_id
stringlengths 40
40
| text
stringlengths 0
12.9k
|
|---|---|
dcd72f0a9cdc37450379f401fc2f4f87e30f5021 | |
c1b66422b1dab3eeee6d6c760f4bd227a8bb16c5 | |
e75c5d1b7ecd71cd9f1fdc3d07f56290517ef1e5 | آن لائن ٹرانزیکشن پروسیسنگ (او ایل ٹی پی) اور آن لائن تجزیاتی پروسیسنگ (او ایل اے پی) کے دو شعبوں میں ڈیٹا بیس فن تعمیر کے لئے مختلف چیلنجز پیش کیے جاتے ہیں۔ فی الحال، مشن کے اہم ٹرانزیکشنز کی اعلی شرح کے ساتھ گاہکوں نے اپنے ڈیٹا کو دو الگ الگ نظاموں میں تقسیم کیا ہے، OLTP کے لئے ایک ڈیٹا بیس اور OLAP کے لئے ایک نام نہاد ڈیٹا گودام. مناسب ٹرانزیکشن کی شرح کی اجازت دیتے ہوئے، اس علیحدگی میں بہت سے نقصانات ہیں جن میں ڈیٹا تازگی کے مسائل شامل ہیں جو صرف باقاعدگی سے شروع ہونے والے اخراجات اور ٹرانسفارمیشن لوڈ ڈیٹا کی وجہ سے تاخیر اور دو علیحدہ انفارمیشن سسٹم کو برقرار رکھنے کی وجہ سے وسائل کی ضرورت سے زیادہ استعمال کی وجہ سے ہے. ہم ایک موثر ہائبرڈ نظام پیش کرتے ہیں، جسے ہائپر کہا جاتا ہے، جو ٹرانزیکشن ڈیٹا کے مستقل سنیپ شاٹس کو برقرار رکھنے کے لئے ہارڈ ویئر کی مدد سے نقل کے طریقہ کار کا استعمال کرتے ہوئے، OLTP اور OLAP دونوں کو ایک ساتھ سنبھال سکتا ہے. ہائپر ایک مین میموری ڈیٹا بیس سسٹم ہے جو او ایل ٹی پی ٹرانزیکشنز کی ACID خصوصیات کی ضمانت دیتا ہے اور ایک ہی ، من پسند موجودہ اور مستقل اسنیپ شاٹ پر OLAP استفسار سیشن (متعدد سوالات) پر عمل درآمد کرتا ہے۔ ورچوئل میموری مینجمنٹ (ایڈریس ٹرانسلیشن ، کیچنگ ، اپ ڈیٹ پر کاپی) کے لئے پروسیسر سے متعلقہ مدد کا استعمال ایک ہی وقت میں دونوں پیداوار دیتا ہے: 100000 فی سیکنڈ تک کی بے مثال اعلی ٹرانزیکشن کی شرح اور ایک ہی نظام پر بہت تیز OLAP استفسار کے جواب کے اوقات دونوں کام کے بوجھ کو متوازی طور پر انجام دیتے ہیں۔ کارکردگی کا تجزیہ ایک مشترکہ ٹی پی سی-سی اور ٹی پی سی-ایچ معیار پر مبنی ہے. |
732212be0e6c5216158a7470c79fa2ff98a2da06 | ہم ایک اسٹیکڈ ایف ای ٹی مونوولیتھک ملی میٹر ویو (ایم ایم ڈبلیو) انٹیگریٹڈ سرکٹ ڈوہرٹی پاور امپلیفائر (ڈی پی اے) پیش کرتے ہیں۔ ڈی پی اے اعلی طاقت اور اعلی کارکردگی کو 6 ڈی بی بجلی کی بیک آف (پی بی او) پر حاصل کرنے کے لئے ایک ناول غیر متوازن اسٹیک گیٹ بیس کا استعمال کرتا ہے۔ سرکٹ 0.15-μm بڑھانے کے موڈ (ای موڈ) گیلیم آرسینائڈ (GaAs) عمل میں تیار کیا جاتا ہے. تجرباتی نتائج سے پتہ چلتا ہے کہ 1 ڈی بی کے فائدہ کے کمپریشن (P1dB) پر 28.2 ڈی بی ایم کی آؤٹ پٹ پاور، 37 فیصد کی چوٹی طاقت اضافی کارکردگی (PAE) اور 28 گیگاہرٹج پر 27 فیصد کے 6 ڈی بی پی او بی پر PAE. ماپا چھوٹے سگنل حاصل 15 ڈی بی ہے جبکہ 3 ڈی بی بینڈوڈتھ 25.5 سے 29.5 گیگاہرٹج پر محیط ہے. 20 میگاہرٹز 64 کیو اے ایم ماڈیولڈ سگنل کے ساتھ ڈیجیٹل پریسٹورشن (ڈی پی ڈی) کا استعمال کرتے ہوئے ، -46 ڈی بی سی کا ملحقہ چینل پاور ریٹیو (اے سی پی آر) دیکھا گیا ہے۔ |
03837b659b4a8878c2a2dbef411cd986fecfef8e | ہم متوازی کردار سطح تسلسل ماڈلنگ کے لئے ایک autoregressive توجہ طریقہ کار متعارف کرانے. ہم اس طریقہ کار کو استعمال کرتے ہیں ایک نیورل ماڈل کو بڑھانے کے لئے جس میں بلاکس کی وجہ سے کنوولولول پرتوں پر مشتمل ہے جو ہائی وے نیٹ ورک کے رابطوں کو چھوڑ دیتے ہیں. ہم تجویز کردہ توجہ کے طریقہ کار کے ساتھ اور اس کے بغیر ماڈل کو بالترتیب ہائی وے کی وجہ سے کنوولوشن (کی وجہ سے کنو) اور آٹو ریگریسیو توجہ کی وجہ سے کنوولوشن (ARA-Conv) کے طور پر اشارہ کرتے ہیں۔ آٹو ریگریسیو توجہ کا طریقہ کار ڈیکوڈر میں بنیادی طور پر سبب کو برقرار رکھتا ہے ، جس سے متوازی نفاذ کی اجازت ملتی ہے۔ ہم نے یہ ثابت کیا ہے کہ یہ ماڈل، ان کے بار بار آنے والے ہم منصبوں کے مقابلے میں، کردار کی سطح پر این ایل پی کے کاموں میں تیز اور درست سیکھنے کی اجازت دیتے ہیں. خاص طور پر، یہ ماڈل قدرتی زبان کی اصلاح اور زبان ماڈلنگ کے کاموں میں بار بار اعصابی نیٹ ورک کے ماڈل سے بہتر ہیں، اور وقت کے ایک حصے میں چلاتے ہیں. |
fe419be5c53e2931e1d6370c914ce166be29ff6e | |
0c3078bf214cea52669ec13962a0a242243d0e09 | اس کاغذ میں ایک ناول کمپیکٹ کھانا کھلانے سرکٹ کا استعمال کرتے ہوئے ایک براڈبینڈ طباعت quadrifilar ہیلیکل اینٹینا تجویز کیا جاتا ہے. یہ اینٹینا ایک وسیع بیم چوڑائی پر ایک بہترین محوری تناسب پیش کرتا ہے، 29٪ بینڈوڈتھ کے ساتھ. ایک مخصوص فیڈنگ سرکٹ پر مبنی ایک aperture-جوڑا منتقلی اور سمیت دو 90 ° سطح ماؤنٹ ہائبرڈ quadrifilar اینٹینا کے ساتھ ضم کیا جا کرنے کے لئے ڈیزائن کیا گیا ہے. بینڈوتھ پر، وائڈ بینڈ کومپیکٹ سرکٹ سے کھلنے والے اینٹینا کا ماپا عکاسی کا ضابطہ برابر یا -12 ڈی بی سے کم پایا گیا ہے اور زیادہ سے زیادہ فائدہ 1.5 سے 2.7 ڈی بی آئی سی 1.18 سے 1.58 گیگاہرٹج کے درمیان مختلف ہوتا ہے. نصف طاقت بیم چوڑائی 150 ° ہے، اس حد کے اوپر 3 dB سے کم محوری تناسب کے ساتھ. فیڈنگ سرکٹ کی کمپیکٹتا صف بندی میں چھوٹے عنصر کی جگہ کی اجازت دیتا ہے. |
0c3751db5a24c636c1aa8abfd9d63321b38cfce5 | اسٹوکسٹک گریڈینٹ ڈیسنٹ (ایس جی ڈی) ان کی مضبوط نظریاتی ضمانتوں کی وجہ سے ایس وی ایم جیسے بڑے پیمانے پر نگرانی والے مشین لرننگ کی اصلاح کے مسائل کو حل کرنے کے لئے مقبول ہو گیا ہے۔ اگرچہ قریب سے متعلق ڈبل کوآرڈینیٹ ایسینٹ (ڈی سی اے) طریقہ مختلف سافٹ ویئر پیکجوں میں نافذ کیا گیا ہے ، اس میں اب تک ایک اچھا کنورجنس تجزیہ کی کمی ہے۔ اس مقالے میں اسٹاکسٹک ڈبل کوآرڈینیٹ اسٹنٹ (ایس ڈی سی اے) کا ایک نیا تجزیہ پیش کیا گیا ہے جس سے یہ ظاہر ہوتا ہے کہ اس قسم کے طریقوں کو مضبوط نظریاتی ضمانتیں ملتی ہیں جو ایس جی ڈی سے موازنہ یا بہتر ہیں۔ یہ تجزیہ عملی ایپلی کیشنز کے لئے SDCA کی تاثیر کی توثیق کرتا ہے. |
24424918dc93c016deeaeb86a01c8bfc01253c9b | بہت سے کلاسیکی الگورتھم کئی سال بعد تک پائے جاتے ہیں جس میں وہ تصور کیے گئے تھے، اور غیر متوقع ترتیبات میں متعلقہ رہیں. اس مقالے میں ، ہم یہ ظاہر کرتے ہیں کہ ایس وی آر جی ایک ایسا طریقہ ہے: اصل میں مضبوطی سے گھوبگھرالی اہداف کے لئے ڈیزائن کیا گیا ہے ، غیر مضبوطی سے گھوبگھرالی یا غیر گھوبگھرالی ترتیبات کے تحت بھی بہت مضبوط ہے۔ اگر f ((x) ہموار ، گھوبگھرالی افعال کا مجموعہ ہے لیکن f مضبوطی سے گھوبگھرالی نہیں ہے (جیسے لیسو یا لاجسٹک ریگریشن) ، ہم ایک متغیر ایس وی آر جی کی تجویز کرتے ہیں جو ایس وی آر جی کے اوپر بڑھتی ہوئی دورانیہ کی لمبائی کا ایک نیا انتخاب کرتا ہے۔ اس ترتیب میں ایس وی آر جی ایس وی آر جی کا براہ راست ، تیز تر مختلف قسم ہے۔ اگر f ((x) غیر محور افعال کا مجموعہ ہے لیکن f مضبوطی سے محور ہے ، تو ہم یہ ظاہر کرتے ہیں کہ ایس وی آر جی کی تقارب لکیری طور پر جمع کی غیر محوریت پیرامیٹر پر منحصر ہے۔ اس ترتیب میں یہ سب سے بہتر نتائج کو بہتر بناتا ہے، اور اسٹاکسٹک پی سی اے کے لئے بہتر چلانے کا وقت دیتا ہے. |
680cbbc88d537bd6f5a68701b1bb0080a77faa00 | اسٹاکسٹک گریڈینٹ نزول بڑے پیمانے پر اصلاح کے لئے مقبول ہے لیکن اس میں موروثی تغیر کی وجہ سے آہستہ آہستہ کنورجنس ہے۔ اس مسئلے کو حل کرنے کے لئے، ہم اسٹاکسٹک گرڈینٹ نزول کے لئے ایک واضح متغیر کمی کا طریقہ متعارف کراتے ہیں جسے ہم اسٹاکسٹک متغیر کم گرڈینٹ (SVRG) کہتے ہیں. ہموار اور مضبوطی سے گھوبگھرالی افعال کے لئے ، ہم یہ ثابت کرتے ہیں کہ یہ طریقہ اسٹاکسٹک ڈبل کوآرڈینیٹ عروج (ایس ڈی سی اے) اور اسٹاکسٹک اوسط گرڈینٹ (ایس اے جی) کے طور پر ایک ہی تیز رفتار تقارب کی شرح سے لطف اندوز ہوتا ہے۔ تاہم، ہمارے تجزیہ نمایاں طور پر آسان اور زیادہ بدیہی ہے. اس کے علاوہ، SDCA یا SAG کے برعکس، ہمارے طریقہ کار کو gradients کے ذخیرہ کرنے کی ضرورت نہیں ہے، اور اس طرح کچھ منظم پیشن گوئی کے مسائل اور نیورل نیٹ ورک سیکھنے جیسے پیچیدہ مسائل پر زیادہ آسانی سے لاگو ہوتا ہے. |
9fe5a7a24ff81ba2b6769e811b6ab47188a45242 | غیر convex اور غیر ہموار مسائل نے حال ہی میں سگنل / تصویر پروسیسنگ، اعداد و شمار اور مشین سیکھنے میں کافی توجہ حاصل کی ہے. تاہم، غیر convex اور غیر ہموار اصلاح کے مسائل کو حل کرنے کے ایک بڑا چیلنج رہتا ہے. تیز رفتار پروکسیمل گریڈینٹ (اے پی جی) مخروط پروگرامنگ کے لئے ایک بہترین طریقہ ہے۔ تاہم، یہ ابھی تک نامعلوم ہے کہ آیا عام APG غیر کنویکس پروگرامنگ میں ایک اہم نقطہ پر کنورجنس کو یقینی بنا سکتا ہے. اس کاغذ میں، ہم ایک مانیٹر متعارف کرانے کی طرف سے عام nonconvex اور nonsmooth پروگراموں کے لئے APG توسیع کافی نزول جائیداد کو پورا کرتا ہے. اس کے مطابق، ہم ایک monotone APG اور ایک nonmonotone APG تجویز. مؤخر الذکر مقصد تقریب کے monotonic کمی پر ضرورت کو مسترد کرتا ہے اور ہر تکرار میں کم حساب کی ضرورت ہوتی ہے. ہمارے علم کے مطابق ، ہم عام غیر محور اور غیر ہموار مسائل کے لئے اے پی جی قسم کے الگورتھم فراہم کرنے والے پہلے ہیں جس سے یہ یقینی بنایا جاتا ہے کہ ہر جمع نقطہ ایک اہم نقطہ ہے ، اور جب مسائل محور ہوتے ہیں تو تقابلی شرحیں O (1 k2 ) رہتی ہیں ، جس میں k تکرار کی تعداد ہے۔ عددی نتائج رفتار میں ہمارے الگورتھم کے فائدہ کی گواہی دیتے ہیں. |
3e36eb936002a59b81d8abb4548dc2c42a29b743 | اکثر سیکیورٹی کو آٹومیشن سسٹم کے لئے ایک اضافی خدمت کے طور پر دیکھا جاتا ہے جو اکثر دوسرے مقاصد جیسے موثر ٹرانسمیشن یا وسائل کی حدود کے ساتھ متصادم ہوتا ہے۔ یہ مضمون آٹومیشن سسٹم میں سیکورٹی کے لئے ایک عملی طور پر مبنی نقطہ نظر کے لئے جاتا ہے. اس میں آٹومیشن سسٹم اور خاص طور پر آٹومیشن نیٹ ورکس کے لئے عام خطرات کا تجزیہ کیا گیا ہے ، نظاموں کو سیکیورٹی کے حوالے سے درجہ بندی کرنے کے لئے ایک ماڈل تیار کیا گیا ہے اور نظام کی مختلف سطحوں پر دستیاب مشترکہ اقدامات پر تبادلہ خیال کیا گیا ہے۔ اقدامات کی وضاحت مجموعی نظام کی حفاظت پر اثرات کی درجہ بندی کرنے کی اجازت دینا چاہئے |
8b74a32cebb5faf131595496f6470ff9c2c33468 | فیس بک تیزی سے سماجی رابطے کے لیے مقبول ترین ٹولز میں سے ایک بنتا جا رہا ہے۔ تاہم ، فیس بک دوسری سوشل نیٹ ورکنگ سائٹس سے کچھ مختلف ہے کیونکہ اس میں آف لائن سے آن لائن رجحان کا مظاہرہ کیا گیا ہے۔ یعنی ، فیس بک کے بیشتر دوستوں سے آف لائن ملاقات کی جاتی ہے اور پھر بعد میں شامل کیا جاتا ہے۔ موجودہ تحقیق نے اس بات کی تحقیقات کی کہ شخصیت کا پانچ عنصر ماڈل فیس بک کے استعمال سے کیسے متعلق ہے۔ بیرونی اور تجربے کے لئے کھلے پن کے بارے میں کچھ متوقع رجحانات کے باوجود ، نتائج نے اشارہ کیا کہ شخصیت کے عوامل اتنے بااثر نہیں تھے جتنا پچھلے ادب سے پتہ چلتا ہے۔ نتائج نے یہ بھی اشارہ کیا کہ فیس بک کے استعمال کے لحاظ سے بات چیت کرنے کی حوصلہ افزائی متاثر کن تھی۔ یہ تجویز کیا گیا ہے کہ فیس بک جیسے ٹولز استعمال کرنے کے فیصلے میں مختلف محرکات متاثر ہوسکتے ہیں ، خاص طور پر جب فیس بک کے انفرادی افعال پر غور کیا جارہا ہو۔ Ó 2008 Elsevier Ltd. تمام حقوق محفوظ ہیں۔ ١. شخصیت کے تعلق اور متعلقہ قابلیت کے عوامل |
423fff94db2be3ddef5e3204338d2111776eafea | ہم نے 362 ملین پیغامات کے مکمل طور پر گمنام ہیڈرز کا تجزیہ کیا ہے جو فیس بک کے 4.2 ملین صارفین کے ذریعہ تبادلہ کیا گیا ہے، ایک آن لائن سوشل نیٹ ورک کالج کے طالب علموں کے لئے، 26 ماہ کے وقفے کے دوران. اعداد و شمار سے روزانہ اور ہفتہ وار معمولات کا پتہ چلتا ہے جو کالج کے طلباء کے وقت کے استعمال اور ان کی سماجی زندگیوں کے بارے میں بصیرت فراہم کرتے ہیں ، بشمول موسمی تغیرات۔ ہم نے یہ بھی جانچ پڑتال کی کہ کس طرح اسکول کی وابستگی اور غیر رسمی آن لائن "دوست" کی فہرستوں جیسے عوامل مشاہدہ کردہ رویے اور وقتی نمونوں کو متاثر کرتے ہیں۔ آخر میں، ہم دکھاتے ہیں کہ فیس بک کے صارفین کو ان کے عارضی پیغام رسانی کے نمونوں کے حوالے سے اسکول کی طرف سے گروپ کیا جاتا ہے. |
1bed30d161683d279780aee34619f94a860fa973 | ہمارے تجزیہ سے پتہ چلتا ہے کہ بہت سے "بڑے میموری" سرور ورک لوڈ ، جیسے ڈیٹا بیس ، میموری میں کیچ ، اور گراف تجزیات ، صفحہ پر مبنی ورچوئل میموری کے لئے ایک اعلی قیمت ادا کرتے ہیں۔ وہ TLB misses پر عملدرآمد سائیکلوں کے 10 فیصد تک استعمال کرتے ہیں، یہاں تک کہ بڑے صفحات کا استعمال کرتے ہوئے. دوسری طرف، ہم یہ کام کے بوجھ زیادہ تر صفحات پر پڑھنے لکھنے کی اجازت کا استعمال کرتے ہیں، کو تبدیل کرنے کے لئے نہیں فراہم کی جاتی ہیں، اور صفحہ پر مبنی مجازی میموری کی مکمل لچک سے شاذ و نادر ہی فائدہ اٹھاتے ہیں. بڑے میموری ورک لوڈ کے لئے ٹی ایل بی کی کمی کو ختم کرنے کے لئے ، ہم ایک براہ راست طبقہ کے ساتھ عمل کی لکیری مجازی ایڈریس اسپیس کا ایک حصہ نقشہ سازی کا تجویز کرتے ہیں ، جبکہ باقی مجازی ایڈریس اسپیس کا صفحہ نقشہ سازی کرتے ہیں۔ براہ راست حصوں کا استعمال کم سے کم ہارڈ ویئر --- بیس ، حد اور آفسیٹ رجسٹر فی کور --- براہ راست متصل مجازی میموری علاقوں کو براہ راست متصل جسمانی میموری میں نقشہ کرنے کے لئے۔ وہ بنیادی ڈیٹا ڈھانچے جیسے ڈیٹا بیس بفر پولز اور میموری میں کلیدی قدر اسٹورز کے لئے ٹی ایل بی کی غلطیوں کے امکان کو ختم کرتے ہیں۔ میموری ایک براہ راست طبقہ کی طرف سے نقشہ بنایا جب ضرورت واپس پیجنگ میں تبدیل کیا جا سکتا ہے. ہم لینکس میں x86-64 کے لئے براہ راست طبقہ سافٹ ویئر کی حمایت پروٹوٹائپ اور براہ راست طبقہ ہارڈ ویئر کی تقلید کرتے ہیں. ہمارے کام کے بوجھ کے لئے، براہ راست حصوں کو تقریبا تمام TLB ناکامیاں ختم اور 0.5% سے کم کرنے کے لئے TLB ناکامیاں پر برباد عملدرآمد وقت کو کم. |
86dc975f9cbd9a205f8e82fb1db3b61c6b738fa5 | جیسے جیسے مشین ٹیگنگ ملٹی میڈیا مواد کے لئے زیادہ سے زیادہ طاقتور تکنیک ابھرتی ہے ، اس کے تحت الفاظ کو معیاری بنانا زیادہ سے زیادہ اہم ہوتا جارہا ہے۔ ایسا کرنے سے انٹرآپریبلٹی فراہم ہوتی ہے اور ملٹی میڈیا کمیونٹی کو سیمانٹکس کے ایک واضح طور پر بیان کردہ سیٹ پر جاری تحقیق پر توجہ مرکوز کرنے کی اجازت ملتی ہے۔ یہ کاغذ نشریاتی نیوز ویڈیو کی وضاحت کے لئے ایک بڑے معیاری درجہ بندی تیار کرنے کے لئے ملٹی میڈیا محققین ، لائبریری سائنسدانوں اور اختتامی صارفین کی باہمی تعاون کی کوششوں کی وضاحت کرتا ہے۔ ملٹی میڈیا کے لئے بڑے پیمانے پر تصور آنٹولوجی (ایل ایس سی او ایم) اپنی نوعیت کا پہلا ہے جو اختتامی صارف تک رسائی کو آسان بنانے کے لئے بیک وقت افادیت کو بہتر بنانے کے لئے ڈیزائن کیا گیا ہے ، ایک بڑی معنوی جگہ کا احاطہ کرتا ہے ، خودکار نکالنے کو قابل عمل بناتا ہے ، اور مختلف نشریاتی نیوز ویڈیو ڈیٹا سیٹوں میں مشاہدہ کی صلاحیت میں اضافہ کرتا ہے۔ |
2b2ba9b0022ff45939527836a150959fe388ee23 | |
c39d04c6f3b84c77ad379d0358bfbe7148ad4fd2 | |
8db7f5a54321e1a4cd51d0666607279556a57404 | پس منظر طبی اور نفسیاتی مسائل سے نمٹنے والے مریضوں کی طرف سے مراقبہ کی تکنیکوں کو اکثر تلاش کیا جاتا ہے. ان کی بڑھتی ہوئی مقبولیت اور استعمال اور طبی علاج کے طور پر استعمال کی صلاحیت کی وجہ سے ، طبی مداخلت کے طور پر ان طریقوں کے سائنسی علم کی موجودہ حالت کا ایک جامع اور مکمل جائزہ لیا گیا تھا۔ مقصد بیماریوں کے علاج میں مراقبہ کی افادیت اور حفاظت کی حمایت کرنے والے شواہد کا منظم طور پر جائزہ لینا ، اور مزید مطالعہ کی ضرورت کے علاقوں کا جائزہ لینا۔ عام صحت مند آبادیوں پر مطالعہ شامل نہیں ہیں. طریقۂ کار تلاشیں پب میڈ، سائک انفو اور کوکرین ڈیٹا بیس کا استعمال کرتے ہوئے کی گئیں۔ کلیدی الفاظ تھے مراقبہ، مراقبہ کی دعا، یوگا، آرام کا ردعمل۔ کوالیفائنگ اسٹڈیز کا جائزہ لیا گیا اور دو جائزہ لینے والوں نے معیار کی بنیاد پر آزادانہ طور پر درجہ بندی کی. درمیانے سے اعلی معیار کے مطالعے (ان لوگوں نے جو جائزہ لینے والے معیار کے پیمانے پر 0.65 یا 65 فیصد سے زیادہ اسکور کیا ہے) کو شامل کیا گیا تھا۔ نتائج مجموعی طور پر 82 شناخت شدہ مطالعات میں سے 20 بے ترتیب کنٹرول ٹرائلز ہمارے معیار پر پورا اترتے ہیں۔ ان مطالعات میں مجموعی طور پر 958 افراد شامل تھے (397 تجرباتی طور پر علاج شدہ ، 561 کنٹرول) ۔ کسی بھی شامل یا خارج شدہ کلینیکل ٹرائلز میں کوئی سنگین منفی واقعات کی اطلاع نہیں دی گئی۔ طبی ادبیات میں سنگین منفی واقعات کی اطلاع دی گئی ہے، اگرچہ نایاب. افادیت کے لئے سب سے مضبوط ثبوت مہاسے، پریمیسٹریوئل سنڈروم کے علامات اور رجونورتی علامات کے لئے پایا گیا تھا. موڈ اور اضطراب کی خرابیوں، آٹو امیون بیماریوں اور نیوپلاسٹک بیماری میں جذباتی خرابی کے لئے بھی فائدہ کا مظاہرہ کیا گیا تھا۔ نتائج بعض بیماریوں کے علاج کے لئے مراقبہ کی مشقوں کی حفاظت اور ممکنہ افادیت کی حمایت کرتے ہیں، خاص طور پر غیر نفسیاتی موڈ اور تشویش کی خرابیوں میں. بڑے پیمانے پر، طریقہ کار کے مطابق درست مطالعہ سے مؤثر ثابت ہونے والے واضح اور قابل تجدید ثبوت کی کمی ہے. |
46b2cd0ef7638dcb4a6220a52232712beb2fa850 | 3D انسانی تحریک کے تخلیقی ماڈل اکثر سرگرمیوں کی ایک چھوٹی سی تعداد تک محدود ہوتے ہیں اور اس وجہ سے نئی تحریکوں یا ایپلی کیشنز کو اچھی طرح سے عام نہیں کرسکتے ہیں. اس کام میں ہم انسانی تحریک پر قبضہ کرنے کے اعداد و شمار کے لئے ایک گہری سیکھنے کے فریم ورک کی تجویز کرتے ہیں جو تحریک پر قبضہ کرنے کے اعداد و شمار کے ایک بڑے جسم سے ایک عام نمائندگی سیکھتا ہے اور اچھی طرح سے نئی، پوشیدہ، تحریکوں کو عام کرتا ہے. ایک انکوڈنگ-ڈیکڈنگ نیٹ ورک کا استعمال کرتے ہوئے جو مستقبل کی تھری ڈی پوز کی پیش گوئی کرنا سیکھتا ہے حالیہ ماضی سے، ہم انسانی حرکت کی ایک خصوصیت کی نمائندگی نکالتے ہیں۔ ترتیب کی پیشن گوئی کے لئے گہری سیکھنے پر زیادہ تر کام ویڈیو اور تقریر پر مرکوز ہے۔ چونکہ کنکال کے اعداد و شمار کی ایک مختلف ساخت ہے ، ہم مختلف نیٹ ورک فن تعمیرات کی پیش کش اور تشخیص کرتے ہیں جو وقت کے انحصار اور اعضاء کے ارتباط کے بارے میں مختلف مفروضے کرتے ہیں۔ سیکھا خصوصیات کی مقدار کے لئے، ہم کارروائی کی درجہ بندی کے لئے مختلف تہوں کی پیداوار کا استعمال کرتے ہیں اور نیٹ ورک یونٹس کے استقبال شعبوں کو دیکھ سکتے ہیں. ہمارا طریقہ کار ہڈی کی تحریک کی پیشن گوئی میں فن کی حالیہ حالت سے بہتر ہے اگرچہ یہ ایکشن مخصوص ٹریننگ ڈیٹا کا استعمال کرتے ہیں۔ ہمارے نتائج سے پتہ چلتا ہے کہ گہرے فیڈ فارورڈ نیٹ ورکس ، جنرل موکاپ ڈیٹا بیس سے تربیت یافتہ ہیں ، کو انسانی تحریک کے اعداد و شمار سے خصوصیت نکالنے کے لئے کامیابی کے ساتھ استعمال کیا جاسکتا ہے اور یہ نمائندگی درجہ بندی اور پیش گوئی کے لئے بنیاد کے طور پر استعمال کی جاسکتی ہے۔ |
3c094494f6a911de3087ed963d3d893f6f2b1d71 | اس مطالعہ کا مقصد چلنے کی تربیت کے لئے ہائبرڈ اسسٹریٹو لیمب سسٹم کے کلینیکل ایپلی کیشنز پر ادب کا جائزہ لینے کے لئے تھا. طریقوں ایک منظم ادب کی تلاش سائنس کی ویب، PubMed، CINAHL اور clinicaltrials.gov کا استعمال کرتے ہوئے کیا گیا تھا اور اضافی تلاش کی شناخت کی رپورٹوں میں حوالہ جات کی فہرستوں کا استعمال کرتے ہوئے کیا گیا تھا. خلاصے کی جانچ پڑتال کی گئی، متعلقہ مضامین کا جائزہ لیا گیا اور معیار کی تشخیص کے تابع کیا گیا. نتائج 37 مطالعات میں سے 7 مطالعات شامل کرنے کے معیار کو پورا کرتے ہیں۔ چھ مطالعہ ایک گروپ کے مطالعہ تھے اور 1 ایک ریسرچ رینڈم کنٹرول ٹرائل تھا. مجموعی طور پر ان مطالعات میں 140 شرکاء شامل تھے جن میں سے 118 نے مداخلت مکمل کی اور 107 نے چلنے کی تربیت کے لئے HAL استعمال کیا۔ پانچ مطالعات میں فالج کے بعد چلنے کی تربیت، 1 میں ریڑھ کی ہڈی کی چوٹ (ایس سی آئی) کے بعد اور 1 میں فالج، ایس سی آئی یا چلنے کی صلاحیت کو متاثر کرنے والی دیگر بیماریوں کے بعد مطالعہ شامل تھا۔ معمولی اور عارضی ضمنی اثرات پائے گئے لیکن ان مطالعات میں کوئی سنگین منفی واقعات کی اطلاع نہیں ملی۔ چلنے کی تقریب متغیرات اور چلنے میں آزادی پر فائدہ مند اثرات کا مشاہدہ کیا گیا تھا. نتائج جمع شدہ نتائج سے ظاہر ہوتا ہے کہ HAL نظام قابل عمل ہے جب پیشہ ورانہ ماحول میں نچلے بازو کے پیرس کے مریضوں کی واک کی تربیت کے لئے استعمال کیا جاتا ہے۔ چلنے کی تقریب اور آزادی پر فائدہ مند اثرات کا مشاہدہ کیا گیا تھا لیکن اعداد و شمار نتائج کی اجازت نہیں دیتے ہیں. مزید کنٹرول شدہ مطالعہ کی سفارش کی جاتی ہے. |
515e34476452bbfeb111ce5480035ae1f7aa4bee | اندرونی ہوا کا اچھا معیار انسانی صحت کا ایک اہم حصہ ہے۔ گھر کے اندر خراب ہوا کی کیفیت سانس کی دائمی بیماریوں جیسے دمہ، دل کی بیماری اور پھیپھڑوں کے کینسر کی ترقی میں معاون ثابت ہوسکتی ہے۔ معاملات کو پیچیدہ کرنے کے لئے ، ہوا کا ناقص معیار انسانوں کے لئے صرف نظر اور بو کے ذریعہ پتہ لگانا انتہائی مشکل ہے اور موجودہ سینسر کا سامان سائنسدانوں کے لئے استعمال کرنے اور عام شہریوں کے بجائے اعداد و شمار فراہم کرنے کے لئے ڈیزائن کیا گیا ہے۔ ہم inAir کا تجویز پیش کرتے ہیں، اندرونی ہوا کے معیار کی پیمائش، تصور اور سیکھنے کا ایک آلہ۔ inAir اندرونی ہوا کے معیار کی تاریخی اور حقیقی وقت کی بصریات فراہم کرتا ہے جس میں چھوٹے خطرناک ہوا میں ذرات کی پیمائش ہوتی ہے جو 0.5 مائکرون کے سائز کے طور پر چھوٹے ہوتے ہیں. صارف کے مطالعے کے ذریعے ہم یہ ظاہر کرتے ہیں کہ inAir کس طرح زیادہ سے زیادہ بیداری کو فروغ دیتا ہے اور اندرونی ہوا کے معیار کو بہتر بنانے کے لئے انفرادی اقدامات کی حوصلہ افزائی کرتا ہے. |
44db0c2f729661e7b30af484a1ad5df4e70cb22a | بلوٹوتھ کیڑے فی الحال انٹرنیٹ اسکیننگ کیڑوں کے مقابلے میں نسبتا کم خطرہ ہیں. بلیو بیگ پروجیکٹ بلوٹوتھ مالویئر کے ذریعے پروف آف تصور کوڈز اور موبائل آلات کا استعمال کرتے ہوئے ہدف بنائے ہوئے حملوں کو ظاہر کرتا ہے |
0a87428c6b2205240485ee6bb9cfb00fd9ed359c | آپٹیکل فلو تخمینہ لگانے کے الگورتھم کی درستگی میں مسلسل بہتری آرہی ہے جیسا کہ مڈل بیری آپٹیکل فلو بینچ مارک کے نتائج سے ظاہر ہوتا ہے۔ تاہم، ہورن اور شونک کے کام کے بعد سے عام فارمولیشن میں بہت کم تبدیلی آئی ہے۔ ہم اس بات کا انکشاف کرنے کی کوشش کرتے ہیں کہ کس طرح مقصد کی تقریب، اصلاح کے طریقہ کار، اور جدید نفاذ کے طریقوں کی درستگی پر اثر انداز ہونے کے بارے میں ایک مکمل تجزیہ کے ذریعے حالیہ پیش رفت ممکن ہے. ہم دریافت کرتے ہیں کہ "کلاسیکی" بہاؤ فارمولیشن حیرت انگیز طور پر اچھی طرح سے انجام دیتے ہیں جب جدید اصلاح اور عمل درآمد کی تکنیک کے ساتھ مل کر. اس کے علاوہ، ہم تلاش کرتے ہیں کہ جبکہ اصلاح کے دوران انٹرمیڈیٹ بہاؤ کے شعبوں کی درمیانی فلٹرنگ حالیہ کارکردگی کے فوائد کی کلید ہے، اس سے زیادہ توانائی کے حل کی طرف جاتا ہے. اس رجحان کے پیچھے اصولوں کو سمجھنے کے لئے، ہم ایک نیا مقصد حاصل کرتے ہیں جو میڈین فلٹرنگ ہیورسٹک کو باضابطہ بناتا ہے. اس مقصد میں ایک غیر مقامی اصطلاح شامل ہے جو بڑے مقامی پڑوسوں پر بہاؤ کے تخمینوں کو مضبوطی سے مربوط کرتی ہے۔ اس نئی اصطلاح کو تبدیل کرکے اس میں بہاؤ اور تصویر کی حدود کے بارے میں معلومات شامل کرنے کے لئے ہم ایک ایسا طریقہ تیار کرتے ہیں جو مڈل بیری بینچ مارک کے سب سے اوپر کی درجہ بندی کرتا ہے۔ |
90930683f4ef3da8c51ed7d2553774c196172cb3 | |
919bd86eb5fbccd3862e3e2927d4a0d468c7c591 | |
73e51b9820e90eb6525fc953c35c9288527cecfd | موجودہ نیورل انحصار پارسر عام طور پر دو طرفہ LSTMs کے ساتھ ایک جملے میں ہر لفظ کوڈ کرتے ہیں ، اور سر اور ترمیم کنندہ کی LSTM نمائندگیوں سے ایک قوس کے اسکور کا اندازہ لگاتے ہیں ، ممکنہ طور پر قوس کے لئے متعلقہ سیاق و سباق کی معلومات غائب ہیں۔ غور کیا جارہا ہے۔ اس مطالعہ میں، ہم ایک نیورل خصوصیت نکالنے کا طریقہ تجویز کرتے ہیں جو آرک مخصوص خصوصیات کو نکالنے کے لئے سیکھتا ہے. ہم نے نیورل نیٹ ورک پر مبنی توجہ کا طریقہ استعمال کیا ہر ممکنہ ہیڈ موڈیفائر جوڑے کے حق اور خلاف ثبوت جمع کرنے کے لیے، جس کے ساتھ ہمارا ماڈل یقین اور عدم یقین کے یقین کے اسکور کا حساب لگاتا ہے، اور حتمی قوس اسکور کا تعین کرتا ہے عدم یقین کے اسکور کو یقین کے اسکور سے گھٹاتے ہوئے۔ واضح طور پر دو قسم کے ثبوت متعارف کرانے کی طرف سے، آرک امیدواروں کو زیادہ متعلقہ معلومات کی بنیاد پر ایک دوسرے کے خلاف مقابلہ کر سکتے ہیں، خاص طور پر ان مقدمات کے لئے جہاں وہ ایک ہی سر یا ترمیم کا اشتراک کرتے ہیں. یہ دو یا زیادہ مقابلہ قوسین کو ان کے حریفوں (کفر کے ثبوت) پیش کرکے بہتر طور پر امتیازی سلوک کرنا ممکن بناتا ہے۔ مختلف ڈیٹا سیٹوں پر تجربات سے پتہ چلتا ہے کہ ہمارے آرک مخصوص خصوصیت نکالنے کا طریقہ کار واضح طور پر طویل فاصلے پر انحصار ماڈلنگ کی طرف سے دو طرفہ LSTM پر مبنی ماڈل کی کارکردگی کو نمایاں طور پر بہتر بناتا ہے. انگریزی اور چینی دونوں کے لئے ، مجوزہ ماڈل انحصار تجزیہ کرنے والے کام پر زیادہ سے زیادہ موجودہ نیورل توجہ پر مبنی ماڈلز کے مقابلے میں زیادہ درستگی حاصل کرتا ہے۔ |
7bdb08efd640311ad18466a80498c78267f886ca | |
26d92017242e51238323983eba0fad22bac67505 | اس مقالے میں لوگوں کی سفارشات کا مطالعہ کیا گیا ہے جو صارفین کو معروف، آف لائن رابطوں کو تلاش کرنے اور سوشل نیٹ ورکنگ سائٹس پر نئے دوستوں کو تلاش کرنے میں مدد کرنے کے لئے ڈیزائن کیا گیا ہے. ہم نے ایک انٹرپرائز سوشل نیٹ ورکنگ سائٹ میں چار سفارشات الگورتھم کا جائزہ لیا 500 صارفین کے ذاتی سروے اور 3,000 صارفین کے فیلڈ اسٹڈی کا استعمال کرتے ہوئے۔ ہم نے تمام الگورتھم کو صارفین کے دوستوں کی فہرستوں کو بڑھانے میں موثر پایا۔ سوشل نیٹ ورک کی معلومات پر مبنی الگورتھم بہتر موصولہ سفارشات تیار کرنے اور صارفین کے لئے زیادہ مشہور رابطے تلاش کرنے میں کامیاب تھے ، جبکہ صارف کے ذریعہ تیار کردہ مواد کی مماثلت کا استعمال کرتے ہوئے الگورتھم نئے دوستوں کی دریافت میں مضبوط تھے۔ ہم نے اپنے سروے کے صارفین سے کوالٹی فیڈ بیک بھی جمع کیا اور ڈیزائن کے متعدد معنی خیز مضمرات اخذ کیے۔ |
3621bc359003e36707733650cccadf4333683293 | |
54c32d432fb624152da7736543f2685840860a57 | ہم ایک قسم کی گہری بولٹزمن مشین (ڈی بی ایم) متعارف کراتے ہیں جو دستاویزات کے بڑے غیر منظم مجموعہ سے تقسیم شدہ سیمنٹک نمائندگیوں کو نکالنے کے لئے موزوں ہے۔ ہم نے ایک ڈی بی ایم کی تربیت کی بظاہر مشکل کو پارمیٹر کے ساتھ سمجھدار باندھنے سے قابو پانے میں مدد کی ہے۔ یہ ایک موثر پری ٹریننگ الگورتھم اور تیز استنباط کے لئے ریاست ابتدائی اسکیم کو قابل بناتا ہے۔ ماڈل کو معیاری محدود بولٹزمن مشین کی طرح موثر طریقے سے تربیت دی جاسکتی ہے۔ ہمارے تجربات سے پتہ چلتا ہے کہ ماڈل غیر مرئی اعداد و شمار کو بہتر لاگ احتمال تفویض کرتا ہے جو کہ نقل شدہ سافٹ میکس ماڈل سے بہتر ہے۔ ہمارے ماڈل سے نکالی گئی خصوصیات دستاویز کی بازیافت اور دستاویز کی درجہ بندی کے کاموں پر ایل ڈی اے ، ریپلیکیٹڈ سوفٹ میکس ، اور ڈوکنڈ ماڈل کو پیچھے چھوڑ دیتی ہیں۔ |
3d8650c28ae2b0f8d8707265eafe53804f83f416 | ایک پہلے کے کاغذ میں [9] ، ہم نے ایک نیا متعارف کرایا boosting الگورتھم ایڈابوسٹ کہا جاتا ہے جو نظریاتی طور پر ، کسی بھی سیکھنے کے الگورتھم کی غلطی کو نمایاں طور پر کم کرنے کے لئے استعمال کیا جاسکتا ہے جو مستقل طور پر درجہ بندی پیدا کرتا ہے جس کی کارکردگی بے ترتیب اندازہ لگانے سے تھوڑا بہتر ہے۔ ہم نے بھی متعارف کرایا متعلقہ تصور کی ایک "جھوٹ نقصان" جس کے لئے ایک طریقہ ہے مجبور کرنے کے لئے ایک سیکھنے کے الگورتھم کی ملٹی لیبل تصورات پر توجہ مرکوز کرنے کے لئے لیبلز ہیں کہ سب سے زیادہ مشکل ہے کرنے کے لئے امتیازی سلوک. اس مقالے میں ، ہم تجربات کی وضاحت کرتے ہیں جو ہم نے اس بات کا اندازہ کرنے کے لئے کیا کہ ایڈابوسٹ کے ساتھ اور بغیر کسی جھوٹے نقصان کے ، حقیقی سیکھنے کے مسائل پر کتنا اچھا کام کرتا ہے۔ ہم نے دو تجربات کیے۔ پہلی سیٹ کا موازنہ کرنے کے لئے استعمال کیا جاتا ہے جب مختلف درجہ بندی کرنے والوں کو جمع کرنے کے لئے استعمال کیا جاتا ہے (بشمول فیصلہ درخت اور واحد وصف قدر ٹیسٹ). ہم نے مشین لرننگ کے معیار کے مجموعے پر دونوں طریقوں کی کارکردگی کا موازنہ کیا۔ تجربات کے دوسرے سیٹ میں، ہم نے ایک OCR مسئلہ پر قریب ترین پڑوسی درجہ بندی کا استعمال کرتے ہوئے بڑھانے کی کارکردگی کا مزید تفصیل سے مطالعہ کیا. |
85379baf4972e15cd7b9f5e06ce177e693b35f53 | اس کاغذ میں، ہم نے ڈومین موافقت کے مسائل کو حل کرنے کے لئے ایک نیم نگرانی شدہ کارن میچنگ طریقہ تجویز کیا ہے جہاں ذریعہ کی تقسیم ہدف کی تقسیم سے کافی مختلف ہوتی ہے. خاص طور پر ، ہم لیبل والے ماخذ کے اعداد و شمار پر ایک پیشن گوئی کا فنکشن سیکھتے ہیں جبکہ ہدف کے ڈیٹا پوائنٹس کو اسی طرح کے ماخذ کے ڈیٹا پوائنٹس سے میپنگ کرتے ہوئے ہدف کے کرینل میٹرکس کو ہلبرٹ شمڈٹ کی آزادی کے معیار پر مبنی ماخذ کرینل میٹرکس کے ذیلی میٹرکس سے مماثل کرتے ہیں۔ ہم یہ بیک وقت سیکھنے اور نقشہ سازی کے عمل کو ایک غیر محور انٹیجر اصلاح کے مسئلے کے طور پر تشکیل دیتے ہیں اور اس کی آرام دہ مسلسل شکل کے لئے مقامی کم سے کم طریقہ کار پیش کرتے ہیں۔ ہمارے تجرباتی نتائج سے پتہ چلتا ہے کہ مجوزہ کارنیل میچنگ طریقہ کار کراس ڈومین جذبات کی درجہ بندی کے کام پر متبادل طریقوں سے نمایاں طور پر بہتر ہے۔ |
7eeb362f11bfc1c89996e68e3a7c5678e271f95b | |
893167546c870eac602d81874c6473fd3cd8bd21 | کثیر جہتی پوائنٹس (ٹپل) کے ایک سیٹ کی اسکائی لائن ان پوائنٹس پر مشتمل ہے جن کے لئے کسی بھی طرح سے بہتر نقطہ نظر نہیں ہے، دلچسپی کے ڈومینز پر اجزاء کے لحاظ سے موازنہ کا استعمال کرتے ہوئے. اسکائی لائن سوالات ، یعنی ، سوالات جن میں اسکائی لائن کا حساب کتاب شامل ہوتا ہے ، وہ کمپیوٹیشنل مہنگا ہوسکتا ہے ، لہذا متوازی نقطہ نظر پر غور کرنا فطری ہے جو متعدد پروسیسرز کا اچھا استعمال کرتے ہیں۔ ہم متوازی پروسیسنگ کے لئے ڈیٹا سیٹ کے مفید partitions حاصل کرنے کے لئے hyperplane پروجیکشن کا استعمال کرتے ہوئے کی طرف سے اس مسئلہ کا نقطہ نظر. یہ تقسیم نہ صرف چھوٹے مقامی اسکائی لائن سیٹ کو یقینی بناتی ہے ، بلکہ نتائج کو موثر طریقے سے ضم کرنے کی بھی اجازت دیتی ہے۔ ہمارے تجربات سے پتہ چلتا ہے کہ ہمارا طریقہ کار مسلسل متوازی اسکائی لائن کمپیوٹنگ کے لئے اسی طرح کے نقطہ نظر سے بہتر ہے، قطع نظر ڈیٹا کی تقسیم کے، اور مختلف اصلاح کی حکمت عملی کے اثرات پر بصیرت فراہم کرتا ہے. |
b87d5f9b8013386f4ff5ad1a130efe6e924dca5c | آرٹیکل کی تاریخ: 27 اگست 2012 کو موصول ہوئی۔ نظر ثانی شدہ شکل میں موصول ہوئی۔ 1 اگست 2013 کو قبول کیا گیا۔ 5 اگست 2013 کو آن لائن دستیاب ہے۔ 15 اگست 2013 |
bc18ee4a0f26320a86852b057077e8eca78b0c13 | اس مطالعہ میں ٹیکنالوجی کی قبولیت کے ماڈل کو بڑھا دیا گیا ہے تاکہ وہ عوامل کی نشاندہی کی جا سکے جو گھانا میں پری سروس اساتذہ میں ٹیکنالوجی کی قبولیت کو متاثر کرتے ہیں۔ 380 قابل استعمال سوالناموں کے اعداد و شمار کو تحقیقی ماڈل کے خلاف جانچ لیا گیا تھا۔ تحقیق کے فریم ورک کے طور پر توسیع ٹیکنالوجی قبولیت ماڈل (ٹی اے ایم) کا استعمال کرتے ہوئے، مطالعہ پایا گیا کہ: پری سروس اساتذہ تعلیمی عقائد، استعمال میں آسانی کا احساس، کمپیوٹر ٹیکنالوجی کی مفادیت کا احساس اور کمپیوٹر کے استعمال کے بارے میں رویہ کمپیوٹر ٹیکنالوجی کے اصل استعمال کے اہم تعینات ہیں. متعدد قدموں سے رجعت تجزیہ کا استعمال کرتے ہوئے حاصل کردہ نتائج سے پتہ چلتا ہے کہ: (1) پری سروس اساتذہ تدریسی عقائد نے استعمال کی آسانی اور سمجھا ہوا افادیت دونوں پر نمایاں اثر ڈالا ، (2) استعمال کی آسانی اور سمجھا ہوا افادیت دونوں کمپیوٹر کے استعمال کے بارے میں رویہ پر اثر انداز ہوتے ہیں اور کمپیوٹر کے استعمال کے بارے میں رویہ نمایاں طور پر پری سروس اساتذہ کمپیوٹر کے اصل استعمال پر اثر انداز ہوتا ہے۔ تاہم، اعداد و شمار کے مطابق، استعمال کی آسانی کا احساس محسوس کیا گیا تھا کہ اس نے محسوس کیا کہ اس کی افادیت پر اثر انداز نہیں کیا. یہ نتائج گھانا کے تناظر میں ٹی ایم کی توثیق کرکے ادب میں حصہ لیتے ہیں اور ٹیکنالوجی انضمام کی ترقی کی تحقیق اور عمل کے لئے کئی اہم مضمرات فراہم کرتے ہیں۔ |
04e5b276da90c8181d6ad8397f763a181baae949 | کراس ویلیڈیشن مشین لرننگ میں کارکردگی اور ترقی کی پیمائش کے لئے ایک اہم بنیاد ہے. کراس ویلیڈیشن اسٹڈیز میں درستگی ، ایف پیمائش اور آر او سی وکر (اے یو سی) کے نیچے ایریا کا حساب کتاب کرنے کے طریقہ کار میں ٹھیک ٹھیک اختلافات ہیں۔ تاہم، ان تفصیلات میں بحث نہیں کی جاتی ہے، اور مختلف کاغذات اور سافٹ ویئر پیکجوں کے ذریعہ متضاد طریقوں کا استعمال کیا جاتا ہے. اس سے تحقیق کے ادب میں عدم مطابقت پیدا ہوتی ہے۔ خاص طور پر گنا اور حالات کے لئے کارکردگی کے حساب کتاب میں غیر معمولیات کو غیر تلاش کیا جاتا ہے جب وہ بہت سے گنا اور ڈیٹا سیٹ پر مجموعی نتائج میں دفن ہوتے ہیں، بغیر کسی شخص کے بغیر انٹرمیڈیٹ کارکردگی کی پیمائش کو دیکھ کر. یہ تحقیقی نوٹ فرق کو واضح اور واضح کرتا ہے، اور یہ ہدایت دیتا ہے کہ کس طرح بہترین درجہ بندی کی کارکردگی کو کراس کی توثیق کے تحت ماپا جائے. خاص طور پر، F-کاٹنے کے لئے استعمال ہونے والے کئی مختلف طریقوں ہیں، جو اکثر کلاس عدم توازن کے تحت کارکردگی کی پیمائش کے طور پر سفارش کی جاتی ہے، مثال کے طور پر، متن کی درجہ بندی کے ڈومینز اور ایک سے زیادہ کلاسوں کے ساتھ ڈیٹا سیٹ کے تمام کم سے کم کم. ہم تجربے کے ذریعے دکھاتے ہیں کہ ان تمام حساب کے طریقوں میں سے ایک کے علاوہ تعصب کی پیمائش کی طرف جاتا ہے، خاص طور پر اعلی طبقے کے عدم توازن کے تحت. یہ کاغذ ان لوگوں کے لئے خاص طور پر دلچسپی کا حامل ہے جو مشین سیکھنے والے سافٹ ویئر لائبریریوں اور اعلی طبقے کے عدم توازن پر توجہ مرکوز کرنے والے محققین کو ڈیزائن کرتے ہیں۔ |
8efac913ff430ef698dd3fa5df4cbb7ded3cab50 | ہم ایک غیر نگرانی والے کلسٹرنگ ٹول ، پرنسپل ڈائریکشن ڈویزیو پارٹیشننگ پیش کرتے ہیں ، جو اعداد و شمار کے کسی بھی سیٹ پر قابل اطلاق اور ورسٹائل اوپر سے نیچے کا طریقہ ہے جس کی نمائندگی عددی ویکٹر کے طور پر کی جاسکتی ہے۔ بنیادی طریقہ کار کی وضاحت، اہم ایپلی کیشنز کے خلاصے جہاں یہ استعمال کیا گیا ہے، اور اہم الفاظ کے انتخاب کے ساتھ ساتھ نئے اعداد و شمار پہنچنے کے طور پر کلسٹرز کو اپ ڈیٹ کرنے کے عمل پر کچھ حالیہ نتائج پر تبادلہ خیال کیا جاتا ہے. |
1e20f9de45d26950ecd11965989d2b15a5d0d86b | ماڈل پر مبنی طریقوں اور گہرے نیورل نیٹ ورک دونوں مشین سیکھنے میں بہت کامیاب نمونہ ہیں. ماڈل پر مبنی طریقوں میں، ہم آسانی سے انضمام کے دوران مشکلات کی قیمت پر ماڈل کی رکاوٹوں میں اپنے مسئلہ ڈومین علم کا اظہار کرسکتے ہیں. تعیناتی گہرے اعصابی نیٹ ورکس اس طرح سے تعمیر کیے جاتے ہیں کہ نتیجہ اخذ کرنا سیدھا ہے ، لیکن ہم آسانی سے مسئلہ ڈومین کے علم کو شامل کرنے کی صلاحیت کی قربانی دیتے ہیں۔ اس مقالے کا مقصد دونوں طریقوں کے فوائد حاصل کرنے کے لئے ایک عام حکمت عملی فراہم کرنا ہے جبکہ ان کے نقصانات سے بچنے کے بہت سے. عام خیال کو اس طرح خلاصہ کیا جاسکتا ہے: ماڈل پر مبنی نقطہ نظر کو دیکھتے ہوئے جس میں تکرار استنباط کے طریقہ کار کی ضرورت ہوتی ہے ، ہم تکرار کو ایک پرت وار ڈھانچے میں کھولتے ہیں جو نیورل نیٹ ورک کے مشابہ ہے۔ پھر ہم ماڈل پیرامیٹرز کو تہوں میں الگ کرتے ہیں تاکہ نیورل نیٹ ورک جیسے نئے فن تعمیرات حاصل کیے جا سکیں جو آسانی سے تدریسی طریقوں کا استعمال کرتے ہوئے امتیازی طور پر تربیت دی جا سکتی ہیں۔ نتیجے میں فارمولہ ماڈل پر مبنی نقطہ نظر کی اندرونی ساخت کے ساتھ ایک روایتی گہری نیٹ ورک کی اظہار کی طاقت کو یکجا کرتا ہے ، جبکہ اس نتیجے کو ایک مقررہ تعداد میں پرتوں میں انجام دینے کی اجازت دیتا ہے جو بہترین کارکردگی کے لئے بہتر بنایا جاسکتا ہے۔ ہم یہ ظاہر کرتے ہیں کہ یہ فریم ورک غیر منفی میٹرکس فیکٹرائزیشن پر کیسے لاگو کیا جاسکتا ہے تاکہ ایک ناول غیر منفی گہری نیورل نیٹ ورک فن تعمیر حاصل کیا جاسکے ، جس کو ضربی بیک پروپیگنڈے طرز کی تازہ کاری الگورتھم کے ساتھ تربیت دی جاسکتی ہے۔ ہم تقریر بڑھانے کے شعبے میں تجربات پیش کرتے ہیں، جہاں ہم ظاہر کرتے ہیں کہ نتیجے میں ماڈل روایتی نیورل نیٹ ورک کو بہتر بنانے کے قابل ہے جبکہ صرف پیرامیٹرز کی تعداد کا ایک حصہ کی ضرورت ہوتی ہے. ہم اس کی وجہ گہری نیٹ ورک کے فن تعمیر میں مسئلہ کی سطح مفروضات شامل کرنے کے لئے ہمارے فریم ورک کی طرف سے فراہم کی صلاحیت کی وجہ سے ہے یقین ہے کہ. arXiv.org اس کام کی کاپی یا کسی بھی تجارتی مقصد کے لئے مکمل طور پر یا اس کے حصے میں دوبارہ پیش نہیں کیا جاسکتا ہے۔ بغیر کسی فیس کی ادائیگی کے مکمل یا جزوی طور پر نقل کرنے کی اجازت غیر منافع بخش تعلیمی اور تحقیقی مقاصد کے لئے دی جاتی ہے بشرطیکہ اس طرح کے تمام مکمل یا جزوی کاپیاں میں مندرجہ ذیل شامل ہوں: ایک نوٹس کہ اس طرح کی کاپی میٹسوبیشی الیکٹرک ریسرچ لیبارٹریز ، انکارپوریٹڈ کی اجازت سے ہے۔ کام کے مصنفین اور انفرادی شراکت کا اعتراف؛ اور حق اشاعت کے نوٹس کے تمام قابل اطلاق حصے۔ کسی بھی دوسرے مقصد کے لئے کاپی ، نقل یا دوبارہ شائع کرنے کے لئے میٹسوبیشی الیکٹرک ریسرچ لیبارٹریز ، انکارپوریشن کو فیس کی ادائیگی کے ساتھ لائسنس کی ضرورت ہوگی۔ تمام حقوق محفوظ ہیں۔ کاپی رائٹ c © مٹسوبشی الیکٹرک ریسرچ لیبارٹریز ، انکارپوریٹڈ ، 2014 201 براڈوے ، کیمبرج ، میساچوسٹس 02139 |
26f4f07696a3828f5eeb0d8bb8944da80228b77d | فیصلہ درخت الگورتھم کو فروغ دینے کے طریقہ کار کا اطلاق بہت درست درجہ بندی پیدا کرنے کے لئے دکھایا گیا ہے. یہ درجہ بندی کئی فیصلہ درختوں پر اکثریت ووٹ کی شکل میں ہیں. بدقسمتی سے، یہ درجہ بندی اکثر بڑے، پیچیدہ اور تشریح کرنے کے لئے مشکل ہیں. اس مقالے میں درجہ بندی کے اصول کی ایک نئی قسم کی وضاحت کی گئی ہے ، متبادل فیصلہ درخت ، جو فیصلہ درختوں ، ووٹ دیئے گئے فیصلے کے درختوں اور ووٹ دیئے گئے فیصلے کے اسٹمپس کی عمومی شکل ہے۔ ایک ہی وقت میں اس قسم کی درجہ بندی کی تشریح نسبتا آسان ہے. ہم متبادل فیصلہ درختوں کے لئے ایک سیکھنے الگورتھم پیش کرتے ہیں جو فروغ دینے پر مبنی ہے. تجرباتی نتائج سے پتہ چلتا ہے کہ یہ فروغ دینے والے فیصلے کے درخت الگورتھم جیسے C5.0 کے ساتھ مسابقتی ہے، اور قواعد پیدا کرتا ہے جو عام طور پر سائز میں چھوٹے ہوتے ہیں اور اس طرح تشریح کرنے میں آسان ہوتے ہیں. اس کے علاوہ ان قوانین درجہ بندی کے معیار کی ایک قدرتی پیمانے پر حاصل ہے جس کی قیمت پر پیش گوئی کرنے کے لئے مشکل مثالیں گریز کی درستگی کو بہتر بنانے کے لئے استعمال کیا جا سکتا ہے. |
5e28e81e757009d2f76b8674e0da431f5845884a | یہ کاغذ کثیر جہتی لکیری امتیازی تجزیہ اور منسلک زیادہ سے زیادہ لکیری پروجیکشن کے نظریات کا استعمال کرتے ہوئے ایک تصویر کی تربیت سیٹ سے خصوصیات کے خود کار طریقے سے انتخاب کی وضاحت کرتا ہے. ہم "اچھی طرح سے فریم" خیالات کے طور پر پیش کردہ وسیع پیمانے پر مختلف حقیقی دنیا کی اشیاء کے ایک بڑے ڈیٹا بیس سے نقطہ نظر کی بنیاد پر کلاس کی بازیابی کے لئے ان سب سے زیادہ امتیازی خصوصیات کی اہلیت کا مظاہرہ کرتے ہیں ، اور اس کا موازنہ بنیادی جزو تجزیہ کے ساتھ کرتے ہیں۔ |
dbe8c61628896081998d1cd7d10343a45b7061bd | کئی حکمت عملی بیان کی جاتی ہیں جو بنیادی نیٹ ورک ماڈل کی حدود کو بڑے کنکشنسٹ اسپیچ ریکگنیشن سسٹم کے ڈیزائن کی طرف قدم کے طور پر قابو پاتے ہیں۔ دو اہم علاقوں میں تشویش کا وقت کا مسئلہ اور پیمانے کا مسئلہ ہے. تقریری اشارے وقت کے ساتھ مسلسل مختلف ہوتے ہیں اور انسانی علم کی بے پناہ مقدار کو کوڈ کرتے اور منتقل کرتے ہیں۔ ان سگنلز کو ڈی کوڈ کرنے کے لئے، نیورل نیٹ ورکس کو وقت کی مناسب نمائندگی کا استعمال کرنے کے قابل ہونا چاہئے اور یہ ممکن ہونا چاہئے کہ ان نیٹ ورکوں کو تقریبا کسی بھی سائز اور پیچیدگی میں محدود وسائل کے اندر اندر بڑھا دیا جائے. وقت کا مسئلہ ایک وقت تاخیر نیورل نیٹ ورک کی ترقی کی طرف سے خطاب کیا جاتا ہے؛ چھوٹے ذیلی اجزاء نیٹ ورک پر مبنی بڑے نیٹ ورک کے ماڈیولرٹی اور اضافہ ڈیزائن کی طرف سے پیمانے پر مسئلہ. یہ دکھایا گیا ہے کہ چھوٹے نیٹ ورکس کو محدود کاموں کو انجام دینے کے لئے تربیت دی جاتی ہے جو وقت میں غیر متغیر، پوشیدہ تجریدیں تیار کرتی ہیں جو بعد میں بڑے، زیادہ پیچیدہ نیٹ ورک کو مؤثر طریقے سے تربیت دینے کے لئے استحصال کیا جا سکتا ہے. ان تکنیکوں کا استعمال کرتے ہوئے ، بڑھتی ہوئی پیچیدگی کے فونیم شناخت نیٹ ورکس کی تعمیر کی جاسکتی ہے جو سب اعلی شناخت کی کارکردگی حاصل کرتے ہیں۔ |
eeb8c7a22f731839755a4e820b608215e9885276 | |
01905a9c0351aad54ee7dbba1544cd9db06ca935 | خطرے کے انتظام آج کسی بھی تنظیم کے لئے ایک اہم اسٹیئرنگ آلہ ہے جو انفارمیشن سسٹم (آئی ایس) کی حفاظت سے نمٹنے کے لئے چاہتا ہے. تاہم، آئی ایس سیکورٹی رسک مینجمنٹ (آئی ایس ایس آر ایم) بنیادی طور پر پیچیدہ اور باہم منسلک آئی ایس کے ساتھ کثیر قواعد و ضوابط کے تناظر میں، قائم کرنے اور برقرار رکھنے کے لئے ایک مشکل عمل ہے. ہم دعوی کرتے ہیں کہ انٹرپرائز فن تعمیر کے انتظام (ای اے ایم) کے ساتھ ایک کنکشن ان مسائل سے نمٹنے میں مدد ملتی ہے. دونوں ڈومینز کے بہتر انضمام کی طرف پہلا قدم ایک مربوط EAM-ISSRM تصوراتی ماڈل کی وضاحت کرنا ہے. یہ کاغذ اس ماڈل کی تفصیل اور توثیق کے بارے میں ہے. ایسا کرنے کے لئے، ہم ایک موجودہ ISSRM ڈومین ماڈل، یعنی بہتر بنانے کے. ایک تصوراتی ماڈل جس میں ای ایم کے تصورات کے ساتھ آئی ایس ایس آر ایم کے ڈومین کی تصویر کشی کی گئی ہے۔ EAM-ISSRM مربوط ماڈل کی توثیق اس کے بعد ایک توثیق گروپ کی مدد سے ماڈل کی افادیت اور استعمال کی تشخیص کے ساتھ کی جاتی ہے. |
1976c9eeccc7115d18a04f1e7fb5145db6b96002 | فری بیس ایک عملی ، توسیع پذیر ٹپل ڈیٹا بیس ہے جو عام انسانی علم کی ساخت کے لئے استعمال ہوتا ہے۔ فری بیس میں ڈیٹا باہمی تعاون سے تخلیق ، منظم اور برقرار رکھا جاتا ہے۔ فری بیس میں فی الحال 125،000،000 سے زیادہ ٹپل ، 4000 سے زیادہ اقسام ، اور 7000 سے زیادہ خصوصیات ہیں۔ فری بیس تک عوامی پڑھنے / لکھنے کی رسائی کو میٹا ویب کوئری لینگویج (ایم کیو ایل) کو بطور ڈیٹا استفسار اور ہیرا پھیری کی زبان استعمال کرتے ہوئے HTTP پر مبنی گراف-سوال API کے ذریعہ اجازت دی گئی ہے۔ ایم کیو ایل فری بیس میں ٹپل ڈیٹا کے لئے استعمال میں آسان آبجیکٹ پر مبنی انٹرفیس مہیا کرتا ہے اور یہ باہمی تعاون پر مبنی ، ویب پر مبنی ڈیٹا پر مبنی ایپلی کیشنز کی تخلیق کو آسان بنانے کے لئے ڈیزائن کیا گیا ہے۔ |
77b99e0a3a6f99537a4b497c5cd67be95c1b7088 | خود مختار گاڑیوں کی تحقیق ایک دہائی سے زیادہ عرصے سے عام ہے لیکن حال ہی میں خود مختار گاڑیوں میں ہونے والی انسانی تعامل پر تھوڑی مقدار میں تحقیق کی گئی ہے۔ اگرچہ فنکشنل سافٹ ویئر اور سینسر ٹیکنالوجی محفوظ آپریشن کے لئے ضروری ہے، جو خود مختار گاڑی کی تحقیق کا بنیادی توجہ رہا ہے، انسانی بات چیت کے تمام عناصر کو سنبھالنے میں بھی ان کی کامیابی کا ایک بہت اہم پہلو ہے. اس دستاویز میں خود مختار گاڑیوں میں انسانی گاڑی کی بات چیت کی اہمیت کا جائزہ فراہم کیا جائے گا ، جبکہ متعلقہ متعلقہ عوامل پر غور کیا جائے گا جو اپنانے پر اثر انداز ہونے کا امکان رکھتے ہیں۔ کار میں کنٹرول سے متعلق اہم علاقوں پر کی گئی پہلے کی تحقیق پر خصوصی توجہ دی جائے گی ، ان مختلف عناصر کے علاوہ جو ان گاڑیوں کی کامیابی کے امکانات کو متاثر کرنے کی توقع رکھتے ہیں جو ابتدائی طور پر انسانی آپریشن کے لئے تیار کی گئیں۔ اس مقالے میں انسانوں کے ساتھ تعامل پر غور کرنے کے لئے کی جانے والی محدود تحقیق اور شائع شدہ فنکشنل سافٹ ویئر اور سینسر ٹکنالوجی کی موجودہ حالت پر بھی تبادلہ خیال کیا جائے گا۔ |
31f3a12fb25ddb0a27ebdda7dd8d014996debd74 | ہم نے تقریباً 2 سال کے دوران 12500 اینڈرائیڈ آلات کے استعمال کی معلومات جمع کیں۔ ہمارے ڈیٹا سیٹ میں 53 ارب ڈیٹا پوائنٹس ہیں 894 ماڈل کے آلات سے جو اینڈرائیڈ کے 687 ورژن چلاتے ہیں۔ جمع کردہ ڈیٹا پر کارروائی کرنے سے کئی چیلنجز سامنے آتے ہیں جن میں توسیع سے لے کر مستقل مزاجی اور رازداری کے تحفظات شامل ہیں۔ ہم اس انتہائی تقسیم شدہ ڈیٹا سیٹ کے جمع اور تجزیہ کے لئے اپنے سسٹم فن تعمیر کو پیش کرتے ہیں ، اس پر تبادلہ خیال کرتے ہیں کہ ہمارا نظام ناقابل اعتبار ٹائمنگ معلومات کی موجودگی میں کس طرح قابل اعتماد ٹائم سیریز ڈیٹا اکٹھا کرسکتا ہے ، اور ان مسائل اور سبقوں پر تبادلہ خیال کرتا ہے جن کے بارے میں ہمارا خیال ہے کہ بہت سے دوسرے بڑے ڈیٹا اکٹھا کرنے کے منصوبوں پر لاگو ہوتا ہے۔ |
408a8e250316863da94ffb3eab077175d08c01bf | |
5656fa5aa6e1beeb98703fc53ec112ad227c49ca | ہم کثیر پیشن گوئی گہری بولٹزمن مشین (ایم پی-ڈی بی ایم) متعارف کراتے ہیں. ایم پی ڈی بی ایم کو ایک واحد احتمالاتی ماڈل کے طور پر دیکھا جاسکتا ہے جس کو عمومی طور پر چھدم امکان کے لئے متغیر تخمینہ کو زیادہ سے زیادہ کرنے کے لئے تربیت دی جاتی ہے ، یا بار بار چلنے والے نیٹ ورکس کے کنبے کے طور پر جو پیرامیٹرز کو بانٹتے ہیں اور تقریبا مختلف استنباط کے مسائل حل کرتے ہیں۔ ڈی بی ایم کی تربیت کے سابقہ طریقوں یا تو درجہ بندی کے کاموں پر اچھی کارکردگی کا مظاہرہ نہیں کرتے ہیں یا ابتدائی سیکھنے کے پاس کی ضرورت ہوتی ہے جو ڈی بی ایم کو لالچی طور پر ایک وقت میں ایک پرت کی تربیت دیتا ہے۔ ایم پی ڈی بی ایم کو لالچی پرتوں کی پیشگی تربیت کی ضرورت نہیں ہے ، اور درجہ بندی ، لاپتہ آدانوں کے ساتھ درجہ بندی ، اور اوسط فیلڈ پیشن گوئی کے کاموں میں معیاری ڈی بی ایم سے بہتر کارکردگی کا مظاہرہ کرتا ہے۔ |
4c99b87df6385bd945a00633f829e4a9ec5ce314 | سوشل نیٹ ورک بہت زیادہ ڈیٹا پیدا کرتے ہیں۔ فیس بک میں 400 ملین سے زائد فعال صارفین ہیں جو ہر ماہ 5 ارب سے زیادہ معلومات شیئر کرتے ہیں۔ غیر منظم اعداد و شمار کی اس وسیع مقدار کا تجزیہ سافٹ ویئر اور ہارڈ ویئر کے لئے چیلنجز پیش کرتا ہے. ہم گراف سی ٹی پیش کرتے ہیں، ایک گراف کی خصوصیات ٹول کٹ بڑے پیمانے پر گرافس کے لئے سوشل نیٹ ورک کے اعداد و شمار کی نمائندگی. 128 پروسیسر Cray XMT پر ، گراف سی ٹی نے مصنوعی طور پر پیدا کردہ (آر-میٹ) 537 ملین چوٹیوں ، 55 منٹ میں 8.6 بلین کنارے گراف اور ایک حقیقی دنیا کے گراف (کواک ، اور دیگر) کے مابین مرکزیت کا اندازہ لگایا ہے۔ 61.6 ملین چوٹیوں اور 1.47 ارب کناروں کے ساتھ 105 منٹ میں. ہم گراف سی ٹی کا استعمال کرتے ہیں ٹویٹر کے عوامی اعداد و شمار کا تجزیہ کرنے کے لیے، ایک مائیکرو بلاگنگ نیٹ ورک۔ ٹویٹر کے پیغام کے رابطے بنیادی طور پر ایک درخت کی ساخت کے طور پر ایک خبر کے پھیلاؤ کے نظام کے طور پر ظاہر ہوتے ہیں. عوامی اعداد و شمار کے اندر، تاہم، بات چیت کے کلسٹر ہیں. گراف سی ٹی کا استعمال کرتے ہوئے، ہم ان گفتگو میں اداکاروں کی درجہ بندی کر سکتے ہیں اور تجزیہ کاروں کو بہت چھوٹے اعداد و شمار کے ذیلی سیٹ پر توجہ مرکوز کرنے میں مدد کرسکتے ہیں. |
7b1e18688dae102b8702a074f71bbea8ba540998 | آٹوموٹو گاڑیوں کے نظام کی بڑھتی ہوئی پیچیدگی، بیرونی نیٹ ورکس سے ان کا تعلق، چیزوں کے انٹرنیٹ کے ساتھ ساتھ ان کے زیادہ اندرونی نیٹ ورکنگ ہیکنگ اور بدنیتی پر مبنی حملوں کے دروازے کھولتا ہے. جدید آٹوموٹو گاڑیوں کے نظام میں سیکورٹی اور رازداری کے خطرات اب تک اچھی طرح سے تشہیر کی جاتی ہیں. کہ سیکورٹی کی خلاف ورزی سیکورٹی کی خلاف ورزیوں کی قیادت کر سکتی ہے - ایک اچھی طرح سے دلیل اور قبول دلیل ہے. سیکورٹی کے نظم و ضبط کئی دہائیوں میں پختہ ہو گیا ہے ، لیکن سیکورٹی کے نظم و ضبط بہت کم عمر ہے . دلائل ہیں اور حق کے ساتھ، کہ سیکورٹی انجینئرنگ کے عمل کو فنکشنل سیکورٹی انجینئرنگ کے عمل (نرم ISO 26262 کی طرف سے formalized) کے لئے اسی طرح ہے اور وہ ایک طرف سے طرف کی طرف سے رکھی جا سکتی ہے اور ایک دوسرے کے ساتھ کیا جا سکتا ہے لیکن، ماہرین کے ایک مختلف سیٹ کی طرف سے کیا جا سکتا ہے. آٹوموٹو گاڑیوں کے نظام کے لئے فنکشنل سیفٹی انجینئرنگ کے عمل کی لائنوں کے ساتھ ساتھ ایک سیکورٹی انجینئرنگ کے عمل کی وضاحت کرنے کے لئے اقدامات ہیں . لیکن کیا یہ کوششیں سیفٹی سیکیورٹی کو باضابطہ بنانے کے لیے کافی ہیں تاکہ محفوظ اور محفوظ نظام تیار کیا جا سکے۔ جب کوئی محفوظ اور محفوظ نظام بنانے کے خیال سے اس راستے پر چلتا ہے تو اسے احساس ہوتا ہے کہ اس سے پہلے کہ محفوظ اور محفوظ نظام پیداوار لائنوں سے نکلنا شروع ہوجائیں ، اس میں کافی چیلنجز ، تضادات ، عدم مساوات ، خدشات کا سامنا کرنا پڑتا ہے۔ اس دستاویز کی کوشش ہے کہ کچھ ایسے چیلنج والے علاقوں کو کمیونٹی کی توجہ میں لایا جائے اور آگے بڑھنے کا راستہ تجویز کیا جائے۔ |
a608bd857a131fe0d9e10c2219747b9fa03c5afc | جدید آٹوموبائل ہر جگہ کمپیوٹرائزڈ ہیں، اور اس وجہ سے ممکنہ طور پر حملے کے لئے کمزور ہیں. تاہم، اگرچہ پچھلی تحقیق سے یہ بات سامنے آئی ہے کہ کچھ جدید گاڑیوں کے اندر اندرونی نیٹ ورک غیر محفوظ ہیں، لیکن اس سے وابستہ خطرہ ماڈل - جس کے لیے پہلے سے جسمانی رسائی کی ضرورت ہوتی ہے - کو معقول طور پر غیر حقیقت پسندانہ سمجھا جاتا ہے۔ اس طرح، یہ ایک کھلا سوال رہتا ہے کہ آیا آٹوموبائل بھی ریموٹ سمجھوتہ کے لئے حساس ہوسکتے ہیں. ہمارے کام میں ایک جدید آٹوموبائل کی بیرونی حملہ سطح کا تجزیہ کرکے اس سوال کو آرام کرنے کی کوشش کی جاتی ہے. ہم دریافت کرتے ہیں کہ دور دراز سے استحصال حملے کے ویکٹر کی ایک وسیع رینج کے ذریعے ممکن ہے (بشمول مکینیکل ٹولز ، سی ڈی پلیئرز ، بلوٹوتھ اور سیلولر ریڈیو) ، اور مزید یہ کہ ، وائرلیس مواصلات چینلز طویل فاصلے پر گاڑی کا کنٹرول ، مقام سے باخبر رہنے ، کیبن میں آڈیو اخراج اور چوری کی اجازت دیتے ہیں۔ آخر میں، ہم آٹوموٹو ماحولیاتی نظام کی ساختی خصوصیات پر بحث کرتے ہیں جو اس طرح کے مسائل کو جنم دیتے ہیں اور ان کو کم کرنے میں عملی چیلنجوں پر روشنی ڈالتے ہیں. |
cdbb46785f9b9acf8d03f3f8aba58b201f06639f | آٹوموٹو نظام کی آئی ٹی سیکورٹی تحقیق کا ایک تیار علاقہ ہے. موجودہ صورتحال اور ممکنہ طور پر بڑھتے ہوئے رجحان کے تجزیہ کے لئے پیدا ہونے والے خطرات ہم نے حالیہ آٹوموٹو ٹیکنالوجی پر کئی عملی ٹیسٹ کئے. آٹوموٹو سسٹم پر توجہ مرکوز کے ساتھ CAN بس ٹیکنالوجی پر مبنی، اس مضمون میں ونڈو لفٹ کے لئے کنٹرول سسٹم پر کارکردگی کا مظاہرہ کیا چار منتخب ٹیسٹ کے نتائج کا خلاصہ، انتباہ روشنی اور ایئر بیگ کنٹرول سسٹم کے ساتھ ساتھ مرکزی گیٹ وے. ان نتائج کو اس مضمون میں قائم کردہ CERT ٹیکسونومی کا استعمال کرتے ہوئے ان چار حملوں کے منظرناموں کی درجہ بندی اور بنیادی سیکیورٹی کمزوریوں ، اور خاص طور پر ، ممکنہ حفاظتی مضمرات کا تجزیہ کرکے مکمل کیا گیا ہے۔ ان ٹیسٹوں کے نتائج کے حوالے سے، اس مضمون میں ہم نے اپنے ٹیسٹوں میں استعمال بنیادی کمزوریوں کو دور کرنے کے لئے دو منتخب شدہ جوابی اقدامات پر مزید بحث. یہ انٹروژن کا پتہ لگانے کے موافقت ہیں (تین مثالی پتہ لگانے کے نمونوں پر تبادلہ خیال کرتے ہوئے) اور آئی ٹی فارینسک اقدامات (فورینسک ماڈل پر مبنی فعال اقدامات کی تجویز کرتے ہوئے) ۔ اس مضمون میں پہلے متعارف کرائے گئے چار حملے کے منظرناموں کو دیکھتے ہوئے ، ان کی صلاحیتوں اور پابندیوں کا احاطہ کرتے ہوئے دونوں پر تبادلہ خیال کیا گیا ہے۔ اگرچہ یہ رد عمل کے نقطہ نظر قلیل مدتی اقدامات ہیں، جو پہلے ہی آٹوموٹو آئی ٹی فن تعمیر میں شامل ہوسکتے ہیں، طویل مدتی تصورات بھی جلد ہی متعارف کرایا جاتا ہے، جو بنیادی طور پر روک تھام ہیں لیکن ایک اہم ڈیزائن کی ضرورت ہوگی. متعلقہ تحقیقی طریقوں پر ایک مختصر جائزہ کے تحت، ہم ان کی انفرادی ضروریات، صلاحیتوں اور پابندیوں پر بحث کرتے ہیں. & 2010 ایلسیویئر لمیٹڈ۔ تمام حقوق محفوظ ہیں۔ |
13b44d1040bf8fc1edb9de23f50af1f324e63697 | ہم صفت سے ہدایت شدہ چہرے کی نسل میں دلچسپی رکھتے ہیں: ایک کم ریزولوشن چہرے کی ان پٹ امیج دی گئی ، ایک وصف ویکٹر جو اعلی ریزولوشن امیج (صفت کی تصویر) سے نکالا جاسکتا ہے ، ہمارا نیا طریقہ کم ریزولوشن ان پٹ کے لئے ایک اعلی ریزولوشن چہرہ کی تصویر تیار کرتا ہے جو دی گئی صفات کو پورا کرتا ہے۔ اس مسئلے کو حل کرنے کے لئے ، ہم سائیکل گین کو مشروط کرتے ہیں اور مشروط سائیکل گین کی تجویز کرتے ہیں ، جو 1) غیر منسلک ٹریننگ ڈیٹا کو سنبھالنے کے لئے ڈیزائن کیا گیا ہے کیونکہ تربیت کم / اعلی ریزولوشن اور اعلی ریزولوشن کی خصوصیات کی تصاویر ضروری طور پر ایک دوسرے کے ساتھ سیدھ میں نہیں آسکتی ہیں ، اور 2) ان پٹ صفات کے ذریعہ تیار کردہ چہرے کی ظاہری شکل پر آسان کنٹرول کی اجازت دیتے ہیں۔ ہم صفت سے چلنے والے مشروط سائیکل گین پر اعلی معیار کے نتائج کا مظاہرہ کرتے ہیں ، جو صارف کے ذریعہ فراہم کردہ صفات (جیسے ، جنس ، میک اپ ، بالوں کا رنگ ، عینک) کے ذریعہ آسانی سے کنٹرول ہونے والے ظاہری شکل کے ساتھ حقیقت پسندانہ چہرے کی تصاویر کو ترکیب کرسکتے ہیں۔ اسی مشروط ویکٹر کو پیدا کرنے کے لئے شناخت کی تصویر کے طور پر استعمال کرتے ہوئے اور چہرے کی تصدیق کے نیٹ ورک کو شامل کرکے، خصوصیت کی ہدایت کردہ نیٹ ورک شناخت کی ہدایت شدہ مشروط سائیکل گان بن جاتا ہے جو شناخت کی منتقلی پر اعلی معیار اور دلچسپ نتائج پیدا کرتا ہے. ہم شناخت گائیڈ مشروط CycleGAN پر تین ایپلی کیشنز کا مظاہرہ: شناخت کے تحفظ چہرے سپر ریزولوشن، چہرے تبادلہ، اور سامنے چہرہ نسل، جو مسلسل ہمارے نئے طریقہ کار کا فائدہ ظاہر کرتے ہیں. |
8a7b0520de8d9af82617bb13d7aef000aae26119 | ایک مخلوط خصوصیت عام رسائی میٹرکس اور عام بکھیر میٹرکس کے ذریعہ موڈ میچنگ کے ساتھ حاصل کی گئی ہے جس میں دوہری بینڈ آرتھ موڈ ٹرانسڈوسر (او ایم ٹی) اجزاء کو ڈیزائن کرنے کی تجویز کی گئی ہے۔ اس طریقہ کار پر مبنی درست اور موثر مکمل لہر تجزیہ سافٹ ویئر تیار کیا گیا ہے. اعلی کارکردگی کے ساتھ Ku بینڈ میں دوہری تعدد OMT مکمل طور پر تیار کردہ سافٹ ویئر کے ساتھ ڈیزائن کیا گیا ہے. عددی اور تجرباتی نتائج کے درمیان اچھا معاہدہ ڈیزائن کے عمل کی توثیق کرتا ہے. |
17168ca2262960c57ee141b5d7095022e038ddb4 | اسمارٹ ڈیوائسز اور پہننے کے قابل سینسر سے سرگرمی کی شناخت تحقیق کا ایک فعال علاقہ ہے کیونکہ اسمارٹ ڈیوائسز کو وسیع پیمانے پر اپنانے اور ان کی روز مرہ کی زندگی میں لوگوں کی مدد کرنے کے لئے فراہم کردہ فوائد کی وجہ سے۔ ٹھیک دانے دار ابتدائی سرگرمی کی شناخت کے لئے دستیاب ڈیٹا سیٹ میں سے بہت سے لوگ حقیقی دنیا کے روزمرہ کے رویے پر کم زور کے ساتھ نقل و حرکت یا کھیلوں کی سرگرمیوں پر توجہ مرکوز کرتے ہیں. یہ کاغذ ایک حقیقت پسندانہ غیر تبدیل شدہ باورچی خانے کے ماحول میں سرگرمی کی شناخت کے لئے ایک نیا ڈیٹا سیٹ پیش کرتا ہے. اعداد و شمار صرف سمارٹ گھڑیاں استعمال کرتے ہوئے 10 غیر شرکاء سے جمع کیے گئے تھے جبکہ انہوں نے غیر تبدیل شدہ کرایے کے باورچی خانے میں کھانا تیار کیا۔ اس دستاویز میں اس ڈیٹا سیٹ پر مختلف درجہ بندی کے لئے بنیادی لائن کی کارکردگی کے اقدامات بھی فراہم کیے گئے ہیں۔ اس کے علاوہ، ایک گہری خصوصیت سیکھنے کے نظام اور زیادہ روایتی شماریاتی خصوصیات کی بنیاد پر نقطہ نظر کا موازنہ کیا جاتا ہے. اس تجزیہ سے پتہ چلتا ہے کہ - تمام تشخیصی معیار کے لئے - ڈیٹا پر مبنی خصوصیت سیکھنے کو درجہ بندی کرنے والے کو ہاتھ سے تیار کردہ خصوصیات کے مقابلے میں بہترین کارکردگی حاصل کرنے کی اجازت دیتا ہے. |
62a6cf246c9bec56babab9424fa36bfc9d4a47e8 | ہم کس طرح کمپیوٹر کو خود کار طریقے سے سوالات کا جواب دینے کے قابل بناسکتے ہیں جیسے کہ "ہیری پوٹر کا کردار کس نے تخلیق کیا؟" احتیاط سے تعمیر شدہ علم کی بنیادیں حقائق کے بھرپور ذرائع فراہم کرتی ہیں۔ تاہم، یہ ایک سوال کے متعدد اظہار کی وجہ سے قدرتی زبان میں اٹھائے گئے فیکٹوڈ سوالات کا جواب دینے کے لئے ایک چیلنج رہتا ہے. خاص طور پر، ہم سب سے زیادہ عام سوالات پر توجہ مرکوز کرتے ہیں - جو علم کی بنیاد میں ایک حقیقت کے ساتھ جواب دیا جا سکتا ہے. ہم CFO، ایک مشروط توجہ مرکوز نیورل نیٹ ورک پر مبنی نقطہ نظر کی تجویز پیش کرتے ہیں علم کی بنیادوں کے ساتھ فیکٹوڈ سوالات کا جواب دینے کے لئے. ہمارا نقطہ نظر سب سے پہلے ایک سوال میں زوم کرتا ہے تاکہ زیادہ ممکنہ امیدوار موضوع کا ذکر کیا جاسکے ، اور حتمی جوابات کو ایک متحد مشروط احتمال کے فریم ورک کے ساتھ اخذ کیا جاسکے۔ گہرے بار بار چلنے والے نیورل نیٹ ورکس اور نیورل ایمبیڈینس کے ذریعے طاقتور ، ہمارے مجوزہ سی ایف او نے 108 کلو سوالات کے ڈیٹا سیٹ پر 75.7 فیصد کی درستگی حاصل کی ہے - آج تک سب سے بڑا عوامی۔ یہ 11.8 فیصد کی مطلق مارجن کی طرف سے فن کی موجودہ ریاست سے بہتر ہے. |
7bbacae9177e5349090336c23718a51bc94f6bfc | ہم جغرافیائی معلومات کے ساتھ "سڑک کی طرف" تصاویر کے ڈیٹا بیس کا استعمال کرتے ہوئے ایک سوال کی تصویر میں دکھایا گیا جگہ کو تسلیم کرنے کی کوشش کرتے ہیں. یہ ایک مشکل کام ہے کیونکہ ڈیٹا بیس میں استفسار اور تصاویر کے درمیان پیمانے، نقطہ نظر اور روشنی میں تبدیلیوں کی وجہ سے. جگہ کی شناخت میں ایک اہم مسئلہ ایسی اشیاء کی موجودگی ہے جیسے درخت یا سڑک کے نشانات، جو ڈیٹا بیس میں اکثر ہوتے ہیں اور اس وجہ سے مختلف مقامات کے درمیان اہم الجھن کا سبب بنتے ہیں. بنیادی شراکت کے طور پر، ہم اس بات کا مظاہرہ کرتے ہیں کہ کس طرح نگرانی کی شکل کے طور پر ڈیٹا بیس کی تصاویر سے منسلک جیو ٹیگ کا استعمال کرتے ہوئے خاص مقامات کی الجھن سے بچنے کے لۓ. ہم تصویر کے مخصوص اور مقامی طور پر مقامی گروپوں کے الجھن کی خصوصیات کے خود کار طریقے سے پتہ لگانے کے لئے ایک طریقہ تیار کرتے ہیں، اور ظاہر کرتے ہیں کہ ان کو دبانے سے ڈیٹا بیس کے سائز کو کم کرنے کے دوران جگہ کی شناخت کی کارکردگی میں نمایاں طور پر بہتری آتی ہے. ہم طریقہ کار کو آرٹ بیگ کی خصوصیات کے ماڈل کی ریاست کے ساتھ اچھی طرح سے یکجا کرتے ہیں جس میں استفسار کی توسیع بھی شامل ہے ، اور جگہ کی شناخت کا مظاہرہ کرتے ہیں جو نقطہ نظر اور روشنی کے حالات کی وسیع رینج میں عام ہے۔ نتائج گوگل اسٹریٹ ویو سے ڈاؤن لوڈ کی گئی پیرس کی 17 ہزار سے زیادہ تصاویر کے جیو ٹیگڈ ڈیٹا بیس پر دکھائے گئے ہیں۔ |
d72b366e1d45cbcddfe5c856b77a2801d8d0c11f | موجودہ نیورل سیمنٹک پارسر بنیادی طور پر ایک ترتیب انکوڈر کا استعمال کرتے ہیں، یعنی، ایک ترتیب LSTM، لفظ آرڈر کی خصوصیات کو نکالنے کے لئے جبکہ دیگر قیمتی نحو کی معلومات جیسے انحصار گراف یا تشکیل دینے والے درختوں کو نظر انداز کرتے ہیں. اس مقالے میں، ہم سب سے پہلے تین قسم کے نحو کی معلومات، یعنی، لفظ ترتیب، انحصار اور حلقے کی خصوصیات کی نمائندگی کرنے کے لئے نحو گراف کا استعمال کرنے کی تجویز. ہم مزید گراف سے ترتیب ماڈل کو استعمال کرتے ہیں جو نحوی گراف کو کوڈ کرتا ہے اور منطقی شکل کو ڈی کوڈ کرتا ہے۔ بینچ مارک ڈیٹا سیٹ پر تجرباتی نتائج سے پتہ چلتا ہے کہ ہمارا ماڈل Jobs640، ATIS اور Geo880 پر آرٹ کی حالت کے ساتھ موازنہ کیا جا سکتا ہے. متضاد مثالوں پر تجرباتی نتائج سے پتہ چلتا ہے کہ ماڈل کی مضبوطی کو مزید نحوی معلومات کو انکوڈنگ کرکے بھی بہتر بنایا جاتا ہے۔ |
32cde90437ab5a70cf003ea36f66f2de0e24b3ab | پیچیدہ شہری سڑک کے مناظر کی بصری تفہیم ایپلی کیشنز کی ایک وسیع رینج کے لئے ایک فعال عنصر ہے. آبجیکٹ کا پتہ لگانے نے بڑے پیمانے پر ڈیٹا سیٹوں سے بہت فائدہ اٹھایا ہے ، خاص طور پر گہری سیکھنے کے تناظر میں۔ تاہم، سیمنٹک شہری منظر کی تفہیم کے لئے، کوئی موجودہ ڈیٹا سیٹ مناسب طریقے سے حقیقی دنیا کے شہری مناظر کی پیچیدگی کو پکڑتا ہے. اس کو حل کرنے کے لئے ، ہم Cityscapes متعارف کراتے ہیں ، ایک بینچ مارک سوٹ اور بڑے پیمانے پر ڈیٹا سیٹ پکسل اور مثال کی سطح پر معنوی لیبلنگ کے ل approachs نقطہ نظر کی تربیت اور جانچ کرنے کے لئے۔ سٹیزکیپس 50 مختلف شہروں کی سڑکوں پر ریکارڈ کیے گئے سٹیریو ویڈیو سیکنڈس کا ایک بڑا اور متنوع سیٹ ہے۔ ان تصاویر میں سے 5000 اعلی معیار پکسل سطح کی تشریحات ہیں، 20،000 اضافی تصاویر کو خام تشریحات ہیں جو طریقوں کو کمزور لیبل والے اعداد و شمار کی بڑی مقدار کو فائدہ اٹھانے کے قابل بناتے ہیں. اہم بات یہ ہے کہ ہماری کوشش ڈیٹا سیٹ کے سائز، تشریحات کی دولت، منظر کی تغیر پذیری اور پیچیدگی کے لحاظ سے پچھلی کوششوں سے کہیں زیادہ ہے۔ ہمارے ساتھ مل کر تجرباتی مطالعہ ڈیٹا سیٹ کی خصوصیات کا ایک گہرائی سے تجزیہ فراہم کرتا ہے، ساتھ ساتھ ہمارے معیار کی بنیاد پر کئی ریاستی آرٹ کے نقطہ نظر کی کارکردگی کی تشخیص. |
7c5f143adf1bf182bf506bd31f9ddb0f302f3ce9 | |
ceb7784d1bebbc8e97e97cbe2b3b76bce1e708a5 | بزنس انٹیلی جنس (BI) آج کل ہر ایک کے ہونٹوں پر ہے ، کیونکہ یہ کاروباری اداروں کو اپنے کاروباری طریقوں کا تجزیہ کرنے اور ان کو بہتر بنانے کا امکان فراہم کرتا ہے۔ تاہم، چھوٹے اور درمیانے درجے کے کاروباری اداروں (ایس ایم ای) اکثر BI کے مثبت اثرات کو فائدہ نہیں دے سکتے ہیں کیونکہ عملے، علم، یا پیسے جیسے وسائل کی کمی کی وجہ سے. چونکہ ایس ایم ای کاروباری تنظیم کی ایک اہم شکل ہے، اس حقیقت کو ختم کرنا ہوگا. چونکہ خوردہ صنعت ایس ایم ای برانچ کا ایک اہم حصہ ہے ، لہذا ہم خوردہ ایس ایم ای کے لئے ایک بین تنظیماتی نقطہ نظر تجویز کرتے ہیں ، جو انہیں باہمی تعاون سے ڈیٹا اکٹھا کرنے اور تجزیہ کام انجام دینے کی اجازت دیتا ہے۔ ہماری جاری تحقیقی کوشش کا مقصد ڈیزائن سائنس ریسرچ طریقہ کار کے مطابق اس طرح کے نظام کی ترقی ہے. اس مضمون میں ، خوردہ صنعت میں ایس ایم ای میں موجودہ BI طریقوں کی حیثیت کا تجزیہ دس ایس ایم ای مینیجرز کے ساتھ کوالٹی انٹرویو کے ذریعے کیا گیا ہے۔ اس کے بعد، BI نظام اور انٹر آرگنائزیشنل انفارمیشن سسٹم کے اپنانے اور کامیابی کے عوامل کو ایک جامع منظم ادبی جائزہ میں تیار کیا جاتا ہے. اسٹیٹس کوکو اور اپنانے اور کامیابی کے عوامل کی بنیاد پر ، بین تنظیماتی BI نظام کی قبولیت کے لئے پہلی ضروریات کی نشاندہی کی جاتی ہے اور کوالٹیٹو انٹرویوز کے ایک اور دور میں اس کی توثیق کی جاتی ہے۔ اس سے نو فنکشنل ضروریات اور تین غیر فنکشنل ضروریات پیدا ہوتی ہیں، جو ایس ایم ای کے لئے انٹر آرگنائزیشنل BI سسٹم کو ڈیزائن کرنے اور نافذ کرنے کے لئے استعمال کی جاسکتی ہیں۔ |
43e33e80d74205e860dd4b8e26b7c458c60e201a | ہم ظاہر کرتے ہیں کہ (بقیہ) کنوولول نیورل نیٹ ورک (سی این این) کی پیداوار وزن اور تعصب پر مناسب سابقہ کے ساتھ ایک گاوسی عمل (جی پی) ہے جو لامحدود بہت سے کنوولول فلٹرز کی حد میں ہے ، جس سے گھنے نیٹ ورکس کے لئے اسی طرح کے نتائج کو بڑھایا جاتا ہے۔ ایک سی این این کے لئے ، مساوی کارنیل کا حساب بالکل ٹھیک کیا جاسکتا ہے اور ، گہرے کارنیلز کے برعکس ، اس میں بہت کم پیرامیٹرز ہیں: صرف اصل سی این این کے ہائپر پیرامیٹرز۔ مزید برآں، ہم یہ ظاہر کرتے ہیں کہ اس کی بنیاد دو خصوصیات ہیں جو اسے مؤثر طریقے سے شمار کرنے کی اجازت دیتا ہے؛ تصاویر کے ایک جوڑے کے لئے کی بنیاد کا اندازہ کرنے کی لاگت اصل سی این این کے ذریعے صرف ایک فلٹر فی پرت کے ساتھ ایک ہی آگے گزرنے کے برابر ہے. 32 پرتوں والے ریسنیٹ کے برابر کارنیل نے ایم این آئی ایس ٹی پر درجہ بندی کی 0.84٪ غلطی حاصل کی ، جو پیرامیٹرز کی موازنہ تعداد کے ساتھ جی پیز کے لئے ایک نیا ریکارڈ ہے۔ 1۔ |
1e38c680492a958a2bd616a9a7121f905746a37e | بٹ کوائن سسٹم (https://bitcoin.org) ایک چھدم گمنام کرنسی ہے جو کسی صارف کو کسی بھی حقیقی دنیا کی شناخت سے الگ کر سکتی ہے۔ اس تناظر میں ، مجازی اور جسمانی تقسیم کی کامیاب خلاف ورزی بٹ کوائن سسٹم میں ایک اہم تبدیلی کی نمائندگی کرتی ہے۔ [1] اس منصوبے میں ہم کس طرح Bitcoin لین دین کے پیچھے حقیقی دنیا کے صارفین کے بارے میں معلومات حاصل کرنے کا مظاہرہ. ہم cryptocurrency کے بارے میں عوامی طور پر دستیاب اعداد و شمار کا تجزیہ کرتے ہیں. خاص طور پر، ہم اس صارف کے اخراجات کی عادات کی جانچ پڑتال کی طرف سے ایک Bitcoin صارف کی جسمانی مقام کے بارے میں معلومات کا تعین کرنے پر توجہ مرکوز. |
2c0a239caa3c2c590e4d6f23ad01c1f77adfc7a0 | |
5f6d9b8461a9d774da12f1b363eede4b7088cf5d | پچھلے تحقیقی نتائج سے پتہ چلتا ہے کہ UHF غیر فعال CMOS آر ایف آئی ڈی ٹیگ کو -20 ڈی بی ایم سے کم حساسیت حاصل کرنے میں دشواری کا سامنا کرنا پڑا. یہ کاغذ دو چینل 15 بٹ UHF غیر فعال CMOS RFID ٹیگ پروٹوٹائپ پیش کرتا ہے جو -20 ڈی بی ایم سے کم حساسیت پر کام کرسکتا ہے۔ مجوزہ ٹیگ چپ توانائی حاصل کرتا ہے اور 866.4 میگاہرٹز (ETSI کے لئے) یا 925 میگاہرٹز (ایف سی سی کے لئے) چینل پر اپ لنک ڈیٹا کو بیک ڈسٹریٹر کرتا ہے اور 433 میگاہرٹز چینل پر ڈاون لنک ڈیٹا وصول کرتا ہے۔ نتیجے کے طور پر، نیچے لنک ڈیٹا ٹرانسمیشن RF توانائی کی کٹائی سے ہمارے ٹیگ کو روک نہیں ہے. حاصل شدہ توانائی کو موثر طریقے سے استعمال کرنے کے لیے، ہم ایک ٹیگ چپ ڈیزائن کرتے ہیں جس میں نہ تو ریگولیٹر ہوتا ہے اور نہ ہی وی سی او تاکہ حاصل شدہ توانائی مکمل طور پر ڈیٹا وصول کرنے، پروسیسنگ اور بیک اسٹریٹنگ میں استعمال ہو۔ ریگولیٹر کے بغیر، ہمارے ٹیگ کے طور پر چند فعال ینالاگ سرکٹس ممکن طور پر وصول کنندہ سامنے کے آخر میں استعمال کرتا ہے. اس کے بجائے، ہمارے ٹیگ موصول اعداد و شمار کو ڈی کوڈ کرنے کے لئے ایک ناول ڈیجیٹل سرکٹ کا استعمال کرتا ہے. ایک VCO بغیر، ہمارے ٹیگ کے ڈیزائن نیچے کی لنک کے اعداد و شمار سے مطلوبہ گھڑی سگنل نکال سکتے ہیں. پیمائش کے نتائج سے پتہ چلتا ہے کہ مجوزہ غیر فعال ٹیگ چپ کی حساسیت -21.2 ڈی بی ایم تک پہنچ سکتی ہے۔ اس طرح کے نتیجے میں 19.6 میٹر ریڈر سے ٹیگ فاصلے کے تحت 36-ڈی بی ایم ای آر پی اور 0.4-ڈی بی آئی ٹیگ اینٹینا حاصل ہوتا ہے. یہ چپ ٹی ایس ایم سی 0.18-μm سی ایم او ایس عمل میں تیار کی گئی تھی۔ مرنے کا علاقہ 0.958 ملی میٹر × 0.931 ملی میٹر ہے۔ |
4991785cb0e6ee3d0b7823b59e144fb80ca3a83e | |
2f3a6728b87283ccf0f8822f7a60bca8280f0957 | مجموعی تلاش ممکنہ طور پر متعدد خصوصی تلاش کی خدمات ، یا عمودی ، سے نتائج کو ویب تلاش کے نتائج میں ضم کرنے کا کام ہے۔ اس کام کے لئے نہ صرف یہ پیش گوئی کرنے کی ضرورت ہے کہ کون سے عمودی طور پر پیش کیا جائے (زیادہ تر سابقہ تحقیق کی توجہ) ، بلکہ یہ بھی پیش گوئی کرنا ہے کہ ویب کے نتائج میں انہیں کہاں پیش کیا جائے (یعنی ، ویب کے نتائج کے اوپر یا نیچے ، یا اس کے درمیان کہیں بھی) ۔ متعدد عمودی سے نتائج کو جمع کرنے کے لئے سیکھنے کے ماڈل دو بڑے چیلنجوں سے وابستہ ہیں۔ سب سے پہلے، کیونکہ عمودی نتائج کے مختلف قسم کے نتائج حاصل کرتے ہیں اور مختلف تلاش کے کاموں کو حل کرتے ہیں، مختلف عمودی سے نتائج مختلف قسم کے پیشن گوئی کے ثبوت (یا خصوصیات) سے منسلک ہوتے ہیں. دوسرا، یہاں تک کہ جب ایک خصوصیت عمودی میں عام ہے، اس کی پیشن گوئی عمودی مخصوص ہوسکتی ہے. لہذا ، عمودی نتائج کو جمع کرنے کے نقطہ نظر میں عمودی میں متضاد خصوصیت کی نمائندگی کو سنبھالنے کی ضرورت ہوتی ہے ، اور ممکنہ طور پر خصوصیات اور مطابقت کے مابین عمودی مخصوص رشتہ ہوتا ہے۔ ہم 3 عمومی نقطہ نظر پیش کرتے ہیں جو ان چیلنجوں کو مختلف طریقوں سے حل کرتے ہیں اور ان کے نتائج کا 13 عمودی اور 1070 سوالات کے ایک سیٹ میں موازنہ کرتے ہیں۔ ہم دکھاتے ہیں کہ بہترین نقطہ نظر وہ ہیں جو سیکھنے کے الگورتھم کو خصوصیات اور مطابقت کے درمیان عمودی مخصوص تعلقات سیکھنے کی اجازت دیتے ہیں. |
b8945cfb7ed72c0fd70263379c328b8570bd763f | |
a2770a51760a134dbb77889d5517550943ea7b81 | ایک کمپیکٹ دوہری پولرائزڈ دوہری بینڈ omnidirectional اینٹینا اعلی حاصل کے ساتھ 2G / 3G / LTE مواصلات کے لئے پیش کیا جاتا ہے، جس میں دو افقی پولرائزنگ (ایچ پی) اور عمودی پولرائزنگ (وی پی) عناصر شامل ہیں. اوپری HP عنصر میں چار جوڑے ترمیم شدہ طباعت شدہ میگنیٹو الیکٹرک (ME) ڈایپل ہوتے ہیں جو چار طرفہ پاور ڈویڈر فیڈنگ نیٹ ورک کے ذریعہ کھلایا جاتا ہے ، اور آٹھ ٹکڑے دار دار شکل والے پرجیوی پیچ ہوتے ہیں جو سرکلر طباعت شدہ سرکٹ بورڈ کے دونوں اطراف پر متبادل طور پر چھپی ہوئی ہیں۔ چار طرفہ پاور ڈویڈر فیڈنگ نیٹ ورک کے ساتھ ساتھ ایم ای ڈپولس کے چار جوڑے بنیادی طور پر ایک مستحکم 360 ° تابکاری پیٹرن اور اعلی فائدہ فراہم کرتے ہیں ، جبکہ آٹھ ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹکڑے ٹک نچلے HP عنصر اوپری ایک کے لئے اسی طرح ہے سوائے اس کے کہ اس میں پرجیوی پیچ نہیں ہیں۔ وی پی عنصر مخروط شکل کے پیچ کے چار جوڑوں پر مشتمل ہے. HP عنصر سے مختلف ، اوپری VP عنصر نچلے تعدد بینڈ فراہم کرتا ہے جبکہ نچلے VP ایک اعلی تعدد بینڈ دیتا ہے۔ VP عنصر اور HP عنصر کمپیکٹ اور دوہری پولرائزڈ خصوصیات حاصل کرنے کے لئے عمودی طور پر ترتیب دیا جاتا ہے. پیمائش کے نتائج سے پتہ چلتا ہے کہ تقریبا 2.6 ڈی بی آئی کے فائدہ کے ساتھ 39.6٪ (0.77-1.15 گیگاہرٹج) کی بینڈوڈتھ اور تقریبا 4.5 ڈی بی آئی کے فائدہ کے ساتھ 55.3٪ (1.66-2.93 گیگاہرٹج) کی ایک اور بینڈوڈتھ حاصل کی جاسکتی ہے ، جبکہ 128.8٪ (0.7-3.2 گیگاہرٹج) کی بینڈوڈتھ تقریبا 4.4 ڈی بی آئی کے فائدہ کے ساتھ وی پی سمت کے لئے حاصل کی جاسکتی ہے۔ پورٹ تنہائی 20 ڈی بی سے زیادہ اور 2 ڈی بی کے اندر اندر کم فائدہ تغیر کی سطح بھی حاصل کی جاتی ہے. لہذا، مجوزہ اینٹینا 2G / 3G / ایل ٹی ای انڈور مواصلات کے لئے موزوں ہے. |
33a1ee51cc5d51609943896a95c1371538f2d017 | |
1eb0bf4b9bf04e870962b742c4fc6cb330d1235a | کاروباری عمل کے انتظام پر زیادہ تر ادب میں دی گئی کاروباری عمل کی تعریفیں گہرائی میں محدود ہیں اور کاروباری عمل کے ان کے متعلقہ ماڈل اسی طرح محدود ہیں۔ پیداوار کے نظام سے آفس ماحول میں کاروباری عمل ماڈلنگ تکنیک کی ترقی کی ایک مختصر تاریخ دینے کے بعد، اس کاغذ کی تجویز ہے کہ سب سے زیادہ تعریفیں ایک عمل کی مشین استعارہ قسم کی تلاش پر مبنی ہیں. اگرچہ یہ تکنیک اکثر امیر اور روشن ہیں، یہ تجویز کیا جاتا ہے کہ وہ کاروباری عمل کی حقیقی نوعیت کا اظہار کرنے کے لئے بہت محدود ہیں جو آج کے چیلنج ماحول کو تیار کرنے اور ان کو اپنانے کی ضرورت ہے. |
bc018fc951c124aa4519697f1884fd5afaf43439 | وسیع بینڈ کے پلینر اینٹینا کے نظریاتی اور تجرباتی نتائج پیش کیے گئے ہیں۔ یہ اینٹینا ایک وسیع بینڈوتھ، کم کراس پولرائزیشن کی سطح، اور کم پسماندہ تابکاری کی سطح حاصل کر سکتا ہے. وسیع بینڈوتھ اور فعال سرکٹس کے ساتھ آسان انضمام کے لئے ، یہ یپرچر سے منسلک اسٹیکڈ مربع پیچ استعمال کرتا ہے۔ منسلک اوپننگ ایک H کے سائز کا اوپننگ ہے. محدود فرق وقت ڈومین طریقہ کار کی بنیاد پر، اینٹینا کے ان پٹ مائبادا کی ایک پیرامیٹرک مطالعہ پیش کیا جاتا ہے، اور اینٹینا مائبادا پر ہر پیرامیٹر کے اثرات کی عکاسی کی جاتی ہے. ایک اینٹینا بھی ڈیزائن، تیار اور ماپا جاتا ہے۔ ماپا واپسی نقصان 21.7٪ کی ایک مائبادا بینڈوتھ کی نمائش کرتا ہے. دونوں اور طیاروں میں کراس پولرائزیشن کی سطح 23 ڈی بی سے بہتر ہیں. اینٹینا تابکاری پیٹرن کے سامنے سے پیچھے کا تناسب 22 ڈی بی سے بہتر ہے. پیرامیٹرز اور تابکاری کے نمونوں کے نظریاتی اور تجرباتی نتائج دونوں پیش کیے گئے اور ان پر تبادلہ خیال کیا گیا ہے۔ |
5adcac7d15ec8999fa2beb62f0ddc6893884e080 | فنگر پرنٹ کی سمت بندی فنگر پرنٹ بڑھانے، فنگر پرنٹ کی درجہ بندی، اور فنگر پرنٹ کی شناخت میں اہم کردار ادا کرتی ہے۔ اس مقالے میں فنگر پرنٹ کی سمت کا تخمینہ لگانے کے بارے میں بنیادی پیشرفت کا تنقیدی جائزہ لیا گیا ہے۔ موجودہ طریقوں کے فوائد اور حدود کا پتہ چلا ہے. مستقبل کی ترقی کے مسائل پر تبادلہ خیال کیا گیا ہے۔ کاپی رائٹ © 2010 جان Wiley & بیٹوں، لمیٹڈ |
568cff415e7e1bebd4769c4a628b90db293c1717 | آج کل بہت زیادہ تعداد میں ویڈیو بنائی جا رہی ہیں لیکن ان میں سے زیادہ تر ویڈیوز کی کوئی لیبلنگ نہیں ہے۔ اس طرح کے اعداد و شمار سے نمٹنے کے لئے، ہم کسی بھی دستی طور پر لیبل مثالوں کے بغیر ویڈیوز میں مواد پر مبنی سرگرمی کی شناخت کے کام پر غور کرتے ہیں، جو صفر شاٹ ویڈیو کی شناخت کے طور پر بھی جانا جاتا ہے. اس مقصد کے حصول کے لئے ، ویڈیوز کو دریافت شدہ بصری تصورات کے لحاظ سے پیش کیا جاتا ہے ، جو پھر کسی دیئے گئے متنی استفسار کے ساتھ ان کی مماثلت کے مطابق متعلقہ یا غیر متعلقہ کے طور پر اسکور کیے جاتے ہیں۔ اس کاغذ میں، ہم نے پہلے کام کی brittleness اور کم صحت سے متعلق مسائل کے بہت سے کو کم کرنے کے لئے تصورات اسکور کرنے کے لئے ایک زیادہ مضبوط نقطہ نظر کی تجویز. ہم صرف معنی خیز تعلق، بصری اعتبار اور امتیاز کی طاقت پر غور نہیں کرتے۔ منتخب کردہ تصورات کے درجہ بندی کے اسکور میں شور اور غیر لکیریوں کو سنبھالنے کے لئے ، ہم اسکور جمع کرنے کے لئے ایک ناول جوڑی کے آرڈر میٹرکس نقطہ نظر کی تجویز کرتے ہیں۔ بڑے پیمانے پر TRECVID ملٹی میڈیا ایونٹ کا پتہ لگانے کے اعداد و شمار پر وسیع تجربات ہمارے نقطہ نظر کی برتری کو ظاہر کرتے ہیں. |
a62ac71cd51124973ac57c87d09a3461ecbd8e61 | کم سے کم مطلب چوتھا (LMF) الگورتھم کا رویہ خاص دلچسپی کا حامل ہے۔ اس الگورتھم کا ایل ایم ایس الگورتھم سے موازنہ کرتے ہوئے ، جب دونوں کو وزن میں نرمی کے عمل کے لئے بالکل ایک ہی وقت کے مستقل ہونے کے لئے مقرر کیا جاتا ہے تو ، ایل ایم ایف الگورتھم ، کچھ حالات میں ، ایل ایم ایس الگورتھم کے مقابلے میں کافی کم وزن شور ہوگا۔ لہذا ، یہ ممکن ہے کہ کم سے کم چوڑائی کی غلطی کا الگورتھم ایک اوسط مربع غلطی الگورتھم سے کم سے کم مربع تخمینہ کا بہتر کام کرسکتا ہے۔ یہ دلچسپ تصور انکولی الگورتھم کی تمام اقسام کے لئے مضمرات رکھتا ہے، چاہے وہ سب سے زیادہ نزول یا دوسری صورت پر مبنی ہیں. انکولی فلٹرنگ کے لئے نئے steepest نزول الگورتھم اور جس کا مطلب چوتھے اور مطلب چھٹے، وغیرہ، احساس میں غلطی کم سے کم کرنے کی اجازت دی گئی ہے وضع کیا گیا ہے. موافقت کے دوران ، وزن ان کے بہترین حل کی طرف نمایاں نرمی سے گزرتا ہے۔ ٹائم کنسٹنٹس حاصل کیے گئے ہیں ، اور حیرت کی بات یہ ہے کہ وہ وقت کے مستقل تناسب کے متناسب ہیں جو حاصل کیے جاتے اگر وڈرو اور ہوف کے سب سے زیادہ نزول کم سے کم اوسط مربع (ایل ایم ایس) الگورتھم استعمال کیا گیا ہوتا۔ نئے گریڈینٹ الگورتھم LMS الگورتھم کے مقابلے میں پروگرام اور حساب کرنے کے لئے غیر معمولی طور پر زیادہ پیچیدہ ہیں. ان کی عمومی شکل W J + l = w ، t 2plqK-lx ، ، جہاں W ، موجودہ وزن ویکٹر ہے ، W ، + 1 اگلا وزن ویکٹر ہے ، r ، موجودہ غلطی ہے ، X ، موجودہ ان پٹ ویکٹر ہے ، u ایک مستقل کنٹرولنگ استحکام اور تقارب کی شرح ہے ، اور 2 K کم سے کم ہونے والی غلطی کا ایکسپوننٹ ہے۔ نئے گرڈینٹ الگورتھم کے لئے اوسط اور تغیر کے وزن ویکٹر کے تقارب کے لئے شرائط اخذ کی گئی ہیں۔ |
5896b9299d100bdd10fee983fe365dc3bcf35a67 | یہ کاغذ مسلسل صحت کی نگرانی کے لئے ایک غیر انکشی وائرلیس سینسر پلیٹ فارم پیش کرتا ہے. سینسر سسٹم ایک لوپ اینٹینا ، وائرلیس سینسر انٹرفیس چپ ، اور ایک پولیمر سبسٹریٹ پر گلوکوز سینسر کو مربوط کرتا ہے۔ آئی سی میں بجلی کا انتظام ، ریڈ آؤٹ سرکٹ ، وائرلیس مواصلات انٹرفیس ، ایل ای ڈی ڈرائیور ، اور توانائی اسٹوریج کیپسیٹرز 0.36 ملی میٹر 2 سی ایم او ایس چپ میں بغیر کسی بیرونی اجزاء کے ہوتے ہیں۔ ہمارے گلوکوز سینسر کی حساسیت 0.18 μA·mm-2·mM-1 ہے. یہ نظام وائرلیس طور پر چلتا ہے اور 400 ہرٹز/ایم ایم کی حساسیت کے ساتھ 0.05-1 ملی میٹر کی پیمائش شدہ گلوکوز رینج حاصل کرتا ہے جبکہ ریگولیٹڈ 1.2 وولٹ سپلائی سے 3 μW استعمال کرتا ہے۔ |
622c5da12c87ecc3ea8be91f79192b6e0ee559d2 | اس نظریاتی ترکیب میں، ہم صارف کی شرکت اور شمولیت پر پہلے تحقیق کے تین روایات کو جوڑتے ہیں: صارف کی شرکت اور IS کامیابی کے درمیان تعلقات پر سروے اور تجرباتی ادب، متبادل ترقی کے نقطہ نظر پر معیاری ادب، اور کوالٹیٹو مطالعہ جو مختلف نظریاتی نقطہ نظر سے صارف کی شرکت کا جائزہ لیتے ہیں. ہم تین ادبی اداروں میں پیش رفت کا بھی جائزہ لیتے ہیں، اور صارف کی شرکت کو بہتر بنانے کے لئے مستقبل کی تحقیق کے خلا اور سمتوں کی نشاندہی کرتے ہیں. |
24beb987b722d4a25d3157a43000e685aa8f8874 | اس مقالے میں ایک شماریاتی ماڈل پیش کیا گیا ہے جو حصہ تقریر کے ٹیگ کے ساتھ تشریح کردہ ایک کورپس سے تربیت دیتا ہے اور انہیں جدید ترین درستگی کے ساتھ پہلے سے غیر متوقع متن میں تفویض کرتا ہے۔ اس ماڈل کو زیادہ سے زیادہ اینٹروپی ماڈل کے طور پر درجہ بندی کیا جاسکتا ہے اور بیک وقت پی او ایس ٹیگ کی پیش گوئی کرنے کے لئے بہت سی سیاق و سباق کی خصوصیات کا استعمال کرتا ہے۔ مزید برآں ، اس مقالے میں پیچیدہ ٹیگنگ فیصلوں کے ماڈل کے لئے خصوصی فیچر کا استعمال ظاہر کیا گیا ہے۔ ان خصوصیات کے نفاذ کے دوران پائے جانے والے کورپس مستقل مزاجی کے مسائل پر تبادلہ خیال کیا گیا ہے اور ایک تربیت کی حکمت عملی تجویز کی گئی ہے جو ان مسائل کو کم کرتی ہے۔ |
6a2fe560574b76994ab1148b4dae0bfb89e3a3e3 | انسانی ادراک کا ایک اہم پہلو توقع ہے اور یہ توقع کرنا ہے کہ انسان کون سی سرگرمیاں کرے گا (اور انہیں کیسے کریں) بہت سے ایپلی کیشنز کے لئے مفید ہے ، مثال کے طور پر ، توقع ایک معاون روبوٹ کو انسانی ماحول میں رد عمل کے ردعمل کے لئے آگے کی منصوبہ بندی کرنے کے قابل بناتا ہے۔ اس کام میں ، ہم اعتراض کی سہولت کے ذریعہ بھرپور مقامی وقتی تعلقات کے بارے میں استدلال کرکے مختلف ممکنہ مستقبل کی انسانی سرگرمیوں کو پیدا کرنے کے لئے ایک تعمیری نقطہ نظر پیش کرتے ہیں۔ ہم ہر ممکنہ مستقبل کی نمائندگی ایک متوقع وقتی مشروط بے ترتیب فیلڈ (اے ٹی سی آر ایف) کا استعمال کرتے ہوئے کرتے ہیں جہاں ہم مستقبل کے آبجیکٹ کے راستے اور انسانی پوز سے متعلق نوڈس اور کناروں کا نمونہ لیتے ہیں۔ ہم پھر تعمیر ATCRF ذرات کے ایک سیٹ کا استعمال کرتے ہوئے ممکنہ مستقبل پر تقسیم کی نمائندگی کرتے ہیں. CAD-120 انسانی سرگرمی RGB-D ڈیٹا سیٹ پر وسیع پیمانے پر تشخیص میں، نئے مضامین کے لئے (تربیتی سیٹ میں نہیں دیکھا گیا) ، ہم 75.4٪، 69.2٪ اور 58.1٪ کی سرگرمی کی پیش گوئی کی درستگی حاصل کرتے ہیں (جسے اس کی وضاحت کی گئی ہے کہ آیا سب سے اوپر تین پیشن گوئیوں میں سے ایک واقعی ہوا ہے) کے لئے 1، 3 اور 10 سیکنڈ کے منتظر وقت کے لئے. 1۔ |
ea38789c6687e7ccb483693046fff5293e903c51 | ہم ایک بیچ ریئنفورسمینٹ لرننگ (آر ایل) الگورتھم پیش کرتے ہیں جو ہر پالیسی کی معیار کے بارے میں ممکنہ ضمانت فراہم کرتا ہے جو اس کی تجویز کرتا ہے ، اور جس میں کوئی ہائپر پیرامیٹرز نہیں ہیں جن کو ماہر کی موافقت کی ضرورت ہوتی ہے۔ صارف کسی بھی کارکردگی کو منتخب کر سکتا ہے، ρ-، اور اعتماد کی سطح، δ، اور ہمارے الگورتھم کو یقینی بنائے گا کہ یہ امکان ہے کہ یہ ایک پالیسی کو کارکردگی کے ساتھ واپس آ جائے گا ρ- زیادہ سے زیادہ δ ہے. پھر ہم ایک اضافی الگورتھم تجویز کرتے ہیں جو ہماری پالیسی میں بہتری کے الگورتھم کو بار بار نافذ کرتا ہے تاکہ متعدد پالیسی میں بہتری پیدا کی جا سکے۔ ہم ایک سادہ gridworld اور معیاری پہاڑ کار مسئلہ کے ساتھ ساتھ ایک ڈیجیٹل مارکیٹنگ کی درخواست ہے کہ حقیقی دنیا کے اعداد و شمار کا استعمال کرتا ہے کے ساتھ ہمارے نقطہ نظر کی viability دکھاتے ہیں. |
780b05a35f2c7dd4b4d6e2a844ef5e145f1972ae | کثیر موڑ ڈائیلاگ میں، قدرتی زبان کی تفہیم کے ماڈل سیاق و سباق کی معلومات کے اندھے ہونے کی طرف سے واضح غلطیاں متعارف کروا سکتے ہیں. ڈائیلاگ کی تاریخ کو شامل کرنے کے لئے، ہم اسپیکر حساس دوہری میموری نیٹ ورکس کے ساتھ ایک نیورل فن تعمیر پیش کرتے ہیں جو اسپیکر پر منحصر ہے مختلف طریقے سے بیانات کو کوڈ کرتے ہیں. یہ نظام کے لئے دستیاب معلومات کے مختلف وسعتوں سے خطاب کرتا ہے - نظام کو صرف صارف کے بیانات کی سطح کی شکل معلوم ہوتی ہے جبکہ اس میں نظام کی پیداوار کا عین مطابق سیمنٹکس ہوتا ہے۔ ہم نے تجربات کیے مائیکروسافٹ کورٹانا کے حقیقی صارفین کے ڈیٹا پر، ایک تجارتی ذاتی معاون. نتیجہ نے سیاق و سباق کی معلومات کا استعمال کرتے ہوئے جدید ترین سلاٹ ٹیگنگ ماڈلز کے مقابلے میں نمایاں کارکردگی میں بہتری ظاہر کی ہے۔ |
259bbc822121df705bf3d5898ae031cd712505ea | 1موبائل مواصلات کا محکمہ ، اسکول آف الیکٹریکل انجینئرنگ اینڈ کمپیوٹر سائنسز ، ٹیکنیکل یونیورسٹی آف برلن ، برلن ، جرمنی 2وائرلیس نیٹ ورکنگ ، سگنل پروسیسنگ اور سیکیورٹی لیب ، ڈپارٹمنٹ آف الیکٹریکل اینڈ کمپیوٹر انجینئرنگ ، یونیورسٹی آف ہیوسٹن ، ہیوسٹن ، ٹی ایکس 77004 ، امریکہ 3سیسٹم آف کمیونیکیشن ، ڈیپارٹمنٹ آف الیکٹریکل انجینئرنگ (آئی ایس وائی) ، لنکوپنگ یونیورسٹی ، ایس ای 581 83 لنکوپنگ ، سویڈن 4 مواصلات لیبارٹری ، فیکلٹی آف الیکٹریکل انجینئرنگ اینڈ انفارمیشن ٹکنالوجی ، ڈریسڈن یونیورسٹی آف ٹکنالوجی ، 01062 ڈریسڈن ، جرمنی |
4eca7aa4a96300caf8622d666ecf5635d8b72132 | خود کار طریقے سے بحالی اور کھیلوں کی تربیت کے نظام کی ترقی کے لئے انسانی سرگرمیوں کی درست شناخت کرنے کی صلاحیت ضروری ہے. اس مقالے میں ، پیشانی کے پہنے ہوئے پہننے والے سینسر سے حاصل کردہ بڑے پیمانے پر ورزش کی تحریک کے اعداد و شمار کو ایک کنوولوشنل نیورل نیٹ ورک (سی این این) کے ساتھ درجہ بندی کیا گیا ہے۔ وقت کی سیریز کے اعداد و شمار جس میں تیز رفتار اور واقفیت کی پیمائش ہوتی ہے وہ تصاویر کے طور پر فارمیٹ کی جاتی ہیں ، جس سے سی این این کو خود بخود امتیازی خصوصیات نکالنے کی اجازت ملتی ہے۔ تصویر کی فارمیٹنگ اور مختلف سی این این فن تعمیر کے اثرات پر ایک تقابلی مطالعہ بھی پیش کیا جاتا ہے. بہترین کارکردگی کا مظاہرہ کرنے والی ترتیب 50 جم مشقوں کو درجہ بندی کرتی ہے 92.1 فیصد درستگی کے ساتھ۔ |
1b1a829c43f1a4f3a3d70f033a1b8e7bee1f7112 | |
6abac64862f7d207cac58c6a93f75dc80d74e575 | |
5fb874a1c8106a5b2b2779ee8e1433149109ba00 | ڈیٹا سے بییس نیٹ ورکس سیکھنے کے لئے الگورتھم میں دو اجزاء ہیں: ایک سکورنگ میٹرک اور ایک تلاش کا طریقہ کار۔ سکورنگ میٹرک ایک سکور کا حساب کرتا ہے جو اعداد و شمار کے ڈھانچے کی خوبی کی عکاسی کرتا ہے. تلاش کے طریقہ کار اعلی سکور کے ساتھ نیٹ ورک کی ساخت کی شناخت کرنے کی کوشش کرتا ہے. ہیکرمین اور دیگر (1995) بیزین میٹرک متعارف کرایا، بی ڈی میٹرک کہا جاتا ہے، جو نیٹ ورک کی ساخت کے متعلقہ پس منظر کے امکانات کو اعداد و شمار دیتا ہے. اس مقالے میں ، ہم یہ ظاہر کرتے ہیں کہ بیسیئن نیٹ ورک کی شناخت کے لئے تلاش کا مسئلہ ان میں سے جہاں ہر نوڈ میں زیادہ سے زیادہ K والدین ہیں جو کسی دیئے گئے مستقل سے زیادہ رشتہ دار پسدید امکان رکھتے ہیں ، جب بی ڈی میٹرک استعمال کیا جاتا ہے تو یہ این پی مکمل ہے۔ 12.1 تعارف حال ہی میں ، بہت سے محققین نے بیزیئن نیٹ ورکس سیکھنے کے طریقوں کی تحقیقات شروع کردی ہیں۔ ان میں سے بہت سے نقطہ نظر میں ایک ہی بنیادی اجزاء ہیں: ایک سکورنگ میٹرک اور تلاش کے طریقہ کار. اسکورنگ میٹرک مشاہدہ کیسز ڈی اور ایک نیٹ ورک ڈھانچہ بی ایس کا ایک ڈیٹا بیس لیتا ہے ، اور اس ڈھانچے کو اعداد و شمار کی اچھ .ی کا ایک اسکور لوٹاتا ہے۔ ایک تلاش کے طریقہ کار سکورنگ میٹرک کی طرف سے تشخیص کے لئے نیٹ ورک پیدا کرتا ہے. یہ نقطہ نظر نیٹ ورک کی ساخت یا ڈھانچے کے سیٹ کی شناخت کے لئے دو اجزاء کا استعمال کرتے ہیں جو مستقبل کے واقعات کی پیشن گوئی کرنے یا سبب تعلقات کا اندازہ کرنے کے لئے استعمال کیا جا سکتا ہے. کوپر اور Herskovits (1992) CH کہا جاتا ہے یہاں ایک Bayesian میٹرک، ہم BD میٹرک کہتے ہیں جس میں، صرف مجرد متغیر پر مشتمل Bayesian نیٹ ورک سیکھنے کے بارے میں معقول مفروضوں کے ایک سیٹ سے حاصل. ہیکرمین اور دیگر (1995) HGC کے طور پر یہاں حوالہ دیا گیا ہے اور CH کے کام پر ایک نئی میٹرک حاصل کرنے کے لئے، جس میں ہم BDe میٹرک کہتے ہیں، جس میں امکانات کے مساوات کی مطلوبہ جائیداد ہے. امکانات کے مساوی ہونے کا مطلب یہ ہے کہ اعداد و شمار مساوی ڈھانچے کو امتیازی سلوک کرنے میں مدد نہیں کرسکتے ہیں۔ اب ہم CH کی طرف سے حاصل BD میٹرک پیش کرتے ہیں. ہم بی ایچ ایس کا استعمال اس مفروضے کی نشاندہی کرنے کے لئے کرتے ہیں کہ بی ایس تقسیم کا ایک I نقشہ ہے جس نے ڈیٹا بیس تیار کیا ہے۔ 2 ایک عقیدے کے نیٹ ورک کی ساخت B S کو دیکھتے ہوئے ، ہم x i کے والدین کو ظاہر کرنے کے لئے i کا استعمال کرتے ہیں۔ ہم r i کا استعمال کرتے ہیں متغیر x i کی حالتوں کی تعداد کو ظاہر کرنے کے لئے، اور q i = Q x l 2 i r l i کے واقعات کی تعداد کو ظاہر کرنے کے لئے. ہم ان مثالوں کو انڈیکس کرنے کے لئے عددی j کا استعمال کرتے ہیں. یعنی ہم لکھتے ہیں i = j x i کے والدین کی jth مثال کے مشاہدے کو ظاہر کرنے کے لئے. 1996 سپرنگر-ورلاگ. 2 ایک ... |
7783fd2984ac139194d21c10bd83b4c9764826a3 | ممکنہ طریقوں کے علاقوں کو پیدا کرنے کے لئے، کمپیوٹیشنل آلات. لیکن مجھے کنسرکرنے کی ضرورت تھی، بیسیئن نیٹ ورکس نے حال ہی میں مضبوطی سے کام کیا. حال ہی میں میں نے پھینک دیا اس کتاب شائع کیا گیا تھا. انٹیلجنٹ سسٹمز میں، اے آئی آپریشنز ریسرچ ایکسیلنس ایوارڈ کے لئے گریجویٹ محققین ہے. میں نے یہ کس طرح کے بارے میں بہت فکر مند رہا ہوں. ظاہر ہے کہ ڈافن کولر اور سیکھنے کے ڈھانچے ثبوت استدلال. پرل کے لئے ایک زبان ہے. اس کی ابتدائی اشاعت کی تاریخ کے باوجود یہ، عظیم نہیں ہے بہترین حوالہ جات دے. |
5c386d601ffcc75f7635a4a5c6066824b37b9425 | آج کل، یہ ایک رجسٹریشن فارم کے ساتھ ایک مقبول ویب سائٹ تلاش کرنے کے لئے مشکل ہے جو ایک خود کار طریقے سے انسانی ثبوت ٹیسٹ کی طرف سے محفوظ نہیں ہے جو ایک تصویر میں حروف کی ایک ترتیب کو ظاہر کرتا ہے، اور صارف کو ان پٹ فیلڈ میں ترتیب میں داخل کرنے کی درخواست کرتا ہے. یہ سیکیورٹی میکانزم ٹورنگ ٹیسٹ پر مبنی ہے - مصنوعی ذہانت کے سب سے قدیم تصورات میں سے ایک - اور اسے اکثر کمپیوٹرز اور انسانوں کو الگ الگ بتانے کے لئے مکمل طور پر خودکار پبلک ٹورنگ ٹیسٹ (کیپچا) کہا جاتا ہے۔ اس قسم کا ٹیسٹ ایک اہم ویب وسائل تک خودکار رسائی کو روکنے کے لئے تصور کیا گیا ہے، مثال کے طور پر، ایک ویب میل سروس یا ایک سوشل نیٹ ورک. فی الحال ان ٹیسٹوں کے سینکڑوں ہیں، جو ایک دن میں لاکھوں بار پیش کیے جاتے ہیں، اس طرح انسانی کام کی ایک بہت بڑی مقدار شامل ہے. دوسری طرف، ان میں سے کئی ٹیسٹ توڑے جا چکے ہیں، یعنی محققین، ہیکرز اور اسپیمرز کے تیار کردہ خودکار پروگرام خود بخود درست جواب دینے میں کامیاب ہو گئے ہیں۔ اس باب میں ، ہم کیپچا کی تاریخ اور تصور کے ساتھ ساتھ ان کی درخواستوں اور ان کی مثالوں کا ایک وسیع جائزہ پیش کرتے ہیں۔ ہم ان کی تشخیص پر بھی تبادلہ خیال کرتے ہیں ، دونوں صارف اور سیکیورٹی کے نقطہ نظر سے ، بشمول استعمال ، حملوں اور جوابی اقدامات۔ ہم امید کرتے ہیں کہ یہ باب قارئین کو اس دلچسپ میدان کا ایک اچھا جائزہ فراہم کرتا ہے۔ سی ای ایس ان کمپیوٹرز، جلد اول 83 109 Copyright © 2011 Elsevier Inc. 65-2458/DOI: 10.1016/B978-0-12-385510-7.00003-5 تمام حقوق محفوظ ہیں۔ 110 جے ایم گومیز ہڈالگو اور جی. الوارز مارانون 1. تعارف . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 110 1 .1 ٹی ٹیورنگ ٹیسٹ اور کیپچا کی اصل . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ ١١٢. حوصلہ افزائی اور درخواستیں . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 127 3،1۔ او سی آر . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 130 3،2۔ میں عمر ہوں . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 135 3 .3۔ ایک آڈیو . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 143 3 .4۔ C cognitive . ذہین . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 173 R حوالہ جات . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 173۔ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 154 پانچ S سیکورٹی اور CAPTCHAs پر حملوں . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 156 5،1۔ CAPTCHAs پر ایک حملہ . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 158 5،2۔ S کیپچا پر سیکیورٹی کی ضروریات . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 169۔ چھٹا کیپچا کے متبادل . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ ١٧١٧۔ C onclusions اور مستقبل کے رجحانات . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 144 4. CAPTCHAs کی E تشخیص . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 146 4،1۔ E کارکردگی . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 147 4،2۔ ایک cessibility کے مسائل . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 152 4.3. P rational غور و فکر . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 116 2.1۔ کیپچا کی عمومی تفصیل کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 116 2 .2۔ کیپچا کی مطلوبہ خصوصیات . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 117 2 .3۔ میں عملدرآمد اور تعیناتی ہوں. کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 119 دو چار اے پی پیلیکیشنز اور روبوٹس کا عروج . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ 121۔ تیسرا۔ کیپچا کی اقسام . کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ کیا آپ جانتے ہیں ؟ |
941a668cb77010e032a809861427fa8b1bee8ea0 | آج کل ای سی جی تجزیہ اور تشریح کے لئے سیگنل پروسیسنگ کی اکثریت میں کارکردگی کا مظاہرہ کیا جاتا ہے. ای سی جی سگنل پروسیسنگ کا مقصد متعدد ہے اور اس میں پیمائش کی درستگی اور نقل پذیری میں بہتری (جب دستی پیمائش کے مقابلے میں) اور بصری تشخیص کے ذریعہ سگنل سے آسانی سے دستیاب معلومات کو نکالنا شامل ہے۔ بہت سے حالات میں، ای سی جی ایمبولریٹری یا سخت حالات کے دوران ریکارڈ کیا جاتا ہے جیسے سگنل مختلف قسم کے شور سے خراب ہوتا ہے، کبھی کبھی جسم کے دوسرے جسمانی عمل سے پیدا ہوتا ہے. اس طرح، شور کی کمی ای سی جی سگنل پروسیسنگ کا ایک اور اہم مقصد کی نمائندگی کرتا ہے؛ دراصل، دلچسپی کی لہر کی شکل کبھی کبھی شور کی طرف سے اتنی بھاری طور پر ماسک کی جاتی ہے کہ ان کی موجودگی صرف اس وقت ظاہر کی جاسکتی ہے جب مناسب سگنل پروسیسنگ پہلے لاگو کیا گیا ہے. دل کی دھڑکن میں وقفے وقفے سے ہونے والی خرابیوں کی نشاندہی کرنے کے مقصد کے لئے الیکٹروکارڈیوگرافک سگنل کو طویل وقت کے پیمانے پر (یعنی ، کئی دن) ریکارڈ کیا جاسکتا ہے۔ اس کے نتیجے میں، پیدا ہونے والی ای سی جی ریکارڈنگ بہت بڑی ڈیٹا سائز کی ہوتی ہے جو جلدی سے دستیاب اسٹوریج کی جگہ کو بھر دیتی ہے۔ عوامی ٹیلی فون نیٹ ورکس کے ذریعے سگنل کی ترسیل ایک اور درخواست ہے جس میں بڑی مقدار میں ڈیٹا شامل ہے. دونوں صورتوں کے لئے، ڈیٹا کمپریشن ایک ضروری آپریشن ہے اور، نتیجے میں، ای سی جی سگنل پروسیسنگ کا ایک اور مقصد کی نمائندگی کرتا ہے. سگنل پروسیسنگ نے ای سی جی اور اس کی متحرک خصوصیات کی نئی تفہیم میں نمایاں طور پر حصہ لیا ہے جیسا کہ تال اور بیٹ مورفولوجی میں تبدیلیوں کے ذریعہ ظاہر ہوتا ہے۔ مثال کے طور پر، ایسی تکنیکیں تیار کی گئی ہیں جو دل کی دھڑکن کے نظام سے متعلق جھولوں کی خصوصیات کرتی ہیں اور دل کی شرح میں ٹھیک ٹھیک تغیرات کی طرف اشارہ کرتی ہیں۔ ٹی لہر کی طول و عرض میں کم سطح کی متبادل تبدیلیوں کا پتہ لگانا آکسیلیٹری رویے کی ایک اور مثال ہے جو اچانک ، زندگی کو خطرے میں ڈالنے والے arrhythmias کے بڑھتے ہوئے خطرے کے اشارے کے طور پر قائم کی گئی ہے۔ ان دونوں میں سے کوئی بھی نوسکاتی سگنل کی خصوصیات کو ننگے آنکھ سے معیاری ای سی جی پرنٹ آؤٹ سے محسوس نہیں کیا جاسکتا ہے۔ ای سی جی تجزیہ کی تمام اقسام کے لئے عام - چاہے یہ آرام دہ ای سی جی تشریح، کشیدگی کی جانچ، ایمبولریٹری نگرانی، یا انتہائی نگہداشت کی نگرانی سے متعلق ہے - الگورتھم کا ایک بنیادی سیٹ ہے جو سگنل کو مختلف قسم کے شور اور آرٹیفیکٹ کے حوالے سے شرط دیتا ہے، دل کی دھڑکن کا پتہ لگانے، لہروں کی طول و عرض اور دورانیوں کی بنیادی ای سی جی پیمائش نکالنے، اور موثر اسٹوریج یا ٹرانسمیشن کے لئے ڈیٹا کو کمپریس؛ بلاک ڈایاگرام میں Fig. 1 سگنل پروسیسنگ الگورتھم کے اس سیٹ پیش کرتا ہے. اگرچہ یہ الگورتھم اکثر ترتیب وار ترتیب میں کام کرنے کے لئے نافذ کیے جاتے ہیں ، لیکن کیو آر ایس ڈیٹیکٹر کے ذریعہ تیار کردہ دل کی دھڑکن کے وقوع کے وقت کی معلومات کو بعض اوقات کارکردگی کو بہتر بنانے کے لئے دوسرے الگورتھم میں شامل کیا جاتا ہے۔ ہر الگورتھم کی پیچیدگی ایپلی کیشن سے ایپلی کیشن تک مختلف ہوتی ہے تاکہ ، مثال کے طور پر ، ایمبولریٹری مانیٹرنگ میں انجام دی جانے والی شور فلٹرنگ آرام دہ ای سی جی تجزیہ میں درکار سے کہیں زیادہ نفیس ہے۔ ایک بار جب الگورتھم کے بنیادی سیٹ کی طرف سے تیار کردہ معلومات دستیاب ہے، ای سی جی ایپلی کیشنز کی ایک وسیع رینج موجود ہے جہاں دل کی تال اور بیٹ مورفولوجی خصوصیات کی مقدار کے لئے سگنل پروسیسنگ کا استعمال کرنے کے لئے دلچسپی ہے. اس طرح کے دو ایپلی کیشنز کے ساتھ منسلک سگنل پروسیسنگ - اعلی قرارداد ای سی جی اور ٹی لہر متبادل - اس مضمون کے آخر میں مختصر طور پر بیان کی جاتی ہے. دلچسپی رکھنے والے قاری کو حوالہ دیا جاتا ہے، مثال کے طور پر، ریف. 1، جہاں دیگر ای سی جی ایپلی کیشنز کی تفصیلی وضاحت مل سکتی ہے. |
b681da8d4be586f6ed6658038c81cdcde1d54406 | اس خط میں، ایک ناول دوہری بینڈ اور پولرائزیشن لچکدار سبسٹریٹ مربوط ویو گائیڈ (SIW) گہا اینٹینا تجویز کیا جاتا ہے. اینٹینا کے لئے استعمال کیا جاتا SIW گہا اس کی پہلی گونج کے لئے ایک روایتی TE120 موڈ کی طرف سے حوصلہ افزائی کی جاتی ہے. سلاٹ کی مداخلت کے ساتھ ، ایک ترمیم شدہ - ٹی ای 120 موڈ کے ذریعہ متحرک ایک دوسری گونج بھی پیدا کی جاتی ہے ، اس طرح دو گونج تعدد پر ایک وسیع پیمانے پر تابکاری کا نمونہ فراہم کیا جاتا ہے۔ اس کے علاوہ، مجوزہ اینٹینا دو orthogonal فیڈنگ لائنوں ہے. لہذا، یہ کسی بھی چھ اہم پولرائزیشن ریاستوں کو فراہم کرنا ممکن ہے. اس خط میں، تین بڑے پولرائزیشن کے مقدمات کی نقالی اور ماپا نتائج کے مقابلے میں کر رہے ہیں. چونکہ جدید مواصلاتی نظاموں میں کثیر مقصدی اینٹینا کی ضرورت ہوتی ہے ، لہذا مجوزہ اینٹینا تصور ایک امید افزا امیدوار ہے۔ |
cf18287e79b1fd73cd333fc914bb24c00a537f4c | خود مختار طریقے سے پیچیدہ مہارتوں کے وسیع ذخیرے سیکھنے کے ل robots ، روبوٹ کو بغیر کسی انسانی نگرانی کے ، خود مختار طریقے سے جمع کردہ اعداد و شمار سے سیکھنے کے قابل ہونا چاہئے۔ ایک سیکھنے کا اشارہ جو خود مختار طور پر جمع کردہ ڈیٹا کے لئے ہمیشہ دستیاب ہوتا ہے وہ پیش گوئی ہے۔ اگر روبوٹ مستقبل کی پیشن گوئی کرنا سیکھ سکتا ہے تو وہ اس پیشن گوئی کے ماڈل کو مطلوبہ نتائج پیدا کرنے کے لئے اقدامات کرنے کے لئے استعمال کرسکتا ہے ، جیسے کسی چیز کو کسی خاص مقام پر منتقل کرنا۔ تاہم، پیچیدہ کھلی دنیا کے منظرناموں میں، پیشن گوئی کے لئے نمائندگی کا ڈیزائن کرنا مشکل ہے. اس کام میں، ہمارا مقصد براہ راست ویڈیو پیشن گوئی کے ذریعے خود نگرانی روبوٹ سیکھنے کو فعال کرنا ہے: ایک اچھی نمائندگی کو ڈیزائن کرنے کی کوشش کرنے کے بجائے، ہم براہ راست پیش گوئی کرتے ہیں کہ روبوٹ اگلا کیا دیکھے گا، اور پھر اس ماڈل کو مطلوبہ مقاصد کو حاصل کرنے کے لئے استعمال کریں. روبوٹک ہیرا پھیری کے لئے ویڈیو پیشن گوئی میں ایک اہم چیلنج پیچیدہ مقامی انتظامات جیسے کہ غائب ہونے کا انتظام کر رہا ہے۔ اس مقصد کے لئے، ہم ایک ویڈیو پیشن گوئی ماڈل متعارف کرانے کہ عارضی skipconnections شامل کر کے occlusion کے ذریعے اشیاء کا ٹریک رکھ سکتے ہیں. ایک ناول منصوبہ بندی کے معیار اور کارروائی کی جگہ کی تشکیل کے ساتھ مل کر، ہم اس ماڈل کو نمایاں طور پر ویڈیو کی پیشن گوئی کی بنیاد پر کنٹرول پر پہلے کام پر outperforms ہے کہ ظاہر. ہمارے نتائج میں ایسی چیزوں کی ہیرا پھیری کا مظاہرہ کیا گیا ہے جو تربیت کے دوران نظر نہیں آتی، متعدد اشیاء کو سنبھالنا، اور رکاوٹوں کے گرد اشیاء کو دھکا دینا۔ یہ نتائج مہارتوں کی حد اور پیچیدگی میں ایک اہم پیش رفت کی نمائندگی کرتے ہیں جو خود نگرانی روبوٹ سیکھنے کے ساتھ مکمل طور پر انجام دی جاسکتی ہیں۔ |
89701a3b04c3f102ebec83db3249b20791eacb38 | سیاق و سباق سے آگاہی سیاق و سباق سے آگاہ خدمات کو فعال کرنے کے لئے ایک اہم خصوصیت ہے۔ موبائل ڈیوائس کے لیے صارف کا مقام یا ٹریکٹری ایک اہم سیاق و سباق میں سے ایک ہے۔ موبائل آلات کے ذریعہ مقام یا راستے کا پتہ لگانے کے لئے ایک عام چیلنج درستگی اور بجلی کی کھپت کے مابین تجارت کا انتظام کرنا ہے۔ عام طور پر نقطہ نظر (1) سینسر کے استعمال کی تعدد کو کنٹرول کرنے اور (2) سینسر فیوژن تکنیک ہیں. اس کاغذ میں تجویز کردہ الگورتھم سیل ٹاور سے بار بار ماپا گیا گندا اور غلط مقام کے اعداد و شمار کو ضم کرکے درستگی کو بہتر بنانے کے لئے ایک مختلف نقطہ نظر اختیار کرتا ہے۔ تجرباتی نتیجہ سے پتہ چلتا ہے کہ پتہ چلا ہوا راستے اور زمین کی حقیقت کے درمیان اوسط غلطی کا فاصلہ 44 میٹر سے 10.9 میٹر تک بہتر ہوتا ہے 41 دن کی پیمائش کے اعداد و شمار کو ضم کرکے۔ |
a85ad1a2ee829c315be6ded0eee8a1dadc21a666 | خود مختار اور معاون ڈرائیونگ بلاشبہ کمپیوٹر ویژن میں گرم موضوعات ہیں. تاہم، ڈرائیونگ کا کام انتہائی پیچیدہ ہے اور ڈرائیوروں کے رویے کی گہری تفہیم اب بھی کمی ہے. کئی محققین اب منظر میں نمایاں اور دلچسپ اشیاء کا پتہ لگانے کے لئے کمپیوٹیشنل ماڈل کی وضاحت کرنے کے لئے توجہ کے طریقہ کار کی تحقیقات کر رہے ہیں. اس کے باوجود، ان میں سے زیادہ تر ماڈل صرف نیچے سے اوپر بصری نمایاں طور پر حوالہ دیتے ہیں اور اب بھی تصاویر پر توجہ مرکوز کر رہے ہیں. اس کے بجائے، ڈرائیونگ کے تجربے کے دوران کام کی عارضی نوعیت اور خاصیت توجہ کے طریقہ کار پر اثر انداز کرتی ہے، جس کا نتیجہ یہ ہے کہ حقیقی زندگی کی ڈرائیونگ ڈیٹا لازمی ہے. اس کاغذ میں ہم ایک ناول اور عوامی طور پر دستیاب ڈیٹا سیٹ اصل ڈرائیونگ کے دوران حاصل کی تجویز. ہمارے ڈیٹا سیٹ، 500،000 سے زیادہ فریموں پر مشتمل ہے، ڈرائیوروں کی نظر کی فکسشن اور ان کی وقتی انضمام مخصوص کام کے نمایاں نقشے فراہم کرتی ہے. جغرافیائی حوالہ جات کے مقامات، ڈرائیونگ کی رفتار اور کورس جاری کردہ ڈیٹا کے سیٹ کو مکمل کرتے ہیں. ہمارے علم کے مطابق ، یہ اس قسم کا پہلا عوامی طور پر دستیاب ڈیٹا سیٹ ہے اور مستقبل کی نسلوں کی خود مختار اور معاون کاروں میں ڈرائیور کی توجہ کے عمل کو بہتر طور پر سمجھنے ، استحصال کرنے اور دوبارہ پیش کرنے کے بارے میں نئی بحثوں کو فروغ دے سکتا ہے۔ |
a0ff514a8a64ba5a7cd7430ca04245fd037d040c | یہ دستاویز 2012 اور 2013 کے آئی سی آئی ایس سے پہلے کے واقعات سے تعلیمی اور صنعت کی مباحثوں پر مبنی ہے: BI کانگریس III اور فیصلہ سازی کے نظام پر خصوصی دلچسپی گروپ (SIGDSS) ورکشاپ، بالترتیب. فیصلے سازی اور جدت طرازی کے لئے نئی بصیرت پیش کرنے کے لئے بڑے اعداد و شمار کی صلاحیت کو تسلیم کرتے ہوئے ، دونوں واقعات میں پینل کے شرکاء نے تبادلہ خیال کیا کہ تنظیمیں کس طرح مسابقتی فائدہ کے ل big بڑے اعداد و شمار کا استعمال اور انتظام کرسکتی ہیں۔ اس کے علاوہ، ماہر پینل کے ارکان نے تحقیق کے خلا کو شناخت کرنے میں مدد کی. اگرچہ تعلیمی برادری میں ابھرتی ہوئی تحقیق بڑے اعداد و شمار کے حصول ، تجزیہ اور استعمال میں کچھ مسائل کی نشاندہی کرتی ہے ، لیکن بہت ساری نئی پیشرفت پریکٹیشنر برادری میں ہو رہی ہے۔ ہم بڑے اعداد و شمار کے تجزیہ کے فریم ورک کی پیشکش کرتے ہوئے تعلیمی اور پریکٹیشنر تحقیق کے درمیان خلا کو ختم کرتے ہیں جو تنظیموں میں بڑے اعداد و شمار کے تجزیہ کے لئے درکار اجزاء کے عمل کے نقطہ نظر کو پیش کرتا ہے۔ ماہرین کے انٹرویوز اور اکیڈمی اور پریکٹس دونوں سے ادب کا استعمال کرتے ہوئے ، ہم فریم ورک کی رہنمائی میں بڑے اعداد و شمار کی تحقیق کی موجودہ حالت کی نشاندہی کرتے ہیں اور مستقبل کی تحقیق کے لئے ممکنہ علاقوں کی تجویز کرتے ہیں تاکہ عملی طور پر تعلیمی تحقیق کی مطابقت کو بڑھایا جاسکے۔ |
34d03cfb02806e668f9748ee60ced1b269d1db6c | |
0607acbb450d2afef7f2aa5b53bb05966bd065ed | جبکہ ڈیپ نیورل نیٹ ورکس (ڈی این این) نے بڑے الفاظ کی مسلسل تقریر کی شناخت (ایل وی سی ایس آر) کے کاموں کے لئے زبردست کامیابی حاصل کی ہے ، ان نیٹ ورکس کی تربیت سست ہے۔ ایک وجہ یہ ہے کہ ڈی این این کو تربیت کے پیرامیٹرز کی ایک بڑی تعداد (یعنی 10-50 ملین) کے ساتھ تربیت دی جاتی ہے. چونکہ نیٹ ورکس کو اچھی کارکردگی حاصل کرنے کے لئے بڑی تعداد میں آؤٹ پٹ اہداف کے ساتھ تربیت دی جاتی ہے ، لہذا ان میں سے بیشتر پیرامیٹرز حتمی وزن کی پرت میں ہیں۔ اس مقالے میں، ہم حتمی وزن کی پرت کی ایک کم درجہ بندی میٹرکس فیکٹرائزیشن کی تجویز کرتے ہیں. ہم یہ کم درجہ کی تکنیک DNNs پر لاگو کرتے ہیں صوتی ماڈلنگ اور زبان ماڈلنگ دونوں کے لیے۔ ہم 50-400 گھنٹے کے درمیان تین مختلف LVCSR کاموں پر ظاہر کرتے ہیں کہ کم درجہ بندی کی وجہ سے نیٹ ورک کے پیرامیٹرز کی تعداد 30 سے 50 فیصد تک کم ہوجاتی ہے۔ اس کے نتیجے میں تقریبا ایک برابر کی کمی میں تربیت کے وقت کے بغیر ایک اہم نقصان میں حتمی تسلیم کی درستگی ، کے مقابلے میں ایک مکمل درجہ نمائندگی. |
56c16d9e2a5270ba6b1d83271e2c10916591968d | |
56c2fb2438f32529aec604e6fc3b06a595ddbfcc | حال ہی میں ، سامنے والے چہرے کی تصاویر سے صنف کی درجہ بندی کے لئے مشین سیکھنے کے متعدد طریقوں کی تجویز کی گئی ہے۔ ان کی تنوع سے یہ ظاہر ہوتا ہے کہ اس مسئلے کا کوئی منفرد یا عام حل نہیں ہے۔ طریقوں کے تنوع کے علاوہ، ان کا اندازہ کرنے کے لئے استعمال کیا جاتا ہے معیار کی ایک تنوع بھی ہے. اس نے ہمیں اپنے کام کی حوصلہ افزائی دی: خود کار طریقے سے صنف کی شناخت میں استعمال ہونے والے اہم ریاستی آرٹ طریقوں کو منتخب کرنے اور مختصر لیکن قابل اعتماد انداز میں موازنہ کرنے کے لئے. جیسا کہ توقع کی جاتی ہے، کوئی مجموعی فاتح نہیں ہے. درجہ بندی کی درستگی کی بنیاد پر فاتح، استعمال کیا جاتا ہے معیار کی قسم پر منحصر ہے. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.