_id
stringlengths 40
40
| text
stringlengths 0
9.73k
|
|---|---|
fe13e79621be1fea2f6f4f37417155fb7079b05a | కేవలం రెండు ట్రాన్సిస్టర్లను ఉపయోగించి ఒక స్విచ్డ్ కెపాసిటర్ ప్రతిధ్వని సర్క్యూట్ యొక్క కుటుంబం ప్రదర్శించబడుతుంది. సర్క్యూట్ సున్నా-ప్రస్తుత స్విచింగ్ కింద పనిచేస్తుంది మరియు అందువల్ల, స్విచింగ్ నష్టం సున్నా. ఇది భిన్న, బహుళ మరియు విలోమ వోల్టేజ్ మార్పిడి నిష్పత్తులతో సహా విస్తృత వోల్టేజ్ మార్పిడి ఎంపికలను కూడా అందిస్తుంది. |
90fcb6bd123a88bc6be5ea233351f0e12d517f98 | |
ac7023994da7768224e76d35c6178db36062182c | |
050b64c2343ef3c7f0c60285e4429e9bb8175dff | ఈ సాధనాలు ఇప్పటికే ఉన్న రిలేషనల్ డేటా మేనేజ్మెంట్ సిస్టమ్లతో ఎలా కలిసిపోతాయి? సంస్థ భద్రతా అవసరాలను ఎలా పరిష్కరించవచ్చు? వాస్తవ ప్రపంచ ఆటోమోటివ్ అప్లికేషన్ల కోసం ఈ సాధనాల పనితీరు లక్షణాలు ఏమిటి? చివరి ప్రశ్నకు సమాధానం ఇవ్వడానికి, మేము ఒక ప్రామాణిక బెంచ్ మార్క్ (TPCx-HS) ను మరియు రెండు అప్లికేషన్ బెంచ్ మార్క్లను (SQL మరియు మెషిన్ లెర్నింగ్) ఉపయోగిస్తాము, ఇవి బహుళ టెరాబైట్ల డేటాసెట్ మరియు బిలియన్ల వరుసలపై పనిచేస్తాయి. వాహన అభివృద్ధి, తయారీ, సేవా ప్రక్రియల నుంచి ఆన్లైన్ సేవల వరకు అనుసంధాన వాహనం చుట్టూ డేటా ఎక్కువగా ఆటోమోటివ్ పరిశ్రమను ప్రభావితం చేస్తోంది. కనెక్ట్ అయిన, మొబైల్ మరియు ఇంటర్నెట్ ఆఫ్ థింగ్స్ పరికరాలు మరియు యంత్రాలు అపారమైన సెన్సార్ డేటాను ఉత్పత్తి చేస్తాయి. ఈ డేటాను ప్రాసెస్ చేసి విశ్లేషించే సామర్థ్యం, తెలివైన సేవలను, వ్యాపార సమస్యలను అర్థం చేసుకోవడానికి కొత్త మార్గాలను, ప్రక్రియలు మరియు నిర్ణయాల మెరుగుదలలను ప్రారంభించే అంతర్దృష్టులను మరియు జ్ఞానాన్ని సేకరించే సామర్థ్యం కీలకమైన సామర్థ్యం. హడూప్ అనేది కంప్యూటింగ్ మరియు నిల్వ కోసం ఒక స్కేలబుల్ ప్లాట్ఫారమ్ మరియు ఇంటర్నెట్ కంపెనీలు మరియు శాస్త్రీయ సమాజంలో బిగ్ డేటా ప్రాసెసింగ్ కోసం వాస్తవ ప్రమాణంగా అవతరించింది. అయితే, ఈ కొత్త హడూప్ సామర్థ్యాలను ఆటోమోటివ్ అప్లికేషన్లు మరియు సిస్టమ్లను మెరుగుపరచడానికి ఎలా మరియు ఏ వినియోగ కేసుల కోసం సమర్థవంతంగా ఉపయోగించవచ్చనే దానిపై అవగాహన లేకపోవడం ఉంది. ఈ పత్రం ఆటోమోటివ్ పరిశ్రమలో హడూప్ను అమలు చేయడానికి కేసులు మరియు అనువర్తనాలను సర్వే చేస్తుంది. సంవత్సరాలుగా హడూప్ చుట్టూ సమృద్ధిగా పర్యావరణ వ్యవస్థ ఏర్పడింది. ఇందులో సమాంతర, ఇన్-మెమరీ మరియు స్ట్రీమ్ ప్రాసెసింగ్ (ముఖ్యంగా మ్యాప్ రిడ్యూస్ మరియు స్పార్క్), SQL మరియు NOSQL ఇంజన్లు (హైవ్, HBase) మరియు మెషిన్ లెర్నింగ్ (మహౌట్, MLlib) ఉన్నాయి. ఆటోమోటివ్ అప్లికేషన్లు, వాటి లక్షణాలు, డేటా డిస్కవరీ, ఇంటిగ్రేషన్, ఎక్స్ప్లోరేషన్, అనలిటిక్స్ కోసం అవసరాలు గురించి అవగాహన పెంచుకోవడం చాలా ముఖ్యం. ఆ తరువాత, ఈ అవసరాలను ఒక పరిమిత సాంకేతిక నిర్మాణానికి మ్యాప్ చేస్తాము, ఇందులో డేటా తీసుకోవడం, ప్రాసెసింగ్ మరియు విశ్లేషణ కోసం కోర్ హడూప్ సేవలు మరియు లైబ్రరీలు ఉంటాయి. ఈ పత్రం యొక్క లక్ష్యం ప్రశ్నలను పరిష్కరించడంః హడూప్ కోసం ఏ అనువర్తనాలు మరియు డేటాసెట్లు అనుకూలంగా ఉంటాయి? బహుళ-అద్దెదారు హడూప్ క్లస్టర్లో విభిన్న ఫ్రేమ్వర్క్లు మరియు సాధనాలను ఎలా నిర్వహించవచ్చు? |
b8a0cfa55b3393de4cc600d115cf6adb49bfa4ee | ప్రజలు తమ అభిప్రాయాలను వ్యక్తం చేసేందుకు సోషల్ నెట్వర్క్లు, ఆన్ లైన్ సైట్లు ఎక్కువగా ఉపయోగించడం వల్ల ఓపినియన్ మైనింగ్ పట్ల ఆసక్తి పెరిగింది. ఓటింగ్ మైనింగ్ యొక్క ప్రధాన పనులలో ఒకటి ఓటింగ్ సానుకూలంగా లేదా ప్రతికూలంగా ఉందో లేదో నిర్ణయించడం. అందువల్ల, వెబ్లో వ్యక్తీకరించబడిన భావాల పాత్ర కీలకంగా మారింది, ప్రధానంగా వ్యాపారాలు మరియు ప్రభుత్వాలు వినియోగదారులు లేదా పౌరుల అభిప్రాయాల యొక్క అర్థ ధోరణిని స్వయంచాలకంగా గుర్తించే ఆందోళన కారణంగా. మానసిక రుగ్మతలను గుర్తించేందుకు ఆరోగ్య రంగంలో ఇది కూడా ఒక ఆందోళన. ఈ పరిశోధన SWePT (స్పానిష్ టెక్స్ట్స్ లో పోలారిటీ డిటెక్షన్ కోసం వెబ్ సర్వీస్) అని పిలువబడే వెబ్ అప్లికేషన్ అభివృద్ధిపై దృష్టి పెట్టింది, ఇది సీక్వెన్షియల్ మినిమల్ ఆప్టిమైజేషన్ (SMO) అల్గోరిథంను అమలు చేస్తుంది, మెక్సికన్ స్పానిష్లో ఒక అభిమాన పదజాలం నుండి దాని లక్షణాలను సంగ్రహిస్తుంది. ఈ ప్రయోజనం కోసం, మెక్సికన్ స్పానిష్లో ఒక కార్పస్ మరియు ఒక అభిమాన పదకోశం సృష్టించబడ్డాయి. మూడు (సానుకూల, తటస్థ, ప్రతికూల) మరియు ఐదు వర్గాలను (చాలా సానుకూల, సానుకూల, తటస్థ, ప్రతికూల మరియు చాలా ప్రతికూల) ఉపయోగించి ప్రయోగాలు సమర్పించిన పద్ధతి యొక్క ప్రభావాన్ని ప్రదర్శించడానికి మాకు అనుమతిస్తాయి. ఎమోషన్-బ్రాస్లెట్ ఇంటర్ఫేస్లో కూడా SWePT అమలు చేయబడింది, ఇది వినియోగదారు అభిప్రాయాన్ని గ్రాఫికల్గా చూపిస్తుంది. |
f176b7177228c1a18793cf922455545d408a65ae | భూమి, సముద్రం, గాలి, అంతరిక్ష వాహనాలపై మల్టీ-కన్వర్టర్ పవర్ ఎలక్ట్రానిక్ వ్యవస్థలు ఉన్నాయి. ఈ వ్యవస్థలలో, లోడ్ కన్వర్టర్లు ఫీడర్ కన్వర్టర్లకు స్థిరమైన పవర్ లోడ్ (CPL) ప్రవర్తనను ప్రదర్శిస్తాయి మరియు వ్యవస్థను అస్థిరపరుస్తాయి. ఈ పత్రంలో, DC/DC కన్వర్టర్లపై కొత్త యాక్టివ్-డంపింగ్ టెక్నిక్ల అమలును చూపించారు. అంతేకాకుండా, సిపిఎల్ ల వల్ల కలిగే ప్రతికూల ఇంపెడెన్స్ అస్థిరత సమస్యను అధిగమించడానికి ప్రతిపాదిత యాక్టివ్-డంపింగ్ పద్ధతిని ఉపయోగిస్తారు. కొత్తగా ప్రతిపాదించిన విధానం యొక్క ప్రభావము PSpice అనుకరణలు మరియు ప్రయోగాత్మక ఫలితాల ద్వారా ధృవీకరించబడింది. |
5bf4644c104ac6778a0aa07418321b14e0010e81 | స్వయంప్రతిపత్తి వాహనాల ప్రవేశంతో డ్రైవర్లు, వారి కార్లు మధ్య పరస్పర చర్య గణనీయంగా మారుతుంది. డ్రైవర్ పాత్ర వారి స్వయంప్రతిపత్త వాహనం యొక్క పర్యవేక్షక నియంత్రణ వైపు మారుతుంది. డ్రైవింగ్ పని నుండి చివరికి ఉపశమనం మానవ-కంప్యూటర్ పరస్పర చర్య మరియు పరస్పర రూపకల్పనలో పరిశోధన మరియు అభ్యాసానికి పూర్తిగా కొత్త ప్రాంతాన్ని అనుమతిస్తుంది. ఈ ఒక రోజు వర్క్ షాప్ లో పాల్గొనేవారు స్వయంప్రతిపత్త డ్రైవింగ్ డిజైన్ స్పేస్ HCI పరిశోధకులు మరియు డిజైనర్లకు తీసుకువచ్చే అవకాశాలను అన్వేషిస్తారు. ఈ రోజున, వర్క్ షాప్ లో పాల్గొనేవారు (వర్క్ షాప్ నిర్వాహకులతో కలిసి) గూగుల్ పార్ట్ నర్ ప్లెక్స్ మరియు స్టాన్ఫోర్డ్ యూనివర్సిటీలను సందర్శించమని ఆహ్వానించబడ్డారు. గూగుల్ లో పాల్గొనేవారు గూగుల్ యొక్క స్వయంప్రతిపత్త కారు సిమ్యులేటర్ను అన్వేషించే అవకాశం ఉంటుంది మరియు గూగుల్ కార్లలో ఒకదాన్ని అనుభవించే అవకాశం ఉంటుంది (అందుబాటులో ఉంటే). స్టాన్ఫోర్డ్లో పాల్గొనేవారు ఒక విజార్డ్ ఆఫ్ ఓజ్ స్వయంప్రతిపత్త వాహనం లో ప్రయాణించడానికి ఆహ్వానించబడ్డారు. ఈ ప్రత్యక్ష అనుభవాల ఆధారంగా, మరుసటి రోజు వర్క్ షాప్ లో డిజైన్ విధానాలు మరియు నమూనా పరస్పర వ్యవస్థల గురించి చర్చిస్తాము. ఈ వర్క్ షాప్ ఫలితంగా స్వయంప్రతిపత్త కారులో డ్రైవింగ్ యొక్క పరిమితులు మరియు అవకాశాలను పరిష్కరించే భావనలు, పరస్పర చర్య స్కెచ్లు మరియు తక్కువ-విశ్వసనీయత కాగితపు నమూనాలు ఉంటాయి. |
8e79e46513e83bad37a029d1c49fca4a1c204738 | మేము ఒక న్యూరల్ సెమాంటిక్ పార్సర్ ను పరిచయం చేస్తున్నాము ఇది అర్థవివరణ మరియు స్కేలబుల్. మా నమూనా సహజ భాషా ఉచ్చారణలను మధ్యస్థ, డొమైన్-జనరల్ సహజ భాషా ప్రాతినిధ్యాలకు ప్రిడికేట్-ఆర్గ్యుమెంట్ నిర్మాణాల రూపంలో మారుస్తుంది, ఇవి పరివర్తన వ్యవస్థతో ప్రేరేపించబడతాయి మరియు తరువాత లక్ష్య డొమైన్లకు మ్యాప్ చేయబడతాయి. అర్థ పారసర్ ను ఎండ్ టు ఎండ్ గా ట్రైనింగ్ ఇస్తారు. మేము SPADES మరియు GRAPHQUESTIONS లో సాంకేతిక పరిజ్ఞానాన్ని సాధిస్తాము మరియు GEOQUERY మరియు WEBQUESTIONS లో పోటీ ఫలితాలను పొందుతాము. ప్రేరిత వాక్యం-వాదన నిర్మాణాలు అర్థ విశ్లేషణకు ఉపయోగపడే ప్రాతినిధ్యాల రకాలను మరియు అవి భాషాపరంగా ప్రేరేపించబడిన వాటి నుండి ఎలా భిన్నంగా ఉన్నాయో వెలుగులోకి తెస్తాయి. |
a1d326e7710cb9a1464ef52ca557a20ea5aa7e91 | ఈ పనిలో, 8-ఛానల్ అనువర్తనాల కోసం రూపొందించిన 4-బ్యాండ్ డ్యూయల్-పోలరైజ్డ్ యాంటెన్నాను మేము ప్రదర్శిస్తాము. LTCC సాంకేతికత ఆధారంగా, యాంటెన్నా ఒక బ్యాక్డ్ కావిటీతో ఒక పాచ్ కప్లర్డ్ ఎపర్చరు. ఒక నియమించబడిన బ్యాండ్ యొక్క ప్రతి యాంటెన్నా మూలకం రెండు ఆర్తోగాన్లీ ధ్రువణ పోర్టుల ద్వారా రెండు ఛానెల్లను కలిగి ఉంటుంది. వేర్వేరు పౌనఃపున్యాల క్రింద నాలుగు ద్వంద్వ-ధ్రువణ యాంటెన్నా అంశాలను కలపడం ద్వారా, 60GHz అనువర్తనాల కోసం 8-ఛానల్ యాంటెన్నా సాధించవచ్చు. ఈ యాంటెన్నా 8 ఫీడింగ్ పోర్టులను కలిగి ఉంది, ఇవి 8 స్వతంత్ర ఛానెళ్లకు అనుగుణంగా ఉంటాయి. ప్రతి పోర్ట్ మధ్య ఐసోలేషన్ చాలా ఫ్రీక్వెన్సీ బ్యాండ్లో 20dB కి చేరుకుంటుంది. |
cbd92fac853bfb56fc1c3752574dc0831d8bc181 | బేసియన్ నిర్ణయాత్మక సిద్ధాంతం ఆధారంగా సంభావ్యత ర్యాంకింగ్ ఫంక్షన్ను ఉపయోగించి డాక్యుమెంట్ నమూనాలు మరియు ప్రశ్న నమూనాలను కలిపే సమాచార పునరుద్ధరణ కోసం మేము ఒక ఫ్రేమ్వర్క్ను ప్రదర్శిస్తాము. భాషా నమూనా విధానంలో ఇటీవలి పరిణామాలను సమాచార పునరుద్ధరణకు విస్తరించే కార్యాచరణ పునరుద్ధరణ నమూనాను ఈ ఫ్రేమ్వర్క్ సూచిస్తుంది. ప్రతి పత్రానికి ఒక భాషా నమూనా అంచనా వేయబడింది, అలాగే ప్రతి ప్రశ్నకు ఒక భాషా నమూనా, మరియు రికవరీ సమస్య ప్రమాదాన్ని తగ్గించే పరంగా నటించబడింది. క్వెరీ లాంగ్వేజ్ మోడల్ ను వాడుకరి ప్రాధాన్యతలను, క్వెరీ యొక్క సందర్భం, పర్యాయపదాలు మరియు పద అర్థాలను మోడల్ చేయడానికి ఉపయోగించవచ్చు. ఇటీవలి పని ఈ ప్రయోజనం కోసం పద అనువాద నమూనాలను చేర్చినప్పటికీ, మేము ప్రశ్న నమూనాలను అంచనా వేయడానికి పత్రాల సమితిలో నిర్వచించిన మార్కోవ్ గొలుసులను ఉపయోగించి కొత్త పద్ధతిని పరిచయం చేస్తున్నాము. మార్కోవ్ చైన్ పద్ధతి లింక్ విశ్లేషణ మరియు సామాజిక నెట్వర్క్ల నుండి అల్గోరిథంలకు కనెక్షన్లను కలిగి ఉంది. కొత్త విధానాన్ని TREC సేకరణలపై అంచనా వేసి, ప్రాథమిక భాషా మోడలింగ్ విధానం మరియు వెక్టర్ స్పేస్ మోడళ్లతో పాటు రాకియో ఉపయోగించి ప్రశ్న విస్తరణతో పోల్చారు. బలమైన బేస్ లైన్ TF-IDF వ్యవస్థల కోసం ప్రామాణిక ప్రశ్న విస్తరణ పద్ధతుల కంటే గణనీయమైన మెరుగుదలలు పొందబడతాయి, వెబ్ డేటాపై చిన్న ప్రశ్నలకు అత్యధిక మెరుగుదలలు సాధించబడతాయి. |
61d234dd4f7b733e5acf2550badcf1e9333b6de1 | పట్టణ ప్రాంతాలలో, కదిలే అడ్డంకులను గుర్తించడం మరియు ఖాళీ స్థలాన్ని నిర్ణయించడం డ్రైవింగ్ సహాయక వ్యవస్థలు మరియు స్వయంప్రతిపత్త వాహనాల కోసం కీలకమైన సమస్యలు. వాహనం ముందు స్కాన్ చేసే లిడార్ సెన్సార్లను ఉపయోగిస్తున్నప్పుడు, అజ్ఞానం మరియు లోపాల వల్ల అనిశ్చితి తలెత్తుతుంది. కొత్త ప్రాంతాల అవగాహన వల్ల అజ్ఞానం ఏర్పడుతుంది మరియు తప్పులు అస్పష్టమైన భంగిమ అంచనా మరియు ధ్వనించే కొలతల నుండి వస్తాయి. లిడార్ బహుళ-ఎకో మరియు బహుళ-పొరల సమాచారాన్ని అందించినప్పుడు సంక్లిష్టత కూడా పెరుగుతుంది. ఈ పత్రం ఈ వివిధ అనిశ్చితి వనరులను నిర్వహించడానికి రూపొందించిన ఒక ఆక్యుపెన్సీ గ్రిడ్ ఫ్రేమ్వర్క్ను అందిస్తుంది. ఈ సమస్యను పరిష్కరించడానికి ఒక మార్గం ప్రపంచ మరియు స్థానిక ఫ్రేమ్లలో రహదారి ఉపరితలంపై అంచనా వేసిన గ్రిడ్లను ఉపయోగించడం. గ్లోబల్ మ్యాపింగ్ ను ఉత్పత్తి చేస్తుంది మరియు స్థానిక వస్తువులను కదిలే వస్తువులతో వ్యవహరించడానికి ఉపయోగిస్తారు. సెన్సార్ సమాచారాన్ని మోడల్ చేయడానికి మరియు ప్రపంచ-స్థిర మ్యాప్తో గ్లోబల్ ఫ్యూజన్ చేయడానికి ఒక విశ్వసనీయ విధానాన్ని ఉపయోగిస్తారు. ఖచ్చితమైన స్థాన వ్యవస్థతో నిర్వహించిన బహిరంగ ప్రయోగ ఫలితాలు ఇటువంటి అవగాహన వ్యూహం ప్రామాణిక విధానంతో పోలిస్తే పనితీరును గణనీయంగా పెంచుతుందని చూపిస్తుంది. |
3bad518b0f56e72efadc4791a2bd65aaeaf47ec1 | ఈ పరిశోధన యొక్క లక్ష్యం బహుళజాతి, ప్రైవేటు ఈజిప్టు మరియు ఈజిప్టులోని ప్రభుత్వ సంస్థల ERP అమలు దశలో ఎదుర్కొన్న ప్రధాన సమస్యలను గుర్తించడం మరియు అంచనా వేయడం. ఈజిప్టులో ఇఆర్పిని అమలు చేస్తున్న 50 కంపెనీలకు ఇంటర్వ్యూలు, ఆన్లైన్ ప్రశ్నాపత్రం ద్వారా డేటా సేకరణ జరిగింది. ఈ పత్రం ఈజిప్టులో సంస్థలు ERP అమలు తర్వాత ఎదుర్కొన్న ఇబ్బందులు మరియు సమస్యల యొక్క వివరణాత్మక విశ్లేషణను అందిస్తుంది మరియు ఇవి మొత్తం విజయవంతం కాని అమలుకు ఎలా దోహదపడ్డాయి. |
749546a58a1d46335de785c41a3eae977e84a0df | మెషిన్ లెర్నింగ్ యొక్క లక్ష్యం మంచి సాధారణీకరణ పనితీరును అందించే నమూనాను గుర్తించడం. ఇందులో ఒక పరికల్పన తరగతిని పదేపదే ఎంచుకోవడం, నమూనా యొక్క పారామితి స్థలంలో ఇచ్చిన లక్ష్యం ఫంక్షన్ను కనిష్టీకరించడం ద్వారా పరికల్పన తరగతిని శోధించడం మరియు ఫలిత నమూనా యొక్క సాధారణీకరణ పనితీరును అంచనా వేయడం ఉంటుంది. శిక్షణా డేటా నిరంతరం వస్తున్నందున లేదా ఒకరు హైపర్ పారామితులను పరికల్పన తరగతి మరియు లక్ష్యం ఫంక్షన్లో ట్యూన్ చేయాల్సిన అవసరం ఉన్నందున ఈ శోధన కంప్యూటరీయంగా తీవ్రంగా ఉంటుంది. ఈ కాగితంలో, ఖచ్చితమైన పెరుగుదల అభ్యాసం మరియు మద్దతు వెక్టర్ మెషిన్ (SVM) వర్గీకరణకర్తల అనుసరణ కోసం ఒక ఫ్రేమ్వర్క్ను మేము ప్రదర్శిస్తాము. ఈ విధానం సాధారణమైనది మరియు వ్యక్తిగత లేదా బహుళ ఉదాహరణలను నేర్చుకోవడానికి మరియు నేర్చుకోకుండా ఉండటానికి, ప్రస్తుత SVM ను క్రమబద్ధీకరణ మరియు కెర్నల్ పారామితులలో మార్పులకు అనుగుణంగా మార్చడానికి మరియు ఖచ్చితమైన లీవ్-వన్-అవుట్ ఎర్రర్ అంచనా ద్వారా సాధారణీకరణ పనితీరును అంచనా వేయడానికి అనుమతిస్తుంది. I. I NTRODUCTION వర్గీకరణ మరియు రిగ్రెషన్ కోసం SVM పద్ధతులు నేర్చుకోవడం నమూనాలు కోసం శక్తివంతమైన ఉపకరణాలు అందిస్తాయి, ఇవి విస్తృతమైన, అధిక డైమెన్షనల్ సెట్టింగులలో కూడా బాగా సాధారణీకరించబడతాయి. గణాంక అభ్యాస సిద్ధాంతంలో వాప్నిక్ యొక్క సెమినల్ పనికి వారి విజయాన్ని ఆపాదించవచ్చు [15] ఇది సాధారణీకరణ పనితీరును ప్రభావితం చేసే కారకాలపై కీలక అంతర్దృష్టులను అందించింది. ఎస్ వి ఎం లెర్నింగ్ ను వాప్నిక్ యొక్క నిర్మాణాత్మక రిస్క్ మినిమలైజేషన్ ఇండక్షన్ సూత్రం యొక్క ఆచరణాత్మక అమలుగా చూడవచ్చు. ఇందులో ఉత్తమ సాధారణీకరణ పనితీరు కలిగిన నమూనాను కనుగొనడానికి వేర్వేరు సామర్థ్యాల యొక్క పరికల్పన తరగతులపై శోధించడం ఉంటుంది. f (x) = w ·Φ (x) +b రూపం యొక్క SVM వర్గీకరణలు డేటా { (xi, yi) ∈ R I m × {−1, 1} ∀ i ∈ {1, . . . , N}} min w,b,ξ 1 2 ‖w‖ + C N ను తగ్గించడం ద్వారా |
6df617304e9f1185694f11ca5cae5c27e868809b | వైర్ లెస్ మైక్రోసెన్సర్ నెట్వర్క్ లు 21వ శతాబ్దానికి అత్యంత ముఖ్యమైన సాంకేతిక పరిజ్ఞానాలలో ఒకటిగా గుర్తించబడ్డాయి. ఈ పత్రం గత మూడు దశాబ్దాలుగా సెన్సార్ నెట్వర్క్లలో పరిశోధన యొక్క చరిత్రను అనుసరిస్తుంది, ఇందులో డిఫెన్స్ అడ్వాన్స్డ్ రీసెర్చ్ ప్రాజెక్ట్స్ ఏజెన్సీ (DARPA) యొక్క రెండు ముఖ్యమైన కార్యక్రమాలు ఈ కాలంలో ఉన్నాయిః డిస్ట్రిబ్యూటెడ్ సెన్సార్ నెట్వర్క్స్ (DSN) మరియు సెన్సార్ ఇన్ఫర్మేషన్ టెక్నాలజీ (SensIT) కార్యక్రమాలు. సెన్సార్ నెట్వర్క్ల అభివృద్ధిపై ప్రభావం చూపే సాంకేతిక పోకడలు సమీక్షించబడ్డాయి మరియు మౌలిక సదుపాయాల భద్రత, ఆవాస పర్యవేక్షణ మరియు ట్రాఫిక్ నియంత్రణ వంటి కొత్త అనువర్తనాలు ప్రదర్శించబడ్డాయి. సెన్సార్ నెట్వర్క్ అభివృద్ధిలో సాంకేతిక సవాళ్లు నెట్వర్క్ డిస్కవరీ, కంట్రోల్ మరియు రూటింగ్, సహకార సిగ్నల్ మరియు సమాచార ప్రాసెసింగ్, టాస్కింగ్ మరియు క్వెరీ మరియు భద్రత. సెన్సార్ నెట్వర్క్ అల్గోరిథంలలో ఇటీవలి పరిశోధన ఫలితాలను ప్రదర్శించడం ద్వారా ఈ కాగితం ముగుస్తుంది, ఇందులో స్థానికీకరించిన అల్గోరిథంలు మరియు దర్శకత్వం వహించిన వ్యాప్తి, వైర్లెస్ యాడ్ హాక్ నెట్వర్క్లలో పంపిణీ చేయబడిన ట్రాకింగ్ మరియు స్థానిక ఏజెంట్లను ఉపయోగించి పంపిణీ చేయబడిన వర్గీకరణ ఉన్నాయి. |
3b655db109beaae48b238045cf9618418e349f36 | పరిమిత సంక్లిష్టత గల సరళ నమూనా ద్వారా డేటాను అమర్చడం అనేది డేటా నుండి నిర్మించిన ఒక మాతృక యొక్క తక్కువ-ర్యాంక్ సమీకరణానికి సమానం. హాంకెల్ నిర్మాణం ఉన్న డేటా మాతృక డేటాకు సరిపోయే ఒక సరళ సమయ-అస్థిర వ్యవస్థ ఉనికికి సమానం మరియు ర్యాంక్ పరిమితి మోడల్ సంక్లిష్టతపై పరిమితికి సంబంధించినది. ఒక స్టాటిక్ మోడల్ ద్వారా అమర్చడం యొక్క ప్రత్యేక సందర్భంలో, డేటా మాతృక మరియు దాని తక్కువ-ర్యాంక్ సమీకరణ నిర్మాణాత్మకమైనది కాదు. వ్యవస్థ సిద్ధాంతం (సుమారుగా గ్రహణ, నమూనా తగ్గింపు, అవుట్పుట్ లోపం మరియు లోపాలు-వికల్పిణీ గుర్తింపు), సిగ్నల్ ప్రాసెసింగ్ (హార్మోనిక్ రిట్రీవల్, సమ్-ఆఫ్-డంపెడ్ ఎక్స్పోన్షియల్స్ మరియు ఫైనేట్ ఇంపల్స్ రెస్పాన్స్ మోడలింగ్) మరియు కంప్యూటర్ అల్జీబ్రా (సుమారు సాధారణ డివైజర్) లోని అనువర్తనాలను మేము వివరించాము. హ్యూరిస్టిక్స్ మరియు స్థానిక ఆప్టిమైజేషన్ పద్ధతుల ఆధారంగా అల్గోరిథంలు ప్రదర్శించబడతాయి. తక్కువ-స్థాయి సమీకరణ సమస్య యొక్క సాధారణీకరణలు వివిధ సమీకరణ ప్రమాణాల (ఉదా, బరువున్న ప్రమాణం) మరియు డేటా మాతృకపై పరిమితుల (ఉదా, నాన్ నెగటివిటీ) నుండి ఉత్పన్నమవుతాయి. సంబంధిత సమస్యలు ర్యాంక్ కనిష్టీకరణ మరియు నిర్మాణాత్మక తప్పుడు స్పెక్ట్రాలు. 2007 ఎల్సెవియర్ లిమిటెడ్ అన్ని హక్కులు ప్రత్యేకించబడ్డాయి. |
ee1140f49c2f1ce32d0ed9404078c724429cc487 | ఈ పత్రం ఒక Ku-బ్యాండ్ పౌనఃపున్యంతో అత్యంత కాంపాక్ట్ పోలిక యొక్క రూపకల్పనను ఇస్తుంది మరియు తయారీలో అస్పష్టతలకు పోలిక యొక్క విశ్లేషణ ఫలితాలను అందిస్తుంది. మొదట 15.50 GHz వద్ద ఒక అసాధారణమైన వేవ్ గైడ్ ఉపయోగించి ఒక అసాధారణమైన మేజిక్-టి రూపొందించబడింది. మేజిక్-టి ఆక్రమించిన వాల్యూమ్ను తగ్గించడానికి, దాని E- ఆర్మ్ (లేదా డిఫరెన్షియల్ పోర్ట్) ను ఒక కన్వెన్షన్ మేజిక్-టిలో చేసిన విధంగా వాటికి లంబంగా కాకుండా మేజిక్-టి యొక్క రెండు ఇన్పుట్ల విమానంకు సమాంతరంగా ఉంచబడుతుంది. పైన పేర్కొన్న మడతపెట్టిన మ్యాజిక్-టి యొక్క సమ్ మరియు డిఫరెన్షియల్ పోర్టులు 15.50 GHz వద్ద ఇండక్టివ్ విండోలను ఉపయోగించి సరిపోలబడతాయి. ఈ నాలుగు మ్యాచ్ చేసిన మ్యాజిక్-టి లు ఒకదానితో ఒకటి అనుసంధానించబడి, అత్యంత కాంపాక్ట్ పోల్చదగిన పరికరాలను రూపొందించడానికి సరిపోతాయి. వావ్ గైడ్ మరియు సరిపోలే ఎలిమెంట్స్ డైమెన్షన్స్ లోని తయారీ లోపాల ప్రభావాలు సెంటర్ ఫ్రీక్వెన్సీ, మెగ్నిట్యూడ్ మరియు ఫేజ్ రెస్పాన్స్ పై కూడా విశ్లేషించబడ్డాయి మరియు ప్రదర్శించబడ్డాయి. |
ecbcccd71b3c7e0cca8ecf0997e9775019b51488 | మేము ఒక వ్యక్తిగత ప్రవర్తనా నమూనాను అభివృద్ధి చేస్తాము, ఇది ఉద్యోగుల భద్రతా సమ్మతి ప్రవర్తనను ఎలా ప్రభావితం చేస్తుందో బాగా అర్థం చేసుకోవడానికి ప్రయత్నంలో ఉన్నత నిర్వహణ మరియు సంస్థాగత సంస్కృతి యొక్క పాత్రను ప్రణాళికాబద్ధమైన ప్రవర్తన సిద్ధాంతంలోకి అనుసంధానిస్తుంది. సర్వే డేటా మరియు నిర్మాణాత్మక సమీకరణ నమూనాను ఉపయోగించి, మేము అగ్ర నిర్వహణ భాగస్వామ్యం, సంస్థాగత సంస్కృతి మరియు సమాచార భద్రతా విధానాలకు ఉద్యోగుల సమ్మతి యొక్క ముఖ్య నిర్ణేత మధ్య సంబంధాలపై పరికల్పనలను పరీక్షిస్తాము. సమాచార భద్రత కార్యక్రమాలలో ఉన్నత స్థాయి నిర్వహణ భాగస్వామ్యం ఉద్యోగుల వైఖరిపై ప్రత్యక్షంగా మరియు పరోక్షంగా గణనీయమైన ప్రభావాన్ని చూపుతుందని మేము కనుగొన్నాము, సమాచార భద్రత విధానాలకు అనుగుణంగా ప్రవర్తనా నియంత్రణ యొక్క ఆత్మాశ్రయ ప్రమాణం మరియు గ్రహించినది. సమాచార భద్రత విధానాలకు అనుగుణంగా ప్రవర్తన నియంత్రణపై ఉద్యోగుల వైఖరిపై మరియు గ్రహించిన ప్రవర్తనా నియంత్రణపై ఇది ప్రభావం చూపుతుంది. అంతేకాకుండా, ఉద్యోగుల ప్రవర్తనా ఉద్దేశాలపై ఉన్నత నిర్వహణ భాగస్వామ్యం మరియు సంస్థాగత సంస్కృతి యొక్క ప్రభావాలు సమాచార భద్రతా విధానాలకు అనుగుణంగా ఉద్యోగుల అభిజ్ఞాత్మక నమ్మకాల ద్వారా పూర్తిగా మధ్యవర్తిత్వం వహిస్తాయని మేము కనుగొన్నాము. మా పరిశోధన ఫలితాలు సమాచార భద్రత పరిశోధన సాహిత్యాన్ని విస్తరిస్తాయి, ఉన్నత నిర్వహణ ఎలా ఉద్యోగుల సమ్మతి ప్రవర్తనను రూపొందించడంలో చురుకైన పాత్ర పోషిస్తుందో చూపించడం ద్వారా, ఇప్పటికే ఉన్న సాహిత్యంలో సూచించిన నిరోధక-ఆధారిత నివారణలకు అదనంగా. మా పరిశోధనల ఫలితాలు ఉద్యోగుల సమ్మతి ప్రవర్తనను రూపొందించడంలో సంస్థాగత సంస్కృతి పాత్ర గురించి సిద్ధాంతాలను మెరుగుపరుస్తాయి. ఈ ప్రాజెక్టుకు రక్షణ శాఖ (డిఓడి) కు చెందిన డిఫెన్స్ ఇన్ఫర్మేషన్ సిస్టమ్స్ ఏజెన్సీ (డిఐఎస్ఎ) నుండి రచయితలకు గ్రాంట్ ద్వారా కొంత నిధులు సమకూర్చబడ్డాయి. సమీక్షా ప్రక్రియలో వారి వివరణాత్మక మరియు నిర్మాణాత్మక వ్యాఖ్యలు మరియు సూచనల కోసం రచయితలు సంపాదకుడికి, సీనియర్ ఎడిటర్కు, అసోసియేట్ ఎడిటర్కు మరియు ఇద్దరు అనామక సమీక్షకులకు కృతజ్ఞతలు తెలుపుతున్నారు. *సమాచారం రచయిత. |
1ac7018b0935cdb5bf52b34d738b110e2ef0416a | చాలా ఆన్లైన్ సమీక్షలు సాదా టెక్స్ట్ ఫీడ్బ్యాక్తో ఒకే సంఖ్యా స్కోరుతో ఉంటాయి. అయితే, వినియోగదారుల రేటింగ్స్కు దోహదపడే బహుళ అంశాలను అర్థం చేసుకోవడం వారి వ్యక్తిగత ప్రాధాన్యతలను బాగా అర్థం చేసుకోవడానికి మాకు సహాయపడుతుంది. ఉదాహరణకు, ఒక ఆడియో బుక్ గురించి ఒక వినియోగదారు అభిప్రాయం కథ మరియు కథకుడు వంటి అంశాలపై ఆధారపడి ఉంటుంది, మరియు ఈ అంశాలపై వారి అభిప్రాయాలను తెలుసుకోవడం మంచి ఉత్పత్తులను సిఫారసు చేయడంలో మాకు సహాయపడుతుంది. ఈ వ్యాసంలో, రేటింగ్ వ్యవస్థల కోసం నమూనాలను నిర్మిస్తాము, దీనిలో ఇటువంటి కొలతలు స్పష్టంగా ఉంటాయి, వినియోగదారులు ఉత్పత్తి యొక్క ప్రతి అంశానికి ప్రత్యేక రేటింగ్లను వదిలివేస్తారు. మూడు నుంచి ఆరు అంశాలతో రేట్ చేయబడిన ఐదు మిలియన్ల సమీక్షలను కలిగి ఉన్న కొత్త కార్పొరేట్లను ప్రవేశపెట్టడం ద్వారా, మేము మూడు అంచనా పనులపై మా నమూనాలను అంచనా వేస్తాముః మొదట, మేము ఏ సమీక్ష యొక్క భాగాలు రేట్ చేయబడిన అంశాలను చర్చిస్తాయో తెలుసుకుంటాము. రెండవది, వినియోగదారుల రేటింగ్ను ఉత్తమంగా వివరించే వాక్యాలను కనుగొనడం ద్వారా సమీక్షలను సంగ్రహిస్తాము. చివరగా, మేము పరిగణించే అనేక డేటాసెట్లలో అంశం రేటింగ్స్ ఐచ్ఛికం కాబట్టి, మేము వినియోగదారు యొక్క అంచనా నుండి తప్పిపోయిన రేటింగ్లను తిరిగి పొందుతాము. మా నమూనా ప్రస్తుతమున్న చిన్న తరహా డేటా సెట్ లలో ఉన్నత స్థాయి విధానాలకు అనుగుణంగా ఉంటుంది, అదే సమయంలో మేము ప్రవేశపెట్టిన వాస్తవ ప్రపంచ డేటా సెట్లకు స్కేలింగ్ చేస్తుంది. అంతేకాకుండా, మా నమూనా కంటెంట్ మరియు సెంటిమెంట్ పదాలను విభజించగలదు : మేము ఒక నిర్దిష్ట అంశానికి సంబంధించిన కంటెంట్ పదాలను మరియు ఒక నిర్దిష్ట రేటింగ్కు సంబంధించిన అంశ-నిర్దిష్ట సెంటిమెంట్ పదాలను స్వయంచాలకంగా నేర్చుకుంటాము. |
be0b922ec9625a5908032bde6ae47fa6c4216a38 | న్యూరల్ నెట్వర్క్లు అనేక నిర్మాణాత్మక అవుట్పుట్ అంచనా పనులపై స్టేట్ ఆఫ్ ది ఆర్ట్ పనితీరును సాధించాయి, పూర్తిగా పర్యవేక్షించబడిన పద్ధతిలో శిక్షణ పొందాయి. అయితే, నిర్మాణాత్మక డొమైన్లలో వ్యాఖ్యానించిన ఉదాహరణలు పొందడం చాలా ఖరీదైనది, ఇది న్యూరల్ నెట్వర్క్ల అనువర్తనాలను పరిమితం చేస్తుంది. ఈ కృషిలో, మేము గరిష్ట మార్జిన్ రివార్డ్ నెట్వర్క్లను ప్రతిపాదించాము, ఇది న్యూరల్ నెట్వర్క్ ఆధారిత ఫ్రేమ్వర్క్, ఇది స్పష్టమైన (పూర్తి నిర్మాణాలు) మరియు అస్పష్టమైన పర్యవేక్షణ సంకేతాల నుండి (ఊహించిన నిర్మాణం యొక్క ఖచ్చితత్వంపై ఆలస్యంగా ఫీడ్బ్యాక్) నేర్చుకోవడాన్ని లక్ష్యంగా పెట్టుకుంది. పేరున్న ఎంటిటీ గుర్తింపు మరియు అర్థ విశ్లేషణలో, మా మోడల్ బెంచ్మార్క్ డేటాసెట్లలో మునుపటి వ్యవస్థలను అధిగమిస్తుంది, CoNLL-2003 మరియు WebQuestionsSP. |
01a29e319e2afa2d29cab62ef1f492a953e8ca70 | ఈ పత్రం ఒక వ్యక్తిగతీకరించిన k-అనామకత నమూనాను వర్ణించింది, ఇది స్థాన సమాచారాన్ని పంచుకోవడం ద్వారా వివిధ గోప్యతా బెదిరింపులకు వ్యతిరేకంగా స్థాన గోప్యతను రక్షించడానికి. మా నమూనాకు రెండు ప్రత్యేక లక్షణాలున్నాయి. మొదట, సందర్భోచిత వ్యక్తిగతీకరించిన గోప్యతా అవసరాలతో ఉన్న విస్తృత శ్రేణి వినియోగదారుల కోసం స్థాన k-అనామకతను మద్దతు ఇవ్వడానికి మేము ఏకీకృత గోప్యతా వ్యక్తిగతీకరణ ఫ్రేమ్వర్క్ను అందిస్తాము. ఈ ఫ్రేమ్వర్క్ ప్రతి మొబైల్ నోడ్కు అవసరమైన కనీస స్థాయి అనామకతను, k-అనామకతను కాపాడుకునే స్థాన ఆధారిత సేవలను (LBS లు) అభ్యర్థించేటప్పుడు అది సహించాలనుకునే గరిష్ట సమయ మరియు ప్రాదేశిక తీర్మానాలు పేర్కొనడానికి వీలు కల్పిస్తుంది. రెండవది, మేము ఒక సమర్థవంతమైన సందేశ భంగం ఇంజిన్ను రూపొందిస్తాము, ఇది విశ్వసనీయ సర్వర్లో స్థాన రక్షణ బ్రోకర్ చేత నడుస్తుంది మరియు మొబైల్ వినియోగదారుల LBS అభ్యర్థన సందేశాలపై స్థాన అనామకతను నిర్వహిస్తుంది, గుర్తింపు తొలగింపు మరియు స్థాన సమాచారం యొక్క ప్రాదేశిక-కాల మాస్కింగ్ వంటివి. LBS ప్రొవైడర్లకు అభ్యర్థనలను ఫార్వార్డింగ్ చేసే ముందు తెలిసిన లొకేషన్ గోప్యతా బెదిరింపులను నివారించడం లేదా తగ్గించడం లక్ష్యంగా ఉన్న అధిక నాణ్యత గల వ్యక్తిగతీకరించిన స్థాన k-అనామకతను అందించడానికి మేము క్లిక్క్క్లాక్ అల్గోరిథంలు అని పిలువబడే స్కేలబుల్ మరియు సమర్థవంతమైన స్పేషియో-టైమరల్ క్లాకింగ్ అల్గోరిథంల సూట్ను అభివృద్ధి చేస్తాము. మా క్లిక్క్లాక్ అల్గోరిథంల యొక్క ప్రభావం వివిధ పరిస్థితులలో అధ్యయనం చేయబడుతుంది, నిజమైన రహదారి పటాలు మరియు ట్రాఫిక్ వాల్యూమ్ డేటా ఉపయోగించి సింథటిక్గా ఉత్పత్తి చేయబడిన వాస్తవిక స్థాన డేటాను ఉపయోగించి |
0d8f17d8d1d05d6405be964648e7fc622c776c5d | మొబైల్ వినియోగ సందర్భాలు చాలా మారుతూ ఉంటాయి, మరియు ఉపయోగం సమయంలో నిరంతరం మారవచ్చు. ఈ సందర్భం స్థానం కంటే చాలా ఎక్కువ, కానీ దాని ఇతర అంశాలు గుర్తించడం లేదా కొలవడం ఇంకా కష్టం. వివిధ మొబైల్ పరికరాలలో స్థాన సమాచారం ఒక సమగ్ర భాగంగా మారుతోంది. ప్రస్తుత మొబైల్ సేవలను స్థాన-అవగాహన లక్షణాలతో మెరుగుపరచవచ్చు, తద్వారా వినియోగదారుకు సందర్భ-అవగాహన సేవలకు సజావుగా పరివర్తన కల్పిస్తుంది. ప్రయాణ సమాచారం, షాపింగ్, వినోదం, ఈవెంట్ సమాచారం మరియు వివిధ మొబైల్ వృత్తులలో సంభావ్య అనువర్తన క్షేత్రాలను కనుగొనవచ్చు. ఈ వ్యాసం లో వినియోగదారుల దృష్టికోణం నుండి లొకేషన్ అస్సెన్సివ్ మొబైల్ సేవలను అధ్యయనం చేయడమైంది. వినియోగదారుల ఇంటర్వ్యూలు, ప్రయోగశాల మరియు క్షేత్రస్థాయిలో వినియోగదారులతో చేసిన అంచనాలు, మరియు స్థాన-అవగాహన సేవల నిపుణుల అంచనాల ఆధారంగా వినియోగదారుల అవసరాలకు సంబంధించిన కీలక అంశాలపై ఈ పత్రం ముగింపులు తెస్తుంది. వినియోగదారుల అవసరాలు ఐదు ప్రధాన అంశాల క్రింద ప్రదర్శించబడ్డాయిః సమయోచిత మరియు సమగ్ర కంటెంట్, సున్నితమైన వినియోగదారు పరస్పర చర్య, వ్యక్తిగత మరియు వినియోగదారు సృష్టించిన కంటెంట్, అతుకులు లేని సేవా సంస్థలు మరియు గోప్యతా సమస్యలు. |
e9a9d7f2a1226b463fb18f2215553dfd01aa38e7 | ఈ రోజు మనం KETI సంకేత భాషా డేటాసెట్ ను పరిచయం చేస్తున్నాం. ఇందులో 10,480 వీడియోలు అధిక రిజల్యూషన్ మరియు నాణ్యతతో ఉన్నాయి. వివిధ దేశాలలో వేర్వేరు సంకేత భాషలు ఉపయోగించబడుతున్నందున, కొరియన్ సంకేత భాష గుర్తింపుపై మరింత పరిశోధన కోసం KETI సంకేత భాష డేటాసెట్ ప్రారంభ రేఖగా ఉంటుంది. సంకేత భాషా డేటా సమితిని ఉపయోగించి, మేము సంకేత భాష గుర్తింపు వ్యవస్థను అభివృద్ధి చేస్తాము ముఖం, చేతి మరియు శరీర భాగాల నుండి సేకరించిన మానవ కీ పాయింట్లను ఉపయోగించడం ద్వారా. సేకరించిన మానవ కీ పాయింట్ వెక్టర్ కీ పాయింట్ల యొక్క సగటు మరియు ప్రామాణిక విచలనం ద్వారా ప్రామాణికం చేయబడుతుంది మరియు పునరావృత న్యూరల్ నెట్వర్క్ (RNN) కు ఇన్పుట్గా ఉపయోగించబడుతుంది. శిక్షణా డేటా పరిమాణం సరిపోకపోయినా కూడా మన సంకేత గుర్తింపు వ్యవస్థ బలంగా ఉందని మేము చూపిస్తున్నాము. అత్యవసర పరిస్థితుల్లో ఉపయోగించగల 100 వాక్యాల కోసం మా వ్యవస్థ 89.5% వర్గీకరణ ఖచ్చితత్వాన్ని చూపిస్తుంది. సంకేత భాష గుర్తింపు సమస్యను అధ్యయనం చేస్తున్నాము, ఇది వీడియోల వంటి దృశ్య ఇన్పుట్ నుండి సంకేతాల అర్థాన్ని అనువదించడం. కంప్యూటర్ దృష్టి రంగంలో అనేక సమస్యలకు లోతైన నాడీ నెట్వర్క్ నమూనాలను శిక్షణ ఇవ్వడానికి భారీ మొత్తంలో డేటాసెట్ అవసరమని అందరికీ తెలుసు. |
7c1cdcbdd30163f3d7fd9789e42c4a37eb2f7f04 | వెబ్ శోధనలో, వినియోగదారుల ప్రశ్నలు కొన్ని పదాలను మాత్రమే ఉపయోగించి రూపొందించబడతాయి మరియు సంబంధిత పత్రాలను తిరిగి పొందడంలో పద-సరిపోలిక రిట్రీవల్ ఫంక్షన్లు విఫలమవుతాయి. వినియోగదారు ప్రశ్నకు, ప్రశ్న విస్తరణ (QE) యొక్క సాంకేతికత సంబంధిత పత్రాలను తిరిగి పొందే సంభావ్యతను పెంచే సంబంధిత పదాలను ఎంచుకోవడం. అటువంటి విస్తరణ పదాలను ఎంచుకోవడం సవాలుగా ఉంటుంది మరియు సంక్లిష్టమైన అర్థ సంబంధాలను ఎన్కోడ్ చేయగల కంప్యూటరల్ ఫ్రేమ్వర్క్ అవసరం. ఈ వ్యాసంలో, పదాలు మరియు పదబంధాల యొక్క అర్థ ప్రాతినిధ్యాలను పర్యవేక్షించబడిన పద్ధతిలో నేర్చుకోవడానికి ఒక కొత్త పద్ధతిని మేము ప్రతిపాదించాము. ప్రత్యేకమైన మాతృకలలో ప్రశ్నలు మరియు పత్రాలను పొందుపరచడం ద్వారా, మా నమూనా ఒక వెక్టర్ ప్రాతినిధ్యాన్ని అవలంబించే ఇప్పటికే ఉన్న విధానాలకు సంబంధించి పెరిగిన ప్రాతినిధ్య శక్తిని కలిగి ఉంటుంది. మా నమూనా అధిక నాణ్యత గల ప్రశ్న విస్తరణ పదాలను ఉత్పత్తి చేస్తుందని మేము చూపిస్తాము. మా విస్తరణ IR చర్యలను ప్రస్తుత వర్డ్-ఎంబెడెడ్ మోడల్స్ మరియు బాగా స్థిరపడిన సాంప్రదాయ క్యూఇ పద్ధతుల నుండి విస్తరణకు మించి పెంచుతుంది. |
8d4d06159413e1bb65ef218b4c78664d84a9b3c3 | మొబైల్ ఫోన్ల కోసం ఆండ్రాయిడ్ ఆపరేటింగ్ సిస్టమ్ ఇంకా చాలా కొత్తగా ఉంది, ఇది మార్కెట్ వాటాను వేగంగా పొందుతోంది, డజన్ల కొద్దీ స్మార్ట్ఫోన్లు మరియు టాబ్లెట్లు విడుదలయ్యాయి లేదా విడుదల కానున్నాయి. ఈ పత్రంలో, ఆండ్రాయిడ్ పరికరాల నుండి అస్థిర భౌతిక మెమరీని సేకరించడానికి మరియు లోతైన విశ్లేషణ కోసం మొదటి పద్దతి మరియు సాధన సమితిని మేము ప్రదర్శిస్తాము. ఆండ్రాయిడ్ మెమరీ యాక్విజిషన్ నిర్వహణలో కొన్ని సవాళ్లను ఈ పత్రం చర్చిస్తుంది, dmd అని పిలువబడే మెమరీని డంపింగ్ చేయడానికి మా కొత్త కెర్నల్ మాడ్యూల్ గురించి చర్చిస్తుంది మరియు ప్రత్యేకంగా పరికర-స్వతంత్ర యాక్విజిషన్ సాధనాలను అభివృద్ధి చేయడంలో ఉన్న ఇబ్బందులను పరిష్కరిస్తుంది. మా సముపార్జన సాధనం ఫోన్ లేదా నెట్వర్క్ ద్వారా SD లోకి మెమరీ డంపింగ్ మద్దతు. కొత్తగా అభివృద్ధి చేసిన వోలటైలిటీ ఫంక్షనల్ ఉపయోగించి మేము కోర్ నిర్మాణాల విశ్లేషణను కూడా అందిస్తున్నాము. ఈ పని ఫలితాలు డిజిటల్ ఫోరెన్సిక్ పరిశోధకులకు లోతైన జ్ఞాపకశక్తి విశ్లేషణ అందించే సామర్థ్యాన్ని వివరిస్తాయి. a 2011 ఎల్సెవియర్ లిమిటెడ్. అన్ని హక్కులూ ప్రత్యేకించుకోవడమైనది. |
8db37013b0b3315badaa7190d4c3af9ec56ab278 | ఐఫోన్ 6 విడుదల కాలంలో ఐఓఎస్ మార్కెట్ వాటా పెరిగినప్పటికీ స్మార్ట్ఫోన్ మార్కెట్లో ఆండ్రాయిడ్ ఆధిపత్య OS గా కొనసాగుతోంది. వివిధ రకాల ఆండ్రాయిడ్ స్మార్ట్ ఫోన్లు మార్కెట్లోకి రావడం వల్ల డేటా సేకరణ, విశ్లేషణ పరీక్షల కోసం ఫోరెన్సిక్ అధ్యయనాలు జరుగుతున్నాయి. అయితే, కొత్త ఆండ్రాయిడ్ సెక్యూరిటీ టెక్నాలజీలను ఉపయోగించడం వల్ల, ప్రస్తుత ఫోరెన్సిక్ పద్ధతులను ఉపయోగించి డేటాను సేకరించడం మరింత కష్టమైంది. ఈ సమస్యను పరిష్కరించడానికి, ఆండ్రాయిడ్ స్మార్ట్ఫోన్ల ఫర్మ్వేర్ అప్డేట్ ప్రోటోకాల్లను విశ్లేషించడం ఆధారంగా కొత్త సముపార్జన పద్ధతిని మేము ప్రతిపాదించాము. బూట్ లోడర్ లో ఫర్మ్వేర్ అప్డేట్ ప్రోటోకాల్ ను రివర్స్ ఇంజనీరింగ్ చేయడం ద్వారా ఫ్లాష్ మెమరీ రీడ్ కమాండ్ ను ఉపయోగించి ఆండ్రాయిడ్ స్మార్ట్ ఫోన్ ల యొక్క భౌతిక సముపార్జన సాధించవచ్చు. స్క్రీన్ లాక్ స్మార్ట్ ఫోన్ లతో (యుఎస్ బి డీబగ్గింగ్ డిసేబుల్) సమగ్రత హామీ, సముపార్జన వేగం, మరియు భౌతిక డంప్ ల పరంగా ప్రస్తుత ఫోరెన్సిక్ పద్ధతుల కంటే ప్రతిపాదిత పద్ధతి మెరుగైనదని మా ప్రయోగాత్మక ఫలితాలు చూపిస్తున్నాయి. © 2015 రచయితలు. DFRWS తరఫున ఎల్సెవియర్ లిమిటెడ్ ప్రచురించింది. ఇది CCBY-NC-ND లైసెన్సు (http://creativecommons.org/licenses/by-nc-nd/4.0/) క్రింద ఓపెన్ యాక్సెస్ ఆర్టికల్. |
34f3955cb11db849789f7fbc78eb3cb347dd573d | |
4ef973984a8ea481edf74e0d2074e19d0389e76b | ఒకే గ్రే-స్కేల్ చిత్రాలలో తెలియని దృక్కోణాల నుండి త్రిమితీయ వస్తువులను గుర్తించగల కంప్యూటర్ విజన్ వ్యవస్థ అమలు చేయబడింది. ఇతర విధానాల మాదిరిగా కాకుండా, దృశ్య ఇన్పుట్ నుండి దిగువ నుండి పైకి లోతు సమాచారాన్ని పునర్నిర్మించడానికి ఎటువంటి ప్రయత్నం లేకుండా గుర్తింపు సాధించబడుతుంది. దీనికి బదులు, రెండు-డైమెన్షనల్ ఇమేజ్ మరియు త్రిమితీయ వస్తువుల జ్ఞానం మధ్య అంతరాన్ని పూడ్చగల మూడు ఇతర యంత్రాంగాలు ఉపయోగించబడతాయి. మొదట, విస్తృత దృక్పథాలలో మార్పులేనిదిగా ఉండే చిత్రంలో సమూహాలు మరియు నిర్మాణాలను రూపొందించడానికి అవగాహన సంస్థ యొక్క ప్రక్రియ ఉపయోగించబడుతుంది. రెండవది, మోడల్ ఆధారిత సరిపోలిక సమయంలో శోధన స్థలం యొక్క పరిమాణాన్ని తగ్గించడానికి సంభావ్యత ర్యాంకింగ్ పద్ధతి ఉపయోగించబడుతుంది. చివరగా, ఒక ప్రాదేశిక అనుగుణ్యత ప్రక్రియ తెలియని దృక్కోణం మరియు నమూనా పారామితులను పరిష్కరించడం ద్వారా త్రిమితీయ నమూనాల ప్రొజెక్షన్లను చిత్రంతో ప్రత్యక్ష అనుగుణ్యతలోకి తెస్తుంది. అడ్డుపడటం మరియు తప్పిపోయిన డేటా ఉన్నప్పటికీ అధిక స్థాయిలో దృఢత్వాన్ని వీక్షణ పాయింట్ స్థిరత్వం పరిమితిని పూర్తిగా ఉపయోగించడం ద్వారా సాధించవచ్చు. ఇలాంటి యంత్రాంగాలు మరియు పరిమితులు మానవ దృష్టిలో గుర్తింపుకు ఆధారం అని వాదించారు. ఈ పత్రం ఆర్టిఫిషియల్ ఇంటెలిజెన్స్, 31, 3 (మార్చి 1987), పేజిలలో ప్రచురించబడింది. 355-395 వరకు. |
37de340b2a26a94a0e1db02a155cacb33c10c746 | 150 MHz నుండి 2000 MHz వరకు -6 dB బ్యాండ్విడ్త్ కలిగిన ఒక వివాల్డి ఫ్లెక్సిబుల్ యాంటెన్నా ప్రవేశపెట్టబడింది. యాంటెన్నా 60×60 సెం. మీ. చదరపు సిలికాన్ ఉపరితలంపై తయారు చేయబడింది. ఈ వ్యాసంలో, ఈ విస్తృత బ్యాండ్ మరియు డైరెక్టివ్ యాంటెన్నా యొక్క రూపకల్పన, అమలు మరియు పనితీరును మేము ప్రదర్శిస్తాము. ప్రతిపాదిత నిర్మాణం తేలికైనది, సులభంగా అమలు చేయబడుతుంది మరియు దీనికి అనుగుణమైన నెట్వర్క్ అవసరం లేదు. గ్యాస్ బ్యాలన్ నుంచి వచ్చే సిగ్నల్ మూలాల రేడియో-స్థానికీకరణ ఈ అప్లికేషన్ యొక్క లక్ష్యం. ఆరు యాంటెన్నాలు బ్యాలన్ దిగువ భాగంలో అమర్చబడి ఉంటాయి. బ్యాలన్ స్థిరీకరణకు ఉపయోగపడే ఒక కేబుల్ ద్వారా సమాచారాన్ని తిరిగి పొందవచ్చు. |
407cf7a598d69c7802d16ada79d25e3c59275c9b | పెద్ద ఎత్తున వైర్లెస్ సెన్సార్ నెట్వర్క్ (WSN) ను ఇంటర్నెట్లో పూర్తిగా చేర్చడం ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT) లేదా సైబర్ ఫిజికల్ సిస్టమ్ (CPS) యొక్క ప్రధాన భాగంగా ఉండటం వలన, IoT / CPS తో వచ్చే వివిధ భద్రతా సవాళ్లను పరిగణనలోకి తీసుకోవడం అవసరం, హానికరమైన దాడులను గుర్తించడం వంటివి. సెన్సార్లు లేదా సెన్సార్ ఎంబెడెడ్ విషయాలు 6LoWPAN ప్రోటోకాల్ ఉపయోగించి ఒకదానితో ఒకటి ప్రత్యక్ష కమ్యూనికేషన్ను ఏర్పాటు చేయగలవు. హానికరమైన నోడ్ దాడులకు వ్యతిరేకంగా IoT / CPS లో పెద్ద పంపిణీ చేయబడిన సెన్సార్ నెట్వర్క్లను రక్షించడానికి ట్రస్ట్ మరియు కీర్తి నమూనా ఒక ముఖ్యమైన విధానంగా గుర్తించబడింది, ఎందుకంటే ట్రస్ట్ ఎస్టాబ్లిష్మెంట్ మెకానిజాలు పంపిణీ చేయబడిన కంప్యూటింగ్ మరియు కమ్యూనికేషన్ ఎంటిటీల మధ్య సహకారాన్ని ప్రేరేపించగలవు, నమ్మదగని ఎంటిటీలను గుర్తించడాన్ని సులభతరం చేస్తాయి మరియు వివిధ ప్రోటోకాల్ల నిర్ణయం తీసుకునే ప్రక్రియకు సహాయపడతాయి. ఈ పత్రంలో, ట్రస్ట్ స్థాపన ప్రక్రియ యొక్క లోతైన అవగాహన మరియు ట్రస్ట్ స్థాపన పద్ధతుల మధ్య పరిమాణాత్మక పోలిక ఆధారంగా, మేము వారి ప్రవర్తనల ఆధారంగా IoT / CPS నెట్వర్క్లోని విషయాల మధ్య సహకారాన్ని అమలు చేయడానికి ట్రస్ట్ మరియు కీర్తి నమూనా TRM-IoT ను ప్రదర్శిస్తాము. ప్రతిపాదిత నమూనా యొక్క ఖచ్చితత్వం, దృఢత్వం మరియు తేలికను విస్తృత సిమ్యులేషన్ల ద్వారా ధృవీకరించారు. |
e11f9ca6e574c779bdf0a868c368e5b1567a1517 | కృత్రిమ మేధస్సు సాధనకు నేర్చుకోవడం ఒక ముఖ్యమైన దిశగా అవతరించింది. దీనిని స్వీకరించడానికి ప్రధానమైన రెండు అడ్డంకులు పెద్ద సమస్యలకు స్కేల్ చేయలేకపోవడం మరియు కొత్త పనులకు సాధారణీకరించే పరిమిత సామర్థ్యం. కొత్త పనులకు బాగా సాధారణీకరణ చేసే ఒక నేర్చుకున్న గ్రేడియంట్ దిగువ ఆప్టిమైజర్ను పరిచయం చేస్తున్నాము, మరియు ఇది మెమరీ మరియు కంప్యూటింగ్ ఓవర్ హెడ్ను గణనీయంగా తగ్గించింది. కనీస పారామితి ఓవర్ హెడ్ తో, ఆప్టిమైజేషన్ పనుల యొక్క తెలిసిన నిర్మాణాన్ని ప్రతిబింబించే అదనపు నిర్మాణ లక్షణాలతో విస్తరించిన ఒక నవల శ్రేణి RNN నిర్మాణాన్ని ప్రవేశపెట్టడం ద్వారా మేము దీనిని సాధిస్తాము. మేము కూడా ఒక మెటా-శిక్షణ సమూహాన్ని అభివృద్ధి చేస్తాము చిన్న, విభిన్న ఆప్టిమైజేషన్ పనులు నష్టం ప్రకృతి దృశ్యాల యొక్క సాధారణ లక్షణాలను సంగ్రహించడం. ఈ కార్పస్ లోని సమస్యలపై RMSProp/ADAM ను అధిగమించడానికి ఆప్టిమైజర్ నేర్చుకుంటుంది. మరింత ముఖ్యమైనది, దాని మెటా-ట్రైనింగ్ సెట్లో ఏ న్యూరల్ నెట్వర్క్లను చూడనప్పటికీ, చిన్న కన్వల్షనల్ న్యూరల్ నెట్వర్క్లకు వర్తించినప్పుడు ఇది పోల్చదగిన లేదా మెరుగైన పనితీరును కలిగి ఉంటుంది. చివరగా, ఇది వేలాది దశల కోసం ఇమేజ్నెట్ డేటాసెట్లో ఇన్సెప్షన్ V3 మరియు రెస్నెట్ V2 ఆర్కిటెక్చర్లను శిక్షణ ఇవ్వడానికి సాధారణీకరణ చేస్తుంది, ఇది శిక్షణ పొందిన వాటి కంటే చాలా భిన్నమైన స్కేల్ యొక్క ఆప్టిమైజేషన్ సమస్యలు. మేము మెటా-శిక్షణ అల్గోరిథం యొక్క ఓపెన్ సోర్స్ అమలును విడుదల చేస్తున్నాము. |
0458cec30079a53a2b7726a14f5dd826b9b39bfd | రోబోట్లు రోజువారీ పని ప్రదేశాలలో మానవులతో సహకరించడం ప్రారంభించినప్పుడు, వారు సాధనాలు మరియు వాటి భాగాల విధులను అర్థం చేసుకోవాలి. ఒక ఆపిల్ లేదా ఒక గోరును కత్తిరించడానికి, రోబోట్లు సాధనం పేరును తెలుసుకోవడమే కాదు, సాధనం యొక్క భాగాలను గుర్తించి వాటి పనితీరును గుర్తించాలి. సహజంగానే, ఒక భాగం యొక్క జ్యామితి దాని సాధ్యమైన విధులు లేదా దాని అఫోర్డెన్సీలతో దగ్గరి సంబంధం కలిగి ఉంటుంది. అందువల్ల, స్థానిక ఆకారం మరియు జ్యామితి ఆదిమాల నుండి లభ్యతను నేర్చుకోవడానికి మేము రెండు విధానాలను ప్రతిపాదించాముః 1) సూపర్ పిక్సెల్ ఆధారిత అధికార మ్యాచింగ్ సాధన (S-HMP); మరియు 2) నిర్మాణాత్మక యాదృచ్ఛిక అడవులు (SRF). అంతేకాకుండా, ఒక భాగాన్ని అనేక విధాలుగా ఉపయోగించుకోవచ్చు కాబట్టి, మేము ఒక పెద్ద RGB-Depth డేటాసెట్ను పరిచయం చేస్తున్నాము, ఇక్కడ సాధన భాగాలు బహుళ అఫోర్డెన్సులతో మరియు వాటి సంబంధిత ర్యాంకింగ్లతో లేబుల్ చేయబడతాయి. ర్యాంక్డ్ అఫోర్డెన్సెస్ తో, మేము 3 అస్తవ్యస్తమైన దృశ్యాలు మరియు 105 కి పైగా వంటగది, వర్క్షాప్ మరియు తోట ఉపకరణాలపై ప్రతిపాదిత పద్ధతులను అంచనా వేస్తాము, ర్యాంక్డ్ సహసంబంధం మరియు బరువున్న ఎఫ్-మెజర్ స్కోర్ [26]. అస్తవ్యస్తత, అడ్డుపడటం, మరియు దృక్కోణ మార్పులు కలిగిన శ్రేణుల పై ప్రయోగాత్మక ఫలితాలు, ఈ విధానాలు ఒక రోబోట్ ఉపయోగించగల ఖచ్చితమైన అంచనాలను తిరిగి ఇస్తాయని చూపిస్తున్నాయి. ఎస్-హెచ్ఎంపి అధిక ఖచ్చితత్వాన్ని సాధిస్తుంది, అయితే గణనీయమైన గణన వ్యయంతో, ఎస్ఆర్ఎఫ్ కొద్దిగా తక్కువ ఖచ్చితమైన అంచనాలను అందిస్తుంది, అయితే నిజ సమయంలో. చివరగా, మేము మా విధానాల ప్రభావాన్ని ధృవీకరిస్తాము కార్నెల్ గ్రాస్పింగ్ డేటాసెట్ [25] పట్టుకోగల ప్రాంతాలను గుర్తించడానికి మరియు అత్యాధునిక పనితీరును సాధించడానికి. |
e0398ab99daa5236720cd1d91e5b150985aac4f3 | మేము ఒక ఆహార అంచనా వ్యవస్థను అభివృద్ధి చేస్తున్నాము, ఇది రోజువారీ ఆహార తీసుకోవడం ద్వారా ఆహార చిత్రాలను ఉపయోగించి ఒక భోజనం వద్ద తీయబడుతుంది. ఆహారంలో ఉన్న పోషకాలను సేకరించేందుకు ఆహార చిత్రాలను విశ్లేషిస్తారు. ఈ వ్యాసంలో, ఒక నిర్దిష్ట ఆహార పదార్థం ఉన్న ప్రాంతాలను గుర్తించడానికి (ఇమేజ్ సెగ్మెంటేషన్), ఆహార రకాన్ని గుర్తించడానికి (ఫీచర్ క్లాసిఫికేషన్) మరియు ఆహార పదార్థం యొక్క బరువును అంచనా వేయడానికి (బరువు అంచనా) చిత్ర విశ్లేషణ సాధనాలను మేము వివరిస్తాము. ఆహార విభాగీకరణ మరియు గుర్తింపు ఖచ్చితత్వాన్ని మెరుగుపరచడానికి ఒక చిత్ర విభజన మరియు వర్గీకరణ వ్యవస్థ ప్రతిపాదించబడింది. అప్పుడు మేము ఆహార బరువు అంచనా పోషక పదార్థాలు పదార్థం సారం ఒకే చిత్రం నుండి సాధారణ ఆకారాలు ఆహారాలు కోసం ఒక ఆకారం టెంప్లేట్ ఉపయోగించి మరియు ప్రాంతం ఆధారిత బరువు అంచనా క్రమరహిత ఆకారాలు ఆహారాలు కోసం. |
ab2a41722ee1f2b26575080238ba25f7173a6ae2 | 2.24 w పవర్ యాంప్లిఫైయర్ (PA) మాడ్యూల్ 35 GHz వద్ద బ్రాడ్బ్యాండ్ స్పేషియల్ పవర్ కాంబినింగ్ సిస్టమ్ ఉపయోగించి ప్రదర్శించబడింది. కా-బ్యాండ్ వేవ్ గైడ్ నిర్మాణంలో పరిమిత మైక్రోస్ట్రిప్ స్థలంలో స్టెగర్ ప్లేస్మెంట్ నిర్మాణంతో కూడిన మరింత మోనోలిథిక్ మైక్రోవేవ్ ఇంటిగ్రేటెడ్-సర్క్యూట్ (MMIC) PA ని మంచి రిటర్న్ నష్టాలతో కలపవచ్చు మరియు వేడి త్వరగా అల్యూమినియం క్యారియర్లోకి చెదరగొట్టబడుతుంది. ఈ కంబైనర్ స్లాట్లైన్ నుండి మైక్రోస్ట్రిప్ పరివర్తన నిర్మాణంపై ఆధారపడి ఉంటుంది, ఇది నాలుగు-మార్గం శక్తి కంబైనర్గా కూడా పనిచేస్తుంది. వేవ్ గైడ్ లోపల నిలువుగా స్టాకింగ్ ద్వారా కలిపి ప్రతిపాదిత 2 * 2 కలపడం నిర్మాణం విశ్లేషించారు మరియు ఫైనైట్ ఎలిమెంట్ పద్ధతి (FEM) అనుకరణలు మరియు ప్రయోగాలు ద్వారా ఆప్టిమైజ్ చేశారు. |
fa9c7e3c6d55175de25bea79ba66ef91607f3920 | అధిక శక్తి ఘన స్థితి శక్తి యాంప్లిఫైయర్లకు అధిక సామర్థ్యం గల శక్తి విభజన/కలయిక నిర్మాణం అవసరం, తద్వారా శక్తి నష్టం సాధ్యమైనంత తక్కువగా ఉంటుంది. డివైడర్/కంబైనర్ యొక్క హీట్ సింక్ సామర్థ్యం కూడా దాని గరిష్ట అవుట్పుట్ శక్తిని నిరంతర వేవ్ (CW) కాన్ఫిగరేషన్తో పరిమితం చేస్తుంది. ఈ పత్రంలో, మేము ఒక నవల 8-వే Ku బ్యాండ్ పవర్ డివైడర్ / కాంబినర్ వ్యవస్థను పరిచయం చేస్తున్నాము, ఇది తక్కువ నష్టం, బ్రాడ్బ్యాండ్ మరియు మంచి హీట్ సింక్ సామర్థ్యం యొక్క ప్రయోజనాలను ఏకకాలంలో ప్రదర్శిస్తుంది. దీని ఉప భాగాలుగా, వేవ్ గైడ్ నుండి మైక్రో స్ట్రిప్ పరివర్తన కోసం తక్కువ నష్టం ప్రోబ్స్ మరియు తక్కువ నష్టం బ్రాడ్బ్యాండ్ 1-నుండి-2 పవర్ కాంబినేటర్లు రూపొందించబడ్డాయి మరియు తయారు చేయబడ్డాయి. మొత్తం 8 మార్గాల శక్తి కలయిక యొక్క కొలిచిన బ్యాక్-టు-బ్యాక్ ఇన్సర్ట్ నష్టం మొత్తం Ku బ్యాండ్లో 0.5dB కన్నా తక్కువగా ఉంటుంది మరియు సంబంధిత కలపడం సామర్థ్యం 94.5% వరకు ఉంటుంది. సిస్టమ్ యొక్క అనుకరణ ఉష్ణ నిరోధకత 0.21°C/W వరకు తక్కువగా ఉంటుంది, ఇది ప్రతిపాదిత పవర్ కాంబినర్ వాణిజ్యపరంగా లభించే మోనోలిథిక్ మైక్రోవేవ్ ఇంటిగ్రేటెడ్ సర్క్యూట్లతో (MMIC లు) 50W CW అవుట్పుట్ శక్తిని ఉత్పత్తి చేయగలదని సూచిస్తుంది. |
c5695d4104e245ad54d3fe8e4ad33e65970c2d6a | ఈ వ్యాసంలో AD5933 సర్క్యూట్ ఆధారంగా ఇంపెడెన్స్ కొలిచే ఒక వ్యవస్థను పరిచయం చేశారు. 1 kHz ÷ 100 kHz ఫ్రీక్వెన్సీ పరిధికి 9 Ω మరియు 18 MΩ మధ్య ఇంపెడెన్స్ కొలత పరిధి ఉంటుంది. ఈ కొలత పరిధిని విస్తరించే అవకాశాలు కూడా ఈ పత్రంలో ఇవ్వబడ్డాయి. వ్యవస్థ యొక్క అమరిక ఆటోమేటిక్ గా ఉంటుంది మరియు ఇంపెడెన్స్ మాడ్యూల్ కొలత యొక్క సాపేక్ష లోపం ±2% పరిధిలో ఉంటుంది. కొలిచిన ఇంపెడెన్స్ ప్రధాన పారామితులు స్థానికంగా OLED డిస్ప్లేలో ప్రదర్శించబడతాయి, అయితే తదుపరి ప్రాసెసింగ్ కోసం SD మెమరీ కార్డ్లో కూడా నిల్వ చేయవచ్చు. ఈ వ్యవస్థ పోర్టబుల్, మాడ్యులర్ మరియు పెద్ద సంఖ్యలో అనువర్తనాలకు అనుగుణంగా ఉంటుంది. |
1df5051913989b441e7df2ddc00aa8c3ab5960d0 | మొబైల్ పరికరాలు ఇటీవలి సంవత్సరాలలో అత్యంత విఘాతకర సాంకేతిక పరిజ్ఞానాలలో ఒకటిగా ఉన్నాయి, విస్తృత శ్రేణి వ్యక్తుల రోజువారీ జీవితంలో మరింత వ్యాప్తి చెందుతున్నాయి మరియు విజయం సాధిస్తున్నాయి. దురదృష్టవశాత్తు, నేర కార్యకలాపాలలో ముడిపడి ఉన్న మొబైల్ పరికరాల సంఖ్య గణనీయంగా పెరుగుతున్నప్పటికీ, సాంకేతిక మరియు పద్దతిపరమైన సమస్యల కారణంగా, అటువంటి పరికరాల ఫోరెన్సిక్ విశ్లేషణను నిర్వహించే సామర్థ్యం పరిమితం చేయబడింది. ఈ వ్యాసంలో, మొబైల్ పరికరాలకు వర్తించే యాంటీ ఫోరెన్సిక్ పద్ధతులపై దృష్టి పెడతాము, ఆండ్రాయిడ్ పరికరాలకు ఇటువంటి పద్ధతుల యొక్క పూర్తిగా ఆటోమేటెడ్ ఉదాహరణలను ప్రదర్శిస్తాము. అంతేకాకుండా, ఈ పద్ధతుల యొక్క ప్రభావమును, యంత్రమును మరియు కొన్ని సాధనములను పరిశీలించి పరీక్షించాము. 2010 డిజిటల్ ఫోరెన్సిక్ రీసెర్చ్ వర్క్ షాప్. ప్రచురించిన ఎల్సెవియర్ లిమిటెడ్. అన్ని హక్కులూ ప్రత్యేకించుకోవడమైనది. |
93083f4225ea62b3733a76fc64f9991ed5fd6878 | సన్నిహిత సంబంధాలున్న భాషలను వేరుచేయడంపై VarDial 4 భాగస్వామ్య పనిలో మా భాగస్వామ్యం యొక్క ఫలితాలను మేము ప్రదర్శిస్తాము. సరళ మద్దతు వెక్టర్ యంత్రాలు (SVM లు) మరియు న్యూరల్ నెట్వర్క్ (NN) ను ఉపయోగించి మా సమర్పణలో సాధారణ సాంప్రదాయ నమూనాలు ఉన్నాయి. భాషా సమూహాల సమాచారాన్ని ఉపయోగించుకోవడమే దీని ప్రధాన ఉద్దేశం. మేము దీన్ని రెండు-పొరల విధానంతో సాంప్రదాయ నమూనాలో మరియు న్యూరల్ నెట్వర్క్లో బహుళ-పని లక్ష్యం. మా ఫలితాలు మునుపటి ఫలితాలను ధృవీకరిస్తున్నాయి: ఈ పని కోసం సాధారణ సాంప్రదాయ నమూనాలు నిరంతరం న్యూరల్ నెట్వర్క్లను అధిగమిస్తాయి, కనీసం అందుబాటులో ఉన్న సమయంలో మేము పరిశీలించగల వ్యవస్థల సంఖ్యను బట్టి. మా రెండు పొరల లీనియర్ ఎస్ వి ఎం షేర్డ్ టాస్క్ లో 2వ స్థానంలో నిలిచింది. |
4fa0d9c4c3d17458085ee255b7a4b7c325d59e32 | DBpedia కమ్యూనిటీ ప్రాజెక్ట్ వికీపీడియా నుండి నిర్మాణాత్మక, బహుభాషా జ్ఞానాన్ని సంగ్రహిస్తుంది మరియు సెమాంటిక్ వెబ్ మరియు లింక్డ్ డేటా టెక్నాలజీలను ఉపయోగించి వెబ్లో ఉచితంగా అందుబాటులో ఉంచుతుంది. ఈ ప్రాజెక్టు వికీపీడియా యొక్క 111 వేర్వేరు భాషా సంచికల నుండి జ్ఞానాన్ని సంగ్రహిస్తుంది. వికీపీడియా ఆంగ్ల సంచిక నుండి సేకరించిన అతిపెద్ద DBpedia జ్ఞాన ఆధారం 400 మిలియన్లకు పైగా వాస్తవాలను కలిగి ఉంది, ఇది 3.7 మిలియన్ విషయాలను వివరిస్తుంది. ఇతర 110 వికీపీడియా సంచికల నుండి సేకరించిన DBpedia జ్ఞాన స్థావరాలు 1.46 బిలియన్ వాస్తవాలను కలిగి ఉన్నాయి మరియు 10 మిలియన్ అదనపు విషయాలను వివరిస్తాయి. DBpedia ప్రాజెక్ట్ వికీపీడియా ఇన్ఫోబాక్స్లను 27 వేర్వేరు భాషా ఎడిషన్ల నుండి 320 తరగతులు మరియు 1,650 లక్షణాలతో కూడిన ఒకే భాగస్వామ్య ఆంథాలజీకి మ్యాప్ చేస్తుంది. ప్రపంచవ్యాప్తంగా క్రౌడ్ సోర్సింగ్ ప్రయత్నం ద్వారా మ్యాపింగ్లు సృష్టించబడతాయి మరియు వివిధ వికీపీడియా ఎడిషన్ల నుండి జ్ఞానాన్ని కలపడానికి వీలు కల్పిస్తాయి. ఈ ప్రాజెక్టు డౌన్లోడ్ కోసం అన్ని DBpedia జ్ఞాన స్థావరాల విడుదలలను ప్రచురిస్తుంది మరియు స్థానిక DBpedia అధ్యాయాల ప్రపంచ నెట్వర్క్ ద్వారా 111 భాషా ఎడిషన్లలో 14 కి SPARQL ప్రశ్న ప్రాప్యతను అందిస్తుంది. సాధారణ విడుదలలతో పాటు, వికీపీడియాలో ఒక పేజీ మారినప్పుడు నవీకరించబడే లైవ్ నాలెడ్జ్ బేస్ను ప్రాజెక్ట్ నిర్వహిస్తుంది. DBpedia 27 మిలియన్ RDF లింకులను 30 కి పైగా బాహ్య డేటా వనరులకు సూచిస్తుంది మరియు ఈ వనరుల నుండి డేటాను DBpedia డేటాతో కలిసి ఉపయోగించడానికి వీలు కల్పిస్తుంది. వెబ్లో అనేక వందల డేటా సమితులు DBpedia కి సూచించే RDF లింక్లను ప్రచురిస్తాయి మరియు లింక్డ్ ఓపెన్ డేటా (LOD) క్లౌడ్లో DBpedia ను కేంద్ర ఇంటర్లింకింగ్ హబ్లలో ఒకటిగా చేస్తాయి. ఈ సిస్టమ్ రిపోర్టులో, DBpedia కమ్యూనిటీ ప్రాజెక్ట్ యొక్క ఆర్కిటెక్చర్, సాంకేతిక అమలు, నిర్వహణ, అంతర్జాతీయీకరణ, వినియోగ గణాంకాలు మరియు అనువర్తనాలతో సహా ఒక అవలోకనాన్ని మేము అందిస్తున్నాము. |
1c2dbbc5268eff6c78f581b8fc7c649d40b60538 | సెమాంటిక్ వెబ్ ఇటీవల పెద్ద జ్ఞాన స్థావరాల (DBpedia వంటివి) పెరుగుదలను చూసింది, ఇవి SPARQL ఎండ్ పాయింట్ల ద్వారా ఉచితంగా అందుబాటులో ఉన్నాయి. ఇందులో ఉన్న సమాచారం యొక్క నిర్మాణాత్మక ప్రాతినిధ్యం దాని యాక్సెస్ మరియు ప్రశ్నల మార్గంలో కొత్త అవకాశాలను తెరుస్తుంది. ఈ వ్యాసంలో, రెండు ఆసక్తికర వస్తువుల మధ్య సంబంధాలను కవర్ చేసే గ్రాఫ్ను సంగ్రహించే ఒక విధానాన్ని మేము ప్రదర్శిస్తాము. ఈ గ్రాఫ్ యొక్క ఇంటరాక్టివ్ విజువలైజేషన్ను మేము చూపిస్తాము, ఇది హైలైట్ చేయడం, ప్రివ్యూ చేయడం మరియు ఫిల్టర్ చేసే లక్షణాలను అందించడం ద్వారా కనుగొనబడిన సంబంధాల యొక్క క్రమబద్ధమైన విశ్లేషణకు మద్దతు ఇస్తుంది. |
4b9a9fb54b3451e4212e298053f81f0cd49d70a2 | స్మార్ట్ ఫోన్ల పరిణామం, పెరుగుతున్న కంప్యూటింగ్ శక్తితో పాటు, ఏ పరిస్థితిలోనైనా మరియు ఏ ప్రదేశంలోనైనా వినియోగదారు సంబంధిత సామాజిక మరియు అభిజ్ఞా కార్యకలాపాలను గుర్తించడానికి వినూత్న సందర్భ-అవగాహన అనువర్తనాలను సృష్టించడానికి డెవలపర్లకు అధికారం ఇచ్చింది. సందర్భం యొక్క ఉనికి మరియు అవగాహన మొబైల్ పరికరం వినియోగదారుల చుట్టూ ఉన్న భౌతిక వాతావరణాలు లేదా పరిస్థితుల గురించి తెలుసుకోవటానికి సామర్థ్యాన్ని అందిస్తుంది. ఈ అవగాహన ఆధారంగా నెట్వర్క్ సేవలు ముందుగానే మరియు తెలివిగా స్పందించడానికి ఇది అనుమతిస్తుంది. సందర్భ-అవగాహన అనువర్తనాల వెనుక ఉన్న ముఖ్య ఆలోచన ఏమిటంటే, స్మార్ట్ నెట్వర్క్ను సృష్టించడం ద్వారా పెద్ద ఎత్తున సమాజ ఉపయోగం కోసం స్థానిక ఇంద్రియ జ్ఞానాన్ని సేకరించడానికి, విశ్లేషించడానికి మరియు పంచుకోవడానికి వినియోగదారులను ప్రోత్సహించడం. కావలసిన నెట్వర్క్ పర్యావరణ వస్తువులను నడపడానికి స్వతంత్ర తార్కిక నిర్ణయాలు తీసుకోగలదు మరియు వ్యక్తులకు కూడా సహాయపడుతుంది. అయితే, అనేక బహిరంగ సవాళ్లు మిగిలి ఉన్నాయి, ఇవి ఎక్కువగా మొబైల్ పరికరాల్లో అందించే మిడిల్వేర్ సేవలకు శక్తి, మెమరీ మరియు బ్యాండ్విడ్త్ పరంగా పరిమిత వనరులు ఉన్నాయి. అందువల్ల, లోపాలను ఎలా వివరించాలో మరియు పరిష్కరించవచ్చో అధ్యయనం చేయడం చాలా ముఖ్యమైనది మరియు అదే సమయంలో, సందర్భోచిత అవగాహనకి పరిశోధనా సంఘం అందించే అవకాశాలను బాగా అర్థం చేసుకోవడం చాలా ముఖ్యం. ఈ క్రమంలో 1991-2014 మధ్య కాలంలో సాహిత్యంలో ఉన్న అంశాలను ఈ పత్రంలో సమీక్షించడమైంది. కొత్తగా ఆవిర్భవించిన అంశాలు, మొబైల్ ప్లాట్ఫామ్లలో సందర్భోచిత అవగాహన యొక్క అనువర్తనాల గురించి తాజా పరిశోధన, భవిష్యత్ పరిశోధనల దిశలను అందించడం ద్వారా ఈ పత్రం సమగ్రంగా విశ్లేషిస్తుంది. అంతేకాకుండా, ఈ విషయంలో ఎదురయ్యే సవాళ్లను ఇది సూచిస్తుంది మరియు సాధ్యమైన పరిష్కారాలను ప్రతిపాదించడం ద్వారా వాటిని వెలిగిస్తుంది. |
4c65005c8822c3117bd3c3746e3a9b9e17386328 | |
27208c88f07a1ffe97760c12be08fad3ab68fee2 | ముఖ్యంగా, మేము క్రాస్ మోడాలిటీ ఫీచర్ లెర్నింగ్ ను ప్రదర్శిస్తాము, ఇక్కడ ఒక మోడాలిటీ (ఉదా. వీడియో) కోసం మెరుగైన ఫీచర్లు ఫీచర్ లెర్నింగ్ సమయంలో బహుళ మోడాలిటీలు (ఉదా. ఆడియో మరియు వీడియో) ఉంటే నేర్చుకోవచ్చు. అంతేకాకుండా, మోడాలిటీల మధ్య భాగస్వామ్య ప్రాతినిధ్యాన్ని ఎలా నేర్చుకోవాలో మరియు ఒక ప్రత్యేకమైన పనిలో ఎలా అంచనా వేయాలో మేము చూపిస్తాము, ఇక్కడ వర్గీకరణదారుడు ఆడియో-మాత్రమే డేటాతో శిక్షణ పొందుతాడు కాని వీడియో-మాత్రమే డేటాతో పరీక్షించబడ్డాడు మరియు దీనికి విరుద్ధంగా. మేము మా పద్ధతులను CUAVE మరియు AVLetters డేటాసెట్లపై ఆడియో-విజువల్ స్పీచ్ క్లాసిఫికేషన్ టాస్క్తో ధృవీకరిస్తాము, AVLetters పై ఉన్నతమైన దృశ్యమాన ప్రసంగ వర్గీకరణను మరియు సమర్థవంతమైన మల్టీమోడల్ ఫ్యూజన్ను ప్రదర్శిస్తాము. ఒకే మోడాలిటీ (ఉదా. టెక్స్ట్, చిత్రాలు లేదా ఆడియో) కోసం పర్యవేక్షణ లేని ఫీచర్ లెర్నింగ్కు డీప్ నెట్వర్క్లను విజయవంతంగా ఉపయోగించారు. ఈ కృషిలో, మేము బహుళ పద్ధతులపై లక్షణాలను నేర్చుకోవడానికి లోతైన నెట్వర్క్ల యొక్క నవల అనువర్తనాన్ని ప్రతిపాదించాము. ఈ పనులను నిర్వహించడానికి లక్షణాలను నేర్చుకునే లోతైన నెట్వర్క్ను ఎలా శిక్షణ ఇవ్వాలో మేము బహుళ-రూపక అభ్యాసానికి సంబంధించిన పనులను ప్రదర్శిస్తాము. |
21c9dd68b908825e2830b206659ae6dd5c5bfc02 | ఈ మాడ్యూల్ లో ఎంబెడ్ టు కంట్రోల్ (E2C) అనే ఒక పద్ధతిని పరిచయం చేస్తున్నాం. ఇది ముడి పిక్సెల్ చిత్రాల నుండి మోడల్ లెర్నింగ్ మరియు నాన్-లీనియర్ డైనమిక్ సిస్టమ్స్ నియంత్రణకు ఉపయోగపడుతుంది. E2C లో ఒక లోతైన ఉత్పాదక నమూనా ఉంటుంది, ఇది వైవిధ్య ఆటోఎన్కోడర్ల కుటుంబానికి చెందినది, ఇది ఒక అజ్ఞాత స్థలం నుండి ఇమేజ్ ట్రాజెక్టరీలను ఉత్పత్తి చేయడానికి నేర్చుకుంటుంది, దీనిలో డైనమిక్స్ స్థానికంగా సరళంగా ఉండటానికి పరిమితం చేయబడింది. మా నమూనా నేరుగా అజ్ఞాత ప్రదేశంలో సరైన నియంత్రణ సూత్రీకరణ నుండి తీసుకోబడింది, ఇమేజ్ సీక్వెన్స్ యొక్క దీర్ఘకాలిక అంచనాకు మద్దతు ఇస్తుంది మరియు వివిధ రకాల సంక్లిష్ట నియంత్రణ సమస్యలపై బలమైన పనితీరును ప్రదర్శిస్తుంది. |
39b7007e6f3dd0744833f292f07ed77973503bfd | మరింత సంక్లిష్టమైన పనులను పరిష్కరించడానికి సాంప్రదాయ రీన్ఫోర్స్మెంట్ లెర్నింగ్ (ఆర్ఎల్) పద్ధతులను విస్తరించడానికి హైరార్కిక్ రీన్ఫోర్స్మెంట్ లెర్నింగ్ (హెచ్ఆర్ఎల్) ఒక మంచి విధానం. అయితే, ప్రస్తుత హెచ్ఆర్ఎల్ పద్ధతుల్లో ఎక్కువ భాగం ప్రత్యేకమైన పనికి సంబంధించిన రూపకల్పన మరియు విధాన శిక్షణను అవసరం, ఇది వాస్తవ ప్రపంచ దృశ్యాలలో వాటిని వర్తింపజేయడం కష్టతరం చేస్తుంది. ఈ కాగితంలో, ప్రామాణిక RL అల్గోరిథంలకు మించి అదనపు అంచనాలను చేయకుండా, సాధారణమైన HRL అల్గోరిథంలను ఎలా అభివృద్ధి చేయవచ్చో మేము అధ్యయనం చేస్తాము, మరియు సమర్థవంతమైనవి, అవి నిరాడంబరమైన సంఖ్యలో పరస్పర చర్య నమూనాలతో ఉపయోగించబడతాయి, రోబోటిక్ నియంత్రణ వంటి వాస్తవ ప్రపంచ సమస్యలకు వాటిని అనుకూలంగా చేస్తాయి. సాధారణీకరణ కొరకు, మేము ఒక పథకాన్ని అభివృద్ధి చేస్తాము, ఇక్కడ తక్కువ స్థాయి నియంత్రికలు ఉన్నత స్థాయి నియంత్రికలచే స్వయంచాలకంగా నేర్చుకున్న మరియు ప్రతిపాదించిన లక్ష్యాలతో పర్యవేక్షించబడతాయి. సమర్థతకు సంబంధించిన అంశాలను దృష్టిలో ఉంచుకుని, ఉన్నత స్థాయిలోనూ, దిగువ స్థాయిలోనూ శిక్షణను అందించడంలో విధానాలకు వెలుపల ఉన్న అనుభవాన్ని ఉపయోగించాలని మేము ప్రతిపాదించాము. ఇది ఒక పెద్ద సవాలు, ఎందుకంటే తక్కువ స్థాయి ప్రవర్తనలలో మార్పులు ఉన్నత స్థాయి విధానానికి చర్య స్థలాన్ని మారుస్తాయి, మరియు మేము ఈ సవాలును పరిష్కరించడానికి ఒక ఆఫ్-పాలసీ దిద్దుబాటును పరిచయం చేస్తాము. ఇది విధానానికి వెలుపల నమూనా రహిత RL లో ఇటీవలి పురోగతిని ఉపయోగించుకోవడానికి అనుమతిస్తుంది, విధానంలో అల్గోరిథంల కంటే తక్కువ పర్యావరణ పరస్పర చర్యలను ఉపయోగించి ఉన్నత మరియు దిగువ స్థాయి విధానాలను నేర్చుకోవడం. దీని ఫలితంగా వచ్చే హెచ్ఆర్ఎల్ ఏజెంట్ను హెచ్ఐఆర్ఓ అని పిలుస్తాం. ఇది సాధారణంగా ఉపయోగపడేదిగా, నమూనా సామర్థ్యం ఎక్కువగా ఉండేదిగా భావిస్తాం. కొన్ని లక్షల నమూనాల నుంచి నేర్చుకోవడం, అంటే కొన్ని రోజుల నిజ సమయ పరస్పర చర్యతో సమానం అని మా ప్రయోగాలు చూపిస్తున్నాయి. మునుపటి HRL పద్ధతులతో పోల్చి చూస్తే, మా పద్ధతి మునుపటి అత్యాధునిక పద్ధతులను గణనీయంగా అధిగమిస్తుందని మేము కనుగొన్నాము. |
5b44f587c4c7611d04e304fd7fa37648338d0cbf | అధిక-పరిమాణ పరిశీలనలను ఉపయోగించి నిరంతర రాష్ట్ర-చర్య ప్రదేశాలలో డేటా-సమర్థవంతమైన ఉపబల అభ్యాసం (ఆర్ఎల్) పూర్తిగా స్వయంప్రతిపత్త వ్యవస్థలను అభివృద్ధి చేయడంలో కీలకమైన సవాలుగా ఉంది. ఈ సవాలు యొక్క ఒక ముఖ్యమైన ఉదాహరణను పిక్సెల్స్-టు-టార్క్ సమస్యగా పరిగణించాము, ఇక్కడ ఒక RL ఏజెంట్ పిక్సెల్ సమాచారం నుండి మాత్రమే క్లోజ్డ్-లూప్ కంట్రోల్ పాలసీని (టార్క్లు) నేర్చుకుంటుంది. పిక్సెల్ సమాచారం నుండి నేరుగా అటువంటి క్లోజ్డ్-లూప్ విధానాన్ని నేర్చుకునే డేటా-సమర్థవంతమైన, మోడల్ ఆధారిత ఉపబల అభ్యాస అల్గోరిథంను మేము పరిచయం చేస్తున్నాము. ఈ తక్కువ-పరిమాణ లక్షణం స్థలంలో ఒక అంచనా నమూనాతో కలిసి చిత్రాల యొక్క తక్కువ-పరిమాణ లక్షణం పొందుపరచడాన్ని నేర్చుకోవడానికి ఒక లోతైన డైనమిక్ మోడల్ కీలకమైనది. సంయుక్త అభ్యాసం దీర్ఘకాలిక అంచనాల కోసం కీలకం, ఇది క్లోజ్డ్-లూప్ నియంత్రణ కోసం మేము ఉపయోగించే అనుకూల నాన్-లీనియర్ మోడల్ ప్రిడిక్టివ్ కంట్రోల్ స్ట్రాటజీ యొక్క ప్రధాన భాగంలో ఉంది. నిరంతర స్థితులు మరియు చర్యల కోసం అత్యాధునిక RL పద్ధతులతో పోలిస్తే, మా విధానం త్వరగా నేర్చుకుంటుంది, అధిక-పరిమాణ స్థితి ప్రదేశాలకు స్కేల్ చేస్తుంది, తేలికైనది మరియు పిక్సెల్స్ నుండి టార్క్లకు పూర్తిగా స్వయంప్రతిపత్తిగల ఎండ్-టు-ఎండ్ అభ్యాసానికి ఒక ముఖ్యమైన దశ. |
d06ae5effef2922e7ee24a4b0f8274486f0a6523 | స్వీయ నిర్వహణ ప్రశ్నపత్రాన్ని ఉపయోగించి, 149 మంది ప్రతివాదులు ఇటీవల సందర్శించిన దుకాణం లేదా రెస్టారెంట్తో అనుబంధించబడిన సేవా అంశాలను స్కేల్స్లో రేట్ చేశారు, ఇవి ప్రతిస్పందన వర్గాల సంఖ్యలో (2 నుండి 11 వరకు) మరియు వేరే ఆకృతిలో ప్రదర్శించబడిన 101 పాయింట్ల స్కేల్లో మాత్రమే తేడాను కలిగి ఉన్నాయి. విశ్వసనీయత, ప్రామాణికత, మరియు వివక్షత యొక్క అనేక సూచికలపై, రెండు పాయింట్ల, మూడు పాయింట్ల, మరియు నాలుగు పాయింట్ల ప్రమాణాలు సాపేక్షంగా పేలవంగా పనిచేశాయి, మరియు సూచికలు మరింత ప్రతిస్పందన వర్గాలతో ప్రమాణాలకు గణనీయంగా ఎక్కువగా ఉన్నాయి, సుమారు 7. అంతర్గత స్థిరత్వం ప్రమాణాల మధ్య గణనీయంగా తేడా లేదు, కానీ 10 కంటే ఎక్కువ ప్రతిస్పందన వర్గాలతో ప్రమాణాల కోసం పరీక్ష-రీటెస్ట్ విశ్వసనీయత తగ్గుతుంది. ప్రతివాదులు 10 పాయింట్ల స్కేల్కు ఎక్కువ ప్రాధాన్యతనిచ్చారు, తరువాత ఏడు పాయింట్ల మరియు తొమ్మిది పాయింట్ల స్కేల్స్ ఉన్నాయి. పరిశోధన మరియు ఆచరణలో దాని ప్రభావం గురించి చర్చించారు. |
bc93ff646e6f863d885e609db430716d7590338f | నేడు, వాహనదారులు తమ గమ్యస్థానానికి చేరుకోవడానికి GPS ఆధారిత కారు నావిగేషన్ వ్యవస్థలు ప్రధానంగా వాక్ మరియు ఎయిర్ వీక్షణల యొక్క సరళీకృత రహదారి పటాలను ఉపయోగిస్తాయి. అయితే, డ్రైవర్లు తరచుగా సాధారణ 2D వైమానిక మ్యాప్ను వారు వాస్తవ పర్యావరణం నుండి పొందుతున్న దృశ్యమాన ముద్రతో అనుసంధానించడంలో ఇబ్బందులు ఎదుర్కొంటారు, ఇది స్వాభావికంగా గ్రౌండ్-లెవల్ ఆధారితది. అందువల్ల, రాబోయే ట్రాఫిక్ పరిస్థితిని ముందుగానే దృశ్యమానం చేయడానికి భూస్థాయిలో వాస్తవికంగా ఆకృతి కలిగిన 3 డి సిటీ మోడళ్లను అందించడం చాలా ఉపయోగకరంగా ఉంటుంది. ఈ ముందుగా దృశ్యమానం డ్రైవర్ యొక్క భావి భవిష్యత్ దృక్కోణాల నుండి ఇవ్వబడుతుంది కాబట్టి, ఈ తరువాతి అవసరమైన యుక్తిని మరింత సులభంగా అర్థం చేసుకుంటుంది. సర్వేయింగ్ వాహనాల ద్వారా రికార్డ్ చేయబడిన చిత్రాల నుండి 3 డి నగర నమూనాలను పునర్నిర్మించవచ్చు. అయితే, ఈ వాహనాల ద్వారా సేకరించిన చిత్ర పదార్థం యొక్క విస్తారత, వారి ఆచరణాత్మక వినియోగాన్ని నిర్ధారించడానికి దృష్టి అల్గోరిథంలపై తీవ్రమైన డిమాండ్లను పెడుతుంది. అల్గోరిథంలు వీలైనంత వేగంగా ఉండాలి మరియు భవిష్యత్తులో పంపిణీ మరియు దృశ్యమానత కోసం కాంపాక్ట్, మెమరీ సమర్థవంతమైన 3D నగర నమూనాలను కలిగి ఉండాలి. పరిశీలించిన అప్లికేషన్ కోసం, ఇవి విరుద్ధమైన డిమాండ్లు కావు. సరళీకృత జ్యామితి అంచనాలు దృశ్య అల్గోరిథంలను వేగవంతం చేయగలవు, అదే సమయంలో కాంపాక్ట్ జ్యామితి నమూనాలను స్వయంచాలకంగా హామీ ఇస్తాయి. ఈ తత్వశాస్త్రం ఆధారంగా 3 డి కంటెంట్ ను అధిక వేగంతో సృష్టించేందుకు ఒక నవల సిటీ మోడలింగ్ ఫ్రేమ్ వర్క్ ను మేము అందిస్తున్నాము. ఇది కారు నావిగేషన్ మాడ్యూల్స్ ద్వారా ఏదైనా ఊహించదగిన ట్రాఫిక్ పరిస్థితిని ముందుగా దృశ్యమానం చేయడానికి వీలు కల్పిస్తుంది. |
6dc245637d1d7335f50dbab0ee9d8463e7b35a49 | కంటెంట్ బేస్డ్ విజువల్ ఇన్ఫర్మేషన్ రిట్రీవల్ (సిబివిఐఆర్) కోసం ఇండెక్సింగ్ మరియు వర్గీకరణ సాధనాలు వైద్య చిత్ర విశ్లేషణ విశ్వంలోకి చొచ్చుకుపోతున్నాయి. అల్జీమర్స్ వ్యాధి (AD) నిర్ధారణ కోసం ఇటీవల వీటిని పరిశోధించారు. మల్టీమీడియా మైనింగ్ కోసం అభివృద్ధి చేసిన పద్దతులు కొత్త అప్లికేషన్ ప్రాంతంలోకి ప్రవేశించినప్పుడు ఇది సాధారణ "జ్ఞానం వ్యాప్తి" ప్రక్రియ. ఈ రంగంలో ఉన్న జ్ఞానం ఆధారంగా పద్దతులను సర్దుబాటు చేయాల్సిన అవసరం ఉన్న ప్రత్యేకతలు ఈ రంగంలో ఉన్నాయి. ఈ కాగితంలో, నిర్మాణ మాగ్నెటిక్ రెసొనెన్స్ ఇమేజెస్ (MRI) లో AD గుర్తింపు కోసం ఒక ఆటోమేటిక్ వర్గీకరణ ఫ్రేమ్వర్క్ను అభివృద్ధి చేస్తాము. ఈ పని యొక్క ప్రధాన సహకారం AD (హిప్పోకాంపల్ ప్రాంతం) లో అత్యంత ప్రభావిత ప్రాంతం నుండి దృశ్య లక్షణాలను పరిగణనలోకి తీసుకోవడం మరియు ఖచ్చితమైన ఫలితాలను పెంచడానికి ఆలస్యంగా కలపడం. అల్జీమర్స్ డిసీజ్ న్యూరో ఇమేజింగ్ ఇనిషియేటివ్ (ADNI) డేటాబేస్ నుండి 218 మంది వ్యక్తుల బేస్లైన్ MR చిత్రాలపై మా విధానాన్ని మొదట అంచనా వేశారు, ఆపై 3T బరువుతో కూడిన కాంట్రాస్ట్ MRI పై పరీక్షించారు, ఇది ఒక పెద్ద ఫ్రెంచ్ ఎపిడెమియోలాజికల్ స్టడీ యొక్క ఉప నమూనా నుండి పొందిందిః బోర్డియక్స్ డేటాసెట్. ప్రయోగాత్మక ఫలితాలు ADNI ఉపసమితి మరియు బోర్డియక్స్ డేటాసెట్ కోసం NC (నార్మల్ కంట్రోల్) విషయాలతో పోలిస్తే AD తో ఉన్న రోగుల మా వర్గీకరణ వరుసగా 87% మరియు 85% ఖచ్చితత్వాన్ని సాధిస్తుందని చూపిస్తుంది. తేలికపాటి అభిజ్ఞా బలహీనత (ఎంసిఐ) ఉన్న అత్యంత సవాలు సమూహం కోసం, ఎడిఎన్ఐలో ఎంసిఐ వర్సెస్ ఎన్సి మరియు ఎంసిఐ వర్సెస్ ఎడి కోసం వరుసగా 78.22% మరియు 72.23% ఖచ్చితత్వాన్ని మేము సాధించాము. ఈ మూడు వర్గాల కోసం చివరి తరం కలయిక పథకం వర్గీకరణ ఫలితాలను సగటున 9% మెరుగుపరుస్తుంది. ఆధునిక వాల్యూమిట్రిక్ AD రోగనిర్ధారణ పద్ధతులతో పోలిస్తే ఫలితాలు చాలా మంచి వర్గీకరణ పనితీరు మరియు సరళతను ప్రదర్శిస్తాయి. |
7d4c85662ca70abb26e37b2fc40a045fd0369f70 | సౌర ఫొటోవోల్టాయిక్స్ మరియు ఇంధన కణాలు వంటి పునరుత్పాదక ఇంధన వనరుల సమైక్యత కారణంగా DC మైక్రోగ్రిడ్లు ప్రసిద్ధి చెందాయి. ఈ DC విద్యుత్ ఉత్పత్తిదారుల యొక్క తక్కువ అవుట్పుట్ వోల్టేజ్ కారణంగా, DC మైక్రోగ్రిడ్ను కనెక్ట్ చేయడానికి అధిక సామర్థ్యం గల అధిక లాభం DC-DC కన్వర్టర్లు అవసరం. ఈ వ్యాసంలో, వోల్టేజ్ మల్టిప్లైయర్ సెల్ మరియు/లేదా హైబ్రిడ్ స్విచ్డ్ కెపాసిటర్ టెక్నిక్ ఉపయోగించకుండా ఒక నాన్-ఇసోలేటెడ్ హై గైన్ DC-DC కన్వర్టర్ ప్రతిపాదించబడింది. ప్రతిపాదిత టోపోలాజీ రెండు నాన్-ఇసోలేటెడ్ ఇండక్టర్లను ఉపయోగిస్తుంది, ఇవి డిశ్చార్జింగ్/ఛార్జింగ్ మోడ్లో సిరీస్/పారలెల్ లో అనుసంధానించబడి ఉంటాయి. రెండు వేర్వేరు డ్యూటీ రేషియోలతో ఉన్న స్విచ్ల ఆపరేషన్ అనేది ఎక్స్ట్రీమ్ డ్యూటీ రేషియోను ఉపయోగించకుండా అధిక వోల్టేజ్ లాభం సాధించడానికి కన్వర్టర్ యొక్క ప్రధాన ప్రయోజనం. రెండు వేర్వేరు సుంకం నిష్పత్తులను ఉపయోగించి ప్రతిపాదిత కన్వర్టర్ యొక్క స్థిరమైన-స్థితి విశ్లేషణ వివరంగా చర్చించబడింది. అంతేకాకుండా, 100 W, 20/200 V నమూనా సర్క్యూట్ హై గైన్ dc-dc కన్వర్టర్ అభివృద్ధి చేయబడింది మరియు ప్రయోగాత్మక ఫలితాలను ఉపయోగించి పనితీరు ధృవీకరించబడింది. |
43afc11883fb147ac37b4dc40bf6e7fa5fccf341 | సమర్థవంతమైన కర్నల్స్ ను సులభతరం చేయడానికి మేము హాషింగ్ ను ప్రతిపాదించాము. ఈ తరం నమూనాను ఉపయోగించి మునుపటి పనిని విస్తరిస్తుంది మరియు డేటా ప్రవాహాలు మరియు అరుదైన లక్షణాల ఖాళీలకు కార్నల్ మాతృకను లెక్కించడానికి మేము ఒక సూత్రప్రాయమైన మార్గాన్ని చూపిస్తాము. అంతేకాకుండా, ఖచ్చితమైన కెర్నెల్ మాతృక నుండి విచలనం పరిమితులను ఇస్తాము. ఇది స్ట్రింగ్స్ మరియు గ్రాఫ్ లపై అంచనా వేయడానికి అనువర్తనాలను కలిగి ఉంది. |
bfcf14ae04a9a326f9263dcdd30e475334a96d39 | అసమతుల్య డేటా సమితుల నుండి వర్గీకరణలను నిర్మించడానికి ఒక విధానం వివరించబడింది. ఒక డేటాసెట్ సమతుల్యమైనది, వర్గీకరణ వర్గాలు సుమారుగా సమానంగా ప్రాతినిధ్యం వహించకపోతే. తరచుగా వాస్తవ ప్రపంచ డేటా సమితులు ప్రధానంగా "సాధారణ" ఉదాహరణలతో కూడి ఉంటాయి, తక్కువ శాతం "అసాధారణ" లేదా "ఆసక్తికరమైన" ఉదాహరణలు మాత్రమే ఉంటాయి. అసాధారణమైన (ఆసక్తికరమైన) ఉదాహరణను సాధారణ ఉదాహరణగా తప్పుగా వర్గీకరించే ఖర్చు తరచుగా రివర్స్ ఎర్రర్ ఖర్చు కంటే చాలా ఎక్కువగా ఉంటుంది. మెజారిటీ (సాధారణ) తరగతి యొక్క అండర్-నమూనాను మైనారిటీ తరగతికి వర్గీకరణ యొక్క సున్నితత్వాన్ని పెంచడానికి మంచి మార్గంగా ప్రతిపాదించారు. ఈ పత్రం చూపిస్తుంది మా పద్ధతి యొక్క కలయిక మైనారిటీ (అసాధారణ) తరగతి మరియు మెజారిటీ (సాధారణ) తరగతి యొక్క తక్కువ నమూనా మెరుగైన వర్గీకరణ పనితీరును (ROC స్థలంలో) మెజారిటీ తరగతి యొక్క తక్కువ నమూనా కంటే సాధించగలదు. ఈ కాగితం కూడా చూపిస్తుంది మైనారిటీ తరగతి మరియు మెజారిటీ తరగతి కింద-నమూనా మా పద్ధతి యొక్క కలయిక రిప్పర్ లో నష్టం నిష్పత్తులు లేదా నావిగేట్ బేయిస్ లో తరగతి పూర్వగాములు మారుతున్న కంటే (ROC స్పేస్ లో) మంచి వర్గీకరణ పనితీరు సాధించడానికి చేయవచ్చు. మైనారిటీ తరగతి యొక్క అధిక నమూనా యొక్క మా పద్ధతి సింథటిక్ మైనారిటీ తరగతి ఉదాహరణలను సృష్టించడం. ప్రయోగాలు C4.5, రిప్పర్ మరియు ఒక నావిగేట్ బేజ్ వర్గీకరణను ఉపయోగించి నిర్వహిస్తారు. ఈ పద్ధతిని రిసీవర్ ఆపరేటింగ్ క్యారెక్టరిస్టిక్ కర్వ్ (AUC) మరియు ROC కన్వెక్స్ హల్ వ్యూహం క్రింద ఉన్న ప్రాంతాన్ని ఉపయోగించి అంచనా వేయబడుతుంది. |
d920943892caa0bc9f300cb9e3b7f3ab250f78c9 | బిగ్ డేటా అప్లికేషన్లు గత కొన్ని సంవత్సరాలుగా ఆవిర్భవిస్తున్నాయి, మరియు అనేక విభాగాల పరిశోధకులు ఈ రకమైన సమస్య నుండి జ్ఞానాన్ని సేకరించడం వల్ల కలిగే గొప్ప ప్రయోజనాల గురించి తెలుసు. అయితే, సాంప్రదాయక అభ్యాస విధానాలను స్కేలబిలిటీ సమస్యల కారణంగా నేరుగా ఉపయోగించలేము. ఈ సమస్యను అధిగమించడానికి, మ్యాప్ రిడ్యూస్ ఫ్రేమ్వర్క్ ఒక "వాస్తవ పరిష్కారం" గా ఉద్భవించింది. ప్రధానంగా, ఇది "విభజించి, జయించు" పంపిణీ ప్రక్రియను కమోడిటీ హార్డ్వేర్కు అనుగుణంగా లోపం-సహనం చేసే విధంగా నిర్వహిస్తుంది. ఇది ఇప్పటికీ ఇటీవలి క్రమశిక్షణ కావడంతో, బిగ్ డేటా కోసం అసమతుల్య వర్గీకరణపై కొన్ని పరిశోధనలు జరిగాయి. దీనికి ప్రధాన కారణం MapReduce ప్రోగ్రామింగ్ శైలికి ప్రామాణిక పద్ధతులను అనుగుణంగా మార్చడంలో ఉన్న ఇబ్బందులు. అదనంగా, అసమతుల్య డేటా యొక్క అంతర్గత సమస్యలు, అవి డేటా లేకపోవడం మరియు చిన్న డిజైన్, మ్యాప్ రిడక్ట్ ప్రోగ్రామింగ్ శైలికి సరిపోయేలా డేటా విభజన సమయంలో ఉద్ఘాటించబడ్డాయి. ఈ పత్రం మూడు ప్రధాన స్తంభాల క్రింద రూపొందించబడింది. బి. అల్బెర్టో ఫెర్నాండెజ్ alberto@decsai. ugr. es సారా డెల్ రియో srio@decsai. ugr. es నితేష్ వి. చావలా nchawla@nd. edu ఫ్రాన్సిస్కో హెర్రెరా herrera@decsai. ugr. es 1 కంప్యూటర్ సైన్స్ మరియు కృత్రిమ మేధస్సు విభాగం, గ్రెనడా విశ్వవిద్యాలయం, గ్రెనడా, స్పెయిన్ 2 కంప్యూటర్ సైన్స్ మరియు ఇంజనీరింగ్ విభాగం, 384 ఫిట్జ్ప్యాట్రిక్ హాల్, నోట్రే డామ్ విశ్వవిద్యాలయం, నోట్రే డామ్, IN 46556, USA 3 ఇంటర్డిసిప్లినరీ సెంటర్ ఫర్ నెట్వర్క్ సైన్స్ అండ్ అప్లికేషన్స్, 384 న్యూలాండ్ హాల్ ఆఫ్ సైన్స్, నోట్రే డామ్ విశ్వవిద్యాలయం, నోట్రే డామ్, IN 46556, USA ఈ ప్రాంతంలో పరిశోధన స్థితి. రెండవది, ఈ ప్రత్యేక ఫ్రేమ్ లో ప్రామాణిక ముందస్తు ప్రాసెసింగ్ పద్ధతుల ప్రవర్తనను విశ్లేషించడానికి. చివరగా, ఈ పనిలో పొందిన ప్రయోగాత్మక ఫలితాలను పరిగణనలోకి తీసుకుని, ఈ అంశానికి సంబంధించిన సవాళ్లు మరియు భవిష్యత్ దిశలపై చర్చను నిర్వహిస్తాము. |
cd1481e9cc0c86bcf3a44672f887522a95a174e8 | స్మార్ట్ రైల్ మొబిలిటీ కొత్త యుగంలో, మౌలిక సదుపాయాలు, రైళ్లు, ప్రయాణికులు పరస్పరం అనుసంధానం కావడం వల్ల, ఉత్తమమైన మొబిలిటీ, ఎక్కువ భద్రత, తక్కువ ఖర్చులు లభిస్తాయి. అధిక డేటా రేటుతో నిరంతరాయంగా వైర్లెస్ కనెక్టివిటీని సాధించడానికి, డజన్ల కొద్దీ GHz బ్యాండ్విడ్త్ అవసరం, ఇది తక్కువ వినియోగించిన మిల్లీమీటర్ వేవ్ (mmWave) మరియు ఎక్కువగా అన్వేషించని టెరాహెర్జ్ (THz) బ్యాండ్లను అన్వేషించడానికి ప్రేరేపిస్తుంది. mmWave మరియు THz బ్యాండ్లలో స్మార్ట్ రైల్ మొబిలిటీని గ్రహించడానికి, వైర్లెస్ ఛానెల్ల గురించి పూర్తిగా అవగాహన పొందడం చాలా ముఖ్యం. ఈ పత్రంలో, రైల్వే వైర్లెస్ ఛానెల్లపై పరిశోధనలో సాంకేతిక స్థితి ప్రకారం, మేము ప్రధాన సాంకేతిక సవాళ్లను మరియు రిఫరెన్స్ దృశ్య మాడ్యూల్స్, ఖచ్చితమైన మరియు సమర్థవంతమైన అనుకరణ వేదిక, బీమ్ఫార్మింగ్ వ్యూహాలు మరియు హ్యాండ్ఓవర్ డిజైన్కు సంబంధించిన సంబంధిత అవకాశాలను గుర్తించాము. |
6d1e97df31e9a4b0255243d86608c4b7f725133b | టాస్క్ అండ్ మోషన్ ప్లానింగ్ (టిఎంపి) కోసం ఒక కొత్త అల్గోరిథంను మేము ప్రదర్శిస్తాము మరియు సాధారణంగా టిఎంపికి బలమైన పరిష్కారాలను పొందటానికి అవసరమైన అవసరాలు మరియు నైరూప్యాలను చర్చిస్తాము. మా పునరావృత డీప్ఫేన్డ్ టాస్క్ అండ్ మోషన్ ప్లానింగ్ (ఐడిటిఎంపి) పద్ధతి సంభావ్యతతో కూడినది మరియు ఇలాంటి, స్టేట్ ఆఫ్ ది ఆర్ట్, సంభావ్యతతో కూడిన పూర్తి ప్లానర్తో పోలిస్తే మెరుగైన పనితీరు మరియు సాధారణతను అందిస్తుంది. IDTMP యొక్క ముఖ్య ఆలోచన ఏమిటంటే, కదలిక సాధ్యతపై పరిమితులను సమర్ధవంతంగా జోడించడానికి మరియు తొలగించడానికి క్రమంగా పరిమితులను పరిష్కరించడం. మేము IDTMP ని భౌతిక మానిప్యులేటర్లో ధృవీకరిస్తాము మరియు అనేక వస్తువులు మరియు దీర్ఘ ప్రణాళికలతో దృశ్యమానతపై స్కేలబిలిటీని అంచనా వేస్తాము, బెంచ్మార్క్ ప్లానర్తో పోలిస్తే ఆర్డర్-ఆఫ్-మెగ్నిట్యూడ్ లాభాలను చూపిస్తాము మరియు మా పొడిగింపుల నుండి నాలుగు రెట్లు స్వీయ-పోలిక వేగాన్ని చూపిస్తాము. చివరగా, TMP కోసం ఒక కొత్త పద్ధతిని వివరించడంతో పాటు భౌతిక రోబోట్లో దాని అమలును కూడా మేము ముందుకు తీసుకువచ్చాము, భవిష్యత్తులో ఇలాంటి ప్లానర్ల అభివృద్ధికి అవసరాలు మరియు నైరూప్యాలు కూడా ఉన్నాయి. |
04975368149e407c2105b76a7523e027661bd4f0 | సమాచార ప్రసారంలో మరియు నిల్వ ప్రక్రియలలో డేటా యొక్క గోప్యతను నిర్ధారించడం ఎన్క్రిప్షన్ యొక్క లక్ష్యం. ఇటీవల, పరిమిత పరికరాల్లో దీని ఉపయోగం అదనపు లక్షణాలను పరిగణనలోకి తీసుకుంది, అవి విశ్వసనీయ కంప్యూటర్లకు గణనలను అప్పగించే సామర్థ్యం వంటివి. ఈ ప్రయోజనం కోసం, మేము ప్రాసెస్ చేయడానికి డేటా యొక్క గుప్తీకరించిన సంస్కరణను మాత్రమే విశ్వసనీయ కంప్యూటర్కు ఇవ్వాలనుకుంటున్నాము. ఈ ఎన్క్రిప్టెడ్ డేటా పై కంప్యూటర్ గణనలను నిర్వహిస్తుంది, అందువల్ల దాని వాస్తవ విలువ గురించి ఏమీ తెలియదు. చివరగా, అది ఫలితాన్ని తిరిగి పంపుతుంది, మరియు మేము దానిని డీక్రిప్ట్ చేస్తాము. అనుగుణ్యత కొరకు, డీక్రిప్టెడ్ ఫలితం అసలు డేటాపై నిర్వహించబడితే ఉద్దేశించిన గణన విలువకు సమానంగా ఉండాలి. ఈ కారణంగా, ఎన్క్రిప్షన్ పథకం ఒక ప్రత్యేక నిర్మాణాన్ని కలిగి ఉండాలి. రివెస్ట్ మరియు ఇతరులు. ఈ సమస్యను హోమోమోర్ఫిక్ ఎన్క్రిప్షన్ ద్వారా పరిష్కరించడానికి 1978 లో ప్రతిపాదించారు [1]. దురదృష్టవశాత్తు, రివెస్ట్ మరియు ఇతరుల మొదటి ప్రతిపాదనలలో కొన్ని భద్రతా లోపాలను బ్రికెల్ మరియు యాకోబి [2] సూచించారు. ఈ మొదటి ప్రయత్నం నుండి, అనేక వ్యాసాలు అనేక అనువర్తన సందర్భాలకు అంకితమైన పరిష్కారాలను ప్రతిపాదించాయిః రహస్య భాగస్వామ్య పథకాలు, ప్రవేశ పథకాలు (ఉదా, [3]), సున్నా-జ్ఞాన రుజువులు (ఉదా, [4]), అజ్ఞాత బదిలీ (ఉదా, [5]), నిబద్ధత పథకాలు (ఉదా, [3]), అనామకత, గోప్యత, ఎలక్ట్రానిక్ ఓటింగ్, ఎలక్ట్రానిక్ వేలం, లాటరీ ప్రోటోకాల్లు (ఉదా, [6]), మొబైల్ ఏజెంట్ల రక్షణ (ఉదా, [7]), బహుళ పార్టీ కంప్యూటింగ్ (ఉదా, [3]), మిక్స్-నెట్స్ (ఉదా, [8, 9]), వాటర్మార్కింగ్ లేదా ఫింగర్ ప్రింటింగ్ ప్రోటోకాల్లు (ఉదా, [10-14]) మరియు మొదలైనవి. ఈ వ్యాసం యొక్క లక్ష్యం హోమోమోర్ఫిక్ ఎన్క్రిప్షన్ పద్ధతుల యొక్క సర్వేతో నాన్-స్పెషలిస్టులను అందించడం. సెక్షన్ 2 క్రిప్టోగ్రఫీ యొక్క కొన్ని ప్రాథమిక భావనలను గుర్తుచేస్తుంది మరియు హోమోమోర్ఫిక్ ఎన్క్రిప్షన్ను అందిస్తుంది; ఇది ముఖ్యంగా క్రిప్టోగ్రాఫర్లకు ఉద్దేశించబడింది, ఎన్క్రిప్షన్ ప్రైమిటివ్స్ యొక్క ప్రధాన లక్షణాల గురించి మార్గదర్శకాలను అందిస్తుందిః అల్గోరిథంలు, పనితీరు, భద్రత. సెక్షన్ 3 లో ఇప్పటివరకు ప్రచురించిన హోమోమోర్ఫిక్ ఎన్క్రిప్షన్ స్కీమ్ల సర్వేను అందిస్తుంది మరియు వాటి లక్షణాలను విశ్లేషిస్తుంది. మేము వివరించే చాలా పథకాలు గణిత శాస్త్ర భావనలపై ఆధారపడి ఉంటాయి, ఇది పాఠకులకు తెలియకపోవచ్చు. ఈ భావనలను సులభంగా పరిచయం చేయగలిగిన సందర్భాలలో, మేము వాటిని క్లుప్తంగా ప్రదర్శిస్తాము. ఈ సమస్యలను సరిగా పరిచయం చేయలేకపోయినవారి గురించి లేదా వాటి గణనకు సంబంధించిన అల్గోరిథమిక్ సమస్యల గురించి మరింత సమాచారం కోసం పాఠకుడు [15] ను చూడవచ్చు. ఈ అంశం లోకి లోతుగా వెళ్ళే ముందు, కొన్ని సంజ్ఞామానం పరిచయం చేద్దాం. పూర్ణాంకం (x) x యొక్క బైనరీ విస్తరణను కలిగి ఉన్న బిట్ల సంఖ్యను సూచిస్తుంది. ఎప్పటిలాగే, Zn అనేది పూర్ణాంకాల సమితి మాడ్యూలో n ను సూచిస్తుంది, మరియు Zn దాని విలోమ మూలకాల సమితి. |
1c1c40927787c40ffe0db9629ede6828ecf09e65 | మిల్లీమీటర్ తరంగదైర్ఘ్యాలలో ఫిన్లైన్ ఆర్థోమోడ్ ట్రాన్స్డ్యూసర్ (OMT) ను ఉపయోగించే అవకాశాన్ని మేము అంచనా వేస్తున్నాము. ఫిన్లైన్ OMT తక్కువ నష్టం, తక్కువ క్రాస్-పోలరైజేషన్ మరియు పూర్తి వేవ్ గైడ్ బ్యాండ్లో మంచి రిటర్న్ నష్టాన్ని కలిగి ఉంటుంది. మిల్లీమీటర్ తరంగదైర్ఘ్యాల కోసం ఒక నవల ఫిన్లైన్ OMT నిర్మాణాన్ని మేము ప్రతిపాదించాము మరియు X- బ్యాండ్లో ఫలితాలను ప్రదర్శిస్తాము. |
88323e38f676a31ed613dad604829808ff96f714 | వివిధ రకాల ప్యాచ్ పరిమాణాలతో బహుళ-పరీక్షా పుట్టగొడుగు లాంటి నిర్మాణాన్ని ఉపయోగించి ఒక నవల బ్రాడ్బ్యాండ్ విద్యుదయస్కాంత బ్యాండ్-గ్యాప్ (EBG) నిర్మాణం ప్రదర్శించబడుతుంది. EBG నిర్మాణం యొక్క బ్యాండ్-గ్యాప్ను నిర్ణయించడానికి ప్రత్యక్ష ప్రసార పద్ధతిని ఉపయోగిస్తారు. ఈ పరీక్షలో యూనిట్ సంఖ్య మరియు పాచ్ పరిమాణం యొక్క ప్రభావాలు ఫంగస్ లాంటి EBG నిర్మాణంపై పరిశోధించబడ్డాయి. రెండు రకాల యూనిట్లను వేర్వేరు పాచ్ పరిమాణాలతో EBG నిర్మాణం యొక్క బ్యాండ్-గ్యాప్ను విస్తరించడానికి క్యాస్కేడ్ చేస్తారు, ఇది దాదాపు 87.1% సాధిస్తుంది. సిమ్యులేషన్ ఫలితాలు బ్యాండ్-గ్యాప్ దాదాపుగా రెండు ఏకరీతి ఆకృతీకరణలతో ఉత్పత్తి చేయబడిన స్టాప్-బ్యాండ్ను కవర్ చేస్తుందని చూపిస్తున్నాయి. |
03b18dcde7ba5bb0e87b2bdb68ab7af951daf162 | న్యూరల్ మెషిన్ ట్రాన్స్లేషన్, న్యూరల్ నెట్వర్క్ల ఆధారంగా మాత్రమే మెషిన్ ట్రాన్స్లేషన్కు ఇటీవల ప్రతిపాదించిన విధానం, పదబంధ-ఆధారిత గణాంక యంత్ర అనువాదం వంటి ఇప్పటికే ఉన్న విధానాలతో పోలిస్తే మంచి ఫలితాలను చూపించింది. ఇటీవలి కాలంలో విజయం సాధించినప్పటికీ, పెద్ద పదజాలం నిర్వహణలో న్యూరల్ మెషిన్ ట్రాన్స్లేషన్కు పరిమితులు ఉన్నాయి, ఎందుకంటే శిక్షణ సంక్లిష్టత మరియు డీకోడింగ్ సంక్లిష్టత లక్ష్య పదాల సంఖ్యతో అనుపాతంలో పెరుగుతాయి. ఈ వ్యాసంలో, మేము ప్రాముఖ్యత నమూనా ఆధారంగా ఒక పద్ధతిని ప్రతిపాదించాము, ఇది శిక్షణ సంక్లిష్టతను పెంచకుండా చాలా పెద్ద లక్ష్య పదజాలం ఉపయోగించడానికి అనుమతిస్తుంది. మొత్తం లక్ష్య పదజాలం యొక్క చిన్న ఉపసమితిని మాత్రమే ఎంచుకోవడం ద్వారా చాలా పెద్ద లక్ష్య పదజాలం ఉన్న మోడల్తో కూడా డీకోడింగ్ సమర్థవంతంగా చేయవచ్చని మేము చూపిస్తున్నాము. ప్రతిపాదిత విధానం ద్వారా శిక్షణ పొందిన నమూనాలు ప్రయోగాత్మకంగా సరిపోతాయి, మరియు కొన్ని సందర్భాల్లో, చిన్న పదజాలంతో బేస్లైన్ నమూనాలు అలాగే LSTM- ఆధారిత న్యూరల్ మెషిన్ ట్రాన్స్లేషన్ నమూనాలు. అంతేకాకుండా, చాలా పెద్ద లక్ష్య పదజాలాలతో కొన్ని నమూనాల సమితిని ఉపయోగించినప్పుడు, WMT14 యొక్క ఇంగ్లీష్→జర్మన్ మరియు ఇంగ్లీష్→ఫ్రెంచ్ అనువాద పనులలో మేము సాంకేతిక పరిజ్ఞానం (బ్లూ ద్వారా కొలుస్తారు) తో పోల్చదగిన పనితీరును సాధిస్తాము. |
f7b48b0028a9887f85fe857b62441f391560ef6d | TE10 రీతిలో సమాంతర ప్లేట్ల మధ్య వ్యాప్తి ఆధారంగా ద్వి-పరిమాణ సిలిండ్రిక్ లూనెబెర్గ్ లెన్స్ యొక్క కొత్త డిజైన్ ప్రవేశపెట్టబడింది, తయారీ సౌలభ్యంపై ప్రత్యేక దృష్టి పెట్టబడింది. లూనెబెర్గ్ చట్టానికి అనుగుణంగా సమాంతర ప్లేట్లు పాక్షికంగా తక్కువ ఖర్చుతో కూడిన పాలిమర్ పదార్థంతో (రెక్సోలైట్ ఎప్సివర్ = 2.54) నిండి ఉంటాయి. లూనబెర్గ్ లెన్స్ యొక్క అంచున సమాంతర ప్లేట్ల మధ్య ఉన్న గాలి ప్రాంతంలో ఒక ప్లానర్ లీనియర్ కోనెడ్ స్లాట్ యాంటెన్నా (LTSA) ను ఫీడ్ యాంటెన్నాగా చేర్చారు, యాంటెన్నా సిస్టమ్ పనితీరును ఆప్టిమైజ్ చేయడానికి లూనబెర్గ్ లెన్స్ యొక్క ఫోకల్ పాయింట్కు చక్కటి స్థానంతో. వ్యవస్థ యొక్క రేడియేషన్ నమూనాను పొందటానికి ఒక మిశ్రమ రే-ఆప్టిక్స్ / వ్యాప్తి పద్ధతిని ఉపయోగిస్తారు మరియు ఫలితాలను సమయ డొమైన్ సంఖ్యా పరిష్కార సాధనం యొక్క అంచనాలతో పోల్చారు. 30 GHz వద్ద పనిచేసేందుకు రూపొందించిన 10 సెం. మీ. లూనెబెర్గ్ లెన్స్ మీద చేసిన కొలతలు అంచనాలకు బాగా సరిపోతాయి. ఈ నమూనా కోసం, 3-dB E- మరియు if-plane beamwidths 6.6deg మరియు 54deg వరుసగా పొందబడ్డాయి, మరియు E-plane లో సైడెల్లాబ్ స్థాయి -17.7-dB. TE10 రీతిలో వ్యాప్తి లక్షణాల కారణంగా సమాంతర ప్లేట్ ఆకృతీకరణ ఒక ఇరుకైన బ్యాండ్ డిజైన్కు దారితీసినప్పటికీ, కొలత ఫలితాలు బ్రాడ్బ్యాండ్ లక్షణాలను చూపిస్తున్నాయి, దీనిలో రేడియేషన్ సామర్థ్యాలు 26.5-37 GHz యొక్క పరీక్షించిన ఫ్రీక్వెన్సీ బ్యాండ్లో 43% మరియు 72% మధ్య మారుతూ ఉంటాయి. రూపొందించిన సిలిండ్రిక్ లూనెబెర్గ్ లెన్స్ లెన్స్ యొక్క పరిధులలో ప్లానర్ LTSA ఎలిమెంట్ల యొక్క ఆర్క్ అమరికను అమలు చేయడం ద్వారా బహుళ పుంజాలను ప్రారంభించడానికి ఉపయోగించవచ్చు మరియు అధిక మిల్లీమీటర్ తరంగ పౌనఃపున్యాలకు సులభంగా విస్తరించవచ్చు. |
2881b79ff142496c27d9558361e48f105208dec4 | యాక్షన్ రీసెర్చ్ అనేది 20వ శతాబ్దం మధ్యకాలం నుంచి సామాజిక, వైద్య శాస్త్రాలలో ఉపయోగించబడుతున్న ఒక పరిశోధనా పద్ధతి. 1990ల చివరలో సమాచార వ్యవస్థల కోసం దీని ప్రాముఖ్యత పెరిగింది. దీని ప్రత్యేకమైన తాత్విక సందర్భం ఇడియోగ్రాఫిక్ మరియు ఇంటర్ప్రెటివ్ రీసెర్చ్ ఆదర్శాలు వంటి బలమైన పోస్ట్-పాజిటివిస్ట్ అంచనాలలో రూపొందించబడింది. సమాచార వ్యవస్థలలో యాక్షన్ రీసెర్చ్ ఒక చరిత్రను అభివృద్ధి చేసింది, ఇది లెవిన్ మరియు టావిస్టాక్ ఇన్స్టిట్యూట్ యొక్క ప్రారంభ పనికి స్పష్టంగా అనుసంధానించబడుతుంది. యాక్షన్ రీసెర్చ్ రూపంలో మారుతూ ఉంటుంది, మరియు నిర్దిష్ట సమస్యల డొమైన్లకు ప్రతిస్పందిస్తుంది. అత్యంత సాధారణ రూపం ఐదు దశల నమూనా ఆధారంగా ఒక భాగస్వామ్య పద్ధతి, ఇది ప్రచురించిన IS పరిశోధన ద్వారా ఉదాహరణగా ఉంది. |
ee42bceb15d28ce0c7fcd3e37d9a564dfbb3ab90 | |
443362dc552b36c33138c415408d307213ddfa36 | |
6fb37cbc83bd6cd1d732f07288939a5061400e91 | ఈ వ్యాసంలో, మేము ఒక ద్వి దిశాత్మక దీర్ఘకాలిక స్వల్పకాలిక జ్ఞాపకశక్తిని ఒక షరతులతో కూడిన యాదృచ్ఛిక క్షేత్రంతో ద్రవ్యత యొక్క గుర్తింపుకు వర్తిస్తాము. దీర్ఘకాలిక ఆధారపడటం అనేది అసమానతలను గుర్తించడంలో ప్రధాన సమస్యలలో ఒకటి. మా మోడల్ లాంగ్-షార్ట్-టర్మ్ మెమరీ మరియు చేతితో తయారు చేసిన వివిక్త లక్షణాలను ఉపయోగించి సుదూర ఆధారపడటాన్ని నిర్వహిస్తుంది. చేతితో తయారు చేసిన వివిక్త లక్షణాలను ఉపయోగించడం ద్వారా స్విచ్బోర్డ్ కార్పస్లో 87.1% స్టేట్ ఆఫ్ ది ఆర్ట్ స్కోర్ సాధించడం ద్వారా మోడల్ పనితీరును గణనీయంగా మెరుగుపరుస్తుందని ప్రయోగాలు చూపిస్తున్నాయి. |
fb17e9cab49665863f360d5f9e61e6048a7e1b28 | వినియోగదారుల లోతు కెమెరాల ద్వారా సంగ్రహించిన ముడి లోతు చిత్రాలు శబ్దంతో బాధపడుతున్నాయి మరియు విలువలు లేవు. రంగుల చిత్రాల పునరుద్ధరణపై CNN ఆధారిత ఇమేజ్ ప్రాసెసింగ్ విజయవంతం అయినప్పటికీ, ముడి-శుభ్రమైన జత డేటాసెట్ లేకపోవడం వల్ల లోతు మెరుగుదల కోసం ఇలాంటి విధానాలు ఇంకా ఎక్కువగా పరిష్కరించబడలేదు. ఈ కాగితంలో, తక్కువ నాణ్యత గల జతలను తొలగించడానికి ఫిల్టరింగ్ పద్ధతితో దట్టమైన 3 డి ఉపరితల పునర్నిర్మాణాన్ని ఉపయోగించి జతగా లోతు చిత్ర డేటాసెట్ ఉత్పత్తి పద్ధతిని మేము ప్రతిపాదించాము. మేము బహుళ-స్థాయి లాప్లాసియన్ పిరమిడ్ ఆధారిత న్యూరల్ నెట్వర్క్ను కూడా ప్రదర్శిస్తాము మరియు నష్టాలను కాపాడే విధులను క్రమంగా తగ్గించడానికి శబ్దం మరియు రంధ్రాలను కఠినమైన నుండి చక్కటి ప్రమాణాలకు తగ్గించడానికి. ప్రయోగాత్మక ఫలితాలు మా జత డేటాసెట్తో శిక్షణ పొందిన మా నెట్వర్క్ లోతు స్ట్రీమ్ల నుండి పొందిన 3D పునర్నిర్మాణాలతో పోల్చదగినదిగా ఇన్పుట్ లోతు చిత్రాలను మెరుగుపరుస్తుంది మరియు దట్టమైన 3D పునర్నిర్మాణ ఫలితాల సారూప్యతను వేగవంతం చేస్తుంది. |
40de599b11b1553649354991cdf849048cb05f00 | ఖర్చు-సెన్సిటివ్ వర్గీకరణ మరియు ఆన్లైన్ లెర్నింగ్ రెండూ వరుసగా డేటా మైనింగ్ మరియు మెషిన్ లెర్నింగ్ కమ్యూనిటీలలో విస్తృతంగా అధ్యయనం చేయబడ్డాయి. అయితే, చాలా పరిమిత అధ్యయనం ఒక ముఖ్యమైన ఇంటర్సెక్షన్ సమస్యను పరిష్కరిస్తుంది, అనగా, "ఖర్చు-సున్నితమైన ఆన్లైన్ వర్గీకరణ". ఈ కాగితంలో, మేము ఈ సమస్యను అధికారికంగా అధ్యయనం చేస్తాము మరియు ఆన్లైన్ గ్రాడియంట్ అవరోహణ పద్ధతులను ఉపయోగించి ఖర్చు-సెన్సిటివ్ కొలతలను నేరుగా ఆప్టిమైజ్ చేయడం ద్వారా ఖర్చు-సెన్సిటివ్ ఆన్లైన్ వర్గీకరణ కోసం కొత్త ఫ్రేమ్వర్క్ను ప్రతిపాదించాము. ప్రత్యేకించి, మేము రెండు కొత్త ఖర్చు-సెన్సిటివ్ ఆన్లైన్ వర్గీకరణ అల్గోరిథంలను ప్రతిపాదించాము, ఇవి రెండు ప్రసిద్ధ ఖర్చు-సెన్సిటివ్ చర్యలను నేరుగా ఆప్టిమైజ్ చేయడానికి రూపొందించబడ్డాయిః (i) సున్నితత్వం మరియు నిర్దిష్టత యొక్క బరువు మొత్తం యొక్క గరిష్టీకరణ మరియు (ii) బరువున్న తప్పు వర్గీకరణ ఖర్చు యొక్క కనిష్టీకరణ. ప్రతిపాదిత అల్గోరిథంల ద్వారా తయారు చేయబడిన వ్యయ-సెన్సిటివ్ కొలతల యొక్క సిద్ధాంతపరమైన పరిమితులను మేము విశ్లేషిస్తాము మరియు వివిధ రకాల వ్యయ-సెన్సిటివ్ ఆన్లైన్ వర్గీకరణ పనులపై వారి అనుభవపూర్వక పనితీరును విస్తృతంగా పరిశీలిస్తాము. చివరగా, మేము అనేక ఆన్లైన్ అసాధారణత గుర్తింపు పనులు పరిష్కరించడానికి ప్రతిపాదిత టెక్నిక్ యొక్క అప్లికేషన్ ప్రదర్శించేందుకు, ప్రతిపాదిత టెక్నిక్ వివిధ అప్లికేషన్ డొమైన్లలో ఖర్చు సున్నితమైన ఆన్లైన్ వర్గీకరణ పనులు పరిష్కరించేందుకు ఒక అత్యంత సమర్థవంతమైన మరియు సమర్థవంతమైన సాధనం కావచ్చు చూపిస్తున్న. |
2b7c330e7b3fbe96ea6f5342eae17d90095026cc | |
1bd1b7344044e8cc068a77b439fca011120c4bc3 | భద్రతకు కీలకమైన అనువర్తనాల కోసం లోతైన నాడీ నెట్వర్క్ల పెరుగుతున్న ఉపయోగం, స్వయంప్రతిపత్త డ్రైవింగ్ మరియు విమాన నియంత్రణ వంటివి, వాటి భద్రత మరియు విశ్వసనీయత గురించి ఆందోళనలను పెంచుతాయి. అధికారిక ధృవీకరణ ఒక లోతైన అభ్యాస వ్యవస్థ ఉద్దేశించిన విధంగా పనిచేస్తుందని హామీ ఇవ్వడం ద్వారా ఈ సమస్యలను పరిష్కరించగలదు, కాని అత్యాధునికత చిన్న వ్యవస్థలకు మాత్రమే పరిమితం చేయబడింది. ఈ వర్క్ ఇన్ ప్రోగ్రెస్ రిపోర్టులో, ఈ సమస్యను తగ్గించడానికి మేము చేస్తున్న కృషి గురించి ఒక అవలోకనాన్ని ఇస్తున్నాము. రెండు పరిపూరకరమైన దిశలను అనుసరించడం ద్వారాః స్కేలబుల్ ధృవీకరణ పద్ధతులను రూపొందించడం మరియు ధృవీకరణకు మరింత అనుకూలమైన లోతైన అభ్యాస వ్యవస్థలకు దారితీసే డిజైన్ ఎంపికలను గుర్తించడం. ACM రిఫరెన్స్ ఫార్మాట్ః లిండ్సే కుపెర్, గై కాట్జ్, జస్టిన్ గోట్ష్లిచ్, కైల్ జూలియన్, క్లార్క్ బారెట్ మరియు మైకెల్ జె. కోచెన్డెర్ఫెర్. 2018 లో. భద్రతకు కీలకమైన లోతైన నెట్వర్క్ల కోసం స్కేలబుల్ ధృవీకరణ వైపు. సిస్ఎంఎల్ కాన్ఫరెన్స్ (సిస్ఎంఎల్) యొక్క ప్రొసీడింగ్స్ లో ఎసిఎం, న్యూ యార్క్, NY, USA, 3 పేజీలు |
6abe5eda71c3947013c59bbae700402813a1bc7f | ఇటీవల NoSQL డేటాబేస్లు మరియు వాటి సంబంధిత సాంకేతికతలు వేగంగా అభివృద్ధి చెందుతున్నాయి మరియు వాటి BASE (బేసిక్ డెస్ప్యాలబిలిటీ, సాఫ్ట్ స్టేట్, ఎండ్ కన్సిస్టెన్స్) లక్షణాలతో అనేక దృశ్యాలలో విస్తృతంగా ఉపయోగించబడుతున్నాయి. ప్రస్తుతం 225 రకాల NoSQL డేటాబేస్ లు ఉన్నాయి. అయితే, డేటాబేస్ల యొక్క అధిక సంఖ్య మరియు నిరంతరం నవీకరించబడిన సంస్కరణలు వారి పనితీరును పోల్చడానికి మరియు తగినదాన్ని ఎంచుకోవడానికి ప్రజలకు సవాలుగా ఉంటాయి. ఈ కాగితం ఐదు NoSQL క్లస్టర్ల (రెడిస్, మోంగోడిబి, కాచ్బేస్, కాసాండ్రా, హెచ్బేస్) పనితీరును కొలత సాధనం - వైసిఎస్బి (యాహూ! క్లౌడ్ సర్వింగ్ బెంచ్మార్క్), ప్రతి డేటాబేస్ యొక్క డేటా మోడల్ మరియు యంత్రాంగాన్ని విశ్లేషించడం ద్వారా ప్రయోగాత్మక ఫలితాలను వివరించండి మరియు NoSQL డెవలపర్లు మరియు వినియోగదారులకు సలహాలను అందించండి. |
39424070108220c600f67fa2dbd25f779a9fdb7a | కంప్యూటర్ ప్రోగ్రామ్ తో ఒక ఆర్టికల్ ను ఆటోమేటిక్ గా రూపొందించడం అనేది కృత్రిమ మేధస్సు మరియు సహజ భాషా ప్రాసెసింగ్ లో ఒక సవాలు పని. ఈ వ్యాసంలో, మేము వ్యాసాల ఉత్పత్తిని లక్ష్యంగా చేసుకున్నాము, ఇది ఒక అంశం పదం మనస్సులో ఇన్పుట్గా తీసుకుంటుంది మరియు అంశం యొక్క థీమ్ కింద వ్యవస్థీకృత కథనాన్ని ఉత్పత్తి చేస్తుంది. మేము టెక్స్ట్ ప్లానింగ్ (రైటర్ మరియు డేల్, 1997) ఆలోచనను అనుసరిస్తాము మరియు వ్యాసం ఉత్పత్తి చట్రాన్ని అభివృద్ధి చేస్తాము. ఈ ఫ్రేమ్ వర్క్ లో మూడు భాగాలు ఉన్నాయి. వాటిలో టాపిక్ అవగాహన, వాక్యం వెలికితీత మరియు వాక్యం క్రమాన్ని మార్చడం ఉన్నాయి. ప్రతి భాగం కోసం, మేము అనేక గణాంక అల్గోరిథంలను అధ్యయనం చేసాము మరియు గుణాత్మక లేదా పరిమాణాత్మక విశ్లేషణ పరంగా వాటి మధ్య అనుభవపూర్వకంగా పోల్చాము. చైనీస్ కోర్పస్ పై ప్రయోగాలు చేస్తున్నప్పటికీ, ఈ పద్ధతి భాషా స్వతంత్రంగా ఉంటుంది మరియు ఇతర భాషలకు సులభంగా అనుగుణంగా ఉంటుంది. మిగిలే సవాళ్లను మేము వివరిస్తాము మరియు భవిష్యత్ పరిశోధనలకు మార్గాలను సూచిస్తాము. |
e25221b4c472c4337383341f6b2c9375e86709af | |
e9c9da57bbf9a968489cb90ec7252319bcab42fb | మినిబ్యాచ్ స్టోకాస్టిక్ గ్రాడియంట్ అవరోహణతో ఒకే GPU పై సరిపోయే కన్వొల్యూషనల్ నెట్వర్క్లను (CNN లు) శిక్షణ ఇవ్వడం ఆచరణలో ప్రభావవంతంగా మారింది. అయితే, కొన్ని GPU కార్డుల మెమరీలో సరిపోని పెద్ద నెట్వర్క్లను శిక్షణ ఇవ్వడానికి లేదా CNN శిక్షణను సమాంతరంగా చేయడానికి ఇంకా సమర్థవంతమైన పద్ధతి లేదు. ఈ పనిలో నిపుణుల నమూనా యొక్క సాధారణ హార్డ్ మిశ్రమం పెద్ద ఎత్తున హ్యాష్ట్యాగ్ (మల్టీలేబుల్) అంచనా పనులపై మంచి ప్రభావానికి సమర్థవంతంగా శిక్షణ పొందవచ్చని మేము చూపిస్తున్నాము. నిపుణుల నమూనాలు కొత్తవి కావు [7, 3], కానీ గతంలో, పరిశోధకులు డేటా విచ్ఛిన్నతను ఎదుర్కోవటానికి అధునాతన పద్ధతులను రూపొందించాల్సి వచ్చింది. ఆధునిక బలహీనంగా పర్యవేక్షించబడిన డేటా సమితులు ప్రతి డేటా పాయింట్ ఒకే నిపుణుడికి కేటాయించబడిన మూర్ఖమైన విభజన పథకాలను మద్దతు ఇవ్వడానికి తగినంత పెద్దవి అని మేము అనుభవపూర్వకంగా చూపిస్తాము. నిపుణులు స్వతంత్రంగా ఉన్నందువల్ల వారికి సమాంతరంగా శిక్షణ ఇవ్వడం సులభం, మరియు నమూనా పరిమాణానికి సంబంధించి అంచనా వేయడం చౌకగా ఉంటుంది. అంతేకాకుండా, నిపుణులందరికీ ఒకే డీకోడింగ్ లేయర్ను ఉపయోగించవచ్చని మేము చూపిస్తున్నాము, ఇది ఏకీకృత ఫీచర్ ఎంబెడెడ్ స్థలాన్ని అనుమతిస్తుంది. ప్రామాణిక CNN నిర్మాణాలతో శిక్షణ పొందగలిగే దానికంటే చాలా పెద్ద నమూనాలను శిక్షణ ఇవ్వడం సాధ్యమేనని (వాస్తవానికి సాపేక్షంగా నొప్పిలేకుండా) మరియు ప్రస్తుత డేటాసెట్లలో అదనపు సామర్థ్యాన్ని బాగా ఉపయోగించవచ్చని మేము ప్రదర్శిస్తున్నాము. |
0ec33f27de8350470935ec5bf9d198eceaf63904 | మేము స్థానిక నాయివ్ బేస్ సమీప పొరుగువారిని అందిస్తున్నాము, ఇది NBNN ఇమేజ్ వర్గీకరణ అల్గోరిథం యొక్క మెరుగుదల, ఇది వర్గీకరణ ఖచ్చితత్వాన్ని పెంచుతుంది మరియు పెద్ద సంఖ్యలో వస్తువు తరగతులకు స్కేల్ చేయగల సామర్థ్యాన్ని మెరుగుపరుస్తుంది. ఒక వర్ణన యొక్క స్థానిక పరిసరాల్లో ప్రాతినిధ్యం వహిస్తున్న తరగతులు మాత్రమే వారి వెనుక సంభావ్యత అంచనాలకు గణనీయంగా మరియు విశ్వసనీయంగా దోహదం చేస్తాయి. ప్రతి తరగతి యొక్క శిక్షణా వర్ణనల కోసం ప్రత్యేక శోధన నిర్మాణాన్ని నిర్వహించడానికి బదులుగా, మేము అన్ని రిఫరెన్స్ డేటాను ఒకే శోధన నిర్మాణంలో విలీనం చేస్తాము, ఇది ఒక వర్ణన యొక్క స్థానిక పరిసరాలను త్వరగా గుర్తించడానికి అనుమతిస్తుంది. మేము మరింత దూర తరగతులకు సర్దుబాట్లను విస్మరించినప్పుడు వర్గీకరణ ఖచ్చితత్వంలో పెరుగుదలను చూపిస్తాము మరియు రన్ టైమ్ అసలు లాగా తరగతుల సంఖ్యలో సరళంగా కాకుండా తరగతుల సంఖ్యతో పెరుగుతుందని చూపిస్తాము. స్థానిక NBNN కాల్టెక్ 256 డేటాసెట్లో అసలు NBNN కంటే 100 రెట్లు వేగవంతం చేస్తుంది. మేము కూడా ఒక సాధారణ సమితి ఇన్పుట్ లక్షణాలను ఉపయోగించి ప్రాదేశిక పిరమిడ్ పద్ధతులతో NBNN యొక్క మొదటి తల- to- తల పోలికను అందిస్తాము. స్థానిక ఎన్ బి ఎన్ ఎన్ మునుపటి ఎన్ బి ఎన్ ఆధారిత పద్ధతులన్నిటినీ మరియు అసలు ప్రాదేశిక పిరమిడ్ నమూనాను అధిగమిస్తుందని మేము చూపిస్తున్నాము. అయితే, స్థానిక NBNN, పోటీగా ఉండగా, స్థానిక మృదువైన కేటాయింపు మరియు గరిష్ట-పూలింగ్ను ఉపయోగించే అత్యాధునిక ప్రాదేశిక పిరమిడ్ పద్ధతులను ఓడించలేదని మేము కనుగొన్నాము. |
68603a9372f4e9194ab09c4e585e3150b4025e97 | మహిళల జుట్టు రాలడం లేదా మహిళల ఆండ్రోజెనిక్ అలోపెసియా అనేది పెద్దల మహిళల్లో జుట్టు రాలడానికి ప్రధాన కారణం మరియు రోగుల జీవన నాణ్యతపై ప్రధాన ప్రభావాన్ని చూపుతుంది. ఇది జుట్టు కణుపుల యొక్క ప్రగతిశీల సూక్ష్మీకరణ నుండి అభివృద్ధి చెందుతుంది, ఇది తరువాత జుట్టు సాంద్రత తగ్గుతుంది, ఇది లక్షణ క్లినికల్, డెర్మోస్కోపిక్ మరియు హిస్టాలజికల్ నమూనాలతో, మచ్చలు లేని వ్యాప్తి చెందిన అలోపెసియాకు దారితీస్తుంది. ఈ వ్యాధి యొక్క అధిక పౌన frequency పున్యం మరియు దాని మానసిక ప్రభావం యొక్క ప్రాముఖ్యత ఉన్నప్పటికీ, దాని వ్యాధికారకత ఇంకా పూర్తిగా అర్థం కాలేదు, జన్యు, హార్మోన్ల మరియు పర్యావరణ కారకాలచే ప్రభావితమవుతుంది. అదనంగా, చికిత్సకు ప్రతిస్పందన వేరియబుల్. ఈ వ్యాసంలో, రచయితలు మహిళల నమూనా జుట్టు రాలడం యొక్క ప్రధాన క్లినికల్, ఎపిడెమియోలాజికల్ మరియు పాథోఫిజియోలాజికల్ అంశాలను చర్చిస్తారు. |
3c398007c04eb12c0b7417f5d135919a300a470d | ఇటీవలి సంవత్సరాలలో ఇంటర్నెట్, డిజిటల్ లైబ్రరీలు, వార్తా వనరులు, మరియు కంపెనీ అంతటా ఇంట్రానెట్ లలో లభించే వచన పత్రాల పరిమాణంలో విపరీతమైన పెరుగుదలను మేము చూశాము. ఆటోమేటిక్ టెక్స్ట్ వర్గీకరణ, ఇది ముందుగా పేర్కొన్న తరగతులకు (విషయాలు లేదా విషయాలు) పత్రాలకు టెక్స్ట్ పత్రాలను కేటాయించే పని, ఈ అధిక వనరులపై సమాచారాన్ని నిర్వహించడంలో మరియు కనుగొనడంలో సహాయపడే ఒక ముఖ్యమైన పని. డేటా సమితిలో ఉన్న అధిక సంఖ్యలో గుణాలు, పెద్ద సంఖ్యలో శిక్షణ నమూనాలు మరియు లక్షణాల ఆధారపడటం కారణంగా టెక్స్ట్ వర్గీకరణ ప్రత్యేకమైన సవాళ్లను అందిస్తుంది. ఈ కాగితంలో, సరళ-సమయ సెంట్రోయిడ్ ఆధారిత పత్ర వర్గీకరణ అల్గోరిథం పై దృష్టి పెడతాము, దాని సరళత మరియు బలమైన పనితీరు ఉన్నప్పటికీ, విస్తృతంగా అధ్యయనం చేయబడలేదు మరియు విశ్లేషించబడలేదు. మా విస్తృతమైన ప్రయోగాలు ఈ సెంట్రోయిడ్ ఆధారిత వర్గీకరణ యంత్రం నిరంతరం మరియు గణనీయంగా ఇతర అల్గోరిథంలను అధిగమిస్తుందని చూపిస్తున్నాయి, అవి నావి బేసియన్, k- సమీప పొరుగువారు మరియు C4.5, విస్తృత శ్రేణి డేటాసెట్లలో. సెంట్రోయిడ్ ఆధారిత పథకం ఉపయోగించే సారూప్యత కొలత, దాని ప్రవర్తన వేర్వేరు తరగతులకు చెందిన పత్రాల ప్రవర్తనకు ఎంత దగ్గరగా సరిపోతుందో ఆధారంగా కొత్త పత్రాన్ని వర్గీకరించడానికి అనుమతిస్తుంది, ఇది పత్రాల మధ్య సగటు సారూప్యత ద్వారా కొలుస్తారు. ఈ సరిపోలిక వివిధ సాంద్రతలతో ఉన్న తరగతులకు డైనమిక్గా సర్దుబాటు చేయడానికి అనుమతిస్తుంది. అంతేకాకుండా, సెంట్రోయిడ్ ఆధారిత పథకం యొక్క సారూప్య కొలత వివిధ తరగతులలోని పదాల మధ్య ఆధారపడటాన్ని చూపుతుందని మా విశ్లేషణ చూపిస్తుంది. ఈ లక్షణం కారణంగానే ఈ వర్గీకరణ వ్యవస్థలు ఇతర వర్గీకరణ వ్యవస్థలను అధిగమిస్తాయని మేము నమ్ముతున్నాము. |
7f13e66231c96f34f8de2b091e5b5dafb5db5327 | న్యూరల్ మెషిన్ ట్రాన్స్లేషన్ (ఎన్ఎమ్టి) నమూనాలు క్రమబద్ధమైన పదకోశ సమాచారం నుండి వాక్యనిర్మాణ సమాచారాన్ని పాక్షికంగా నేర్చుకోగలవు. అయినప్పటికీ, కొన్ని సంక్లిష్టమైన వాక్యనిర్మాణ దృగ్విషయాలు, ప్రీపోజిషనల్ పదబంధం అటాచ్మెంట్ వంటివి పేలవంగా రూపొందించబడ్డాయి. ఈ కృతి రెండు ప్రశ్నలకు సమాధానం ఇవ్వడానికి ఉద్దేశించబడింది: 1) మూలం లేదా లక్ష్య భాష సింటాక్స్ను స్పష్టంగా మోడలింగ్ చేయడం NMT కి సహాయపడుతుందా? 2) బహువిధి శిక్షణ కంటే పదాలు మరియు వాక్యనిర్మాణం యొక్క సన్నిహిత సమన్వయం మంచిదా? సిసిజి సూపర్ ట్యాగ్ల రూపంలో సింటాక్టిక్ సమాచారాన్ని ఎంబెడ్డింగ్లో అదనపు ఫీచర్గా లేదా టార్గెట్లో, టార్గెట్ సూపర్ ట్యాగ్లను పద క్రమంతో కలిపి ప్రవేశపెడతాము. WMT డేటాపై మా ఫలితాలు స్పష్టంగా సింటాక్స్ మోడలింగ్ ఆంగ్లం జర్మన్ కోసం యంత్ర అనువాద నాణ్యతను మెరుగుపరుస్తుంది, అధిక వనరుల జత, మరియు ఆంగ్లం రొమేనియన్ కోసం, తక్కువ వనరుల జత మరియు ప్రీపోజిషనల్ పదబంధం అటాచ్మెంట్తో సహా అనేక సింటాక్టిక్ దృగ్విషయాలు. అంతేకాకుండా, పదాలు మరియు వాక్యనిర్మాణం యొక్క సన్నిహిత కలయిక బహుళ పనుల శిక్షణ కంటే అనువాద నాణ్యతను మెరుగుపరుస్తుంది. |
f218e9988e30b0dea133b8fcda7033b6f1172af9 | సహజ చిత్రాలు (ఎన్ఐ) మరియు కంప్యూటర్-సృష్టించిన (సిజి) చిత్రాల మధ్య వ్యత్యాసం నగ్న మానవ కళ్ళ ద్వారా కష్టం. ఈ పత్రంలో, ఈ ప్రాథమిక చిత్రం ఫోరెన్సిక్ సమస్య కోసం కన్వొల్యూషనల్ న్యూరల్ నెట్వర్క్ (సిఎన్ఎన్) ఆధారంగా సమర్థవంతమైన పద్ధతిని మేము ప్రతిపాదించాము. ఇప్పటికే ఉన్న సిసిఎన్లను మొదటి నుండి శిక్షణ ఇవ్వడం లేదా ముందుగా శిక్షణ పొందిన నెట్వర్క్ను చక్కగా ట్యూనింగ్ చేయడం యొక్క పరిమిత పనితీరును గమనించిన తరువాత, మేము ఒక సిఎన్ఎన్ దిగువన రెండు క్యాస్కేడ్ కన్వల్వియనల్ పొరలతో కొత్త మరియు తగిన నెట్వర్క్ను రూపొందించాము మరియు అమలు చేస్తాము. మా నెట్వర్క్ను వివిధ పరిమాణాల ఇన్పుట్ ఇమేజ్ ప్యాచ్లకు అనుగుణంగా సులభంగా సర్దుబాటు చేయవచ్చు, అదే సమయంలో స్థిర లోతు, స్థిరమైన నిర్మాణం మరియు మంచి ఫోరెన్సిక్ పనితీరును కలిగి ఉంటుంది. సిఎన్ఎన్ లకు శిక్షణ ఇవ్వడం ఎంత క్లిష్టంగా ఉందో, ఫొటో ఫోరెన్సిక్ యొక్క ప్రత్యేక అవసరాన్ని పరిగణనలోకి తీసుకుంటే, మేము మా ప్రతిపాదిత నెట్వర్క్లో స్థానిక నుండి ప్రపంచ వ్యూహం అని పిలవబడేదాన్ని పరిచయం చేస్తున్నాము. మా సిఎన్ఎన్ స్థానిక ప్యాచ్లపై ఫోరెన్సిక్ నిర్ణయాన్ని పొందుతుంది, మరియు పూర్తి-పరిమాణ చిత్రంపై ప్రపంచ నిర్ణయం సాధారణ మెజారిటీ ఓటింగ్ ద్వారా సులభంగా పొందవచ్చు. ఈ వ్యూహం చేతితో తయారు చేసిన లక్షణాలపై ఆధారపడిన ఇప్పటికే ఉన్న పద్ధతుల పనితీరును మెరుగుపరచడానికి కూడా ఉపయోగించవచ్చు. ప్రయోగాత్మక ఫలితాలు మా పద్ధతి ఇప్పటికే ఉన్న పద్ధతులను అధిగమిస్తుందని చూపిస్తున్నాయి, ముఖ్యంగా NIs మరియు CG చిత్రాలతో విభిన్న మూలాల యొక్క సవాలు ఫోరెన్సిక్ దృశ్యంలో. మా పద్ధతి కూడా సాధారణ పోస్ట్ ప్రాసెసింగ్ కార్యకలాపాలు వ్యతిరేకంగా మంచి దృఢత్వం ఉంది, వంటి పరిమాణం మరియు JPEG కుదింపు. మునుపటి ప్రయత్నాల మాదిరిగా కాకుండా, చిత్ర ఫోరెన్సిక్స్ కోసం CNN లను ఉపయోగించడం ద్వారా, తగిన మరియు అధునాతన విజువలైజేషన్ సాధనాల సహాయంతో NIs మరియు CG చిత్రాల మధ్య తేడాల గురించి మా CNN ఏమి నేర్చుకున్నదో అర్థం చేసుకోవడానికి ప్రయత్నిస్తాము. |
7c38c9ff0108e774cdfe2a90ced1c89812e7f498 | లక్ష్య ట్రాకింగ్ మరియు ఉన్నత స్థాయి ఆటోమోటివ్ అనువర్తనాల కోసం రాడార్ సిగ్నల్ ప్రాసెసింగ్ అల్గోరిథంల అభివృద్ధి ప్రధానంగా నిజమైన రాడార్ డేటా ఆధారంగా జరుగుతుంది. ఖరీదైన మరియు సమయం తీసుకునే పరీక్షల సమయంలో డేటాబేస్ పొందాలి. అనుకూల క్రూయిజ్ కంట్రోల్ (ACC) వంటి సాపేక్షంగా సరళమైన అనువర్తనం కోసం, ముఖ్యమైన ట్రాఫిక్ పరిస్థితుల యొక్క వివిధ పరీక్షలను పరీక్షా పరుగులు ద్వారా తగినంతగా కవర్ చేయవచ్చు. అయితే, ఇంటర్సెక్షన్ అసిస్టెన్స్ వంటి మరింత అధునాతన అనువర్తనాల కోసం, రాడార్ డేటా యొక్క ప్రాతినిధ్య సమితిని పొందే ప్రయత్నం భరించలేనిది. ఈ కాగితంలో, మేము రాడార్ లక్ష్య జాబితాలను వాస్తవిక కానీ కంప్యూటరీకరణ తక్కువ డిమాండ్ పద్ధతిలో అనుకరించే మార్గాన్ని ప్రతిపాదించాము, ఇది అవసరమైన నిజమైన రాడార్ డేటా మొత్తాన్ని గణనీయంగా తగ్గించడానికి అనుమతిస్తుంది |
bca4e05a45f310ceb327d67278858343e8df7089 | |
1717dee0e8785d963e0333a0bb945757444bb651 | ధ్రువీకరించబడిన చెక్కడం పద్ధతులను ఉపయోగించి, మేము ప్రముఖ ఆపరేటింగ్ సిస్టమ్స్ (ఉదా. విండోస్, లైనక్స్, మరియు OSX) తరచుగా దీర్ఘకాలిక నెట్వర్క్ ట్రాఫిక్ నుండి సిస్టమ్ మెమరీలో మిగిలిన IP ప్యాకెట్లను, ఈథర్నెట్ ఫ్రేమ్లను మరియు అనుబంధ డేటా నిర్మాణాలను కలిగి ఉంటాయి. ఈ సమాచారం ఫోరెన్సిక్ ప్రయోజనాల కోసం ఉపయోగపడుతుంది, ఇందులో మునుపటి కనెక్షన్ కార్యకలాపాలు మరియు ఉపయోగించిన సేవలను స్థాపించడం; సిస్టమ్ యొక్క LAN లేదా WLAN లో ఉన్న ఇతర వ్యవస్థలను గుర్తించడం; హోస్ట్ కంప్యూటర్ సిస్టమ్ యొక్క భౌగోళిక స్థానం; మరియు క్రాస్ డ్రైవ్ విశ్లేషణ. వ్యవస్థ మార్పిడి లేదా నిద్రాణస్థితిలో ఒక మాస్ స్టోరేజ్ మీడియంలో నిలుపుకున్న మెమరీ నుండి కూడా నెట్వర్క్ నిర్మాణాలను తిరిగి పొందవచ్చని మేము చూపిస్తున్నాము. మేము మా నెట్వర్క్ చెక్కడం పద్ధతులు, అల్గోరిథంలు మరియు సాధనాలను ప్రదర్శిస్తాము మరియు వీటిని ఉద్దేశపూర్వకంగా నిర్మించిన మెమరీ చిత్రాలు మరియు తక్షణమే అందుబాటులో ఉన్న ఫోరెన్సిక్ కార్పోరా రెండింటితో ధృవీకరిస్తాము. ఈ సాంకేతికతలు ఫోరెన్సిక్ పనులకు, ముఖ్యంగా మొబైల్ పరికరాలను విశ్లేషించడంలో, మరియు మాల్వేర్ విశ్లేషణ వంటి సైబర్-భద్రతా లక్ష్యాలకు విలువైనవి. ఎల్సెవియర్ లిమిటెడ్ ప్రచురించింది |
62a7cfab468ef3bbd763db8f80745bd93d2be7dd | 2007 నవంబరులో విడుదలైన ఆండ్రాయిడ్ మొబైల్ ఆపరేటింగ్ సిస్టమ్ వేగంగా అభివృద్ధి చెందుతున్నది. ఆండ్రాయిడ్ యూజర్లు తమ పరికరాల్లో భద్రతపై జాగ్రత్తగా పర్యవేక్షణ చేయకపోవడం వల్ల వారి వ్యక్తిగత డేటాను హ్యాక్ చేసే హానికరమైన అనువర్తనాలకు గురవుతారు. మాల్వేర్ ను గుర్తించే పద్ధతులను రూపొందించడంలో అనేక రచనలు జరిగాయి. అయితే, మునుపటి రచనలలో ఏదీ ప్రత్యక్ష అనువర్తనానికి తగినంతగా నిశ్చయాత్మకమైనది కాదు మరియు ప్రయోగాత్మక ధ్రువీకరణ లేదు. ఈ పత్రంలో, మేము హానికరమైన అనువర్తనాల స్వభావం మరియు గుర్తింపులను పరిశోధించాము మరియు గుర్తించడానికి రెండు కొత్త గుర్తింపు విధానాలను రూపొందించాముః నెట్వర్క్ ఆధారిత గుర్తింపు మరియు సిస్టమ్ కాల్ ఆధారిత గుర్తింపు విధానాలు. మా ప్రతిపాదిత విధానాలను అంచనా వేయడానికి, మేము 1260 మాల్వేర్ల ఉపసమితిపై ప్రయోగాలు చేసాము, ఇది యాండ్రాయిడ్ మాల్వేర్ జెనోమ్ ప్రాజెక్ట్ నుండి పొందింది, ఇది Y. Zhou et al చే సృష్టించబడిన మాల్వేర్ డేటాబేస్. [1] మరియు 227 మాల్వేర్ కాని (సున్నితమైన) అనువర్తనాలు. మా సిస్టమ్ కాల్ ఆధారిత విధానం 87% ఖచ్చితత్వంతో మాల్వేర్లను గుర్తించగలదని ఫలితాలు చూపిస్తున్నాయి, ఇది సాధారణ మాల్వేర్ గుర్తింపు సందర్భంలో చాలా ముఖ్యమైనది. మా ప్రతిపాదిత డిటెక్షన్ విధానాలు ప్రయోగాత్మక ఫలితాలతో పాటు ఆండ్రాయిడ్ సిస్టమ్స్లో మొబైల్ మాల్వేర్లపై వారి దర్యాప్తులో భద్రతా నిపుణులకు మరింత ఖచ్చితమైన మరియు పరిమాణాత్మక విధానాలను అందిస్తాయి. |
e2d76fc1efbbf94a624dde792ca911e6687a4fd4 | గూగుల్ యొక్క అధికారిక మార్కెట్లో 50 బిలియన్లకు పైగా డౌన్లోడ్లు మరియు 1.3 మిలియన్లకు పైగా అనువర్తనాలతో, ఆండ్రాయిడ్ ప్రపంచవ్యాప్తంగా స్మార్ట్ఫోన్ వినియోగదారులలో ప్రజాదరణ పొందడం కొనసాగింది. అదే సమయంలో, ప్లాట్ఫామ్ను లక్ష్యంగా చేసుకున్న మాల్వేర్లలో పెరుగుదల ఉంది, ఇటీవలి జాతులు అత్యంత అధునాతనమైన గుర్తింపు నివారణ పద్ధతులను ఉపయోగిస్తున్నాయి. తెలియని మాల్వేర్లను గుర్తించడంలో సాంప్రదాయ సంతకం ఆధారిత పద్ధతులు తక్కువ శక్తివంతమైనవిగా మారడంతో, సకాలంలో జీరో-డే డిస్కవరీ కోసం ప్రత్యామ్నాయాలు అవసరం. అందువల్ల ఈ పత్రం ఆండ్రాయిడ్ మాల్వేర్ గుర్తింపు కోసం సమగ్ర అభ్యాసాన్ని ఉపయోగించే విధానాన్ని ప్రతిపాదించింది. ఇది Android మాల్వేర్ గుర్తింపు ఖచ్చితత్వాన్ని మెరుగుపరచడానికి స్టాటిక్ విశ్లేషణ యొక్క ప్రయోజనాలను సమగ్ర యంత్ర అభ్యాస సామర్థ్యం మరియు పనితీరుతో మిళితం చేస్తుంది. ప్రముఖ యాంటీవైరస్ తయారీదారుల నుంచి మాల్వేర్ నమూనాల భారీ రిపోజిటరీ, హానికర యాప్లను ఉపయోగించి మెషిన్ లెర్నింగ్ మోడల్స్ నిర్మించబడ్డాయి. సమగ్ర అభ్యాస శక్తిని పెంచడానికి పెద్ద ఫీచర్ స్పేస్ ను ఉపయోగించే ప్రతిపాదిత పద్ధతి చాలా తక్కువ తప్పుడు పాజిటివ్ రేట్లతో 97.3 శాతం నుండి 99% వరకు గుర్తింపు ఖచ్చితత్వాన్ని కలిగి ఉందని ప్రదర్శించబడిన ప్రయోగాత్మక ఫలితాలు మరియు విశ్లేషణలు చూపిస్తున్నాయి. కీలక పదాలు మొబైల్ భద్రత; ఆండ్రాయిడ్; మాల్వేర్ గుర్తింపు; సమగ్ర అభ్యాసం; స్థిర విశ్లేషణ; యంత్ర అభ్యాసం; డేటా మైనింగ్; యాదృచ్ఛిక అడవి |
08d32340e0e6aa50952860b90dfba2fe4764a85a | మార్కెట్లో స్మార్ట్ ఫోన్ల సంఖ్య గణనీయంగా పెరగడంతో పాటు ఆండ్రాయిడ్ ప్లాట్ ఫామ్ మార్కెట్ లీడర్ గా మారే అవకాశం ఉంది. ఈ ప్లాట్ ఫామ్ పై మాల్వేర్ విశ్లేషణ యొక్క అవసరం అత్యవసర సమస్యగా మారింది. ఈ వ్యాసంలో, ఆండ్రాయిడ్ ప్లాట్ఫామ్లో మాల్వేర్ను గుర్తించే సాధనంగా అప్లికేషన్ ప్రవర్తన యొక్క డైనమిక్ విశ్లేషణకు మునుపటి విధానాలను మేము ఉపయోగించుకుంటాము. ఈ డిటెక్టర్ ఒక సాధారణ ఫ్రేమ్వర్క్లో చేర్చబడింది, ఇది క్రౌడ్ సోర్సింగ్ ఆధారంగా అపరిమిత సంఖ్యలో నిజమైన వినియోగదారుల నుండి ట్రాక్లను సేకరించడానికి ఉద్దేశించబడింది. మా ఫ్రేమ్ వర్క్ ను రెండు రకాల డేటా సెట్ లను ఉపయోగించి సెంట్రల్ సర్వర్ లో సేకరించిన డేటాను విశ్లేషించడం ద్వారా ప్రదర్శించాం: పరీక్షా ప్రయోజనాల కోసం సృష్టించబడిన కృత్రిమ మాల్వేర్ నుండి వచ్చినవి, మరియు అడవిలో కనిపించే నిజమైన మాల్వేర్ నుండి వచ్చినవి. ఈ పద్ధతి మాల్వేర్ ను వేరుచేయడానికి మరియు డౌన్లోడ్ చేసిన మాల్వేర్ యొక్క వినియోగదారులను హెచ్చరించడానికి సమర్థవంతమైన మార్గంగా నిరూపించబడింది. ఇది గుర్తించిన మాల్వేర్ ను పెద్ద సమాజానికి వ్యాప్తి చేయకుండా ఉండటానికి సంభావ్యతను చూపిస్తుంది. |
12ef153d9c7ccc374d56acf34b59fb2eaec6f755 | ముఖ్యంగా, ఒక సంవత్సరం పాటు చేసిన కృషితో, మేము 1,200 కంటే ఎక్కువ మాల్వేర్ నమూనాలను సేకరించగలిగాము, ఇవి ప్రస్తుతమున్న ఆండ్రాయిడ్ మాల్వేర్ కుటుంబాలలో ఎక్కువ భాగం, ఆగస్టు 2010 లో వారి తొలి ప్రదర్శన నుండి అక్టోబర్ 2011 లో ఇటీవలి వాటి వరకు ఉంటాయి. అంతేకాకుండా, వాటి వ్యవస్థాపన పద్ధతులు, యాక్టివేషన్ మెకానిజాలు, అలాగే వాటిలో ఉండే హానికరమైన వస్తువుల స్వభావం వంటి వివిధ అంశాలపై కూడా మేము క్రమపద్ధతిలో వాటిని వర్గీకరిస్తాము. ప్రాతినిధ్య కుటుంబాల యొక్క లక్షణీకరణ మరియు తదుపరి పరిణామ-ఆధారిత అధ్యయనం వారు ఇప్పటికే ఉన్న మొబైల్ యాంటీ-వైరస్ సాఫ్ట్వేర్ నుండి గుర్తించడాన్ని తప్పించుకోవడానికి వేగంగా అభివృద్ధి చెందుతున్నారని వెల్లడించింది. నాలుగు ప్రాతినిధ్య మొబైల్ భద్రతా సాఫ్ట్ వేర్ లతో చేసిన అంచనా ఆధారంగా, మా ప్రయోగాలు ఉత్తమమైన కేసు 79.6% గుర్తించాయని, చెత్త కేసు 20.2% మాత్రమే గుర్తించాయని చూపించాయి. ఈ ఫలితాల వల్ల మొబైల్ మాల్వేర్ నిరోధక పరిష్కారాలను మరింత మెరుగ్గా అభివృద్ధి చేయాల్సిన అవసరం ఉందని స్పష్టమైంది. స్మార్ట్ ఫోన్ల ప్రజాదరణ, వాటి వినియోగం మొబైల్ మాల్వేర్ల వ్యాప్తిని, ముఖ్యంగా ఆండ్రాయిడ్ వంటి ప్రముఖ ప్లాట్ఫామ్లలో విస్తరించడానికి దోహదపడింది. వీటి వేగవంతమైన పెరుగుదల దృష్ట్యా సమర్థవంతమైన పరిష్కారాలను అభివృద్ధి చేయాల్సిన అవసరం ఉంది. అయితే, ఈ కొత్త మొబైల్ మాల్వేర్ల గురించి మనకు ఉన్న పరిమిత అవగాహన, సంబంధిత నమూనాలకు సకాలంలో ప్రాప్యత లేకపోవడం వల్ల మన రక్షణ సామర్థ్యం ఎక్కువగా పరిమితం చేయబడింది. ఈ వ్యాసంలో, మేము ఆండ్రాయిడ్ ప్లాట్ఫాంపై దృష్టి పెడతాము మరియు ఇప్పటికే ఉన్న ఆండ్రాయిడ్ మాల్వేర్ను క్రమబద్ధీకరించడానికి లేదా వర్గీకరించడానికి ప్రయత్నిస్తాము. |
8e0b8e87161dd4001d31832d5d9864fd31e8eccd | ఈ పత్రం 0.88 GHz (7.76 - 8.64 GHz) నుండి 6.75 GHz (3.49 - 10.24 GHz) వరకు దీర్ఘచతురస్రాకార పాచ్ యాంటెన్నా యొక్క బ్యాండ్విడ్త్ పెంచడానికి సాంకేతికతను అందిస్తుంది. ఈ సాంకేతికత ఇన్సెట్ ఫీడ్ ప్యాచ్ యాంటెన్నాను ఉపయోగించి, విస్తృత బ్యాండ్విడ్త్ సాధించడానికి సవరించిన గ్రౌండ్ ప్లేన్ తో ఉంటుంది. మేము మూడు రకాలైన దీర్ఘచతురస్రాకార పాచ్ యాంటెన్నాలను ప్రతిపాదించనున్నాము: మైక్రోస్ట్రిప్ లైన్ ద్వారా సరళమైన దీర్ఘచతురస్రాకార పాచ్, ఇన్సెట్ ఫీడ్ దీర్ఘచతురస్రాకార పాచ్ మరియు ఇన్సెట్ ఫీడ్ దీర్ఘచతురస్రాకార పాచ్ తో భూమి విమానం సవరించబడుతుంది. చివరి సిమ్యులేషన్ ఫలితం ఫ్రీక్వెన్సీ యొక్క దిగువ అంచు 7.76 GHz నుండి 3.49 GHz కి తగ్గించబడిందని మరియు ఫ్రీక్వెన్సీ యొక్క ఎగువ అంచు 8.64 GHz నుండి 10.24 GHz కి మార్చబడిందని చూపిస్తుంది, ఇది బ్రాడ్బ్యాండ్ కోసం దీర్ఘచతురస్రాకార పాచ్ యాంటెన్నా యొక్క బ్యాండ్విడ్త్ పెంచడానికి ఒక ఎంపిక. మైక్రోస్ట్రిప్ ప్యాచ్ యాంటెన్నా యొక్క పెరుగుతున్న బ్యాండ్విడ్త్ వివరాలు వివరించబడ్డాయి మరియు IE3D జేలాండ్ సాఫ్ట్వేర్ను ఉపయోగించి పొందిన వైడ్బ్యాండ్ పనితీరు కోసం అనుకరణ ఫలితాలు ప్రదర్శించబడ్డాయి. |
3cd0b6a48b14f86ed261240f30113a41bacd2255 | మానవ మరియు కంప్యూటర్ల మధ్య పరస్పర చర్యలో సందర్భం ఒక కీలకమైన అంశం, ఇది చుట్టుపక్కల వాస్తవాలను వివరిస్తుంది, ఇది అర్ధాన్ని జోడిస్తుంది. మొబైల్ కంప్యూటింగ్ పరిశోధనలో పారామితి స్థానాన్ని తరచుగా సందర్భం మరియు సందర్భ-అవగాహన అనువర్తనాలను అమలు చేయడానికి ఉపయోగిస్తారు. కదలికలో ఉన్నప్పుడు పనిచేసే మరియు పనిచేసే పరికరాల ద్వారా వర్గీకరించబడిన అల్ట్రా మొబైల్ కంప్యూటింగ్ (ఉదా. PDA లు, మొబైల్ ఫోన్లు, ధరించగలిగే కంప్యూటర్లు) వంటివి, సందర్భం యొక్క విస్తృత భావన నుండి గణనీయంగా ప్రయోజనం పొందవచ్చు. ఈ రంగం నిర్మాణానికి మేము సందర్భం కోసం ఒక పని నమూనాను పరిచయం చేస్తాము, స్థానం దాటి సందర్భం పొందటానికి యంత్రాంగాలను చర్చిస్తాము మరియు అల్ట్రా-మొబైల్ కంప్యూటింగ్లో సందర్భం-అవగాహన యొక్క అనువర్తనం. మేము సందర్భ-అవగాహన కోసం సెన్సార్ల ఉపయోగాన్ని పరిశీలిస్తాము మరియు రెండు నమూనా అమలులను ప్రదర్శిస్తాము-కాంతి సున్నితమైన ప్రదర్శన మరియు ధోరణికి సంబంధించిన PDA ఇంటర్ఫేస్. ఈ భావన తరువాత మరింత అధునాతన సందర్భ గుర్తింపును ప్రారంభించడానికి సెన్సార్ ఫ్యూజన్ కోసం ఒక నమూనాకు విస్తరించబడింది. నమూనా అమలు ఆధారంగా ఒక ప్రయోగం వర్ణించబడింది మరియు విధానం యొక్క సాధ్యత ప్రదర్శించబడింది. మరింత అధునాతన సందర్భాలలో సమాచారాన్ని సేకరించేందుకు సెన్సార్ల కలయికను అన్వేషిస్తాము. 1 పరిచయం సందర్భం అంటే "మరొకదాని చుట్టూ ఉన్నది, మరియు మరొకదానికి అర్ధం ఇస్తుంది" =. గత 40 ఏళ్లుగా వివిధ రంగాల్లోని కంప్యూటర్ సైన్స్ ఈ భావనను పరిశీలిస్తూ, సమాచార ప్రాసెసింగ్ మరియు కమ్యూనికేషన్ను అటువంటి ప్రాసెసింగ్ జరిగే పరిస్థితుల అంశాలకు సంబంధించినదిగా చూస్తోంది. ముఖ్యంగా, సహజ భాషా ప్రాసెసింగ్లో మరియు సాధారణంగా మానవ-కంప్యూటర్ పరస్పర చర్యలో సందర్భం ఒక ముఖ్య భావన. ఉదాహరణకు, స్టేట్ ఆఫ్ ది ఆర్ట్ గ్రాఫికల్ యూజర్ ఇంటర్ఫేస్లు మెనూలను వినియోగదారు ప్రాధాన్యత మరియు డైలాగ్ స్థితి వంటి సందర్భాలకు అనుగుణంగా మార్చడానికి సందర్భం ఉపయోగిస్తాయి. మొబైల్ కంప్యూటింగ్ అనేది ఒక కొత్త రంగం, దీనిలో ప్రస్తుతం పెరుగుతున్న శ్రద్ధ వహిస్తున్నారు. మొబైల్ కంప్యూటింగ్ యొక్క మొదటి తరంగం పోర్టబుల్ జనరల్ పర్పస్ కంప్యూటర్లపై ఆధారపడింది మరియు ప్రధానంగా స్థాన పారదర్శకతపై దృష్టి సారించింది, రెండవ తరంగం ఇప్పుడు అల్ట్రా-మొబైల్ పరికరాలపై ఆధారపడింది మరియు వీటిని వాటి పరిసర వినియోగ పరిస్థితులతో అనుసంధానించడానికి ఆసక్తి ఉంది. అల్ట్రా మొబైల్ పరికరాలు చిన్న మొబైల్ కంప్యూటర్ల యొక్క కొత్త తరగతి, ఇది కదలికలో ఉన్నప్పుడు పనిచేసే మరియు పనిచేసే కంప్యూటింగ్ పరికరాలుగా నిర్వచించబడింది మరియు సాధారణ-ప్రయోజన కంప్యూటింగ్ నుండి పని-నిర్దిష్ట మద్దతుకు మారడం ద్వారా వర్గీకరించబడుతుంది. అల్ట్రా మొబైల్ పరికరాలు ఉదాహరణకు వ్యక్తిగత డిజిటల్ అసిస్టెంట్లు (PDA లు), మొబైల్ ఫోన్లు మరియు ధరించగలిగే కంప్యూటర్లు. మొబైల్ కంప్యూటింగ్లో సందర్భ-అవగాహన యొక్క ప్రాధమిక ఆందోళన వినియోగదారు మరియు వారి అల్ట్రా-మొబైల్ పరికరం చుట్టూ ఉన్న భౌతిక వాతావరణం యొక్క అవగాహన. ఇటీవలి పనిలో, ఈ సమస్యను స్థానం-అవగాహన అమలు చేయడం ద్వారా పరిష్కరించబడింది, ఉదాహరణకు గ్లోబల్ పొజిషనింగ్ ఆధారంగా లేదా బీకాన్ల ఉపయోగం. స్థానం ... |
62edb6639dc857ad0f33e5d8ef97af89be7a3bc7 | కార్యాలయ వాతావరణంలో వ్యక్తుల స్థానానికి ఒక నవల వ్యవస్థ వివరించబడింది. సిబ్బంది సభ్యులు తమ స్థానాన్ని గురించి సమాచారాన్ని అందించే సంకేతాలను సెంట్రలైజ్డ్ లొకేషన్ సర్వీస్కు, సెన్సార్ల నెట్వర్క్ ద్వారా ప్రసారం చేసే బ్యాడ్జ్లను ధరిస్తారు. ప్రత్యామ్నాయ స్థాన పద్ధతులు, వ్యవస్థ రూపకల్పన సమస్యలు మరియు అనువర్తనాలు, ముఖ్యంగా టెలిఫోన్ కాల్ రూటింగ్కు సంబంధించినవి కూడా ఈ పత్రంలో పరిశీలించబడ్డాయి. లొకేషన్ సిస్టమ్స్ ఒక వ్యక్తి యొక్క గోప్యత గురించి ఆందోళనలను పెంచుతాయి మరియు ఈ సమస్యలు కూడా పరిష్కరించబడతాయి. |
a332fa84fb865fac25e9c7cf0c18933303a858d0 | వైద్య అవసరాల కోసం మైక్రోవేవ్ టోమోగ్రాఫిక్ ఇమేజింగ్ వ్యవస్థల అభివృద్ధిలో ఇటీవలి సంవత్సరాలలో గణనీయమైన పురోగతి సాధించబడింది. పారిశ్రామిక అనువర్తనాల కోసం తగిన మైక్రోవేవ్ ఇమేజింగ్ వ్యవస్థను రూపొందించడానికి మరియు ఉత్పత్తి చేయబడిన చిత్రాలను అర్థం చేసుకోవడానికి, ఇమేజింగ్ కింద పదార్థాలను వర్ణించాల్సిన అవసరం ఉంది. ఈ వ్యాసంలో, 400MHz మరియు 20GHz మధ్య పౌనఃపున్యాల వద్ద ద్రవాల యొక్క విద్యుద్వాహక లక్షణాల కొలత కోసం ఓపెన్-ఎండ్ కోక్సియల్ ప్రోబ్స్ యొక్క ఉపయోగాన్ని మేము వివరిస్తాము. మిస్స్రా-బ్లాక్హామ్ నమూనాను ఉపయోగించి వివిధ లవణీయత కలిగిన నీటితో సహా పలు ద్రవాల కోసం పొందిన ఫలితాలను సాహిత్యంలో ప్రచురించిన వాటితో పోల్చారు, ఇది మంచి ఒప్పందాన్ని చూపిస్తుంది. ముఖ్యంగా ఉప్పునీటి విషయంలో, ఉప్పునీటిపై ఆధారపడి కనీస నష్టం సంభవిస్తుంది. 0.2% NaCl చేర్చడం కోసం ఇది 1.5GHz నుండి 3.5% NaCl చేర్చడం కోసం 7GHz వరకు మారవచ్చు. అనుమతి యొక్క వాస్తవ భాగం కూడా 400MHz నుండి 20GHz వరకు సుమారు 50% మారవచ్చు. |
c02fd0b0ad018556de5f9cddcccdf813c8fbb0f8 | సుదూర సెన్సింగ్ వర్గీకరణ సమస్యలపై అధిక రిజల్యూషన్ ఉపగ్రహ చిత్రాలను ఎక్కువగా ఉపయోగిస్తున్నారు. ఈ రకమైన డేటా లభ్యత ప్రధాన కారకాల్లో ఒకటి. అధిక లభ్యత ఉన్నప్పటికీ, జీబ్రా క్రాసింగ్ వర్గీకరణ సమస్యపై చాలా తక్కువ కృషి జరిగింది. ఈ లేఖలో, పాదచారుల క్రాస్ ఓవర్లకు సంబంధించిన పనుల కోసం పెద్ద ఎత్తున ఉపగ్రహ చిత్రాల డేటాబేస్ యొక్క ఆటోమేటిక్ సముపార్జన మరియు వ్యాఖ్యానించడానికి వీలుగా క్రౌడ్ సోర్సింగ్ వ్యవస్థలను దోపిడీ చేస్తారు. అప్పుడు, ఈ డేటా సమితిని లోతైన-అభ్యాస-ఆధారిత నమూనాలను శిక్షణ ఇవ్వడానికి ఉపయోగిస్తారు, తద్వారా జీబ్రా క్రాసింగ్లను కలిగి ఉన్న లేదా కలిగి లేని ఉపగ్రహ చిత్రాలను ఖచ్చితంగా వర్గీకరించవచ్చు. ఈ ప్రయోగాల్లో 3 ఖండాలు, 9 దేశాలు, 20 నగరాల నుంచి 240000 చిత్రాలతో కూడిన కొత్త డేటా సమితిని ఉపయోగించారు. ప్రయోగాత్మక ఫలితాలు ప్రపంచ స్థాయిలో క్రాస్ పాదచారుల వర్గీకరణను నిర్వహించడానికి దృ model మైన నమూనాలను (97.11%) శిక్షణ ఇవ్వడానికి ఉచితంగా లభించే క్రౌడ్ సోర్సింగ్ డేటాను ఉపయోగించవచ్చని చూపించాయి. |
c14dff27746b49bea3c5f68621261f266a766461 | |
f32d9a72d51f6db6ec26f0209be73dd3c400b42e | కొన్నింటిని నిషేధించే ప్రతిపాదనను రూపొందించడానికి 10 పాయింట్ల ప్రణాళిక---అన్నింటిని కాకపోయినా---మరణకరమైన స్వయంప్రతిపత్త ఆయుధాలు. |
bbbd015155bbe5098aad6b49a548e9f3570e49ec | ఈ పత్రం ముఖ గుర్తింపు కోసం ఒక నవల గాబోర్-ఫిషర్ (1936) వర్గీకరణ (GFC) ను పరిచయం చేస్తుంది. GFC పద్ధతి, ఇది ప్రకాశం మరియు ముఖ వ్యక్తీకరణలో మార్పులకు బలంగా ఉంటుంది, ముఖ చిత్రాల యొక్క గాబోర్ వేవ్లెట్ ప్రాతినిధ్యం నుండి పొందిన వృద్ధి చెందిన గాబోర్ ఫీచర్ వెక్టర్కు మెరుగైన ఫిషర్ లీనియర్ డిస్క్రిమినేంట్ మోడల్ (EFM) ను వర్తిస్తుంది. ఈ కాగితం యొక్క కొత్తదనం 1) విస్తరించిన గాబోర్ ఫీచర్ వెక్టర్ యొక్క ఉత్ప్రేరకం, దీని పరిమాణం డేటా కంప్రెషన్ మరియు గుర్తింపు (సాధారణీకరణ) పనితీరు రెండింటినీ పరిగణనలోకి తీసుకోవడం ద్వారా EFM ను ఉపయోగించి మరింత తగ్గించబడుతుంది; 2) బహుళ-తరగతి సమస్యలకు గాబోర్-ఫిషర్ వర్గీకరణకారి అభివృద్ధి; మరియు 3) విస్తృతమైన పనితీరు అంచనా అధ్యయనాలు. ప్రత్యేకించి, వివిధ వర్గీకరణలకు వర్తించే వివిధ సారూప్య కొలతల యొక్క తులనాత్మక అధ్యయనాలను మేము నిర్వహించాము. మేము వివిధ ముఖ గుర్తింపు పథకాలపై కూడా తులనాత్మక ప్రయోగాత్మక అధ్యయనాలు జరిపాము, ఇందులో మా నవల GFC పద్ధతి, గాబోర్ వేవ్లెట్ పద్ధతి, ఆయా ముఖాల పద్ధతి, ఫిషర్ ముఖాల పద్ధతి, EFM పద్ధతి, గాబోర్ మరియు ఆయా ముఖాల పద్ధతి కలయిక, మరియు గాబోర్ మరియు ఫిషర్ ముఖాల పద్ధతి కలయిక. కొత్త జిఎఫ్సి పద్ధతి యొక్క సాధ్యత ముఖ గుర్తింపుపై విజయవంతంగా పరీక్షించబడింది, 200 మంది వ్యక్తులకు అనుగుణంగా 600 ఫెరెట్ ఫ్రంటల్ ఫేస్ ఇమేజ్లను ఉపయోగించి, ఇవి వేరియబుల్ లైటింగ్ మరియు ముఖ కవళికల క్రింద పొందబడ్డాయి. ఈ కొత్త జిఎఫ్ సి పద్ధతి కేవలం 62 లక్షణాలను ఉపయోగించి ముఖ గుర్తింపులో 100% ఖచ్చితత్వాన్ని సాధిస్తుంది. |
0160ec003ae238a98676b6412b49d4b760f63544 | దృశ్య అభ్యాసానికి ఒక పర్యవేక్షణ లేని సాంకేతికతను మేము ప్రదర్శిస్తాము, ఇది ఐగెన్స్పేస్ విచ్ఛిన్నతను ఉపయోగించి అధిక-పరిమాణ ప్రదేశాలలో సాంద్రత అంచనాపై ఆధారపడి ఉంటుంది. శిక్షణా డేటాను మోడలింగ్ చేయడానికి రెండు రకాల సాంద్రత అంచనాలు తీసుకోబడ్డాయిః బహుళ వేరియంట్ గౌసియన్ (యూనిమోడల్ పంపిణీలకు) మరియు మిశ్రమం-ఆఫ్-గౌసియన్స్ మోడల్ (మల్టీమోడల్ పంపిణీలకు). ఈ సంభావ్యత సాంద్రతలు ఆటోమేటిక్ ఆబ్జెక్ట్ రికగ్నిషన్ మరియు కోడింగ్ కోసం దృశ్య శోధన మరియు లక్ష్య గుర్తింపు కోసం గరిష్ట-సంభావ్యత అంచనా ఫ్రేమ్వర్క్ను రూపొందించడానికి ఉపయోగించబడతాయి. మా అభ్యాస పద్ధతి సంభావ్యత దృశ్యమాన మోడలింగ్, గుర్తింపు, గుర్తింపు, మరియు మానవ ముఖాలు మరియు చేతులు వంటి అస్థిర వస్తువులు కోడింగ్ వర్తించబడుతుంది. |
ac2c955a61002b674bd104b91f89087271fc3b8e | ఈ పత్రంలో బహుళస్థాయి బూస్ట్ పవర్ ఫ్యాక్టర్ కరెక్టిఫికేషన్ (పిఎఫ్సి) రెక్టిఫైయర్ను క్యాస్కేడ్ కంట్రోలర్ మరియు మల్టీకారియర్ పల్స్ వెడల్పు మాడ్యులేషన్ టెక్నిక్ ద్వారా నియంత్రించబడుతుంది. ఈ టోపోలాజీలో సారూప్యమైన వాటితో పోలిస్తే తక్కువ క్రియాశీల సెమీకండక్టర్ స్విచ్లు ఉన్నాయి, ఇది తయారైన పెట్టెను గణనీయంగా తగ్గిస్తుంది. అధ్యయనం చేసిన కన్వర్టర్లో ఒక సాధారణ నియంత్రిక అమలు చేయబడింది, ఇది అవుట్పుట్లో స్థిరమైన వోల్టేజ్ను ఉత్పత్తి చేస్తుంది, అదే సమయంలో ఇన్పుట్లో ఐదు-స్థాయి వోల్టేజ్ తరంగ ఆకారాన్ని ఉత్పత్తి చేస్తుంది, లోడ్ను DC బస్ కెపాసిటర్ల తటస్థ బిందువుకు కనెక్ట్ చేయకుండా. స్థిర స్విచింగ్ ఫ్రీక్వెన్సీ వద్ద నియంత్రణ సిగ్నల్ నుండి స్విచింగ్ పల్స్ ను ఉత్పత్తి చేయడానికి మల్టీ క్యారియర్ పల్స్-విడ్త్ మాడ్యులేషన్ టెక్నిక్ ఉపయోగించబడింది. బహుళస్థాయి వోల్టేజ్ తరంగ ఆకారం హార్మోనిక్లను సమగ్రంగా విశ్లేషించారు, ఇది ఇన్పుట్ కరెంట్ యొక్క హార్మోనిక్ కంటెంట్లను మరియు అవసరమైన ఫిల్టర్ల పరిమాణాన్ని నేరుగా ప్రభావితం చేస్తుంది. ఎసి వైపు పవర్ ఫ్యాక్టర్ ను సరిచేయడంతో పాటు ప్రస్తుత హార్మోనిక్ లను గణనీయంగా తగ్గించేటప్పుడు ఎసి గ్రిడ్ నుండి డిసి లోడ్లకు విద్యుత్తును అందించడంలో ప్రతిపాదిత ఐదు-స్థాయి పిఎఫ్సి బూస్ట్ రెక్టిఫైయర్ యొక్క మంచి డైనమిక్ పనితీరును పూర్తి ప్రయోగాత్మక ఫలితాలు ధృవీకరిస్తున్నాయి. |
c2fafa93bd9b91ede867d4979bc747334d989040 | వేలిముద్రల యొక్క ముఖ్యమైన లక్షణాలుగా ఉన్న మినిటియస్ వేలిముద్రల గుర్తింపు వ్యవస్థలలో ముఖ్యమైన పాత్ర పోషిస్తుంది. ప్రస్తుతం ఉన్న చాలా చిన్న పదార్థాల వెలికితీత పద్ధతులు బైనరైజేషన్, సన్నబడటం మరియు మెరుగుదల వంటి చేతితో నిర్వచించిన పూర్వ ప్రక్రియల శ్రేణిపై ఆధారపడి ఉంటాయి. అయితే, ఈ పూర్వ ప్రక్రియలకు బలమైన ముందస్తు జ్ఞానం అవసరం మరియు ఎల్లప్పుడూ నష్టపరిహార కార్యకలాపాలు. మరియు అది చిన్న వివరాల యొక్క పడిపోయిన లేదా తప్పుడు వెలికితీతలకు దారి తీస్తుంది. ఈ కాగితంలో, లోతైన కన్వోల్వియనల్ న్యూరల్ నెట్వర్క్ల ఆధారంగా ఒక నవల మినియైట్ వెలికితీత విధానం ప్రతిపాదించబడింది, ఇది ముడి వేలిముద్ర చిత్రాలపై ఎటువంటి ముందస్తు ప్రాసెసింగ్ లేకుండా మినియైట్లను నేరుగా వెలికితీస్తుంది, ఎందుకంటే మేము లోతైన కన్వోల్వియనల్ న్యూరల్ నెట్వర్క్ల యొక్క బలమైన ప్రాతినిధ్య సామర్థ్యాన్ని తెలివిగా ఉపయోగించుకుంటాము. బాగా రూపొందించిన నిర్మాణాల కారణంగా మినిటియాలను సమర్థవంతంగా సేకరించవచ్చు. అంతేకాకుండా, అబద్ధమైన వివరాలను తొలగించడానికి సమగ్ర అంచనా వేయడం ద్వారా ఖచ్చితత్వం హామీ ఇవ్వబడుతుంది. అంతేకాకుండా, అధిక అమరికను నివారించడానికి మరియు దృఢత్వాన్ని మెరుగుపరచడానికి అనేక సాధన నైపుణ్యాలు ఉపయోగించబడతాయి. ఈ విధానం మంచి పనితీరును అందిస్తుంది ఎందుకంటే ఇది వేలిముద్ర చిత్రాలలోని మొత్తం సమాచారాన్ని ఉపయోగించడమే కాకుండా పెద్ద మొత్తంలో డేటా నుండి సూక్ష్మ నమూనాలను కూడా నేర్చుకుంటుంది. మునుపటి పనులతో మరియు విస్తృతంగా ఉపయోగించే వాణిజ్య వేలిముద్రల గుర్తింపు వ్యవస్థతో పోలికలు చేయబడ్డాయి. ఫలితాల ప్రకారం, మా పద్ధతి ఖచ్చితత్వం మరియు దృఢత్వం రెండింటిలోనూ మెరుగైన పనితీరును అందిస్తుంది. |
36b0ba31eb7489772616ea9d5bd789483d494e93 | కొత్త నిబంధనలు పల్స్-విడ్త్-మోడ్యులేటెడ్ (PWM) రెక్టిఫైయర్లతో సాధించబడిన పవర్ కన్వర్టర్ల ద్వారా ఇంజెక్ట్ చేయబడిన ప్రస్తుత హార్మోనిక్లపై మరింత కఠినమైన పరిమితులను విధించాయి. అంతేకాకుండా, అనేక అనువర్తనాలు విద్యుత్ సరఫరాకు శక్తి పునరుత్పత్తి సామర్థ్యాన్ని డిమాండ్ చేస్తాయి. ఈ కృతి పునరుత్పాదక రెక్టిఫైయర్ల రంగంలో సాంకేతిక పరిజ్ఞానం యొక్క స్థితిని అందిస్తుంది, ఇది తక్కువ ఇన్పుట్ హార్మోనిక్లు మరియు మెరుగైన శక్తి కారకం. పునరుత్పాదక రెక్టిఫైయర్లు డిసి వైపు నుండి ఎసి విద్యుత్ సరఫరాకు శక్తిని తిరిగి పంపిణీ చేయగలవు. సింగిల్- మరియు త్రి-ఫేజ్ విద్యుత్ సరఫరా కోసం టోపోలాజీలు వాటికి సంబంధించిన నియంత్రణ వ్యూహాలతో పరిగణించబడతాయి. కొన్ని కిలోవాట్ల నుండి అనేక మెగావాట్ల వరకు శక్తి పరిధిలో వివిధ ప్రక్రియలలో వోల్టేజ్ మరియు ప్రస్తుత-సోర్స్ PWM రెక్టిఫైయర్ల అనువర్తనానికి ప్రత్యేక శ్రద్ధ ఇవ్వబడుతుంది. ఈ పత్రం PWM పునరుత్పాదక రెక్టిఫైయర్లు విస్తృతమైన పారిశ్రామిక అంగీకారంతో అత్యంత అభివృద్ధి చెందిన మరియు పరిణతి చెందిన సాంకేతికత అని చూపిస్తుంది. |
7b8031213276b23060fbd17d1d7182835fc2e0c3 | ఈ పత్రం ఒక 130 nm SiGe BiCMOS టెక్నాలజీలో గిల్బర్ట్ సెల్ ఆధారిత ఫ్రీక్వెన్సీ డబులర్గా అమలు చేయబడిన ఒక ఇంటిగ్రేటెడ్ ఫ్రీక్వెన్సీ మల్టిప్లైయర్ను వివరిస్తుంది. ఈ సర్క్యూట్ 97-134GHz యొక్క 3 dB బ్యాండ్విడ్త్ను ప్రదర్శిస్తుంది, 1 dBm ఇన్పుట్ శక్తి కోసం 1 dBm గరిష్ట అవుట్పుట్ శక్తితో. ఒకే-ముగింపు అవుట్పుట్లో కొలుస్తారు, ప్రాథమిక అణచివేత 21 dBc కంటే మంచిది, ఫ్రీక్వెన్సీ డబులర్ 3.3V సరఫరా నుండి 69mW ను వినియోగిస్తుంది. గిల్బర్ట్ సెల్ కోసం ఒక డిఫరెన్షియల్ సిగ్నల్ ను ఉత్పత్తి చేయడానికి డబ్లర్ ముందు ఒక డిఫరెన్షియల్ యాంప్లిఫైయర్ ఒక క్రియాశీల బలోన్ గా పనిచేస్తుంది. |
2495ebdcb6da8d8c2e82cf57fcaab0ec003d571d | పెద్ద సంఖ్యలో చిత్రాల డేటాసెట్ను బట్టి, దృశ్యపరంగా ఒకేలా ఉండే వస్తువు మరియు దృశ్య తరగతులను వాటి చిత్ర విభజనతో పాటు స్వయంచాలకంగా గుర్తించడానికి ప్రయత్నిస్తాము. దీన్ని సాధించడానికి మేము రెండు ఆలోచనలను మిళితం చేస్తాము: (i) గణాంక వచన విశ్లేషణ నుండి టాపిక్ డిస్కవరీ మోడళ్లను ఉపయోగించి విభాగీకరణ వస్తువుల సమితిని దృశ్య వస్తువు తరగతులలో విభజించవచ్చు; మరియు (ii) విభాగీకరణ యొక్క ఖచ్చితత్వాన్ని అంచనా వేయడానికి దృశ్య వస్తువు తరగతులను ఉపయోగించవచ్చు. ఈ ఆలోచనలను ఒకదానితో ఒకటి అనుసంధానించడానికి మేము ప్రతి చిత్రం యొక్క బహుళ విభాగాలను లెక్కించాము మరియు తరువాత: (i) వస్తువు తరగతులను నేర్చుకోండి; మరియు (ii) సరైన విభాగాలను ఎంచుకోండి. ఈ అల్గోరిథం కాలిటెక్, ఎంఎస్ఆర్సీ, లేబుల్మీ వంటి వివిధ రకాల ఇమేజ్ డేటాసెట్లలో అనేక తెలిసిన వస్తువులను ఆటోమేటిక్గా గుర్తించడంలో విజయవంతం అవుతుందని మేము ప్రదర్శిస్తున్నాము. |
6d4e3616d0b27957c4107ae877dc0dd4504b69ab | ఈ వ్యాసంలో, వీడియోలలోని ముడి స్పేస్-టైమ్పోరల్ సిగ్నల్స్ నుండి దృశ్య ప్రాతినిధ్యాలను నేర్చుకోవడానికి ఒక విధానాన్ని మేము ప్రదర్శిస్తాము. మన ప్రాతినిధ్యం అర్థ లేబుల్స్ నుండి పర్యవేక్షణ లేకుండా నేర్చుకుంటారు. మేము మా పద్ధతిని ఒక పర్యవేక్షణ లేని క్రమబద్ధ ధృవీకరణ పనిగా రూపొందించాము, అనగా, వీడియో నుండి ఫ్రేమ్ల క్రమం సరైన కాల క్రమంలో ఉందో లేదో మేము నిర్ణయిస్తాము. ఈ సాధారణ పనితో మరియు అర్థ లేబుల్స్ లేకుండా, మేము ఒక కన్వొల్యూషనల్ న్యూరల్ నెట్వర్క్ (CNN) ను ఉపయోగించి శక్తివంతమైన దృశ్య ప్రాతినిధ్యాలను నేర్చుకుంటాము. ఈ ప్రాతినిధ్యంలో ఇమేజ్ నెట్ వంటి పర్యవేక్షించబడిన ఇమేజ్ డేటాసెట్ల నుండి నేర్చుకున్న దానికి అనుబంధ సమాచారం ఉంది. గుణాత్మక ఫలితాలు మా పద్ధతి మానవ భంగిమ వంటి కాలక్రమేణా మారుతున్న సమాచారాన్ని సంగ్రహిస్తుందని చూపిస్తుంది. చర్య గుర్తింపు కోసం ప్రీ-ట్రైనింగ్ గా ఉపయోగించినప్పుడు, మా పద్ధతి UCF101 మరియు HMDB51 వంటి బెంచ్మార్క్ డేటాసెట్లపై బాహ్య డేటా లేకుండా నేర్చుకోవడంపై గణనీయమైన లాభాలను ఇస్తుంది. మానవ భంగిమకు దాని సున్నితత్వాన్ని ప్రదర్శించడానికి, FLIC మరియు MPII డేటాసెట్లపై భంగిమ అంచనా కోసం ఫలితాలను మేము చూపిస్తాము, ఇవి పోటీగా ఉంటాయి లేదా గణనీయంగా ఎక్కువ పర్యవేక్షణను ఉపయోగించే విధానాల కంటే మెరుగ్గా ఉంటాయి. మా పద్ధతి పర్యవేక్షించబడిన ప్రాతినిధ్యాలతో కలపవచ్చు, ఇది ఖచ్చితత్వంలో అదనపు బూస్ట్ను అందిస్తుంది. |
f226ec13e016943102eb7ebedab7cf3e9bef69b2 | |
f7ec4269303b4f5a4b4964a278a149a69f2a5910 | అల్జీమర్స్ వ్యాధి (AD) యొక్క ఖచ్చితమైన మరియు ప్రారంభ రోగ నిర్ధారణ రోగి సంరక్షణ మరియు భవిష్యత్ చికిత్స అభివృద్ధికి ముఖ్యమైన పాత్ర పోషిస్తుంది. అయస్కాంత ప్రతిధ్వని చిత్రాలు (ఎంఆర్ఐ) మరియు పాజిట్రాన్ ఎమిషన్ టోమోగ్రఫీ (పిఇటి) వంటి నిర్మాణాత్మక మరియు క్రియాత్మక న్యూరోఇమేజెస్, AD కి సంబంధించిన శరీర నిర్మాణ మరియు క్రియాత్మక నాడీ మార్పులను అర్థం చేసుకోవడానికి సహాయపడే శక్తివంతమైన ఇమేజింగ్ పద్ధతులను అందిస్తున్నాయి. ఇటీవలి సంవత్సరాలలో, యంత్ర అభ్యాస పద్ధతులు AD యొక్క పరిమాణాత్మక అంచనా మరియు కంప్యూటర్-ఎయిడెడ్-డియాగ్నోసిస్ (CAD) కోసం మల్టీ-మోడాలిటీ న్యూరోఇమేజ్ల విశ్లేషణపై విస్తృతంగా అధ్యయనం చేయబడ్డాయి. ప్రస్తుతం ఉన్న చాలా పద్ధతులు రిజిస్ట్రేషన్ మరియు సెగ్మెంటేషన్ వంటి ఇమేజ్ ప్రీప్రొసెసింగ్ తర్వాత హ్యాండ్-క్రాఫ్ట్ ఇమేజింగ్ ఫీచర్లను సంగ్రహిస్తాయి, ఆపై AD విషయాలను ఇతర సమూహాల నుండి వేరు చేయడానికి ఒక వర్గీకరణకర్తను శిక్షణ ఇస్తాయి. ఈ కాగితం AD వర్గీకరణ కోసం MRI మరియు PET మెదడు చిత్రాల యొక్క బహుళ-స్థాయి మరియు బహుళ-మోడల్ లక్షణాలను తెలుసుకోవడానికి క్యాస్కేడ్ కన్వల్వియెషనల్ న్యూరల్ నెట్వర్క్లను (CNNs) నిర్మించాలని ప్రతిపాదించింది. మొదట, స్థానిక మెదడు చిత్రాన్ని మరింత కాంపాక్ట్ ఉన్నత-స్థాయి లక్షణాలుగా మార్చడానికి బహుళ లోతైన 3D-CNN లు వేర్వేరు స్థానిక చిత్ర పాచెస్లో నిర్మించబడతాయి. అప్పుడు, ఒక ఎగువ ఉన్నత స్థాయి 2D-CNN తరువాత సాఫ్ట్మాక్స్ పొరను బహుళ-మోడాలిటీ నుండి నేర్చుకున్న ఉన్నత స్థాయి లక్షణాలను సమీకరించటానికి మరియు వర్గీకరణ పని కోసం సంబంధిత చిత్ర ప్యాచ్ల యొక్క అజ్ఞాత బహుళ-మోడల్ అనుసంధాన లక్షణాలను ఉత్పత్తి చేయడానికి క్యాస్కేడ్ చేయబడుతుంది. చివరగా, ఈ నేర్చుకున్న లక్షణాలను పూర్తిగా అనుసంధానించబడిన పొరతో కలిపి AD వర్గీకరణ కోసం సాఫ్ట్మాక్స్ పొరతో అనుసరిస్తారు. ఈ పద్ధతి ద్వారా బహుళ స్థాయి మరియు బహుళ మోడల్ లక్షణాలను వర్గీకరణ కోసం బహుళ ఇమేజింగ్ పద్ధతుల నుండి స్వయంచాలకంగా నేర్చుకోవచ్చు. ఇవి కొంతవరకు స్కేల్ మరియు రోటేషన్ వైవిధ్యాలకు బలంగా ఉంటాయి. మెదడు చిత్రాలను ముందస్తుగా ప్రాసెస్ చేయడంలో చిత్ర విభజన మరియు దృఢమైన రిజిస్ట్రేషన్ అవసరం లేదు. మా పద్ధతి 397 మంది వ్యక్తుల యొక్క ప్రాథమిక MRI మరియు PET చిత్రాలపై అంచనా వేయబడింది, ఇందులో 93 AD రోగులు, 204 మంది తేలికపాటి అభిజ్ఞా బలహీనత (MCI, 76 pMCI + 128 sMCI) మరియు 100 మంది సాధారణ నియంత్రణలు (NC) అల్జీమర్స్ డిసీజ్ న్యూరోఇమేజింగ్ ఇనిషియేటివ్ (ADNI) డేటాబేస్ నుండి. ప్రయోగాత్మక ఫలితాలు సూచించిన పద్ధతి AD వర్గీకరణకు 93.26% ఖచ్చితత్వాన్ని సాధిస్తుందని మరియు వర్గీకరణకు 82.95% ఖచ్చితత్వాన్ని సాధిస్తుందని చూపిస్తున్నాయి. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.