற ஒரு உத்தி இல்லை என்றாலும், மின்-அரசு முறையை நடைமுறைப்படுத்துவதில், சில பொதுவான கூறுகள் உள்ளன. எனவே, இந்த ஆவணம் சில கோட்பாடுகள் மற்றும் வளரும் மற்றும் வளர்ந்த நாடுகளின் தற்போதைய இ-பங்கேற்பு முயற்சிகளிலிருந்து கற்றுக்கொண்ட பாடங்களின் அடிப்படையில் ஒரு தனித்துவமான நிலையான மாதிரியை உருவாக்க முயற்சிக்கிறது, இதனால் தகவல் மற்றும் தொடர்பு தொழில்நுட்பத்தின் நன்மைகளை அதிகரிக்கவும், அதிக பங்கேற்பை உறுதி செய்யவும் முடியும். |
6afe5319630d966c1355f3812f9d4b4b4d6d9fd0 | |
a2c2999b134ba376c5ba3b610900a8d07722ccb3 | |
ab116cf4e1d5ed947f4d762518738305e3a0ab74 | |
64f51fe4f6b078142166395ed209d423454007fb | துல்லியமான மற்றும் வலுவான ஆழமான நெட்வொர்க் மாதிரிகளை பயிற்றுவிக்க, அதிக அளவு பயிற்சி படங்கள் அவசியம், ஆனால் அதிக அளவு பயிற்சி படங்களை சேகரிப்பது பெரும்பாலும் நேரத்தை எடுத்துக்கொள்ளும் மற்றும் செலவு மிகுந்ததாகும். படத் தொகுப்பு இந்த கட்டுப்பாட்டை இயந்திரங்களால் தானாகவே விளக்கப்பட பயிற்சி படங்களை உருவாக்குவதன் மூலம் குறைக்கிறது, இது சமீபத்திய ஆழமான கற்றல் ஆராய்ச்சியில் அதிக ஆர்வத்தை ஈர்த்துள்ளது. முன்னணியில் உள்ள ஆர்வமுள்ள பொருட்களை (OOI) பின்னணி படங்களில் யதார்த்தமாக உட்பொதிப்பதன் மூலம் விளக்கப்பட பயிற்சி படங்களை உருவாக்கும் ஒரு புதுமையான பட தொகுப்பு நுட்பத்தை நாங்கள் உருவாக்குகிறோம். முன்மொழியப்பட்ட நுட்பம் இரண்டு முக்கிய கூறுகளைக் கொண்டுள்ளது, இது கொள்கையளவில் ஆழமான நெட்வொர்க் பயிற்சியில் தொகுக்கப்பட்ட படங்களின் பயனை அதிகரிக்கிறது. முதலாவது சூழல்-அறிவு செமனிக் ஒருங்கிணைப்பு ஆகும், இது OOI கள் பின்னணி படத்தில் செமனிக் முறையில் ஒருங்கிணைந்த பகுதிகளைச் சுற்றி வைக்கப்படுவதை உறுதி செய்கிறது. இரண்டாவது, ஒத்திசைவான தோற்றத் தழுவல் ஆகும், இது உட்பொதிக்கப்பட்ட OOI கள் வடிவியல் சீரமைப்பு மற்றும் தோற்ற யதார்த்தம் ஆகிய இரண்டிலிருந்தும் சுற்றியுள்ள பின்னணியில் ஏற்றுக்கொள்ளப்படுவதை உறுதி செய்கிறது. முன்மொழியப்பட்ட நுட்பம் இரண்டு தொடர்புடைய ஆனால் மிகவும் வேறுபட்ட கணினி பார்வை சவால்களில் மதிப்பீடு செய்யப்பட்டுள்ளது, அதாவது காட்சி உரை கண்டறிதல் மற்றும் காட்சி உரை அங்கீகாரம். பல பொதுத் தரவுத் தொகுப்புகளில் மேற்கொள்ளப்பட்ட பரிசோதனைகள், நாம் முன்மொழிந்த படத் தொகுப்பு நுட்பத்தின் செயல்திறனை நிரூபித்துள்ளன. ஆழமான நெட்வொர்க் பயிற்சியில் நமது தொகுக்கப்பட்ட படங்களைப் பயன்படுத்துவது, உண்மையான படங்களைப் பயன்படுத்துவதை விட, இதேபோன்ற அல்லது சிறந்த காட்சி உரை கண்டறிதல் மற்றும் காட்சி உரை அங்கீகார செயல்திறனை அடையும் திறன் கொண்டது. |
ceb4040acf7f27b4ca55da61651a14e3a1ef26a8 | |
226cfb67d2d8eba835f2ec695fe28b78b556a19f | பொதுவாக பிட்காயின் பாதுகாக்கப்படும் வகையில் பிட்காயின் நெறிமுறைக்கு ஒரு நடைமுறை மாற்றத்தை நாங்கள் முன்மொழிகிறோம். இது ஒரு கூட்டணியால் சுயநல சுரங்கத்தை தடை செய்கிறது, இது வளங்களில் 1/4 க்கும் குறைவானதைக் கட்டுப்படுத்துகிறது. இந்த உச்சநிலை தவறாக கருதப்பட்ட 1/2 வரம்பை விட குறைவாக உள்ளது, ஆனால் தற்போதைய யதார்த்தத்தை விட சிறந்தது, அங்கு எந்த அளவிலான கூட்டணி அமைப்பையும் சமரசம் செய்ய முடியும். பிட்காயின் க்ரிப்டோகரன்சி அதன் பரிவர்த்தனைகளை பிளாக்செயின் எனப்படும் பொது பதிவுகளில் பதிவு செய்கிறது. இதன் பாதுகாப்பு விநியோகிக்கப்பட்ட நெறிமுறை மீது அடிப்படையாக உள்ளது, இது பிளாக்செயின்களை பராமரிக்கிறது, சுரங்கத் தொழிலாளர்கள் எனப்படும் பங்கேற்பாளர்களால் இயக்கப்படுகிறது. சுரங்க நெறிமுறை ஊக்கத்தொகை-இணக்கமானது என்றும், சிறுபான்மை குழுக்களின் சதித்திட்டத்திற்கு எதிராக பாதுகாப்பானது என்றும், அதாவது, சுரங்கத் தொழிலாளர்கள் நெறிமுறையை பரிந்துரைக்கப்பட்டபடி பின்பற்ற ஊக்கப்படுத்துகிறது என்றும் வழக்கமான ஞானம் கூறுகிறது. பிட்காயின் சுரங்க நெறிமுறை ஊக்கத்தொகைக்கு இணக்கமானது அல்ல என்பதை நாங்கள் காட்டுகிறோம். சுரங்கத் தொழிலாளர்களின் வருமானம் அவர்களின் நியாயமான பங்கை விட அதிகமாக இருக்கும் ஒரு தாக்குதலை நாங்கள் முன்வைக்கிறோம். இந்த தாக்குதல் பிட்காயினுக்கு குறிப்பிடத்தக்க விளைவுகளை ஏற்படுத்தும்: பகுத்தறிவுமிக்க சுரங்கத் தொழிலாளர்கள் தாக்குபவர்களுடன் சேர விரும்புவார்கள், மேலும் கூட்டணி குழு பெரும்பான்மை ஆகும் வரை அளவு அதிகரிக்கும். இந்த கட்டத்தில், பிட்காயின் அமைப்பு ஒரு பரவலாக்கப்பட்ட நாணயமாக இருக்காது. சில அனுமானங்கள் செய்யப்படாவிட்டால், சுயநல சுரங்க தொழில் எந்த அளவிலான கூட்டணி அளவிலான சுரங்கத் தொழிலாளர்களுக்கும் சாத்தியமாகலாம். |
2b00e526490d65f2ec00107fb7bcce0ace5960c7 | இந்த ஆவணம் இன்டர்நெட் ஆஃப் திங்ஸ் பற்றி பேசுகிறது. இந்த நம்பிக்கைக்குரிய முன்னுதாரணத்தின் முக்கிய காரணியாக பல தொழில்நுட்பங்கள் மற்றும் தகவல் தொடர்பு தீர்வுகளின் ஒருங்கிணைப்பு உள்ளது. அடையாளம் காணும் மற்றும் கண்காணிக்கும் தொழில்நுட்பங்கள், கம்பி மற்றும் கம்பியில்லா சென்சார் மற்றும் ஆக்சுவேட்டர் நெட்வொர்க்குகள், மேம்பட்ட தகவல் தொடர்பு நெறிமுறைகள் (அடுத்த தலைமுறை இணையத்துடன் பகிரப்பட்டவை), மற்றும் ஸ்மார்ட் பொருள்களுக்கான விநியோகிக்கப்பட்ட நுண்ணறிவு ஆகியவை மிகவும் பொருத்தமானவை. ஒருவர் எளிதாக கற்பனை செய்யக்கூடியது போல, இன்டர்நெட் ஆஃப் திங்ஸ் முன்னேற்றத்திற்கு எந்தவொரு தீவிர பங்களிப்பும் அவசியமாகத் தொலைத்தொடர்புகள், தகவல் தொழில்நுட்பம், எலக்ட்ரானிக்ஸ் மற்றும் சமூக அறிவியல் போன்ற பல்வேறு அறிவுத் துறைகளில் மேற்கொள்ளப்பட்ட ஒத்திசைவான நடவடிக்கைகளின் விளைவாக இருக்க வேண்டும். இத்தகைய சிக்கலான சூழலில், இந்த சிக்கலான ஒழுக்கத்தை அணுகவும், அதன் வளர்ச்சிக்கு பங்களிக்கவும் விரும்பும் நபர்களை இந்த ஆய்வு நோக்கியுள்ளது. இந்த இன்டர்நெட் ஆஃப் திங்ஸ் முன்னுதாரணத்தின் பல்வேறு பார்வைகள் தெரிவிக்கப்படுகின்றன மற்றும் தொழில்நுட்பங்களை செயல்படுத்துவது மதிப்பாய்வு செய்யப்படுகிறது. ஆராய்ச்சி சமூகத்தினர் இன்னும் பெரும் பிரச்சினைகளை எதிர்கொள்ள வேண்டியுள்ளது என்பது வெளிப்படுகிறது. அவற்றில் மிக முக்கியமானவை பற்றி விரிவாகக் கூறப்பட்டுள்ளது. 2010 Elsevier B. V. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
839a69a55d862563fe75528ec5d763fb01c09c61 | LSTMகள் அல்லது எளிமையான நுட்பங்களைப் பயன்படுத்தி கணக்கிடப்படும் குறைந்த பரிமாண வெக்டார் உட்பொதிப்புகள், உரையின் அர்த்தத்தை கைப்பற்றுவதற்கான பிரபலமான அணுகுமுறையாகும் மற்றும் கீழ்நிலை பணிகளுக்கு பயனுள்ள மேற்பார்வை செய்யப்படாத கற்றல் வடிவமாகும். இருப்பினும், அவற்றின் சக்தி கோட்பாட்டளவில் புரிந்து கொள்ளப்படவில்லை. தற்போதைய காகிதம் நேரியல் உட்பொதித்தல் திட்டங்களின் துணை வழக்கைப் பார்ப்பதன் மூலம் முறையான புரிதலைப் பெறுகிறது. அழுத்தப்பட்ட உணர்தல் கோட்பாட்டைப் பயன்படுத்தி, உறுப்பு சொல் திசையன்களை இணைக்கும் பிரதிநிதித்துவங்கள் முக்கியமாக உரை-பாக்-ஆஃப்-என்-கிராம்ஸ் (BonG) பிரதிநிதித்துவங்களின் தகவல்-பாதுகாக்கும் நேரியல் அளவீடுகள் என்பதைக் காட்டுகிறோம். இது LSTM களைப் பற்றிய ஒரு புதிய தத்துவார்த்த முடிவுக்கு வழிவகுக்கிறதுஃ குறைந்த நினைவக LSTM இலிருந்து பெறப்பட்ட குறைந்த பரிமாண உட்பொதிப்புகள் குறைந்தபட்சம் வகைப்படுத்தல் பணிகளில் சக்திவாய்ந்தவை, சிறிய பிழை வரை, ஒரு நேரியல் வகைப்படுத்தியாகும் BonG திசையன்கள், ஒரு பரந்த அனுபவ வேலை இதுவரை காட்ட முடியவில்லை. எங்கள் பரிசோதனைகள் இந்த கோட்பாட்டு கண்டுபிடிப்புகளை ஆதரிக்கிறது மற்றும் சில சந்தர்ப்பங்களில் வார்த்தை மட்ட முறைகளில் கலை நிலை என்று நிலையான தரநிலைகள் மீது வலுவான, எளிய, மற்றும் மேற்பார்வை இல்லாத அடிப்படைகளை நிறுவ. GloVe மற்றும் word2vec போன்ற உட்பொதிப்புகளின் ஒரு ஆச்சரியமான புதிய பண்புகளையும் நாங்கள் காட்டுகிறோம்: அவை திடீர் அடுக்குகளை விட மிகவும் திறமையான உரைக்கான நல்ல உணர்தல் மேட்ரிக்ஸை உருவாக்குகின்றன, இது நிலையான மெல்லிய மீட்பு கருவியாகும், இது நடைமுறையில் சிறந்த பிரதிநிதித்துவங்களுக்கு வழிவகுக்கும் என்பதற்கான காரணத்தை விளக்கக்கூடும். |
06e04fd496cd805bca69eea2c1977f90afeeef83 | அல்காரிதமிக் நேர்மையின் பெரும்பாலான அணுகுமுறைகள் இயந்திர கற்றல் முறைகளை கட்டுப்படுத்துகின்றன, இதனால் விளைவாக வரும் கணிப்புகள் நேர்மையின் பல உள்ளுணர்வு கருத்துகளில் ஒன்றை திருப்திப்படுத்துகின்றன. இது தனியார் நிறுவனங்கள் பாகுபாடு இல்லாத சட்டங்களை பின்பற்ற உதவுகிறது அல்லது எதிர்மறையான விளம்பரத்தை தவிர்க்க உதவுகிறது என்றாலும், இது பெரும்பாலும் மிகக் குறைவாகவும், மிகவும் தாமதமாகவும் இருப்பதாக நாங்கள் நம்புகிறோம். பயிற்சி தரவு சேகரிக்கப்படும் நேரத்தில், நலிவுற்ற குழுக்களில் உள்ள தனிநபர்கள் ஏற்கனவே பாகுபாட்டால் பாதிக்கப்பட்டு, அவர்களின் கட்டுப்பாட்டிற்கு வெளியே உள்ள காரணிகளால் வாய்ப்புகளை இழந்துள்ளனர். தற்போதைய வேலைகளில் நாம் ஒரு புதிய பொதுக் கொள்கை போன்ற தலையீடுகள் மீது கவனம் செலுத்துகிறோம், குறிப்பாக, ஒட்டுமொத்த அமைப்பின் நியாயத்தை மேம்படுத்துகையில் அவற்றின் நேர்மறையான விளைவுகளை அதிகரிப்பது எப்படி. தலையீடுகளின் விளைவுகளை மாதிரியாகக் காட்ட காரண முறைகளைப் பயன்படுத்துகிறோம், சாத்தியமான தலையீடுகளை அனுமதிக்கலாம் - ஒவ்வொரு நபரின் முடிவும் தலையீட்டைப் பெறும் மற்றவர்களைப் பொறுத்தது. இதை நாம் ஒரு உதாரணத்துடன் நிரூபிக்கிறோம் நியூயார்க் நகரத்தில் உள்ள பள்ளிகளின் தரவுத்தொகுப்பைப் பயன்படுத்தி கற்பித்தல் வளங்களுக்கான பட்ஜெட்டை ஒதுக்குவது. |
44dd6443a07f0d139717be74a98988e3ec80beb8 | ஊக்கக் கற்றலுக்கான பல நன்கு வளர்ந்த அணுகுமுறைகள் இப்போது உள்ளன, ஆனால் ஒவ்வொன்றும் கடக்க கடினமாக இருக்கும் குறிப்பிட்ட வரம்புகளைக் கொண்டுள்ளன. பல உத்திகள் கொண்ட கற்றல் இந்த சிக்கலை ஒரு வழிமுறையில் பல முறைகளை இணைப்பதன் மூலம் தீர்க்க முயற்சிக்கிறது. இந்த கட்டுரை பரவலாகப் பயன்படுத்தப்படும் இரண்டு அனுபவ முறைகளின் ஒருங்கிணைப்பை விவரிக்கிறது: விதி தூண்டல் மற்றும் நிகழ்வு அடிப்படையிலான கற்றல். புதிய வழிமுறையில், நிகழ்வுகள் அதிகபட்சமாக குறிப்பிட்ட விதிகளாக கருதப்படுகின்றன, மேலும் வகைப்படுத்தல் சிறந்த பொருந்தக்கூடிய மூலோபாயத்தைப் பயன்படுத்தி மேற்கொள்ளப்படுகிறது. விதிமுறைகள் படிப்படியாக பொதுவான நிகழ்வுகளை கற்றல் மூலம் கற்றல், வெளிப்படையான துல்லியத்தில் எந்த முன்னேற்றமும் பெறப்படாத வரை. தத்துவார்த்த பகுப்பாய்வு இந்த அணுகுமுறை திறமையானது என்பதைக் காட்டுகிறது. இது RISE 3.1 அமைப்பில் செயல்படுத்தப்படுகிறது. விரிவான அனுபவ ஆய்வுகளில், RISE அதன் பெற்றோர் அணுகுமுறைகள் (PEBLS மற்றும் CN2) இரண்டின் மிக நவீன பிரதிநிதிகளை விடவும், அதே போல் ஒரு முடிவெடுக்கும் மர கற்றல் (C4.5) விடவும் அதிக துல்லியத்தை தொடர்ந்து அடைகிறது. இந்த செயல்திறனுக்கு RISE இன் ஒவ்வொரு கூறுகளும் இன்றியமையாதவை என்பதை லேசன் ஆய்வுகள் காட்டுகின்றன. மிக முக்கியமாக, ஆய்வு செய்யப்பட்ட 30 களங்களில் 14 இல், PEBLS மற்றும் CN2 இன் சிறந்ததை விட RISE மிகவும் துல்லியமானது, இது பல அனுபவ முறைகளை இணைப்பதன் மூலம் குறிப்பிடத்தக்க சினெர்ஜியைப் பெற முடியும் என்பதைக் காட்டுகிறது. |
b38ac03b806a291593c51cb51818ce8e919a1a43 | |
4debb3fe83ea743a888aa2ec8f4252bbe6d0fcb8 | திறந்த மூல மென்பொருள் (OSS) என்பது சமீப காலமாக வணிக ரீதியாக அதிக ஆர்வம் கொண்ட ஒரு கருவியாக மாறியுள்ளது. மென்பொருள் நெருக்கடியின் முக்கிய பிரச்சினைகளை நிவர்த்தி செய்வதில் OSS நிறைய வாக்குறுதிகளை வைத்திருப்பதாகத் தெரிகிறது, அதாவது மென்பொருள் உருவாக்க அதிக நேரம் எடுக்கும், அதன் பட்ஜெட்டை மீறுகிறது, மற்றும் நன்றாக வேலை செய்யாது. உண்மையில், குறிப்பிடத்தக்க OSS வெற்றிக் கதைகளுக்கு பல உதாரணங்கள் உள்ளன - லினக்ஸ் இயக்க முறைமை, அப்பாச்சி வலை சேவையகம், BIND டொமைன் பெயர் தீர்மான பயன்பாடு, ஒரு சிலவற்றைக் குறிப்பிட. இருப்பினும், OSS பற்றிய கடுமையான கல்வி ஆராய்ச்சிகள் இன்றுவரை மிகக் குறைவாகவே நடத்தப்பட்டுள்ளன. இந்த ஆய்வில், ஒரு கட்டமைப்பானது IS துறையில் மிகவும் செல்வாக்கு செலுத்திய இரண்டு முந்தைய கட்டமைப்பிலிருந்து பெறப்பட்டது, அதாவது சாக்மனின் IS கட்டமைப்பு (ISA) மற்றும் மென்மையான அமைப்புகள் முறை (SSM) இலிருந்து செக்லாந்தின் CATWOE கட்டமைப்பு. இதன் விளைவாக அமைக்கப்பட்ட கட்டமைப்பானது OSS அணுகுமுறையை விரிவாக பகுப்பாய்வு செய்யப் பயன்படுகிறது. OSS ஆராய்ச்சியின் எதிர்காலம் பற்றியும் விவாதிக்கப்படுகிறது. |
4bd48f4438ba7bf731e91cb29508a290e938a1d0 | 2.4 GHz WLAN அணுகல் புள்ளி பயன்பாடுகளுக்கான வட்ட துருவமுனைப்பு (சிபி) ஒரு சிறிய அனைத்து திசை ஆண்டெனா வழங்கப்படுகிறது. இந்த ஆண்டெனா நான்கு வளைந்த மோனோபோல்களையும், ஒரே நேரத்தில் இந்த நான்கு மோனோபோல்களையும் தூண்டும் ஒரு உணவளிக்கும் வலையமைப்பையும் கொண்டுள்ளது. CP ஆண்டெனாவின் மின் அளவு λ<sub>0</sub>/5×λ<sub>0</sub>/5×λ<sub>0</sub>/13 மட்டுமே. இம்பிடென்ஸ் அலைவரிசை (Sgadgad <sub>11</sub>gad <;-10 dB) 3.85% (2.392 GHz முதல் 2.486 GHz வரை) மற்றும் அசிமுத் விமானத்தில் அச்சு விகிதம் இயக்க அலைவரிசையில் 0.5 dB க்கும் குறைவாக உள்ளது. |
0015fa48e4ab633985df789920ef1e0c75d4b7a8 | கண்டறிதல் (CVPR 97 இன் செயற்பாடுகளில் தோன்றும், ஜூன் 17-19, 1997, புவேர்ட்டோ ரிகோ) எட்கர் ஒசுனே? ராபர்ட் ஃபிராய்ட்? Federico Girosiy yCenter for Biological and Computational Learning and Operations Research Center Massachusetts Institute of Technology Cambridge, MA, 02139, U. S. A. சுருக்கம் கணினி பார்வைக்கு ஆதரவு வெக்டர் இயந்திரங்களின் (SVM) பயன்பாட்டை நாங்கள் ஆராய்கிறோம். SVM என்பது V. Vapnik மற்றும் அவரது குழுவினரால் (AT & T பெல் லேப்ஸ்) உருவாக்கப்பட்ட ஒரு கற்றல் நுட்பமாகும். இது பல்லுறுப்பு, நரம்பியல் வலையமைப்பு, அல்லது ரேடியல் அடிப்படை செயல்பாடு வகைப்படுத்திகளை பயிற்றுவிப்பதற்கான ஒரு புதிய முறையாக பார்க்கப்படுகிறது. முடிவெடுக்கும் மேற்பரப்புகள் நேரியல் முறையில் கட்டுப்படுத்தப்பட்ட சதுர வரிசை நிரலாக்க சிக்கலைத் தீர்ப்பதன் மூலம் காணப்படுகின்றன. இந்த உகப்பாக்கம் சிக்கல் சவாலானது, ஏனெனில் சதுர வடிவமானது முற்றிலும் அடர்த்தியாக உள்ளது மற்றும் நினைவக தேவைகள் தரவு புள்ளிகளின் எண்ணிக்கையின் சதுரத்துடன் வளர்கின்றன. உலகளாவிய உகந்த தன்மையை உறுதி செய்யும் ஒரு சிதைவு வழிமுறையை நாங்கள் முன்வைக்கிறோம், மேலும் மிகப் பெரிய தரவுத் தொகுப்புகளில் SVM களைப் பயிற்றுவிக்கப் பயன்படுத்தலாம். இந்த சிதைவு பின்னணியில் உள்ள முக்கிய யோசனை, துணைப் பிரச்சினைகளின் மீண்டும் மீண்டும் தீர்வு மற்றும் மேம்பட்ட மீண்டும் மீண்டும் மதிப்புகளை உருவாக்குவதற்கும், வழிமுறையின் நிறுத்த அளவுகோல்களை நிறுவுவதற்கும் பயன்படுத்தப்படும் உகந்த நிலைமைகளின் மதிப்பீடு ஆகும். எஸ்சிஎம்ஐ நடைமுறைப்படுத்தியதன் சோதனை முடிவுகளை நாங்கள் முன்வைக்கிறோம், மேலும் 50,000 தரவு புள்ளிகளின் தரவுத் தொகுப்பை உள்ளடக்கிய ஒரு முக கண்டறிதல் சிக்கலில் எங்கள் அணுகுமுறையின் சாத்தியக்கூறுகளை நிரூபிக்கிறோம். |
ca74a59166af72a14af031504e31d86c7953dc91 | |
0122e063ca5f0f9fb9d144d44d41421503252010 | மேற்பார்வை செய்யப்படாத அம்ச கற்றல் மற்றும் ஆழமான கற்றல் ஆகியவற்றில் சமீபத்திய பணிகள் பெரிய மாதிரிகளை பயிற்றுவிக்க முடிந்தால் செயல்திறனை வியத்தகு முறையில் மேம்படுத்த முடியும் என்பதைக் காட்டியுள்ளன. பல்லாயிரக்கணக்கான CPU கோர்களைப் பயன்படுத்தி பில்லியன் கணக்கான அளவுருக்களுடன் ஒரு ஆழமான வலையமைப்பைப் பயிற்றுவிக்கும் சிக்கலை இந்த ஆய்வில் நாங்கள் கருதுகிறோம். நாங்கள் ஒரு மென்பொருள் கட்டமைப்பை உருவாக்கியுள்ளோம், அது DistBelief என்று அழைக்கப்படுகிறது. இது கணினிக் குழுக்களை ஆயிரக்கணக்கான இயந்திரங்களுடன் பயன்படுத்தி பெரிய மாதிரிகளை பயிற்றுவிக்க முடியும். இந்த கட்டமைப்பிற்குள், பெரிய அளவிலான விநியோகிக்கப்பட்ட பயிற்சிக்கான இரண்டு வழிமுறைகளை நாங்கள் உருவாக்கியுள்ளோம்: (i) டவுன்பூர் எஸ்ஜிடி, ஏராளமான மாதிரி பிரதிகளை ஆதரிக்கும் ஒரு ஒத்திசைவற்ற ஸ்டோகாஸ்டிக் சாய்வு இறங்கும் நடைமுறை, மற்றும் (ii) சாண்ட்ப்ளாஸ்டர், L-BFGS இன் விநியோகிக்கப்பட்ட செயல்படுத்தல் உட்பட பல்வேறு விநியோகிக்கப்பட்ட தொகுதி தேர்வுமுறை நடைமுறைகளை ஆதரிக்கும் ஒரு கட்டமைப்பு. டவுன்போர் எஸ்ஜிடி மற்றும் சாண்ட்ப்ளாஸ்டர் எல்-பிஎஃப்ஜிஎஸ் இரண்டும் ஆழமான நெட்வொர்க் பயிற்சியின் அளவையும் வேகத்தையும் அதிகரிக்கின்றன. நாங்கள் வெற்றிகரமாக எங்கள் அமைப்பைப் பயன்படுத்தி ஆழமான வலையமைப்பைப் பயிற்றுவித்தோம், இது இலக்கியத்தில் முன்னர் தெரிவிக்கப்பட்டதை விட 30 மடங்கு பெரியது, மேலும் 16 மில்லியன் படங்கள் மற்றும் 21k வகைகளைக் கொண்ட ஒரு காட்சி பொருள் அங்கீகார பணியான இமேஜ்நெட்டில் அதிநவீன செயல்திறனை அடைகிறது. இந்த நுட்பங்கள், வணிக ரீதியான பேச்சு அங்கீகரிப்பு சேவைக்காக, ஒரு சிறிய அளவிலான ஆழமான வலையமைப்பை உருவாக்குவதை அதிவேகமாகச் செய்கின்றன என்பதை நாங்கள் காட்டுகிறோம். பெரிய நரம்பியல் நெட்வொர்க்குகளை பயிற்றுவிப்பதில் பயன்படுத்தப்படும் இந்த முறைகளின் செயல்திறன் குறித்து நாங்கள் கவனம் செலுத்துகிறோம் மற்றும் அறிக்கை செய்கிறோம் என்றாலும், அடிப்படை வழிமுறைகள் எந்தவொரு சாய்வு அடிப்படையிலான இயந்திர கற்றல் வழிமுறையிலும் பொருந்தும். |
f5fca08badb5f182bfc5bc9050e786d40e0196df | கம்பியில்லா சென்சார் நெட்வொர்க்கை அடிப்படையாகக் கொண்ட நீர் சூழல் கண்காணிப்பு அமைப்பு முன்மொழியப்பட்டுள்ளது. இது மூன்று பகுதிகளைக் கொண்டுள்ளது: தரவு கண்காணிப்பு முனைகள், தரவுத் தள நிலையம் மற்றும் தொலைநிலை கண்காணிப்பு மையம். இந்த அமைப்பு நீர்நிலைகள், ஏரிகள், ஆறுகள், சதுப்பு நிலங்கள், மற்றும் ஆழமற்ற அல்லது ஆழமான நிலத்தடி நீர் போன்ற சிக்கலான மற்றும் பெரிய அளவிலான நீர் சூழல் கண்காணிப்புக்கு ஏற்றது. இந்த ஆவணம் நமது புதிய நீர் சூழல் கண்காணிப்பு அமைப்பு வடிவமைப்பிற்கான விளக்கத்திற்கும் விளக்கத்திற்கும் அர்ப்பணிக்கப்பட்டுள்ளது. இந்த அமைப்பு, செயற்கை ஏரியின் நீர் வெப்பநிலை மற்றும் pH மதிப்பு சூழலை ஆன்லைன் முறையில் தானாக கண்காணிப்பதை வெற்றிகரமாக நிறைவேற்றியுள்ளது. இந்த அமைப்பின் அளவீட்டு திறன் 0 முதல் 80 °C வரை நீரின் வெப்பநிலையை ±0.5 °C துல்லியத்துடன் அளவிடுகிறது; pH மதிப்பு 0 முதல் 14 வரை ±0.05 pH அலகுகள் துல்லியத்துடன் அளவிடுகிறது. பல்வேறு நீர் தர நிலைகளுக்கு பொருந்தக்கூடிய சென்சார்கள் பல்வேறு நீர் சூழல்களுக்கான கண்காணிப்பு தேவைகளை பூர்த்தி செய்ய மற்றும் வெவ்வேறு அளவுருக்களைப் பெற முனைகளில் நிறுவப்பட வேண்டும். கண்காணிப்பு முறை பரந்த பொருந்தக்கூடிய தன்மை வாய்ந்ததாக உள்ளது. |
0969bae35536395aff521f6fbcd9d5ff379664e3 | பல வானொலி, பல-ஹாப் வயர்லெஸ் நெட்வொர்க்குகளில் வழிநடத்துவதற்கான ஒரு புதிய அளவீட்டை நாங்கள் முன்வைக்கிறோம். சமூக வயர்லெஸ் நெட்வொர்க்குகள் போன்ற நிலையான முனைகளைக் கொண்ட வயர்லெஸ் நெட்வொர்க்குகளில் நாங்கள் கவனம் செலுத்துகிறோம். அளவீட்டின் குறிக்கோள் ஒரு மூலத்திற்கும் இலக்குக்கும் இடையில் அதிக செயல்திறன் கொண்ட பாதையைத் தேர்ந்தெடுப்பதாகும். எங்கள் மெட்ரிக் தனிப்பட்ட இணைப்புகளுக்கு எடைகளை ஒதுக்குகிறது, இது இணைப்பு வழியாக ஒரு பாக்கெட்டின் எதிர்பார்க்கப்படும் பரிமாற்ற நேரம் (ETT) அடிப்படையில் அமைந்துள்ளது. ETT என்பது இழப்பு விகிதம் மற்றும் இணைப்பின் அலைவரிசை பரப்பளவின் ஒரு செயல்பாடாகும். தனிப்பட்ட இணைப்பு எடைகள் எடை கொண்ட குவிந்த ETT (WCETT) எனப்படும் பாதை அளவீட்டில் இணைக்கப்படுகின்றன, இது ஒரே சேனலைப் பயன்படுத்தும் இணைப்புகளுக்கு இடையிலான குறுக்கீட்டை வெளிப்படையாகக் குறிக்கிறது. WCETT மெட்ரிக் ஒரு ரூட்டிங் நெறிமுறையில் இணைக்கப்பட்டுள்ளது, அதை நாங்கள் மல்டி-ரேடியோ இணைப்பு-தர மூல ரூட்டிங் என்று அழைக்கிறோம். எங்கள் மெட்ரிக் செயல்திறனை 23 முனைகள் கொண்ட ஒரு வயர்லெஸ் டெஸ்ட்பெட்டில் செயல்படுத்துவதன் மூலம் ஆய்வு செய்தோம், ஒவ்வொன்றும் இரண்டு 802.11 வயர்லெஸ் கார்டுகளுடன் பொருத்தப்பட்டுள்ளன. பல வானொலி சூழலில், நமது அளவீடுகள் முன்னர் முன்மொழியப்பட்ட திசைமாற்ற அளவீடுகளை விட கணிசமாக சிறப்பாக செயல்படுகின்றன என்பதை நாம் காண்கிறோம். இரண்டாவது வானொலியை விவேகமான முறையில் பயன்படுத்துவதன் மூலம். |
3a01f9933066f0950435a509c2b7bf427a1ebd7f | இந்த ஆய்வில், கண்காணிப்பின் எல்இடி விளக்குகளிலிருந்து ஸ்மார்ட்போனின் கேமராவுக்கு தரவுகளை கசிவு செய்வதன் மூலம் தரவுகளை வெளியேற்றுவதற்கான ஒரு புதிய அணுகுமுறையை நாங்கள் முன்வைக்கிறோம். இந்த புதிய அணுகுமுறையை, ஒரு மேம்பட்ட தொடர்ச்சியான அச்சுறுத்தலின் (APT) ஒரு பகுதியாக, நிறுவனத்திலிருந்து மதிப்புமிக்க தகவல்களை கசியவிட தாக்குபவர்கள் பயன்படுத்தலாம். இந்த ஆய்வில் உருவாக்கப்பட்ட கருத்தாக்கத்தின் சான்று விவரிக்கப்பட்டுள்ளது. அதன் பிறகு, இந்த தாக்குதல் குறித்து மக்களுக்கு தெரியாது என்பதை நிரூபிக்கும் ஒரு பரிசோதனையின் விளக்கம் கொடுக்கப்பட்டுள்ளது. இத்தகைய அச்சுறுத்தல்களை கண்டறிவதற்கும், சில எதிர் நடவடிக்கைகளை எடுப்பதற்கும் வழிமுறைகளை நாங்கள் முன்மொழிகிறோம். |
698b8181cd613a72adeac0d75252afe7f57a5180 | தற்செயலான காடு (Random Forest (RF)) மற்றும் மிகவும் சீரற்ற மரங்கள் (Extremely randomized trees (ERT)) ஆகிய மர-அல்கோரிதம்களின் இரண்டு புதிய இணை செயலாக்கங்களை நாங்கள் முன்வைக்கிறோம், உதாரணமாக, பொது நோக்கத்திற்கான கணிப்புக்கு (GPGPU) பொருத்தமான சமகால கிராபிக்ஸ் அட்டைகள். ரேண்டம் ஃபாரஸ்ட் மற்றும் மிகவும் ரேண்டம் செய்யப்பட்ட மரங்கள் வகைப்படுத்தல் மற்றும் பின்னடைவுக்கான குழு கற்றல் ஆகும். பயிற்சி நேரத்தில் பல முடிவு மரங்களை உருவாக்கி, தனி மரங்களின் வெளியீடுகளை ஒப்பிட்டு ஒரு கணிப்பை வெளியிடுவதன் மூலம் அவை செயல்படுகின்றன. இந்த பணிக்கு உள்ளார்ந்த இணையான தன்மைக்கு நன்றி, அதன் கணக்கீட்டிற்கான ஒரு வெளிப்படையான தளம், ஏராளமான செயலாக்க மையங்களுடன் சமகால ஜி.பி.யுக்களைப் பயன்படுத்துவதாகும். இலக்கியத்தில் ரேண்டம் ஃபாரஸ்ட்ஸிற்கான முந்தைய இணையான வழிமுறைகள் பாரம்பரிய மல்டி-கோர் சிபியு தளங்களுக்காக அல்லது எளிமையான வன்பொருள் கட்டமைப்பையும் ஒப்பீட்டளவில் சில கோர்ஸ்களையும் கொண்ட ஆரம்பகால வரலாற்று ஜி.பி.யுக்களுக்காக வடிவமைக்கப்பட்டுள்ளன. புதிய இணையான வழிமுறைகள் ஏராளமான கோர்ஸ்களைக் கொண்ட சமகால GPU களுக்காக வடிவமைக்கப்பட்டுள்ளன, மேலும் நினைவக படிநிலை மற்றும் நூல் திட்டமிடல் போன்ற புதிய வன்பொருள் கட்டமைப்புகளின் அம்சங்களை கணக்கில் எடுத்துக்கொள்கின்றன. அவை சி/சி++ மொழி மற்றும் குடா இடைமுகத்தைப் பயன்படுத்தி செயல்படுத்தப்படுகின்றன. CPU மற்றும் GPU தளங்களுக்கான மிக முக்கியமான முந்தைய தீர்வுகளுடன் ஒப்பிடுகையில் ஒரு சோதனை ஆய்வு புதிய நடைமுறைப்படுத்தல்களுக்கு குறிப்பிடத்தக்க முன்னேற்றத்தைக் காட்டுகிறது, பெரும்பாலும் பல அளவுகளுடன். |
1b4e04381ddd2afab1660437931cd62468370a98 | பேச்சுத் தகவல்களைக் கொண்ட குறியீட்டுடன் கூடிய உரைக் குழுக்கள் மொழியியல் ஆராய்ச்சியின் பல பகுதிகளில் பயனுள்ளதாக இருக்கும். இந்த ஆய்வில், நரம்பியல் நெட்வொர்க்குகளில் (நெட்-டாகர்) பயன்படுத்தப்படும் ஒரு புதிய பகுதி-பேச்சு குறிச்சொல் முறை வழங்கப்படுகிறது மற்றும் அதன் செயல்திறன் ஒரு llMM-டாகர் (கட்டிங் மற்றும் பலர், 1992) மற்றும் ஒரு ட்ரிகிராம் அடிப்படையிலான டேக்கர் (கேம்ப், 1993) உடன் ஒப்பிடப்படுகிறது. நெட்-டேக்கர் ட்ரைகிராம் அடிப்படையிலான டேக்கரைப் போலவே செயல்படுகிறது மற்றும் ஐஐஎம்எம்-டேக்கரை விட சிறந்தது என்பதைக் காட்டுகிறது. |
68ba338be70fd3c5bdbc1c271243740f2e0a0f0c | பெரிய இரும தரவு தொகுப்புகளுக்கான வினவல்களுக்கு விரைவான தோராயமான பதில்களை உருவாக்குவதற்கான சிக்கலை நாங்கள் ஆராய்கிறோம். இந்த சிக்கலுக்கு சாத்தியக்கூறு முறை l- அடிப்படையிலான அணுகுமுறைகளில் நாம் கவனம் செலுத்துகிறோம், மேலும் அடிப்படை சுதந்திர மாதிரியை விட கணிசமாக துல்லியமான பல நுட்பங்களை உருவாக்குகிறோம். குறிப்பாக, நாம் அடிக்கடி itemsets இருந்து நிகழ்தகவு மாதிரிகள் கட்டும் இரண்டு நுட்பங்களை அறிமுகப்படுத்தஃ itemset அதிகபட்ச என்ட்ரோபி முறை, மற்றும் மாதிரி மீது itemset சேர்க்கை-விலக்கு. அதிகபட்ச உட்புகுதி முறையில், வினாடி வினா மாறிகளின் விநியோகத்தின் மீது கட்டுப்பாடுகளாக உருப்படிகளை நாங்கள் கருதுகிறோம், மேலும் ஆன்லைனில் உள்ள அஞ்சலிகளில் வினவலுக்கு ஒரு கூட்டு நிகழ்தகவு மாதிரியை உருவாக்க அதிகபட்ச உட்புகுதி கொள்கையைப் பயன்படுத்துகிறோம். சேர்க்கை-விலக்கு மாதிரி உருப்படிகள் மற்றும் அவற்றின் அதிர்வெண்கள் ஒரு தரவு கட்டமைப்பில் சேமிக்கப்படுகின்றன, இது ஒரு ADtree ஐ ஆதரிக்கிறது, இது தேடலுக்கு பதிலளிப்பதற்காக சேர்க்கை-விலக்கு கொள்கையின் திறமையான செயல்படுத்தலை ஆதரிக்கிறது. இந்த இரண்டு ஐட்டெம்செட் அடிப்படையிலான மாதிரிகளை நாம் நேரடியாக ஒரிஜினல் தரவுகளை விசாரிப்பதற்கும், அசல் தரவுகளின் மாதிரிகளை விசாரிப்பதற்கும், அதே போல் மற்ற சாத்தியக்கூறு மாதிரிகள் போன்ற indep endence மாதிரி, Chow-Liu மரம் மாதிரி, மற்றும் Bernoulli கலவை மாதிரி ஆகியவற்றை நாம் அனுபவ ரீதியாக ஒப்பிடுகிறோம். இந்த மாதிரிகள் உயர் பரிமாணத்தை (நூற்றுக்கணக்கான அல்லது ஆயிரக்கணக்கான பண்புகளை) கையாள முடியும், அதேசமயம் இந்த தலைப்பில் மற்ற பெரும்பாலான பணிகள் ஒப்பீட்டளவில் குறைந்த பரிமாண OLAP சிக்கல்களில் கவனம் செலுத்தியுள்ளன. சிமுலேட்டட் மற்றும் ரியல்வொர்ல் டி பரிவர்த்தனை தரவுத் தொகுப்புகளில் சோதனை முடிவுகள் தோராயமான பிழை, மாதிரி சிக்கலான தன்மை மற்றும் ஒரு வினவல் பதிலைக் கணக்கிட தேவையான ஆன்லைன் நேரம் ஆகியவற்றுக்கு இடையே பல்வேறு அடிப்படை வர்த்தகங்களை விளக்குகின்றன. |
90522a98ccce3aa0ce20b4dfedb76518b886ed96 | இந்த கையெழுத்துப் பிரதியின் முந்தைய பதிப்பில் உதவி செய்ததற்காக ராபர்ட் ஸ்கிப்பர் மற்றும் ஆரோன் ஹைமனுக்கு சிறப்பு நன்றி. மேலும் ஷான் மெக்விட்டி, ராபின் பீட்டர்சன், சக் பிக்கெட், கெவின் ஷானஹான் மற்றும் வணிக ஆராய்ச்சி இதழின் ஆசிரியர்கள் மற்றும் விமர்சகர்களுக்கு நன்றி, அவர்களின் பயனுள்ள கருத்துக்களுக்கு. இந்த கையெழுத்துப் பிரதியின் முந்தைய பதிப்பு 2001 ஆம் ஆண்டு சந்தைப்படுத்தல் முன்னேற்றங்களுக்கான சங்க மாநாட்டில் வழங்கப்பட்ட சிறந்த காகிதத்திற்கான ஷா விருதை வென்றது. இந்த கையெழுத்துப் பிரதியின் சுருக்கமான பதிப்பு Journal of Business Research இல் வெளியிட ஏற்றுக்கொள்ளப்பட்டுள்ளது. |
2e0db4d4c8bdc7e11541b362cb9f8972f66563ab | |
05c025af60aeab10a3069256674325802c844212 | வீடியோக்கள் மற்றும் இயக்கப் படப்பிடிப்பில் மனித உடலின் போஸ் அடையாளம் காணவும், கணிக்கவும் என்கோடர்-ரிகர்ன்ட்-டெக்கோடர் (ERD) மாதிரியை நாங்கள் முன்மொழிகிறோம். ERD மாதிரி என்பது ஒரு தொடர்ச்சியான நரம்பியல் வலையமைப்பாகும், இது தொடர்ச்சியான அடுக்குகளுக்கு முன்னும் பின்னும் நேரியல் அல்லாத குறியாக்கி மற்றும் டிகோடர் நெட்வொர்க்குகளை உள்ளடக்கியது. நாம் இயக்க பிடிப்பு (mocap) தலைமுறை, உடல் போஸ் பெயரிடல் மற்றும் வீடியோக்களில் உடல் போஸ் முன்னறிவிப்பு பணிகளில் ERD கட்டமைப்புகள் எடுத்துக்காட்டுகளை சோதிக்க. எங்கள் மாதிரி பல பாடங்கள் மற்றும் செயல்பாட்டு களங்களில் மொக்கப் பயிற்சி தரவை கையாளுகிறது, மற்றும் நீண்ட காலத்திற்கு மிதப்பதைத் தவிர்த்து புதுமையான இயக்கங்களை ஒருங்கிணைக்கிறது. மனித உடலை அடையாளம் காண்பதற்காக, இடது-வலது உடல் பாகங்கள் குழப்பங்களைத் தீர்ப்பதன் மூலம், ஒரு பிரேம் உடல் பாகம் கண்டறிபவரை ஈஆர்டி சிறப்பாகச் செய்கிறது. வீடியோ போஸ் முன்னறிவிப்புக்கு, 400 மிமீ கால எல்லை முழுவதும் உடல் மூட்டு இடமாற்றங்களை ஈஆர்டி கணிக்கிறது மற்றும் ஒளியியல் ஓட்டத்தை அடிப்படையாகக் கொண்ட முதல் வரிசை இயக்க மாதிரியை விட சிறப்பாக செயல்படுகிறது. ERD கள் முன்னைய நீண்ட குறுகிய கால நினைவக (LSTM) மாதிரிகளை இலக்கியத்தில் விரிவுபடுத்துகின்றன, அவை பிரதிநிதித்துவங்களையும் அவற்றின் இயக்கவியலையும் ஒன்றாகக் கற்றுக்கொள்கின்றன. நமது பரிசோதனைகள், இந்த மாதிரி கற்றல், விண்வெளி-நேரத்தில் குறிப்பு மற்றும் கணிப்பு இரண்டிற்கும் முக்கியமானது என்பதைக் காட்டுகிறது. 1D உரை, பேச்சு அல்லது கையெழுத்து ஆகியவற்றுடன் ஒப்பிடும்போது இது இட-நேர காட்சித் துறையின் வேறுபடுத்தும் அம்சமாகும், அங்கு நேரடியான கடின குறியீட்டு பிரதிநிதித்துவங்கள் நேரடியாக மீண்டும் மீண்டும் அலகுகளுடன் இணைந்தால் சிறந்த முடிவுகளைக் காட்டியுள்ளன [31]. |
092b64ce89a7ec652da935758f5c6d59499cde6e | மனிதன்3.6M என்ற புதிய தரவுத்தொகுப்பை அறிமுகப்படுத்துகிறோம், இது 3.6 மில்லியன் துல்லியமான 3D மனித போஸ்களைக் கொண்டுள்ளது, இது 5 பெண் மற்றும் 6 ஆண் பாடங்களின் செயல்திறனை 4 வெவ்வேறு கண்ணோட்டங்களில் பதிவு செய்வதன் மூலம் பெறப்பட்டது, யதார்த்தமான மனித உணர்தல் அமைப்புகளை பயிற்றுவிப்பதற்கும் அடுத்த தலைமுறை மனித போஸ் மதிப்பீட்டு மாதிரிகள் மற்றும் வழிமுறைகளை மதிப்பீடு செய்வதற்கும். தற்போதைய தொழில்நுட்பத்தில் தரவுத்தொகுப்புகளின் அளவை பல மடங்கு அதிகரிப்பதைத் தவிர, மனிதனின் வழக்கமான செயல்களின் ஒரு பகுதியாக (புகைப்படங்கள் எடுப்பது, தொலைபேசியில் பேசுவது, போஸ் கொடுப்பது, வாழ்த்துவது, சாப்பிடுவது போன்றவை) காணப்படும் பல்வேறு இயக்கங்கள் மற்றும் போஸ்களுடன் தரவுத்தொகுப்புகளை பூர்த்தி செய்வதையும் நோக்கமாகக் கொண்டுள்ளோம். ), கூடுதல் ஒத்திசைக்கப்பட்ட படத்துடன், மனித இயக்க பிடிப்பு, மற்றும் விமான நேரம் (ஆழம்) தரவு, மற்றும் சம்பந்தப்பட்ட அனைத்து பொருள் நடிகர்களின் துல்லியமான 3D உடல் ஸ்கேன்கள். கட்டுப்படுத்தப்பட்ட கலப்பு யதார்த்த மதிப்பீட்டு காட்சிகளையும் நாங்கள் வழங்குகிறோம், அங்கு 3D மனித மாதிரிகள் இயக்கம் பிடிப்பு பயன்படுத்தி அனிமேஷன் செய்யப்பட்டு சரியான 3D வடிவியல் பயன்படுத்தி செருகப்படுகின்றன, சிக்கலான உண்மையான சூழல்களில், நகரும் கேமராக்களுடன் பார்க்கப்படுகிறது, மற்றும் மறைப்பு கீழ். இறுதியாக, பெரிய அளவிலான புள்ளிவிவர மாதிரிகள் மற்றும் தரவுத்தொகுப்பிற்கான விரிவான மதிப்பீட்டு அடிப்படைகளை அதன் பன்முகத்தன்மையை விளக்கும் மற்றும் ஆராய்ச்சி சமூகத்தில் எதிர்கால வேலைகளால் மேம்படுத்தும் நோக்கம் ஆகியவற்றை நாங்கள் வழங்குகிறோம். எங்கள் பரிசோதனைகள், இந்த பிரச்சனைக்கான மிகப்பெரிய பொது தரவு தொகுப்பு அளவிலான பயிற்சி தொகுப்புடன் ஒப்பிடும்போது, 20% செயல்திறன் மேம்பாட்டைப் பெற, நமது முழுமையான பயிற்சி தொகுப்பைப் பயன்படுத்தி, சிறந்த பெரிய அளவிலான மாதிரியை உருவாக்க முடியும் என்பதைக் காட்டுகின்றன. ஆனால், அதிக திறன் கொண்ட, சிக்கலான மாதிரிகளை நமது பெரிய தரவுத்தளத்துடன் பயன்படுத்தி மேம்படுத்தும் திறன் கணிசமாக விரிவானது, மேலும் இது எதிர்கால ஆராய்ச்சியை ஊக்குவிக்க வேண்டும். தரவுத்தொகுப்பு, அதனுடன் தொடர்புடைய பெரிய அளவிலான கற்றல் மாதிரிகள், அம்சங்கள், காட்சிப்படுத்தல் கருவிகள் மற்றும் மதிப்பீட்டு சேவையகம் ஆகியவற்றிற்கான குறியீட்டுடன் http://vision.imar.ro/human3.6m என்ற இணையதளத்தில் கிடைக்கிறது. |
ba4a037153bff392b1e56a4109de4b04521f17b2 | நெருக்கடி தகவல் அறிவியல், தொழில்நுட்பத்திற்கான சமூகத்தின் பரவலான அணுகல், வெகுஜன அவசர நிகழ்வுகளுக்கு எவ்வாறு பதிலளிக்கிறது என்பதை ஆராய்கிறது. இந்த மாற்றத்தை ஆய்வு செய்ய, ஆராய்ச்சியாளர்களுக்கு பெரிய அளவிலான தரவுகளை அணுகுவது தேவைப்படுகிறது, அவற்றின் அளவு மற்றும் மாறுபட்ட தன்மை காரணமாக சேகரித்து பகுப்பாய்வு செய்வது கடினம். இந்த கவலையை தீர்க்க, சமூக ஊடகத் தரவுகளை சேகரித்து பகுப்பாய்வு செய்வதில் ஆராய்ச்சியாளர்களுக்கு உதவும் ஒரு சூழலை - EPIC Analyze - வடிவமைத்து செயல்படுத்தியுள்ளோம். இந்த சேவைகள் நம்பகமானவை, அளவிடக்கூடியவை, விரிவாக்கக்கூடியவை, திறமையானவை என்பதை உறுதிப்படுத்த தேவையான NoSQL, MapReduce, கேச்சிங் மற்றும் தேடல் போன்ற கூறுகளின் வகைகளை எங்கள் ஆராய்ச்சி அடையாளம் கண்டுள்ளது. எபிக் அனலைஸ் கட்டமைக்கும்போது ஏற்படும் வடிவமைப்பு சவால்களை - தரவு மாடலிங், நேரத்திற்கு எதிராக இட வர்த்தகம் மற்றும் பயனுள்ள மற்றும் பயன்படுத்தக்கூடிய அமைப்பின் தேவை போன்றவற்றை விவரிக்கிறோம் மற்றும் அதன் அளவிடுதல், செயல்திறன் மற்றும் செயல்பாட்டைப் பற்றி விவாதிக்கிறோம். |
4416236e5ee4239e86e3cf3db6a2d1a2ff2ae720 | நவீன பகுப்பாய்வு பயன்பாடுகள் பல்வேறு நூலகங்கள் மற்றும் கட்டமைப்பிலிருந்து பல செயல்பாடுகளை இணைத்து, பெருகிய முறையில் சிக்கலான பணிப்பாய்வுகளை உருவாக்குகின்றன. ஒவ்வொரு செயல்பாடும் தனித்தனியாக உயர் செயல்திறனை அடைய முடியும் என்றாலும், செயல்பாடுகள் முழுவதும் பரந்த தரவு இயக்கத்தின் காரணமாக ஒருங்கிணைந்த பணிப்பாய்வு செயல்திறன் பெரும்பாலும் வன்பொருள் வரம்புகளுக்குக் கீழே ஒரு அளவுகோல் ஆகும். இந்த சிக்கலை தீர்க்க, Weld என்ற தரவு-தீவிர பயன்பாடுகளுக்கான ஒரு இயக்க நேரத்தை நாங்கள் முன்மொழிகிறோம், இது பிரிக்கப்பட்ட நூலகங்கள் மற்றும் செயல்பாடுகளில் உகந்ததாக இருக்கும். SQL, இயந்திர கற்றல் மற்றும் வரைபட பகுப்பாய்வு உள்ளிட்ட பல்வேறு தரவு இணை பணிச்சுமைகளின் கட்டமைப்பைப் பிடிக்க வெல்ட் ஒரு பொதுவான இடைநிலை பிரதிநிதித்துவத்தைப் பயன்படுத்துகிறது. பின்னர் இது முக்கிய தரவு இயக்க மேம்பாடுகளைச் செய்கிறது மற்றும் முழு பணிப்பாய்வுக்கும் திறமையான இணை குறியீட்டை உருவாக்குகிறது. Weld ஐ தற்போதைய கட்டமைப்புகள், அதாவது TensorFlow, Apache Spark, NumPy மற்றும் Pandas ஆகியவற்றில் அவற்றின் பயனர் முக APIகளை மாற்றாமல் படிப்படியாக ஒருங்கிணைக்க முடியும். இந்த கட்டமைப்புகள் மற்றும் அவற்றை இணைக்கும் பயன்பாடுகளை 30 மடங்கு வேகப்படுத்த முடியும் என்பதை Weld காட்டுகிறது. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.