_id
stringlengths 40
40
| text
stringlengths 0
10.7k
|
|---|---|
45c56dc268a04c5fc7ca04d7edb985caf2a25093 | தனித்த நிகழ்தகவு விநியோகங்களுடன் பொதுவான அளவுரு மதிப்பீட்டு முறைகளை முன்வைக்கிறது, இது உரை மாதிரியில் குறிப்பாக ஆர்வமாக உள்ளது. அதிகபட்ச நிகழ்தகவு, பின்னோக்கி மற்றும் பேய்சியன் மதிப்பீடு ஆகியவற்றிலிருந்து தொடங்கி, இணைந்த விநியோகங்கள் மற்றும் பேய்சியன் நெட்வொர்க்குகள் போன்ற மையக் கருத்துக்கள் மதிப்பாய்வு செய்யப்படுகின்றன. ஒரு பயன்பாடாக, மறைக்கப்பட்ட டிரிச்லெட் ஒதுக்கீட்டின் (எல்.டி.ஏ) மாதிரி கிப்ஸ் மாதிரி அடிப்படையிலான தோராயமான ஊக வழிமுறையின் முழு வழித்தோன்றலுடன் விரிவாக விளக்கப்பட்டுள்ளது, இதில் டிரிச்லெட் ஹைப்பர்பாரமிட்டர் மதிப்பீடு பற்றிய விவாதம் அடங்கும். வரலாறு: பதிப்பு 1: மே 2005, பதிப்பு 2.4: ஆகஸ்ட் 2008. |
9e463eefadbcd336c69270a299666e4104d50159 | |
2e268b70c7dcae58de2c8ff7bed1e58a5e58109a | இது ஆசிரியரின் டைனமிக் புரோகிராமிங் அண்ட் ஆப்டிமல் கண்ட்ரோல், தொகுதி, அத்தியாயம் 4 இன் புதுப்பிக்கப்பட்ட பதிப்பாகும். II, 4 வது பதிப்பு, Athena Scientific, 2012. புதிய தகவல்கள் இதில் அடங்கும், மேலும் இது கணிசமாக திருத்தப்பட்டு விரிவுபடுத்தப்பட்டுள்ளது (அதன் அளவு இரு மடங்கிற்கும் அதிகமாக அதிகரித்துள்ளது). புதிய பொருள் பல மாதிரிகள் ஒரு ஒருங்கிணைந்த சிகிச்சை வழங்கும் நோக்கம், இவை அனைத்தும் அத்தியாயங்கள் 1 மற்றும் 2 இன் தள்ளுபடி பிரச்சினைகள் பண்புக்கூறு ஒப்பந்த அமைப்பு இல்லைஃ நேர்மறை மற்றும் எதிர்மறை செலவு மாதிரிகள், தீர்மானமான உகந்த கட்டுப்பாடு (தொடர்பு DP உட்பட), ஸ்டோகாஸ்டிக் குறுகிய பாதை மாதிரிகள், மற்றும் ஆபத்து உணர்திறன் மாதிரிகள். புதிய தகவல்களின் சுருக்கம் இதோ: |
6d596cb55d99eae216840090b46bc5e49d7aeea5 | நேரியல் அமைப்புகளின் தீர்வுக்கு பொருத்தமான அடர்த்தியான மேட்ரிக்ஸ் காரணிகளில் முன்னோக்கிப் பார்க்கும் பொறிமுறைகள் என்று அழைக்கப்படுவதை செயல்படுத்தும்போது எதிர்கொள்ளப்படும் சுமை ஏற்றத்தாழ்வை சமாளிக்க இரண்டு புதிய நுட்பங்களை நாங்கள் முன்மொழிகிறோம். இரண்டு நுட்பங்களும் காரணிகளின் போது இரண்டு நூல் குழுக்கள் உருவாக்கப்படுகின்றன / செயல்படுத்தப்படுகின்றன, ஒவ்வொரு குழுவும் ஒரு சுயாதீனமான பணி / செயல்படுத்தும் கிளையைச் செய்வதற்கான பொறுப்பைக் கொண்டுள்ளன. முதலாவது நுட்பம் இரண்டு பணிகளுக்கு இடையில் தொழிலாளர் பகிர்வை (WS) ஊக்குவிக்கிறது, இது முதலில் முடிக்கும் பணியின் நூல்களை அதிக செலவுள்ள பணியின் பயன்பாட்டிற்கு மறு ஒதுக்கீடு செய்ய அனுமதிக்கிறது. இரண்டாவது நுட்பம், விரைவான பணி, நிறைவுக்கான மெதுவான பணியை எச்சரிக்க அனுமதிக்கிறது, இரண்டாவது பணியின் ஆரம்பகால முடிவை (ET) அமல்படுத்துகிறது, மேலும் காரணி செயல்முறையின் அடுத்த மறு செய்கைக்கு மென்மையான மாற்றத்தை அனுமதிக்கிறது. அடிப்படை நேரியல் அல்ஜீப்ரா துணை நிரல்களின் புதிய நெகிழ்வான நூல் மட்ட செயலாக்கத்தின் மூலம் இரண்டு வழிமுறைகள் நிகழ்வு செய்யப்படுகின்றன, மேலும் அவற்றின் நன்மைகள் LU காரணிமயமாக்கலின் ஒரு செயலாக்கத்தின் மூலம் விளக்கப்படுகின்றன. குறிப்பாக, 12 மையங்களுடன் கூடிய இன்டெல்-க்சியோன் அமைப்பில் எமது பரிசோதனை முடிவுகள் WS+ET இணைப்பின் நன்மைகளை காட்டுகின்றன, இது ஒரு பணி-இணை இயங்கும் நேர அடிப்படையிலான தீர்வுடன் ஒப்பிடும்போது போட்டி செயல்திறனைப் பற்றி அறிக்கை செய்கிறது. |
7157dda72073ff66cc2de6ec5db056a3e8b326d7 | 25 26 27 28 29 30 31 32 33 34 35 36 கட்டுரை வரலாறு: பெறப்பட்டது 13 பிப்ரவரி 2012 திருத்தப்பட்ட வடிவத்தில் பெறப்பட்டது 18 மார்ச் 2013 ஏற்றுக்கொள்ளப்பட்டது 4 ஏப்ரல் 2013 ஆன்லைனில் கிடைக்கிறது xxxx |
66903e95f84767a31beef430b2367492ac9cc750 | நோக்கம் 18 வயது வரை ஆய்வு செய்யப்பட்ட 1,000 க்கும் மேற்பட்ட நியூசிலாந்து குழந்தைகளின் பிறப்புக் குழுவில் குழந்தைப் பருவ பாலியல் துஷ்பிரயோகத்தின் (CSA) பரவல், தொடர்புகள் மற்றும் விளைவுகள் ஆகியவற்றை விவரிக்கும் தொடர் கட்டுரைகளில் இது இரண்டாவது ஆகும். இந்த கட்டுரை 18 வயதில் CSA அறிக்கைகள் மற்றும் 18 வயதில் DSM-IV நோயறிதல் வகைப்பாடுகள் ஆகியவற்றுக்கு இடையிலான தொடர்புகளை ஆய்வு செய்கிறது. முறை நியூசிலாந்து குழந்தைகளின் பிறப்புக் குழுவைப் பற்றி, பிறப்பு முதல் 16 வயது வரை ஆண்டு இடைவெளியில் ஆய்வு செய்யப்பட்டது. 18 வயதில் 16 வயதிற்கு முன்னர் CSA பற்றிய பின்னோக்கி அறிக்கைகள் மற்றும் ஒரே நேரத்தில் அளவிடப்பட்ட மனநல அறிகுறிகள் பெறப்பட்டன. முடிவுகள் CSA ஐப் புகாரளித்தவர்கள் CSA ஐப் புகாரளிக்காதவர்களை விட அதிக மனச்சோர்வு, கவலைக் கோளாறு, நடத்தை கோளாறு, போதைப்பொருள் பயன்பாட்டு கோளாறு மற்றும் தற்கொலை நடத்தைகளைக் கொண்டிருந்தனர் (p < . 002). CSA மற்றும் கோளாறுக்கான ஆபத்து ஆகியவற்றுக்கு இடையே நிலையான உறவுகள் இருந்தன, உடலுறவில் ஈடுபடும் CSA ஐப் புகாரளிப்பவர்களிடையே கோளாறுக்கான அதிக ஆபத்து உள்ளது. முன்னோக்கு ரீதியாக அளவிடப்பட்ட குழந்தை பருவ குடும்பம் மற்றும் தொடர்புடைய காரணிகளுக்காக கண்டுபிடிப்புகள் சரிசெய்யப்பட்டபோது இந்த முடிவுகள் நீடித்தன. CSA மற்றும் ஒரே நேரத்தில் அளவிடப்படாத கோளாறுகளுக்கு இடையில் ஒத்த ஆனால் குறைவான குறிப்பிடத்தக்க உறவுகள் காணப்பட்டன. முடிவுகள் CSA, குறிப்பாக கடுமையான CSA, முன்னோக்கி அளவிடப்பட்ட குழப்பமான காரணிகளுக்கு உரிய அனுமதியுடன் செய்யப்பட்டிருந்தாலும், இளம் வயது வந்தவர்களில் மனநலக் கோளாறுக்கான அதிக ஆபத்துடன் தொடர்புடையது என்று கூறுகின்றன. |
8df383aae16ce1003d57184d8e4bf729f265ab40 | புதிய மைக்ரோஸ்ட்ரிப்-லைன்-ஃபீட் அகலப்பரப்பு வட்டமிட்ட துருவப்படுத்தப்பட்ட (சிபி) வட்டவடிவ வளைய-இடைவெளி ஆண்டெனா (ஏஆர்எஸ்ஏ) வடிவமைக்கப்பட்டுள்ளது. தற்போதுள்ள ரிங் ஸ்லாட் ஆண்டெனாக்களுடன் ஒப்பிடும்போது, இங்கு வடிவமைக்கப்பட்ட ARSA கள் மிகப் பெரிய CP அலைவரிசைகளைக் கொண்டுள்ளன. முன்மொழியப்பட்ட வடிவமைப்பின் முக்கிய அம்சங்கள் ஒரு பரந்த மோதிர ஸ்லாட், ஒரு ஜோடி நிலத்தடி தொப்பி வடிவ பட்டைகள், மற்றும் ஒரு சிதைந்த வளைந்த உணவு மைக்ரோஸ்ட்ரிப் வரி ஆகியவை அடங்கும். எல் மற்றும் எஸ் பட்டைகளில் FR4 அடி மூலக்கூறுகளைப் பயன்படுத்தி வடிவமைக்கப்பட்ட ARSA களில் 3-டிபி அச்சு-விகித அலைவரிசைகள் (ARBW கள்) முறையே 46% மற்றும் 56% வரை உள்ளன, அதே நேரத்தில் எல் பட்டைகளில் RT5880 அடி மூலக்கூறைப் பயன்படுத்தி வடிவமைக்கப்பட்ட ஒன்று 65% ஆகும். இந்த 3-dB அச்சு விகித பட்டைகளில், VSWR ≤ 2 உடன் தடை பொருந்தும் தன்மை அடையப்படுகிறது. |
95e873c3f64a9bd8346f5b5da2e4f14774536834 | ஒரு அலைகாட்டி (SIW) H-plane sectoral horn antenna, கணிசமாக மேம்பட்ட அலைவரிசை, வழங்கப்படுகிறது. பல அடுக்கு அடி மூலக்கூறின் உள்ளே பக்கவாட்டு சுவரில் ஒரு எளிய ஏற்பாட்டைக் கொண்ட ஒரு மெல்லிய கரை, செயல்பாட்டு அலைவரிசையை விரிவுபடுத்துவதற்காக அறிமுகப்படுத்தப்படுகிறது. ஒரு எளிய ஊட்ட அமைப்பு, ஆண்டெனா கட்டமைப்பிற்கான பரவும் அலைகளை வழங்க பரிந்துரைக்கப்படுகிறது. முன்மொழியப்பட்ட ஆண்டெனா இரண்டு நன்கு அறியப்பட்ட முழு அலை தொகுப்புகள், அன்சாஃப்ட் எச்.எஃப்.எஸ்.எஸ் மற்றும் சி.எஸ்.டி மைக்ரோவேவ் ஸ்டுடியோ ஆகியவற்றால் உருவகப்படுத்தப்படுகிறது, இது தனித்துவமான எண் முறைகளை அடிப்படையாகக் கொண்டது. உருவகப்படுத்துதல் முடிவுகள் இடையே நெருக்கமான உடன்பாடு அடையப்படுகிறது. வடிவமைக்கப்பட்ட அந்தென் நல்ல கதிர்வீச்சு பண்புகளைக் கொண்டுள்ளது மற்றும் குறைந்த VSWR, 2.5 க்கும் குறைவாக, 18-40 GHz முழு அதிர்வெண் வரம்பிலும் உள்ளது. |
12a376e621d690f3e94bce14cd03c2798a626a38 | காட்சிப் பொருள்களைக் கண்டறிவதற்கான ஒரு இயந்திரக் கற்றல் அணுகுமுறையை இந்த ஆவணம் விவரிக்கிறது, இது படங்களை மிக விரைவாக செயலாக்குவதற்கும் அதிக கண்டறிதல் விகிதங்களை அடைவதற்கும் திறன் கொண்டது. இந்த பணி மூன்று முக்கிய பங்களிப்புகளால் வேறுபடுகிறது. முதலாவது, ஒருங்கிணைந்த படம் என்று அழைக்கப்படும் புதிய பட பிரதிநிதித்துவத்தின் அறிமுகம், இது எங்கள் கண்டறிதல் மூலம் பயன்படுத்தப்படும் அம்சங்களை மிக விரைவாக கணக்கிட அனுமதிக்கிறது. இரண்டாவது AdaBoost அடிப்படையிலான ஒரு கற்றல் வழிமுறை ஆகும், இது ஒரு பெரிய தொகுப்பிலிருந்து ஒரு சிறிய எண்ணிக்கையிலான முக்கியமான காட்சி அம்சங்களைத் தேர்ந்தெடுத்து மிகவும் திறமையான வகைப்படுத்திகளை வழங்குகிறது[1]. மூன்றாவது பங்களிப்பு என்பது பெருகிய முறையில் சிக்கலான வகைப்படுத்திகளை ஒரு "மழைப்பாதை" யில் இணைப்பதற்கான ஒரு முறையாகும், இது படத்தின் பின்னணி பகுதிகளை விரைவாக நிராகரிக்க அனுமதிக்கிறது, அதே நேரத்தில் நம்பிக்கைக்குரிய பொருள் போன்ற பகுதிகளில் அதிக கணக்கீடுகளை செலவிடுகிறது. இந்த அலைவரிசை ஒரு குறிப்பிட்ட பொருளின் கவனத்தை ஈர்க்கும் இயந்திரமாக பார்க்கப்படலாம், இது முந்தைய அணுகுமுறைகளைப் போலல்லாமல், கைவிடப்பட்ட பகுதிகளில் ஆர்வமுள்ள பொருளைக் கொண்டிருப்பது சாத்தியமில்லை என்ற புள்ளிவிவர உத்தரவாதங்களை வழங்குகிறது. முகத்தை கண்டறிதல் துறையில், இந்த அமைப்பு, சிறந்த முந்தைய அமைப்புகளுடன் ஒப்பிடக்கூடிய கண்டறிதல் விகிதங்களை அளிக்கிறது. நிகழ்நேர பயன்பாடுகளில் பயன்படுத்தப்படும் இந்த டிடெக்டர், பட வேறுபாடு அல்லது தோல் நிறம் கண்டறிதல் இல்லாமல் வினாடிக்கு 15 பிரேம்களில் இயங்குகிறது. |
51f0e3fe5335e2c3a55e673a6adae646f0ad6e11 | சமூகவியல் வல்லுநர்கள் சமூக செயல்முறைகளை மாறிகள் இடையேயான தொடர்புகளாக மாற்றியமைக்கிறார்கள். சமூக வாழ்க்கையை மாற்றியமைக்கும் முகவர்களிடையேயான தொடர்புகளாக மாற்றியமைக்கும் மாற்று அணுகுமுறையை நாங்கள் மதிப்பாய்வு செய்கிறோம். அவர்கள் பெறும் செல்வாக்கிற்கு பதிலளிக்கும் விதமாக ஒருவருக்கொருவர் செல்வாக்கு செலுத்துகிறார்கள். இந்த முகவர் அடிப்படையிலான மாதிரிகள் (ஏபிஎம்) எளிய மற்றும் கணிக்கக்கூடிய உள்ளூர் தொடர்புகள் தகவல்களை பரப்புதல், விதிமுறைகளின் தோற்றம், மாநாடுகளின் ஒருங்கிணைப்பு அல்லது கூட்டு நடவடிக்கைகளில் பங்கேற்பது போன்ற பழக்கமான ஆனால் புதிரான உலகளாவிய வடிவங்களை எவ்வாறு உருவாக்க முடியும் என்பதைக் காட்டுகின்றன. சமூக வடிவங்கள் எதிர்பாராத விதமாக தோன்றலாம், பின்னர் புரட்சிகள், சந்தை சரிவுகள், ஃபேட்ஸ், மற்றும் உணவு வெறி போன்றவற்றில் நடப்பது போலவே வியத்தகு முறையில் மாற்றம் செய்யலாம் அல்லது மறைந்து போகலாம். தனிப்பட்ட பண்புகளை ஒன்றிணைப்பதை விட ஆர்வமுள்ள உலகளாவிய வடிவங்கள் இருக்கும் இடத்தில் ABM கள் தத்துவார்த்த ஈடுபாட்டை வழங்குகின்றன, ஆனால் அதே நேரத்தில், தனிப்பட்ட பண்புகளை ஒன்றிணைப்பதை விட, வெளிவரும் வடிவத்தை உறவு நிலை மைக்ரோஃபவுண்டேஷன்களின் கீழ்நிலை மாறும் மாதிரியின்றி புரிந்து கொள்ள முடியாது. கணினி சார்ந்த சமூகவியலில் காரணிகளிலிருந்து நடிகர்களாக மாறுவதற்கான ஒரு சுருக்கமான வரலாற்று ஓவியத்துடன் தொடங்குகிறோம், இது கணினி உருவகப்படுத்துதலின் முந்தைய சமூகவியல் பயன்பாடுகளிலிருந்து முகவர் அடிப்படையிலான மாடலிங் எவ்வாறு அடிப்படையில் வேறுபடுகிறது என்பதைக் காட்டுகிறது. பின்னர், உள்ளூர் தொடர்புகளிலிருந்து சமூக அமைப்பு மற்றும் சமூக ஒழுங்கு உருவாகியுள்ளதை மையமாகக் கொண்ட சமீபத்திய பங்களிப்புகளை நாங்கள் மதிப்பாய்வு செய்கிறோம். இந்த புதிய முறையை மதிப்பிடுவதில் சமூகவியல் மற்ற சமூக அறிவியல்களுக்குப் பின்னால் இருந்தபோதிலும், நாம் மதிப்பாய்வு செய்யும் ஆவணங்களில் ஒரு தனித்துவமான சமூகவியல் பங்களிப்பு தெளிவாகத் தெரிகிறது. முதலாவதாக, தத்துவார்த்த ஆர்வம், முகவர் தொடர்புகளால் வடிவமைக்கப்பட்டு வடிவமைக்கப்படும் மாறும் சமூக வலைப்பின்னல்களில் கவனம் செலுத்துகிறது. இரண்டாவதாக, ABM கள் மெய்நிகர் சோதனைகளைச் செய்யப் பயன்படுகின்றன, அவை நெட்வொர்க் டோபோலஜி, சமூக அடுக்குமுறை அல்லது இடஞ்சார்ந்த இயக்கம் போன்ற கட்டமைப்பு காரணிகளை கையாளுவதன் மூலம் மேக்ரோசோசியாலஜிக்கல் கோட்பாடுகளை சோதிக்கின்றன. இந்த அணுகுமுறையின் பணக்கார சமூகவியல் திறனை உணர்ந்துகொள்ளும் வகையில் தொடர்ச்சியான பரிந்துரைகளுடன் எங்கள் மதிப்பாய்வை முடிக்கிறோம். |
b73cdb60b2fe9fb317fca4fb9f5e1106e13c2345 | |
aa0c01e553d0a1ab40c204725d13fe528c514bba | மனிதர்களும் ரோபோக்களும் தடையின்றி பாதுகாப்பாக செயல்படுவதற்கு, இருவரும் ஒருவருக்கொருவர் செயல்களை முன்கூட்டியே அறிந்து கொள்ள வேண்டும். மனித நோக்கம் ஊகிக்க ஒரு பொதுவான அணுகுமுறை மேற்பார்வையிடப்பட்ட வகைப்படுத்திகளுடன் அறியப்பட்ட இலக்குகளை நோக்கி குறிப்பிட்ட பாதைகளை மாதிரியாகக் கொண்டது. இருப்பினும், இந்த அணுகுமுறைகள் சாத்தியமான எதிர்கால இயக்கங்களை கணக்கில் எடுத்துக்கொள்ளவில்லை, மேலும் அவை படிக்கக்கூடிய மற்றும் கணிக்கக்கூடிய இயக்கம் போன்ற இயக்கவியல் குறிப்புகளைப் பயன்படுத்துவதில்லை. இந்த முறைகளின் குறுகிய நிலை பொதுவான மனித இயக்கத்தின் துல்லியமான மாதிரி இல்லாதது. இந்த ஆய்வில், ஒரு நிபந்தனை மாறுபாடு கொண்ட ஆட்டோகோடரை முன்வைக்கிறோம், இது கடந்த கால பிரேம்களின் ஒரு சாளரத்தை அளித்து, எதிர்கால மனித இயக்கத்தின் சாளரத்தை கணிக்கும் வகையில் பயிற்சி அளிக்கப்பட்டுள்ளது. RGB ஆழம் படங்களிலிருந்து பெறப்பட்ட எலும்பு தரவைப் பயன்படுத்தி, இந்த மேற்பார்வை செய்யப்படாத அணுகுமுறையை 1660 ms வரை ஆன்லைன் இயக்க கணிப்புக்கு எவ்வாறு பயன்படுத்தலாம் என்பதைக் காட்டுகிறோம். கூடுதலாக, இலக்கு குறிப்பிட்ட பயிற்சி தரவைப் பயன்படுத்தாமல் இயக்கத் தொடக்கத்திற்குப் பிறகு முதல் 300-500 ms க்குள் ஆன்லைன் இலக்கு கணிப்பை நிரூபிக்கிறோம். எமது நிகழ்தகவு அணுகுமுறையின் நன்மை என்னவென்றால், சாத்தியமான எதிர்கால இயக்கங்களின் மாதிரிகளை வரைவதற்கான சாத்தியம் உள்ளது. இறுதியாக, கற்றுக் கொண்ட குறைந்த பரிமாண பன்முகத்தன்மையில் இயக்கங்கள் மற்றும் இயக்கவியல் குறிப்புகள் எவ்வாறு பிரதிநிதித்துவப்படுத்தப்படுகின்றன என்பதை நாங்கள் ஆராய்வோம். |
cbbf72d487f5b645d50d7d3d94b264f6a881c96f | இந்த ஆய்வறிக்கை 65nm CMOS தொழில்நுட்பத்தில் W-Band இல் முதல் முழுமையாக சிப் ஒருங்கிணைந்த ஆற்றல் அறுவடை மற்றும் rectenna வழங்குகிறது. இந்த வடிவமைப்பு ஒரு நிலை டிக்சன் மின்னழுத்த பெருக்கி அடிப்படையாக கொண்டது. இந்த ரெக்டெனாவில் சிப்பில் ஒருங்கிணைந்த டிபோல் ஆண்டெனா உள்ளது. இது திசை மற்றும் உணரப்பட்ட ஆதாயத்தை மேம்படுத்த துணைக்கு கீழ் ஒரு பிரதிபலிப்புடன் உள்ளது. 94GHz இல், ஆற்றல் சேகரிப்பான் மற்றும் ரெக்டெனா முறையே 10% மற்றும் 2% ஆற்றல் மாற்ற திறனை அடைகின்றன. தனித்தனி ஹார்வெஸ்டர் பேட்கள் உட்பட 0.0945mm2 மட்டுமே ஆக்கிரமிக்கிறது, அதே நேரத்தில் முழுமையாக ஒருங்கிணைந்த ரெக்டென்னா 0.48mm2 குறைந்தபட்ச சிப் பகுதியை ஆக்கிரமிக்கிறது. |
30667550901b9420e02c7d61cdf8fa7d5db207af | |
6cdb6ba83bfaca7b2865a53341106a71e1b3d2dd | சமூக ஊடகங்கள் எல்லா இடங்களிலும் பரவி வருகின்றன, மேலும் நிறுவனங்கள் தங்கள் இலக்குகளை அடைய பயன்படுத்தும் மற்ற அனைத்து ஊடக வடிவங்களையும் போலவே நிர்வகிக்கப்பட வேண்டும். எனினும், சமூக ஊடகங்கள் அவற்றின் சமூக வலைப்பின்னல் அமைப்பு மற்றும் சமத்துவ இயல்பு காரணமாக எந்தவொரு பாரம்பரிய அல்லது பிற ஆன்லைன் ஊடகங்களிலிருந்தும் அடிப்படையில் வேறுபடுகின்றன. இந்த வேறுபாடுகள் சரியான பகுப்பாய்வு மற்றும் அடுத்தடுத்த மேலாண்மைக்கு ஒரு தனித்துவமான அளவீட்டு அணுகுமுறையை முன்நிபந்தனையாகக் கோருகின்றன. சரியான சமூக ஊடக அளவீடுகளை உருவாக்கி, அதன்பிறகு பொருத்தமான டாஷ்போர்டுகளை உருவாக்க, மூன்று புதிய கூறுகளைக் கொண்ட ஒரு கருவித்தொகுப்பை நாங்கள் வழங்குகிறோம். முதலாவதாக, மார்க்கெட்டிங், உளவியல் மற்றும் சமூகவியல் ஆகியவற்றின் கோட்பாடுகளை அடிப்படையாகக் கொண்டு சமூக ஊடகங்களின் முக்கிய கூறுகளை உள்ளடக்கிய ஒரு முழுமையான கட்டமைப்பை நாங்கள் கோட்பாட்டளவில் உருவாக்கி முன்மொழிகிறோம். இந்த கூறுகளை - அதாவது உந்துதல்கள், உள்ளடக்கம், நெட்வொர்க் அமைப்பு, சமூகப் பாத்திரங்கள் மற்றும் தொடர்புகள் - சமீபத்திய ஆராய்ச்சி ஆய்வுகளால் தொடர்ந்து ஆதரித்து விரிவுபடுத்துகிறோம். இரண்டாவதாக, நமது தத்துவார்த்த கட்டமைப்பின் அடிப்படையில், இலக்கியப் பரிசீலனை மற்றும் நடைமுறை அனுபவத்தின் அடிப்படையில், ஒன்பது வழிகாட்டுதல்களை நாங்கள் பரிந்துரைக்கிறோம், அவை பொருத்தமான சமூக ஊடக அளவீடுகளை வடிவமைப்பதற்கும், ஒரு விவேகமான சமூக ஊடக டாஷ்போர்டை உருவாக்குவதற்கும் மதிப்புமிக்கதாக நிரூபிக்கப்படலாம். மூன்றாவதாக, கட்டமைப்பையும் வழிகாட்டுதல்களையும் அடிப்படையாகக் கொண்டு நிர்வாக ரீதியான தாக்கங்களை நாம் பெறுகிறோம், மேலும் எதிர்கால ஆராய்ச்சிக்கான ஒரு நிகழ்ச்சி நிரலை பரிந்துரைக்கிறோம். © 2013 நேரடி சந்தைப்படுத்தல் கல்வி அறக்கட்டளை, இன்க். வெளியீட்டாளர்: எல்செவியர் இன்க். அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
3c9598a2be80a88fccecde80e6f266af7907d7e7 | |
ab3d0ea202b2641eeb66f1d6a391a43598ba22b9 | வலுவூட்டல் கற்றல் (RL) என்பது இயந்திரங்களின் நரம்பியல் கட்டுப்பாட்டு முறைகளின் ஒரு தழுவல் நுட்பமாக இங்கு கருதப்படுகிறது. கூடுதல் பின்னணி கணக்கீடுகளின் செலவில், அதே தரமான கொள்கைகளைப் பெறுவதற்கு, நடிகர்-விமர்சன வழிமுறைகளுக்கு குறைந்த முகவர்-சுற்றுச்சூழல் தொடர்பு தேவைப்படுகிறது. அனுபவத்தை மீண்டும் மீண்டும் விளையாடுவதன் மூலம் இந்த இலக்கை அடைய நாங்கள் முன்மொழிகிறோம். ஒரு மாறிவரும் கொள்கையின் முன்னேற்ற திசையை மதிப்பீடு செய்வதற்கான ஒரு முறை, முந்தைய அனுபவத்தின் அடிப்படையில், இங்கே அவசியம். நாம் ஒரு திட்டத்தை முன்மொழிகிறோம், அதில் குறுகிய முக்கியத்துவ மாதிரிகள் பயன்படுத்தப்படும். நாம் அந்த வகை மதிப்பீட்டாளர்களின் சார்பு எல்லைகளை பெறுகிறோம், இந்த சார்பு அசிம்ப்டோடிக் முறையில் மறைந்துவிடும் என்பதை நிரூபிக்கிறோம். இந்த பரிசோதனையில் நாம் நமது அணுகுமுறையை கிளாசிக் ஆக்டர் கிரிடிக் முறையில் பயன்படுத்தி, கற்றல் வேகத்தை 20 மடங்கு அதிகரித்தோம். |
71e258b1aeea7a0e2b2076a4fddb0679ad2ecf9f | "பொருட்களின் இணையம்" (Internet of Things) சாதனங்கள் மற்றும் மென்பொருள்கள் முன்னெப்போதும் இல்லாத அளவில் தகவல்களைப் பகிர்ந்து கொள்ள வாய்ப்புகளைத் திறக்கிறது. ஆனால், இத்தகைய ஒரு பரந்த இணைக்கப்பட்ட வலையமைப்பு, அமைப்பு உருவாக்குநர்கள் மற்றும் பயனர்களுக்கு புதிய சவால்களை ஏற்படுத்தியுள்ளது. இந்த கட்டுரையில், நாம் IoT அமைப்பின் அடுக்கு கட்டமைப்பை முன்மொழிகிறோம். இந்த மாதிரியைப் பயன்படுத்தி, ஒவ்வொரு அடுக்குக்கும் உள்ள சவால்களை அடையாளம் கண்டு மதிப்பீடு செய்ய முயற்சிக்கிறோம். இந்த கட்டமைப்பை பாதுகாப்பானதாக மாற்றக்கூடிய பல தொழில்நுட்பங்கள் பற்றி நாம் விவாதிக்கிறோம். |
61f4f67fc0e73fa3aef8628aae53a4d9b502d381 | தகவல் அதிகரிக்கும் GAN (InfoGAN) ஜெனரேட்டரின் வெளியீட்டை அதன் உள்ளீட்டின் ஒரு கூறுடன் மறை குறியீடுகள் என்று அழைக்கிறது. வெளியீட்டை இந்த உள்ளீட்டு கூறுடன் இணைக்க கட்டாயப்படுத்துவதன் மூலம், வெளியீட்டு பிரதிநிதித்துவத்தின் சில பண்புகளை நாம் கட்டுப்படுத்த முடியும். GAN இல் பாகுபாடு மற்றும் ஜெனரேட்டரை இணைந்து பயிற்றுவிக்கும் போது நாஷ் சமநிலையைக் கண்டுபிடிப்பது மிகவும் கடினம். இன்போகான் பயன்படுத்தி படங்களை உருவாக்குவதற்கான சில வெற்றிகரமான மற்றும் தோல்வியுற்ற கட்டமைப்புகளை நாங்கள் கண்டறிகிறோம். விளக்கக்கூடிய மாறிகள் உருவாக்கும் மாதிரிகளில் பயனுள்ளதாக இருக்கும். Generative Adversarial Networks (GANs) என்பது அவற்றின் உள்ளீட்டில் நெகிழ்வான உருவாக்கும் மாதிரிகள் ஆகும். |
41289566ac0176dced2312f813328ad4c0552618 | மொபைல் தளங்களின் பரவலான பயன்பாடு, ஆண்ட்ராய்டுவின் பெரிய சந்தை பங்கு, அத்துடன் ஆண்ட்ராய்டு சந்தையின் திறந்த தன்மை ஆகியவை தீம்பொருள் தாக்குதல்களுக்கு ஒரு முக்கிய இலக்காக அமைகிறது. தீங்கிழைக்கும் மென்பொருள் மாதிரி அடையாளம் காணப்பட்டவுடன், அதன் தீங்கிழைக்கும் நோக்கத்தையும் உள் செயல்பாடுகளையும் விரைவாக வெளிப்படுத்துவது மிகவும் முக்கியம். இந்த ஆய்வில், மெய்நிகராக்க அடிப்படையிலான தீம்பொருள் பகுப்பாய்வின் பாரம்பரியத்தை தொடரும் ஆண்ட்ராய்டு பகுப்பாய்வு தளமான டிராய்டுஸ்கோப்பை நாங்கள் முன்வைக்கிறோம். தற்போதைய டெஸ்க்டாப் தீம்பொருள் பகுப்பாய்வு தளங்களைப் போலல்லாமல், டிராய்டுஸ்கோப் OS நிலை மற்றும் ஜாவா நிலை சொற்பொருள்களை ஒரே நேரத்தில் மற்றும் தடையின்றி மீண்டும் உருவாக்குகிறது. தனிப்பயன் பகுப்பாய்வை எளிதாக்க, டிராய்டுஸ்கோப் மூன்று அடுக்கு ஏபிஐகளை ஏற்றுமதி செய்கிறது, அவை ஆண்ட்ராய்டு சாதனத்தின் மூன்று நிலைகளை பிரதிபலிக்கின்றனஃ வன்பொருள், இயக்க முறைமை மற்றும் டால்விக் மெய்நிகர் இயந்திரம். DroidScope-ஐத் தவிர, விரிவான சொந்த மற்றும் டால்விக் கட்டளைத் தடங்களை சேகரிக்க, API-நிலை செயல்பாட்டைக் குறிக்க, மற்றும் ஜாவா மற்றும் சொந்த கூறுகள் மூலம் தகவல்களை கசிவுகளைத் தடமறிய பல பகுப்பாய்வு கருவிகளை நாங்கள் மேலும் உருவாக்கியுள்ளோம். இந்த கருவிகள் நிஜ உலக தீம்பொருள் மாதிரிகளை பகுப்பாய்வு செய்வதில் பயனுள்ளதாக நிரூபிக்கப்பட்டுள்ளன மற்றும் நியாயமான குறைந்த செயல்திறன் ஓவர்ஹெட்ஸை ஏற்படுத்துகின்றன. |
05ca17ffa777f64991a8da04f2fd03880ac51236 | இந்த ஆய்வில், பாதிப்பு அடையாளங்களை உருவாக்குவது பற்றிய சிக்கலை ஆராய்வோம். ஒரு பாதிப்பு கையொப்பம் கொடுக்கப்பட்ட பாதிப்புகளின் அனைத்து சுரண்டல்களையும் பொருத்துகிறது, பலவகை அல்லது உருமாற்ற மாறுபாடுகள் கூட. எமது பணி முந்தைய அணுகுமுறைகளிலிருந்து விலகி, திட்டத்தின் சொற்பொருள் மற்றும் பயன்பாட்டின் சொற்பொருள் அல்லது தொடரியல் ஆகியவற்றிற்குப் பதிலாக ஒரு மாதிரி சுரண்டலால் பயன்படுத்தப்படும் பாதிப்பு ஆகியவற்றில் கவனம் செலுத்துவதன் மூலம். ஒரு பாதிப்பின் சொற்பொருள் ஒரு மொழியை வரையறுக்கிறது, அதில் பாதிப்பை பயன்படுத்தும் அனைத்து உள்ளீடுகளும் மட்டுமே உள்ளன. ஒரு பாதிப்பு கையொப்பம் என்பது பாதிப்பு மொழியின் பிரதிநிதித்துவம் (எ. கா. , ஒரு வழக்கமான வெளிப்பாடு). அறியப்பட்ட சோதனை நிகழ்வுகளுக்கு மட்டுமே அனுபவ ரீதியாக அளவிடக்கூடிய பிழை விகிதத்தை பயன்படுத்தி பயன்படுத்தும் கையொப்பங்களைப் போலல்லாமல், ஒரு பாதிப்பு கையொப்பத்தின் தரத்தை அனைத்து சாத்தியமான உள்ளீடுகளுக்கும் முறையாக அளவிட முடியும். ஒரு பாதிப்பு கையொப்பத்தின் முறையான வரையறையை நாங்கள் வழங்குகிறோம் மற்றும் பாதிப்பு கையொப்பங்களை உருவாக்குவதற்கும் பொருத்துவதற்கும் கணக்கீட்டு சிக்கலை ஆராய்வோம். மேலும், நாங்கள் திட்டமிட்டு, பலவீனமான அம்சங்களை ஆராய்கிறோம். பாதிப்பு-அங்கீகார உருவாக்கம் தொடர்பான மூன்று முக்கிய பிரச்சினைகளை நாங்கள் அடையாளம் காண்கிறோம்: ஒரு பாதிப்பு கையொப்பம் ஒரு பாதிப்பை ஏற்படுத்தக்கூடிய உள்ளீடுகளின் தொகுப்பை எவ்வாறு பிரதிநிதித்துவப்படுத்துகிறது, பாதிப்பு கவரேஜ் (அதாவது, பாதிப்புள்ள நிரல் பாதைகளின் எண்ணிக்கை) இது கையொப்ப உருவாக்கத்தின் போது எங்கள் பகுப்பாய்வுக்கு உட்பட்டது, மேலும் ஒரு குறிப்பிட்ட பிரதிநிதித்துவம் மற்றும் கவரேஜுக்கு ஒரு பாதிப்பு கையொப்பம் எவ்வாறு உருவாக்கப்படுகிறது. புதிய தரவு ஓட்ட பகுப்பாய்வு மற்றும் தற்போதைய நுட்பங்களை ஏற்றுக்கொள்வது போன்ற கட்டுப்பாடுகளைத் தீர்ப்பது போன்றவற்றை நாங்கள் முன்மொழிகிறோம். எங்கள் நுட்பங்களை சோதிக்க ஒரு முன்மாதிரி அமைப்பை உருவாக்கியுள்ளோம். நமது பரிசோதனைகள், ஒரு தனித்தனி ஆபத்தை பயன்படுத்தி தானாகவே ஒரு பாதிப்பு அடையாளத்தை உருவாக்க முடியும் என்பதைக் காட்டுகின்றன, இது முந்தைய ஆபத்து அடிப்படையிலான அடையாளங்களை விட மிக உயர்ந்த தரத்தைக் கொண்டுள்ளது. கூடுதலாக, எங்கள் நுட்பங்கள் பல பாதுகாப்பு பயன்பாடுகளைக் கொண்டுள்ளன, இதனால் சுயாதீன ஆர்வம் இருக்கலாம் |
6fece3ef2da2c2f13a66407615f2c9a5b3737c88 | இந்த ஆவணம் ஒரு மாறும் கட்டுப்பாட்டு அமைப்பு மற்றும் ஒரு முறையான வடிவமைப்பு நடைமுறை ஒரு தனி நேர கலப்பின அமைப்புகள் உறுதிப்படுத்த முன்மொழிகிறது. முன்மொழியப்பட்ட அணுகுமுறை கட்டுப்பாட்டு லிப்புனோவ் செயல்பாடுகள் (CLF கள்) என்ற கருத்தை அடிப்படையாகக் கொண்டது, இது கிடைத்தால், நிலை-விமர்சன கட்டுப்பாட்டு சட்டத்தை உறுதிப்படுத்த பயன்படுத்தப்படலாம். பொதுவாக, தொடர்ச்சியான மற்றும் தனித்தனி நிலைகள் இரண்டையும் உள்ளடக்கிய கலப்பின டைனமிக் அமைப்புகளுக்கான ஒரு CLF இன் கட்டுமானம் மிகவும் சிக்கலானது, குறிப்பாக அசாதாரணமான தனித்தனி இயக்கவியல் முன்னிலையில். எனவே, ஒரு கலப்பின கட்டுப்பாட்டு லிப்புனோவ் செயல்பாட்டின் புதுமையான கருத்தை நாங்கள் அறிமுகப்படுத்துகிறோம், இது CLF இன் ஒரு தடையற்ற மற்றும் தொடர்ச்சியான பகுதியின் கலவை வடிவமைப்பை அனுமதிக்கிறது, மேலும் ஒரு கலப்பின CLF இன் இருப்பு ஒரு பாரம்பரிய CLF இன் இருப்பை உறுதிப்படுத்துகிறது என்பதை நாங்கள் முறையாக நிரூபிக்கிறோம். ஒரு கலப்பின CLF ஐ ஒருங்கிணைக்க ஒரு கட்டமைப்பு நடைமுறை வழங்கப்படுகிறது, ஒரு குறிப்பிட்ட கட்டுப்பாட்டு இயக்கவியலுடன் கலப்பின அமைப்பின் இயக்கவியல் விரிவாக்குவதன் மூலம். இந்த ஒருங்கிணைப்பு செயல்முறை ஒரு மாறும் கட்டுப்படுத்திக்கு வழிவகுக்கிறது என்பதை நாங்கள் காட்டுகிறோம், இது ஒரு பின்னடைவு அடிவான கட்டுப்பாட்டு மூலோபாயத்தால் செயல்படுத்தப்படலாம், மேலும் அதனுடன் தொடர்புடைய தேர்வுமுறை சிக்கல் எண்ரீதியாக ஒரு பொதுவான வகை கலப்பின அமைப்புகளுக்கு கையாளக்கூடியது, இது உண்மையான உலக பயன்பாடுகளில் பயனுள்ளதாக இருக்கும். கிளாசிக்கல் கலப்பின பின்னடைவு அடிவான கட்டுப்பாட்டு வழிமுறைகளுடன் ஒப்பிடும்போது, முன்மொழியப்பட்ட அணுகுமுறை பொதுவாக மூடிய-லூப் அமைப்பின் அசிம்ப்ளாடிக் ஸ்திரத்தன்மையை உறுதிப்படுத்த ஒரு குறுகிய கணிப்பு அடிவானத்தை தேவைப்படுகிறது, இது கணக்கீட்டு சுமை குறைப்பதை அளிக்கிறது, இது இரண்டு எடுத்துக்காட்டுகளின் மூலம் விளக்கப்பட்டுள்ளது. |
3b3c153b09495e2f79dd973253f9d2ee763940a5 | இயந்திரக் கற்றல் முறைகளின் பயன்பாட்டினைப் பெரும்பாலும் கிடைக்கக்கூடிய பெயரிடப்பட்ட தரவுகளின் அளவு மற்றும் உள்ளீட்டு தரவு திசையன்களுக்கான நல்ல உள் பிரதிநிதித்துவங்களையும் நல்ல ஒற்றுமை நடவடிக்கைகளையும் உருவாக்க வடிவமைப்பாளரின் திறன் (அல்லது இயலாமை) ஆகியவற்றால் வரையறுக்கப்படுகிறது. இந்த ஆய்வின் நோக்கம், இந்த இரண்டு வரம்புகளையும் குறைக்க, உள் பிரதிநிதித்துவங்களைக் கற்றுக்கொள்ளும் வழிமுறைகளை முன்மொழிவதன் மூலமும், பெயரிடப்பட்ட தரவுகளிலிருந்து மாறாத அம்ச வரிசைமுறைகளையும் முன்மொழிவதாகும். இந்த முறைகள் பாரம்பரிய மேற்பார்வையிடப்பட்ட கற்றல் வழிமுறைகளைத் தாண்டி, மேற்பார்வையிடப்படாத மற்றும் அரை மேற்பார்வையிடப்பட்ட கற்றலை நம்பியுள்ளன. குறிப்பாக, இந்த பணி "ஆழ்ந்த கற்றல்" முறைகள், படிநிலை மாதிரிகளை பயிற்றுவிப்பதற்கான நுட்பங்கள் மற்றும் கொள்கைகளின் தொகுப்பு ஆகியவற்றில் கவனம் செலுத்துகிறது. வரிசைமுறை மாதிரிகள் அம்ச வரிசைமுறைகளை உருவாக்குகின்றன, அவை கண்காணிக்கப்பட்ட தரவு மாறிகள் இடையே சிக்கலான நேரியல் அல்லாத சார்புகளை சுருக்கமாகவும் திறமையாகவும் கைப்பற்ற முடியும். பயிற்சிக்குப் பிறகு, இந்த முறைகளை உண்மையான நேர அமைப்புகளில் பயன்படுத்தலாம், ஏனென்றால் அவை வரிசையில் அல்லாத நேரியல் மாற்றங்கள் மூலம் உள்ளீட்டை மிக விரைவாக முன்னோக்கி பரப்புவதன் மூலம் பிரதிநிதித்துவத்தை கணக்கிடுகின்றன. லேபிளிடப்பட்ட தரவுகளின் பற்றாக்குறை பாரம்பரிய மேற்பார்வை வழிமுறைகளைப் பயன்படுத்த அனுமதிக்காதபோது, வரிசைமுறையின் ஒவ்வொரு அடுக்குக்கும் மேற்பார்வை செய்யப்படாத அல்லது அரை மேற்பார்வை வழிமுறைகளைப் பயன்படுத்தி கீழ் மட்டத்திலிருந்து தொடங்கி வரிசையில் பயிற்சி அளிக்க முடியும். ஒவ்வொரு அடுக்குக்கும் பயிற்சி அளிக்கப்பட்டவுடன், முழு அமைப்பையும் இறுதி முதல் இறுதி வரை நுணுக்கமாக சரிசெய்ய முடியும். இதுபோன்ற அம்ச வரிசைமுறைகளை பயிற்றுவிக்க கட்டிடத் தொகுதியாகப் பயன்படுத்தக்கூடிய பல சுருக்கப்படாத வழிமுறைகளை நாங்கள் முன்மொழிகிறோம். நாம் அறியப்பட்ட மற்றும் கற்ற மாற்றங்களுக்கு மாறாத சில பிரதிநிதித்துவங்களை உருவாக்கும் அல்காரிதம்களை ஆராய்கிறோம். இந்த வழிமுறைகள் எரிசக்தி- |
447ce2aecdf742cf96137f8bf7355a7404489178 | இந்த கடிதத்தில், ஒரு புதிய வகை அகலப்பகுதி அடி மூலக்கூறு ஒருங்கிணைந்த அலைகாட்டி (SIW) காவிட்டி-ஆதரவு பெற்ற பேட்ச் ஆண்டெனா மற்றும் மில்லிமீட்டர் அலை (mmW) க்கான வரிசை ஆராயப்பட்டு செயல்படுத்தப்படுகிறது. முன்மொழியப்பட்ட அந்தென்னா ஒரு செவ்வக வடிவ பிளாஸ்ட்டால் ஆனது, பின்புறத்தில் ஒரு SIW குழி உள்ளது. அலைவரிசை மற்றும் கதிர்வீச்சு செயல்திறனை அதிகரிக்கும் பொருட்டு, குழி அதன் TE210 முறையில் ஒலிபெருக்க வடிவமைக்கப்பட்டுள்ளது. முன்மொழியப்பட்ட ஆண்டெனாவின் அடிப்படையில், 4 × 4 வரிசை வடிவமைக்கப்பட்டுள்ளது. முன்மொழியப்பட்ட ஆண்டெனா மற்றும் அரே இரண்டும் நிலையான அச்சிடப்பட்ட சர்க்யூட் போர்டு (பிசிபி) செயல்முறையுடன் தயாரிக்கப்படுகின்றன, இது தட்டையான சுற்றுகளுடன் எளிதாக ஒருங்கிணைப்பதன் நன்மைகளைக் கொண்டுள்ளது. அளவிடப்பட்ட அலைவரிசை (gadgadS11gad ≤ -10 dB) ஆண்டெனா உறுப்பு 15% க்கும் அதிகமாக உள்ளது, மற்றும் அந்த ஆண்டெனா வரிசையின் சுமார் 8.7% ஆகும். அளவிடப்பட்ட உச்ச ஆதாயங்கள் உறுப்புக்கான 6.5 dBi மற்றும் வரிசைக்கான 17.8 dBi ஆகும், மேலும் அதனுடன் தொடர்புடைய உருவகப்படுத்தப்பட்ட கதிர்வீச்சு செயல்திறன் முறையே 83.9% மற்றும் 74.9% ஆகும். இந்த முன்மொழியப்பட்ட ஆண்டெனா மற்றும் அடுக்கு மிமீ அலை பயன்பாடுகளுக்கு அதன் பரந்த பட்டை, அதிக செயல்திறன், குறைந்த செலவு, குறைந்த சுயவிவரம் போன்றவற்றின் காரணமாக நம்பிக்கை அளிக்கிறது. |
429d0dd7192450e2a52a8ae7f658a5d99222946e | சிறிய, குறைந்த செலவு மற்றும் அதிக கதிர்வீச்சு செயல்திறன் கொண்ட ஒரு ஆண்டெனா அமைப்பு, தட்டையான அலை வழிநடத்துதல், அடி மூலக்கூறு ஒருங்கிணைந்த அலை வழிநடத்துதல் (SIW), மின்கடத்தா ஒலிபெருக்கி ஆண்டெனாக்கள் (DRA) இந்த ஆவணத்தில் வழங்கப்படுகின்றன. SIW என்பது உயர் Q- அலைகாட்டி மற்றும் DRA என்பது குறைந்த இழப்பு ரேடியேட்டர் என்பதால், SIW-DRA என்பது மிமீ-அலை அலைவரிசையில் உயர் கதிர்வீச்சு செயல்திறன் கொண்ட ஒரு சிறந்த ஆண்டெனா அமைப்பை உருவாக்குகிறது, அங்கு கடத்தி இழப்பு ஆதிக்கம் செலுத்துகிறது. பல்வேறு ஆண்டெனா அளவுருக்கள் ஆண்டெனா செயல்திறன் மீது ஏற்படுத்தும் தாக்கம் ஆய்வு செய்யப்படுகிறது. SIW-DRA-க்கான சோதனைத் தரவு, இரண்டு வெவ்வேறு ஸ்லாட் திசைகளை அடிப்படையாகக் கொண்டது, மில்லிமீட்டர் அலை அலைகளில் அறிமுகப்படுத்தப்பட்டு, எங்கள் முன்மொழியப்பட்ட ஆண்டெனா மாதிரியை சரிபார்க்க உருவகப்படுத்தப்பட்ட HFSS முடிவுகளுடன் ஒப்பிடப்படுகிறது. நல்ல ஒரு உடன்பாடு கிடைத்தது. SIW-DRA ஒற்றை உறுப்பிற்கான அளவிடப்பட்ட ஆதாயம் 5.51 dB,-19 dB அதிகபட்ச குறுக்கு துருவமயமாக்கப்பட்ட கதிர்வீச்சு நிலை மற்றும் மொத்த கணக்கிடப்பட்ட (HFSS ஐப் பயன்படுத்தி உருவகப்படுத்தப்பட்டது) கதிர்வீச்சு செயல்திறன் 95% க்கும் அதிகமாக இருந்தது. |
0cb2e8605a7b5ddb5f3006f71d19cb9da960db98 | நவீன ஆழமான நரம்பியல் நெட்வொர்க்குகள் ஏராளமான அளவுருக்களைக் கொண்டுள்ளன, அவை பயிற்சி பெறுவது மிகவும் கடினம். நாம் DSD, ஒரு அடர்த்தியான-தெளிவான-கனமான பயிற்சி ஓட்டம், ஆழமான நரம்பியல் நெட்வொர்க்குகள் ஒழுங்குபடுத்துவதற்கும் சிறந்த தேர்வுமுறை செயல்திறனை அடைவதற்கும் முன்மொழிகிறோம். முதல் D (டென்ஸ்) படி, நாம் ஒரு அடர்த்தியான வலையமைப்பை இணைப்பு எடைகள் மற்றும் முக்கியத்துவத்தை கற்றுக்கொள்ள பயிற்சி செய்கிறோம். S (Sparse) படிநிலையில், சிறிய எடைகளுடன் முக்கியமற்ற இணைப்புகளை வெட்டுவதன் மூலம் நெட்வொர்க்கை ஒழுங்குபடுத்துகிறோம் மற்றும் அரிதான கட்டுப்பாட்டைக் கருத்தில் கொண்டு நெட்வொர்க்கை மறுபயிற்சி செய்கிறோம். இறுதி D (மறு-டென்ஸ்) படிநிலையில், நாம் மாதிரி திறனை அதிகரிக்கிறோம், அரிதான கட்டுப்பாட்டை அகற்றுவதன் மூலம், பூஜ்ஜியத்திலிருந்து குறைக்கப்பட்ட அளவுருக்களை மீண்டும் தொடங்குவதன் மூலம் முழு அடர்த்தியான நெட்வொர்க்கையும் மறுபரிசீலனை செய்கிறோம். டிஎஸ்டி பயிற்சி சிஎன்என், ஆர்என்என் மற்றும் எல்எஸ்டிஎம் ஆகியவற்றின் பரந்த அளவிலான செயல்திறனை மேம்படுத்த முடியும் என்பதை சோதனைகள் காட்டுகின்றன. ImageNet இல், DSD முறையே 1.1%, VGG-16 4.3%, ResNet-18 1.2% மற்றும் ResNet-50 1.1% ஆக கூகிள்லீன்டெட்டின் டாப் 1 துல்லியத்தை மேம்படுத்தியது. WSJ93 தரவுத்தளத்தில், DSD ஆனது DeepSpeech மற்றும் DeepSpeech2 WER ஐ 2.0% மற்றும் 1.1% ஆக மேம்படுத்தியது. ஃப்ளிக்ர்-8K தரவுத்தளத்தில், DSD ஆனது நியூரல் டாக் BLEU மதிப்பெண்ணை 1.7 க்கும் அதிகமாக மேம்படுத்தியது. DSD நடைமுறையில் பயன்படுத்த எளிதானது: பயிற்சி நேரத்தில், DSD ஒரு கூடுதல் ஹைப்பர்-பாரமிட்டரை மட்டுமே ஏற்படுத்துகிறதுஃ S படிநிலையில் அரிதான விகிதம். சோதனை நேரத்தில், டிஎஸ்டி நெட்வொர்க் கட்டமைப்பை மாற்றாது அல்லது எந்தவொரு ஊகத்தையும் ஏற்படுத்துவதில்லை. டி.எஸ்.டி. பரிசோதனைகளின் நிலையான மற்றும் குறிப்பிடத்தக்க செயல்திறன் அதிகரிப்பு சிறந்த உள்ளூர் உகந்ததைக் கண்டறிய தற்போதைய பயிற்சி முறைகளின் போதுமின்மையைக் காட்டுகிறது, அதே நேரத்தில் டி.எஸ்.டி சிறந்த தீர்வைக் கண்டறிய சிறந்த தேர்வுமுறை செயல்திறனை திறம்பட அடைகிறது. டிஎஸ்டி மாதிரிகள் https://songhan.github.io/DSD என்ற தளத்தில் பதிவிறக்கம் செய்யக் கிடைக்கின்றன. |
6fd329a1e7f513745e5fc462f146aa80c6090a1d | அணியக்கூடிய சென்சார்கள் மூலம் பெறப்பட்ட பதிவுகளில் தவறான தரவுகளை அடையாளம் காண்பது மிகவும் முக்கியமானது, ஏனெனில் மொபைல் நோயாளிகளிடமிருந்து பெறப்பட்ட தரவு, பொதுவாக, மொபைல் அல்லாத நோயாளிகளிடமிருந்து பெறப்பட்ட தரவை விட சத்தமாக உள்ளது. இந்த ஆய்வில், சமிக்ஞை தர குறியீட்டை (SQI) முன்வைக்கிறோம், இது அணியக்கூடிய சென்சார்கள் மூலம் சேகரிக்கப்பட்ட எலக்ட்ரோ கார்டியோகிராம் (ECG) மற்றும் ஃபோட்டோபிளெதிஸ்மோகிராம் (PPG) சமிக்ஞைகளிலிருந்து நம்பகமான இதய துடிப்பு (HRs) பெற முடியுமா என்பதை மதிப்பீடு செய்ய நோக்கம் கொண்டது. கைமுறையாக பெயரிடப்பட்ட தரவுகளின் அடிப்படையில் இந்த வழிமுறைகள் சரிபார்க்கப்பட்டன. ஈ. சி. ஜி. க்கு 94% மற்றும் 97% உணர்திறன் மற்றும் சிறப்பியல்புகள், பிபிஜிக்கு 91% மற்றும் 95% ஆகியவை அடையப்பட்டன. கூடுதலாக, SQI இன் இரண்டு பயன்பாடுகளை நாங்கள் முன்மொழிகிறோம். முதலாவதாக, மின்சாரத்தை சேமிக்கும் உத்திக்கு SQI ஐ பயன்படுத்துவதன் மூலம், ECG க்கு 94% வரை பதிவு நேரத்தை குறைக்க முடியும் என்பதை நாங்கள் நிரூபிக்கிறோம், PPG க்கு 93% வரை செல்லுபடியாகும் முக்கிய அடையாள தரவுகளின் குறைந்த இழப்புடன். இரண்டாவது, பிபிஜி-யிலிருந்து சுவாச வீத மதிப்பீட்டில் பிழையை குறைக்க SQI எவ்வாறு பயன்படுத்தப்படலாம் என்பதைக் காட்டுகிறோம். மருத்துவமனையில் சிகிச்சை பெற்ற நோயாளிகள் மீது நடத்தப்பட்ட மருத்துவ பரிசோதனையில் இருந்து பெறப்பட்ட தரவுகளின் அடிப்படையில் இந்த இரண்டு பயன்பாடுகளின் செயல்திறன் மதிப்பிடப்பட்டது. |
ef8070a37fb6f0959acfcee9d40f0b3cb912ba9f | கடந்த மூன்று தசாப்தங்களாக, தகவல் முறைகள் (ஐஎஸ்) ஆராய்ச்சியில் ஒரு முறைசார் பன்முகத்தன்மை உருவாகியுள்ளது. பல்வேறு துறைகள் மற்றும் பல ஆராய்ச்சி சமூகங்களும் இந்த விவாதத்திற்கு பங்களிப்பு செய்கின்றன. ஆனால், ஒரே ஆராய்ச்சிப் பொருளில் பணிபுரிவது அல்லது ஒரே நிகழ்வைப் படிப்பது என்பது பரஸ்பர புரிதலை உறுதி செய்யாது. குறிப்பாக இந்த பன்முக மற்றும் சர்வதேச சூழலில், வெவ்வேறு ஆராய்ச்சியாளர்களால் செய்யப்பட்ட அறிவியல் அனுமானங்கள் அடிப்படையில் வேறுபடலாம். இந்த அனுமானங்கள், ஆராய்ச்சியின் செல்லுபடியாகும் தன்மை, நம்பகத்தன்மை, தரம் மற்றும் கடுமையான தன்மை போன்ற கருத்துக்கள் எவ்வாறு புரிந்து கொள்ளப்படுகின்றன என்பதில் கணிசமான தாக்கத்தை ஏற்படுத்துகின்றன. எனவே, அறிவியல் கருதுகோள்களை விரிவாக வெளியிடுவது கிட்டத்தட்ட கட்டாயமானது. எனவே, இந்த ஆய்வின் நோக்கம் ஒரு அறிவியல் கட்டமைப்பை உருவாக்குவதாகும், இது IS ஆராய்ச்சியில் அறிவியல் அனுமானங்களை முறையாக பகுப்பாய்வு செய்ய பயன்படுத்தப்படலாம். ஐஎஸ் ஆராய்ச்சி முன்னுதாரணங்களை அடையாளம் கண்டு வகைப்படுத்த முயற்சிப்பதை விட, இந்த ஆராய்ச்சி ஐஎஸ் சூழலில் அறிவியல் பற்றிய விரிவான விவாதத்தை நோக்கமாகக் கொண்டுள்ளது. இது வேறுபட்ட IS அணுகுமுறைகள் மற்றும் முறைகள் இடையே ஒற்றுமைகள் மற்றும் வேறுபாடுகள் அடையாளம் அடிப்படை கட்டமைக்க பங்களிக்க முற்படுகிறது. அறிவியல் கட்டமைப்பை நிரூபிப்பதற்காக, கருத்தியல் மாதிரியாக ஒருமித்த-அறிவு நோக்கிய விளக்கமளிக்கும் அணுகுமுறை ஒரு உதாரணமாக பயன்படுத்தப்படுகிறது. |
25e989b45de04c6086364b376d29ec11008360a3 | மனிதர்கள் தங்கள் மிக அடிப்படை இயற்பியல் கருத்துக்களை வளர்ச்சியின் ஆரம்பத்தில் பெறுகிறார்கள், மேலும் அவர்கள் அதிக மற்றும் மாறுபட்ட மாறும் சூழல்களுக்கு ஆளாகிறார்கள் என்பதால் அவர்களின் உள்ளுணர்வு இயற்பியலை வாழ்நாள் முழுவதும் வளப்படுத்தவும் விரிவுபடுத்தவும் தொடர்கின்றனர். நாம் ஒரு வரிசைப்படுத்தப்பட்ட பேய்சியன் கட்டமைப்பை அறிமுகப்படுத்துகிறோம், மக்கள் எவ்வாறு பல நிலைகளில் இயற்பியல் அளவுருக்களை கற்றுக்கொள்ள முடியும் என்பதை விளக்குவதற்காக. கோட்பாட்டு கையகப்படுத்தலின் முந்தைய பேயஸியன் மாதிரிகளுக்கு மாறாக (டெனன்பூம், கெம்ப், கிரிஃபித்ஸ், & குட்மேன், 2011), காலப்போக்கில் உருவாகும் மாறும் காட்சிகளில் பொருள்கள் எவ்வாறு தொடர்பு கொள்கின்றன என்பதை நிர்வகிக்கும் சக்திகள் மற்றும் பண்புகளை கற்றுக்கொள்வதற்கு ஏற்ற அதிக வெளிப்படையான நிகழ்தகவு நிரல் பிரதிநிதித்துவங்களுடன் நாங்கள் பணியாற்றுகிறோம். குறும்படங்கள் கொடுக்கப்பட்ட புதிய நுண்ணிய உலகங்களில் பல இயற்பியல் அளவுருக்களை மதிப்பிடுவதற்கான சவாலான பணியில் மனித கற்றலுடன் எங்கள் மாதிரியை ஒப்பிடுகிறோம். இந்த பணிக்கு பல தொடர்புடைய இயற்பியல் சட்டங்கள் மற்றும் பண்புகள் பற்றி ஒரே நேரத்தில் மக்கள் பகுத்தறிவு தேவைப்படுகிறது. பொதுவாக மக்கள் இந்த சூழலில் கற்றுக் கொள்ள முடிகிறது, மேலும் அவர்களின் தீர்ப்புகளில் நிலைத்தன்மையுடன் இருக்கிறார்கள். ஆனால், இந்த கணக்கீட்டு ரீதியாக சிக்கலான சிக்கலை, குறைந்த கணக்கீட்டு வளங்களுடன் தீர்க்கும் போது, மக்கள் செய்யும் தோராயமான மதிப்பீடுகளை, அவர்கள் முறையான தவறுகளால் குறிப்பிடுகின்றனர். மேலிருந்து கீழாக பெய்சியன் அணுகுமுறையை நிறைவு செய்யும் இரண்டு தோராயங்களை நாங்கள் முன்மொழிகிறோம். ஒரு தோராயமான மாதிரி ஒரு கீழே-மேலே அம்சம் சார்ந்த ஊக திட்டத்தை நம்பியுள்ளது. இரண்டாவது தோராயமானது, இயற்பியல்-பாரமிட்டர் இடத்தில் தேடலுக்கான அதன் தொடக்க புள்ளியாக அம்ச அடிப்படையிலான ஊகத்தை எடுத்துக்கொள்வதன் மூலம், கீழ்-மேல் மற்றும் மேல்-கீழே அணுகுமுறைகளின் பலங்களை இணைக்கிறது. |
6f0144dc7ba19123ddce8cdd4ad0f6dc36dd4ef2 | பாலின டிஸ்ஃபோரியா (GD) உள்ள இளம் பருவத்தினருக்கு, க்னாடோட்ரோபின்- ரிலீசிங் ஹார்மோன் (GnRH) அகோனிஸ்டுகளை பாலின பருவத்தை தடுக்க பயன்படுத்த சர்வதேச வழிகாட்டுதல்கள் பரிந்துரைக்கின்றன. பாலின டிஸ்ஃபோரிக் இளைஞர்கள் இந்த ஆரம்பகால மருத்துவ தலையீட்டைப் பற்றி எப்படி நினைக்கிறார்கள் என்பது பற்றி அதிகம் தெரியவில்லை. இந்த ஆய்வின் நோக்கம் (1) பாலின டிஸ்போரிக் பதின்ம வயதினரின் கருத்தை விளக்குவது, (2) பாலின டிஸ்போரிக் பதின்ம வயதினரின் கருத்தோட்டம் சிகிச்சை குழுக்களில் பணிபுரியும் நிபுணர்களின் கருத்தோட்டங்களிலிருந்து வேறுபடுகிறதா, எந்த அர்த்தத்தில் வேறுபடுகிறது என்பதை ஆராய. இது பாலின டிஸ்ஃபோரிக் இளைஞர்களின் ஆரம்பகால சிகிச்சையைப் பற்றிய கருத்தாய்வுகளை அடையாளம் காண வடிவமைக்கப்பட்ட ஒரு தரமான ஆய்வாகும். 13 இளம் பருவத்தினர், ஒருவரைத் தவிர, இளம் பருவத்தை அடக்குவதன் மூலம் சிகிச்சையளிக்கப்பட்டனர்; ஐந்து இளம் பருவத்தினர் டிரான்ஸ் பெண்கள் மற்றும் எட்டு டிரான்ஸ் சிறுவர்கள். இவர்களது வயது 13 முதல் 18 வயது வரை, சராசரி வயது 16 ஆண்டுகள் மற்றும் 11 மாதங்கள், மற்றும் சராசரி வயது 17 ஆண்டுகள் மற்றும் 4 மாதங்கள். பின்னர், இளம் பருவத்தினரின் கருத்துக்கள் GD நோயால் பாதிக்கப்பட்ட இளைஞர்களுக்கு சிகிச்சையளிக்கும் மருத்துவரின் கருத்துக்களுடன் ஒப்பிடப்பட்டன. பாலின டிஸ்ஃபோரிக் இளைஞர்களுடனான நேர்காணல்களில் இருந்து மூன்று கருப்பொருள்கள் வெளிவந்தனஃ (1) பருவமடைதல் அடக்குமுறைக்கு ஏற்ற குறைந்த வயது வரம்பு எது என்பதை தீர்மானிப்பதில் உள்ள சிரமம். பெரும்பாலான இளம் பருவத்தினர் பொருத்தமான வயது வரம்பை வரையறுப்பதில் சிரமம் இருப்பதாகவும், அதை ஒரு சிக்கலாகக் கருதுவதாகவும் கண்டனர்; (2) பருவமடைதலை அடக்குவதன் நீண்டகால விளைவுகள் குறித்த தரவுகளின் பற்றாக்குறை. நீண்ட கால தரவுகளின் பற்றாக்குறை பருவமடைதலை அடக்குவதைத் தடுக்காது என்றும், தடுக்காது என்றும் பெரும்பாலான இளம் பருவத்தினர் தெரிவித்தனர்; (3) சமூக சூழலின் பங்கு, இதற்கு இரண்டு துணை கருப்பொருள்கள் இருந்தனஃ (அ) அதிகரித்த ஊடக கவனம், தொலைக்காட்சியில் மற்றும் இணையத்தில்; (ஆ) திணிக்கப்பட்ட ஒரே மாதிரியான. சமூக சூழலின் பங்கு குறித்து சில இளைஞர்கள் நேர்மறையாக இருந்தனர், ஆனால் மற்றவர்கள் அதைப் பற்றி சந்தேகம் தெரிவித்தனர். மருத்துவ நிபுணர்களை விட, இளம் பருவத்தினர் சிகிச்சையில் அதிக எச்சரிக்கையுடன் இருந்தனர். பாலின டிஸ்ஃபோரிக் இளைஞர்களுக்கு குரல் கொடுப்பது முக்கியம், GD இல் பருவமடைதல் அடக்குமுறையின் பயன்பாட்டை விவாதிக்கும் போது. இல்லையெனில், தொழில் வல்லுநர்கள் இளம் வயதினரின் உண்மையான கருத்தாய்வுகளுக்கு பதிலாக இளம் வயதினரின் கருத்துக்களை அடிப்படையாகக் கொண்டு செயல்படலாம். பிற நாடுகளில் உள்ள பாலின டிஸ்ஃபோரிக் இளைஞர்களிடமிருந்து தரமான ஆராய்ச்சி தரவுகளை சேகரிப்பதை நாங்கள் ஊக்குவிக்கிறோம். |
446573a346acdbd2eb8f0527c5d73fc707f04527 | |
6e6f47c4b2109e7824cd475336c3676faf9b113e | கணினி பார்வை ஆராய்ச்சியாளர்களுக்கு உலகத்தைப் பற்றிய தகவல்களையும், உலகத்தை மக்கள் எவ்வாறு விவரிக்கிறார்கள் என்பதையும் காட்சி விளக்க மொழி வழங்குகிறது என்று நாங்கள் கருதுகிறோம். இந்த மூலத்திலிருந்து கிடைக்கும் சாத்தியமான நன்மைகள் இன்று எளிதில் கிடைக்கக்கூடிய மகத்தான மொழியியல் தரவுகளின் காரணமாக மிகவும் குறிப்பிடத்தக்கதாகும். பெரிய அளவிலான உரைத் தரவுகளை பகுப்பாய்வு செய்வதன் மூலமும் கணினி பார்வையிலிருந்து அங்கீகரிப்பு வழிமுறைகளிலிருந்து சேகரிக்கப்பட்ட புள்ளிவிவரங்களையும் பயன்படுத்தி படங்களிலிருந்து இயற்கை மொழி விளக்கங்களை தானாகவே உருவாக்கும் ஒரு அமைப்பை நாங்கள் முன்வைக்கிறோம். படங்களுக்கு பொருத்தமான வாக்கியங்களை உருவாக்குவதில் இந்த அமைப்பு மிகவும் பயனுள்ளதாக உள்ளது. இது முந்தைய படைப்புகளை விட குறிப்பிட்ட பட உள்ளடக்கத்திற்கு மிகவும் உண்மை என்று விளக்கங்களை உருவாக்குகிறது. |
9a0fff9611832cd78a82a32f47b8ca917fbd4077 | |
9e5a13f3bc2580fd16bab15e31dc632148021f5d | குறைந்த சுயவிவரத்துடன் கூடிய சப்ஸ்ட்ரேட் ஒருங்கிணைந்த அலை வழிநடத்துதல் (SIW) காவிட்டி-பின்புற ஸ்லாட் ஆண்டெனாவின் அலைவரிசை மேம்படுத்தப்பட்ட முறை இந்த ஆவணத்தில் வழங்கப்பட்டுள்ளது. SIW-ஆதரவு பெற்ற குழிக்குள் இரண்டு கலப்பின முறைகளை ஒரே நேரத்தில் தூண்டுவதன் மூலமும், தேவையான அதிர்வெண் வரம்பிற்குள் அவற்றை இணைப்பதன் மூலமும் அலைவரிசை விரிவாக்கத்தை அடைய முடியும். இந்த இரண்டு கலப்பின முறைகள், அதன் ஆதிக்கம் செலுத்தும் புலங்கள் SIW குழிகளின் வெவ்வேறு பாதியின் பகுதிகளில் அமைந்துள்ளன, அவை இரண்டு வெவ்வேறு சேர்க்கைகள் மற்றும் ஒலிப்புத்திறன். இந்த வடிவமைப்பு முறை பரிசோதனைகளால் சரிபார்க்கப்பட்டுள்ளது. முன்னர் வழங்கப்பட்ட SIW குழி ஆதரவு ஸ்லாட் ஆண்டெனாவுடன் ஒப்பிடும்போது, முன்மொழியப்பட்ட ஆண்டெனாவின் பகுதியளவு தடை அலைவரிசை 1.4% முதல் 6.3% வரை மேம்படுத்தப்பட்டுள்ளது, அதன் ஆதாயம் மற்றும் கதிர்வீச்சு செயல்திறன் 6.0 dBi மற்றும் 90% வரை சற்று மேம்படுத்தப்பட்டுள்ளது, மேலும் அதன் SIW குழி அளவு சுமார் 30% குறைக்கப்பட்டுள்ளது. முன்மொழியப்பட்ட அந்தென்னா குறைந்த குறுக்கு துருவமுனைப்பு மட்டத்தையும், முன்னால் இருந்து பின்புறம் அதிக விகிதத்தையும் கொண்டுள்ளது. இது குறைந்த சுயவிவரம், குறைந்த உற்பத்தி செலவு மற்றும் சமவெளி சுற்றுகளுடன் எளிதாக ஒருங்கிணைக்கும் நன்மைகளை இன்னும் தக்க வைத்துக் கொண்டுள்ளது. |
4c68e7eff1da14003cc7efbfbd9a0a0a3d5d4968 | நடைமுறைப்படுத்தல் அறிவியல், நடைமுறைப்படுத்தல் எவ்வாறு வெற்றிகரமாக அல்லது தோல்வியுற்றது என்பதற்கான சிறந்த புரிதலையும் விளக்கத்தையும் வழங்குவதற்காக கோட்பாட்டு அணுகுமுறைகளை அதிக அளவில் பயன்படுத்துவதில் முன்னேற்றம் அடைந்துள்ளது. இந்த கட்டுரையின் நோக்கம், செயல்படுத்தல் அறிவியலில் பல்வேறு வகை கோட்பாடுகள், மாதிரிகள் மற்றும் கட்டமைப்புகள் ஆகியவற்றை வேறுபடுத்துகின்ற ஒரு வகைப்படுத்தலை முன்மொழிவது, பொருத்தமான அணுகுமுறைகளை தேர்வு செய்து நடைமுறையில் பயன்படுத்துவதை எளிதாக்குவது மற்றும் செயல்படுத்தல் ஆராய்ச்சியாளர்களிடையே பல்துறை உரையாடலை ஊக்குவிப்பதாகும். விவாதம் நடைமுறை அறிவியலில் பயன்படுத்தப்படும் கோட்பாட்டு அணுகுமுறைகள் மூன்று முக்கிய நோக்கங்களைக் கொண்டுள்ளனஃ ஆராய்ச்சியை நடைமுறைக்கு மாற்றுவதற்கான செயல்முறையை விவரித்தல் மற்றும் / அல்லது வழிகாட்டுதல் (செயல்முறை மாதிரிகள்); நடைமுறைப்படுத்தல் முடிவுகளை (தீர்க்கமான கட்டமைப்புகள், கிளாசிக் கோட்பாடுகள், நடைமுறைப்படுத்தல் கோட்பாடுகள்) பாதிக்கும் விஷயங்களை புரிந்துகொள்வது மற்றும் / அல்லது விளக்குவது; மற்றும் நடைமுறைப்படுத்தலை மதிப்பீடு செய்தல் (மதிப்பீட்டு கட்டமைப்புகள்). மூன்று முக்கிய நோக்கங்களை அடைவதற்கு ஐந்து வகையான தத்துவார்த்த அணுகுமுறைகளை இந்த கட்டுரை முன்மொழிகிறது. இந்த வகைகள் இலக்கியத்தில் தனித்தனி அணுகுமுறைகளாக எப்போதும் அங்கீகரிக்கப்படவில்லை. சில கோட்பாடுகள், மாதிரிகள் மற்றும் கட்டமைப்புகள் ஒன்றுடன் ஒன்று ஒத்திருந்தாலும், பொருத்தமான அணுகுமுறைகளைத் தேர்ந்தெடுப்பதை எளிதாக்குவதற்கு வேறுபாடுகள் பற்றிய விழிப்புணர்வு முக்கியம். பெரும்பாலான தீர்மானிக்கும் கட்டமைப்புகள் ஒரு நடைமுறைப்படுத்தல் செயல்முறையை வழிநடத்துவதற்கு போதுமான விவரங்களை வழங்கும் அளவுக்கு தீர்மானிக்கும் காரணிகள் பொதுவாக பொதுவானவை என்பதால் நடைமுறைப்படுத்தல் முயற்சிகளை மேற்கொள்வதற்கு வரையறுக்கப்பட்ட "எப்படி" ஆதரவை வழங்குகின்றன. ஆராய்ச்சியை நடைமுறைக்கு கொண்டு வருவதில் உள்ள தடைகள் மற்றும் திறன்களைக் கையாள்வதன் முக்கியத்துவம் பல செயல்முறை மாதிரிகளில் குறிப்பிடப்பட்டாலும், இந்த மாதிரிகள் செயல்படுத்தல் வெற்றியைச் சார்ந்த குறிப்பிட்ட தீர்மானிப்பாளர்களை அடையாளம் காணவோ அல்லது முறையாக கட்டமைக்கவோ இல்லை. மேலும், செயல்முறை மாதிரிகள் ஒரு கால வரிசையை செயல்படுத்தும் முயற்சிகளை அங்கீகரிக்கின்றன, அதே நேரத்தில் தீர்மானிக்கும் கட்டமைப்புகள் ஒரு செயல்முறை முன்னோக்கை வெளிப்படையாக எடுத்துக்கொள்ளாது. |
00a7370518a6174e078df1c22ad366a2188313b5 | ஒளியியல் ஓட்டத்தை உள்ளூரில் கணக்கிட முடியாது, ஏனெனில் ஒரு புள்ளியில் பட வரிசையிலிருந்து ஒரு சுயாதீன அளவீட்டு மட்டுமே கிடைக்கிறது, அதே நேரத்தில் ஓட்ட வேகத்திற்கு இரண்டு கூறுகள் உள்ளன. இரண்டாவது கட்டுப்பாடு தேவைப்படுகிறது. ஒளியியல் ஓட்ட வடிவத்தைக் கண்டறிவதற்கான ஒரு முறை வழங்கப்படுகிறது, இது பிரகாச வடிவத்தின் வெளிப்படையான வேகம் படத்தில் கிட்டத்தட்ட எல்லா இடங்களிலும் சீராக மாறுபடும் என்று கருதுகிறது. ஒரு தொடர்ச்சியான செயற்கை பட வரிசைகளுக்கு வெற்றிகரமாக ஒளியியல் ஓட்டத்தை கணக்கிடுவதற்கான ஒரு தொடர்ச்சியான செயல்படுத்தல் காட்டப்பட்டுள்ளது. இந்த வழிமுறை வலுவானது, இது விண்வெளி மற்றும் காலங்களில் கணிசமாக அளவிடப்படும் பட வரிசைகளை கையாள முடியும். இது பிரகாச அளவுகள் மற்றும் சேர்க்கை சத்தம் ஆகியவற்றின் அளவுக்கு உணர்திறன் இல்லாதது. படத்தில் தனித்துவமான புள்ளிகளில் அல்லது கோடுகள் வழியாக மென்மையின் அனுமானம் மீறப்பட்டிருக்கும் எடுத்துக்காட்டுகள் சேர்க்கப்பட்டுள்ளன. |
2315fc6c2c0c4abd2443e26a26e7bb86df8e24cc | ImageNet LSVRC-2010 போட்டியில் 1.2 மில்லியன் உயர் தெளிவுத்திறன் படங்களை 1000 வெவ்வேறு வகுப்புகளாக வகைப்படுத்த ஒரு பெரிய, ஆழமான மடக்குதல் நரம்பியல் வலையமைப்பை நாங்கள் பயிற்றுவித்தோம். சோதனைத் தரவுகளில், முதல் 1 மற்றும் முதல் 5 பிழை விகிதங்கள் முறையே 37.5% மற்றும் 17.0% ஆக இருந்தன, இது முந்தைய அதிநவீன நிலையை விட கணிசமாக சிறந்தது. 60 மில்லியன் அளவுருக்கள் மற்றும் 650,000 நியூரான்களைக் கொண்ட நரம்பியல் வலையமைப்பு, ஐந்து சுருக்க அடுக்குகளைக் கொண்டுள்ளது, அவற்றில் சில அதிகபட்ச-கூட்டல் அடுக்குகளால் பின்பற்றப்படுகின்றன, மேலும் இறுதி 1000 வழி மென்மையான அதிகபட்சத்துடன் மூன்று முழுமையாக இணைக்கப்பட்ட அடுக்குகள் உள்ளன. பயிற்சியை விரைவுபடுத்த, நாம் நிரப்பப்படாத நரம்பணுக்களையும், மிகவும் திறமையான GPU செயல்படுத்தலையும் பயன்படுத்தினோம். முழுமையாக இணைக்கப்பட்ட அடுக்குகளில் அதிக பொருத்தத்தை குறைக்க நாங்கள் சமீபத்தில் உருவாக்கப்பட்ட ஒரு முறையான முறையை "dropout" என்று பயன்படுத்துகிறோம், இது மிகவும் பயனுள்ளதாக நிரூபிக்கப்பட்டுள்ளது. இந்த மாதிரியின் ஒரு மாறுபாட்டை ILSVRC-2012 போட்டியில் நாங்கள் நுழைந்தோம், மேலும் இரண்டாவது சிறந்த நுழைவு மூலம் அடையப்பட்ட 26.2% உடன் ஒப்பிடும்போது 15.3% முதல் 5 சோதனை பிழை விகிதத்தை வென்றோம். |
1bc49abe5145055f1fa259bd4e700b1eb6b7f08d | ஆவணங்களை சுருக்கமாகக் கூறுவதற்கு ஒரு மறுபடியும் நிகழும் நரம்பு வலையமைப்பு (RNN) அடிப்படையிலான வரிசை மாதிரி SummaRuNNer ஐ நாங்கள் முன்வைக்கிறோம், மேலும் இது மாநிலத்தை விட சிறந்த செயல்திறனை அல்லது ஒப்பிடக்கூடியதைக் காட்டுகிறது. நமது மாதிரி மிகவும் விளக்கக்கூடிய கூடுதல் நன்மை உள்ளது, ஏனெனில் இது அதன் கணிப்புகளை காட்சிப்படுத்த அனுமதிக்கிறது, இது தகவல் உள்ளடக்கம், முக்கியத்துவம் மற்றும் புதுமை போன்ற சுருக்கமான அம்சங்களால் உடைக்கப்படுகிறது. எங்கள் பணியின் மற்றொரு புதிய பங்களிப்பு, மனிதனால் உருவாக்கப்பட்ட குறிப்பு சுருக்கங்களை மட்டுமே பயிற்றுவிக்கக்கூடிய எங்கள் பிரித்தெடுக்கும் மாதிரியின் சுருக்கமான பயிற்சியாகும், இது வாக்கிய மட்டத்தில் பிரித்தெடுக்கும் லேபிள்களின் தேவையை நீக்குகிறது. |
3e4bd583795875c6550026fc02fb111daee763b4 | இந்த ஆய்வில், நாம் ஆழமான நரம்பியல் வலையமைப்பை பயன்படுத்தி முக ஓவியங்களை மாற்றி, புகைப்பட ரீதியான முக படங்களை உருவாக்குகிறோம். நாம் முதலில் ஒரு அரை உருவகப்படுத்தப்பட்ட தரவு தொகுப்பை உருவாக்குகிறோம் அதில் கணினி உருவாக்கிய முக ஓவியங்கள் பல உள்ளன வெவ்வேறு பாணிகள் மற்றும் தொடர்புடைய முக படங்கள் தற்போதுள்ள கட்டுப்படுத்தப்படாத முக தரவு தொகுப்புகளை விரிவுபடுத்துவதன் மூலம். பின்னர், ஆழமான கற்றல், ஆழமான மீதமுள்ள கற்றல், உணர்வு இழப்பு மற்றும் ஸ்டோகாஸ்டிக் தேர்வுமுறை ஆகியவற்றில் சமீபத்திய முன்னேற்றங்களை பயன்படுத்தி கணினி உருவாக்கிய ஓவியங்கள் மற்றும் கையால் வரையப்பட்ட ஓவியங்கள் இரண்டிலும் அதிநவீன முடிவுகளை அடையும் மாதிரிகளை நாங்கள் பயிற்றுவிக்கிறோம். இறுதியாக, நமது மாதிரிகள், கலை மற்றும் நீதித்துறை கலைகளில் பயன்பாட்டுக்கு வருவதை நிரூபிக்கிறோம். தற்போதுள்ள பிளாட்ச் அடிப்படையிலான அணுகுமுறைகளுக்கு மாறாக, நமது ஆழமான நரம்பியல் நெட்வொர்க் அடிப்படையிலான அணுகுமுறையை, இயற்கையில் உள்ள முக ஓவியங்களை மாற்றியமைப்பதன் மூலம் புகைப்பட யதார்த்தமான முக படங்களை தொகுக்க பயன்படுத்தலாம். |
2fd9f4d331d144f71baf2c66628b12c8c65d3ffb | வகைப்படுத்தல் முறையில் சமீபத்திய முக்கிய முன்னேற்றங்களில் ஒன்று ஊக்குவிப்பு ஆகும். பயிற்சி தரவுகளின் மறுபரிசீலனை செய்யப்பட்ட பதிப்புகளுக்கு ஒரு வகைப்படுத்தல் வழிமுறையை தொடர்ச்சியாகப் பயன்படுத்துவதன் மூலம் வேலைகளை அதிகரித்தல், பின்னர் இவ்வாறு உருவாக்கப்பட்ட வகைப்படுத்திகளின் வரிசையில் ஒரு எடைபோட்ட பெரும்பான்மை வாக்கெடுப்பை எடுத்துக்கொள்வது. பல வகைப்படுத்தல் வழிமுறைகளுக்கு, இந்த எளிய மூலோபாயம் செயல்திறனில் வியத்தகு முன்னேற்றங்களை ஏற்படுத்துகிறது. இந்த மர்மமான நிகழ்வை நன்கு அறியப்பட்ட புள்ளியியல் கொள்கைகளின் அடிப்படையில் புரிந்து கொள்ள முடியும் என்பதை நாங்கள் காட்டுகிறோம், அதாவது சேர்க்கை மாதிரி மற்றும் அதிகபட்ச நிகழ்தகவு. இரண்டு வகுப்பு சிக்கலுக்கு, அதிகரிப்பு அதிகபட்ச பெர்னூலி நிகழ்தகவை ஒரு அளவுகோலாகப் பயன்படுத்தி தளவாட அளவிலான சேர்க்கை மாதிரியின் தோராயமாகக் காணலாம். நாம் நேரடியாக நெருக்கமான தோற்றங்களை உருவாக்கி, அவை அதிகரிப்புக்கு கிட்டத்தட்ட ஒரே மாதிரியான முடிவுகளை வெளிப்படுத்துகின்றன என்பதைக் காட்டுகிறோம். பலதரப்பட்ட நிகழ்தகவின் அடிப்படையில் நேரடி பலதரப்பு பொதுமைப்படுத்தல்கள் பெறப்படுகின்றன, அவை சமீபத்தில் முன்மொழியப்பட்ட பலதரப்பு பொதுமைப்படுத்தல்களுடன் ஒப்பிடக்கூடிய செயல்திறனைக் காட்டுகின்றன, பெரும்பாலான சூழ்நிலைகளில் அதிகரிக்கும், மற்றும் சிலவற்றில் மிக உயர்ந்தவை. நாம் ஒரு சிறிய மாற்றத்தை பரிந்துரைக்கிறோம் அதிகரிப்பு இது கணக்கீட்டை குறைக்கலாம், பெரும்பாலும் 10 முதல் 50 வரை காரணிகளால். இறுதியாக, இந்த நுண்ணறிவுகளை பயன்படுத்தி, முடிவெடுக்கும் மரங்களை மேம்படுத்துவதற்கான மாற்று வடிவமைப்பை உருவாக்குகிறோம். சிறந்த-முதல் குறுக்கிடப்பட்ட மர தூண்டல் அடிப்படையிலான இந்த அணுகுமுறை, பெரும்பாலும் சிறந்த செயல்திறனுக்கு வழிவகுக்கிறது, மேலும் கூட்டு முடிவெடுக்கும் விதியின் விளக்கக்கூடிய விளக்கங்களை வழங்க முடியும். இது கணிப்பு ரீதியாகவும் மிக வேகமாக உள்ளது, இது பெரிய அளவிலான தரவு சுரங்க பயன்பாடுகளுக்கு மிகவும் பொருத்தமானது. |
573ae3286d050281ffe4f6c973b64df171c9d5a5 | பரபரப்பான காட்சிகளில் பல வகையான பொருள்களைக் கண்டறிவதற்கான சிக்கலை நாம் கருதுகிறோம். பாரம்பரிய அணுகுமுறைகள் பல இடங்களிலும், அளவிலும், படத்திற்கு பல்வேறு வகைப்படுத்திகளின் பேட்டரியைப் பயன்படுத்துவதைக் கோருகின்றன. இது மெதுவாகவும், நிறைய பயிற்சி தரவுகளையும் தேவைப்படலாம், ஏனெனில் ஒவ்வொரு வகைப்படுத்திக்கும் பல வெவ்வேறு பட அம்சங்களின் கணக்கீடு தேவைப்படுகிறது. குறிப்பாக, சுயாதீனமாக பயிற்சி பெற்ற கண்டறிதல் கருவிகளுக்கு, (நடப்பு நேரம்) கணக்கீட்டு சிக்கலான தன்மை மற்றும் (பயிற்சி நேரம்) மாதிரி சிக்கலான தன்மை ஆகியவை கண்டறியப்பட வேண்டிய வகுப்புகளின் எண்ணிக்கையுடன் நேரியல் அளவில் அளவிடப்படுகின்றன. அதிகரித்த முடிவு முனைகளை அடிப்படையாகக் கொண்ட ஒரு பல்பணி கற்றல் நடைமுறையை நாங்கள் முன்வைக்கிறோம், இது வகுப்புகள் (மற்றும் / அல்லது காட்சிகள்) முழுவதும் பகிரக்கூடிய பொதுவான அம்சங்களைக் கண்டுபிடிப்பதன் மூலம் கணக்கீட்டு மற்றும் மாதிரி சிக்கலைக் குறைக்கிறது. ஒவ்வொரு வகுப்பிற்கும் உளவாளிகள் தனித்தனியாகப் பயிற்சி பெறுவதை விட, இணைந்து பயிற்சி பெறுகிறார்கள். ஒரு குறிப்பிட்ட செயல்திறன் மட்டத்திற்கு, தேவைப்படும் அம்சங்களின் மொத்த எண்ணிக்கை, எனவே, வகைப்படுத்தியின் இயக்க நேர செலவு, வகுப்புகளின் எண்ணிக்கையுடன் தோராயமாக லாஜரித்மிக் முறையில் அளவிடப்படுவதைக் காணலாம். கூட்டு பயிற்சியால் தேர்ந்தெடுக்கப்பட்ட அம்சங்கள் பொதுவான விளிம்பு போன்ற அம்சங்கள் ஆகும், அதேசமயம் ஒவ்வொரு வகுப்பையும் தனித்தனியாக பயிற்சி செய்வதன் மூலம் தேர்ந்தெடுக்கப்பட்ட அம்சங்கள் பொருள் சார்ந்தவை. பொதுவான அம்சங்கள் சிறப்பாக பொதுமயமாக்குகின்றன மற்றும் பல வகுப்பு பொருள் கண்டறிதலின் கணக்கீட்டு செலவை கணிசமாகக் குறைக்கின்றன |
1e75a3bc8bdd942b683cf0b27d1e1ed97fa3b4c3 | காஸ்ஸியன் செயல்முறைகள் மாநில விண்வெளி மாதிரிகளில் அறியப்படாத இயக்கவியல் குறித்த முந்தைய அனுமானங்களின் நெகிழ்வான விவரக்குறிப்பை அனுமதிக்கின்றன. கோஸ் செயல்முறை நிலை இட மாதிரிகளில் திறமையான பேயஸியன் கற்றலுக்கான ஒரு நடைமுறையை நாங்கள் முன்வைக்கிறோம், அங்கு முன் கோவரியன்ஸ் கட்டமைப்பிலிருந்து பெறப்பட்ட தோராயமான சொந்த செயல்பாடுகளின் தொகுப்பில் சிக்கலை திட்டமிடுவதன் மூலம் பிரதிநிதித்துவம் உருவாக்கப்படுகிறது. இந்த மாதிரி குடும்பத்தின் கீழ் கற்றல் ஒரு கவனமாக வடிவமைக்கப்பட்ட துகள் MCMC வழிமுறையைப் பயன்படுத்தி நடத்தப்படலாம். இந்த திட்டம் கணக்கீட்டு திறன் கொண்டது மற்றும் சிக்கலின் முழுமையான பேய்சியன் சிகிச்சையை அனுமதிக்கிறது. வழக்கமான அமைப்பு அடையாளம் கருவிகள் அல்லது ஏற்கனவே கற்றல் முறைகள் ஒப்பிடும்போது, நாம் போட்டி செயல்திறன் மற்றும் மாதிரி நிச்சயமற்ற நம்பகமான அளவு காட்ட. |
142a799aac35f3b47df9fbfdc7547ddbebba0a91 | மாடல் அடிப்படையிலான 6D போஸ் தரவுகளில் வண்ணத் தரவுகளை மேம்படுத்துவதற்கான ஒரு புதிய அணுகுமுறையை நாங்கள் முன்வைக்கிறோம். உருவகத்தை அடிப்படையாகக் கொண்ட போஸ் டிராக்கிங் என்ற கருத்தை அடிப்படையாகக் கொண்டு, ஒரு ஆழமான நரம்பியல் வலையமைப்பை ஒரு மொழிபெயர்ப்பு மற்றும் சுழற்சி புதுப்பிப்பைக் கணிப்பதற்கு நாங்கள் கற்பிக்கிறோம். மையத்தில், நாம் ஒரு புதிய காட்சி இழப்பு முன்மொழிகிறது என்று போஸ் மேம்படுத்தல் இயக்கி பொருள் சுற்றளவுகளை aligning, இதனால் எந்த வெளிப்படையான தோற்றம் மாதிரி வரையறை தவிர்க்கும். முந்தைய பணிகளுக்கு மாறாக, நமது முறை கடிதமில்லா, பிரிவு இல்லாதது, மூடலைக் கையாள முடியும் மற்றும் வடிவியல் சமச்சீரமைவு மற்றும் காட்சி தெளிவின்மைகளுக்கு அறிவியலாளராக உள்ளது. கூடுதலாக, நாம் ஒரு வலுவான வலுவான நோக்குடன் கவனிக்கின்றோம். இந்த அணுகுமுறை உண்மையான நேரத்தில் இயங்கக்கூடியது மற்றும் ஆழம் தரவு தேவையில்லாமல் 3D ICP க்கு நெருக்கமான போஸ் துல்லியங்களை உருவாக்குகிறது. மேலும், எங்கள் நெட்வொர்க்குகள் முற்றிலும் செயற்கை தரவுகளிலிருந்து பயிற்றுவிக்கப்படுகின்றன, மேலும் அவை http://campar.in.tum இல் சுத்திகரிப்புக் குறியீட்டுடன் வெளியிடப்படும். de/Main/FabianManhardt மறுபதிப்பு செய்யக்கூடிய தன்மையை உறுதி செய்ய. |
046bf6fb90438335eaee07594855efbf541a8aba | நகரமயமாக்கலின் விரைவான முன்னேற்றம் பலரின் வாழ்க்கையை நவீனமயமாக்கியதுடன், போக்குவரத்து நெரிசல், எரிசக்தி நுகர்வு, மாசுபாடு போன்ற பெரிய பிரச்சினைகளையும் உருவாக்கியுள்ளது. நகர்ப்புற கணினிகள், நகரங்களில் உருவாக்கப்பட்ட தரவுகளை (எ. கா. , போக்குவரத்து ஓட்டம், மனித இயக்கம், மற்றும் புவியியல் தரவு) பயன்படுத்தி இந்த பிரச்சினைகளை தீர்க்கும் நோக்கத்தை கொண்டுள்ளது. நகர்ப்புற கணினிகள் நகர்ப்புற உணர்திறன், தரவு மேலாண்மை, தரவு பகுப்பாய்வு மற்றும் சேவை வழங்குதல் ஆகியவற்றை ஒரு தொடர்ச்சியான செயல்முறையாக இணைத்து மக்களின் வாழ்க்கை, நகர செயல்பாட்டு அமைப்புகள் மற்றும் சுற்றுச்சூழலை சீராகவும் தொடர்ச்சியாகவும் மேம்படுத்துகின்றன. நகர்ப்புற கணிப்பு என்பது ஒரு பல்வகைத் துறையாகும், அங்கு கணினி அறிவியல் நகர்ப்புற இடங்களின் சூழலில் போக்குவரத்து, சிவில் பொறியியல், சுற்றுச்சூழல், பொருளாதாரம், சுற்றுச்சூழல் மற்றும் சமூகவியல் போன்ற வழக்கமான நகர தொடர்பான துறைகளை சந்திக்கிறது. இந்த கட்டுரை முதலில் நகர்ப்புற கணினிமயமாக்கல் என்ற கருத்தை அறிமுகப்படுத்துகிறது, அதன் பொதுவான கட்டமைப்பையும் கணினி அறிவியல் கண்ணோட்டத்தில் முக்கிய சவால்களையும் விவாதிக்கிறது. இரண்டாவது, நகர்ப்புற கணினி பயன்பாடுகளை ஏழு பிரிவுகளாக வகைப்படுத்துகிறோம், அவை நகர்ப்புற திட்டமிடல், போக்குவரத்து, சுற்றுச்சூழல், எரிசக்தி, சமூக, பொருளாதாரம், பொது பாதுகாப்பு மற்றும் பாதுகாப்பு ஆகியவை அடங்கும், ஒவ்வொரு பிரிவிலும் பிரதிநிதித்துவ காட்சிகளை முன்வைக்கின்றன. மூன்றாவதாக, நகர்ப்புற கணினிகளில் தேவைப்படும் தொழில்நுட்பங்களை நான்கு பிரிவுகளாக தொகுத்துள்ளோம். அவை நகர்ப்புற உணர்திறன், நகர்ப்புற தரவு மேலாண்மை, பன்முகத் தரவுகளில் அறிவு இணைப்பு, நகர்ப்புற தரவு காட்சிப்படுத்தல். இறுதியாக, நகர்ப்புற கணினிகளின் எதிர்காலம் குறித்த ஒரு பார்வையை நாம் தருகிறோம், சமூகத்தில் காணாமல் போன சில ஆராய்ச்சி தலைப்புகளை பரிந்துரைக்கிறோம். |
970b4d2ed1249af97cdf2fffdc7b4beae458db89 | இணையத்தில் தினமும் கிட்டத்தட்ட ஒரு பில்லியன் வீடியோக்கள் பார்க்கப்படுவதால், கணினி பார்வை ஆராய்ச்சியில் ஒரு புதிய எல்லை உருவாகி வருகிறது. ஆயிரக்கணக்கான பட வகைகளைக் கொண்ட பெரிய அளவிலான நிலையான பட தரவுத்தொகுப்புகளை சேகரிப்பதற்கும் குறிப்பிடுவதற்கும் அதிக முயற்சிகள் மேற்கொள்ளப்பட்டிருந்தாலும், மனித நடவடிக்கை தரவுத்தொகுப்புகள் மிகவும் பின்தங்கியுள்ளன. தற்போதைய நடவடிக்கை அங்கீகாரம் தரவுத்தளங்கள் பத்து வெவ்வேறு நடவடிக்கை வகைகளை உள்ளடக்கியது, அவை மிகவும் கட்டுப்படுத்தப்பட்ட நிலைமைகளின் கீழ் சேகரிக்கப்படுகின்றன. இந்த தரவுத் தொகுப்புகளின் செயல்திறன் இப்போது உச்சநிலைக்கு அருகில் உள்ளது, எனவே புதிய தரவுகளை வடிவமைத்து உருவாக்குவதற்கான தேவை உள்ளது. இந்த பிரச்சினையை தீர்க்க, 51 செயல் வகைகளைக் கொண்ட மிகப்பெரிய அதிரடி வீடியோ தரவுத்தளத்தை நாங்கள் சேகரித்தோம், இதில் மொத்தம் 7,000 கைமுறையாக விளக்கப்படக் கிளிப்கள் உள்ளன. டிஜிட்டல் திரைப்படங்கள் முதல் யூடியூப் வரை பல்வேறு ஆதாரங்களில் இருந்து பிரித்தெடுக்கப்பட்டவை. இந்த தரவுத்தளத்தை பயன்படுத்தி, செயலை அடையாளம் காணும் இரண்டு கணினி பார்வை அமைப்புகளின் செயல்திறனை மதிப்பீடு செய்து, கேமரா இயக்கம், பார்வை, வீடியோ தரம் மற்றும் மூடல் போன்ற பல்வேறு நிலைமைகளின் கீழ் இந்த முறைகளின் வலுவை ஆராய்வோம். |
3087289229146fc344560478aac366e4977749c0 | சில உணர்வு, உணர்வு மற்றும் உணர்வு-இயந்திர செயல்பாடுகளில் மனிதனின் திறனை இதுவரை சாத்தியமானதை விட துல்லியமாகக் குறிப்பிடுவதற்கு தகவல் கோட்பாடு சமீபத்தில் பயன்படுத்தப்பட்டுள்ளது (5, 10, 13, 15, 17, 18). இந்த ஆய்வில் அறிக்கையிடப்பட்ட பரிசோதனைகள், இந்த கோட்பாட்டை மனித இயக்க முறைமைக்கு விரிவுபடுத்துகின்றன. அடிப்படை கருத்துக்கள், தகவல் அளவு, சத்தம், சேனல் திறன், மற்றும் தகவல் பரிமாற்ற வீதம் ஆகியவற்றின் பொருந்தக்கூடிய தன்மை மட்டுமே இந்த நேரத்தில் ஆராயப்படும். சமீபத்திய எழுத்தாளர்களால் (4,11, 20, 22) வடிவமைக்கப்பட்ட இந்த கருத்துக்களுடன் பொதுவான பழக்கம் கருதப்படுகிறது. மனிதனின் இயக்க முறைமையை அதன் உணர்வு வழிமுறைகளிலிருந்து தனித்து நடத்தை மட்டத்தில் நாம் ஆய்வு செய்ய முடியாது. முழு ஏற்பி-நரம்பு-செயல்பாட்டு அமைப்பின் நடத்தையை மட்டுமே நாம் பகுப்பாய்வு செய்ய முடியும். எப்படி- |
64305508a53cc99e62e6ff73592016d0b994afd4 | RDF ஆனது செமண்ட்டிக் வலை மற்றும் தரவு பரிமாற்றத்திற்கான தரவை குறியிட பெருகிய முறையில் பயன்படுத்தப்படுகிறது. பல்வேறு அணுகுமுறைகளைப் பின்பற்றி ஆர்.டி.எஃப் தரவு மேலாண்மை குறித்து ஏராளமான பணிகள் மேற்கொள்ளப்பட்டுள்ளன. இந்த ஆய்வறிக்கையில் இந்த படைப்புகளின் ஒரு கண்ணோட்டத்தை நாம் வழங்குகிறோம். இந்த ஆய்வு மையப்படுத்தப்பட்ட தீர்வுகள் (கடை அணுகுமுறைகள் என குறிப்பிடப்படுபவை), விநியோகிக்கப்பட்ட தீர்வுகள் மற்றும் இணைக்கப்பட்ட தரவை வினவுவதற்கு உருவாக்கப்பட்ட நுட்பங்களை கருத்தில் கொண்டுள்ளது. ஒவ்வொரு பிரிவிலும், பல்வேறு அணுகுமுறைகளின் அடையாளம் காணும் பண்புகளை வாசகர்கள் புரிந்துகொள்ள உதவும் கூடுதல் வகைப்பாடுகள் வழங்கப்படுகின்றன. |
6162ab446003a91fc5d53c3b82739631c2e66d0f | |
29f5ecc324e934d21fe8ddde814fca36cfe8eaea | அறிமுகம் மார்பக புற்றுநோய் (BC) என்பது பெண்களில் மிகவும் பொதுவான புற்றுநோயாகும், இது அவர்களின் வாழ்க்கையின் சில கட்டங்களில் அனைத்து பெண்களிலும் சுமார் 10% பாதிக்கிறது. சமீபத்திய ஆண்டுகளில், நோய்த்தொற்று விகிதம் தொடர்ந்து அதிகரித்து வருகிறது மற்றும் நோயறிதலிலிருந்து ஐந்து ஆண்டுகளுக்குப் பிறகு 88% மற்றும் நோயறிதலிலிருந்து 10 ஆண்டுகளுக்குப் பிறகு 80% உயிர்வாழ்வு விகிதம் இருப்பதாக தரவு காட்டுகிறது [1]. மார்பக புற்றுநோயை ஆரம்பத்தில் கண்டறிவது, பின்தொடர்தல் செயல்முறையில் மிக முக்கியமான பணிகளில் ஒன்றாகும். தரவுத் தோற்ற முறைகள் தவறான நேர்மறை மற்றும் தவறான எதிர்மறை முடிவுகளின் எண்ணிக்கையைக் குறைக்க உதவும் [2,3]. இதன் விளைவாக, தரவுத்தளங்களில் அறிவு கண்டுபிடிப்பு (KDD) போன்ற புதிய முறைகள் மருத்துவ ஆராய்ச்சியாளர்களுக்கு ஒரு பிரபலமான ஆராய்ச்சி கருவியாக மாறியுள்ளன, அவை அதிக எண்ணிக்கையிலான மாறிகள் இடையே வடிவங்கள் மற்றும் உறவுகளை அடையாளம் காணவும் பயன்படுத்தவும் முயற்சிக்கின்றன, மேலும் தரவுத் தொகுப்புகளில் சேமிக்கப்பட்ட வரலாற்று வழக்குகளைப் பயன்படுத்தி ஒரு நோயின் முடிவைக் கணிக்கின்றன. |
261e841c8e0175586fb193b1a199cefaa8ecf169 | ஒரு சரத்தை மற்றொரு சரத்தை பெற ஸ்டோகாஸ்டிக் முறையில் திருத்தும் உருவவியல் ரீதியான மறுபடியும் திருத்துதல் போன்ற பணிகளுக்கு ஒருவர் ஆழமான கற்றலை எவ்வாறு பயன்படுத்த வேண்டும்? இதுபோன்ற வரிசை-வரிசை பணிகளுக்கு ஒரு சமீபத்திய அணுகுமுறை உள்ளீட்டு சரத்தை ஒரு திசையனாக சுருக்க வேண்டும், பின்னர் மீண்டும் மீண்டும் நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தி வெளியீட்டு சரத்தை உருவாக்க பயன்படுகிறது. இதற்கு மாறாக, பாரம்பரிய கட்டமைப்பைத் தக்கவைத்துக்கொள்ள நாங்கள் முன்மொழிகிறோம், இது முடிந்த-நிலை டிரான்ஸ்யூசரைப் பயன்படுத்தி அனைத்து சாத்தியமான வெளியீட்டு சரங்களையும் மதிப்பெண் செய்ய, ஆனால் தொடர்ச்சியான நெட்வொர்க்குகளின் உதவியுடன் மதிப்பெண் செயல்பாட்டை அதிகரிக்க. ஒரு இரு திசை LSTM களின் அடுக்கு ஒரு டிரான்ஸ்யூசர் வளைவு பயன்படுத்தப்படும் உள்ளீட்டு சூழலை சுருக்கமாகக் கூற, உள்ளீட்டு சரத்தை இடமிருந்து வலமாகவும், வலமிருந்து இடமாகவும் படிக்கிறது. இந்த கற்றல் அம்சங்களை நாம் மின்மாற்றிடன் இணைத்து ஒரு எடை கொண்ட முடிந்த நிலை தானியங்கி வடிவத்தில், ஒருங்கிணைந்த வெளியீட்டு சரங்கள் மீது ஒரு நிகழ்தகவு விநியோகத்தை வரையறுக்கிறோம். இது அம்சங்களின் கை-பொறியியலைக் குறைக்கிறது, உள்ளீட்டு சரத்தில் வரம்பற்ற சூழலை ஆய்வு செய்ய கற்றுக்கொண்ட அம்சங்களை அனுமதிக்கிறது, மேலும் மாறும் நிரலாக்கத்தின் மூலம் சரியான ஊகத்தை அனுமதிக்கிறது. நமது முறையை உருவவியல் ரீதியான மறுசீரமைப்பு மற்றும் லெமடிசேஷன் ஆகிய பணிகளில் விளக்குகிறோம். |
8f69384b197a424dfbd0f60d7c48c110faf2b982 | |
014b191f412f8496813d7c358ddd11d8512f2005 | உயர் தெளிவுத்திறன் கொண்ட பட ரேடார்கள், ஒரு ஒற்றை அவதானிப்பிலிருந்து நீட்டிக்கப்பட்ட பொருள்களின் வேகம் மற்றும் இயக்க திசையை மதிப்பிடுவதற்கான புதிய வாய்ப்புகளைத் திறக்கின்றன. ரேடார் சென்சார்கள் ரேடியல் வேகத்தை மட்டுமே அளவிடுவதால், ஒரு கண்காணிப்பு அமைப்பு பொதுவாக பொருளின் வேக திசையை தீர்மானிக்க பயன்படுத்தப்படுகிறது. ஒரு நிலையான வேகம் ஆரம்பத்தில் பல பிரேம்களுக்குப் பிறகு மதிப்பிடப்படுகிறது, இதன் விளைவாக குறுக்கு போக்குவரத்து போன்ற சில சூழ்நிலைகளுக்கு எதிர்வினை செய்வதற்கான குறிப்பிடத்தக்க நேர இழப்பு ஏற்படுகிறது. பின்வரும் ஆய்வறிக்கை ஒரு நீட்டிக்கப்பட்ட இலக்கின் வேக திசையனை தீர்மானிக்க ஒரு வலுவான மற்றும் மாதிரி இல்லாத அணுகுமுறையை முன்வைக்கிறது. கல்மன் வடிகட்டியைப் போலல்லாமல், இது நேரத்திலும் இடத்திலும் தரவு இணைப்பு தேவையில்லை. அதன் வேக திசையன் ஒரு உடனடி (~ 50 எம்எஸ்) மற்றும் சார்பு இல்லாத மதிப்பீடு சாத்தியம். எங்கள் அணுகுமுறை சத்தம் மற்றும் சிஸ்டமடிக் மாறுபாடுகளை கையாள முடியும் (எ. கா. , சக்கரங்களின் மைக்ரோ-டோப்லர்) சமிக்ஞையில். ரேடார் சென்சார் அளவீட்டு பிழைகளை கையாளும் வகையில் இது உகந்ததாக உள்ளது. இது ரேடியல் வேகத்தில் மட்டுமல்ல, அசிமுத் நிலையில் கூட. பல ரேடார் சென்சார்கள் இணைந்ததன் மூலம் இந்த முறையின் துல்லியம் அதிகரிக்கப்படுகிறது. |
ad6d5e4545c60ec559d27a09fbef13fa538172e1 | மேம்பட்ட ஓட்டுநர் உதவி முறைமைகள் மற்றும் தன்னாட்சி ஓட்டுநர் முறைகளில், ரேடார் அடிப்படையிலான நம்பகமான சுற்றுச்சூழல் உணர்தல் மற்றும் பொருள் கண்காணிப்பு ஆகியவை அடிப்படை. உயர் தெளிவுத்திறன் கொண்ட ரேடார் சென்சார்கள் பெரும்பாலும் ஒரு பொருளுக்கு பல அளவீடுகளை வழங்குகின்றன. இந்த வழக்கில் பாரம்பரிய புள்ளி கண்காணிப்பு வழிமுறைகள் இனி பொருந்தாது என்பதால், விரிவாக்கப்பட்ட பொருள் கண்காணிப்புக்கான புதிய அணுகுமுறைகள் கடந்த சில ஆண்டுகளில் வெளிவந்துள்ளன. இருப்பினும், அவை முதன்மையாக லிடார் பயன்பாடுகளுக்காக வடிவமைக்கப்பட்டுள்ளன அல்லது ரேடர்களின் கூடுதல் டாப்லர் தகவல்களைத் தவிர்க்கின்றன. டாப்லர் தகவலைப் பயன்படுத்தி பாரம்பரிய ரேடார் அடிப்படையிலான கண்காணிப்பு முறைகள் பெரும்பாலும் இணையான போக்குவரத்தின் புள்ளி கண்காணிப்புக்கு வடிவமைக்கப்பட்டுள்ளன. இந்த ஆவணத்தில் வழங்கப்பட்டுள்ள அளவீட்டு மாதிரி, இணையான மற்றும் குறுக்கு போக்குவரத்து உள்ளிட்ட தன்னிச்சையான போக்குவரத்து சூழ்நிலைகளில் சுமார் செவ்வக வடிவ வாகனங்களைக் கண்காணிக்க உருவாக்கப்பட்டுள்ளது. இயக்கவியல் நிலைக்கு கூடுதலாக, இது பொருளின் வடிவியல் நிலையை தீர்மானிக்கவும் கண்காணிக்கவும் அனுமதிக்கிறது. டாப்லர் தகவல்களைப் பயன்படுத்துவது மாதிரியில் ஒரு முக்கியமான கூறு ஆகும். மேலும், இதற்கு அளவீட்டு முன் செயலாக்கம், தரவுக் குழுமம் அல்லது வெளிப்படையான தரவு தொடர்பு தேவைப்படாது. பொருள் கண்காணிப்புக்கு, அளவீட்டு மாதிரிக்கு ஏற்ற ஒரு ராவ்-பிளாக்வெல்லிஸ் துகள் வடிகட்டி (RBPF) வழங்கப்படுகிறது. |
965f8bb9a467ce9538dec6bef57438964976d6d9 | மேக்கப் மற்றும் மாறுவேடத்தில் இருக்கும் அதே நபர்களை அடையாளம் காணும் போது தானியங்கி மனித முக அங்கீகார வழிமுறைகளின் துல்லியம் கணிசமாகக் குறைக்கப்படலாம். அதிகரித்த பாதுகாப்பு மற்றும் கண்காணிப்புக்கான அதிகரித்த கட்டுப்பாடுகள் முகத்தை அடையாளம் காணும் வழிமுறைகளின் துல்லியத்தை மாறுவேடத்தில் மற்றும்/அல்லது ஒப்பனையில் உள்ள முகங்களுக்கு அதிகரிக்க வேண்டும். முகத்தை அடையாளம் காணும் வழிமுறைகளை உருவாக்குதல். இந்த தரவுத்தளத்தில் 410 வெவ்வேறு நபர்களிடமிருந்து 2460 படங்கள் உள்ளன, அவை உண்மையான சூழலில் பெறப்படுகின்றன, ஒப்பனை மற்றும் மாறுபட்டவற்றை மறைப்பதில் கவனம் செலுத்துகின்றன, மேலும் ஒவ்வொரு படத்திற்கும் (கண்ணாடி, கண்ணாடி, மீசை, தாடி) அடிப்படை உண்மையை வழங்குகிறது. இது முக அங்கீகாரத்தின் போது அத்தகைய முக்கியமான மாறுவேட பண்புகளை அடையாளம் காணும் திறனை தானாகவே அளவிட உருவாக்கப்பட்டுள்ள வழிமுறைகளை செயல்படுத்த முடியும். இரண்டு பிரபலமான வணிக பொருத்தமானவர்களிடமிருந்து மற்றும் சமீபத்திய வெளியீடுகளிலிருந்து ஒப்பீட்டு சோதனை முடிவுகளையும் நாங்கள் முன்வைக்கிறோம். நமது பரிசோதனை முடிவுகள் இந்த முகங்களை தானாக அடையாளம் காணும் திறனில் இந்த மேட்சர்ஸ் கள் குறிப்பிடத்தக்க செயல்திறன் குறைப்பைக் குறிப்பிடுகின்றன. இந்த பொருத்தமானவர்களிடமிருந்து முகத்தை கண்டறிதல் துல்லியத்தையும் பகுப்பாய்வு செய்கிறோம். இந்த பரிசோதனை முடிவுகள் இந்த கோவர்டியட்டுகளின் கீழ் முகங்களை அடையாளம் காண்பதில் உள்ள சவால்களை அடிக்கோடிட்டுக் காட்டுகின்றன. இந்த புதிய தரவுத்தளத்தை பொதுமக்களுக்கு கிடைக்கச் செய்வது, ஒப்பனை மற்றும் மாறுவேடமிட்ட முகங்களை அடையாளம் காண்பதில் மிகவும் தேவையான ஆராய்ச்சி மற்றும் மேம்பாட்டை முன்னெடுக்க உதவும். |
f8e32c5707df46bfcd683f723ad27d410e7ff37d | |
32c8c7949a6efa2c114e482c830321428ee58d70 | இந்த கட்டுரை, அதிநவீன GPU- அடிப்படையிலான உயர் செயல்திறன் கொண்ட கணினி அமைப்புகளின் திறன்களைப் பற்றி விவாதிக்கிறது மற்றும் ஒற்றை-சிப் இணை-கணினி அமைப்புகளை அளவிடுவதற்கான சவால்களைக் கருதுகிறது, கணினி ஆராய்ச்சி சமூகம் உரையாற்றக்கூடிய உயர் தாக்க பகுதிகளை முன்னிலைப்படுத்துகிறது. இந்த சவால்களை எதிர்கொள்ளும் வகையில் ஒரு மாறுபட்ட உயர் செயல்திறன் கொண்ட கணினி அமைப்பிற்கான கட்டமைப்பை என்விடியா ஆராய்ச்சி ஆய்வு செய்து வருகிறது. |
8890bb44abb89601c950eb5e56172bb58d5beea8 | இலக்கு சார்ந்த உரையாடல் கொள்கையைக் கற்றுக்கொள்வது பொதுவாக மேற்பார்வையிடப்பட்ட கற்றல் வழிமுறைகளுடன் ஆஃப்லைனில் அல்லது வலுவூட்டல் கற்றல் (ஆர்.எல்) உடன் ஆன்லைனில் மேற்கொள்ளப்படுகிறது. கூடுதலாக, நிறுவனங்கள் வாடிக்கையாளர்களுக்கும் பயிற்சி பெற்ற மனித முகவர்களுக்கும் இடையில் உரையாடல் டிரான்ஸ்கிரிப்டுகளின் பாரிய அளவைக் குவிப்பதால், குறியாக்கி-டீகோடர் முறைகள் பிரபலமடைந்துள்ளன, ஏனெனில் முகவர் உரைகள் உரை-நிலை குறிப்புகள் தேவையில்லாமல் நேரடியாக மேற்பார்வையாகக் கருதப்படலாம். இருப்பினும், இதுபோன்ற அணுகுமுறைகளின் ஒரு சாத்தியமான குறைபாடு என்னவென்றால், அவை உரையாடல் மட்டக் கருத்தாய்வுகளை கவனிக்காமல் அடுத்த முகவர் உரைகளை சுருக்கமாக உருவாக்குகின்றன. இந்த கவலையை தீர்க்க, இந்த ஆவணம் விளக்கப்படாத கார்பராக்களிலிருந்து கற்றலுக்கான ஆஃப்லைன் RL முறையை விவரிக்கிறது, இது உச்சரிப்பு மற்றும் உரையாடல் மட்டத்தில் இலக்கு சார்ந்த கொள்கையை மேம்படுத்த முடியும். நாங்கள் ஒரு புதிய வெகுமதி செயல்பாட்டை அறிமுகப்படுத்துகிறோம் மற்றும் ஆன்லைன் பயனர் தொடர்பு அல்லது வெளிப்படையான மாநில இட வரையறை தேவைப்படாமல் ஒரு கொள்கையை ஆஃப்லைனில் கற்றுக்கொள்ள கொள்கை மற்றும் கொள்கை சார்ந்த கொள்கை சாய்வு இரண்டையும் பயன்படுத்துகிறோம். |
589d84d528d353a382a42e5b58dc48a57d332be8 | ருட்ஜர்ஸ் ஆங்கிள் என்பது மறுவாழ்வில் பயன்படுத்த வடிவமைக்கப்பட்ட ஸ்டீவர்ட் தளம்-வகை தொடு இடைமுகமாகும். மெய்நிகர் யதார்த்த அடிப்படையிலான பயிற்சிகளுக்கு பதிலளிக்கும் வகையில், இந்த அமைப்பு நோயாளியின் பாதத்தில் ஆறு டிகிரி சுதந்திரம் (DOF) எதிர்ப்பு சக்திகளை வழங்குகிறது. ரட்ஜர்ஸ் ஆங்கிள் கட்டுப்பாட்டாளர் ஒரு உட்பொதிக்கப்பட்ட பென்டியம் போர்டு, நியூமேடிக் சோலனாய்டு வால்வுகள், வால்வு கட்டுப்பாட்டாளர்கள் மற்றும் தொடர்புடைய சமிக்ஞை நிபந்தனை மின்னணுவியல் ஆகியவற்றை உள்ளடக்கியது. எங்கள் வழக்கு ஆய்வில் பயன்படுத்தப்படும் மறுவாழ்வு பயிற்சி சுழற்சிகள் மூலம் ஒரு மெய்நிகர் விமானத்தை ஓட்டுவதாகும். பயிற்சியின் சிரமத்தை சுழற்சிகளின் எண்ணிக்கை மற்றும் இடம், மெய்நிகர் சூழலில் விமானத்தின் வேகம் மற்றும் ஹாப்டிக் இடைமுகத்தால் வழங்கப்படும் எதிர்ப்பின் அளவு ஆகியவற்றின் அடிப்படையில் தேர்ந்தெடுக்கலாம். பயிற்சி தரவு வெளிப்படையாக, உண்மையான நேரத்தில், ஒரு ஆரக்கிள் தரவுத்தளத்தில் சேமிக்கப்படுகிறது. இந்த தரவுகளில் கணுக்கால் நிலை, சக்திகள், மற்றும் ஒரு பயிற்சியின் போது இயந்திர வேலை ஆகியவை அடங்கும், மேலும் அடுத்தடுத்த மறுவாழ்வு அமர்வுகள். முடிந்த சுழற்சிகளின் எண்ணிக்கையும், அதைச் செய்ய எடுத்துக்கொண்ட நேரமும் ஆன்லைனில் சேமிக்கப்படும். இந்த முறையைப் பயன்படுத்தி, பக்கவாதம் ஏற்பட்ட 9 மாதங்களுக்குப் பிறகு ஒரு நோயாளியின் ஒரு வழக்கு ஆய்வு முன்வைக்கப்பட்டுள்ளது. ஆறு மறுவாழ்வு அமர்வுகளில், நோயாளி வலிமை மற்றும் சகிப்புத்தன்மையின் மருத்துவ அளவீடுகளில் முன்னேற்றம் அடைந்தார், இது ருட்ஜர்ஸ் கணுக்கால் மூலம் அளவிடப்பட்ட முறுக்கு மற்றும் சக்தி வெளியீட்டு அதிகரிப்புகளுடன் நன்கு ஒத்துப்போகிறது. சிமுலேஷன் மற்றும் நோயாளியின் நடை மற்றும் படிக்கட்டு ஏறும் திறன் ஆகியவற்றின் போது பணி துல்லியம் மற்றும் ஒருங்கிணைப்பில் கணிசமான முன்னேற்றங்கள் இருந்தன. |
67161d331d496ad5255ad8982759a1c853856932 | வெள்ள பேரழிவுகளை எதிர்த்து பொதுமக்களை எச்சரிப்பதற்காக, வெள்ளம் குறித்த ஆரம்ப எச்சரிக்கை அமைப்பிற்கான கட்டமைப்பை இந்த ஆவணம் முன்மொழிகிறது. நான்கு கூறுகள் இடையே உள்ள இணைப்புகளுடன் கூடிய ஒரு பயனுள்ள ஆரம்ப எச்சரிக்கை அமைப்பு உருவாக்கப்பட வேண்டும். அவை ஆபத்து மதிப்பீடுகளை மேற்கொள்ள துல்லியமான தரவு சேகரிப்பு, அபாய கண்காணிப்பு சேவைகளின் வளர்ச்சி, ஆபத்து தொடர்பான தகவல்கள் தொடர்பான தகவல் தொடர்பு மற்றும் சமூக பதிலளிப்பு திறன்களின் இருப்பு. இந்தத் திட்டம், கம்பியில்லா சென்சார் நெட்வொர்க்கைப் பயன்படுத்தி நீர் மட்டத்தை தொலைவிலிருந்து கண்காணிப்பதில் கவனம் செலுத்துகிறது. இந்தத் திட்டம், குறுகிய செய்திச் சேவை (எஸ்எம்எஸ்) மற்றும் மொபைல் தகவல்தொடர்புக்கான உலகளாவிய அமைப்பைப் பயன்படுத்தி, சென்சார் தரவுகளை கணினிகளுக்கு அனுப்பும் அல்லது பாதிக்கப்பட்டவர்களை நேரடியாக அவர்களின் மொபைல் போன் மூலம் எச்சரிக்கும். இந்த திட்டமிடப்பட்ட கட்டமைப்பை மேலும் ஒரு செயல்பாட்டு அமைப்பாக உருவாக்க முடியும் என்று நம்புகிறோம், இது சமூகத்திற்கு பயனளிக்கும் மற்றும் வெள்ள பேரழிவு ஏற்பட்டால் உயிர்களைக் காப்பாற்ற முன்னெச்சரிக்கை நடவடிக்கையாக செயல்படும். |
a5de09243b4b12fc4bcf4db56c8e38fc3beddf4f | சமீபத்திய ஆய்வுகள் நிறுவன சமூக அமைப்புகளை (எஸ்.எஸ்.எஸ்) நடைமுறைப்படுத்துவது நிறுவனங்களை சமூக வணிகத்தின் புதிய முன்னுதாரணத்திற்கு மாற்றிவிடும் என்பதை நிரூபிக்கிறது. இதன் விளைவாக மகத்தான பொருளாதார வருமானம் மற்றும் போட்டி நன்மைகள் கிடைக்கும். சமூக வணிகம் என்பது சமூக ஒத்துழைப்பு, உள்ளார்ந்த அறிவு பகிர்வு, தன்னார்வ வெகுஜன பங்கேற்பு, ஒரு சிலவற்றைக் குறிப்பிடும் வகையில், முற்றிலும் புதிய வேலை மற்றும் ஒழுங்கமைக்கும் முறையை உருவாக்குகிறது. எனவே, புதிய வேலை முறை மற்றும் அமைப்பு முறைகளின் தனித்துவத்தை ESS களை செயல்படுத்துவது தீர்க்க வேண்டும். ஆனால், இந்த பெரிய நிறுவன அமைப்புகளை நடைமுறைப்படுத்துவது பற்றிய அறிவு குறைவாகவே உள்ளது. இந்த ஆய்வறிக்கையின் நோக்கம், ESSகளை செயல்படுத்துவதற்கான ஆளுகை மாதிரியை ஆய்வு செய்வதாகும். ஸ்ட்ரீம் என்ற சமூக உள்நெட் செயற்பாட்டை நடாத்துவது தொடர்பாக ஒரு வழக்கு ஆய்வு மேற்கொள்ளப்பட்டுள்ளது. ஸ்ட்ரீமின் ஆளுகை மாதிரி நிறுவன தகவல்தொடர்பு, மனித வளங்கள் மற்றும் தகவல் தொழில்நுட்பம் ஆகியவற்றுக்கு இடையேயான நெருக்கமான ஒத்துழைப்பு மற்றும் பொறுப்புணர்வை வலியுறுத்துகிறது, இது ESS களை செயல்படுத்துவதற்கான ஆளுகையின் முன்னுதாரண மாற்றத்தை குறிக்கிறது. இந்த திட்டத்தை நடைமுறைப்படுத்துவதில் உள்ள நன்மைகள் மற்றும் சவால்கள் குறித்தும் இங்கு விவரிக்கப்பட்டுள்ளது. ஆய்வில் பெறப்பட்ட அறிவு மற்றும் நுண்ணறிவுகளின் அடிப்படையில், ESS களின் செயல்படுத்தல் நிர்வாகத்தை மேம்படுத்துவதில் நிறுவனத்திற்கு உதவ பரிந்துரைகள் முன்மொழியப்படுகின்றன. இந்த ஆய்வு ESS நடைமுறைப்படுத்தல் நிர்வாகம் குறித்த அறிவு/திறன்மிக்க செயல்முறைகளை வழங்குகிறது. |
5ca6217b3e8353778d05fe58bcc5a9ea79707287 | ஒவ்வொரு அரசாங்கத்தின் நிகழ்ச்சி நிரலிலும் மின்னணு அரசு ஒரு பகுதியாக மாறியுள்ளது. அரசாங்க நடவடிக்கைகளில் அதன் குறிப்பிடத்தக்க தாக்கங்களையும், செல்வாக்கையும் பல அரசாங்கங்கள் ஏற்றுக் கொண்டுள்ளன. தொழில்நுட்பம் என்ற மந்திரம் பரவலாகக் காணப்படுவதால், சேவைகளின் தரத்தை மேம்படுத்துவதற்கும், வெளிப்படைத்தன்மையையும், அதிக பொறுப்புணர்வையும் உறுதி செய்வதற்கும், அரசு தனது நிறுவனங்கள் மற்றும் துறைகளில் மின்னணு அரசு கொள்கையைத் தொடங்குவதற்கு முடிவு செய்துள்ளது. மலேசியாவைப் பொறுத்தவரை, அரசாங்கம் மின்னணு அரசாங்கத்தின் அலைகளால் ஈர்க்கப்பட்டுள்ளது, ஏனெனில் அதன் ஸ்தாபனம் பொது சேவை வழங்கலின் தரத்தை மேம்படுத்த முடியும், மேலும் அதன் உள் செயல்பாடுகளையும் மேம்படுத்த முடியும். இந்த தர ஆய்வு, மின்னணு அரசாங்க முயற்சிகளை நடைமுறைப்படுத்துவதற்கான நிலையை ஒரு வழக்கு ஆய்வாக ஆராயும், மேலும் இந்த கண்டுபிடிப்புகளின் ஒப்பீட்டு மதிப்பீட்டை வழங்கும், தென் கொரிய அரசாங்கத்தை ஒரு குறிப்பு ஆய்வாகப் பயன்படுத்தி, மின்னணு அரசாங்கத்தில் அதன் சிறந்த செயல்திறனைக் கருத்தில் கொண்டு. இந்த ஆய்வின் முடிவுகள் பொது நிர்வாகம் குறித்த கண்ணோட்டத்தில் மேம்படுத்தப்பட வேண்டிய சாத்தியமான பகுதிகளை முன்னிலைப்படுத்தும். இந்த ஒப்பீட்டு அணுகுமுறையிலிருந்து, தென் கொரியாவின் நடைமுறைகளிலிருந்து மலேசியா சில பாடங்களைக் கற்றுக் கொள்ளலாம். |
2b2c30dfd3968c5d9418bb2c14b2382d3ccc64b2 | DBpedia என்பது விக்கிபீடியாவிலிருந்து கட்டமைக்கப்பட்ட தகவல்களை பிரித்தெடுப்பதற்கும் இந்த தகவலை இணையத்தில் கிடைக்கச் செய்வதற்கும் ஒரு சமூக முயற்சியாகும். விக்கிபீடியாவிலிருந்து பெறப்பட்ட தரவுத்தொகுப்புகளுக்கு எதிராக சிக்கலான வினவல்களைக் கேட்கவும், இணையத்தில் உள்ள பிற தரவுத்தொகுப்புகளை விக்கிபீடியா தரவுகளுடன் இணைக்கவும் DBpedia உங்களை அனுமதிக்கிறது. DBpedia தரவுத்தொகுப்புகளை எவ்வாறு பிரித்தெடுப்பது, அதன் விளைவாக கிடைக்கும் தகவல்கள் எவ்வாறு மனித மற்றும் இயந்திர நுகர்வுக்காக இணையத்தில் வெளியிடப்படுகின்றன என்பதை நாங்கள் விவரிக்கிறோம். DBpedia சமூகத்தில் இருந்து சில வளர்ந்து வரும் பயன்பாடுகளை நாங்கள் விவரிக்கிறோம் மற்றும் வலைத்தள ஆசிரியர்கள் தங்கள் தளங்களில் DBpedia உள்ளடக்கத்தை எவ்வாறு எளிதாக்க முடியும் என்பதைக் காட்டுகிறோம். இறுதியாக, இணையத்தில் உள்ள மற்ற திறந்த தரவுத் தொகுப்புகளுடன் DBpedia ஐ இணைப்பதற்கான தற்போதைய நிலையை நாங்கள் முன்வைக்கிறோம், மேலும் திறந்த தரவுகளின் வளர்ந்து வரும் இணையத்திற்கான ஒரு மையமாக DBpedia எவ்வாறு செயல்பட முடியும் என்பதை கோடிட்டுக் காட்டுகிறோம். |
92930f4279b48f7e4e8ec2edc24e8aa65c5954fd | பணமோசடி தடுப்பு நடவடிக்கைகளை கண்டறிவதற்கான செயல்முறையை ஆதரிப்பதற்காக வங்கி வாடிக்கையாளர்களை விவரக்குறிப்பு செய்வதற்கான தரவு சுரங்க அணுகுமுறையை நாங்கள் முன்வைக்கிறோம். முதலில் ஒட்டுமொத்த அமைப்பு கட்டமைப்பை முன்வைப்போம், பின்னர் இந்த ஆவணத்திற்கான பொருத்தமான கூறு மீது கவனம் செலுத்துவோம். ஒரு நிதிய நிறுவனத்தின் நிஜ உலக தரவுகளை வைத்து மேற்கொள்ளப்பட்ட பரிசோதனைகளை விவரிக்கிறோம். இது வாடிக்கையாளர்களை குழுக்களாக பிரித்து, ஒரு வகைப்படுத்தல் விதிகளை உருவாக்க உதவியது. நாம் உருவாக்கப்பட்ட வாடிக்கையாளர் சுயவிவரங்கள் மற்றும் உருவாக்கப்பட்ட வகைப்பாடு விதிகள் பொருத்தத்தை விவாதிக்க. வரையறுக்கப்பட்ட ஒட்டுமொத்த முகவர் அடிப்படையிலான கட்டமைப்பின்படி, இந்த விதிகள் சந்தேகத்திற்கிடமான பரிவர்த்தனைகளை குறிக்கும் பொறுப்பான புத்திசாலி முகவர்களின் அறிவுத் தளத்தில் இணைக்கப்படும். |
8985000860dbb88a80736cac8efe30516e69ee3f | ஸ்மார்ட் ஹோம் சென்சார்கள் பயன்படுத்தி மனித செயல்பாட்டை அங்கீகரிப்பது ஸ்மார்ட் சூழல்களில் எங்கும் கணினிமயமாக்கலின் அடிப்படையில் ஒன்றாகும் மற்றும் சுற்றுச்சூழல் உதவி வாழ்க்கை துறையில் தீவிர ஆராய்ச்சிக்கு உட்பட்ட ஒரு தலைப்பு. அதிகரித்து வரும் தரவுத் தொகுப்புகளின் எண்ணிக்கை இயந்திரக் கற்றல் முறைகளைத் தேவைப்படுத்துகிறது. இந்த ஆய்வில், எந்தவொரு முந்தைய அறிவையும் பயன்படுத்தாமல் மனித நடவடிக்கைகளை வகைப்படுத்த கற்றுக்கொள்ளும் ஒரு ஆழமான கற்றல் மாதிரியை அறிமுகப்படுத்துகிறோம். இந்த நோக்கத்திற்காக, ஒரு நீண்ட குறுகிய கால நினைவகம் (எல்எஸ்டிஎம்) மறுபடியும் நிகழும் நரம்பியல் நெட்வொர்க் மூன்று உண்மையான உலக ஸ்மார்ட் ஹோம் தரவுத்தொகுப்புகளுக்கு பயன்படுத்தப்பட்டது. இந்த பரிசோதனைகளின் முடிவுகள், முன்மொழியப்பட்ட அணுகுமுறை, துல்லியம் மற்றும் செயல்திறன் ஆகியவற்றின் அடிப்படையில் தற்போதுள்ளவற்றை விட சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகிறது. |
b31f0085b7dd24bdde1e5cec003589ce4bf4238c | டொமைன் தழுவல் (DA) என்பது இடமாற்ற கற்றல் ஆகும், இது மூல மற்றும் இலக்கு தரவுகளுக்கு இடையில் தரவு விநியோக பொருந்தாத தன்மை இருந்தபோதிலும் மூல தரவுகளிலிருந்து இலக்கு தரவுகளில் ஒரு பயனுள்ள கணிப்பைக் கற்றுக்கொள்வதை நோக்கமாகக் கொண்டுள்ளது. இந்த ஆய்வில், கோட்பாட்டளவில் நிறுவப்பட்ட பிழை வரம்பின் மூன்று விதிகளை ஒரே நேரத்தில் மேம்படுத்தும் ஒரு புதிய மேற்பார்வை செய்யப்படாத DA முறையை குறுக்கு-டொமைன் காட்சி அங்கீகாரம் வழங்குகிறோம். குறிப்பாக, முன்மொழியப்பட்ட DA முறை ஒரு மறைக்கப்பட்ட பகிரப்பட்ட அம்ச துணை இடத்தை மீண்டும் மீண்டும் தேடுகிறது, அங்கு மூல களத்திற்கும் இலக்கு களத்திற்கும் இடையிலான தரவு விநியோகங்களின் வேறுபாடு குறைவது மட்டுமல்லாமல், பெரும்பாலான அதிநவீன DA முறைகள் செய்வது போல, ஆனால் வேறுபடுத்தி கற்றலை எளிதாக்க வகுப்புகளுக்கு இடையிலான தூரங்களும் அதிகரிக்கப்படுகின்றன. மேலும், முன்மொழியப்பட்ட DA முறை வகுப்பு லேபிள்களை பகிரப்பட்ட துணைவெளியில் அடையப்பட்ட அம்சங்களிலிருந்து குறைவாகவே குறைக்கிறது, அதே நேரத்தில் மூல தரவுகளில் கணிப்பு பிழைகளை குறைக்கிறது மற்றும் மூலத்திற்கும் இலக்குக்கும் இடையிலான லேபிள் நிலைத்தன்மையை உறுதி செய்கிறது. எதிர்மறை அறிவு பரிமாற்றத்தை மேலும் தவிர்ப்பதற்காக தரவு விலகியவர்களும் கணக்கில் எடுத்துக்கொள்ளப்படுகிறார்கள். விரிவான பரிசோதனைகள் மற்றும் ஆழமான பகுப்பாய்வுகள், முன்மொழியப்பட்ட DA முறையின் செயல்திறனை சரிபார்க்கின்றன, இது நிலையான DA தரநிலைகளில், அதாவது 12 குறுக்கு-டொமைன் பட வகைப்படுத்தல் பணிகளில், சமீபத்திய DA முறைகளை விட தொடர்ந்து சிறப்பாக செயல்படுகிறது. |
b9bc9a32791dba1fc85bb9d4bfb9c52e6f052d2e | உயர் பரிமாண கட்டமைப்பு இடங்களில் ஒற்றை-கேள்வி பாதை திட்டமிடல் சிக்கல்களைத் தீர்க்க எளிய மற்றும் திறமையான சீரற்ற வழிமுறை வழங்கப்படுகிறது. இந்த முறை இரண்டு விரைவாக ஆராயும் ரேண்டம் ட்ரீகளை (RRT கள்) தொடக்க மற்றும் இலக்கு உள்ளமைவுகளில் வேரூன்றியதன் மூலம் செயல்படுகிறது. மரங்கள் ஒவ்வொன்றும் தங்களைச் சுற்றியுள்ள இடத்தை ஆராய்ந்து, ஒரு எளிய பேராசைமிக்க ஹூரிஸ்டிக் பயன்பாட்டின் மூலம் ஒருவருக்கொருவர் முன்னேறுகின்றன. மோதல் இல்லாத பிடியெடுப்பு மற்றும் கையாளுதல் பணிகளின் தானியங்கி கிராஃபிக் அனிமேஷனுக்காக மனித கையின் இயக்கங்களைத் திட்டமிட முதலில் வடிவமைக்கப்பட்டிருந்தாலும், இந்த வழிமுறை பல்வேறு பாதை திட்டமிடல் சிக்கல்களுக்கு வெற்றிகரமாகப் பயன்படுத்தப்பட்டுள்ளது. கணக்கிடப்பட்ட எடுத்துக்காட்டுகளில் 2D மற்றும் 3D இல் உள்ள கடினமான பொருள்களுக்கான மோதல் இல்லாத இயக்கங்களை உருவாக்குதல் மற்றும் 3D பணியிடத்தில் 6-DOF PUMA கைக்கான மோதல் இல்லாத கையாளுதல் இயக்கங்கள் ஆகியவை அடங்கும். சில அடிப்படை தத்துவார்த்த பகுப்பாய்வுகளும் வழங்கப்படுகின்றன. |
d967d9550f831a8b3f5cb00f8835a4c866da60ad | |
6a686b525a84a87ca3e4d90a6704da8588e84344 | இந்த தகவல் தொடர்ச்சியான-கட்டமைப்பு ஊட்டச்சத்து வலையமைப்பைப் பயன்படுத்தி ஒரு பரந்த-பட்டை வட்டமிட்ட துருவமுனை (சிபி) 2 × 2 பேட்ச் வரிசையை முன்வைக்கிறது. மூன்று இயக்க முறைமைகளை இணைப்பதன் மூலம், அச்சு விகிதம் (AR) மற்றும் தடை அலைவரிசைகள் இரண்டும் மேம்படுத்தப்பட்டு, முந்தைய வெளியிடப்பட்ட தொடர்ச்சியான-உணவு ஒற்றை அடுக்கு பேட்ச் வரிசைகளை விட அகலமாக உள்ளன. இந்த மூன்று CP இயக்க முறைமைகளும், பிளாஷ் உறுப்புகளின் குறுகிய மூலைகள் மற்றும் தொடர்ச்சியான-கட்ட ஊட்டச்சத்து வலையமைப்பை மேம்படுத்துவதன் மூலம் சரிசெய்யப்பட்டு பொருத்தப்படுகின்றன. பரிந்துரைக்கப்பட்ட பேட்ச் வரிசையின் முன்மாதிரி வடிவமைப்பை பரிசோதனை முறையில் சரிபார்க்க கட்டப்பட்டுள்ளது. அளவிடப்பட்ட -10-dB தடை அலைவரிசை 1.03 GHz (5.20-6.23 GHz) ஆகும், மற்றும் அளவிடப்பட்ட 3-dB AR அலைவரிசை 0.7 GHz (5.25-5.95 GHz) ஆகும், அல்லது 12.7% என்பது 5.5 GHz இன் மைய அதிர்வெண்ணுக்கு ஒத்ததாகும். அளவிடப்பட்ட உச்ச ஆதாயம் சுமார் 12 dBic ஆகும், மேலும் ஆதாய மாறுபாடு AR அலைவரிசை அகலத்தில் 3 dB க்கும் குறைவாக உள்ளது. |
d97e3655f50ee9b679ac395b2637f6fa66af98c7 | 30 ஆண்டுகளுக்கும் மேலாக எரிசக்தி சேமிப்பை ஊக்குவிப்பதற்கான ஒரு மூலோபாயமாக பின்னூட்டம் ஆய்வு செய்யப்பட்டுள்ளது, ஆய்வுகள் பரவலாக மாறுபட்ட முடிவுகளை தெரிவிக்கின்றன. பின்னூட்டங்களின் செயல்திறன் எப்படி, யாருக்கு வழங்கப்படுகிறது என்பதைப் பொறுத்தது என்று இலக்கியப் பரிசீலனைகள் தெரிவிக்கின்றன; ஆனால், வழங்கப்பட்ட பின்னூட்டங்களின் வகை மற்றும் ஆய்வு முறை ஆகியவற்றில் உள்ள வேறுபாடுகள் முடிவுகளை எடுப்பதை கடினமாக்கியுள்ளன. தற்போதைய கட்டுரை தீர்க்கப்படாத பிரச்சினைகளை அடையாளம் காண பின்னூட்டங்கள் மற்றும் சுற்றுச்சூழல் சார்பு நடத்தை ஆகிய இரண்டிலும் கடந்தகால தத்துவார்த்த மற்றும் அனுபவ ஆராய்ச்சியை பகுப்பாய்வு செய்கிறது, மேலும் 1976 மற்றும் 2010 க்கு இடையில் வெளியிடப்பட்ட 42 பின்னூட்ட ஆய்வுகளின் மெட்டா பகுப்பாய்வைப் பயன்படுத்தி எரிசக்தி பயன்பாடு குறித்த பின்னூட்டம் எப்போது, எப்படி மிகவும் பயனுள்ளதாக இருக்கும் என்பது பற்றிய ஒரு கருதுகோளை சோதிக்கவும். முடிவுகள் பின்னூட்டம் ஒட்டுமொத்தமாக பயனுள்ளதாக இருப்பதைக் காட்டுகின்றன, r = .071, p < .001, ஆனால் விளைவுகளில் குறிப்பிடத்தக்க மாறுபாடுகளுடன் (r -0.080 முதல் .480 வரை மாறுபடும்). இந்த உறவைக் குறைக்க பல சிகிச்சை மாறிகள் காணப்பட்டன, இதில் அதிர்வெண், ஊடகம், ஒப்பீட்டு செய்தி, காலம் மற்றும் பிற தலையீடுகளுடன் இணைத்தல் (எ. கா. , இலக்கு, ஊக்கத்தொகை) ஆகியவை அடங்கும். ஒட்டுமொத்தமாக, முடிவுகள் எரிசக்தி சேமிப்பை ஊக்குவிப்பதற்கான ஒரு நம்பிக்கைக்குரிய மூலோபாயமாக பின்னூட்டத்தை வழங்குவதற்கான கூடுதல் ஆதாரங்களை வழங்குகின்றன, மேலும் எதிர்கால ஆராய்ச்சி எவ்வாறு மற்றும் யாருக்கு பின்னூட்டம் மிகவும் பயனுள்ளதாக இருக்கும் என்பதை ஆராய கவனம் செலுத்த வேண்டிய பகுதிகளை பரிந்துரைக்கின்றன. |
697754f7e62236f6a2a069134cbc62e3138ac89f | |
ee654db227dcb7b39d26bec7cc06e2b43b525826 | |
54e7e6348fc8eb27dd6c34e0afbe8881eeb0debd | அறிவியல், கலை மற்றும் கலாச்சாரத்தின் எல்லைகளைத் தாண்டி, உள்ளடக்க அடிப்படையிலான மல்டிமீடியா தகவல் மீட்பு உலகம் முழுவதும் உள்ள ஏராளமான பல்வேறு ஊடகங்கள் மூலம் தேட புதிய முன்னுதாரணங்களையும் முறைகளையும் வழங்குகிறது. இந்த ஆய்வு, உள்ளடக்க அடிப்படையிலான மல்டிமீடியா தகவல் மீட்டெடுப்பு குறித்த 100+ சமீபத்திய கட்டுரைகளை மதிப்பாய்வு செய்து, உலாவல் மற்றும் தேடல் முன்னுதாரணங்கள், பயனர் ஆய்வுகள், உணர்ச்சி கணிப்பு, கற்றல், சொற்பொருள் வினவல்கள், புதிய அம்சங்கள் மற்றும் ஊடக வகைகள், உயர் செயல்திறன் குறியீட்டு மற்றும் மதிப்பீட்டு நுட்பங்கள் உள்ளிட்ட தற்போதைய ஆராய்ச்சி திசைகளில் அவற்றின் பங்கு பற்றி விவாதிக்கிறது. தற்போதைய தொழில்நுட்பத்தின் அடிப்படையில், எதிர்காலத்திற்கான முக்கிய சவால்களைப் பற்றி விவாதிக்கிறோம். |
2902e0a4b12cf8269bb32ef6a4ebb3f054cd087e | பணி தொடர்பான கணித மாதிரியை மேம்படுத்துவது புள்ளியியல் மற்றும் கற்றல் பகுதிகளில் மிக அடிப்படையான முறைகளில் ஒன்றாகும். இருப்பினும், பொதுவாக வடிவமைக்கப்பட்ட திட்டமிட்ட மறுபடியும், உண்மையான உலக பயன்பாடுகளில் சிக்கலான தரவு விநியோகங்களை ஆராய்வது கடினம். சமீபத்தில், ஆழமான பரப்புகளை (அதாவது, நெட்வொர்க்குகள்) பயிற்றுவிப்பது சில குறிப்பிட்ட பணிகளில் நம்பிக்கைக்குரிய செயல்திறனைப் பெற்றுள்ளது. துரதிருஷ்டவசமாக, தற்போதுள்ள நெட்வொர்க்குகள் பெரும்பாலும் ஹூரிஸ்டிக் முறையில் கட்டமைக்கப்படுகின்றன, எனவே கொள்கை அடிப்படையிலான விளக்கங்கள் மற்றும் திடமான தத்துவார்த்த ஆதரவுகள் இல்லை. இந்த வேலைகளில், இந்த வெவ்வேறு வழிமுறைகளுக்கு இடையிலான இடைவெளிகளை (அதாவது, மாதிரி தேர்வுமுறை மற்றும் ஆழமான பரவல்) அடைக்க, பரவல் மற்றும் தேர்வுமுறை அடிப்படையிலான ஆழமான மாதிரி (PODM) என்ற புதிய முன்னுதாரணத்தை நாங்கள் வழங்குகிறோம். ஒருபுறம், நாம் மாதிரி உகப்பாக்கம் ஒரு ஆழமாக பயிற்சி பெற்ற தீர்க்கும் ஒரு PODM பயன்படுத்த. தத்துவார்த்த ஆய்வுகள் இல்லாத இந்த தற்போதைய நெட்வொர்க் அடிப்படையிலான மறு செய்கைகளிலிருந்து வேறுபட்ட, சவாலான குமிழ் மற்றும் சீரற்ற காட்சிகளில் PODM க்கான கடுமையான ஒத்திசைவு பகுப்பாய்வை நாங்கள் வழங்குகிறோம். மறுபுறம், மாதிரி கட்டுப்பாடுகளை தளர்த்துவதன் மூலமும், முனை முதல் முனை வரை பயிற்சியை மேற்கொள்வதன் மூலமும், கள அறிவை (மாதிரிகளாக வடிவமைக்கப்பட்டுள்ளது) மற்றும் உண்மையான தரவு விநியோகங்களை (நெட்வொர்க்குகள் மூலம் கற்றுக்கொள்ளப்பட்டது) ஒருங்கிணைக்க ஒரு PODM அடிப்படையிலான மூலோபாயத்தையும் நாங்கள் உருவாக்குகிறோம், இதன் விளைவாக சவாலான உண்மையான உலக பயன்பாடுகளுக்கான பொதுவான தொகுப்பு கட்டமைப்பை உருவாக்குகிறது. விரிவான பரிசோதனைகள் நமது கோட்பாட்டு முடிவுகளை சரிபார்த்து, இந்த அதிநவீன அணுகுமுறைகளுக்கு எதிராக PODM இன் மேலான தன்மையை நிரூபிக்கிறது. |
5dca5aa024f513801a53d9738161b8a01730d395 | அறியப்படாத சூழலின் வரைபடத்தை உருவாக்குவது மற்றும் அதே நேரத்தில் அந்த வரைபடத்தை வழிநடத்துவதற்கு பயன்படுத்துவது என்பது மொபைல் ரோபோட்டிக்ஸ் ஆராய்ச்சியில் ஒரு முக்கிய பிரச்சினையாகும். இந்த ஆவணம், சோனார் பயன்படுத்தி, ஒரே நேரத்தில் வரைபடமாக்கல் மற்றும் உள்ளூர்மயமாக்கல் (சிஎம்எல்) எவ்வாறு செய்ய வேண்டும் என்ற சிக்கலைக் குறிக்கிறது. ஸ்டோகாஸ்டிக் மேப்பிங் என்பது CML க்கு ஒரு அம்ச அடிப்படையிலான அணுகுமுறையாகும், இது வாகன இருப்பிட மற்றும் சுற்றுச்சூழல் மேப்பிங்கை இணைக்க நீட்டிக்கப்பட்ட கல்மன் லிட்டரை பொதுமயமாக்குகிறது. வரைபடத்தில் புதிய அம்சங்களைத் தொடங்குவதற்கு, வரைபட அம்சங்களுடன் அளவீடுகளை பொருத்துவதற்கு, மற்றும் காலாவதியான அம்சங்களை நீக்க தாமதமான அருகிலுள்ள அண்டை தரவு தொடர்பு மூலோபாயத்தைப் பயன்படுத்தும் ஸ்டோகாஸ்டிக் மேப்பிங்கின் ஒரு செயல்படுத்தலை நாங்கள் விவரிக்கிறோம். ஃபிஷர் தகவலின் அடிப்படையில் வரையறுக்கப்பட்ட, வாகனத்தின் பிழை நீள்வட்டங்களின் பரப்பளவின் கூட்டுத்தொகையைக் குறிக்கும் ஒரு அளவீடு மற்றும் வரைபடத்தில் உள்ள அம்ச மதிப்பீடுகளை நாங்கள் அறிமுகப்படுத்துகிறோம். ரோபோவின் ஒவ்வொரு சாத்தியமான செயலுக்கான அளவீடுகளை மதிப்பிடுவதற்கு முன்னறிவிக்கப்பட்ட சென்சார் அளவீடுகள் மற்றும் எதிர்பார்க்கப்படும் இறந்த-கணக்கீடு பிழைகள் பயன்படுத்தப்படுகின்றன, மேலும் குறைந்த செலவை (அதாவது அதிகபட்ச தகவல்) வழங்கும் நடவடிக்கை தேர்ந்தெடுக்கப்படுகிறது. இந்த நுட்பம் உருவகப்படுத்துதல்கள், காற்றில் சோனார் பரிசோதனைகள் மற்றும் நீருக்கடியில் சோனார் பரிசோதனைகள் மூலம் நிரூபிக்கப்படுகிறது. 1) இயக்கம் மற்றும் ஸ்கேனிங் ஆகியவற்றின் தழுவல் கட்டுப்பாட்டுக்கான முடிவுகள் காட்டப்பட்டுள்ளன. வாகனம் சுற்றுச்சூழலில் உள்ள வெவ்வேறு பொருள்களைத் தேர்ந்தெடுத்து ஆராயும். இந்த தகவமைப்பு வழிமுறையின் செயல்திறன் நேர் கோடு இயக்கம் மற்றும் தோராயமாக இயக்கம் ஆகியவற்றிற்கு மேலானது எனக் காட்டப்பட்டுள்ளது. |
5eb1e4bb87b0d99d62f171f1eede90c98bf266ab | வயர்லெஸ் சக்தியைப் பரிமாற்றம் செய்வது என்பது வயர்லெஸ் சென்சார் நெட்வொர்க்கில் ஆற்றல் சிக்கல்களை அடிப்படையில் தீர்க்கும் ஒரு நம்பிக்கைக்குரிய தொழில்நுட்பமாகும். இத்தகைய தொழில்நுட்பம் திறம்பட செயல்பட, வலையமைப்பிற்குள் பயணிக்க ஒரு சார்ஜரைக் கொண்டு செல்ல ஒரு வாகனம் தேவைப்படுகிறது. மறுபுறம், ஒரு நிலையான நிலையத்தை விட ஒரு மொபைல் அடிப்படை நிலையம் குறிப்பிடத்தக்க நன்மைகளை வழங்குகிறது என்பது நன்கு அங்கீகரிக்கப்பட்டுள்ளது. இந்த ஆய்வில், வயர்லெஸ் சார்ஜிங் வாகனத்தில் மொபைல் பேஸ் ஸ்டேஷனை இணைந்து அமைக்கும் ஒரு சுவாரஸ்யமான சிக்கலை நாங்கள் ஆராய்வோம். நாம் ஒரு தேர்வுமுறை சிக்கலை படிக்கிறோம். இது பயண பாதை, நிறுத்த புள்ளிகள், சார்ஜிங் அட்டவணை, மற்றும் ஓட்ட வழிமுறைகளை ஒன்றிணைந்து தேர்வு செய்கிறது. நமது ஆய்வு இரண்டு படிகளில் மேற்கொள்ளப்படுகிறது. முதலில், பயண நேரம் பூஜ்ஜியமாக இருக்கும் ஒரு இலட்சியப் பிரச்சினையை நாம் ஆய்வு செய்கிறோம், இந்த இலட்சியப் பிரச்சினையின் நிரூபிக்கப்பட்ட கிட்டத்தட்ட உகந்த தீர்வை உருவாக்குகிறோம். இரண்டாவது படி, பூஜ்ஜியமற்ற பயண நேரத்துடன் ஒரு நடைமுறை தீர்வை எவ்வாறு உருவாக்குவது என்பதைக் காண்பிப்போம், மேலும் இந்த தீர்வுக்கும் அசல் சிக்கலுக்கான அறியப்படாத உகந்த தீர்வுக்கும் இடையிலான செயல்திறன் இடைவெளியை அளவிடுவோம். |
229547ed3312ee6195104cdec7ce47578f92c2c6 | ஒரு தொழிலில் மாறுபட்ட நிறுவன செயல்திறன் தோன்றுவதற்கு நிறுவனங்களின் மாறும் திறன்கள் எவ்வாறு காரணம் என்பதை இந்த ஆய்வறிக்கை ஆராய்கிறது. மூலோபாய மற்றும் நிறுவனக் கோட்பாடு இரண்டிலிருந்தும் நுண்ணறிவுகளை ஒருங்கிணைத்து, மாறும் திறன்களின் நான்கு செயல்திறன்-தொடர்புடைய பண்புகள் முன்மொழியப்படுகின்றன: மாறும் திறன் வரிசைப்படுத்தலின் நேரம், மாற்று வள கட்டமைப்புகளைத் தேடுவதற்கான ஒரு பகுதியாகப் பின்பற்றுதல், மாறும் திறன் வரிசைப்படுத்தலின் செலவு, மற்றும் மாறும் திறன்களை வரிசைப்படுத்த கற்றுக்கொள்வது. இந்த பண்புகள் எவ்வாறு வேறுபட்ட நிறுவன செயல்திறன் தோன்றுவதற்கு பங்களிப்பு செய்கின்றன என்பதைக் குறிக்கும் கோட்பாட்டுக் கோட்பாடுகள் உருவாக்கப்படுகின்றன. ஒரு நிறுவனத்தின் பரிணாம மாற்ற செயல்முறைகளை வழிநடத்தும் வழக்கங்களின் தொகுப்பாக மாறும் திறன் மாதிரியாக வடிவமைக்கப்பட்ட ஒரு முறையான மாதிரி வழங்கப்படுகிறது. மாடலின் உருவகப்படுத்துதல், மாறும் திறன் பயன்பாட்டின் மூலம் மாற்றத்தின் செயல்முறை பற்றிய நுண்ணறிவை அளிக்கிறது, மேலும் கோட்பாட்டுக் கோட்பாடுகளை சுத்திகரிப்பதற்கு அனுமதிக்கிறது. இந்த ஆய்வின் சுவாரஸ்யமான கண்டுபிடிப்புகளில் ஒன்று, நிறுவனங்கள் முழுவதும் மாறும் திறன்கள் சமமானதாக இருந்தாலும், மாறும் திறன் பயன்பாட்டின் செலவுகள் மற்றும் நேரங்கள் நிறுவனங்கள் முழுவதும் வேறுபட்டால், நிறுவனங்கள் முழுவதும் வலுவான செயல்திறன் வேறுபாடுகள் ஏற்படலாம். |
b533b13910cc0de21054116715988783fbea87cc | இந்த நாட்களில் அதிக எண்ணிக்கையிலான பொது மற்றும் வணிக சேவைகள் இணையம் மூலம் பயன்படுத்தப்படுகின்றன, இதனால் தகவல் பாதுகாப்பு என்பது சமூகத்தில் மிகவும் முக்கியமான பிரச்சினையாக மாறி வருகிறது. மற்றொரு வகையில், சில தரவு சுரங்க நுட்பங்களும் ஊடுருவலைக் கண்டறிய உதவுகின்றன. ஊடுருவலை கண்டறிவதற்கு பயன்படுத்தப்படும் சில தரவு சுரங்க நுட்பங்களை இரண்டு வகுப்புகளாக வகைப்படுத்தலாம்ஃ தவறான ஊடுருவல் கண்டறிதல் மற்றும் அசாதாரண ஊடுருவல் கண்டறிதல். தவறான பயன்பாடு என்பது எப்போதும் கணினியின் அறியப்பட்ட உணர்திறனை சுரண்டுவதற்கான அறியப்பட்ட தாக்குதல்கள் மற்றும் தீங்கு விளைவிக்கும் நடவடிக்கைகளை குறிக்கிறது. அசாதாரணமானது பொதுவாக ஒரு ஊடுருவலைக் குறிக்கக்கூடிய ஒரு பொதுவான செயல்பாட்டைக் குறிக்கிறது. இந்த ஆய்வில், ஊடுருவலை கண்டறிவதற்கு தரவு சுரங்க நுட்பங்களைப் பயன்படுத்துவது தொடர்பான 23 தொடர்புடைய ஆவணங்களை ஒப்பிடுகிறது. செயற்கை நரம்பியல் வலையமைப்பு (Artificial Neural Network - ANN), ஆதரவு திசையன் இயந்திரம் (Support Vector Machine - SVM) மற்றும் பன்முகத்தன்மை கொண்ட தகவமைப்பு பின்னடைவு ஸ்லைன் (MARS) போன்ற தரவு சுரங்க மற்றும் மென்மையான கணினி நுட்பங்கள் குறித்த கண்ணோட்டத்தை எங்கள் பணி வழங்குகிறது. இந்த ஆவணத்தில், ஊடுருவல் கண்டறிதலுக்காக பயன்படுத்தப்படும் ஐடிஎஸ் தரவு சுரங்க நுட்பங்கள் மற்றும் டூப்ள்களுக்கிடையேயான ஒப்பீடு காட்டப்பட்டுள்ளது. அந்த 23 தொடர்புடைய ஆவணங்களில், 7 ஆவணங்கள் ANN ஐப் பயன்படுத்துகின்றன, 4 ஆவணங்கள் SVM ஐப் பயன்படுத்துகின்றன, ஏனென்றால் ANN மற்றும் SVM ஆகியவை மற்ற மாதிரிகள் மற்றும் கட்டமைப்புகளை விட நம்பகமானவை. கூடுதலாக, 8 ஆராய்ச்சிகள் DARPA1998 டூப்ள்களைப் பயன்படுத்துகின்றன, மேலும் 13 ஆராய்ச்சிகள் KDDCup1999 ஐப் பயன்படுத்துகின்றன, ஏனெனில் நிலையான டூப்ள்கள் மற்றவர்களை விட மிகவும் நம்பகமானவை. தற்போது சிறந்த ஊடுருவல் கண்டறிதல் மாதிரி இல்லை. இருப்பினும், ஊடுருவல் கண்டறிதலுக்கான எதிர்கால ஆராய்ச்சி திசைகள் இந்த ஆய்வில் ஆராயப்பட வேண்டும். முக்கிய வார்த்தைகள்- ஊடுருவல் கண்டறிதல், தரவு சுரங்க, ANN |
a69fd2ad66791ad9fa8722a3b2916092d0f37967 | மேலும், நகர்ப்புற தளவமைப்பு துண்டுகளை கலக்கும் திறன் புதிய செயற்கை உள்ளடக்கத்தை உருவாக்குவதற்கான ஒரு சக்திவாய்ந்த வழியை வழங்குகிறது. பல உண்மையான நகரங்களின் உதாரண துண்டுகளைப் பயன்படுத்தி நகர்ப்புற தளவமைப்புகளை உருவாக்குவதன் மூலம் எங்கள் அமைப்பை நிரூபிக்கிறோம், ஒவ்வொன்றும் நூற்றுக்கணக்கான முதல் ஆயிரக்கணக்கான நகர தொகுதிகள் மற்றும் பார்சல்களைக் கொண்டிருக்கும். நகர்ப்புற தளவமைப்புகளை ஒருங்கிணைப்பதற்கான ஒரு ஊடாடும் முறையை நாங்கள் முன்வைக்கிறோம். எங்கள் முறை ஒரே நேரத்தில் கட்டமைப்பு அடிப்படையிலான தொகுப்பு மற்றும் பட அடிப்படையிலான தொகுப்பு இரண்டையும் செய்கிறது ஒரு முழுமையான நகர்ப்புற தளவமைப்பை உருவாக்க ஒரு நம்பகமான தெரு நெட்வொர்க் மற்றும் வான்வழி காட்சி படங்களுடன். எங்கள் அணுகுமுறை உண்மையான உலக நகர்ப்புறங்களின் கட்டமைப்பு மற்றும் படத் தரவுகளையும் ஒரு தொகுப்பு வழிமுறையையும் பயன்படுத்துகிறது, இது பல உயர் மட்ட செயல்பாடுகளை வழங்குகிறது, இது எளிதாகவும் ஊடாடும் வகையில் சிக்கலான தளவமைப்புகளை உதாரணமாக உருவாக்குகிறது. குறைந்த அளவிலான கட்டமைப்பு விவரங்கள் பற்றி கவலைப்படாமல், இணைத்தல், விரிவாக்கம் மற்றும் கலத்தல் போன்ற செயல்பாடுகளின் வரிசையால் பயனர் புதிய நகர்ப்புற தளவமைப்புகளை உருவாக்க முடியும். |
9b8be6c3ebd7a79975067214e5eaea05d4ac2384 | சாய்வு இறக்கம் ஒரு உள்ளூர் குறைப்பான் நோக்கி நெருங்குகிறது என்பதை நாம் காட்டுகிறோம், இது சீரற்ற தொடக்கத்துடன் கிட்டத்தட்ட நிச்சயமாக உள்ளது. இது டைனமிக் சிஸ்டம்ஸ் தியரியிலிருந்து நிலையான பன்மடங்கு கோட்பாட்டைப் பயன்படுத்துவதன் மூலம் நிரூபிக்கப்படுகிறது. |
75235e03ac0ec643e8a784f432e6d1567eea81b7 | கடந்த பத்தாண்டுகளில் ஆராய்ச்சி ஆர்வத்தின் மைய புள்ளியாக சுரங்க தரவு ஓட்டங்கள் இருந்தன. வன்பொருள் மற்றும் மென்பொருள் முன்னேற்றங்கள் இந்த ஆராய்ச்சித் துறையின் முக்கியத்துவத்திற்கு முன்னெப்போதையும் விட வேகமாக தரவு உருவாக்கம் அறிமுகப்படுத்தியதன் மூலம் பங்களித்துள்ளன. இந்த விரைவாக உருவாக்கப்பட்ட தரவு தரவு ஓட்டங்கள் என அழைக்கப்படுகிறது. கிரெடிட் கார்டு பரிவர்த்தனைகள், கூகுள் தேடல்கள், நகரங்களில் தொலைபேசி அழைப்புகள் மற்றும் பலவற்றில் தரவுப் பாய்ச்சல்கள் உள்ளன. பல முக்கியமான பயன்பாடுகளில், இந்த ஸ்ட்ரீமிங் தரவை உண்மையான நேரத்தில் பகுப்பாய்வு செய்வது தவிர்க்க முடியாதது. தரவு ஓட்டம் சுரங்கத்தின் தேவைகளை நிவர்த்தி செய்வதில் பாரம்பரிய தரவு சுரங்க நுட்பங்கள் குறைவாகவே உள்ளன. புதிய நுட்பங்களை உருவாக்குவதிலும் அல்லது வெளியேறும் ஒன்றை ஏற்றுக்கொள்வதிலும் ரேண்டமிசேஷன், தோராயமயமாக்கல் மற்றும் தழுவல் ஆகியவை பரவலாகப் பயன்படுத்தப்பட்டுள்ளன. இந்த ஆவணம் தரவு ஓட்டம் சுரங்கப் பகுதியில் முக்கிய மைல்கற்களையும், தொழில்நுட்ப நிலையும் ஆய்வு செய்கிறது. எதிர்காலத்தில் மேற்கொள்ளப்படவுள்ள நடவடிக்கைகள் பற்றியும் இங்கு விளக்கப்பட்டுள்ளது. C © 2011 வைலி காலப்பகுதி, இன்க். |
2327ad6f237b37150e84f0d745a05565ebf0b24d | பிட்காயின் என்பது பரவலாக ஏற்றுக்கொள்ளப்பட்ட முதல் டிஜிட்டல் நாணயமாகும். பணம் செலுத்துதல்கள் புனைப்பெயர்களுக்கிடையில் நடத்தப்பட்டாலும், பிட்காயின் வலுவான தனியுரிமை உத்தரவாதங்களை வழங்க முடியாது: கட்டண பரிவர்த்தனைகள் பொது பரவலாக்கப்பட்ட லெட்ஜரில் பதிவு செய்யப்படுகின்றன, அதில் இருந்து நிறைய தகவல்களைக் கழிக்க முடியும். ஜீரோ நாணயம் (Miers et al., IEEE S&P 2013) இந்த தனியுரிமை பிரச்சினைகளில் சிலவற்றை தீர்க்கிறது. இருப்பினும், இது இன்னும் பணம் செலுத்துதல்களின் இலக்குகள் மற்றும் அளவுகளை வெளிப்படுத்துகிறது, மேலும் செயல்பாட்டில் வரையறுக்கப்பட்டுள்ளது. இந்த ஆய்வில், வலுவான தனியுரிமை உத்தரவாதங்களுடன் முழுமையான லெட்ஜர் அடிப்படையிலான டிஜிட்டல் நாணயத்தை உருவாக்குகிறோம். நமது முடிவுகள் பூஜ்ஜிய அறிவு சுருக்கமான இடைவினை இல்லாத அறிவின் வாதங்களில் (zk-SNARKs) சமீபத்திய முன்னேற்றங்களை மேம்படுத்துகின்றன. முதலாவதாக, நாங்கள் பரவலாக்கப்பட்ட அநாமதேய கட்டண திட்டங்களை (DAP திட்டங்கள்) வடிவமைத்து உருவாக்குகிறோம். ஒரு DAP திட்டம் பயனர்கள் ஒருவருக்கொருவர் நேரடியாக தனியார் முறையில் செலுத்த உதவுகிறதுஃ அதனுடன் தொடர்புடைய பரிவர்த்தனை கட்டணத்தின் தோற்றம், இலக்கு மற்றும் மாற்றப்பட்ட தொகையை மறைக்கிறது. கட்டுமானத்தின் பாதுகாப்பிற்கான முறையான வரையறைகளையும் ஆதாரங்களையும் நாங்கள் வழங்குகிறோம். இரண்டாவதாக, நாம் ஜீரோ காஷ் என்ற திட்டத்தை உருவாக்குகிறோம், இது நமது DAP திட்டத்தின் நடைமுறை வடிவமாகும். ஜீரோ பணத்தில், பரிவர்த்தனைகள் 1 kB க்கும் குறைவாகவும், சரிபார்க்க 6 ms க்கும் குறைவாகவும் இருக்கும் - குறைந்த அநாமதேய ஜீரோ நாணயத்தை விட அதிக செயல்திறன் கொண்டது மற்றும் சாதாரண பிட் நாணயத்துடன் போட்டித்தன்மை கொண்டது. |
3d08280ae82c2044c8dcc66d2be5a72c738e9cf9 | பயனர்கள் மற்றும் பொருட்கள் அவற்றின் உள்ளடக்க அம்சங்களின் நேரியல் சேர்க்கைகளாக பிரதிநிதித்துவப்படுத்தும் ஒரு கலப்பின மேட்ரிக்ஸ் காரணி மாதிரி நான் முன்வைக்கிறேன். இந்த மாதிரி, பனி தொடக்க அல்லது அரிதான தொடர்பு தரவு காட்சிகளில் (பயனர் மற்றும் உருப்படி மெட்டாடேட்டா இரண்டையும் பயன்படுத்தி) ஒத்துழைப்பு மற்றும் உள்ளடக்க அடிப்படையிலான மாதிரிகளை விட சிறப்பாக செயல்படுகிறது, மேலும் தொடர்பு தரவு ஏராளமாக இருக்கும் ஒரு தூய ஒத்துழைப்பு மேட்ரிக்ஸ் காரணி மாதிரி போலவே செயல்படுகிறது. கூடுதலாக, மாடல் உருவாக்கிய அம்ச உட்பொதிப்புகள் சொற்கள் உட்பொதிப்பு அணுகுமுறைகளை நினைவூட்டும் வகையில் சொற்பொருள் தகவல்களை குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறையில் குறியீட்டு முறை |
25d1a2c364b05e0db056846ec397fbf0eacdca5c | மேட்ரிக்ஸ் காரணி அடிப்படையிலான முறைகள் இருவழி தரவு பகுப்பாய்வில் பிரபலமாகின்றன, அங்கு ஒரு அடிப்படை சிக்கல், எடுத்துக்காட்டாக, ஒரு சொல்-ஆவண மேட்ரிக்ஸ் கொடுக்கப்பட்ட சொற்கள் மற்றும் ஆவணங்களை ஆவணக் குழுமம் அல்லது இணை-குழுமம் செய்ய வேண்டும். எதிர்மறை அல்லாத மேட்ரிக்ஸ் முத்தரப்பு (NMTF) கூட்டுக் குழுவிற்கான ஒரு நம்பிக்கைக்குரிய கருவியாக வெளிப்படுகிறது, அனைத்து காரணி மேட்ரிக்குகளும் எதிர்மறையாக இருக்க தடைசெய்யப்பட்ட 3-காரணி சிதைவு X USV ஐ நாடுகிறது, அதாவது, U P 0; S P 0; V P 0: இந்த காகிதத்தில், நேர்கோண NMTF க்கான பெருக்க புதுப்பிப்புகளை நாங்கள் உருவாக்குகிறோம், அங்கு X USV நேர்கோணல் கட்டுப்பாடுகளுடன் தொடரப்படுகிறது, UU 1⁄4 I; மற்றும் VV 1⁄4 I, ஸ்டீஃபெல் பன்மடங்குகளில் உண்மையான சாய்வுகளைப் பயன்படுத்துகிறது. பல்வேறு ஆவணத் தரவுத் தொகுப்புகளில் மேற்கொள்ளப்பட்ட பரிசோதனைகள், ஆவணக் குளஸ்டரிங்கிற்கு எமது முறை சிறப்பாக செயல்படுவதாகவும், சொற்களையும் ஆவணங்களையும் இணைந்து குளஸ்டரிங் செய்வதன் மூலம் பலவகைப் சொற்களைக் கண்டறிவதில் பயனுள்ளதாக இருப்பதையும் நிரூபித்துள்ளன. 2010 Elsevier Ltd. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
461ac81b6ce10d48a6c342e64c59f86d7566fa68 | இந்த வெளியீட்டில் IEEE பதிப்புரிமை இல்லாத மறுபதிப்பு கட்டுரைகள் உள்ளன. இந்த கட்டுரைகளுக்கான முழு உரை IEEE Xplore இல் கிடைக்கவில்லை. |
c03fb606432af6637d9d7d31f447e62a855b77a0 | கல்வியில் வெற்றிகரமான மாணவர்கள் தங்கள் படிப்புகளில் ஈடுபடுகிறார்கள் என்பதற்கு ஆதாரங்கள் இருந்தாலும், மாணவர் ஈடுபாட்டை தெளிவாக வரையறுப்பது கடினம். மாணவர் ஈடுபாடு என்பது பொதுவாக இரண்டு பரிமாணங்களை கொண்டதாக விளக்கப்படுகிறது, சமூக மற்றும் கல்வி. சமூக ஊடகங்கள் மற்றும் டிஜிட்டல் தொழில்நுட்பங்களை விரைவாகப் பயன்படுத்துவது, மாணவர்களின் ஈடுபாட்டை மேம்படுத்துவதற்கு அவற்றைப் பயன்படுத்துவதில் அதிக ஆர்வத்தை உறுதி செய்துள்ளது. இந்த ஆய்வில், முதல் ஆண்டு உளவியல் மாணவர்கள் மத்தியில் பேஸ்புக் பயன்பாட்டை ஆய்வு செய்து, பெரும்பாலான மாணவர்கள் (94%) பேஸ்புக் கணக்குகள் வைத்திருந்தாலும், சராசரியாக ஒரு நாளைக்கு ஒரு மணி நேரம் பேஸ்புக்கில் செலவிட்டாலும், பயன்பாடு முக்கியமாக சமூகமானது என்று கண்டறியப்பட்டது. ஆளுமை காரணிகள் பயன்பாட்டு முறைகளை பாதித்தன, அதிக மனசாட்சி கொண்ட மாணவர்கள் குறைவான மனசாட்சி கொண்ட மாணவர்களை விட பேஸ்புக்கை குறைவாகப் பயன்படுத்துகின்றனர். இந்த ஆய்வில், சமூக ஈடுபாட்டை ஊக்குவிப்பதை விட, கல்வி ஈடுபாட்டை அதிகரிக்கும் வகையில், பேஸ்புக் ஒரு கவனத்தை திசைதிருப்பும் செல்வாக்காக செயல்படுகிறது என்று தெரிகிறது. |
171071069cb3b58cfe8e38232c25bfa99f1fbdf5 | ஆன்லைன் சமூக வலைதளங்கள், உங்களைப் பற்றி ஒரு புதிய முறையில் வெளிப்படுத்தியுள்ளன. இந்த இணைய சமூக கருவி ஆளுமை மற்றும் அடையாளத்தை ஆய்வு செய்ய ஒரு புதிய பகுப்பாய்வு தளத்தை வழங்குகிறது. com என்ற சமூக வலைதளத்தில் எப்படி நாசீசிசம் மற்றும் சுயமரியாதை வெளிப்படுகிறது என்பதை இந்த ஆய்வு ஆராய்கிறது . யார்க் பல்கலைக்கழகத்தில் 100 பேஸ்புக் பயனர்களிடமிருந்து சுயமரியாதை மற்றும் நாசீசிஸ்டிக் ஆளுமை சுய அறிக்கைகள் சேகரிக்கப்பட்டன. பங்கேற்பாளர்களின் இணையதள பக்கங்களும் சுய விளம்பர உள்ளடக்க அம்சங்களின் அடிப்படையில் குறியிடப்பட்டன. தொடர்பு பகுப்பாய்வுகள், அதிக நாசீசிசம் மற்றும் குறைந்த சுயமரியாதை கொண்ட நபர்கள் அதிக ஆன்லைன் செயல்பாடு மற்றும் சில சுய விளம்பர உள்ளடக்கத்துடன் தொடர்புடையவர்கள் என்று வெளிப்படுத்தியது. தனிப்பட்ட பேஸ்புக் பயனர்கள் வழங்கும் சுய விளம்பர உள்ளடக்கத்தின் வகையை பாலின வேறுபாடுகள் பாதிக்கின்றன. சமூக வலைதளங்களில் சுயமரியாதை மற்றும் சுயநலமின்மை பற்றிய தாக்கங்கள் மற்றும் எதிர்கால ஆராய்ச்சி திசைகள் விவாதிக்கப்படுகின்றன. |
5e30227914559ce088a750885761adbb7d2edbbf | இணையத்தில் சமூக வலைப்பின்னல்களில் சேர, பதின்ம வயதினர் தங்களது தனிப்பட்ட தகவல்களைத் தாராளமாகக் கொடுப்பார்கள். பின்னர், பெற்றோர் தங்கள் பத்திரிகைகளைப் படிக்கும்போது அவர்கள் ஆச்சரியப்படுகிறார்கள். இளைஞர்கள் இணையத்தில் வெளியிடும் தனிப்பட்ட தகவல்களால் சமூகங்கள் ஆத்திரமடைந்துள்ளன. கல்லூரிகள் மாணவர்களின் நடவடிக்கைகளை வளாகத்திலும், வெளியிலும் கண்காணித்து வருகின்றன. பதின்ம வயதினரும் மாணவர்களும் தனிப்பட்ட தகவல்களைப் பதிவிடுவது விளைவுகளை ஏற்படுத்தும். இந்த கட்டுரை தனியுரிமை முரண்பாட்டை விவரிப்பதன் மூலம் சமூக வலைப்பின்னல்களில் தனியுரிமை பிரச்சினைகள் பற்றிய பரபரப்பை விவாதிக்கும்; தனியார் மற்றும் பொது இடம்; மற்றும், சமூக வலைப்பின்னல் தனியுரிமை பிரச்சினைகள். இறுதியாக, தனியுரிமை முரண்பாட்டைத் தீர்க்க உதவும் முன்மொழியப்பட்ட தனியுரிமை தீர்வுகள் மற்றும் எடுக்கக்கூடிய நடவடிக்கைகள் குறித்து விவாதிக்கப்படும். |
6c394f5eecc0371b43331b54ed118c8637b8b60d | பல பிரிவு சக்தி பிரிப்பான் ஒரு புதிய வடிவமைப்பு சூத்திரம் பரந்த தனிமை செயல்திறன் பெற பெறப்படுகிறது. இந்த வடிவமைப்பு சூத்திரம் ஒற்றை முனை வடிகட்டி வடிவமைப்பு கோட்பாட்டை அடிப்படையாகக் கொண்டது. முன்மொழியப்பட்ட வடிவமைப்பு சூத்திரத்தின் செல்லுபடியாகும் தன்மையைக் காண்பிப்பதற்காக பல பிரிவு சக்தி பிரிப்பான் பல உருவகப்படுத்துதல் மற்றும் சோதனை முடிவுகளை இந்த ஆவணம் முன்வைக்கிறது. பல-ஆக்டேவ் தனிமைப்படுத்தல் பண்புடன் கூடிய பல-பிரிவு சக்தி பிரிப்பான் சிறந்த செயல்திறனைக் காட்டுகிறது. |
d12e3606d94050d382306761eb43b58c042ac390 | மாணவர்கள் தேர்வுகளில் வெற்றிபெற (அல்லது தோல்வி அடைய) வழிவகுக்கும் காரணிகளை புரிந்துகொள்வது ஒரு சுவாரஸ்யமான மற்றும் சவாலான பிரச்சினையாகும். மையப்படுத்தப்பட்ட இடமாற்ற சோதனைகள் மற்றும் எதிர்கால கல்வி சாதனைகள் தொடர்புடைய கருத்துக்களாக கருதப்படுவதால், இடமாற்ற சோதனைகளுக்குப் பின்னால் உள்ள வெற்றி காரணிகளின் பகுப்பாய்வு கல்வி சாதனையை புரிந்து கொள்ளவும், மேம்படுத்தவும் உதவும். இந்த ஆய்வில் துருக்கியில் உள்ள இடைநிலைக் கல்வி மாற்றம் அமைப்பிலிருந்து ஒரு பெரிய மற்றும் அம்சங்கள் நிறைந்த தரவுத்தொகுப்பைப் பயன்படுத்தி, இடைநிலைக் கல்வி இடமாற்ற சோதனை முடிவுகளை கணிப்பதற்கான மாதிரிகளை நாங்கள் உருவாக்கியுள்ளோம், மேலும் அந்த கணிப்பு மாதிரிகளில் உணர்திறன் பகுப்பாய்வைப் பயன்படுத்தி மிக முக்கியமான கணிப்பாளர்களை அடையாளம் கண்டுள்ளோம். முடிவுகள் C5 முடிவெடுக்கும் மர வழிமுறை 95% துல்லியத்துடன் சிறந்த கணிப்பான் என்பதைக் காட்டியது, அதைத் தொடர்ந்து ஆதரவு திசையன் இயந்திரங்கள் (91% துல்லியத்துடன்) மற்றும் செயற்கை நரம்பியல் நெட்வொர்க்குகள் (89% துல்லியத்துடன்). லாஜிஸ்டிக் பின்னடைவு மாதிரிகள் நான்கு குறைவான துல்லியமான மற்றும் 82 சதவீத ஒட்டுமொத்த துல்லியத்துடன் வெளிவந்தன. முன்னைய தேர்வு அனுபவம், மாணவர் ஒரு உதவித்தொகை பெற்றிருக்கிறாரா, மாணவரின் உடன்பிறப்புகளின் எண்ணிக்கை, முந்தைய ஆண்டுகளின் மதிப்பெண் சராசரி ஆகியவை இடமாற்றத் தேர்வு மதிப்பெண்களின் மிக முக்கியமான கணிப்புகளில் ஒன்றாகும் என்பதை உணர்திறன் பகுப்பாய்வு வெளிப்படுத்தியது. 2012 Elsevier Ltd. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
75859ac30f5444f0d9acfeff618444ae280d661d | பல உயிரியல் முறைகள் பல பெரிய அளவிலான உயிரியல் பயன்பாடுகளில் (எ. கா. , FBI-IAFIS, இந்தியாவில் UIDAI அமைப்பு) அதிக அளவில் பயன்படுத்தப்படுகின்றன, ஏனெனில் அவை பல நன்மைகளைக் கொண்டுள்ளன, அதாவது குறைந்த பிழை விகிதங்கள் மற்றும் யூனிபயோமெட்ரிக் அமைப்புகளுடன் ஒப்பிடும்போது அதிக மக்கள் தொகை. எனினும், பல பயோமெட்ரிக் அமைப்புகளுக்கு ஒவ்வொரு பயனருக்கும் பல பயோமெட்ரிக் வார்ப்புருக்கள் (எ. கா. , கைரேகை, ஐரிஸ், மற்றும் முகம்) சேமிப்பு தேவைப்படுகிறது, இது பயனர் தனியுரிமை மற்றும் கணினி பாதுகாப்புக்கு அதிக ஆபத்தை ஏற்படுத்துகிறது. தனித்தனி டெம்ப்ளேட்களைப் பாதுகாப்பதற்கான ஒரு முறை, அந்தந்த டெம்ப்ளேட்டிலிருந்து உருவாக்கப்பட்ட பாதுகாப்பான ஸ்கெட்சை மட்டுமே ஒரு பயோமெட்ரிக் குறியாக்க முறையைப் பயன்படுத்தி சேமிப்பதாகும். இதற்கு பல ஓவியங்களை சேமித்து வைப்பது அவசியம். இந்த ஆய்வில், ஒரு பயனரின் பல வார்ப்புருக்களை ஒரே நேரத்தில் பாதுகாக்க ஒரு அம்ச மட்ட இணைப்பு கட்டமைப்பை நாங்கள் முன்மொழிகிறோம். எங்கள் முக்கிய பங்களிப்புகளில் பின்வருவன அடங்கும்: (1) நன்கு அறியப்பட்ட இரண்டு பயோமெட்ரிக் குறியாக்க முறைமைகளை பயன்படுத்தி முன்மொழியப்பட்ட அம்ச மட்டத்தில் இணைப்பு கட்டமைப்பின் நடைமுறை செயல்படுத்தல், அதாவது, மங்கலான பெட்டகம் மற்றும் மங்கலான அர்ப்பணிப்பு, மற்றும் (2) இரண்டு வெவ்வேறு தரவுத்தளங்களின் அடிப்படையில் முன்மொழியப்பட்ட மல்டிபயோமெட்ரிக் குறியாக்க முறைகளில் பொருந்தக்கூடிய துல்லியம் மற்றும் பாதுகாப்பு ஆகியவற்றுக்கு இடையேயான சமரசத்தின் விரிவான பகுப்பாய்வு (ஒரு உண்மையான மற்றும் ஒரு மெய்நிகர் மல்டிமோடல் தரவுத்தளம்), ஒவ்வொன்றும் மூன்று மிகவும் பிரபலமான பயோமெட்ரிக் முறைகள், அதாவது, கைரேகை, ஐரிஸ் மற்றும் முகம். பரிசோதனை முடிவுகள், இங்கு முன்மொழியப்பட்ட இரு மல்டிபயோமெட்ரிக் குறியாக்க முறைகளும், அவற்றின் யூனிபயோமெட்ரிக் சகாக்களுடன் ஒப்பிடும்போது அதிக பாதுகாப்பு மற்றும் பொருந்தக்கூடிய செயல்திறனைக் கொண்டுள்ளன என்பதைக் காட்டுகின்றன. |
98e03d35857f66c34fa79f3ea0dd2b4e3b670044 | |
65227ddbbd12015ba8a45a81122b1fa540e79890 | ஒரு வலைப்பக்கத்தின் முக்கியத்துவம் என்பது இயல்பாகவே ஒரு சுயநலமான விஷயம், இது வாசகர்களின் ஆர்வங்கள், அறிவு மற்றும் மனப்பான்மை ஆகியவற்றைப் பொறுத்தது. ஆனால் இணையதளங்களின் ஒப்பீட்டு முக்கியத்துவம் குறித்து இன்னும் நிறைய விஷயங்களை கூறலாம். இந்த ஆவணம் பேஜ் ரேங்கை விவரிக்கிறது, இது வலைப்பக்கங்களை புறநிலை மற்றும் இயந்திர ரீதியாக மதிப்பிடுவதற்கான ஒரு முறையாகும், இது மனித ஆர்வத்தையும் கவனத்தையும் அவர்களுக்கு அர்ப்பணிக்கிறது. நாம் பேஜ் ரேங்கை ஒரு இணைய பயனருடன் ஒப்பிடுகிறோம். அதிக எண்ணிக்கையிலான பக்கங்களின் பேஜ் ரேங்கை எவ்வாறு திறம்பட கணக்கிடுவது என்பதை நாங்கள் காண்பிக்கிறோம். மேலும், தேடல் மற்றும் பயனர் வழிசெலுத்தலுக்கு பேஜ் தரவரிசை எவ்வாறு பயன்படுத்தப்படுகிறது என்பதைக் காண்பிப்போம். |
0a202f1dfc6991a6a204eaa5e6b46d6223a4d98a | நல்ல அம்சங்களை அடையாளம் கண்டு, அவற்றை ஒவ்வொரு படத்திலும் கண்காணிக்க முடியாவிட்டால், எந்த அம்ச அடிப்படையிலான பார்வை முறையும் செயல்பட முடியாது. கண்காணிப்பு என்பது ஒரு தீர்க்கப்பட்ட பிரச்சினையாக இருந்தாலும், உலகில் உள்ள இயற்பியல் புள்ளிகளுக்கு ஒத்திருக்கும் அம்சங்களைத் தேர்ந்தெடுப்பது இன்னும் கடினமாக உள்ளது. நாம் ஒரு அம்சத் தேர்வு அளவுகோலை முன்மொழிகிறோம், இது கட்டுமானத்தால் உகந்ததாக உள்ளது, ஏனெனில் இது டிராக்கர் எவ்வாறு செயல்படுகிறது என்பதை அடிப்படையாகக் கொண்டது, மற்றும் ஒரு அம்ச கண்காணிப்பு முறை, இது உலகில் உள்ள புள்ளிகளுக்கு பொருந்தாத மறைப்புகள், வெளிப்பாடுகள் மற்றும் அம்சங்களைக் கண்டறிய முடியும். இந்த முறைகள் ஒரு புதிய கண்காணிப்பு வழிமுறையை அடிப்படையாகக் கொண்டவை, இது முந்தைய நியூட்டன்-ராப்சன் பாணி தேடல் முறைகளை நீட்டித்து, ஒரு புதிய பட மாற்றங்களின் கீழ் வேலை செய்கிறது. பல உருவகப்படுத்துதல்கள் மற்றும் பரிசோதனைகள் மூலம் செயல்திறனை சோதிக்கிறோம். |
4f640c1338840f3740187352531dfeca9381b5c3 | சுரங்க வரிசை முறைகள் குறித்த பிரச்சினை சமீபத்தில் [AS95] இல் அறிமுகப்படுத்தப்பட்டது. நமக்கு வரிசைகளின் தரவுத்தளம் கொடுக்கப்பட்டுள்ளது, இதில் ஒவ்வொரு வரிசையும் பரிவர்த்தனை-நேரத்தின்படி வரிசைப்படுத்தப்பட்ட பரிவர்த்தனைகளின் பட்டியல், ஒவ்வொரு பரிவர்த்தனையும் பொருட்களின் தொகுப்பாகும். பிரச்சனை என்னவென்றால், பயனர் குறிப்பிட்ட குறைந்தபட்ச ஆதரவுடன் அனைத்து வரிசை முறைகளையும் கண்டுபிடிப்பதாகும், இதில் ஒரு வடிவத்தின் ஆதரவு என்பது வடிவத்தை உள்ளடக்கிய தரவு-வரிசைகளின் எண்ணிக்கையாகும். ஒரு வரிசை வடிவத்தின் உதாரணம், ஒரு பரிவர்த்தனையில் %% வாடிக்கையாளர்கள் நிறுவனம் மற்றும் ரிங்வொர்ல்ட் வாங்கினர், அதைத் தொடர்ந்து இரண்டாவது அறக்கட்டளை பின்னர் ஒரு பரிவர்த்தனையில் வாங்கப்பட்டது. நாம் பின்வருமாறு சிக்கலை பொதுமைப்படுத்துகிறோம். முதலில், நாம் ஒரு முறைமைக்குள்ளான அடுத்தடுத்த கூறுகளுக்கு இடையே குறைந்தபட்ச மற்றும்/அல்லது அதிகபட்ச கால வரம்பை குறிப்பிடுகின்ற நேர வரம்புகளை சேர்க்கிறோம். இரண்டாவதாக, ஒரு வரிசை வடிவத்தின் ஒரு உறுப்பில் உள்ள உருப்படிகள் ஒரே பரிவர்த்தனையிலிருந்து வர வேண்டும் என்ற கட்டுப்பாட்டை நாங்கள் தளர்த்துகிறோம், அதற்கு பதிலாக, பரிவர்த்தனை நேரங்கள் பயனர்-குறிப்பிட்ட நேர சாளரத்திற்குள் இருக்கும் பரிவர்த்தனைகளின் தொகுப்பில் உருப்படிகள் இருக்க அனுமதிக்கிறோம். மூன்றாவதாக, பயனர்-வரையறுக்கப்பட்ட வகைப்பாடு (ஒரு படிநிலை) பொருட்களைக் கொடுக்கும்போது, வரிசை முறைகள் வரிசைமுறையின் அனைத்து நிலைகளிலும் பொருட்களை சேர்க்க அனுமதிக்கின்றன. நாம் GSP, இந்த பொதுவான தொடர்ச்சியான வடிவங்களை கண்டுபிடிக்கும் ஒரு புதிய வழிமுறை முன்வைக்க. செயற்கை மற்றும் நிஜ வாழ்க்கை தரவுகளைப் பயன்படுத்தி அனுபவ மதிப்பீடு GSP [AS95] இல் வழங்கப்பட்ட AprioriAll வழிமுறையை விட மிக வேகமாக இருப்பதைக் குறிக்கிறது. GSP தரவு வரிசைகளின் எண்ணிக்கையுடன் நேரியல் அளவில் அளவிடப்படுகிறது, மேலும் சராசரி தரவு வரிசை அளவு தொடர்பாக மிகச் சிறந்த அளவிடல் பண்புகளைக் கொண்டுள்ளது. மேலும், விஸ்கான்சின் பல்கலைக்கழகத்தின் கணினி அறிவியல் துறை, மேடிசன். |
4282abe7e08bcfb2d282c063428fb187b2802e9c | நிரப்பு மருந்துகளைப் பயன்படுத்தும் நோயாளிகளின் எண்ணிக்கை படிப்படியாக அதிகரித்ததால், மருத்துவம் சார்ந்தவர்கள் அல்லாதவர்கள் அல்லது அனுபவம் இல்லாத மருத்துவர்கள் சிகிச்சையளிக்கும் நோயாளிகளின் சிக்கல்களும் அதிகரித்து வருகின்றன. நிரப்பு ஊசிகள் பெற்ற பிறகு தீவிர சிக்கல்களை அனுபவித்த 2 நோயாளிகள் மற்றும் எடைப்பொருள் மூல மூலக்கூறு (ADSCs) சிகிச்சையால் வெற்றிகரமாக சிகிச்சையளிக்கப்பட்டனர். வழக்கு 1 என்பது 23 வயதான பெண் நோயாளி, அவருக்கு மருத்துவம் சார்ந்த தொழில் வல்லுநரால் அவரது நெற்றியில், க்லாபெலாவில் மற்றும் மூக்கில் நிரப்பு (ரெஸ்டைலேன்) ஊசி போடப்பட்டது. ஊசி போடப்பட்ட மறுநாளே, 3 × 3 செ. மீ. அளவுள்ள தோல் நொறுங்குடன், அழற்சி ஏற்பட்டுள்ளது. வழக்கு 2 30 வயதுடைய ஒரு பெண்ணின் மூக்கு முதுகு மற்றும் நுனியில் ஹைலூரோனிக் அமில ஜெல் (ஜுவெடர்ம்) என்ற நிரப்பு ஊசி தனியார் கிளினிக்கில் செலுத்தப்பட்டது. ஒவ்வொரு நோயாளியின் வயிற்றுப் பகுதியின் தோல் அடியில் இருந்து எடுக்கப்பட்ட ADSC களைக் கொண்ட ஒரு கரைசல் தோல் அடியிலும் தோல் மட்டத்திலும் உள்ள காயத்திற்குள் செலுத்தப்பட்டது. கூடுதல் சிகிச்சை இல்லாமல் காயங்கள் குணமடைந்தன. தொடர்ச்சியான கண்காணிப்பில், இரண்டு நோயாளிகளும் அறுவை சிகிச்சைக்குப் பிறகு 6 மாதங்களுக்கு மட்டுமே நுட்பமான நேரியல் வடுக்களைக் கண்டனர். கொழுப்பு மூலக்கூறு மூலக்கூறுகளைப் பயன்படுத்தி, நிரப்பு ஊசி செலுத்தப்பட்ட பிறகு தோல் நக்ரோசிஸின் தீவிர சிக்கல்களை வெற்றிகரமாக சிகிச்சையளித்தோம், இதன் விளைவாக, குறைவான வடுக்கள் ஏற்பட்டன, மேலும் காய குணமடைவதில் மட்டுமல்லாமல், அழகியலிலும் திருப்திகரமான முடிவுகள் பெறப்பட்டன. |
3198e5de8eb9edfd92e5f9c2cb325846e25f22aa | |
bdf434f475654ee0a99fe11fd63405b038244f69 | மறுபடியும் குற்றம் செய்தல் மதிப்பெண்கள் அமெரிக்கா முழுவதும் பயன்படுத்தப்படுகின்றன தண்டனை மற்றும் மேற்பார்வை தீர்மானிக்க நூறாயிரக்கணக்கான கைதிகள். மறுபடியும் குற்றம் செய்தல் மதிப்பெண்களைக் கணிக்கும் ஒரு ஜெனரேட்டர் என்பது கலிபோர்னியா மற்றும் புளோரிடா போன்ற மாநிலங்களில் பயன்படுத்தப்படும் நார்த் பாயிண்டின் திருத்தப்பட்ட குற்றவாளி மேலாண்மை விவரக்குறிப்பு மாற்றுத் தடைகளுக்கான (COMPAS) மதிப்பெண் ஆகும், இது கடந்தகால ஆராய்ச்சி கருப்பு கைதிகளுக்கு எதிராக சில நியாயமான நடவடிக்கைகளுக்கு ஏற்ப பாரபட்சமாக இருப்பதைக் காட்டியுள்ளது. இந்த இனப் பாரபட்சத்தை எதிர்த்து, நாம் ஒரு எதிர்ப்பு பயிற்சி பெற்ற நரம்பியல் வலையமைப்பை முன்வைக்கிறோம், இது மீண்டும் குற்றம் செய்வதை முன்னறிவிக்கிறது மற்றும் இனப் பாரபட்சத்தை அகற்ற பயிற்சி பெற்றது. நமது மாதிரியின் முடிவுகளை COMPAS உடன் ஒப்பிட்டுப் பார்க்கும் போது, நாம் கணிப்புத் துல்லியத்தை பெறுகிறோம், மேலும் நியாயத்தின் மூன்று அளவீடுகளில் இரண்டை அடைவதற்கு நெருக்கமாக வருகிறோம்: சமத்துவம் மற்றும் சம வாய்ப்பு. எமது மாதிரியை எந்தவொரு முன்னறிவிப்பு மற்றும் மக்கள்தொகைக்கு பொதுவாக்கலாம். இந்த ஆராய்ச்சி, மறுபடியும் குற்றவாளிகளாக மாறுவதைக் கணிப்பது போன்ற உயர் அபாயமுள்ள நிஜ உலகப் பயன்பாட்டில் விஞ்ஞான ரீதியான பிரதி மற்றும் எளிமைப்படுத்தலின் ஒரு எடுத்துக்காட்டுக்கு பங்களிக்கிறது. |
33fad977a6b317cfd6ecd43d978687e0df8a7338 | இந்த ஆவணம், உள்ளூர் பைனரி வடிவங்கள் மற்றும் மாதிரி மற்றும் முன்மாதிரி விநியோகங்களின் அளவுரு அல்லாத பாகுபாடு அடிப்படையில் சாம்பல் அளவிலான மற்றும் சுழற்சி மாறாத அமைப்பு வகைப்படுத்தலுக்கான கோட்பாட்டளவில் மிகவும் எளிமையான, இன்னும் திறமையான, பல தீர்மான அணுகுமுறையை முன்வைக்கிறது. இந்த முறை சில உள்ளூர் பைனரி வடிவங்களை அங்கீகரிப்பதை அடிப்படையாகக் கொண்டது, இது ஒரு சீரான, ஓ என்பது உள்ளூர் பட அமைப்புகளின் அடிப்படை பண்புகள் மற்றும் அவற்றின் நிகழ்வு ஹிஸ்டோகிராம் மிகவும் சக்திவாய்ந்த அமைப்பு அம்சமாக நிரூபிக்கப்பட்டுள்ளது. சாம்பல் அளவிலான மற்றும் சுழற்சி மாறாத ஆபரேட்டர் விளக்கக்காட்சியை நாம் பெறுகிறோம், இது கோண இடைவெளியின் எந்தவொரு குவாண்டிசேஷனுக்கும் எந்தவொரு இடவியல் தீர்மானத்திற்கும் ஒரே மாதிரியான வடிவங்களைக் கண்டறிய அனுமதிக்கிறது மற்றும் பல தீர்மான பகுப்பாய்விற்காக பல ஆபரேட்டர்களை இணைப்பதற்கான ஒரு முறையை முன்வைக்கிறது. இந்த அணுகுமுறை சாம்பல் அளவிலான மாறுபாடுகளின் அடிப்படையில் மிகவும் உறுதியானது, ஏனெனில் இயக்குநர் வரையறையின்படி, சாம்பல் அளவின் எந்தவொரு ஒரே மாதிரியான மாற்றத்திற்கும் எதிராக மாறாதவர். மற்றொரு நன்மை கணக்கீட்டு எளிமை ஆகும், ஏனெனில் ஆபரேட்டரை ஒரு சிறிய சுற்றுப்புறத்திலும் ஒரு தேடல் அட்டவணையிலும் சில செயல்பாடுகளுடன் உணர முடியும். சுழற்சி மாறாமை பற்றிய உண்மையான சிக்கல்களில் பெறப்பட்ட சிறந்த பரிசோதனை முடிவுகள், இதில் வகைப்படுத்தி ஒரு குறிப்பிட்ட சுழற்சி கோணத்தில் பயிற்சி பெற்றது மற்றும் மற்ற சுழற்சி கோணங்களில் இருந்து மாதிரிகள் மூலம் சோதிக்கப்பட்டது, எளிய சுழற்சி மாறாத உள்ளூர் பைனரி வடிவங்களின் நிகழ்வு புள்ளிவிவரங்களுடன் நல்ல பாகுபாட்டை அடைய முடியும் என்பதை நிரூபிக்கின்றன. இந்த ஆபரேட்டர்கள் உள்ளூர் பட அமைப்புகளின் இடஞ்சார்ந்த கட்டமைப்பைக் குறிக்கின்றன, மேலும் உள்ளூர் பட அமைப்புகளின் மாறுபாட்டைக் குறிக்கும் சுழற்சி மாறாத மாறுபாடு நடவடிக்கைகளுடன் அவற்றை இணைப்பதன் மூலம் செயல்திறனை மேலும் மேம்படுத்தலாம். இந்த நேர்கோணல் நடவடிக்கைகளின் கூட்டு விநியோகங்கள் சுழற்சி மாறாத அமைப்பு பகுப்பாய்விற்கு மிகவும் சக்திவாய்ந்த கருவிகளாக நிரூபிக்கப்பட்டுள்ளன. குறியீட்டு சொற்கள்: பாராமெட்ரிக் அல்லாத, அமைப்பு பகுப்பாய்வு, Outex, Brodatz, விநியோகம், ஹிஸ்டோகிராம், மாறுபாடு. |
8ade5d29ae9eac7b0980bc6bc1b873d0dd12a486 | |
12a97799334e3a455e278f2a995a93a6e0c034bf | இந்த ஆவணம் சீன வார்த்தை பிரிவுக்கான ஒரு உட்பொதி பொருத்தமான அணுகுமுறையை முன்மொழிகிறது, இது பாரம்பரிய வரிசை லேபிளிங் கட்டமைப்பை பொதுமயமாக்குகிறது மற்றும் விநியோகிக்கப்பட்ட பிரதிநிதித்துவங்களை பயன்படுத்துகிறது. பயிற்சி மற்றும் கணிப்பு வழிமுறைகள் நேரியல்-நேர சிக்கலான தன்மையைக் கொண்டுள்ளன. முன்மொழியப்பட்ட மாதிரியின் அடிப்படையில், ஒரு பேராசை பிரிவு உருவாக்கப்பட்டு, தரப்படுத்தல் கார்பராக்களில் மதிப்பீடு செய்யப்படுகிறது. நமது சோதனைகள், நமது பேராசைமிக்க பிரிவு முந்தைய நரம்பியல் வலையமைப்பு அடிப்படையிலான சொல் பிரிவுகளை விட மேம்பட்ட முடிவுகளை அடைகிறது என்பதைக் காட்டுகின்றன, மேலும் அதன் செயல்திறன் அதிநவீன முறைகளுடன் போட்டியிடும், அதன் எளிய அம்சங்கள் மற்றும் பயிற்சிக்கான வெளிப்புற வளங்கள் இல்லாத போதிலும். |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.