_id
stringlengths 40
40
| text
stringlengths 0
10.7k
|
|---|---|
d1ee87290fa827f1217b8fa2bccb3485da1a300e | முன்னறிவிப்பாளர்களைப் பிணைத்தல் என்பது ஒரு முன்னறிவிப்பாளரின் பல பதிப்புகளை உருவாக்குவதற்கும் அவற்றை ஒரு கூட்டு முன்னறிவிப்பாளரைப் பெறுவதற்குப் பயன்படுத்துவதற்கும் ஒரு முறையாகும். ஒரு எண் முடிவைக் கணிக்கும் போது, ஒரு தொகுப்பு பதிப்புகளில் சராசரியாக உள்ளது மற்றும் ஒரு வகுப்பைக் கணிக்கும்போது ஒரு பன்முகத்தன்மை வாக்களிக்கிறது. கற்றல் தொகுப்பின் பூட்ஸ்ட்ராப் பிரதிகளை உருவாக்கி அவற்றை புதிய கற்றல் தொகுப்புகளாகப் பயன்படுத்துவதன் மூலம் பல பதிப்புகள் உருவாக்கப்படுகின்றன. வகைப்படுத்தல் மற்றும் பின்னடைவு மரங்கள் மற்றும் நேரியல் பின்னடைவில் துணைத் தேர்வு ஆகியவற்றைப் பயன்படுத்தி உண்மையான மற்றும் உருவகப்படுத்தப்பட்ட தரவுத் தொகுப்புகளில் சோதனைகள், பைகள் துல்லியத்தில் கணிசமான ஆதாயங்களைக் கொடுக்க முடியும் என்பதைக் காட்டுகின்றன. முக்கிய உறுப்பு கணிப்பு முறையின் நிலையற்ற தன்மை ஆகும். கற்றல் தொகுப்பை குழப்புவது கணிசமான மாற்றங்களை கட்டமைக்கப்பட்ட கணிசமான மாற்றங்களை ஏற்படுத்தினால், பைகள் துல்லியத்தை மேம்படுத்த முடியும். |
649197627a94fc003384fb743cfd78cdf12b3306 | |
0b440695c822a8e35184fb2f60dcdaa8a6de84ae | சமீபத்தில் அறிமுகமாகி வரும் RGB-D கேமராக்கள், கினெக்ட் சென்சார் போன்றவற்றின் வெற்றியைக் கொண்டு, 3-டி தரவு அடிப்படையிலான கணினி பயன்பாடுகளின் பரந்த வாய்ப்புகளை சித்தரிக்கிறது. இருப்பினும், தரமான சோதனை தரவுத்தளம் இல்லாததால், இந்த நவீன இமேஜிங் சென்சார் மூலம் முக அங்கீகார தொழில்நுட்பம் எவ்வாறு பயனடையலாம் என்பதை மதிப்பீடு செய்வது கடினம். கினெக்ட் மற்றும் முக அங்கீகார ஆராய்ச்சிக்கு இடையேயான தொடர்பை நிறுவுவதற்காக, இந்த ஆய்வில், கினெக்ட் சென்சார் அடிப்படையில் முதல் பொதுவில் கிடைக்கும் முக தரவுத்தளத்தை (அதாவது, கினெக்ட் ஃபேஸ் டிபி 1) முன்வைக்கிறோம். தரவுத்தளத்தில் பல்வேறு தரவு முறைகள் (நல்ல முறையில் சீரமைக்கப்பட்ட மற்றும் செயலாக்கப்பட்ட 2-டி, 2.5-டி, 3-டி மற்றும் வீடியோ அடிப்படையிலான முகத் தரவு) மற்றும் பல முக மாறுபாடுகள் உள்ளன. தரமான முக அங்கீகார முறைகளைப் பயன்படுத்தி முன்மொழியப்பட்ட தரவுத்தளத்தின் மீது நாங்கள் தரநிலை மதிப்பீடுகளை நடத்தினோம், மேலும் மதிப்பெண் அளவிலான இணைப்பு மூலம் RGB தரவுகளுடன் ஆழம் தரவை ஒருங்கிணைக்கும்போது செயல்திறன் அதிகரிப்பு நிரூபிக்கப்பட்டது. மேலும், முகப் புள்ளிவிவரத் தரவுத்தளத்தில், Kinect இன் 3D படங்களை (KinectFaceDB இலிருந்து) பாரம்பரிய உயர்தர 3D ஸ்கேன்களுடன் (FRGC தரவுத்தளத்திலிருந்து) ஒப்பிட்டோம். இது முக அங்கீகார ஆராய்ச்சிக்காக முன்மொழியப்பட்ட தரவுத்தளத்தின் கட்டாயத் தேவைகளை வெளிப்படுத்துகிறது. |
a85275f12472ecfbf4f4f00a61514b0773923b86 | வயர்லெஸ் தொழில்நுட்பம் மற்றும் அதனுடன் தொடர்புடைய உள்கட்டமைப்பு ஆகியவற்றில் ஏற்பட்ட முன்னேற்றங்கள், பயனரின் செயல்பாடுகளை கட்டுப்படுத்தாமல், எங்கும் நிகழ்நேர சுகாதார மற்றும் உடற்பயிற்சி கண்காணிப்புக்கு முன்னோடியில்லாத வாய்ப்பை வழங்குகின்றன. வயர்லெஸ் முறையில் இணைக்கப்பட்ட மினியேட்டரைஸ் சென்சார்கள் மற்றும் உடலில், உடலில் மற்றும் உடலைச் சுற்றி அமைக்கப்பட்ட செயலிகள் மருத்துவ, வாழ்க்கை முறை மற்றும் பொழுதுபோக்கு பயன்பாடுகளை ஆதரிப்பதற்காக தொடர்ச்சியான, தானியங்கி மற்றும் தடையற்ற உடல் அறிகுறிகளை கண்காணிப்பதற்கான உடல் பகுதி வலையமைப்பை உருவாக்குகின்றன. BAN தொழில்நுட்பம் வளர்ச்சியின் ஆரம்ப கட்டத்தில் உள்ளது, மேலும் இது பரவலாக ஏற்றுக்கொள்ளப்படுவதற்கு பல ஆராய்ச்சி சவால்களை சமாளிக்க வேண்டும். இந்த கட்டுரையில் நாம் பயன்பாடு, செயல்பாட்டு மற்றும் தொழில்நுட்ப தேவைகள் BAN இன் முக்கிய தொகுப்பை ஆய்வு செய்கிறோம். தரவு விகிதம், மின் நுகர்வு, மற்றும் பணி சுழற்சி ஆகியவற்றின் அடிப்படையில் அளவிடுதல், ஆண்டெனா வடிவமைப்பு, குறுக்கீடு குறைப்பு, இணைவாழ்வு, QoS, நம்பகத்தன்மை, பாதுகாப்பு, தனியுரிமை மற்றும் ஆற்றல் திறன் போன்ற அடிப்படை ஆராய்ச்சி சவால்களை நாங்கள் விவாதிக்கிறோம். வளர்ந்து வரும் BAN சந்தையை எதிர்கொள்ளத் தயாராக இருக்கும் பல வேட்பாளர் தொழில்நுட்பங்கள் மதிப்பீடு செய்யப்பட்டு, அவற்றின் நன்மைகள் மற்றும் குறைபாடுகள் முன்னிலைப்படுத்தப்படுகின்றன. BAN களுக்கு பொருத்தமான தரப்படுத்தல் நடவடிக்கைகள் பற்றிய சுருக்கமான கண்ணோட்டமும் வழங்கப்பட்டுள்ளது. |
f4abebef4e39791f358618294cd8d040d7024399 | இந்த அறிக்கை Fitbit Flex சுற்றுச்சூழல் அமைப்பின் பகுப்பாய்வை விவரிக்கிறது. (1) ஃபிட்பிட் அதன் பயனர்களிடமிருந்து சேகரிக்கும் தரவு, (2) ஃபிட்பிட் அதன் பயனர்களுக்கு வழங்கும் தரவு, மற்றும் (3) சாதன உரிமையாளர்களுக்கு கிடைக்காத தரவை மீட்டெடுப்பதற்கான முறைகள் ஆகியவற்றை விவரிப்பதே எங்கள் குறிக்கோள்கள். எங்கள் பகுப்பாய்வு நான்கு தனித்தனி தாக்குதல் திசையன்களை உள்ளடக்கியது. முதலில், ஃபிட்பிட் சாதனத்தின் பாதுகாப்பு மற்றும் தனியுரிமை பண்புகளை பகுப்பாய்வு செய்கிறோம். அடுத்து, ஒத்திசைவின் போது, புளூடூத் போக்குவரத்து ஃபிட்பிட் சாதனத்திற்கும் ஸ்மார்ட்போன் அல்லது தனிப்பட்ட கணினிக்கும் இடையில் அனுப்பப்படுவதைக் கவனிக்கிறோம். மூன்றாவதாக, நாம் Fitbit Android செயலியின் பாதுகாப்பை ஆய்வு செய்கிறோம். இறுதியாக, ஃபிட்பிட் ஸ்மார்ட்போன் அல்லது கணினி பயன்பாடு மற்றும் ஃபிட்பிட் வலை சேவைக்கு இடையிலான நெட்வொர்க் போக்குவரத்தின் பாதுகாப்பு பண்புகளை நாங்கள் ஆய்வு செய்கிறோம். சில சூழ்நிலைகளில், அருகிலுள்ள ஃப்ளெக்ஸ் சாதனங்கள் பற்றிய தகவல்களை ஃபிட்பிட் தேவையின்றி பெற்றுக் கொள்கிறது என்பதற்கான ஆதாரங்களை நாங்கள் வழங்குகிறோம். மேலும், Fitbit சாதன உரிமையாளர்களுக்கு சேகரிக்கப்பட்ட அனைத்து தரவுகளையும் வழங்கவில்லை என்பதை நாங்கள் காட்டுகிறோம். உண்மையில், நாம் ஒரு நிமிட செயல்பாட்டுத் தரவுகளை கண்டுபிடித்துள்ளோம் அது ஃபிட்பிட் இணைய சேவைக்கு அனுப்பப்படுகிறது ஆனால் உரிமையாளருக்கு வழங்கப்படவில்லை. ஃபிட்பிட் சாதனங்களில் MAC முகவரிகள் ஒருபோதும் மாற்றப்படாது என்பதையும் நாங்கள் கண்டறிந்தோம், பயனர் தொடர்பு தாக்குதல்களை இயக்குகிறது. BTLE அங்கீகாரங்களும் TLS வழியாக சாதன இணைப்புகளின் போது நெட்வொர்க்கில் வெளிப்படுகின்றன, அவை MITM தாக்குதல்களால் தடுத்து நிறுத்தப்படலாம். இறுதியாக, பயனர் செயல்பாட்டுத் தரவு உண்மையானது என்பதை நிரூபிக்கிறோம், மேலும் சாதனத்திலிருந்து ஃபிட்பிட் வலை சேவையிலிருந்து ஒரு முடிவுக்கு ஒரு முடிவுக்கு அடிப்படையில் தெளிவான உரையில் வழங்கப்படவில்லை. |
3007a8f5416404432166ff3f0158356624d282a1 | கூட்டுச்செயல்பாட்டு வடிகட்டுதல் போன்ற சிக்கலான இயந்திர கற்றல் (எம்எல்) வழிமுறைகளை செயல்படுத்துவதற்கு குறுகிய பாதையைக் கண்டுபிடிப்பதில் இருந்து பல பயன்பாடுகளுக்கு வரைபட சுருக்கம் அவசியம். தரவுகளின் அதிவேக வளர்ச்சி மற்றும் பெரிய அளவிலான வரைபட செயலாக்கத்தின் தேவை காரணமாக பல்வேறு பயன்பாடுகளுக்கான மூல தரவுகளிலிருந்து வரைபட கட்டுமானம் சவாலானதாகி வருகிறது. வரைபடக் கட்டுமானம் ஒரு தரவு-இணையான சிக்கல் என்பதால், MapReduce இந்த பணிக்காக மிகவும் பொருத்தமானது. கிராஃப் உருவாக்கம், அட்டவணைப்படுத்தல், மாற்றம், பிரித்தல், வெளியீட்டு வடிவமைத்தல், மற்றும் வரிசைப்படுத்தல் உள்ளிட்ட கிராஃப் கட்டுமானத்தின் சிக்கலான பலவற்றை அகற்ற, கிராஃப் பில்டரை, கிராஃப் பிரித்தெடுத்தல்-மாற்ற-ஏற்றுதல் (ETL) க்கான அளவிடக்கூடிய கட்டமைப்பை நாங்கள் உருவாக்கியுள்ளோம். GraphBuilder ஜாவாவில் எழுதப்பட்டுள்ளது, இது எளிதாக நிரலாக்கத்திற்காக, மற்றும் MapReduce மாதிரியைப் பயன்படுத்தி அளவிடப்படுகிறது. இந்த ஆய்வில், GraphBuilder, அதன் கட்டமைப்பு, MapReduce வழிமுறைகள், மற்றும் கட்டமைப்பின் செயல்திறன் மதிப்பீடு ஆகியவற்றிற்கான உந்துதலை நாங்கள் விவரிக்கிறோம். சேமிப்பு மற்றும் செயலாக்கத்திற்காக பெரிய வரைபடங்கள் ஒரு கிளஸ்டரில் பிரிக்கப்பட வேண்டும் என்பதால், மற்றும் பகிர்வு முறைகள் குறிப்பிடத்தக்க செயல்திறன் தாக்கங்களைக் கொண்டிருக்கின்றன, நாங்கள் பல வரைபட பகிர்வு முறைகளை உருவாக்கி அவற்றின் செயல்திறனை மதிப்பீடு செய்கிறோம். நாங்கள் கட்டமைப்பை https://01.org/graphbuilder/ என்ற தளத்திலும் திறந்த மூலமாக வெளியிடுகிறோம். |
2e526c2fac79c080b818b304485ddf84d09cf08b | கால தரவு சுரங்கமானது வரலாற்றுத் தரவுகளில் வடிவங்களைக் கண்டறிவதை நோக்கமாகக் கொண்டுள்ளது. எங்கள் பணி, ஹோஸ்ட் நெட்வொர்க்குகள் மீதான கணினி தாக்குதல்கள் அல்லது நிதி நிறுவனங்களில் மோசடி பரிவர்த்தனைகள் போன்ற இலக்கு நிகழ்வுகளின் நிகழ்வுகளை முன்னறிவிப்பதற்காக தரவுகளிலிருந்து கால வடிவங்களை பிரித்தெடுப்பதற்கான அணுகுமுறையை முன்மொழிகிறது. எமது பிரச்சனை வடிவமைப்பில் இரண்டு முக்கிய சவால்கள் உள்ளன: 1) நிகழ்வுகள் வகைப்படுத்தப்பட்ட அம்சங்களால் வகைப்படுத்தப்படுகின்றன என்றும் சமமற்ற இடை-அணுகல் நேரங்களைக் காட்டுகின்றன என்றும் கருதுகிறோம்; இதுபோன்ற ஒரு அனுமானம் பாரம்பரிய கால-தொடர் பகுப்பாய்வின் எல்லைக்கு வெளியே உள்ளது, 2) இலக்கு நிகழ்வுகள் மிகவும் அரிதானவை என்று கருதுகிறோம்; வகுப்பு-சமநிலையற்ற சிக்கலை கணிக்கும் நுட்பங்கள் கையாள வேண்டும். மேற்கண்ட சவால்களை எதிர்கொள்ளும் ஒரு திறமையான வழிமுறையை நாங்கள் முன்மொழிகிறோம், இது நிகழ்வு கணிப்பு சிக்கலை இலக்கு நிகழ்வுகளுக்கு முந்தைய அனைத்து அடிக்கடி நிகழ்வுகளின் தேடலாக மாற்றுவதன் மூலம். வர்க்க சமநிலையின்மை பிரச்சினை சிறுபான்மை வர்க்கத்தில் வடிவங்களைத் தேடுவதன் மூலம் சமாளிக்கப்படுகிறது; வடிவங்களின் பாகுபாடு சக்தி பின்னர் மற்ற வகுப்புகளுக்கு எதிராக சரிபார்க்கப்படுகிறது. பின்னர், வடிவங்கள் ஒரு விதி அடிப்படையிலான மாதிரியாக இணைக்கப்பட்டு, கணிப்பு செய்யப்படுகிறது. நமது பரிசோதனை பகுப்பாய்வு, இலக்கு நிகழ்வுகளை துல்லியமாகக் கணிக்கக்கூடிய நிகழ்வு வரிசைகளின் வகைகளை குறிப்பிடுகிறது. |
0a54d2f49bda694071bbf43d8e653f5adf85be19 | தரவுத் தணிக்கை முறைகள் தரவுத்தளங்களில் பதிவு செய்யப்பட்ட உண்மைகளிலிருந்து வடிவங்களைக் கண்டறிந்து பயனுள்ள தகவல்களைப் பிரித்தெடுப்பதை நோக்கமாகக் கொண்டுள்ளன. இந்த இலக்கை அடைவதற்கு பரவலாக ஏற்றுக்கொள்ளப்பட்ட அணுகுமுறை, கிடைக்கக்கூடிய தரவுகளின் விளக்க மாதிரிகளை கணக்கிட பல்வேறு இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்துவதாகும். இந்த ஆராய்ச்சிப் பகுதியில் உள்ள முக்கிய சவால்களில் ஒன்றை இங்கு ஆராய்வோம், பெரிய மற்றும் இயல்பாக விநியோகிக்கப்பட்ட தரவுத்தளங்களை அளவிடக்கூடிய நுட்பங்களை உருவாக்குதல். மெட்டா-லெர்னிங் என்பது மேட்டா-கிளாசிஃபையர்கள் எனப்படும் உயர் மட்ட வகைப்படுத்திகளை (அல்லது வகைப்படுத்தல் மாதிரிகள்) கணக்கிட முயலும் ஒரு நுட்பமாகும், இது பல்வேறு தரவுத்தளங்களில் தனித்தனியாக கணக்கிடப்பட்ட பல வகைப்படுத்திகளை சில அடிப்படை முறையில் ஒருங்கிணைக்கிறது. இந்த ஆய்வு மெட்டா-லேர்னிங்கை விவரிக்கிறது மற்றும் JAM அமைப்பை (மெட்டா-லேர்னிங்கிற்கான ஜாவா முகவர்கள்) வழங்குகிறது, இது பெரிய அளவிலான தரவு சுரங்க பயன்பாடுகளுக்கான முகவர் அடிப்படையிலான மெட்டா-லேர்னிங் அமைப்பாகும். குறிப்பாக, மையப்படுத்தப்பட்ட அல்லது ஹோஸ்ட் அடிப்படையிலான அமைப்புகளுடன் ஒப்பிடும்போது கூடுதல் சிக்கலான தன்மையிலிருந்து வெளிப்படும் விநியோகிக்கப்பட்ட தரவு சுரங்க அமைப்புகளுக்கான பல முக்கியமான தேவைகளை இது அடையாளம் கண்டு நிவர்த்தி செய்கிறது. விநியோகிக்கப்பட்ட அமைப்புகள் பலதரப்பட்ட தளங்களை கையாள வேண்டியிருக்கும், பல தரவுத்தளங்கள் மற்றும் (சாத்தியமான) வெவ்வேறு திட்டங்கள், தரவு தளங்களுக்கு இடையில் தொடர்பு கொள்ள அளவிடக்கூடிய மற்றும் பயனுள்ள நெறிமுறைகளை வடிவமைத்தல் மற்றும் செயல்படுத்துதல், மற்றும் பிற பியர் தரவு தளங்களிலிருந்து பெறப்பட்ட தகவல்களைத் தேர்ந்தெடுத்து திறம்பட பயன்படுத்துதல். மற்ற முக்கியமான பிரச்சினைகள், உள்நோக்கம் IBM உதவித்தொகை மூலம் ஒரு பகுதியாக ஆதரிக்கப்படுகிறது. தரவு சுரங்க முறைகள் புறக்கணிக்கப்படக் கூடாது, முதலாவதாக, மாதிரிகள் கணக்கிடப்பட்டபோது முன்னர் கிடைக்காத புதிதாக வாங்கப்பட்ட தகவல்களைப் பயன்படுத்தி, அவற்றை ஏற்கனவே உள்ள மாதிரிகளுடன் இணைக்கும் திறன், இரண்டாவதாக, புதிய இயந்திர கற்றல் முறைகள் மற்றும் தரவு சுரங்க தொழில்நுட்பங்களை இணைப்பதற்கான நெகிழ்வுத்தன்மை ஆகியவை அடங்கும். இந்த பிரச்சினைகளை நாம் ஜேஏஎம் சூழலில் ஆராய்ந்து விரிவான அனுபவ ஆய்வு மூலம் பல்வேறு முன்மொழியப்பட்ட தீர்வுகளை மதிப்பீடு செய்கிறோம் . |
b00672fc5ff99434bf5347418a2d2762a3bb2639 | உட்பொதிக்கப்பட்ட சாதனங்கள் எங்கும் நிறைந்துள்ளன, மேலும் அவை தனியுரிமை-உணர்திறன் மற்றும் பாதுகாப்பு-முக்கிய பயன்பாடுகளில் பயன்படுத்தப்படுகின்றன. இந்த சாதனங்களில் பெரும்பாலானவை தனியுரிம மென்பொருளை இயக்குகின்றன, மேலும் மென்பொருளின் உள் செயல்பாடுகள் பற்றி சிறிய ஆவணங்கள் கிடைக்கின்றன. சில சந்தர்ப்பங்களில், வன்பொருள் மற்றும் பாதுகாப்பு வழிமுறைகளின் விலை சாதனங்களை அணுகுவதை சாத்தியமற்றதாக ஆக்குகிறது. இத்தகைய சூழல்களில் இருக்கும் மென்பொருளை பகுப்பாய்வு செய்வது சவாலானது, ஆனால் மென்பொருள் பிழைகள் மற்றும் பாதிப்புகளுடன் தொடர்புடைய அபாயங்களைத் தவிர்க்க வேண்டும் என்றால் அவசியம். உண்மையில், சமீபத்திய ஆய்வுகள் சந்தையில் கிடைக்கும் பல உட்பொதிக்கப்பட்ட சாதனங்களில் பின் கதவுகள் இருப்பதை வெளிப்படுத்தியுள்ளன. இந்த ஆய்வில், உட்பொதிக்கப்பட்ட சாதனங்களில் இயங்கும் ஃபார்ம்வேர் பகுப்பாய்வை ஆதரிக்க பைனரி பகுப்பாய்வு கட்டமைப்பான ஃபார்மலிஸை நாங்கள் முன்வைக்கிறோம். Firmalice ஒரு குறியீட்டு மரணதண்டனை இயந்திரத்தின் மேல் கட்டமைக்கப்படுகிறது, மற்றும் அதன் அளவிடுதலை அதிகரிக்க நிரல் துண்டுகள் போன்ற நுட்பங்கள். மேலும், Firmalice ஒரு புதுமையான மாதிரி அங்கீகார பைபாஸ் குறைபாடுகளை பயன்படுத்துகிறது, இது சிறப்பு செயல்பாடுகளைச் செய்ய தேவையான உள்ளீடுகளைத் தீர்மானிக்கும் தாக்குபவரின் திறனை அடிப்படையாகக் கொண்டது. மூன்று வணிக ரீதியாக கிடைக்கக்கூடிய சாதனங்களின் ஃபார்ம்வேரில் ஃபார்மலைஸை மதிப்பீடு செய்தோம், அவற்றில் இரண்டில் அங்கீகார பைபாஸ் பின் கதவுகளை கண்டறிய முடிந்தது. கூடுதலாக, மூன்றாவது ஃபார்ம்வேர் மாதிரியில் உள்ள பின்வாங்கல் ஒரு சலுகை பெறாத அங்கீகாரங்களின் தொகுப்பை அறியாத ஒரு தாக்குபவர் பயன்படுத்த முடியாது என்பதை ஃபார்மிலிஸ் தீர்மானிக்க முடிந்தது. |
6949a33423051ce6fa5b08fb7d5f06ac9dcc721b | கொள்முதல் செயல்பாட்டில் மோசடி நடத்தை கண்டறிவதற்கு செயல்முறை சுரங்கத்தை பயன்படுத்துவதன் தத்துவார்த்த மற்றும் நடைமுறை மதிப்பு பற்றிய ஒரு வழக்கு ஆய்வு சுருக்கம் இந்த ஆய்வறிக்கை செயல்முறை சுரங்க மற்றும் மோசடி கண்டறிதல் மீது ஆறு மாத ஆராய்ச்சி காலத்தின் முடிவுகளை முன்வைக்கிறது. இந்த ஆய்வறிக்கை, மோசடிகளை கண்டறிவதில் செயல்முறை சுரங்கத்தை எவ்வாறு பயன்படுத்தலாம் மற்றும் மோசடிகளை கண்டறிவதில் செயல்முறை சுரங்கத்தைப் பயன்படுத்துவதன் நன்மைகள் என்ன என்ற ஆராய்ச்சி கேள்விக்கு பதிலளிப்பதை நோக்கமாகக் கொண்டிருந்தது. இலக்கியப் படிப்பின் அடிப்படையில், செயல்முறை சுரங்கத்தின் கோட்பாடு மற்றும் பயன்பாடு மற்றும் அதன் பல்வேறு அம்சங்கள் மற்றும் நுட்பங்கள் பற்றிய விவாதத்தை இது வழங்குகிறது. இலக்கிய ஆய்வு மற்றும் ஒரு துறை நிபுணருடன் நேர்காணல் ஆகிய இரண்டையும் பயன்படுத்தி, மோசடி மற்றும் மோசடி கண்டறிதல் பற்றிய கருத்துக்கள் விவாதிக்கப்படுகின்றன. இந்த முடிவுகள் செயல்முறை சுரங்க மற்றும் மோசடி கண்டறிதல் பயன்பாடு மீது ஏற்கனவே வழக்கு ஆய்வுகள் ஒரு பகுப்பாய்வு இணைந்து இரண்டு வழக்கு ஆய்வுகள் ஒரு ஆரம்ப அமைப்பை உருவாக்க, இதில் செயல்முறை சுரங்க கொள்முதல் செயல்பாட்டில் சாத்தியமான மோசடி நடத்தை கண்டறிய பயன்படுத்தப்படுகிறது. இந்த வழக்கு ஆய்வுகளின் அனுபவங்கள் மற்றும் முடிவுகளின் அடிப்படையில், 1+5+1 முறைமை, மோசடியைக் கண்டறிய முயற்சிக்கும்போது செயல்முறை சுரங்க நுட்பங்களை நடைமுறையில் எவ்வாறு பயன்படுத்தலாம் என்பதற்கான ஆலோசனையுடன் கொள்கைகளை செயல்படுத்துவதற்கான முதல் படியாக வழங்கப்படுகிறது. இந்த ஆய்வறிக்கை மூன்று முடிவுகளை முன்வைக்கிறது: (1) செயல்முறை சுரங்கமானது மோசடி கண்டறிதலில் ஒரு மதிப்புமிக்க கூடுதலாகும், (2) 1 + 5 + 1 கருவியைப் பயன்படுத்தி மோசடி நடத்தைக்கான குறிகாட்டிகளைக் கண்டறிய முடிந்தது (3) மோசடி கண்டறிதலுக்கான செயல்முறை சுரங்கத்தின் நடைமுறை பயன்பாடு தற்போதைய கருவிகளின் மோசமான செயல்திறனால் குறைகிறது. செயல்திறன் சிக்கல்களால் பாதிக்கப்படாத நுட்பங்கள் மற்றும் கருவிகள் வழக்கமான தரவு பகுப்பாய்வு நுட்பங்களுக்கு மாற்றாக இருப்பதை விட கூடுதலாக உள்ளன, செயல்முறை மற்றும் சாத்தியமான மோசடி நடத்தை குறித்த புதிய, விரைவான அல்லது எளிதில் பெறக்கூடிய நுண்ணறிவுகளை வழங்குவதன் மூலம். iii ஒக்காமின் ரேசர்: "எந்தவொரு விஷயத்தையும் விளக்க வேண்டிய தேவைகளைத் தவிர, தேவையானதை விட அதிகமாக ஒருவர் அதிகரிக்கக்கூடாது" iv உள்ளடக்கம் |
8aef832372c6e3e83f10532f94f18bd26324d4fd | தற்போதுள்ள அறிவு அடிப்படையிலான கேள்வி பதில் முறைகள் பெரும்பாலும் சிறிய அளவிலான பயிற்சி தரவுகளை அடிப்படையாகக் கொண்டவை. உறவு பிரித்தெடுத்தல் போன்ற ஆழமற்ற முறைகள் தரவு பற்றாக்குறைக்கு வலுவானவை என்றாலும், அவை சொற்பொருள் பகுப்பாய்வு போன்ற ஆழமான அர்த்த பிரதிநிதித்துவ முறைகளை விட குறைவான வெளிப்பாடாக இருக்கின்றன, இதனால் பல கட்டுப்பாடுகள் சம்பந்தப்பட்ட கேள்விகளுக்கு பதிலளிக்கத் தவறிவிடுகின்றன. விக்கிபீடியாவில் இருந்து கூடுதல் ஆதாரங்களுடன் ஒரு உறவு பிரித்தெடுக்கும் முறையை அதிகரிப்பதன் மூலம் இந்த சிக்கலை நாங்கள் குறைக்கிறோம். முதலில் Freebase இலிருந்து வேட்பாளர் பதில்களைப் பெற ஒரு நரம்பியல் நெட்வொர்க் அடிப்படையிலான உறவு பிரித்தெடுத்தலை முன்வைக்கிறோம், பின்னர் இந்த பதில்களை சரிபார்க்க விக்கிபீடியா மீது ஊகிக்கவும். WebQuestions கேள்வி பதில் தரவுத் தொகுப்பில் மேற்கொள்ளப்பட்ட பரிசோதனைகள், நமது முறை 53.3% F1 ஐ அடைகிறது என்பதைக் காட்டுகிறது, இது மிகவும் மேம்பட்ட முறையை விட கணிசமான முன்னேற்றமாகும். |
16edc3faf625fd437aaca1527e8821d979354fba | நல்வாழ்வு என்பது ஒரு சிக்கலான கட்டமைப்பாகும், இது உகந்த அனுபவம் மற்றும் செயல்பாட்டைப் பற்றியது. நல்வாழ்வு பற்றிய தற்போதைய ஆராய்ச்சி இரண்டு பொதுவான கண்ணோட்டங்களிலிருந்து பெறப்பட்டுள்ளதுஃ இன்ப அணுகுமுறை, இது மகிழ்ச்சியை மையமாகக் கொண்டுள்ளது மற்றும் இன்பத்தை அடைதல் மற்றும் வலியைத் தவிர்ப்பது ஆகியவற்றின் அடிப்படையில் நல்வாழ்வை வரையறுக்கிறது; மற்றும் யூடெமோனிக் அணுகுமுறை, இது அர்த்தம் மற்றும் சுய-உணர்தல் ஆகியவற்றில் கவனம் செலுத்துகிறது மற்றும் ஒரு நபர் முழுமையாக செயல்படும் அளவின் அடிப்படையில் நல்வாழ்வை வரையறுக்கிறது. இந்த இரண்டு கருத்துக்களும் பல்வேறு ஆராய்ச்சி மையங்களையும், சில துறைகளில் வேறுபட்டதாகவும், மற்றவற்றில் ஒருவருக்கொருவர் பூர்த்தி செய்யும் விதத்திலும் உள்ள அறிவை உருவாக்கியுள்ளன. பல நிலை மாதிரிகள் மற்றும் கட்டுமான ஒப்பீடுகள் தொடர்பான புதிய முறைகள் ஆராய்ச்சியாளர்கள் இந்த துறையில் புதிய கேள்விகளை உருவாக்க அனுமதிக்கின்றன. இந்த ஆய்வு, நல்வாழ்வின் தன்மை, அதன் முன்னோடிகள், மற்றும் காலத்திலும் கலாச்சாரத்திலும் அதன் ஸ்திரத்தன்மை ஆகிய இரண்டையும் பற்றிய இரு கண்ணோட்டங்களிலிருந்தும் ஆராய்ச்சியைக் கருதுகிறது. |
ac8c2e1fa35e797824958ced835257cd49e1be9c | தகவல் தொழில்நுட்பம் மற்றும் நிறுவனக் கற்றல் குறித்த வளர்ந்து வரும் ஆராய்ச்சி இலக்கியங்களை இந்த ஆவணம் மதிப்பாய்வு செய்து மதிப்பீடு செய்கிறது. அர்த்தம் மற்றும் அளவீட்டு பிரச்சினைகள் பற்றி விவாதித்தபின், இரண்டு முக்கிய ஆராய்ச்சி ஓட்டங்களை நாங்கள் அடையாளம் கண்டு மதிப்பீடு செய்கிறோம்: நிறுவனங்களில் தகவல் தொழில்நுட்பத்தை செயல்படுத்துவதற்கும் பயன்படுத்துவதற்கும் நிறுவன கற்றல் கருத்துக்களைப் பயன்படுத்தும் ஆய்வுகள்; மற்றும் நிறுவன கற்றலை ஆதரிக்க தகவல் தொழில்நுட்ப பயன்பாடுகளின் வடிவமைப்பைப் பற்றிய ஆய்வுகள். முன்னைய ஆராய்ச்சிகளின் படி, அனுபவம் ஒரு முக்கியமான, ஆனால் உறுதியற்ற பங்கை செயல்படுத்தல் வெற்றியில் வகிக்கிறது; கற்றல் முறையான பயிற்சி மற்றும் நடைமுறையில் பங்கேற்பு ஆகிய இரண்டின் மூலமும் நிறைவேற்றப்படுகிறது; நிறுவன அறிவுத் தடைகளை மற்ற நிறுவனங்களிடமிருந்து கற்றல் மூலம் சமாளிக்க முடியும்; மற்றும் புதிய தொழில்நுட்பங்களைக் கற்றுக்கொள்வது என்பது ஒரு மாறும் செயல்முறையாகும். இரண்டாவது நீரோட்டத்திலிருந்து, நிறுவன நினைவக தகவல் அமைப்புகளுக்கான கருத்தியல் வடிவமைப்புகள் கலைப்பொருள் மேம்பாட்டுக்கு ஒரு மதிப்புமிக்க பங்களிப்பாகும் என்று நாங்கள் முடிக்கிறோம்; தகவல் தொடர்பு மற்றும் உரையாடலை ஆதரிக்கும் அமைப்புகளின் மூலம் கற்றல் மேம்படுத்தப்படுகிறது; மற்றும் தகவல் தொழில்நுட்பங்கள் நிறுவன கற்றலை இயக்குவதற்கும் முடக்குவதற்கும் ஆற்றல் கொண்டவை. தற்போது, இந்த இரண்டு நீரோடைகளும் ஒருவருக்கொருவர் சுயாதீனமாக ஓடுகின்றன, அவற்றின் நெருங்கிய கருத்தியல் மற்றும் நடைமுறை இணைப்புகள் இருந்தபோதிலும். தகவல் தொழில்நுட்பம் மற்றும் நிறுவனக் கற்றல் பற்றிய எதிர்கால ஆராய்ச்சிகள் ஒருங்கிணைந்த முறையில் முன்னெடுக்கப்பட வேண்டும், நிறுவனக் கற்றலின் சூழ்நிலை இயல்பை அங்கீகரிக்க வேண்டும், விநியோகிக்கப்பட்ட நிறுவன நினைவகத்தில் கவனம் செலுத்த வேண்டும், நடைமுறையில் கலைப்பொருட்களின் செயல்திறனை நிரூபிக்க வேண்டும், மற்றும் தொடர்புடைய துறைகளில் பொருத்தமான ஆராய்ச்சி கண்டுபிடிப்புகளைத் தேட வேண்டும். |
654d129eafc136bf5fccbc54e6c8078e87989ea8 | இந்த நூலில், 77-GHz அதிர்வெண் மாற்றியமைக்கப்பட்ட தொடர்ச்சியான அலை ரேடார் அமைப்பு வழங்கப்பட்டுள்ளது. குறுகிய தூர அதிர்வெண்-பிரிவு பல அணுகல் (FDMA) பல உள்ளீடு பல வெளியீடு (MIMO) மற்றும் அதே ஆண்டெனாக்களுடன் நீண்ட தூர அனுப்பும் கட்டம்-அரையுடன் (PA) ரேடார் அமைப்பை ஒரே நேரத்தில் உணர நான்கு டிரான்ஸ்ஸீவர் சில்லுகள் பயன்படுத்தப்படுகின்றன. இது FDMA MIMO ரேடர்களின் உயர் கோணத் தீர்மானத்தையும் PA ஒலிபரப்பு அன்னல்களின் உயர்-கூட்டக்கூடிய மற்றும் இயங்கக்கூடிய பீம்ஸையும் இணைக்கிறது. நான்கு ஆண்டெனாக்கள் கொண்ட நேரியல் ஆண்டெனா வரிசைக்கு இந்த கருத்தை பயன்படுத்துவதன் சாத்தியமான நன்மைகள் மற்றும் பெறுதல் பாதையில் டிஜிட்டல் பீம்ஃபார்மிங் முறைகள் ஆகியவற்றைக் காண்பிக்க பல அளவீடுகள் மேற்கொள்ளப்பட்டன. |
60611349d1b6d64488a5a88a9193e62d9db27b71 | தற்போதுள்ள சோர்வு கண்டறிதல் மற்றும் முன்னறிவிப்பு தொழில்நுட்பங்களை இந்த அறிக்கை ஆய்வு செய்கிறது. பல்வேறு தொழில்நுட்பங்கள் பற்றிய தகவல்கள் உலகெங்கிலும் உள்ள பல்வேறு ஆதாரங்களில் இருந்து சேகரிக்கப்பட்டன. இந்த அறிக்கையின் முதல் பாதியில் தொழில்நுட்பங்களின் ஆராய்ச்சி மற்றும் மேம்பாட்டின் தற்போதைய நிலை மற்றும் உணர்திறன், நம்பகத்தன்மை, செல்லுபடியாகும் மற்றும் ஏற்றுக்கொள்ளக்கூடிய முக்கிய பிரச்சினைகள் தொடர்பாக தொழில்நுட்பங்களின் நிலை ஆகியவை சுருக்கமாகக் கூறப்பட்டுள்ளன. இரண்டாம் பாதியில் போக்குவரத்தில் தொழில்நுட்பங்களின் பங்கு மதிப்பீடு செய்யப்பட்டு, தொழில்நுட்பங்கள் மற்ற அமலாக்க மற்றும் ஒழுங்குமுறை கட்டமைப்புகள், குறிப்பாக ஆஸ்திரேலியா மற்றும் நியூசிலாந்தில் உள்ள இடத்தைப் பற்றி கருத்து தெரிவிக்கப்படுகிறது. வன்பொருள் தொழில்நுட்பங்கள் ஒருபோதும் நிறுவனத்தின் சோர்வு மேலாண்மை அமைப்பாக பயன்படுத்தப்படக்கூடாது என்று அறிக்கையின் ஆசிரியர்கள் முடிவு செய்கிறார்கள். வன்பொருள் தொழில்நுட்பங்கள் கடைசிக் கட்ட பாதுகாப்பு சாதனமாக மட்டுமே இருக்க முடியும். ஆயினும், ஹார்ட்வேர் தொழில்நுட்பங்களின் வெளியீடு நிறுவனத்தின் சோர்வு மேலாண்மை அமைப்புகளில் பயனுள்ளதாக ஊட்டச்சத்துக்களை வழங்குவதன் மூலம் உண்மையான நேர ஆபத்து மதிப்பீட்டை வழங்க முடியும். எனினும், ஒரு மேலாண்மை அமைப்பில் உள்ள ஒரே உள்ளீடு வன்பொருள் தொழில்நுட்ப வெளியீடு மட்டுமே இருக்கக்கூடாது. மற்ற உள்ளீடுகள் குறைந்தபட்சம் சரிபார்க்கப்பட்ட மென்பொருள் தொழில்நுட்பங்கள், பணிக்கான தகுதி மற்றும் வேலை சுமை, அட்டவணைகள் மற்றும் பட்டியல்களின் பிற ஆபத்து மதிப்பீடுகளின் பரஸ்பர மதிப்பீடு ஆகியவற்றிலிருந்து வர வேண்டும். நோக்கம்: கனரக வாகன ஓட்டுநர்களிடம் சோர்வு ஏற்படுவதைக் கட்டுப்படுத்துவதில் சோர்வு கண்டறிதல் மற்றும் முன்னறிவிப்பு தொழில்நுட்பங்களின் இடத்தைப் பற்றிய புரிதலை வழங்குதல். |
d26c517baa9d6acbb826611400019297df2476a9 | |
0ee1916a0cb2dc7d3add086b5f1092c3d4beb38a | பாஸ்கல் விஷுவல் ஆப்ஜெக்ட் கிளாஸ் (VOC) சவால் என்பது காட்சி பொருள் வகை அங்கீகாரம் மற்றும் கண்டறிதலில் ஒரு தரநிலையாகும், இது பார்வை மற்றும் இயந்திர கற்றல் சமூகங்களுக்கு தரமான தரவுத்தொகுப்பு மற்றும் தரமான மதிப்பீட்டு நடைமுறைகளை வழங்குகிறது. 2005 முதல் தற்போது வரை ஆண்டுதோறும் நடத்தப்பட்டு வரும் இந்த சவாலும் அதனுடன் தொடர்புடைய தரவுத் தொகுப்பும், பொருள் கண்டறிதலுக்கான தரவரிசையாக ஏற்றுக்கொள்ளப்பட்டு வருகிறது. தரவுத்தொகுப்பு மற்றும் மதிப்பீட்டு நடைமுறை ஆகியவற்றை இந்த ஆவணம் விவரிக்கிறது. வகைப்படுத்தல் மற்றும் கண்டறிதல் ஆகிய இரண்டிற்கும் மதிப்பீடு செய்யப்பட்ட முறைகளில் உள்ள அதிநவீன நிலையை நாங்கள் மதிப்பாய்வு செய்கிறோம், முறைகள் புள்ளிவிவர ரீதியாக வேறுபடுகிறதா என்பதை பகுப்பாய்வு செய்கிறோம், படங்களிலிருந்து அவர்கள் என்ன கற்றுக்கொள்கிறார்கள் (எ. கா. பொருள் அல்லது அதன் சூழல்), மற்றும் என்ன முறைகள் எளிதாக அல்லது குழப்பமான கண்டுபிடிக்க. இந்த ஆவணம், மூன்று ஆண்டு கால சவாலின் வரலாற்றில் கற்றுக்கொண்ட பாடங்களுடன் முடிவடைகிறது, மேலும் எதிர்கால மேம்பாடு மற்றும் விரிவாக்கத்திற்கான திசைகளை முன்மொழிகிறது. |
981fef7155742608b8b6673f4a9566158b76cd67 | |
a6eb10b1d30b4547b04870a82ec0c65baf2198f8 | |
40e06608324781f6de425617a870a103d4233d5c | பின்னர், KM இயந்திரங்களை செயல்படுத்த, தொடர்ச்சியான கண்டுபிடிப்பு செயல்முறைக்கு மூன்று அறிவு சொத்துக்கள், மெட்டா-மாடல் மற்றும் மேக்ரோ செயல்முறைகளை ஒருங்கிணைப்பதன் மூலம் ஒரு படிநிலை மாதிரி கட்டமைக்கப்படுகிறது. இந்த மாதிரி அறிவுக்கும் புதுமைக்கும் இடையிலான சிக்கலான உறவுகளை நான்கு அடுக்குகளாக உடைக்கிறது. நடைமுறை விளைவுகள் - முந்தைய ஆராய்ச்சியில் KM நடைமுறைகள் பற்றி கற்றுக்கொண்ட படிப்பினைகளின்படி, புதுமைக்கான KM திட்டங்களை வெற்றிகரமாக செயல்படுத்துவதற்கு KM இன் மூன்று கண்ணோட்டங்கள் ஒருவருக்கொருவர் ஒத்துழைக்க வேண்டும்; மற்றும் படிநிலை மாதிரி புதுமைக்கான KM அமைப்புகளை செயல்படுத்த பொருத்தமான கட்டமைப்பை வழங்குகிறது. அசல் தன்மை/மதிப்பு - அறிவாற்றல் மேலாண்மைக்கான மெட்டா-மாடல் மற்றும் மேக்ரோ செயல்முறை, அடுத்த தலைமுறை அறிவாற்றல் மேலாண்மை எவ்வாறு மதிப்பு உருவாக்கம் மற்றும் தொடர்ச்சியான கண்டுபிடிப்புகளை ஆதரிக்க முடியும் என்பதை விளக்குகிறது. தொடர்ச்சியான கண்டுபிடிப்புகளின் செயல்பாட்டில் சிக்கலான அறிவு இயக்கவியல் என்பதை இந்த வரிசைமுறை மாதிரி விளக்குகிறது. நோக்கம் இந்த ஆராய்ச்சியின் நோக்கம், புதுமைக்கான அறிவு மேலாண்மை (KM) வழிமுறைகளை புரிந்துகொள்வதோடு, தொடர்ச்சியான புதுமைகளில் KM நடவடிக்கைகளை நிறுவனங்கள் மேம்படுத்துவதற்கான அணுகுமுறையை வழங்குவதாகும். வடிவமைப்பு/முறைமுறை/வழிமுறை - பல துறைகளிலிருந்து இலக்கியங்களை ஆய்வு செய்வதன் மூலம், அறிவு, KM மற்றும் கண்டுபிடிப்பு ஆகிய கருத்துக்கள் ஆராயப்படுகின்றன. அறிவைப் பயன்படுத்துதல் மற்றும் அறிவைப் பயன்படுத்துதல் ஆகிய இரண்டு முக்கிய செயல்பாடுகளை அடையாளம் காட்டி அறிவைப் பயன்படுத்துவதற்கான இயற்பியல், மனித மற்றும் தொழில்நுட்ப கண்ணோட்டங்கள் வேறுபடுகின்றன. தொடர்ச்சியான கண்டுபிடிப்புக்கான ஒரு அத்தியாவசிய தேவை - ஒரு உள்மயமாக்கல் கட்டம் வரையறுக்கப்பட்டுள்ளது. புதுமைக்கான அறிவுசார் மேலாண்மை முறைகள் பற்றிய விரிவான புரிதலை வழங்குவதற்காக, கணினி சிந்தனை மற்றும் மனித மையப்படுத்தப்பட்ட கண்ணோட்டங்கள் பின்பற்றப்படுகின்றன. கண்டுபிடிப்புகள் - உள்மயமாக்கல் கட்டத்தை இணைப்பதன் மூலம் தொடர்ச்சியான கண்டுபிடிப்புகளின் ஒரு நெட்வொர்க்கிங் செயல்முறை KM அடிப்படையில் முன்மொழியப்பட்டுள்ளது. KM இன் மூன்று முன்னோக்குகளின்படி, புதுமைகளில் நிறுவன அறிவு சொத்துக்களின் மூன்று ஆதாரங்கள் அடையாளம் காணப்படுகின்றன. பின்னர், தொடர்ச்சியான கண்டுபிடிப்புகளுக்கான அறிவாற்றல் மேலாண்மை முறைகளை வடிவமைக்க, புதுமைகளின் இரண்டு முக்கிய செயல்பாடுகளின் அடிப்படையில், அறிவாற்றல் மேலாண்மைக்கான ஒரு மெட்டா-மாடல் மற்றும் ஒரு மேக்ரோ செயல்முறை முன்மொழியப்படுகிறது. |
1dba1fa6dd287fde87823218d4f03559dde4e15b | START தகவல் அணுகல் அமைப்பில் கேள்வி பதில் அளிப்பதை எளிதாக்குவதற்கு இயற்கை மொழி குறிப்புகளைப் பயன்படுத்துவதில் இருந்து கற்றுக்கொண்ட உத்திகள் மற்றும் பாடங்களை இந்த ஆவணம் முன்வைக்கிறது. |
77fbbb9ff612c48dad8313087b0e6ed03c31812a | திரவ படிக பாலிமர் (LCP) என்பது ஒரு உயர் செயல்திறன் கொண்ட நுண்ணலை அடி மூலக்கூறு மற்றும் பேக்கேஜிங் பொருளாக கவனத்தை ஈர்த்த ஒரு பொருள் ஆகும். இந்த விசாரணை மில்லிமீட்டர் அலை அதிர்வெண்களுக்கான எல்சிபி மின்சார பண்புகளை தீர்மானிக்க பல முறைகளைப் பயன்படுத்துகிறது. 30 GHzக்கு மேல் உள்ள LCP-ன் மின்கடத்தா வளைய ஒலிபெருக்கிகள் மற்றும் குழி ஒலிபெருக்கிகள், டைலெக்ட்ரிக் மாறிலி (/spl epsi//sub r/) மற்றும் இழப்பு தொடுநிலை (tan/spl delta/) ஆகியவற்றை வகைப்படுத்தும் பொருட்டு அளவிடப்படுகின்றன. அளவிடப்பட்ட மின்கடத்தா மாறிலி 3.16 அருகில் நிலையானதாகக் காட்டப்படுகிறது, மேலும் இழப்பு தொடுவானம் 0.0049 க்குக் கீழே உள்ளது. கூடுதலாக, பல்வேறு டிரான்ஸ்மிஷன் கோடுகள் வெவ்வேறு எல்சிபி அடி மூலக்கூறு தடிமன் மீது தயாரிக்கப்படுகின்றன மற்றும் இழப்பு பண்புகள் 2 முதல் 110 கிகஹெர்ட்ஸ் வரை ஒரு சென்டிமீட்டருக்கு டெசிபல்ஸில் கொடுக்கப்படுகின்றன. 110 GHz இல் பரிமாற்றக் கோடுகளின் உச்ச இழப்புகள் 0.88-2.55 dB/cm க்கு இடையில் மாறுபடும், இது கோடு வகை மற்றும் வடிவியல் ஆகியவற்றைப் பொறுத்தது. இந்த முடிவுகள் முதல் முறையாக, மில்லிமீட்டர் அலை அதிர்வெண்களைக் கொண்ட பயன்பாடுகளுக்கு எல்சிபி சிறந்த மின்கடத்தா பண்புகளைக் கொண்டுள்ளது என்பதைக் காட்டுகிறது. |
cb84ef73db0a259b07289590f0dfcb9b8b9bbe79 | இந்த ஆவணம் ஒரு கலப்பின ரேடியோ அதிர்வெண் (RF) மற்றும் பைசோ எலக்ட்ரிக் மெல்லிய படல் பாலிவினைலீடீன் ஃப்ளோரைடு (PVDF) அதிர்வு ஆற்றல் அறுவடை செய்பவரை அணியக்கூடிய சாதனங்களுக்காக விவரிக்கிறது. ஒட்டுமொத்த கொள்ளளவு மற்றும் தனித்த தூண்டல்களின் தடை பண்புகளை பயன்படுத்தி, முன்மொழியப்பட்ட அறுவடை 15 ஹெர்ட்ஸ் அதிர்வு ஆற்றலை சுத்தம் செய்வது மட்டுமல்லாமல் 915 மெகா ஹெர்ட்ஸ் நெகிழ்வான வெள்ளி-இங்க் RF டைபோல் ஆண்டெனாவாகவும் செயல்படுகிறது. கூடுதலாக, ஒரு 6 நிலை டிக்சன் RF-to-DC மாற்றி மற்றும் ஒரு டையோடு பாலம் நேர்மாற்றி ஆகியவை அடங்கிய ஒரு இடைமுக சுற்று, ஹைபிரிட் ஹார்வெஸ்டரின் RF மற்றும் அதிர்வு வெளியீடுகளை எதிர்ப்பு சுமைகளுக்கு DC சிக்னல்களாக மாற்றுவதற்கு மதிப்பீடு செய்யப்படுகிறது. ரேடியோ அலைக்கற்றை மாற்றி மற்றும் -8 dBm உள்ளீட்டு ரேடியோ அலைக்கற்றை சக்தியைப் பயன்படுத்தும் போது, அதிகபட்ச DC வெளியீட்டு சக்தி 20.9 μ, திறந்த சுற்று வெளியீட்டு மின்னழுத்தத்தின் 36% இல் அடையப்படுகிறது, அதே நேரத்தில் 3 g அதிர்வு உற்சாகத்திலிருந்து அறுவடை செய்யப்பட்ட DC சக்தி அதிகபட்சம் 2.8 μW ஐ அடைகிறது 51% திறந்த சுற்று மின்னழுத்தம். பரிசோதிக்கப்பட்ட கலப்பின அறுவடை முறைமை, அறுவடை இயந்திரத்திலிருந்து 3 W EIRP 915 MHz ஒலிபரப்பாளருக்கு 5.5 m தூரத்தில் இருக்கும்போது, ஒரே நேரத்தில் 7.3 μW DC சக்தியை உருவாக்குகிறது, மேலும் 1.8 g அதிர்வு துரிதப்படுத்தல் உச்சத்திலிருந்து 1.8 μW DC சக்தியை உருவாக்குகிறது என்பதை சோதனை முடிவுகள் காட்டுகின்றன. |
d8e8bdd687dd588b71d92ff8f6018a1084f85437 | மனிதர்கள் இணையத்தை பயன்படுத்துவதைப் போலவே, சாதனங்களும் இணையத்தின் முக்கிய பயனர்களாக இருக்கும். எனவே, சாதனம் முதல் சாதனம் (D2D) தொடர்பு என்பது IoT இன் ஒரு உள்பட்ட பகுதியாக இருக்கும் என்று எதிர்பார்க்கப்படுகிறது. எந்தவொரு மையப்படுத்தப்பட்ட கட்டுப்பாடும் இல்லாமல், சாதனங்கள் தன்னாட்சி முறையில் ஒருவருக்கொருவர் தொடர்புகொள்வதோடு, பல ஹாப் முறையில் தகவல்களை சேகரிக்க, பகிர்ந்து கொள்ள மற்றும் அனுப்ப ஒத்துழைக்கும். IoT இன் மதிப்பை அதிகரிக்க, உண்மையான நேரத்தில் பொருத்தமான தகவல்களை சேகரிக்கும் திறன் முக்கியமானது, ஏனெனில் இதுபோன்ற தகவல்கள் புலனாய்வுகளாக மாற்றப்படும், இது ஒரு புத்திசாலித்தனமான சூழலை உருவாக்குவதை எளிதாக்கும். இறுதியில், சேகரிக்கப்பட்ட தகவலின் தரம், சாதனங்கள் எவ்வளவு புத்திசாலித்தனமாக இருக்கின்றன என்பதைப் பொறுத்தது. கூடுதலாக, இந்த தொடர்பு சாதனங்கள் வெவ்வேறு நெட்வொர்க்கிங் தரங்களுடன் செயல்படும், ஒருவருக்கொருவர் இடைவெளியில் இணைப்பு அனுபவிக்கலாம், மேலும் அவற்றில் பல வள வரையறுக்கப்பட்டதாக இருக்கும். இந்த பண்புகள் பாரம்பரிய திசைமாற்ற நெறிமுறைகளால் தீர்க்க முடியாத பல நெட்வொர்க்கிங் சவால்களைத் திறக்கின்றன. எனவே, சாதனங்களுக்கு புத்திசாலித்தனமான D2D தகவல்தொடர்புகளை அடைய புத்திசாலித்தனமான திசைமாற்ற நெறிமுறைகள் தேவைப்படும். IoT சூழலியலில் புத்திசாலித்தனமான D2D தகவல்தொடர்பு எவ்வாறு அடையப்படலாம் என்பதற்கான ஒரு கண்ணோட்டத்தை நாங்கள் முன்வைக்கிறோம். குறிப்பாக, IoT-ல் புத்திசாலித்தனமான D2D தகவல்தொடர்புகளை எவ்வாறு அடைய முடியும் என்பதை நாங்கள் கவனம் செலுத்துகிறோம். |
5e6035535d6d258a29598faf409b57a71ec28f21 | |
766c251bd7686dd707acd500e80d7184929035c6 | டிராஃபிக் லைட் கண்டறிதல் (TLD) என்பது அறிவார்ந்த வாகனங்கள் மற்றும் ஓட்டுநர் உதவி அமைப்புகளில் (DAS) ஒரு முக்கிய பகுதியாகும். பெரும்பாலான TLD களுக்கு பொதுவானது என்னவென்றால், அவை சிறிய மற்றும் தனியார் தரவுத்தொகுப்புகளில் மதிப்பீடு செய்யப்படுகின்றன, இது ஒரு குறிப்பிட்ட முறையின் சரியான செயல்திறனை தீர்மானிப்பதை கடினமாக்குகிறது. இந்த ஆய்வில், விவா சவாலில் கிடைக்கும் பொது LISA போக்குவரத்து விளக்கு தரவுத்தளத்தில் நீங்கள் ஒரு முறை மட்டுமே பார்க்கிறீர்கள் (YOLO) என்ற அதிநவீன, நிகழ்நேர பொருள் கண்டறிதல் முறையைப் பயன்படுத்துகிறோம், இதில் அதிக எண்ணிக்கையிலான விளக்கப்படங்கள் உள்ளன, மாறுபட்ட ஒளி மற்றும் வானிலை நிலைமைகளில் கைப்பற்றப்படுகின்றன. ACF கண்டறிதல் கருவியின் அதே பயிற்சி அமைப்பைப் பயன்படுத்தி, YOLO கண்டறிதல் கருவி 58.3% AUC ஐ அடைகிறது, இது 18.13% அதிகரிப்பு ஆகும். |
136b9952f29632ab3fa2bbf43fed277204e13cb5 | காட்சி வகைப்படுத்தல் என்பது கணினி பார்வைக்கு அடிப்படை பிரச்சினையாகும். இருப்பினும், காட்சி புரிதல் ஆராய்ச்சி தற்போது பயன்படுத்தப்படும் தரவுத்தளங்களின் வரையறுக்கப்பட்ட நோக்கத்தால் கட்டுப்படுத்தப்பட்டுள்ளது, அவை காட்சி வகைகளின் முழுமையான பல்வேறு வகைகளையும் கைப்பற்றவில்லை. பொருளின் வகைப்படுத்தலுக்கான நிலையான தரவுத்தளங்கள் நூற்றுக்கணக்கான வெவ்வேறு வகை பொருள்களைக் கொண்டிருக்கும்போது, காட்சி வகைகளின் மிகப்பெரிய தரவுத்தொகுப்பில் 15 வகுப்புகள் மட்டுமே உள்ளன. இந்த ஆய்வில், 899 வகைகள் மற்றும் 130,519 படங்களைக் கொண்ட பரந்த காட்சி UNderstanding (SUN) தரவுத்தளத்தை நாங்கள் முன்மொழிகிறோம். 397 வகைகளை பயன்படுத்தி, பல அதிநவீன அல்காரிதம்களை மதிப்பீடு செய்து, புதிய செயல்திறன் வரம்புகளை உருவாக்குகிறோம். நாம் மனித காட்சி வகைப்படுத்தல் செயல்திறனை அளவிடுகிறோம் சூரியன் தரவுத்தளத்தில் மற்றும் கணக்கீட்டு முறைகளுடன் இதை ஒப்பிடுங்கள். கூடுதலாக, நாம் ஒரு நுண்-கருவளவு காட்சி பிரதிநிதித்துவத்தை ஆய்வு செய்கிறோம் பெரிய காட்சிகளுக்குள் பதிக்கப்பட்ட காட்சிகளை கண்டறிய. |
eb06182a2817d06e82612a0c32a6c843f01c6a03 | இந்த ஆவணம் ஒரு மேஜையை அடிப்படையாகக் கொண்ட ஒரு இயற்கை மொழி வாக்கியத்தை உருவாக்க Table2Seq என்ற நரம்பியல் உருவாக்கும் மாதிரியை முன்மொழிகிறது. குறிப்பாக, இந்த மாதிரி தொடர்ச்சியான திசையன்களுக்கு ஒரு அட்டவணையை வரைபடமாக்குகிறது, பின்னர் ஒரு அட்டவணையின் சொற்பொருள்களைப் பயன்படுத்தி ஒரு இயற்கை மொழி வாக்கியத்தை உருவாக்குகிறது. அரிய சொற்கள், எ. கா. , நிறுவனங்கள் மற்றும் மதிப்புகள், பொதுவாக ஒரு அட்டவணையில் தோன்றும் என்பதால், அட்டவணையில் இருந்து உள்ளடக்கத்தை வெளியீட்டு வரிசையில் தேர்ந்தெடுக்கப்பட்ட முறையில் பிரதிபலிக்கும் ஒரு நெகிழ்வான நகல் பொறிமுறையை நாங்கள் உருவாக்குகிறோம். Table2Seq மாதிரி மற்றும் வடிவமைக்கப்பட்ட நகல் பொறிமுறையின் பயனை நிரூபிக்க விரிவான பரிசோதனைகளை மேற்கொள்கிறோம். WIKIBIO மற்றும் SIMPLEQUESTIONS தரவுத்தொகுப்புகளில், Table2Seq மாதிரி BLEU-4 மதிப்பெண்களின் அடிப்படையில் முறையே 34.70 முதல் 40.26 வரை மற்றும் 33.32 முதல் 39.12 வரை மேம்பட்ட முடிவுகளை மேம்படுத்துகிறது. மேலும், 4962 அட்டவணைகளுக்கு 13 318 விவரிப்பு வாக்கியங்களை உள்ளடக்கிய ஒரு திறந்த டொமைன் தரவுத்தொகுப்பு WIKITABLETEXT ஐ நாங்கள் உருவாக்குகிறோம். எங்கள் Table2Seq மாதிரி 38.23 என்ற BLEU-4 மதிப்பெண்ணை அடைகிறது, இது WIKITABLETEXT டெம்ப்ளேட் அடிப்படையிலான மற்றும் மொழி மாதிரி அடிப்படையிலான அணுகுமுறைகளை விட சிறப்பாக செயல்படுகிறது. மேலும், ஒரு தேடுபொறியிலிருந்து 1 M அட்டவணை-கேவல் ஜோடிகள் மீது சோதனைகள் மூலம், ஒரு அட்டவணையின் கட்டமைக்கப்பட்ட பகுதியை கருத்தில் கொள்ளும் எங்கள் Table2Seq மாதிரி, அதாவது, அட்டவணை பண்புகள் மற்றும் அட்டவணை செல்கள், கூடுதல் தகவலாக, ஒரு அட்டவணையின் வரிசை-க்கு-வரிசை மாதிரியை விட சிறப்பாக செயல்படுகிறது, இது ஒரு அட்டவணையின் வரிசை பகுதியை மட்டுமே கருத்தில் கொண்டு, அதாவது, அட்டவணை தலைப்பு. |
ea951c82efe26424e3ce0d167e01f59e5135a2da | வயதானவர்கள் மற்றும் பார்கின்சன் நோயால் பாதிக்கப்பட்டவர்களின் இயக்கம் குறித்து மதிப்பீடு செய்யப்படும் மருத்துவ பரிசோதனையாகும். சமீபத்தில் கருவிகள் மூலம் இயக்கத்தை மதிப்பீடு செய்யும் சோதனைகள் பரிசீலிக்கப்படுகின்றன. பரவலான தன்மை, பயன்பாட்டு எளிமை, மற்றும் செலவு ஆகியவற்றை மேம்படுத்த, ஸ்மார்ட்போனின் முடுக்கம் அளவீட்டு முறையாக கருதுகிறோம். சோதனையின் போது பதிவு செய்யப்பட்ட சமிக்ஞைகளிலிருந்து பல அளவுருக்களை (பொதுவாக மிகவும் தொடர்புடையவை) கணக்கிட முடியும். அதிகப்படியானவற்றை தவிர்ப்பதற்கும், இயந்திர செயல்திறனுக்கு மிகவும் உணர்திறன் கொண்ட அம்சங்களைப் பெறுவதற்கும், பிரதான கூறு பகுப்பாய்வு (பி.சி.ஏ) மூலம் பரிமாணக் குறைப்பு செய்யப்பட்டது. பல்வேறு வயதினராக இருந்த 49 ஆரோக்கியமான நபர்கள் சோதனைக்கு உட்படுத்தப்பட்டனர். PCA ஆனது புதிய அம்சங்களை (முக்கிய கூறுகள்) பிரித்தெடுப்பதற்காக மேற்கொள்ளப்பட்டது, அவை அசல் அளவுருக்களின் தேவையற்ற சேர்க்கைகள் அல்ல, மேலும் தரவு மாறுபாட்டின் பெரும்பகுதியை கணக்கில் எடுத்துக்கொள்கின்றன. ஆய்வறிக்கைகள் ஆய்வு மற்றும் விலகிய நிலைகளை கண்டறிவதற்கு பயனுள்ளதாக இருக்கும். பின்னர், முதன்மை கூறுகளுடன் தொடர்பு பகுப்பாய்வு மூலம் அசல் அளவுருக்களின் குறைக்கப்பட்ட தொகுப்பு தேர்ந்தெடுக்கப்பட்டது. ஆரோக்கியமான பெரியவர்களிடம் நடத்தப்படும் ஆய்வுகளுக்கு இந்த தொகுப்பு பரிந்துரைக்கப்படலாம். முன்மொழியப்பட்ட நடைமுறை வகைப்படுத்தல் ஆய்வுகளில் முதல் நிலை அம்சத் தேர்வாகப் பயன்படுத்தப்படலாம் (அதாவது. எதிர்காலத்தில், ஒரு ஸ்மார்ட்போனில் இயக்க பகுப்பாய்வுக்கான முழுமையான அமைப்பை இணைக்க அனுமதிக்கும். |
e467278d981ba30ab3b24235d09205e2aaba3d6f | இந்த ஆய்வின் நோக்கம், ஊழியர்களின் நல்வாழ்வுக்கும், செயலற்ற தலைமைத்துவத்திற்கும் உள்ள எதிர்மறை உறவை விளக்கும் ஒரு தொடர்ச்சியான மத்தியஸ்த மாதிரியை உருவாக்கி சோதிப்பதாகும். பாத்திர அழுத்தக் கோட்பாட்டின் அடிப்படையில், செயலற்ற தலைமை அதிக அளவு பாத்திர தெளிவின்மை, பாத்திர மோதல் மற்றும் பாத்திர அதிக சுமை ஆகியவற்றை முன்னறிவிக்கும் என்று நாங்கள் கருதுகிறோம். வளங்களை பாதுகாக்கும் கோட்பாட்டைக் கொண்டு, இந்த பாத்திர அழுத்தங்கள் மறைமுகமாகவும் எதிர்மறையாகவும் ஊழியர்களின் நல்வாழ்வின் இரண்டு அம்சங்களை பாதிக்கும் என்று நாங்கள் மேலும் கருதுகிறோம், அதாவது ஒட்டுமொத்த மன ஆரோக்கியம் மற்றும் ஒட்டுமொத்த வேலை அணுகுமுறை, உளவியல் பணி சோர்வு மூலம். 2467 அமெரிக்க தொழிலாளர்களின் சாத்தியமான மாதிரி பயன்படுத்தி, கட்டமைப்பு சமன்பாடு மாடலிங் பங்கு அழுத்தங்கள் மற்றும் உளவியல் வேலை சோர்வு பகுதிநேர தலைமை மற்றும் ஊழியர் நல்வாழ்வின் இரு அம்சங்களுக்கும் இடையிலான எதிர்மறை உறவை பாதிக்கிறது என்பதைக் காண்பிப்பதன் மூலம் மாதிரியை ஆதரித்தது. இந்த கருதுகோள்கள், செயலற்ற தலைமைத்துவத்திற்கும் மனநலத்திற்கும் இடையிலான ஒட்டுமொத்த உறவின் 47.9% மற்றும் செயலற்ற தலைமைத்துவத்திற்கும் ஒட்டுமொத்த வேலை அணுகுமுறைக்கும் இடையிலான ஒட்டுமொத்த உறவின் 26.6% விளக்கத்தை அளித்தன. பதிப்புரிமை © 2016 ஜான் வில்லி & சன்ஸ், லிமிடெட். |
9a86ae8e9b946dc6d957357e0670f262fa1ead9d | கட்டுரை வரலாறு: பெறப்பட்டது 22 ஆகஸ்ட் 2007 ஏற்றுக்கொள்ளப்பட்டது 29 பிப்ரவரி 2008 ஆன்லைனில் கிடைக்கிறது xxxx |
f8acaabc99801a89baa5a9eff445fc5922498dd0 | ஆழமான களத் தழுவல் முறைகள் கள-பழுதடை இல்லாத உட்பொதிப்புகளைக் கற்றுக்கொள்வதன் மூலம் விநியோக முரண்பாட்டைக் குறைக்கலாம். இருப்பினும், இந்த முறைகள் முழு தரவு விநியோகங்களையும் சீரமைப்பதில் மட்டுமே கவனம் செலுத்துகின்றன, மூல மற்றும் இலக்கு படங்களுக்கு இடையிலான வகுப்பு நிலை உறவுகளை கருத்தில் கொள்ளாமல். எனவே, ஒரு பறவையின் இலக்கு உட்பொதிப்புகள் ஒரு விமானத்தின் மூல உட்பொதிப்புகளுடன் சீரமைக்கப்படலாம். இந்த அர்த்தமற்ற தவறான சீரமைப்பு இலக்கு தரவுத்தொகுப்பில் வகைப்படுத்தி செயல்திறனை நேரடியாகக் குறைக்கலாம். இந்த சிக்கலைத் தீர்க்க, மேற்பார்வை செய்யப்படாத களத் தழுவல் (SCA) முறையை முன்வைக்கிறோம். உட்பொதிக்கும் இடத்தில் விநியோகங்களை சீரமைக்கும்போது, மூல மற்றும் இலக்கு படங்களுக்கு இடையில் வர்க்க அளவிலான உறவுகளை பராமரிக்க ஒற்றுமையைப் பாதுகாக்கும் கட்டுப்பாட்டை SCA அமல்படுத்துகிறது, அதாவது, ஒரு மூல படமும் இலக்கு படமும் ஒரே வர்க்க லேபிளின் இருந்தால், அவற்றின் தொடர்புடைய உட்பொதிப்புகள் அருகிலுள்ளதாகவும், அதற்கு நேர்மாறாகவும் சீரமைக்கப்பட வேண்டும். இலக்கு லேபிள்கள் இல்லாத நிலையில், இலக்கு படங்களுக்கு போலி லேபிள்களை ஒதுக்குகிறோம். லேபிளிடப்பட்ட மூல படங்கள் மற்றும் போலி லேபிளிடப்பட்ட இலக்கு படங்களைக் கருத்தில் கொண்டு, முப்பரிமாண இழப்பைக் குறைப்பதன் மூலம் ஒற்றுமையைப் பாதுகாக்கும் கட்டுப்பாட்டை செயல்படுத்த முடியும். கள சீரமைப்பு இழப்பு மற்றும் ஒற்றுமையைப் பாதுகாக்கும் கட்டுப்பாடு ஆகியவற்றின் கூட்டு மேற்பார்வையுடன், இரண்டு முக்கியமான பண்புகளுடன் கள-பயன் மாறாத உட்பொதிப்புகளைப் பெற ஒரு வலையமைப்பை நாங்கள் பயிற்றுவிக்கிறோம், வகுப்புக்குள் உள்ள சிறிய தன்மை மற்றும் வகுப்புக்குள் பிரிக்கக்கூடிய தன்மை. இரண்டு தரவுத் தொகுப்புகளில் மேற்கொள்ளப்பட்ட விரிவான பரிசோதனைகள் SCA இன் செயல்திறனை நன்கு நிரூபிக்கின்றன. |
a3c3c084d4c30cf40e134314a5dcaf66b4019171 | |
21aebb53a45ccac7f6763d9c47477092599f6be1 | |
12e1923fb86ed06c702878bbed51b4ded2b16be1 | இந்த கட்டுரையில், மனித சைகை அங்கீகார அமைப்பின் வடிவமைப்பைக் கருத்தில் கொள்கிறோம். இது ஒரு சிறிய ஸ்மார்ட் ரேடார் சென்சார் மூலம் கையொப்பங்களின் வடிவமைப்பை அங்கீகரிப்பதை அடிப்படையாகக் கொண்டது. AAA பேட்டரிகள் மூலம் இயங்கும் இந்த ஸ்மார்ட் ரேடார் சென்சார் 2.4 GHz தொழில்துறை, அறிவியல் மற்றும் மருத்துவ (ISM) அலைவரிசையில் செயல்படுகிறது. இரண்டு வெவ்வேறு சைகைகளின் ரேடார் சிக்னல்களிலிருந்து பிரித்தெடுக்கப்பட்ட முக்கிய கூறுகள் மற்றும் பயன்பாட்டு-குறிப்பிட்ட நேரம் மற்றும் அதிர்வெண் டொமைன் அம்சங்களைப் பயன்படுத்தி அம்ச இடத்தை நாங்கள் பகுப்பாய்வு செய்தோம். அருகிலுள்ள அண்டை அடிப்படையிலான வகைப்படுத்தி, ஒழுங்கு மாற்றங்கள் மூலம் பிரித்தெடுக்கப்பட்ட அம்சங்களுடன் ஒப்பிடும்போது, அளவு வேறுபாடுகள் மற்றும் டாப்லர் மாற்றங்களின் அடிப்படையில் அம்சங்கள் பிரித்தெடுக்கப்படும்போது, 10 மடங்கு குறுக்கு சரிபார்ப்பைப் பயன்படுத்தி பல வகுப்பு வகைப்படுத்தலுக்கான 95% துல்லியத்தை விட அதிகமாக அடைய முடியும் என்பதை நாங்கள் விளக்குகிறோம். அறிக்கையிடப்பட்ட முடிவுகள், உயர் துல்லியமான ஸ்மார்ட் ஹோம் மற்றும் சுகாதார கண்காணிப்பு நோக்கங்களுக்காக ஒரு வடிவ அங்கீகார அமைப்புடன் ஒருங்கிணைக்கப்பட்ட புத்திசாலித்தனமான ரேடர்களின் திறனை விளக்குகின்றன. |
25b87d1d17adabe2923da63e0b93fb7d2bac73f7 | நெட்வொர்க்குகள் மற்றும் அவற்றின் வளங்களுக்கு எதிரான தாக்குதல்களின் தொடர்ச்சியான அதிகரிப்பு (சமீபத்தில் CodeRed புழு காட்டியது போல) இந்த மதிப்புமிக்க சொத்துக்களை பாதுகாக்க வேண்டிய அவசியத்தை ஏற்படுத்துகிறது. உள்நுழைவு முயற்சிகளை தடுக்க ஃபயர்வால்கள் இப்போது ஒரு பொதுவான நிறுவல். ஊடுருவலை கண்டறிதல் அமைப்புகள் (IDS), தீங்கிழைக்கும் செயல்களைத் தடுப்பதற்குப் பதிலாக கண்டறிய முயற்சிக்கும், முதல் பாதுகாப்பு சுற்றளவு ஊடுருவப்பட்டவுடன் கூடுதல் பாதுகாப்பை வழங்குகின்றன. அடையாள அமைப்புகள் சேகரிக்கப்பட்ட தரவை தீங்கிழைக்கும் (கையொப்பம் அடிப்படையிலான) அல்லது சட்டப்பூர்வ நடத்தை மாதிரியுடன் (அனோமலி அடிப்படையிலான) முன்னரே வரையறுக்கப்பட்ட கையொப்பங்களுடன் ஒப்பிடுவதன் மூலம் தாக்குதல்களைத் தடுக்க முயற்சிக்கின்றன. அனோமலி அடிப்படையிலான அமைப்புகள் முன்னர் அறியப்படாத தாக்குதல்களைக் கண்டறிய முடியும் என்ற நன்மையைக் கொண்டுள்ளன, ஆனால் அவை ஏற்றுக்கொள்ளக்கூடிய நடத்தை மற்றும் அசாதாரண ஆனால் அங்கீகரிக்கப்பட்ட நடவடிக்கைகளால் ஏற்படும் அதிக எண்ணிக்கையிலான அலாரங்களைக் கொண்ட ஒரு திடமான மாதிரியை உருவாக்குவதில் சிரமப்படுகின்றன. பாதுகாக்கப்பட வேண்டிய நெட்வொர்க் சேவைகள் குறித்த பயன்பாட்டு குறிப்பிட்ட அறிவைப் பயன்படுத்தும் ஒரு அணுகுமுறையை நாங்கள் முன்வைக்கிறோம். இந்தத் தகவல், தற்போதைய, எளிய நெட்வொர்க் ட்ராஃபிக் மாதிரிகளை, ஒற்றை நெட்வொர்க் பாக்கெட்டுகளில் மறைத்து வைக்கப்பட்டுள்ள தீங்கிழைக்கும் உள்ளடக்கத்தைக் கண்டறிய அனுமதிக்கும் ஒரு பயன்பாட்டு மாதிரியை உருவாக்க உதவுகிறது. நாங்கள் முன்மொழிந்த மாதிரியின் அம்சங்களை விவரித்து, எங்கள் அமைப்புகளின் செயல்திறனை வலியுறுத்தும் பரிசோதனைத் தரவுகளை முன்வைக்கிறோம். |
10338babf0119e3dba196aef44fa717a1d9a06df | |
36e41cdfddd190d7861b91b04a515967fd1541d9 | பெறப்பட்டதுஃ 20 ஜூலை 2012 திருத்தப்பட்டதுஃ 18 பிப்ரவரி 2013 2 வது திருத்தம்ஃ 28 ஜூன் 2013 3 வது திருத்தம்ஃ 20 செப்டம்பர் 2013 4 வது திருத்தம்ஃ 7 நவம்பர் 2013 ஏற்றுக்கொள்ளப்பட்டதுஃ 1 பிப்ரவரி 2014 சுருக்கம் சமூக வலைப்பின்னல் தளங்களில் (SNS) உட்பொதிக்கப்பட்ட செய்திகள் மற்றும் சமூக உறவுகளின் எண்ணிக்கை அதிகரிக்கும் போது, தனிநபர்களிடமிருந்து எதிர்வினை கோரும் சமூக தகவல்களின் அளவும் அதிகரிக்கிறது. இதன் விளைவாக, சமூக ஊடக பயனர்கள் மற்ற சமூக ஊடக பயனர்களுக்கு அதிகமான சமூக ஆதரவை வழங்குவதாக உணர்கிறார்கள். சமூக ஆதரவு கோட்பாட்டை (SST) அடிப்படையாகக் கொண்டு, சமூக ஊடகப் பயன்பாட்டுடன் இந்த எதிர்மறை தொடர்புகளை "சமூக அதிக சுமை" என்று அழைக்கிறோம், அதை அளவிட ஒரு மறைந்த மாறி உருவாக்கப்படுகிறது. சமூக அதிக சுமைக்கு முன் இருந்த கோட்பாட்டு முன்னோடிகளையும் அதன் விளைவுகளையும் அடையாளம் கண்டு, 12 பேரிடம் நேர்காணல் செய்தும் 571 பேரிடம் பேஸ்புக் கணக்கெடுப்பு நடத்தியும் சமூக அதிக சுமை மாதிரிகளை அனுபவ ரீதியாக மதிப்பீடு செய்தோம். இந்த முடிவுகள், பயன்பாட்டின் அளவு, நண்பர்களின் எண்ணிக்கை, சமூக ஆதரவு விதிமுறைகள், மற்றும் உறவு வகை (ஆன்லைன்-மட்டுமே மற்றும் ஆஃப்லைன் நண்பர்கள்) ஆகியவை சமூக சுமைக்கு நேரடியாக பங்களிக்கும் காரணிகள், அதே நேரத்தில் வயது என்பது மறைமுக விளைவை மட்டுமே ஏற்படுத்துகிறது என்பதைக் காட்டுகிறது. சமூக சுமைகளின் உளவியல் மற்றும் நடத்தை விளைவுகளில் SNS பயனர்களால் சோர்வு உணர்வுகள், குறைந்த அளவிலான பயனர் திருப்தி மற்றும் SNS ஐ குறைக்க அல்லது நிறுத்த அதிக எண்ணம் ஆகியவை அடங்கும். SST மற்றும் SNS ஏற்றுக்கொள்ளும் ஆராய்ச்சிக்கான விளைவாகக் கொண்ட தத்துவார்த்த தாக்கங்கள் விவாதிக்கப்படுகின்றன மற்றும் நிறுவனங்கள், SNS வழங்குநர்கள் மற்றும் SNS பயனர்களுக்கான நடைமுறை தாக்கங்கள் வரையப்படுகின்றன. ஐரோப்பிய தகவல் அமைப்புகள் பத்திரிகை முன்னோடி ஆன்லைன் வெளியீடு, 4 மார்ச் 2014; doi:10.1057/ejis.2014.3; சரிசெய்யப்பட்டது ஆன்லைன் 11 மார்ச் 2014 |
ffcb7146dce1aebf47a910b51a873cfec897d602 | ஸ்கேன் மற்றும் பிரிவு ஸ்கேன் என்பது பரந்த அளவிலான பயன்பாடுகளுக்கு முக்கியமான தரவு-இணைந்த பூர்வநிலைகள் ஆகும். கிராபிக்ஸ் செயலாக்க அலகுகளில் (GPU) இந்த பழமையானவர்களுக்கு வேகமான, வேலை திறன் கொண்ட வழிமுறைகளை நாங்கள் முன்வைக்கிறோம். GPU கட்டமைப்பிற்கு பொருந்தக்கூடிய புதிய தரவு பிரதிநிதித்துவங்களை நாங்கள் பயன்படுத்துகிறோம். நம்முடைய அல்காரிதம்கள் பகிர்ந்த நினைவகத்தை பயன்படுத்தி நினைவக செயல்திறனை மேம்படுத்துகின்றன. பகிர்வு நினைவக வங்கி மோதல்களை நீக்குவதன் மூலமும், பகிர்வு நினைவக GPU வழிமுறைகளில் உள்ள மேலதிக செலவுகளை குறைப்பதன் மூலமும் எங்கள் வழிமுறைகளின் செயல்திறனை மேலும் மேம்படுத்துகிறோம். மேலும், எங்கள் வழிமுறைகள் பொதுவான தரவுத் தொகுப்புகளில் சிறப்பாக வேலை செய்ய வடிவமைக்கப்பட்டுள்ளன, இதில் தன்னிச்சையான பிரிவு நீளங்களுடன் பிரித்தெடுக்கப்பட்ட வரிசைகள் அடங்கும். பிரிவு நீளங்களின் அடிப்படையில் பிரிவு ஸ்கேன் செயல்திறனை மேம்படுத்தும் உகப்பாக்கங்களையும் நாங்கள் முன்வைக்கிறோம். எமது வழிமுறைகளை NVIDIA GeForce 8800 GPU கொண்ட PC யில் செயல்படுத்தி, எமது முடிவுகளை முந்தைய GPU அடிப்படையிலான வழிமுறைகளுடன் ஒப்பிட்டுப் பார்த்தோம். நமது முடிவுகள், மில்லியன் கணக்கான உறுப்புகளைக் கொண்ட உள்ளீட்டு வரிசைகளில் முந்தைய வழிமுறைகளை விட 10 மடங்கு அதிக செயல்திறனைக் குறிக்கின்றன. |
6a640438a4e50fa31943462eeca716413891a773 | இரண்டு முந்தைய முறைகளின் பலங்களை இணைத்து ஒரு புதிய தரவரிசை வழிமுறையை நாங்கள் முன்வைக்கிறோம்: அதிகரித்த மர வகைப்பாடு, மற்றும் லாம்ப்டாஆர்க், இது பரவலாகப் பயன்படுத்தப்படும் தகவல் மீட்பு அளவீட்டுக்கு அனுபவ ரீதியாக உகந்ததாக நிரூபிக்கப்பட்டுள்ளது. இந்த வழிமுறை அதிகரித்த பின்னடைவு மரங்களை அடிப்படையாகக் கொண்டது, இருப்பினும் இந்த யோசனைகள் எந்தவொரு பலவீனமான கற்றவர்களுக்கும் பொருந்தும், மேலும் இது ஒப்பிடக்கூடிய திறனுக்காக, கலை நிலைக்கு ஒப்பிடும்போது பயிற்சி மற்றும் சோதனை கட்டங்களில் கணிசமாக வேகமாக உள்ளது. எந்த இரண்டு ரேங்கர்களுக்கும் உகந்த நேரியல் கலவையை எவ்வாறு கண்டுபிடிப்பது என்பதையும் காண்பிக்கிறோம், மேலும் இந்த முறையைப் பயன்படுத்தி து து ரிங் அதிகரிப்புடன் நேரியல் தேடல் சிக்கலை தீர்க்கிறோம். கூடுதலாக, நாம் ஒரு முன்னர் பயிற்சி மாதிரி தொடங்கி, மற்றும் அதன் எச்ச பயன்படுத்தி அதிகரிக்கும், மாதிரி தழுவல் ஒரு பயனுள்ள நுட்பம் வழங்குகிறது என்று காட்ட, நாம் ஒரு பெரிய சந்தையில் இருந்து மிகவும் தரவு தரவரிசை ஒரு தரவரிசை பயிற்சி கொடுக்கப்பட்ட வழங்கப்படும், மட்டுமே சிறிய அளவுகள் அல்லது பெயரிடப்பட்ட தரவு கிடைக்கின்றன சந்தைகளில் வலை தேடல் பயிற்சி தரவரிசை ஒரு குறிப்பாக அழுத்தமான பிரச்சனை முடிவுகளை கொடுக்க. |
72691b1adb67830a58bebdfdf213a41ecd38c0ba | நாம் ஒரு ஆழமான நெட்வொர்க் கட்டமைப்பை அறிமுகப்படுத்துகிறோம், இது DerainNet என அழைக்கப்படுகிறது, இது ஒரு படத்திலிருந்து மழைக் கோடுகளை அகற்றுவதற்காக. ஆழமான உருகும் நரம்பியல் வலையமைப்பின் (சிஎன்என்) அடிப்படையில், மழை மற்றும் சுத்தமான பட விவர அடுக்குகளுக்கு இடையிலான வரைபட உறவை தரவுகளிலிருந்து நேரடியாகக் கற்றுக்கொள்கிறோம். நிஜ உலக மழை படங்களுக்கு ஒத்த அடிப்படை உண்மைகள் நம்மிடம் இல்லாததால், பயிற்சிக்காக மழையுடன் படங்களை இணைக்கிறோம். மற்ற பொதுவான உத்திகள் போலல்லாமல், இது நெட்வொர்க்கின் ஆழம் அல்லது அகலத்தை அதிகரிக்கிறது, நாங்கள் பட செயலாக்க டொமைன் அறிவைப் பயன்படுத்துகிறோம், இலக்கு செயல்பாட்டை மாற்றியமைக்கவும், மிதமான அளவிலான சிஎன்என் மூலம் தடம் புரட்டுவதை மேம்படுத்தவும். குறிப்பாக, நாம் நமது DerainNet ஐ படத்தின் களத்தில் அல்லாமல், விவரம் (உயர்-பாஸ்) அடுக்கில் பயிற்றுவிக்கிறோம். DerainNet செயற்கை தரவுகளை பயன்படுத்தி பயிற்சி பெற்றிருந்தாலும், கற்ற நெட்வொர்க் மிகவும் திறம்பட உண்மையான உலக படங்களை பரிசோதனைக்காக மொழிபெயர்க்கிறது என்பதை நாங்கள் கண்டறிந்தோம். மேலும், சிஎன்என் கட்டமைப்பை மேம்படுத்தும் வகையில் படத்தை மேம்படுத்தி, காட்சி விளைவுகளை மேம்படுத்தியுள்ளோம். நவீன ஒற்றை பட மழைநீக்க முறைகளுடன் ஒப்பிடும்போது, எங்கள் முறை மழைநீக்கத்தை மேம்படுத்தியுள்ளது மற்றும் நெட்வொர்க் பயிற்சிக்குப் பிறகு கணிப்பு நேரத்தை மிக விரைவாக அதிகரித்துள்ளது. |
34d1ba9476ae474f1895dbd84e8dc82b233bc32e | |
1cdc4ad61825d3a7527b85630fe60e0585fb9347 | கற்றல் பகுப்பாய்வு என்பது தொழில்நுட்பம் மேம்படுத்தப்பட்ட கற்றலின் ஒரு முக்கிய பகுதியாகும், இது கடந்த தசாப்தத்தில் உருவானது. இந்த துறையின் இந்த ஆய்வு, கல்வி அமைப்புகளில் பகுப்பாய்வுகளின் வளர்ச்சியைத் தூண்டிய தொழில்நுட்ப, கல்வி மற்றும் அரசியல் காரணிகளை ஆராய்வதன் மூலம் தொடங்குகிறது. இது 20 ஆம் நூற்றாண்டில் அதன் தோற்றம், தரவு சார்ந்த பகுப்பாய்வுகளின் வளர்ச்சி, கற்றல் மையப்படுத்தப்பட்ட கண்ணோட்டங்களின் எழுச்சி மற்றும் தேசிய பொருளாதார கவலைகளின் செல்வாக்கு உள்ளிட்ட கற்றல் பகுப்பாய்வுகளின் தோற்றத்தை வரைபடமாக்குகிறது. இது அடுத்தது கற்றல் பகுப்பாய்வு, கல்வி தரவு சுரங்க மற்றும் கல்வி பகுப்பாய்வு ஆகியவற்றுக்கு இடையிலான உறவுகளில் கவனம் செலுத்துகிறது. இறுதியாக, கற்றல் பகுப்பாய்வு ஆராய்ச்சியின் வளரும் பகுதிகளை ஆராய்ந்து, எதிர்கால சவால்களை அடையாளம் காணும். |
f3ac0d94ba2374e46dfa3a13effcc540205faf21 | |
49fd00a22f44a52f4699730403033416e0762e6d | |
860d3d4114711fa4ce9a5a4ccf362b80281cc981 | இருப்பினும், இடமின்மையால், இந்த பிரிவு மிகவும் குறைக்கப்பட்டுள்ளது. கூடுதலாக, நேரம், புவிசார், நபர், நிகழ்வுகள் மற்றும் நெட்வொர்க் செயல்பாடுகள் ஆகியவற்றில் கவனம் செலுத்தும் பயன்பாட்டு ஆன்டாலஜிகள் சுருக்கமாக விவரிக்கப்பட்டுள்ளன. இந்த பயன்பாட்டு ஆன்டாலஜிகளை சிறப்பு சூப்பர் டொமைன் அல்லது நடுத்தர நிலை ஆன்டாலஜிகளாகக் காணலாம், ஏனெனில் அவை பெரும்பாலானவை இல்லாவிட்டால், பல ஆன்டாலஜிகளை உள்ளடக்கியுள்ளன - எந்தவொரு சைபர் ஆன்டாலஜியும் உட்பட. வர்த்தக ஆய்வில் பயன்படுத்தப்படும் ஆன்டாலஜிக்கல் கட்டமைப்பின் ஒரு ஒட்டுமொத்த பார்வை வழங்கப்படுகிறது. வர்த்தக ஆய்வு குறித்த அறிக்கை, அடுத்தடுத்த பரிமாற்றத்தில் சில முன்மொழியப்பட்ட அடுத்த படிகளுடன் முடிவடைகிறது ஆரம்பகால தீங்கிழைக்கும் மென்பொருள் ஒன்டாலஜி அடிப்படையில் சைபர் ஒன்டாலஜி உருவாக்கத்தை ஆதரிக்கும் வகையில் நாங்கள் நடத்திய வர்த்தக ஆய்வு குறித்த அறிக்கைகள் இந்த ஆய்வில் இடம்பெற்றுள்ளன. சைபர் ஆன்டாலஜி முயற்சியின் குறிக்கோள்கள் முதலில் விவரிக்கப்படுகின்றன, அதைத் தொடர்ந்து பயன்படுத்தப்படும் ஆன்டாலஜி மேம்பாட்டு முறை பற்றிய விவாதம். பின்னர் காகிதத்தின் முக்கிய பகுதி பின்வருமாறு, இது சாத்தியமான ஆன்டாலஜிகள் மற்றும் தரநிலைகளின் விளக்கமாகும், இது சைபர் ஆன்டாலஜியை அதன் ஆரம்பத்தில் கட்டுப்படுத்தப்பட்ட தீம்பொருள் கவனத்திலிருந்து நீட்டிக்க பயன்படுத்தப்படலாம். குறிப்பாக, இந்த வளங்களில், சைபர் மற்றும் தீம்பொருள் தரநிலைகள், திட்டங்கள் மற்றும் சொற்களஞ்சியங்கள் ஆகியவை அடங்கும், அவை ஆரம்ப தீம்பொருள் ஆன்டாலஜி முயற்சிக்கு நேரடியாக பங்களித்தன. மற்ற வளங்கள் மேல் (சில நேரங்களில் அடிப்படை என்று அழைக்கப்படுகின்றன) ontologies. எந்தவொரு சைபர் ஆன்டாலஜியும் விரிவுபடுத்தும் முக்கிய கருத்துக்கள் ஏற்கனவே அடையாளம் காணப்பட்டு, இந்த அடிப்படை ஆன்டாலஜிகளில் கண்டிப்பாக வரையறுக்கப்பட்டுள்ளன. |
4767a0c9f7261a4265db650d3908c6dd1d10a076 | கண்டறிவதன் மூலம் கண்காணிப்பது, பல இலக்குகளை கண்காணிக்கும் பணியை நிர்வகிப்பதற்கான மிகவும் வெற்றிகரமான மூலோபாயமாக நிரூபிக்கப்பட்டுள்ளது [எ. கா. 40, 53, 55] என்று கூறுகிறது. பாரம்பரியமாக, ஒரு முன் செயலாக்க கட்டத்தில் உருவாக்கப்பட்ட ஒரு சிறிய அளவிலான கண்டறிதல்கள், ஒரு உயர் மட்ட டிராக்கருக்கு உள்ளீடாக செயல்படுகின்றன, இதன் நோக்கம் இந்த புள்ளிகளை சரியான நேரத்தில் இணைப்பதாகும். இந்த அணுகுமுறையின் ஒரு வெளிப்படையான குறைபாடு என்னவென்றால், பட வரிசைகளில் கிடைக்கும் பெரும்பாலான தகவல்கள் வெறுமனே பலவீனமான கண்டறிதல் பதில்களைத் தள்ளுவதன் மூலமும், அதிகபட்சமற்ற அடக்குமுறையைப் பயன்படுத்துவதன் மூலமும் புறக்கணிக்கப்படுகின்றன. நாம் ஒரு பல இலக்கு டிராக்கரை முன்மொழிகிறோம், இது குறைந்த நிலை படத் தகவலைப் பயன்படுத்தி ஒவ்வொரு (சூப்பர்) பிக்சலையும் ஒரு குறிப்பிட்ட இலக்குடன் தொடர்புபடுத்துகிறது அல்லது அதை பின்னணியாக வகைப்படுத்துகிறது. இதன் விளைவாக, நாம் ஒரு வீடியோ பிரிவு பெறுகிறோம் பாரம்பரியமான எல்லை-பெட்டி பிரதிநிதித்துவத்திற்கு கூடுதலாக கட்டுப்படுத்தப்படாத, உண்மையான உலக வீடியோக்களில். எங்கள் முறை பல தரமான தரப்படுத்தல் வரிசைகளில் ஊக்கமளிக்கும் முடிவுகளைக் காட்டுகிறது மற்றும் நீண்ட கால பகுதி மறைவுகள் கொண்ட கூட்டம் நிறைந்த காட்சிகளில் கண்டறிவதன் மூலம் கண்காணிக்கும் அதிநவீன அணுகுமுறைகளை கணிசமாக மிஞ்சும். |
8eefd28eb47e72794bb0355d8abcbebaac9d8ab1 | பல தசாப்தங்களாக, புள்ளியியல் வல்லுநர்கள், மீண்டும் மீண்டும் வரும் எதிர்பார்ப்பு-அதிகபடுத்தல் (ஈஎம்) நுட்பங்கள் மூலம் ஒரு உருவாக்கும் மாதிரியின் அளவுருக்களை மதிப்பிடுவதன் மூலம் வகைப்படுத்திகளை பயிற்றுவிக்க பெயரிடப்பட்ட மற்றும் பெயரிடப்படாத தரவுகளின் கலவையைப் பயன்படுத்துவதை ஆதரித்தனர். இந்த அத்தியாயம் இந்த அணுகுமுறையின் செயல்திறனை ஆராய்ந்து பார்க்கிறது. உரை ஆவணங்கள் இங்கு ஒரு பை-வார்த்தை மாதிரி மூலம் பிரதிநிதித்துவப்படுத்தப்படுகின்றன, இது பல பெயர்ச்சொற்களின் கலவையின் அடிப்படையில் ஒரு உருவாக்கும் வகைப்படுத்தல் மாதிரியை வழிநடத்துகிறது. இந்த மாதிரி எழுதப்பட்ட உரையின் சிக்கலான தன்மைகளை மிக எளிமையாக பிரதிநிதித்துவப்படுத்துகிறது. இந்த அத்தியாயம், உருவாக்கும் மாதிரிகள் மூலம் நூல் வகைப்படுத்தல் குறித்த அரை மேற்பார்வையிடப்பட்ட கற்றல் பற்றிய மூன்று முக்கிய புள்ளிகளை விளக்குகிறது மற்றும் விளக்குகிறது. முதலாவதாக, எளிமையான பிரதிநிதித்துவத்திற்குப் போதிலும், சில நூல்கள் உருவாக்கும் மாதிரி நிகழ்தகவு மற்றும் வகைப்படுத்தல் துல்லியத்திற்கு இடையில் அதிக நேர்மறையான தொடர்புகளைக் கொண்டுள்ளன. இந்த துறைகளில், நேர்மையான பேயஸ் உரை மாதிரியுடன் EM இன் நேரடியான பயன்பாடு நன்றாக வேலை செய்கிறது. இரண்டாவதாக, சில உரை களங்கள் இந்த தொடர்பு இல்லை. இங்கு நாம் ஒரு நேர்மறையான கோர்லேஷன் கொண்ட ஒரு மிகவும் வெளிப்படையான மற்றும் பொருத்தமான உருவாக்கும் மாதிரியை தேர்வு செய்யலாம். இந்த துறைகளில், அரை மேற்பார்வையிடப்பட்ட கற்றல் மீண்டும் வகைப்படுத்தல் மற்றும் துல்லியத்தை மேம்படுத்துகிறது. இறுதியாக, EM உள்ளூர் அதிகபட்சங்களின் பிரச்சினையால் பாதிக்கப்படுகிறது, குறிப்பாக உயர் பரிமாண செயல்களில், உரை வகைப்பாடு போன்றவை. எல்.எம். யின் ஒரு மாறுபாடான டிடெர்மினிஸ்டிக் அனிலிங், உள்ளூர் அதிகபட்சங்களின் சிக்கலை சமாளிக்க உதவுவதோடு, உருவாக்கும் மாதிரி பொருத்தமானதாக இருக்கும்போது வகைப்படுத்தல் துல்லியத்தை மேலும் அதிகரிக்க முடியும் என்பதை நாங்கள் நிரூபிக்கிறோம். |
696ad1c38b588dae3295668a0fa34021c4481030 | பல லேபிள்கள், பாரிய பல வகுப்பு பட வகைப்பாடு மாதிரிகள் பயிற்சி ஒரு முறை முன்வைக்க, இது ஒரு சிக்மோயிட் குறுக்கு-எண்ட்ரோபி இழப்பு (லாஜிஸ்டிக் பின்னடைவு) மூலம் மேற்பார்வை விட வேகமாக மற்றும் துல்லியமானது. எங்கள் முறை உயர் பரிமாண மெல்லிய லேபிள்களை அலகு-வரையறுக்கப்பட்ட திசையன்களின் குறைந்த பரிமாண அடர்த்தியான கோளத்தில் உட்பொதிப்பதில் உள்ளது, மேலும் இந்த கோளத்தில் ஒரு கோசைன் அருகாமையில் பின்னடைவு சிக்கலாக வகைப்படுத்தல் சிக்கலைக் கையாளுகிறது. 17,000 லேபிள்களுடன் 300 மில்லியன் உயர் தெளிவுத்திறன் கொண்ட படங்களின் தரவுத்தொகுப்பில் எங்கள் முறையை சோதிக்கிறோம், அங்கு இது கணிசமாக வேகமான ஒத்திசைவை அளிக்கிறது, அதே போல் 7% அதிக சராசரி துல்லியத்தை வழங்குகிறது. |
ad5974c04b316f4f379191e4dbea836fd766f47c | இயந்திர மொழிபெயர்ப்பில் பெரிய அளவிலான புள்ளிவிவர மொழி மாதிரியின் நன்மைகள் குறித்து இந்த ஆவணம் தெரிவிக்கிறது. ஒரு விநியோகிக்கப்பட்ட உள்கட்டமைப்பு முன்மொழியப்பட்டுள்ளது. அதை நாம் 2 டிரில்லியன் டோக்கன்களுக்கு மேல் பயிற்சி செய்ய பயன்படுத்துகிறோம். இதன் விளைவாக மொழி மாதிரிகள் 300 பில்லியன் n-கிராம் வரை இருக்கும். இது வேகமான, ஒற்றை-பாஸ் டிகோடிங்கிற்கான மென்மையான நிகழ்தகவுகளை வழங்கும் திறன் கொண்டது. புத்திசாலித்தனமான பின்னடைவு எனப்படும் புதிய மென்மையாக்கும் முறையை அறிமுகப்படுத்துகிறோம், இது பெரிய தரவுத் தொகுப்புகளில் பயிற்சி பெறுவதற்கு மலிவானது மற்றும் பயிற்சி தரவுகளின் அளவு அதிகரிக்கும் போது க்னெசர்-நெய் மென்மையாக்கும் முறையை நெருங்குகிறது. |
6cb45af3db1de2ba5466aedcb698deb6c4bb4678 | இந்த திட்டத்தில், நன்கு அறியப்பட்ட ஸ்டான்போர்ட் கேள்வி பதில் தரவுத்தொகுப்பில் (SQuAD) கேள்வி பதில் பணிக்கான ஒரு முனை முதல் முனை நரம்பியல் நெட்வொர்க் கட்டமைப்பை உருவாக்குவதில் நாங்கள் ஆர்வமாக உள்ளோம். நமது நடைமுறை சமீபத்திய உயர் செயல்திறன் அடைதல் முறையிலிருந்து தூண்டப்படுகிறது, இது ஒருங்கிணைந்த கவனம் குறியீட்டாளரை ஒரு டைனமிக் சுட்டிக்காட்டும் டிகோடருடன் இணைக்கிறது, இது டைனமிக் கூட்டு கவனம் நெட்வொர்க் என அழைக்கப்படுகிறது. இந்த அமைப்புகளின் செயல்திறனை மேம்படுத்தும் வகையில் பல்வேறு வகை டிகோடிங் நுட்பங்களை நாங்கள் ஆராய்ந்து சோதித்தோம். |
e11d5a4edec55f5d5dc8ea25621ecbf89e9bccb7 | நெட்வொர்க் கணினிகள் மீது நமது சமூகத்தின் சார்பு அச்சமூட்டுவதாக மாறிவிட்டது: பொருளாதாரத்தில், முழுமையான டிஜிட்டல் நெட்வொர்க்குகள் வசதி செய்பவர்களிடமிருந்து இயக்கிகளாக மாறிவிட்டன; சைபர்-பொது அமைப்புகள் வயது வந்தவுடன், கணினி நெட்வொர்க்குகள் இப்போது நமது உடல் உலகின் மைய நரம்பு மண்டலங்களாக மாறி வருகின்றன - மின் கட்டமைப்பு போன்ற மிகவும் முக்கியமான உள்கட்டமைப்புகளின் கூட. அதே நேரத்தில், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணி நேரமும், 24 மணிநேரமும், 24 மணிநேரமும், 24 மணிநேரமும் அதிகரித்துள்ளது. ஊடுருவல் கண்டறிதல் அமைப்புகள் (IDS) என்பது தொடர்புடைய பாதுகாப்பு நடவடிக்கைகளின் முக்கிய அங்கமாகும்; அவை கடந்த காலத்தில் விரிவாக ஆய்வு செய்யப்பட்டு பயன்படுத்தப்பட்டுள்ளன. பாரம்பரிய ஐடிஎஸ் பெரிய நிறுவன நெட்வொர்க்குகள் மற்றும் அதற்கு அப்பால், அல்லது பாரிய ஒத்த தாக்குதல்களுக்கு அளவிட முடியாததால், கூட்டுறவு ஐடிஎஸ் (சிஐடிஎஸ்) உருவாகியுள்ளது. அவை தரவுகளை சேகரித்து பரிமாறிக்கொள்ளும் பல கண்காணிப்பு கூறுகளைக் கொண்டுள்ளன. குறிப்பிட்ட CIDS கட்டமைப்பைப் பொறுத்து, தாக்குதல்களை அடையாளம் காண சேகரிக்கப்பட்ட தரவை மைய அல்லது விநியோகிக்கப்பட்ட பகுப்பாய்வு கூறுகள் சுரங்கப்படுத்துகின்றன. இதன் விளைவாக வரும் எச்சரிக்கைகள் கண்காணிக்கப்படும் வலையமைப்பின் முழுமையான பார்வையை உருவாக்குவதற்காக பல கண்காணிப்பாளர்களிடையே தொடர்புபடுத்தப்படுகின்றன. இந்த கட்டுரை முதலில் CIDS களுக்கான பொருத்தமான தேவைகளை தீர்மானிக்கிறது; பின்னர் இது ஒரு CIDS வடிவமைப்பு இடத்தை அறிமுகப்படுத்துவதற்கும் தேவைகளுக்கு ஏற்ப விவாதிப்பதற்கும் ஒரு அடிப்படையாக தனித்தனி கட்டிடக் கட்டமைப்புகளை வேறுபடுத்துகிறது. இந்த வடிவமைப்பு இடத்தை அடிப்படையாகக் கொண்டு, CIDS களைத் தவிர்க்கும் தாக்குதல்கள் மற்றும் CIDS கள் கிடைக்கக்கூடிய தாக்குதல்கள் விவாதிக்கப்படுகின்றன. தேவைகள், கட்டமைப்புத் தொகுதிகள் மற்றும் தாக்குதல்கள் ஆகியவற்றின் முழு கட்டமைப்பும், குறிப்பிட்ட CIDS அணுகுமுறைகளின் விரிவான ஆய்வு மற்றும் ஒப்பீடு உட்பட, கூட்டு ஊடுருவல் கண்டறிதலில் தொழில்நுட்பத்தின் முழுமையான பகுப்பாய்விற்கு பயன்படுத்தப்படுகிறது. |
720158a53b79667e39c2caf2f7ebb2670b848693 | உடல் உணர்திறன் நெட்வொர்க்குகள் (பிஎஸ்என்) போன்ற முக்கியமான, உயிர்களைக் காப்பாற்றும் உள்கட்டமைப்புகளுக்கு ஒரு நபரின் தனியுரிமையை திறம்பட பாதுகாப்பது மிகவும் முக்கியமானது. இந்த ஆவணம் ஒரு புதிய முக்கிய ஒப்பந்த திட்டத்தை முன்வைக்கிறது, இது ஒரு BSN இல் உள்ள இரண்டு சென்சார்களை எலக்ட்ரோ கார்டியோகிராம் (EKG) சமிக்ஞைகளைப் பயன்படுத்தி உருவாக்கப்பட்ட ஒரு பொதுவான முக்கிய உடன்படிக்கைக்கு அனுமதிக்கிறது. இந்த EKG அடிப்படையிலான முக்கிய ஒப்பந்தம் (EKA) திட்டம் பிஎஸ்என் பாதுகாப்பிற்கு "பிளக்-என்-ப்ளே" முன்னுதாரணத்தை கொண்டுவருவதை நோக்கமாகக் கொண்டுள்ளது, இதன் மூலம் வெறுமனே பொருள் மீது சென்சார்கள் வரிசைப்படுத்துவது முன் வரிசைப்படுத்தல் போன்ற எந்தவொரு வடிவத்தையும் தொடக்கமாக்குவதைத் தேவையில்லாமல் பாதுகாப்பான தகவல்தொடர்புகளை செயல்படுத்த முடியும். உண்மையான ஈ.கே.ஜி தரவுகளின் அடிப்படையில் (எம்.ஐ.டி. பிசியோபேங்க் தரவுத்தளத்திலிருந்து பெறப்பட்ட) இந்த திட்டத்தின் பகுப்பாய்வு, ஈ.கே.ஏ.யிலிருந்து உருவாகும் விசைகள்ஃ சீரற்ற, நேர மாறுபாடு, குறுகிய கால ஈ.கே.ஜி அளவீடுகளின் அடிப்படையில் உருவாக்கப்படலாம், கொடுக்கப்பட்ட ஒரு நபருக்கு ஒரே மாதிரியானவை மற்றும் தனித்தனியாக தனிநபர்களுக்கு வேறுபட்டவை. |
f692c692d3426cc663f3ec9be0c7025b670b2e5c | பல ஆண்டுகளாக, தகவல் தொழில்நுட்பத் துறை, ஏற்கனவே உள்ள மென்பொருள் சொத்துக்களிலிருந்து புதிய பயன்பாடுகளைச் சேகரிப்பதன் மூலம் மென்பொருள் மேம்பாட்டு செயல்முறையை துரிதப்படுத்த முயன்று வருகிறது. இருப்பினும், 1960 களில் டக்ளஸ் மெக்லிராய் கருதின வடிவத்தின் உண்மையான கூறு அடிப்படையிலான மறுபயன்பாடு இன்னும் விதிமுறைக்கு மாறாக விதிவிலக்கு ஆகும், மேலும் இன்று நடைமுறையில் உள்ள பெரும்பாலான முறையான மென்பொருள் மறுபயன்பாடு தயாரிப்பு வரி பொறியியல் அல்லது டொமைன்-குறிப்பிட்ட கட்டமைப்புகள் போன்ற கனரக அணுகுமுறைகளைப் பயன்படுத்துகிறது. கூறுகள் என்றாலே, நன்கு வரையறுக்கப்பட்ட இடைமுகத்துடன் கூடிய மென்பொருள் செயல்பாட்டின் எந்த ஒரு ஒருங்கிணைந்த மற்றும் சிறிய அலகு என்று அர்த்தம் - எளிய நிரலாக்க மொழி வகுப்புகளிலிருந்து வலை சேவைகள் மற்றும் நிறுவன ஜாவா பீன்ஸ் போன்ற சிக்கலான கலைப்பொருட்கள் வரை. |
96ea8f0927f87ab4be3a7fd5a3b1dd38eeaa2ed6 | ஒரு பரந்த அலைவரிசை மற்றும் எளிய டோரஸ் முடிச்சு மோனோபோல் ஆண்டெனா இந்த கடிதத்தில் வழங்கப்படுகிறது. இந்த ஆண்டெனாவை பொதுவாக 3-டி பிரிண்டிங் எனப்படும் கூடுதல் உற்பத்தி தொழில்நுட்பத்தை பயன்படுத்தி தயாரிக்கப்படுகிறது. அந்த ஆண்டெனா இயந்திர ரீதியாக எளிதாக தயாரிக்கப்படுகிறது மற்றும் நிலையான கதிர்வீச்சு வடிவத்தையும், 1-2 GHz அதிர்வெண் வரம்பில் -10 dB க்கும் குறைவான உள்ளீட்டு பிரதிபலிப்பு குணகத்தையும் கொண்டுள்ளது. மேலும், அந்தென்டென் அளவிடப்பட்ட மற்றும் உருவகப்படுத்தப்பட்ட செயல்திறன் பற்றிய ஒரு ஒப்பீடு வழங்கப்பட்டுள்ளது. |
206b204618640917f278e72bd0e2a881d8cec7ad | வடிவமைப்பை அடையாளம் காண பேயஸியன் முறைகளைப் பயன்படுத்துவதில் உள்ள முக்கிய தடைகளில் ஒன்று அதன் கணக்கீட்டு செலவு ஆகும். இந்த ஆய்வறிக்கை முன்னர் சாத்தியமானதை விட வேகமாகவும் துல்லியமாகவும் பேய்சியன் ஊகத்தை செய்யக்கூடிய ஒரு தோராயமான நுட்பத்தை முன்வைக்கிறது. இந்த முறை, "எதிர்பார்ப்பு பரவல்", இரண்டு முந்தைய நுட்பங்களை ஒருங்கிணைக்கிறது மற்றும் பொதுப்படுத்துகிறதுஃ கருதப்பட்ட அடர்த்தி வடிகட்டுதல், கல்மன் வடிகட்டியின் நீட்டிப்பு, மற்றும் லூபி நம்பிக்கை பரவல், பேயஸியன் நெட்வொர்க்குகளில் நம்பிக்கை பரவலின் நீட்டிப்பு. இந்த இரண்டு வழிமுறைகளும் எளிய விநியோகத்துடன் உண்மையான பின்புற விநியோகத்தை எவ்வாறு நெருங்குகின்றன என்பதை ஒருங்கிணைப்பு காட்டுகிறது, இது KL- வேறுபாடு என்ற அர்த்தத்தில் நெருக்கமாக உள்ளது. எதிர்பார்ப்பு பரவல் இரண்டு வழிமுறைகளிலும் சிறந்ததைப் பயன்படுத்துகிறதுஃ கருதப்பட்ட அடர்த்தி வடிகட்டுதலின் பொதுவான தன்மை மற்றும் முட்டாள்தனமான நம்பிக்கை பரவலின் துல்லியம். சுழல் நம்பிக்கை பரவல், அது சரியான நம்பிக்கை நிலைகளை பரப்புவதால், முற்றிலும் தனித்தனி நெட்வொர்க்குகள் போன்ற வரையறுக்கப்பட்ட நம்பிக்கை நெட்வொர்க்குகளுக்கு பயனுள்ளதாக இருக்கும். எதிர்பார்ப்பு பரவல் நம்பிக்கை நிலைகளை எதிர்பார்ப்புகளுடன், அதாவது சராசரிகள் மற்றும் மாறுபாடுகள் போன்றவற்றை நெருங்குகிறது, இது மிகவும் பரந்த நோக்கத்தைக் கொடுக்கிறது. எதிர்பார்ப்பு பரவல் எதிர் திசையில் நம்பிக்கை பரவலை விரிவுபடுத்துகிறது-பரிமாணங்களுக்கு இடையிலான தொடர்புகளை உள்ளடக்கிய பணக்கார நம்பிக்கை நிலைகளை பரப்புகிறது. இந்த கட்டமைப்பானது செயற்கை மற்றும் நிஜ உலகத் தரவுகளைப் பயன்படுத்தி பல்வேறு புள்ளிவிவர மாதிரிகளில் நிரூபிக்கப்பட்டுள்ளது. கோஸ்ஸிய கலவை சிக்கல்களில், எதிர்பார்ப்பு பரவல், அதே அளவிலான கணக்கீட்டிற்கு, போட்டியிடும் தோராயமான நுட்பங்களை விட நம்பத்தகுந்ததாக இருப்பதைக் காணலாம்ஃ மான்டே கார்லோ, லாப்ளஸ் முறை மற்றும் மாறுபட்ட பேஸ். வடிவ அங்கீகாரத்திற்காக, எதிர்பார்ப்பு பரவல் முன்னர் அறியப்பட்ட எந்தவொரு விடவும் வேகமான மற்றும் துல்லியமான பேஸ் பாயிண்ட் மெஷின் வகைப்படுத்திகளை பயிற்சி செய்வதற்கான ஒரு வழிமுறையை வழங்குகிறது. இதன் விளைவாக வரும் வகைப்படுத்திகள், பல தரநிலை தரவுத் தொகுப்புகளில் ஆதரவு வெக்டர் இயந்திரங்களை விட சிறப்பாக செயல்படுகின்றன, ஒப்பிடக்கூடிய பயிற்சி நேரத்திற்கு கூடுதலாக. எதிர்பார்ப்பு பரவல் என்பது, பேயஸியன் மாதிரித் தேர்வு மூலம், வகைப்படுத்தலுக்கான பொருத்தமான அம்சத் தொகுப்பைத் தேர்ந்தெடுப்பதற்கும் பயன்படுத்தப்படலாம். ஆய்வறிக்கை மேற்பார்வையாளர்: ரோசலிண்ட் பிகார்ட் தலைப்பு: ஊடக கலை மற்றும் அறிவியல் இணை பேராசிரியர் |
ad40428b40b051164ade961bc841a0da2c44515d | |
e4bd80adc5a3486c3a5c3d82cef91b70b67ae681 | இந்த கட்டுரை நிறுவன பத்திர விலை நிர்ணயத்தின் ஐந்து கட்டமைப்பு மாதிரிகளை அனுபவபூர்வமாக சோதிக்கிறதுஃ மெர்டன் (1974), கெஸ்கே (1977), லாங்ஸ்டாஃப் மற்றும் ஷ்வார்ட்ஸ் (1995), லெலண்ட் மற்றும் டாஃப்ட் (1996), மற்றும் கொலின்-டூஃப்ரெஸ்னே மற்றும் கோல்ட்ஸ்டீன் (2001). 1986-1997 காலகட்டத்தில் எளிய மூலதன அமைப்பு கொண்ட நிறுவனங்களின் 182 பத்திர விலைகளின் மாதிரிகளைப் பயன்படுத்தி நாங்கள் மாதிரிகளை செயல்படுத்துகிறோம். கட்டுமான மாதிரிகள் பத்திரச் சந்தையில் காணப்படும் அளவுக்கு அதிகமான ஸ்ப்ரெட்களை உருவாக்குவதில்லை என்பது வழக்கமான ஞானம், எதிர்பார்ப்புகளுக்கு உண்மையாக, மெர்டன் மாதிரியை நாங்கள் செயல்படுத்துவதில் கணித்த ஸ்ப்ரெட்கள் மிகக் குறைவாக இருப்பதைக் காண்கிறோம். இருப்பினும், பெரும்பாலான மற்ற கட்டமைப்பு மாதிரிகள் சராசரியாக மிக அதிக விகிதங்களைக் கணித்துள்ளன. இருப்பினும், துல்லியம் ஒரு பிரச்சினையாகும், ஏனெனில் புதிய மாதிரிகள் அதிக ஈவுத்தொகை அல்லது ஏற்ற இறக்கம் கொண்ட நிறுவனங்களின் கடன் அபாயத்தை கடுமையாக மிகைப்படுத்தும் போக்குக் கொண்டுள்ளன, ஆனால் பாதுகாப்பான பத்திரங்களுடன் பரவலின் குறைவான கணிப்பு சிக்கலில் இருந்து பாதிக்கப்படுகின்றன. லேலண்ட் மற்றும் டாஃப்ட் மாதிரி என்பது பெரும்பாலான பத்திரங்களின், குறிப்பாக அதிக கூப்பன்கள் கொண்டவற்றின் பரவல்களை அதிகமாக கணிப்பதில் ஒரு விதிவிலக்கு ஆகும். மிகவும் துல்லியமான கட்டமைப்பு மாதிரிகள், மிகவும் பாதுகாப்பான பத்திரங்களின் ஸ்ப்ரெட்களை பாதிக்கும் அதே வேளையில், அதிக ஆபத்துள்ள பத்திரங்களின் கடன் அபாயத்தை அதிகரிக்கும் அம்சங்களைத் தவிர்க்க வேண்டும். |
da67375c8b6a250fbd5482bfbfce14f4eb7e506c | இந்த ஆய்வு கணக்கீட்டு முகவர்களில் மன திறன்களின் தன்னாட்சி வளர்ச்சியின் கண்ணோட்டத்தை வழங்குகிறது. இது அறிவாற்றல் அமைப்புகளின் பண்புகளை அடிப்படையாகக் கொண்டது, இது தழுவல், எதிர்பார்ப்பு மற்றும் நோக்கமான இலக்கு-திசை நடத்தை ஆகியவற்றை வெளிப்படுத்தும் அமைப்புகளாக உள்ளது. அறிவாற்றலின் பல்வேறு வடிவங்களின் பரந்த ஆய்வு ஒன்றை நாங்கள் முன்வைக்கிறோம், அறிவாற்றல் (உடல் சின்ன அமைப்புகள்) அணுகுமுறைகள், வளர்ந்து வரும் அமைப்பு அணுகுமுறைகள், இணைப்பு, மாறும் மற்றும் செயலில் உள்ள அமைப்புகளை உள்ளடக்கியது, மேலும் கலப்பின அமைப்புகளில் இரண்டையும் இணைப்பதற்கான முயற்சிகள். இந்த மாதிரிகளிலிருந்து எடுக்கப்பட்ட பல அறிவாற்றல் கட்டமைப்புகளை நாம் மறுபரிசீலனை செய்கிறோம். இந்த பகுதிகளில் ஒவ்வொன்றிலும், ஒரு வளர்ச்சி அணுகுமுறையை ஏற்றுக்கொள்வதன் தாக்கங்களையும் அதனுடன் தொடர்புடைய பிரச்சினைகளையும், பிலோஜெனெடிக் மற்றும் ஒன்டோஜெனெடிக் கண்ணோட்டத்தில் முன்னிலைப்படுத்துகிறோம். மன திறன்களை தன்னாட்சி வளர்ச்சியைக் கொண்டிருக்கும் அமைப்புகள் வெளிப்படுத்த வேண்டிய முக்கிய கட்டடக்கலை அம்சங்களின் சுருக்கத்துடன் முடிக்கிறோம் |
e7ee27816ade366584d411f4287e50bdc4771e56 | |
55289d3feef4bc1e4ff17008120e371eb7f55a24 | சமீபத்தில் பல்வேறு வகையான LSTM அடிப்படையிலான நிபந்தனை மொழி மாதிரிகள் (LM) மொழி உருவாக்கும் பணிகளில் பயன்படுத்தப்பட்டுள்ளன. இந்த வேலையில் நாம் பல்வேறு மாதிரி கட்டமைப்புகள் மற்றும் மூல தகவலை பிரதிநிதித்துவப்படுத்தும் மற்றும் ஒருங்கிணைக்கும் பல்வேறு வழிகளை ஒரு முனை-முனை நரம்பியல் உரையாடல் அமைப்பு கட்டமைப்பில் ஆய்வு செய்கிறோம். சூழ்நிலைப்படுத்தும் திசையனுக்கு ஒரு துணை குறுக்கு-எண்ட்ரோபி இலக்கு செயல்பாட்டைப் பயன்படுத்துவதன் மூலம் மேற்பார்வையிடப்பட்ட தொடர்ச்சியான சமிக்ஞைகளிலிருந்து கற்றலை எளிதாக்குவதற்கு ஸ்னாப்ஷாட் கற்றல் என்று அழைக்கப்படும் ஒரு முறை முன்மொழியப்பட்டுள்ளது. பரிசோதனை மற்றும் பகுப்பாய்வு முடிவுகள் முதலில், நிபந்தனை திசையன் மற்றும் LM இடையே போட்டி ஏற்படுகிறது என்பதை நிரூபிக்கின்றன, மேலும் வெவ்வேறு கட்டமைப்புகள் இரண்டிற்கும் இடையே வெவ்வேறு சமரசங்களை வழங்குகின்றன. இரண்டாவதாக, மாடல் விளக்கத்திறன் மற்றும் சிறந்த செயல்திறனை வழங்குவதற்கு கண்டிஷனிங் வெக்டரின் பாகுபாடு மற்றும் வெளிப்படைத்தன்மை முக்கியம். மூன்றாவதாக, ஸ்னாப்ஷாட் கற்றல் எந்த கட்டமைப்பைப் பயன்படுத்தினாலும் நிலையான செயல்திறன் மேம்பாடுகளுக்கு வழிவகுக்கிறது. |
75c4b33059aa300e7b52d1b5dab37968ac927e89 | 2 x 1 இரட்டை துருவமயமாக்கப்பட்ட எல்-சோதனை அடுக்கி வைக்கப்பட்ட பேட்ச் ஆண்டெனா வரிசை வழங்கப்படுகிறது. இரண்டு உள்ளீட்டு துறைமுகங்களுக்கு இடையே அதிக தனிமைப்படுத்தலை அடைய இது ஒரு புதிய நுட்பத்தை பயன்படுத்தியுள்ளது. இந்த முன்மொழியப்பட்ட ஆண்டெனா 14.8 டிபி ரிட்டர்ன் லாஸ்ட் பேண்ட்விட்ஜ் 19.8% கொண்டது, இது 0.808 முதல் 0.986 ஜிகாஹெர்ட்ஸ் வரையிலான இரு துறைமுகங்களுக்கும் உள்ளது. மேலும், இது 30 dB க்கும் அதிகமான உள்ளீட்டு துறை தனிமைப்படுத்தலைக் கொண்டுள்ளது மற்றும் இந்த அலைவரிசையில் சராசரி ஆதாயம் 10.5 dBi ஆகும். மேலும், இரண்டு பிரதான விமானங்களில் அதன் கதிர்வீச்சு வடிவங்கள் கடந்து செல்லும் பட்டை முழுவதும் 3 dB பீம்விட்ஜ்களுக்குள் -15 dB க்கும் குறைவான குறுக்கு-துருவ நிலைகளைக் கொண்டுள்ளன. இந்த அம்சங்கள் காரணமாக, இந்த ஆண்டெனா வரிசை CDMA800 மற்றும் GSM900 மொபைல் தகவல்தொடர்பு அமைப்புகளின் இயக்க அலைவரிசைகளை உள்ளடக்க வேண்டிய வெளிப்புற அடிப்படை நிலையத்திற்கு மிகவும் பொருத்தமானது. |
b891a8df3d7b4a6b73c9de7194f7341b00d93f6f | பரிந்துரைப்பு முறைகள் தனிப்பயனாக்கப்பட்ட விருப்ப சேவைகளை வழங்குவதில் நம்பிக்கை அளிக்கிறது. பயனர்களின் முந்தைய நடத்தைகளின் அடிப்படையில் பயனர்களின் விருப்பத்தை கணிக்கும் கூட்டு வடிகட்டுதல் (சி.எஃப்) தொழில்நுட்பங்கள், நவீன பரிந்துரை அமைப்புகளை உருவாக்குவதற்கான மிக வெற்றிகரமான நுட்பங்களில் ஒன்றாக மாறியுள்ளன. முன்னர் முன்மொழியப்பட்ட CF முறைகளில் பல சவாலான சிக்கல்கள் ஏற்படுகின்றன: (1) பெரும்பாலான CF முறைகள் பயனர்களின் மறுமொழி வடிவங்களை புறக்கணித்து, சார்புடைய அளவுரு மதிப்பீடு மற்றும் உகந்த செயல்திறனைக் கொடுக்கலாம்; (2) சில CF முறைகள் ஹூரிஸ்டிக் எடை அமைப்புகளை ஏற்றுக்கொள்கின்றன, இது ஒரு முறையான செயல்படுத்தலைக் கொண்டிருக்கவில்லை; மற்றும் (3) பல பெயர்ச்சொல் கலவை மாதிரிகள் தரவு மேட்ரிக்ஸை உருவாக்குவதற்கான மேட்ரிக்ஸ் காரணிகளின் கணக்கீட்டு திறனை பலவீனப்படுத்தலாம், இதனால் பயிற்சியின் கணக்கீட்டு செலவு அதிகரிக்கும். இந்த சிக்கல்களைத் தீர்க்க, பயனர்களின் மறுமொழி மாதிரிகளை ஒரு பிரபலமான மேட்ரிக்ஸ் காரணி CF மாதிரியான நிகழ்தகவு மேட்ரிக்ஸ் காரணி (PMF) இல் இணைத்து, மறுமொழி உணர்வுள்ள நிகழ்தகவு மேட்ரிக்ஸ் காரணி (RAPMF) கட்டமைப்பை நிறுவுகிறோம். மேலும் குறிப்பாக, நாம் ஒரு பெர்னூலி விநியோகமாக பயனர் பதிலை கருதுகிறோம், இது கண்காணிக்கப்படாத மதிப்பீடுகளுக்கு ஒரு படிநிலை செயல்பாடாக இருக்கும்போது, கண்காணிக்கப்பட்ட மதிப்பீடுகளுக்கான மதிப்பீட்டு மதிப்பெண்களால் அளவுருவூட்டப்படுகிறது. மேலும், ஒரு சிறிய தொகுதி நடைமுறை மற்றும் ஒரு கைவினை திட்டமிடல் கொள்கை மூலம் நாம் அல்காரிதம் வேகப்படுத்த. இறுதியாக, நாங்கள் பல்வேறு பரிசோதனை நெறிமுறைகளை வடிவமைத்து, முன்மொழியப்பட்ட RAPMF மற்றும் அதன் மினி-தொகுப்பு செயல்படுத்தலின் நன்மைகளை நிரூபிக்க செயற்கை மற்றும் உண்மையான உலக தரவுத்தொகுப்புகளில் முறையான அனுபவ மதிப்பீட்டை நடத்துகிறோம். |
1459d4d16088379c3748322ab0835f50300d9a38 | பல நிஜ உலக பார்வை பணிகளில், அதாவது அடையாள புகைப்படங்கள் மற்றும் கண்காணிப்பு வீடியோக்களில் நபர்களை பொருத்துவது போன்றவற்றில், பல துறைகள் இடையேயான காட்சி தரவு பொருத்துதல் என்பது அடிப்படை சிக்கல்களில் ஒன்றாகும். இந்த சிக்கலுக்கான வழக்கமான அணுகுமுறைகள் பொதுவாக இரண்டு படிகளை உள்ளடக்கியது: i) வெவ்வேறு களங்களில் இருந்து மாதிரிகளை ஒரு பொதுவான இடத்திற்கு திட்டமிடுதல், மற்றும் ii) ஒரு குறிப்பிட்ட தூரத்தின் அடிப்படையில் இந்த இடத்தில் (இல்லை) ஒற்றுமையை கணக்கிடுதல். இந்த ஆய்வில், ஒரு புதிய ஜோடி ஒற்றுமை அளவீட்டை நாங்கள் முன்வைக்கிறோம், இது ஏற்கனவே இருக்கும் மாதிரிகளை முன்னேற்றுகிறது i) பாரம்பரிய நேரியல் திட்டங்களை ஆஃபின் மாற்றங்களாக விரிவுபடுத்துதல் மற்றும் ii) ஆஃபின் மகாலனோபிஸ் தூரம் மற்றும் கோசைன் ஒற்றுமையை ஒரு தரவு-உந்துதல் கலவையால் இணைத்தல். மேலும், நாம் நமது ஒற்றுமை அளவை ஆழமான உருவகப்படுத்தும் நரம்பு நெட்வொர்க்குகள் மூலம் அம்ச பிரதிநிதித்துவ கற்றலுடன் ஒருங்கிணைக்கிறோம். குறிப்பாக, நாம் ஒற்றுமை அளவீட்டு மேட்ரிக்ஸை ஆழமான கட்டமைப்பில் இணைத்து, மாதிரி உகப்பாக்கத்தின் முனை முதல் முனை வரை வழிவகுக்கிறது. பல்வேறு சவாலான குறுக்கு-டொமைன் பொருத்தமான பணிகளில் எங்கள் பொதுவான ஒற்றுமை மாதிரியை விரிவாக மதிப்பீடு செய்கிறோம்: வெவ்வேறு பார்வைகளின் கீழ் நபரை மீண்டும் அடையாளம் காணுதல் மற்றும் வெவ்வேறு முறைகளில் முக சரிபார்ப்பு (அதாவது, இன்னும் படங்கள் மற்றும் வீடியோக்களிலிருந்து முகங்கள், வயதான மற்றும் இளைய முகங்கள், மற்றும் ஓவியம் மற்றும் புகைப்பட உருவப்படங்கள்). மற்ற அதிநவீன முறைகளை விட நமது மாதிரியின் செயல்திறன் சிறப்பாக இருப்பதை பரிசோதனை முடிவுகள் நிரூபிக்கின்றன. |
03a00248b7d5e2d89f5337e62c39fad277c66102 | சிக்கல்கள் பலபட்ச காலத் தீர்வு சிக்கல்களின் வர்க்கத்தைப் புரிந்து கொள்ள, நாம் முதலில் ஒரு "சிக்கல்" என்றால் என்ன என்ற முறையான கருத்தை கொண்டிருக்க வேண்டும். நாம் ஒரு சுருக்கமான சிக்கலை வரையறுக்கிறோம்Q ஒரு பைனரி உறவு I பிரச்சினை நிகழ்வுகளின் தொகுப்பு மற்றும் சிக்கல் தீர்வுகளின் தொகுப்பு S. உதாரணமாக, SHORTEST-PATH க்கான ஒரு நிகழ்வு ஒரு கிராஃப் மற்றும் இரண்டு முனைகளின் மூன்று மடங்கு கருத்தாகும். ஒரு தீர்வு என்பது g ரேபில் உள்ள முனைகளின் வரிசை, ஒருவேளை பாதை இல்லை என்பதைக் குறிக்கும் வெற்று வரிசை. SHORTEST-PATH என்ற சிக்கல், ஒரு graph மற்றும் இரண்டு vertices ஆகியவற்றின் ஒவ்வொரு நிகழ்வையும் இரண்டு vertices ஐ இணைக்கும் graph இல் குறுகிய பாதையுடன் தொடர்புபடுத்தும் உறவு ஆகும். சுருக்கமான பாதைகள் தனித்துவமானவை அல்ல, ஒரு குறிப்பிட்ட சிக்கல் நிகழ்வு ஒன்றுக்கு மேற்பட்ட தீர்வுகளைக் கொண்டிருக்கலாம். ஒரு சுருக்கமான சிக்கலின் இந்த வடிவமைப்பு நமது நோக்கங்களுக்காக தேவைப்படுவதை விட மிகவும் பொதுவானது. நாம் மேலே பார்த்தது போல, NP-முழுமை கோட்பாடு முடிவெடுக்கும் சிக்கல்களுக்கு கவனத்தை ஈர்க்கிறது: ஆம் / இல்லை தீர்வு கொண்டவை. இந்த வழக்கில், ஒரு சுருக்கமான முடிவெடுக்கும் சிக்கலை {0, 1} தீர்வு தொகுப்பிற்கு நிகழ்வு தொகுப்பை வரைபடமாக்கும் ஒரு செயல்பாடாக நாம் பார்க்கலாம். உதாரணமாக, SHORTEST-PATH i உடன் தொடர்புடைய ஒரு முடிவு சிக்கல் நாம் முன்பு பார்த்த PATH சிக்கல் ஆகும். i = G,u,v,k என்பது PATH என்ற முடிவெடுக்கும் சிக்கலின் ஒரு நிகழ்வு என்றால், பின்னர் PATH ((i ) = 1 (ஆம்) u முதல் v வரை குறுகிய பாதை அதிகபட்சம் k விளிம்புகளைக் கொண்டிருந்தால், PATH (i ) = 0 (இல்லை) இல்லையெனில். பல சுருக்கமான சிக்கல்கள் முடிவு சிக்கல்கள் அல்ல, மாறாக சில மதிப்புகளை குறைக்க அல்லது அதிகரிக்க வேண்டும். மேலே நாம் பார்த்தது போல, ஒரு தேர்வுமுறை சிக்கலை ஒரு முடிவெடுக்கும் சிக்கலாக மாற்றுவது வழக்கமாக எளிதானது. 1ஹோப்ரோஃப்ட் மற்றும் உல்மன் [156] அல்லது லூயிஸ் மற்றும் பாபாடிமிட்ரியோ [20 4] ஆகியோரைப் பார்க்கவும். 34.1 பல்லுறுப்பு நேரம் 973 |
9ac5b66036da98f2c1e62c6ca2bdcc075083ef85 | |
f45eb5367bb9fa9a52fd4321a63308a37960e93a | இந்த ஆவணத்தின் முதல் பகுதி ஒரு விநியோகிக்கப்பட்ட அமைப்பு கட்டமைப்பின் அடிப்படையில் தன்னாட்சி கார்களை உருவாக்குவதற்கான ஒரு மேம்பாட்டு செயல்முறை மற்றும் ஒரு அமைப்பு தளத்தை முன்மொழிகிறது. முன்மொழியப்பட்ட வளர்ச்சி முறை, கணக்கீட்டு சிக்கலான தன்மை, தவறு-சகிப்புத்தன்மை பண்புகள் மற்றும் கணினி தொகுதித்திறன் போன்ற நன்மைகளுடன் ஒரு தன்னாட்சி காரின் வடிவமைப்பு மற்றும் வளர்ச்சியை செயல்படுத்தியது. இந்த ஆய்வில் (பகுதி II), முன்மொழியப்பட்ட வளர்ச்சி முறைமை பற்றிய ஒரு வழக்கு ஆய்வு சுயாதீனமான ஓட்டுநர் அமைப்பின் நடைமுறைப்படுத்தல் செயல்முறையைக் காண்பிப்பதன் மூலம் தீர்க்கப்பட்டுள்ளது. இந்த நடைமுறைப்படுத்தல் செயல்முறையை உள்ளுணர்வு ரீதியாக விவரிக்க, முக்கிய தன்னாட்சி ஓட்டுநர் வழிமுறைகள் (உள்ளூர்மயமாக்கல், உணர்தல், திட்டமிடல், வாகனக் கட்டுப்பாடு மற்றும் அமைப்பு மேலாண்மை) சுருக்கமாக அறிமுகப்படுத்தப்பட்டு தன்னாட்சி ஓட்டுநர் அமைப்பை செயல்படுத்துவதற்கு பயன்படுத்தப்படுகின்றன. ஒரு பரவலான அமைப்பு கட்டமைப்பின் நன்மைகள் மற்றும் முன்மொழியப்பட்ட மேம்பாட்டு செயல்முறை ஆகியவற்றை ஒரு தன்னாட்சி அமைப்பு செயல்படுத்தல் குறித்த வழக்கு ஆய்வை நடத்துவதன் மூலம் ஆய்வு செய்ய முடியும். இந்த திட்டத்தின் செல்லுபடியாகும் தன்மை, 2012 ஆம் ஆண்டு கொரியாவில் நடைபெற்ற தன்னாட்சி வாகனப் போட்டியில் வென்ற தன்னாட்சி வாகனமான A1 மூலம் நிரூபிக்கப்பட்டுள்ளது. |
db17a183cb220ae8473bf1b25d62d5ef6fcfeac7 | தற்போதுள்ள அனைத்து காற்று நிரப்பப்பட்ட அடி மூலக்கூறு ஒருங்கிணைந்த அலைகாட்டி (AFSIW) டோபோலஜிகளும் அடி மூலக்கூறு-சுயாதீனமான மின் செயல்திறனை அளித்தாலும், அவை காற்று நிரப்பப்பட்ட பகுதிகளை உருவாக்குவதற்கு பிரத்யேக, விலையுயர்ந்த, லேமினேட்டுகளை நம்பியுள்ளன, அவை மின்காந்த புலங்களைக் கொண்டிருக்கின்றன. இந்த ஆவணம் ஒரு புதிய அடி மூலக்கூறு-சுயாதீன AFSIW உற்பத்தி தொழில்நுட்பத்தை முன்மொழிகிறது, இது உயர் செயல்திறன் கொண்ட நுண்ணலை கூறுகளை பொது நோக்கத்திற்காக வணிக ரீதியாக கிடைக்கக்கூடிய பரந்த அளவிலான மேற்பரப்பு பொருட்களில் நேரடியாக ஒருங்கிணைக்க அனுமதிக்கிறது. முதலில், AFSIW அலைகாட்டியின் பயனுள்ள அனுமதியும் இழப்பு தொடுதலும் ஒரு பகுப்பாய்வு சூத்திரம் பெறப்படுகிறது. இது வடிவமைப்பாளருக்கு உயர் அதிர்வெண் லேமினேட்டுகளில் பொதுவாக சந்திக்கும் நிலைகளுக்கு அடி மூலக்கூறு இழப்புகளை குறைக்க அனுமதிக்கிறது. [பக்கம் 3-ன் படம்] பல AFSIW அலைவரிசைகள் மற்றும் நான்கு வழி சக்தி பிரிப்பான் / கலவை ஆகியவற்றின் அளவீடுகள், இரண்டும் புதிய ஒருங்கிணைந்த-காற்று நிரப்பப்பட்ட SIW மாற்றத்தை நம்பியுள்ளன, இந்த புதுமையான அணுகுமுறை மைக்ரோவேவ் கூறுகளை தினசரி மேற்பரப்புகளில் நேரடியாக ஒருங்கிணைக்க ஏற்றது என்பதை நிரூபிக்கிறது, குறைந்த செருகல் இழப்பு மற்றும் முழு [5.15-5.85] GHz பட்டை முழுவதும் சிறந்த பொருந்தக்கூடிய தன்மை மற்றும் தனிமைப்படுத்தல். எனவே, இந்த புதுமையான அணுகுமுறை, செலவு குறைந்த, உயர் செயல்திறன் கொண்ட, கண்ணுக்கு தெரியாத வகையில் ஒருங்கிணைந்த ஸ்மார்ட் மேற்பரப்பு அமைப்புகளின் புதிய தலைமுறைக்கு வழிவகுக்கிறது. இது அன்றாட பொருட்களில் கிடைக்கும் பகுதியையும் பொருட்களையும் திறம்பட பயன்படுத்துகிறது. |
8216673632b897ec50db06358b77f13ddd432c47 | |
05eef019bac01e6520526510c2590cc1718f7fe6 | மொபைல் நேரடி ஒளிபரப்பு இப்போது மூன்றாவது அலைக்குள் நுழைந்துள்ளது. Bambuser மற்றும் Qik போன்ற ஆரம்பகால அமைப்புகளிலிருந்து, பிரபலமான பயன்பாடுகளான Meerkat மற்றும் Periscope வரை, இன்றைய ஒருங்கிணைந்த சமூக ஸ்ட்ரீமிங் அம்சங்கள் Facebook மற்றும் Instagram வரை, தொழில்நுட்பம் மற்றும் பயன்பாடு இரண்டும் வியத்தகு முறையில் மாறிவிட்டன. இந்த நேரடி ஒளிபரப்பின் கடைசி கட்டத்தில், கேமராக்கள் சுற்றியுள்ள இடங்களுக்கு வெளியே இருப்பதை விட, ஸ்ட்ரீமரை மையமாகக் கொண்டு உள்ளே திரும்பும். இளம் பருவத்தினர் நண்பர்களை மகிழ்விக்கவும், புதியவர்களைச் சந்திக்கவும், பொதுவான ஆர்வங்களைக் கொண்ட மற்றவர்களுடன் இணைக்கவும் இந்த தளங்களை பெருகிய முறையில் பயன்படுத்துகின்றனர். 2,247 அமெரிக்க நேரடி ஒளிபரப்பாளர்கள் மற்றும் 20 இளைஞர்களுடன் நேர்காணல்கள் மூலம் இந்த புதிய தளங்களில் இளைஞர்களின் நேரடி ஒளிபரப்பு நடத்தைகள் மற்றும் உந்துதல்களை நாங்கள் ஆய்வு செய்தோம், மாறிவரும் நடைமுறைகள், பரந்த மக்களிடமிருந்து இளைஞர்களின் வேறுபாடுகள் மற்றும் புதிய நேரடி ஒளிபரப்பு சேவைகளை வடிவமைப்பதற்கான தாக்கங்கள் ஆகியவற்றை முன்னிலைப்படுத்தினோம். |
08c30bbfb9ff90884f9d1f873a1eeb6bb616e761 | சாத்தியமற்ற கோட்பாடுகள், ஒருங்கிணைந்த ஒதுக்கீட்டுப் பிரச்சினையின் ஒரே திறமையான மற்றும் மூலோபாய-உறுதிப்படுத்தப்பட்ட வழிமுறைகள் - உதாரணமாக, மாணவர்களுக்கு பாடநெறிகளை ஒதுக்குவது - சர்வாதிகாரங்கள். சர்வாதிகாரங்கள் பெரும்பாலும் நியாயமற்றவை என்று நிராகரிக்கப்படுகின்றன: எந்த இரண்டு முகவர்களுக்கும், மற்றவர் எதையும் தேர்வு செய்வதற்கு முன்பு ஒருவர் தங்கள் எல்லா பொருள்களையும் தேர்வு செய்கிறார். எந்தவொரு தீர்வும் செயல்திறன், ஊக்கத்தொகை மற்றும் நியாயமான கருத்தாய்வுகளுக்கு இடையில் சமரசத்தை உள்ளடக்கும். இந்த ஆய்வறிக்கை ஒருங்கிணைப்பு ஒதுக்கீட்டு சிக்கலுக்கு ஒரு தீர்வை முன்மொழிகிறது. இது நான்கு படிகளில் உருவாக்கப்படுகிறது. முதலாவதாக, நான் இரண்டு புதிய அளவுகோல்களை முன்மொழிகிறேன், முடிவின் நேர்மை, அதிகபட்ச பங்கு உத்தரவாதம் மற்றும் ஒரே ஒரு நல்லவற்றுடன் பிணைக்கப்பட்ட பொறாமை, இது நன்கு அறியப்பட்ட அளவுகோல்களை பலவீனப்படுத்துகிறது, இது பிரிக்க முடியாத தன்மைகளை ஏற்றுக்கொள்ளும்; அளவுகோல்கள் ஏன் சர்வாதிகாரங்கள் நியாயமற்றவை என்பதை முறையாகக் கூறுகின்றன. இரண்டாவதாக, சம வருமானத்திலிருந்து போட்டி சமநிலையை நெருங்குவதற்கான ஒரு தோராயமான இருப்பை நான் நிரூபிக்கிறேன், அதில் (i) வருமானங்கள் சமமற்றவை ஆனால் தன்னிச்சையாக நெருக்கமாக உள்ளன; (ii) சந்தை பிழையுடன் அழிகிறது, இது வரம்பில் பூஜ்ஜியத்தை நெருங்குகிறது மற்றும் யதார்த்தமான சிக்கல்களுக்கு சிறியதாக உள்ளது. மூன்றாவதாக, இந்த ஏறக்குறைய CEEI நியாயமான அளவுகோல்களை பூர்த்தி செய்கிறது என்பதை நான் காட்டுகிறேன். இறுதியாக, நான் ஒரு இயந்திரத்தை வரையறுக்கிறேன் தோராயமான CEEI இது பூஜ்ஜிய-அளவீட்டு முகவர்கள் பொருளாதார வல்லுநர்கள் பாரம்பரியமாக விலை எடுப்பவர்களாக கருதுகின்றனர். முன்மொழியப்பட்ட வழிமுறை உண்மையான தரவுகளில் அளவிடப்படுகிறது மற்றும் கோட்பாடு மற்றும் நடைமுறையிலிருந்து மாற்றுகளுடன் ஒப்பிடப்படுகிறதுஃ மற்ற அனைத்து அறியப்பட்ட வழிமுறைகளும் பூஜ்ஜிய-அளவீட்டு முகவர்களால் கையாளக்கூடியவை அல்லது நியாயமற்ற முன்கூட்டியே, மற்றும் பெரும்பாலானவை கையாளக்கூடியவை மற்றும் நியாயமற்றவை. |
7d2c7748359f57c2b4227b31eca9e5f7a70a6b5c | |
0d1fd04c0dec97bd0b1c4deeba21b8833f792651 | மூன்று கட்ட, நான்கு சுவிட்ச், ஒற்றை கட்ட, தனிமைப்படுத்தப்பட்ட பூஜ்ஜிய-மின்னழுத்த-சுவிட்ச் (ZVS) திருத்தி அமைப்பிற்கான வடிவமைப்புக் கருத்தாய்வு மற்றும் செயல்திறன் மதிப்பீடுகள் வழங்கப்படுகின்றன. மூன்று கட்ட, இரண்டு சுவிட்ச், ZVS, இடைநிறுத்தப்பட்ட-தற்போதைய-நிலை (DCM), அதிகரிப்பு சக்தி காரணி-சரிசெய்தல் (PFC) நேர்மாற்றி, சுருக்கமாக TAIPEI நேர்மாற்றி என பெயரிடப்பட்டது, ZVS முழு-பிரிட்ஜ் (FB) கட்ட-மாற்று DC / DC மாற்றி. இந்த செயல்திறன் HVDC விநியோக பயன்பாடுகளுக்காக வடிவமைக்கப்பட்ட மூன்று கட்ட 2.7-kW முன்மாதிரியில் 180 VRMS முதல் 264 VRMS வரை மற்றும் 200 V முதல் 300 V வரை இறுக்கமாக ஒழுங்குபடுத்தப்பட்ட மாறி DC வெளியீட்டு மின்னழுத்தத்துடன் மதிப்பீடு செய்யப்பட்டது. இந்த முன்மாதிரி ZVS உடன் முழு உள்ளீட்டு மின்னழுத்தம் மற்றும் சுமை மின்னோட்ட வரம்பிலும் இயங்குகிறது மற்றும் 95% வரம்பில் செயல்திறனுடன் 5% க்கும் குறைவான உள்ளீட்டு மின்னோட்ட THD ஐ அடைகிறது. |
5417bd72d1b787ade0c485f1188189474c199f4d | ஒரு தழுவல் இழப்பு இலக்கு செயல்பாட்டைப் பயன்படுத்தி நிலைத்தன்மையையும் செயல்திறனையும் மேம்படுத்த Generative Adversarial Networks (GANs) க்கு ஒரு புதிய பயிற்சி நடைமுறையை நாங்கள் முன்மொழிகிறோம். இலக்கு விநியோகத்தின் எதிர்பார்க்கப்படும் ஆற்றலுடன் பொருத்தமான கீல் இழப்பு விளிம்பை மதிப்பிடுகிறோம், விளிம்பை புதுப்பிப்பதற்கான ஒரு கொள்கை அளவுகோல் மற்றும் தோராயமான நெருக்கடி அளவீடு ஆகிய இரண்டையும் பெறுகிறோம். இதன் விளைவாக வரும் பயிற்சி நடைமுறை எளிமையானது, ஆனால் பல தரவுத் தொகுப்புகளில் வலுவானது. மேற்பார்வை செய்யப்படாத பட உருவாக்கம் தொடர்பான முன்மொழியப்பட்ட பயிற்சி முறையை மதிப்பீடு செய்கிறோம், தரமான மற்றும் அளவு செயல்திறன் மேம்பாடுகளை கவனத்தில் கொள்கிறோம். |
007ee2559d4a2a8c661f4f5182899f03736682a7 | கட்டுப்படுத்தி-அரவல் நெட்வொர்க் (CAN) பஸ் நெறிமுறை [1] என்பது 1986 ஆம் ஆண்டில் ராபர்ட் போஷ் ஜிஎம்எச் ஆல் கண்டுபிடிக்கப்பட்ட ஒரு பஸ் நெறிமுறையாகும், இது முதலில் ஆட்டோமொபைல் பயன்பாட்டிற்காக வடிவமைக்கப்பட்டது. இப்போது, இந்த பஸ்ஸை கார்கள் மற்றும் லாரிகள், மின்னல் அமைப்புகள் மற்றும் தொழில்துறை தையல் கருவிகள் என பலவற்றில் காணலாம். அதன் இயல்பு காரணமாக, இது பாதுகாப்பு, அதாவது, நம்பகத்தன்மை மீது மிகவும் கவனம் செலுத்தும் ஒரு அமைப்பு. துரதிருஷ்டவசமாக, குறியாக்கம் அல்லது அங்கீகாரம் போன்ற பாதுகாப்பை அமல்படுத்த எந்த உள்ளமைக்கப்பட்ட வழிகளும் இல்லை. இந்த ஆய்வில், CAN பஸ்ஸில் பின்னோக்கி இணக்கமான செய்தி அங்கீகார நெறிமுறையை செயல்படுத்துவதில் உள்ள சிக்கல்களை நாங்கள் ஆராய்வோம். இதுபோன்ற ஒரு நெறிமுறை எந்த கட்டுப்பாடுகளை சந்திக்க வேண்டும் என்பதையும், இது ஏன் இதுவரை வெளியிடப்பட்ட அனைத்து அங்கீகார நெறிமுறைகளையும் நீக்குகிறது என்பதையும் நாங்கள் காட்டுகிறோம். மேலும், நாம் ஒரு செய்தி அங்கீகார நெறிமுறை, CANAuth, முன்வைக்கப்படுகிறது இது அனைத்து தேவைகளை பூர்த்தி செய்கிறது மற்றும் CAN பஸ் எந்த கட்டுப்பாடு மீறவில்லை. முக்கிய வார்த்தைகள்-CAN பஸ், உட்பொதிக்கப்பட்ட நெட்வொர்க்குகள், ஒளிபரப்பு அங்கீகாரம், சமச்சீர் குறியாக்கம் |
129359a872783b7c3a82c2c9dbef75df2956d2d3 | XFI என்பது ஒரு விரிவான பாதுகாப்பு அமைப்பாகும், இது நெகிழ்வான அணுகல் கட்டுப்பாடு மற்றும் அடிப்படை ஒருமைப்பாடு உத்தரவாதங்களை வழங்குகிறது, எந்தவொரு சலுகை மட்டத்திலும் மற்றும் சரக்கு அமைப்புகளில் உள்ள பழைய குறியீட்டிற்கும் கூட. இந்த நோக்கத்திற்காக, XFI நிலையான பகுப்பாய்வை இன்லைன் மென்பொருள் காவலர்கள் மற்றும் இரண்டு அடுக்கு செயல்படுத்தும் மாதிரியுடன் இணைக்கிறது. பைனரி மறுபதிப்பு மற்றும் ஒரு எளிய, தனித்தனி சரிபார்ப்பைப் பயன்படுத்தி x86 கட்டமைப்பில் விண்டோஸிற்கான XFI ஐ நாங்கள் செயல்படுத்தியுள்ளோம்; செயல்படுத்தலின் துல்லியம் சரிபார்ப்பவரைப் பொறுத்தது, ஆனால் மறுபதிப்பாளரை அல்ல. சாதன இயக்கிகள் மற்றும் மல்டிமீடியா கோடெக்குகள் போன்ற மென்பொருளுக்கு XFI ஐப் பயன்படுத்தியுள்ளோம். இதன் விளைவாக வரும் தொகுதிகள், கருவி மற்றும் பயனர்-நிலை முகவரி இடைவெளிகளில் பாதுகாப்பாக செயல்படுகின்றன, மிதமான அமலாக்க ஓவர்ஹெட்ஸுடன் மட்டுமே. |
3b938f66d03559e1144fa2ab63a3a9a076a6b48b | சமிக்ஞை செயலாக்கம் மற்றும் புள்ளியியல் போன்ற பயன்பாடுகளில், பல சிக்கல்கள் குறைவாக தீர்மானிக்கப்பட்ட நேரியல் சமன்பாடுகளின் தீர்வுகளை கண்டுபிடிப்பதை உள்ளடக்கியது. இந்த சிக்கல்களை ஒரு கட்டமைக்கப்பட்ட அல்லாத மென்மையான தேர்வுமுறை சிக்கல்களாக வடிவமைக்க முடியும், அதாவது, `1-சாதாரணப்படுத்தப்பட்ட நேரியல் குறைந்தபட்ச சதுர சிக்கல்களைக் குறைப்பதற்கான சிக்கல். இந்த ஆய்வில், ஒரு தொகுதி ஒருங்கிணைப்பு சாய்வு வழிமுறை (சிஜிடி என சுருக்கமாக) ஒரு பொதுவான `1- ஒழுங்குபடுத்தப்பட்ட குவியலான குறைப்பு சிக்கல்களை தீர்க்க முன்மொழிகிறோம், அதாவது, ஒரு `1- ஒழுங்குபடுத்தப்பட்ட குவியலான மென்மையான செயல்பாட்டைக் குறைக்கும் சிக்கல். போதுமான இறக்கத்தை உறுதிப்படுத்த ஒரு கோஸ்-சவுத்வெல் வகை விதி மூலம் ஒருங்கிணைப்பு தொகுதி தேர்ந்தெடுக்கப்படும் போது எங்கள் முறைக்கு ஒரு Q- நேரியல் நெருக்கமான விகிதத்தை நிறுவுகிறோம். நாம் CGD முறையின் திறமையான நடைமுறைகளை முன்மொழிகிறோம் மற்றும் தரவு வகைப்படுத்தலில் அம்சம் தேர்வுக்கான பெரிய அளவிலான ∀1- ஒழுங்குபடுத்தப்பட்ட நேரியல் குறைந்த சதுர சிக்கல்களைத் தீர்ப்பதற்கான எண் முடிவுகளை அறிக்கையிடுகிறோம். பெரிய அளவிலான `1-சாதாரணப்படுத்தப்பட்ட நேரியல் குறைந்த சதுரங்கள் அல்லது தளவாட பின்னடைவு சிக்கல்களைத் தீர்க்க வடிவமைக்கப்பட்ட பல அதிநவீன வழிமுறைகளுடன் ஒப்பீடு, CGD முறை இந்த சிறப்பு வகை சிக்கல்களைத் தீர்க்க குறிப்பாக வடிவமைக்கப்படவில்லை என்ற போதிலும், திறமையாக செயல்படுத்தப்பட்ட CGD முறை இந்த வழிமுறைகளை விட சிறப்பாக செயல்படக்கூடும் என்பதைக் குறிக்கிறது. |
8ad03b36ab3cba911699fe1699332c6353f227bc | யுனெஸ்கோவின் கூற்றுப்படி, கல்வி என்பது ஒரு அடிப்படை மனித உரிமை மற்றும் ஒவ்வொரு நாட்டின் குடிமக்களுக்கும் அதற்கு சமமான தரத்துடன் உலகளாவிய அணுகல் வழங்கப்பட வேண்டும். பெரும்பாலான நாடுகளில், குறிப்பாக வளரும் மற்றும் பின்தங்கிய நாடுகளில் இந்த இலக்கை இன்னும் அடையவில்லை என்பதால், கல்வியை மேம்படுத்துவதற்கான மிகவும் பயனுள்ள வழிகளைக் கண்டறிவது மிகவும் முக்கியம். இந்த ஆவணம் கணக்கீட்டு நுண்ணறிவின் (தரவு சுரங்கம் மற்றும் தரவு அறிவியல்) பயன்பாட்டின் அடிப்படையில் ஒரு மாதிரியை முன்வைக்கிறது, இது மாணவரின் அறிவு சுயவிவரத்தை உருவாக்க வழிவகுக்கிறது மற்றும் இது கல்வியாளர்களுக்கு அவர்களின் மாணவர்களை சிறந்த முறையில் நோக்குநிலைக்கு கொண்டு வருவதற்கான முடிவெடுப்பதில் உதவக்கூடும். ஒவ்வொரு மாணவனுக்கும் தனிப்பட்ட மூலோபாய திட்டமிடல் மூலம் இலக்குகளை அடைவதை கண்காணிக்கும் முக்கிய செயல்திறன் குறிகாட்டிகளை நிறுவவும் இந்த மாதிரி முயற்சிக்கிறது. தரவு அமைப்பு காட்சிப்படுத்தல் மற்றும் பரிந்துரை அமைப்புகளுக்கான வரைபட விளக்கம் ஆகியவற்றை இந்த மாதிரி பயன்படுத்துகிறது. பிரேசிலில் உள்ள ஒரு தனியார் பள்ளியில் இருந்து பெறப்பட்ட உண்மையான தரவுகளின் அடிப்படையில் இந்த முடிவுகள் தயாரிக்கப்பட்டுள்ளன. இந்தத் தரவுகளில் முக்கிய தரவுகளுக்கான தொடர்புகள், மாணவர்களின் செயல்திறனைக் கணிக்கும் மாதிரி மற்றும் பங்குதாரர்களுக்கான பரிந்துரைகள் ஆகியவை அடங்கும். |
500923d2513d30299350a6a0e9b84b077250dc78 | தகவல் மீட்பு மற்றும் தகவல் ஒருங்கிணைப்பில் முக்கிய பங்கு வகிக்கிறது. சொற்பொருள் ஒற்றுமையை மாதிரியாகக் கொண்ட பாரம்பரிய அணுகுமுறைகள் ஒரு ஒற்றை ஆன்டாலஜியில் வரையறைகளுக்கு இடையிலான சொற்பொருள் தூரத்தை கணக்கிடுகின்றன. இந்த ஒற்றை ஆன்டாலஜி ஒரு டொமைன்-சுயாதீனமான ஆன்டாலஜி அல்லது ஏற்கனவே உள்ள ஆன்டாலஜிகளின் ஒருங்கிணைப்பின் விளைவாகும். ஒரே ஒரு ஆன்டாலஜி தேவைகளை தளர்த்தி, வெவ்வேறு ஆன்டாலஜி விவரக்குறிப்புகளின் வெளிப்படைத்தன்மை மற்றும் முறையான நிலைகளில் உள்ள வேறுபாடுகளை கணக்கிடுவதற்கான ஒரு அணுகுமுறையை நாங்கள் முன்வைக்கிறோம். ஒற்றுமை செயல்பாடு ஒத்த நிறுவன வகுப்புகளை ஒரு பொருத்தமான செயல்முறையைப் பயன்படுத்தி ஒத்த சொற்களின் தொகுப்புகள், சொற்பொருள் சுற்றுப்புறங்கள் மற்றும் பாகங்கள், செயல்பாடுகள் மற்றும் பண்புகளில் வகைப்படுத்தப்படும் பண்புகளை வேறுபடுத்துவதன் மூலம் தீர்மானிக்கிறது. வெவ்வேறு ஆன்டாலஜிகளுடன் சோதனை முடிவுகள், ஆன்டாலஜிகள் முழுமையான மற்றும் விரிவான பிரதிநிதித்துவங்களைக் கொண்டிருக்கும்போது மாதிரி நல்ல முடிவுகளைத் தருகிறது என்பதைக் குறிக்கிறது. சமமான நிறுவன வகுப்புகளைக் கண்டறிய வார்த்தை பொருத்தம் மற்றும் சொற்பொருள் அண்டை பொருத்தம் ஆகியவற்றின் கலவையானது போதுமானதாக இருக்கும்போது, அம்ச பொருத்தம் ஒத்த, ஆனால் அவசியமில்லை, நிறுவன வகுப்புகளை வேறுபடுத்திப் பார்க்க அனுமதிக்கிறது. |
1c58b4c7adee37874ac96f7d859d1a51f97bf6aa | அடுக்கு பொதுமைப்படுத்தல் என்பது அதிக முன்கணிப்பு துல்லியத்தை அடைய குறைந்த அளவிலான மாதிரிகளை இணைக்க உயர் மட்ட மாதிரியைப் பயன்படுத்துவதற்கான ஒரு பொதுவான முறையாகும். இந்த ஆய்வில், 1992 ஆம் ஆண்டில் வொல்பெர்ட் மூலம் அடுக்கு பொதுமயமாக்கல் அறிமுகப்படுத்தப்பட்டதிலிருந்து வகைப்படுத்தல் பணிகளில் கருப்பு கலை என்று கருதப்படும் இரண்டு முக்கியமான பிரச்சினைகளை நாங்கள் கையாள்கிறோம்ஃ உயர் மட்ட மாதிரியை பெற பொருத்தமான பொதுமயமாக்கலின் வகை மற்றும் அதன் உள்ளீடாக பயன்படுத்தப்பட வேண்டிய பண்புகளின் வகை. உயர் நிலை மாதிரிகள் குறைந்த நிலை மாதிரிகளின் அடர்த்தியை (மற்றும் முன்னறிவிப்புகளை மட்டும்) இணைக்கும்போது சிறந்த முடிவுகள் பெறப்படுகின்றன. மூன்று வெவ்வேறு வகையான கற்றல் வழிமுறைகளை இணைத்து வகைப்படுத்தும் பணிகளில் அடுக்கி பொதுமயமாக்கலின் செயல்திறனை நாங்கள் நிரூபிக்கிறோம். அடுக்கு பொதுமயமாக்கலின் செயல்திறனை பெரும்பான்மை வாக்கெடுப்புடன் ஒப்பிடுகிறோம். |
017ee86aa9be09284a2e07c9200192ab3bea9671 | நிபந்தனை GAN கள் இயற்கையான பட தொகுப்பில் முன்னணியில் உள்ளன. இத்தகைய மாதிரிகளின் முக்கிய குறைபாடு, அடையாளம் காணப்பட்ட தரவுகளின் அவசியம் ஆகும். இந்த வேலையில், நிபந்தனை மற்றும் நிபந்தனையற்ற GAN களுக்கு இடையிலான இடைவெளியை மூடுவதற்கு, இரண்டு பிரபலமான மேற்பார்வை செய்யப்படாத கற்றல் நுட்பங்களை, எதிர் பயிற்சி மற்றும் சுய மேற்பார்வை ஆகியவற்றை நாங்கள் பயன்படுத்துகிறோம். குறிப்பாக, நாங்கள் வலையமைப்புகள் பிரதிநிதித்துவ கற்றல் பணியில் ஒத்துழைக்க அனுமதிக்கிறோம், அதே நேரத்தில் கிளாசிக் GAN விளையாட்டுக்கு எதிராக எதிர்க்கிறோம். சுய மேற்பார்வையின் பங்கு, வித்தியாசப்படுத்துபவர் பயிற்சியின் போது மறக்கப்படாத அர்த்தமுள்ள அம்ச பிரதிநிதித்துவங்களைக் கற்றுக்கொள்ள ஊக்குவிப்பதாகும். நாம் கற்ற பட பிரதிநிதித்துவங்களின் தரத்தையும், மற்றும் செயற்கை படங்களின் தரத்தையும் சோதிக்கிறோம். அதே நிபந்தனைகளின் கீழ், சுய-கண்காணிக்கப்பட்ட GAN ஆனது, அதிநவீன நிபந்தனைக்குட்பட்ட சகாக்களுக்கு ஒத்த செயல்திறனை அடைகிறது. இறுதியாக, முழுமையாக மேற்பார்வை செய்யப்படாத கற்றலுக்கான இந்த அணுகுமுறையை நிபந்தனையற்ற IMAGENET தலைமுறையில் 33 இன் FID ஐ அடைய அளவிட முடியும் என்பதை நாங்கள் காட்டுகிறோம். |
5c695f1810951ad1bbdf7da5f736790dca240e5b | சமூக ஊடகங்களில் பயனர் உருவாக்கிய உள்ளடக்கத்தை பகுப்பாய்வு செய்தல் மற்றும் தயாரிப்புகள் மற்றும் நிகழ்வுகள் குறித்த பயனர் கருத்துக்களை துல்லியமாக குறிப்பிடுவது பல பயன்பாடுகளுக்கு மிகவும் மதிப்புமிக்கது. இணையம் 2.0 பெருகிய முறையில் பரவி வருவதோடு இணையத்தில் பயனர் உருவாக்கிய உள்ளடக்கத்தின் வேகமான வளர்ச்சியுடன், நுணுக்கமான தகவல்களை வழங்கும் அம்ச நிலை உணர்வு பகுப்பாய்வின் அணுகுமுறைகள் மிகுந்த ஆர்வம் காட்டுகின்றன. இந்த ஆய்வில், அம்ச அடிப்படையிலான உணர்வு பகுப்பாய்விற்கான ஒரு வகைப்படுத்தி குழு அணுகுமுறை வழங்கப்பட்டுள்ளது. அணுகுமுறை பொதுவானது மற்றும் ஒரு தலைப்பை மாதிரியாகக் குறிக்கவும், பயனர்கள் உரையாற்றும் முக்கிய அம்சங்களைக் குறிப்பிடவும் மறைக்கப்பட்ட டிரிச்லெட் ஒதுக்கீட்டைப் பயன்படுத்துகிறது. பின்னர், ஒவ்வொரு கருத்தும் மேலும் பகுப்பாய்வு செய்யப்பட்டு, சொற்களுக்கும் அம்சங்களுக்கும் இடையிலான தொடர்புகளை குறிக்கும் வார்த்தை சார்புகள் பிரித்தெடுக்கப்படுகின்றன. நைவ் பேய்ஸ், அதிகபட்ச என்ட்ரோபி மற்றும் ஆதரவு வெக்டார் இயந்திரங்களால் வடிவமைக்கப்பட்ட ஒரு தொகுப்பு வகைப்படுத்தி, ஒவ்வொரு அம்சத்திற்கும் பயனரின் கருத்தின் துருவநிலையை அடையாளம் காண வடிவமைக்கப்பட்டுள்ளது. மதிப்பீட்டு முடிவுகள் தனிப்பட்ட வகைப்படுத்திகளுடன் ஒப்பிடும்போது நல்ல முன்னேற்றத்தைக் காட்டுகின்றன, மேலும் பயனர் உருவாக்கிய உள்ளடக்கத்தை பகுப்பாய்வு செய்வதிலும் பயனர்களின் கருத்துக்கள் மற்றும் அணுகுமுறைகளை குறிப்பிடுவதிலும் ஒட்டுமொத்த அமைப்பு அளவிடக்கூடியது மற்றும் துல்லியமானது என்பதைக் குறிக்கிறது. |
4f1fe957a29a2e422d4034f4510644714d33fb20 | ஆவணங்களை தலைப்பு வாரியாக அல்ல, ஒட்டுமொத்த உணர்வு வாரியாக வகைப்படுத்துவதற்கான பிரச்சினையை நாங்கள் கருதுகிறோம், எ. கா. ஒரு விமர்சனம் நேர்மறையானதா அல்லது எதிர்மறையானதா என்பதை தீர்மானித்தல். திரைப்பட விமர்சனங்களை தரவுகளாகப் பயன்படுத்தி, இயந்திரக் கற்றல் முறைகள் மனிதனால் உருவாக்கப்பட்ட அடிப்படைகளை விட சிறப்பாக செயல்படுகின்றன என்பதைக் கண்டறிந்தோம். இருப்பினும், நாங்கள் பயன்படுத்திய மூன்று இயந்திர கற்றல் முறைகள் (நைவ் பேய்ஸ், அதிகபட்ச என்ட்ரோபி வகைப்பாடு மற்றும் ஆதரவு திசையன் இயந்திரங்கள்) பாரம்பரிய தலைப்பு அடிப்படையிலான வகைப்படுத்தலைப் போல உணர்வு வகைப்படுத்தலில் சிறப்பாக செயல்படாது. உணர்வு வகைப்படுத்தல் சிக்கலை மேலும் சவாலானதாக ஆக்குகின்ற காரணிகளை ஆராய்வதன் மூலம் முடிக்கிறோம். வெளியீட்டுத் தகவல்: EMNLP இன் செயல்முறைகள் 2002, பக். 79-86 க்கு |
722e2f7894a1b62e0ab09913ce9b98654733d98e | இந்த வெளியீட்டில் IEEE பதிப்புரிமை இல்லாத மறுபதிப்பு கட்டுரைகள் உள்ளன. இந்த கட்டுரைகளுக்கான முழு உரை IEEE Xplore இல் கிடைக்கவில்லை. |
2485c98aa44131d1a2f7d1355b1e372f2bb148ad | இந்த ஆய்வில், CAS-PEAL முக தரவுத்தளம் என்ற பெரிய அளவிலான சீன முக தரவுத்தளத்தின் கையகப்படுத்தல் மற்றும் உள்ளடக்கத்தை விவரிக்கிறோம். CAS-PEAL முக தரவுத்தளத்தை உருவாக்குவதற்கான குறிக்கோள்கள் பின்வருவனவற்றை உள்ளடக்குகின்றன: 1) முக அங்கீகாரத்திற்கான உலகளாவிய ஆராய்ச்சியாளர்களுக்கு மாறுபாடுகளின் வெவ்வேறு ஆதாரங்களை வழங்குதல், குறிப்பாக போஸ், வெளிப்பாடு, பாகங்கள் மற்றும் விளக்குகள் (PEAL), மற்றும் ஒரே மாதிரியான தரவுத்தளத்தில் முழுமையான அடிப்படை உண்மை தகவல்கள்; 2) ஆஃப்-தி-ஷெல்ஃப் இமேஜிங் உபகரணங்களைப் பயன்படுத்துவதன் மூலம் நடைமுறை பயன்பாடுகளை நோக்கமாகக் கொண்ட அதிநவீன முக அங்கீகார தொழில்நுட்பங்களை முன்னேற்றுதல் மற்றும் தரவுத்தளத்தில் சாதாரண முக மாறுபாடுகளை வடிவமைத்தல்; மற்றும் 3) மங்கோலிய மொழியின் பெரிய அளவிலான முக தரவுத்தளத்தை வழங்குதல். தற்போது, CAS-PEAL முக தரவுத்தளத்தில் 1040 நபர்களின் 99 594 படங்கள் உள்ளன (595 ஆண்கள் மற்றும் 445 பெண்கள்). ஒன்பது கேமராக்கள் கிடைமட்டமாக ஒரு வில் கை மீது ஏற்றப்பட்டு ஒரே நேரத்தில் வெவ்வேறு போஸ்களில் படங்களை எடுக்கின்றன. [பக்கம் 3-ன் படம்] ஐந்து முகபாவனைகள், ஆறு ஆபரணங்கள், மற்றும் 15 விளக்கு மாற்றங்கள் ஆகியவை தரவுத்தளத்தில் சேர்க்கப்பட்டுள்ளன. தரவுத்தளத்தின் தேர்ந்தெடுக்கப்பட்ட துணைக்குழு (CAS-PEAL-R1, 1040 நபர்களின் 30 863 படங்களைக் கொண்டது) இப்போது மற்ற ஆராய்ச்சியாளர்களுக்கு கிடைக்கிறது. CAS-PEAL-R1 தரவுத்தளத்தின் அடிப்படையில் மதிப்பீட்டு நெறிமுறையைப் பற்றி விவாதித்து, பின்வருவனவற்றைச் செய்வதற்கான அடிப்படைக் கோடுகளாக நான்கு வழிமுறைகளின் செயல்திறனை முன்வைக்கிறோம்: 1) முக அங்கீகார வழிமுறைகளுக்கான தரவுத்தளத்தின் சிரமத்தை அடிப்படை மதிப்பீடு செய்ய; 2) தரவுத்தளத்தைப் பயன்படுத்தும் ஆராய்ச்சியாளர்களுக்கான விருப்ப மதிப்பீட்டு முடிவுகள்; மற்றும் 3) பொதுவாகப் பயன்படுத்தப்படும் வழிமுறைகளின் பலம் மற்றும் பலவீனங்களை அடையாளம் காணவும். |
a0456c27cdd58f197032c1c8b4f304f09d4c9bc5 | தொகுதி முறைகள் ஒரு தொகுதி வகைப்படுத்திகளை உருவாக்கி, பின்னர் அவற்றின் கணிப்புகளின் எடைபோட்ட வாக்குகளை எடுத்து புதிய தரவு புள்ளிகளை வகைப்படுத்தும் வழிமுறைகளைக் கற்றுக்கொள்கின்றன. அசல் தொகுதி முறை பேயஸியன் சராசரி ஆகும், ஆனால் சமீபத்திய வழிமுறைகளில் பிழை திருத்தம் வெளியீட்டு குறியீட்டு பொதி மற்றும் அதிகரிப்பு ஆகியவை அடங்கும். இந்த ஆவணம் இந்த முறைகளை மதிப்பாய்வு செய்கிறது மற்றும் தொகுதிகள் பெரும்பாலும் எந்தவொரு ஒற்றை வகைப்படுத்தியையும் விட சிறப்பாக செயல்பட முடியும் என்பதை விளக்குகிறது. தொகுதி முறைகளை ஒப்பிடுவதற்கான சில முந்தைய ஆய்வுகள் மதிப்பாய்வு செய்யப்படுகின்றன மற்றும் சில புதிய சோதனைகள் அடாபூஸ்ட் விரைவாக செயல்படாத காரணங்களைக் கண்டறிய முன்வைக்கப்படுகின்றன |
9a292e0d862debccffa04396cd5bceb5d866de18 | |
610bc4ab4fbf7f95656b24330eb004492e63ffdf | நாம் ஒரு எதிர்மறை அல்லாத மேட்ரிக்ஸை குறைந்த தரவரிசை காரணி மூலம் நெருங்கி வரும் ஒரு எதிர்மறை அல்லாத மேட்ரிக்ஸை காரணிப்படுத்துதல் சிக்கலைப் படிக்கிறோம். இந்த சிக்கல் குறிப்பாக இயந்திர கற்றலில் முக்கியமானது, மேலும் இது ஏராளமான பயன்பாடுகளில் காணப்படுகிறது. துரதிருஷ்டவசமாக, அசல் வடிவமைப்பு தவறானது மற்றும் NPhard. இந்த ஆய்வில், ஒவ்வொரு தரவு புள்ளியும் ஒரு சில தனித்தனி தரவு நெடுவரிசைகளின் குவிந்த கலவையாகும் என்று கூறும் பிரிக்கக்கூடிய அனுமானத்தின் கீழ் NMF சிக்கலைத் தீர்க்க Row Entropy Minimization அடிப்படையில் ஒரு வரிசை அரிதான மாதிரியை நாங்கள் முன்மொழிகிறோம். நாம் நுண்ணோக்கி செயல்பாடு மற்றும் `∞ விதிமுறைகளின் செறிவைப் பயன்படுத்தி குறைந்த எண்ணிக்கையிலான மறைநிலை மாறிகள் மீது ஆற்றலைக் குவிக்கிறோம். பிரிக்கக்கூடிய தன்மை கருதுகோளின் கீழ், தரவு தொகுப்பை உருவாக்கும் தரவு நெடுவரிசைகளை எங்கள் முன்மொழியப்பட்ட மாதிரி வலுவாக மீட்டெடுக்கிறது என்பதை நிரூபிக்கிறோம், தரவு சத்தம் மூலம் சிதைந்தாலும் கூட. முன்மொழியப்பட்ட மாதிரியின் வலுவை நாம் அனுபவ ரீதியாக நியாயப்படுத்துகிறோம், மேலும் இது கலை பிரிக்கக்கூடிய என்எம்எஃப் வழிமுறைகளை விட கணிசமாக வலுவானது என்பதைக் காட்டுகிறோம். |
f829fa5686895ec831dd157f88949f79976664a7 | வரிசைப்படுத்தப்பட்ட பேய்சியன் அணுகுமுறைகள் அனுபவ ரீதியான சந்தைப்படுத்தலில் முக்கிய பங்கு வகிக்கின்றன, ஏனெனில் அவை தனிப்பட்ட அளவிலான அளவுரு மதிப்பீடுகளைத் தருகின்றன, அவை முடிவுகளை இலக்காகக் கொள்ளப் பயன்படுகின்றன. MCMC முறைகள் வரிசைப்படுத்தப்பட்ட பேய்சியன் மாதிரிகளை மதிப்பிடுவதற்கான விருப்பமான முறைகளாக இருந்தன, ஏனெனில் அவை துல்லியமான தனிப்பட்ட அளவிலான மதிப்பீடுகளை வழங்கும் திறன் கொண்டவை. இருப்பினும், MCMC முறைகள் கணக்கீட்டு ரீதியாக தடைசெய்யக்கூடியவை மற்றும் தற்போதைய பெரிய தரவு சகாப்தத்தில் பொதுவானதாக மாறியுள்ள பாரிய தரவுத் தொகுப்புகளுக்குப் பயன்படுத்தும்போது அவை நன்கு அளவிடப்படுவதில்லை. மாறுபட்ட பேய்சியன் (VB) ஊகங்கள் எனப்படும் பேய்சியன் மதிப்பீட்டு நுட்பங்களின் புதிய வர்க்கத்தை சந்தைப்படுத்தல் இலக்கியத்தில் அறிமுகப்படுத்துகிறோம். இந்த முறைகள் பின்புற விநியோகத்தை தோராயமாகக் கணிப்பதற்கான ஒரு தீர்மானகரமான தேர்வுமுறை அணுகுமுறையின் மூலம் அளவிடுதல் சவாலை எதிர்கொள்கின்றன, மேலும் உருவகப்படுத்துதல் அடிப்படையிலான எம்.சி.எம்.சி முறைகளுடன் தொடர்புடைய கணக்கீட்டு செலவின் ஒரு பகுதியிலேயே துல்லியமான மதிப்பீடுகளை வழங்குகின்றன. மாறுபட்ட பேய்சியன் ஊகத்தில் சமீபத்திய முன்னேற்றங்களை நாங்கள் பயன்படுத்தி விரிவுபடுத்துகிறோம், மேலும் சிக்கலான சந்தைப்படுத்தல் மாதிரிகளை மதிப்பிடுவதற்கு இரண்டு VB மதிப்பீட்டு அணுகுமுறைகள் - சராசரி-கால் VB (இது கிப்ஸ் மாதிரிக்கு ஒத்ததாகும்) இணைந்த மாதிரிகள் மற்றும் நிலையான வடிவ VB (இது மெட்ரோபோலிஸ்-ஹாஸ்டிங்கிற்கு ஒத்ததாகும்) இணைக்கப்படாத மாதிரிகளுக்கு - திறம்பட இணைக்கப்படலாம். இவ்வகை வி.பி. முறைகளின் வேகத்தை மேலும் அதிகரிக்க, இணையான கணினி மற்றும் ஸ்டோகாஸ்டிக் தேர்வுமுறை ஆகியவற்றில் சமீபத்திய முன்னேற்றங்கள் எவ்வாறு பயன்படுத்தப்படலாம் என்பதையும் காண்பிக்கிறோம். உருவகப்படுத்தப்பட்ட மற்றும் உண்மையான தரவுத் தொகுப்புகளைப் பயன்படுத்தி, நாங்கள் பல பொதுவாகப் பயன்படுத்தப்படும் சந்தைப்படுத்தல் மாதிரிகளுக்கு VB அணுகுமுறைகளைப் பயன்படுத்துகிறோம் (எ. கா. கலப்பு நேரியல், லாஜிட், தேர்வு, மற்றும் படிநிலை வரிசைமுறை லாஜிட் மாதிரிகள்), மற்றும் VB ஊகமானது மார்க்கெட்டிங் சிக்கல்களுக்கு பரவலாக எவ்வாறு பொருந்தும் என்பதை நிரூபிக்கவும். |
bf8a0014ac21ba452c38d27bc7d930c265c32c60 | உயர் மட்ட இணைப்பு அணுகுமுறைகளை பயன்படுத்துவது பல சென்சார் தரவு இணைப்பில் குறிப்பிடத்தக்க நன்மைகளை நிரூபிக்கிறது மற்றும் வாகன பாதுகாப்பு இணைப்பு அமைப்புகள் இதற்கு விதிவிலக்கல்ல. உயர் மட்ட இணைப்பு, கார் சென்சார் நெட்வொர்க்குகளுக்குப் பயன்படுத்தப்படலாம். இந்த அணுகுமுறையின் நன்மை என்னவென்றால், இது கணினி தொகுதித்தன்மையை உறுதிசெய்கிறது மற்றும் தரப்படுத்தலை அனுமதிக்கிறது, ஏனெனில் இது செயலாக்கத்திற்குள் பின்னூட்டங்கள் மற்றும் சுழற்சிகளை அனுமதிக்காது. இந்த ஆவணத்தில் இரண்டு குறிப்பிட்ட உயர் மட்ட தரவு இணைப்பு அணுகுமுறைகள் சுருக்கமான கட்டமைப்பு மற்றும் வழிமுறை விளக்கக்காட்சியை உள்ளடக்கியது. இந்த அணுகுமுறைகள் முக்கியமாக அவற்றின் தரவு இணைப்பு பகுதியில் வேறுபடுகின்றனஃ (அ) பாதை நிலை இணைப்பு அணுகுமுறை அதை புள்ளி-க்கு-புள்ளி இணைப்புடன் தீர்க்கிறது, பொருள் தொடர்ச்சி மற்றும் பல பரிமாண ஒதுக்கீட்டில் முக்கியத்துவம் அளிக்கிறது, மற்றும் (ஆ) சுற்றுச்சூழலை மாதிரியாகக் கொண்ட ஒரு பொதுவான வழியை முன்மொழிகிறது மற்றும் சென்சார் தரவு இணைப்பைச் செய்ய நெட் அடிப்படையிலான இணைப்பு அணுகுமுறை. இந்த அணுகுமுறைகளுக்கான சோதனை வழக்கு பல சென்சார் பொருத்தப்பட்ட PReVENT/ProFusion2 லாரி ஆர்ப்பாட்ட வாகனம் ஆகும். |
c8cc94dd21d78f4f0d07ccb61153bfb798aeef2c | |
4152070bd6cd28cc44bc9e54ab3e641426382e75 | தரவு சுரங்கம், இயந்திர கற்றல், தரவுத்தளம் மற்றும் தகவல் மீட்பு சமூகங்களில் தரவு வகைப்படுத்தல் பிரச்சினை பரவலாக ஆய்வு செய்யப்பட்டுள்ளது. இது இலக்கு சந்தைப்படுத்தல், மருத்துவ நோயறிதல், செய்தி குழு வடிகட்டுதல் மற்றும் ஆவண அமைப்பு போன்ற பல வேறுபட்ட களங்களில் பயன்பாடுகளைக் கொண்டுள்ளது. இந்த ஆய்வில் நாம் பல்வேறு வகையான உரை வகைப்பாடுகளை ஒரு ஆய்வு வழங்குவோம் |
e050e89d01afffd5b854458fc48c9d6720a8072c | |
8bf72fb4edcb6974d3c4b0b2df63d9fd75c5dc4f | இத்தகைய அணுகுமுறைகள் அதிக செயல்திறனை வழங்கக்கூடும், ஏனெனில் அவை இயற்கை மொழிக் கருத்துக்களுடன் தொடர்புடைய மறைமுக, சொற்பொருள் அம்சங்களை பகுப்பாய்வு செய்ய முடியும். இந்த ஆய்வில், செமண்டிக் சென்டிமென்ட் அனலிட்டிக்ஸ் சவாலின் நான்காவது பதிப்பை நாங்கள் முன்வைக்கிறோம், இதில் செமண்டிக் அம்சங்களை செயல்படுத்தும் அல்லது நம்பியிருக்கும் அமைப்புகள் பெரிய சோதனைத் தொகுப்புகள் மற்றும் வெவ்வேறு உணர்வு பணிகளை உள்ளடக்கிய ஒரு போட்டியில் மதிப்பீடு செய்யப்படுகின்றன. வெறுமனே தொடரியல்/சொற்களின் எண்ணிக்கையை அடிப்படையாகக் கொண்ட அல்லது சொற்களஞ்சிய அடிப்படையிலான அணுகுமுறைகள் மதிப்பீட்டில் இருந்து விலக்கப்பட்டுள்ளன. பின்னர், ஒவ்வொரு பணிக்கான மதிப்பீட்டின் முடிவுகளையும், உணர்வு பகுப்பாய்வு பணியைச் சமாளிப்பதற்கான பல அறிவுத் தளங்களை இணைக்கும் மிகவும் புதுமையான அணுகுமுறை விருதை வென்றவரைக் காட்டுகிறோம். உணர்வு பகுப்பாய்வு என்பது ஆராய்ச்சி மற்றும் தொழில்துறையில் பரவலாக ஆய்வு செய்யப்பட்ட ஒரு ஆராய்ச்சி துறையாகும், மேலும் உணர்வு பகுப்பாய்வு தொடர்பான பணிகளை நிவர்த்தி செய்வதற்கு வெவ்வேறு அணுகுமுறைகள் உள்ளன. உணர்வு பகுப்பாய்வு இயந்திரங்கள் சொற்களஞ்சியம் அடிப்படையிலான நுட்பங்கள், இயந்திர கற்றல் அல்லது தொடரியல் விதி பகுப்பாய்வு உள்ளிட்ட அணுகுமுறைகளை செயல்படுத்துகின்றன. இத்தகைய அமைப்புகள் ஏற்கனவே சர்வதேச ஆராய்ச்சி சவால்களில் மதிப்பீடு செய்யப்பட்டுள்ளன. இருப்பினும், பெரிய சொற்பொருள் அறிவுத் தளங்களைக் கருத்தில் கொண்டு அல்லது அவற்றைப் பொறுத்து செமண்டிக் சென்டிமென்ட் பகுப்பாய்வு அணுகுமுறைகள் மற்றும் செமண்டிக் வலை சிறந்த நடைமுறைகளை செயல்படுத்துவது, பிற சர்வதேச சவால்களால் குறிப்பிட்ட சோதனை மதிப்பீடு மற்றும் ஒப்பீட்டின் கீழ் இல்லை. |
21da9ece5587df5a2ef79bf937ea19397abecfa0 | இந்த ஆய்வில், கணிக்கவும், உணர்வு வகைப்படுத்தவும் மூளையால் தீர்க்கப்படும் ஒரு ஊகப் பிரச்சினையாக கருதப்படுகிறது. நாம் கருதுவது, மூளை உலகத்தை ஒரு படிநிலை அல்லது ஒரு மாறும் அமைப்புகளின் தொடர்ச்சியாக வடிவமைக்கிறது, இது உணர்வுக் கட்டமைப்பில் காரண கட்டமைப்பை குறியிடுகிறது. உணர்வு தரவுகளை விளக்க, இந்த உள் மாதிரிகளின் உகப்பாக்கம் அல்லது தலைகீழ்மைக்கு உணர்தல் சமம். உணர்வுத் தரவு எவ்வாறு உருவாக்கப்படுகிறது என்பதற்கான ஒரு மாதிரியைக் கொடுத்தால், மாதிரியின் ஆதாரத்துடன் இணைக்கப்பட்ட ஒரு இலவச ஆற்றலை அடிப்படையாகக் கொண்டு, மாதிரியின் தலைகீழ் மாற்றத்திற்கான பொதுவான அணுகுமுறையை நாம் அழைக்கலாம். பின்வரும் இலவச ஆற்றல் சூத்திரம் சமன்பாடுகளை வழங்குகிறது, இது அங்கீகார செயல்முறையை பரிந்துரைக்கிறது, அதாவது உணர்வுகளின் காரணங்களை பிரதிபலிக்கும் நரம்பியல் செயல்பாட்டின் இயக்கவியல். இங்கு, நாம் ஒரு பொதுவான மாதிரியில் கவனம் செலுத்துகிறோம், அதன் படிநிலை மற்றும் மாறும் அமைப்பு உருவகப்படுத்தப்பட்ட மூளைகளை உணர்வு நிலைகளின் பாதைகள் அல்லது வரிசைகளை அடையாளம் காணவும் கணிக்கவும் உதவுகிறது. நாம் முதலில் படிநிலை மாறும் மாதிரிகள் மற்றும் அவற்றின் தலைகீழ் மதிப்பாய்வு செய்கிறோம். இந்த மாற்றத்தை செயல்படுத்த மூளைக்கு தேவையான உள்கட்டமைப்பு உள்ளது என்பதை நாம் காண்பிப்போம். மேலும் இந்த புள்ளியை விளக்க செயற்கை பறவைகள் பயன்படுத்தி பறவைகளின் பாடல்களை அடையாளம் கண்டு வகைப்படுத்தலாம். |
38a935e212c8e10460545b74a7888e3966c03e74 | இந்த ஆய்வில் 3D பொருள்களை கண்டறிவதற்கான அமோடல் உணர்வின் சிக்கல் குறித்து ஆராயப்படுகிறது. இந்த பணி 3D உலகில் உள்ள பொருளின் இருப்பிடங்களைக் கண்டுபிடிப்பது மட்டுமல்லாமல், அவற்றின் இயற்பியல் அளவுகள் மற்றும் போஸ்களை மதிப்பிடுவதும் ஆகும், அவற்றின் பகுதிகள் மட்டுமே RGB-D படத்தில் தெரியும் என்றாலும் கூட. சமீபத்திய அணுகுமுறைகள் 3D விண்வெளியில் நேரடியாக 3D அம்சங்களை பயன்படுத்த ஆழம் சேனலில் இருந்து புள்ளி மேகத்தை பயன்படுத்த முயற்சித்துள்ளன, மேலும் பாரம்பரிய 2.5D பிரதிநிதித்துவ அணுகுமுறைகளை விட மேலான தன்மையை நிரூபித்துள்ளன. 2.5D பிரதிநிதித்துவ கட்டமைப்பில் ஒட்டிக்கொண்டு, 2.5D காட்சி தோற்றத்தை நேரடியாக 3D பொருள்களுடன் தொடர்புபடுத்துவதன் மூலம், அமோடல் 3D கண்டறிதல் சிக்கலை மீண்டும் பார்வையிடுகிறோம். நாம் ஒரு புதிய 3D பொருள் கண்டறிதல் முறையை முன்மொழிகிறோம், இது ஒரே நேரத்தில் 3D பொருள்களின் இருப்பிடங்கள், இயற்பியல் அளவுகள் மற்றும் உட்புற காட்சிகளில் உள்ள திசைகளை கணிக்கிறது. NYUV2 தரவுத் தொகுப்பில் மேற்கொள்ளப்பட்ட பரிசோதனைகள், நமது வழிமுறை, நவீன வழிமுறையை விட மிகச் சிறப்பாக செயல்படுகிறது என்பதையும், 2.5D பிரதிநிதித்துவம் 3D அமோடல் பொருள்களைக் கண்டறிவதற்கான அம்சங்களை குறியிடும் திறன் கொண்டது என்பதையும் காட்டுகிறது. அனைத்து மூல குறியீடு மற்றும் தரவு https://github.com/phoenixnn/Amodal3Det. |
4d7a8836b304a1ecebee19ff297f1850e81903b4 | |
461ebcb7a274525b8efecf7990c85994248ab433 | குறைந்த சக்தி மற்றும் இழப்பு நெட்வொர்க்குகளுக்கான திசைவித்தல் நெறிமுறை (RPL) என்பது 6LoWPAN நெட்வொர்க்குகள் போன்ற கட்டுப்படுத்தப்பட்ட சூழல்களுக்கு தரப்படுத்தப்பட்ட ஒரு புதிய திசைவித்தல் நெறிமுறையாகும். IPv6/RPL இணைக்கப்பட்ட 6LoWPAN களில் பாதுகாப்பை வழங்குவது சவாலானது, ஏனெனில் சாதனங்கள் நம்பகமற்ற இணையத்துடன் இணைக்கப்பட்டுள்ளன, மேலும் அவை வள வரையறுக்கப்பட்டுள்ளன, தகவல்தொடர்பு இணைப்புகள் இழப்புடன் உள்ளன, மேலும் சாதனங்கள் RPL, 6LoWPAN மற்றும் CoAP / CoAP போன்ற புதிய IoT தொழில்நுட்பங்களின் தொகுப்பைப் பயன்படுத்துகின்றன. இந்த ஆய்வில், தாக்குதல் நடத்துபவர்கள் அல்லது ஐடிஎஸ் நிறுவனங்கள் பயன்படுத்தக்கூடிய IoT தொழில்நுட்பங்கள் மற்றும் அவற்றின் புதிய பாதுகாப்பு திறன்களைப் பற்றிய விரிவான பகுப்பாய்வை நாங்கள் வழங்குகிறோம். இந்த ஆவணத்தில் முக்கிய பங்களிப்புகளில் ஒன்று, 6LoWPAN நெட்வொர்க்குகள் RPL ஐ ஒரு ரூட்டிங் நெறிமுறையாக இயக்கும் போது நன்கு அறியப்பட்ட ரூட்டிங் தாக்குதல்களை நாங்கள் செயல்படுத்துவதும் நிரூபிப்பதும் ஆகும். இந்த தாக்குதல்களை கான்டிகி இயக்க முறைமையில் ஆர்பிஎல் செயலாக்கத்தில் செயல்படுத்தி, இந்த தாக்குதல்களை கூஜா சிமுலேட்டரில் நிரூபிக்கிறோம். மேலும், IPv6 நெறிமுறையில் புதிய பாதுகாப்பு அம்சங்களை நாங்கள் முன்னிலைப்படுத்துகிறோம், மேலும் இந்த அம்சங்களை IoT இல் ஊடுருவல் கண்டறிதலுக்கான பயன்பாட்டை ஒரு இலகுரக இதய துடிப்பு நெறிமுறையை செயல்படுத்துவதன் மூலம் எடுத்துக்காட்டுகிறோம். |
5b8869bb7afa5d8d3c183dfac0d0f26c2e218593 | நடைமுறையில் சிறப்பாக செயல்படும் வழிமுறைகளை வடிவமைக்க, இன்றைய உயர் செயல்திறன் செயலிகளில் காணப்படும் கேச் படிநிலைகள் கணக்கில் எடுத்துக்கொள்ளப்பட வேண்டும். இந்த நோக்கத்திற்காக வெளிப்புற நினைவக வழிமுறைகளை மாற்றியமைப்பதை இந்த ஆவணம் ஆதரிக்கிறது. இந்த யோசனை மற்றும் நடைமுறை சிக்கல்கள் வெளிப்புற நினைவகம் மற்றும் கேச் செய்யப்பட்ட நினைவகத்திற்கு ஏற்ற ஒரு விரைவான முன்னுரிமை வரிசையை வடிவமைப்பதன் மூலம் எடுத்துக்காட்டாகக் காட்டப்படுகின்றன. இது k- வழி இணைப்பை அடிப்படையாகக் கொண்டது. இது முன்னைய வெளிப்புற நினைவக வழிமுறைகளை மேம்படுத்துகிறது. ஒரு பணிநிலையத்தின் கேச் படிநிலையில் இயங்குவது, பைனரி குவியல்கள் மற்றும் பெரிய உள்ளீடுகளுக்கான 4-அரி குவியல்களை மேம்படுத்தப்பட்ட செயல்படுத்தலை விட குறைந்தது இரண்டு மடங்கு வேகமாக இருக்கும். |
1f6ba0782862ec12a5ec6d7fb608523d55b0c6ba | முன்னரே பயிற்சி பெற்ற சொல் திசையன்களின் மேல் பயிற்சி பெற்ற கன்வோல்ஷனல் நியூரல் நெட்வொர்க்குகள் (சிஎன்என்) உடன் தொடர்ச்சியான பரிசோதனைகள் குறித்து நாங்கள் அறிக்கை செய்கிறோம். மிகச்சிறிய அளவுருக்கள் மற்றும் நிலையான திசையன்கள் கொண்ட ஒரு எளிய சிஎன்என் பல தரநிலைகளில் சிறந்த முடிவுகளை அடைகிறது என்பதை நாங்கள் காட்டுகிறோம். பணி-குறிப்பிட்ட திசையன்களை நுணுக்கமான சரிசெய்தல் மூலம் கற்றல் செயல்திறனில் மேலும் ஆதாயங்களை வழங்குகிறது. கூடுதலாக, பணி-குறிப்பிட்ட மற்றும் நிலையான திசையன்களைப் பயன்படுத்துவதற்கு கட்டமைப்பிற்கு ஒரு எளிய மாற்றத்தை நாங்கள் முன்மொழிகிறோம். இங்கு விவாதிக்கப்பட்ட சிஎன்என் மாதிரிகள் 7 பணிகளில் 4 இல் கலை நிலையை மேம்படுத்துகின்றன, இதில் உணர்வு பகுப்பாய்வு மற்றும் கேள்வி வகைப்பாடு ஆகியவை அடங்கும். |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.