_id
stringlengths 40
40
| text
stringlengths 0
12.9k
|
|---|---|
d1ee87290fa827f1217b8fa2bccb3485da1a300e | بیگنگ پیشن گوئی ایک پیشن گوئی کے متعدد ورژن پیدا کرنے اور ان کا استعمال کرتے ہوئے ایک مجموعی پیشن گوئی حاصل کرنے کا ایک طریقہ ہے۔ مجموعی طور پر ایک عددی نتائج کی پیشن گوئی کرتے وقت ورژن پر اوسط ہوتا ہے اور کلاس کی پیشن گوئی کرتے وقت کثرت رائے دیتا ہے۔ متعدد ورژن سیکھنے سیٹ کے بوٹسٹریپ نقلیں بنانے اور ان کو نئے سیکھنے سیٹ کے طور پر استعمال کرکے تشکیل دیئے جاتے ہیں۔ درجہ بندی اور رجعت درختوں اور لکیری رجعت میں ذیلی سیٹ انتخاب کا استعمال کرتے ہوئے حقیقی اور تخروپن ڈیٹا سیٹ پر ٹیسٹ ظاہر کرتا ہے کہ بیگنگ درستگی میں کافی فوائد دے سکتا ہے. اہم عنصر پیشن گوئی کے طریقہ کار کی عدم استحکام ہے. اگر سیکھنے سیٹ کو پریشان کرنے سے تعمیر شدہ پیشن گوئی میں اہم تبدیلیاں آسکتی ہیں ، تو بیگنگ درستگی کو بہتر بنا سکتی ہے۔ |
649197627a94fc003384fb743cfd78cdf12b3306 | |
0b440695c822a8e35184fb2f60dcdaa8a6de84ae | حالیہ کامیابی کے ابھرنے والے آر جی بی ڈی کیمروں جیسے کنکٹ سینسر 3 ڈی ڈیٹا پر مبنی کمپیوٹر ایپلی کیشنز کا ایک وسیع امکان پیش کرتا ہے۔ تاہم ، معیاری جانچ کے ڈیٹا بیس کی کمی کی وجہ سے ، اس بات کا اندازہ لگانا مشکل ہے کہ چہرے کی شناخت کی ٹیکنالوجی اس جدید ترین امیجنگ سینسر سے کس طرح فائدہ اٹھا سکتی ہے۔ Kinect اور چہرے کی شناخت کی تحقیق کے درمیان تعلق قائم کرنے کے لئے، اس کاغذ میں، ہم Kinect سینسر پر مبنی پہلی عوامی طور پر دستیاب چہرے ڈیٹا بیس (یعنی، KinectFaceDB1) پیش کرتے ہیں. ڈیٹا بیس میں مختلف ڈیٹا موڈلٹیز (اچھی طرح سے سیدھ میں اور پروسیسڈ 2-D ، 2.5-D ، 3-D ، اور ویڈیو پر مبنی چہرے کا ڈیٹا) اور متعدد چہرے کی مختلف حالتیں شامل ہیں۔ ہم نے معیاری چہرے کی شناخت کے طریقوں کا استعمال کرتے ہوئے مجوزہ ڈیٹا بیس پر بینچ مارک تشخیص کا انعقاد کیا ، اور اسکور لیول فیوژن کے ذریعہ آر جی بی ڈیٹا کے ساتھ گہرائی کے ڈیٹا کو مربوط کرتے وقت کارکردگی میں اضافے کا مظاہرہ کیا۔ ہم نے چہرے کی بایومیٹرکس کے تناظر میں Kinect کی 3D تصاویر (KinectFaceDB سے) کا روایتی اعلی معیار کے 3D اسکین (FRGC ڈیٹا بیس سے) کے ساتھ موازنہ کیا ، جس سے چہرے کی شناخت کی تحقیق کے لئے مجوزہ ڈیٹا بیس کی لازمی ضروریات کا انکشاف ہوتا ہے۔ |
a85275f12472ecfbf4f4f00a61514b0773923b86 | وائرلیس ٹیکنالوجی اور معاون بنیادی ڈھانچے میں پیشرفت صارف کی سرگرمیوں کو محدود کیے بغیر ہر جگہ صحت کی دیکھ بھال اور فٹنس کی نگرانی کے لئے بے مثال موقع فراہم کرتی ہے۔ جسم میں ، جسم پر اور اس کے ارد گرد رکھے گئے وائرلیس سے منسلک چھوٹے سینسر اور ایکچوایٹر جسم کے علاقے کے نیٹ ورک کو طبی ، طرز زندگی اور تفریحی ایپلی کیشنز کی حمایت کے لئے جسمانی علامات کی مسلسل ، خودکار اور غیر متزلزل نگرانی کے لئے تشکیل دیتے ہیں۔ بی اے این ٹیکنالوجی ترقی کے ابتدائی مرحلے میں ہے، اور اس کی وسیع پیمانے پر قبولیت کے لئے کئی تحقیقی چیلنجوں پر قابو پانا ہوگا. اس مضمون میں ہم BAN کی درخواست، فنکشنل، اور تکنیکی ضروریات کے بنیادی سیٹ کا مطالعہ کرتے ہیں. ہم بنیادی تحقیقی چیلنجوں جیسے توسیع پذیری (ڈیٹا ریٹ ، بجلی کی کھپت اور ڈیوٹی سائیکل کے لحاظ سے) ، اینٹینا ڈیزائن ، مداخلت میں کمی ، بقائے باہمی ، کیو ایس ، وشوسنییتا ، سیکیورٹی ، رازداری اور توانائی کی کارکردگی پر بھی تبادلہ خیال کرتے ہیں۔ کئی امیدوار ٹیکنالوجیز کا جائزہ لیا گیا ہے جو ابھرتی ہوئی بی اے این مارکیٹ کو حل کرنے کے لئے تیار ہیں ، اور ان کی خوبیوں اور خامیوں پر روشنی ڈالی گئی ہے۔ بینک کے لئے متعلقہ معیاری کاری کی سرگرمیوں کا ایک مختصر جائزہ بھی پیش کیا گیا ہے۔ |
f4abebef4e39791f358618294cd8d040d7024399 | یہ رپورٹ فٹ بٹ فلیکس ماحولیاتی نظام کا تجزیہ بیان کرتی ہے۔ ہمارے مقاصد یہ بیان کرنا ہیں کہ (1) فٹ بٹ اپنے صارفین سے کون سا ڈیٹا اکٹھا کرتا ہے ، (2) فٹ بٹ اپنے صارفین کو کون سا ڈیٹا فراہم کرتا ہے ، اور (3) ڈیٹا کی بازیابی کے طریقے جو آلہ مالکان کے لئے دستیاب نہیں ہیں۔ ہمارا تجزیہ چار مختلف حملے ویکٹر کا احاطہ کرتا ہے. پہلے ہم فٹ بٹ ڈیوائس کی سیکیورٹی اور پرائیویسی خصوصیات کا تجزیہ کرتے ہیں۔ اگلا، ہم بلوٹوتھ ٹریفک کا مشاہدہ کرتے ہیں جو ہم آہنگی کے دوران فٹ بٹ ڈیوائس اور اسمارٹ فون یا ذاتی کمپیوٹر کے درمیان بھیجا جاتا ہے۔ تیسری بات، ہم فٹ بٹ اینڈرائیڈ ایپ کی سیکیورٹی کا تجزیہ کرتے ہیں۔ آخر میں، ہم فٹ بٹ اسمارٹ فون یا کمپیوٹر ایپلی کیشن اور فٹ بٹ ویب سروس کے درمیان نیٹ ورک ٹریفک کی سیکورٹی خصوصیات کا مطالعہ کرتے ہیں. ہم ثبوت فراہم کرتے ہیں کہ فٹ بٹ غیر ضروری طور پر قریبی فلیکس آلات کے بارے میں معلومات حاصل کرتا ہے بعض حالات میں. ہم مزید یہ ظاہر کرتے ہیں کہ فٹ بٹ آلہ مالکان کو جمع کردہ تمام ڈیٹا فراہم نہیں کرتا ہے۔ حقیقت میں، ہمیں فی منٹ کی سرگرمی کے اعداد و شمار کا ثبوت ملتا ہے جو فٹ بٹ ویب سروس کو بھیجا جاتا ہے لیکن مالک کو فراہم نہیں کیا جاتا۔ ہم نے یہ بھی دریافت کیا کہ فٹ بٹ آلات پر میک ایڈریس کبھی تبدیل نہیں ہوتے ہیں، جس سے صارف کے تعلق کے حملوں کو قابل بنایا جاتا ہے۔ ٹی ایل ایس پر ڈیوائس جوڑی کے دوران بی ٹی ایل ای اسناد بھی نیٹ ورک پر بے نقاب ہوجاتے ہیں ، جو ایم آئی ٹی ایم حملوں کے ذریعہ روک سکتے ہیں۔ آخر میں، ہم یہ ظاہر کرتے ہیں کہ اصل صارف کی سرگرمی کے اعداد و شمار کی تصدیق کی جاتی ہے اور آلہ سے فٹ بٹ ویب سروس تک اختتام سے اختتام پر بنیاد پر صاف متن میں فراہم نہیں کیا جاتا ہے. |
3007a8f5416404432166ff3f0158356624d282a1 | گراف تجرید بہت سے ایپلی کیشنز کے لئے ضروری ہے کہ وہ پیچیدہ مشین لرننگ (ایم ایل) الگورتھم جیسے تعاون سے فلٹرنگ کو انجام دینے کے لئے مختصر ترین راستہ تلاش کریں۔ مختلف ایپلی کیشنز کے لئے خام ڈیٹا سے گراف کی تعمیر چیلنج بن رہی ہے ، اعداد و شمار میں تیزی سے اضافے کے ساتھ ساتھ بڑے پیمانے پر گراف پروسیسنگ کی ضرورت کی وجہ سے۔ چونکہ گراف کی تعمیر ایک ڈیٹا متوازی مسئلہ ہے ، اس کام کے لئے میپ ریڈوس مناسب ہے۔ ہم نے گراف بلڈر تیار کیا ، جو گراف ایکسٹریکٹ ٹرانسفارم لوڈ (ای ٹی ایل) کے لئے ایک توسیع پذیر فریم ورک ہے ، تاکہ گراف کی تعمیر کی بہت ساری پیچیدگیوں کو دور کیا جاسکے ، بشمول گراف کی تشکیل ، ٹیبولیشن ، تبدیلی ، تقسیم ، آؤٹ پٹ فارمیٹنگ ، اور سیریللائزیشن۔ گراف بلڈر جاوا میں لکھا گیا ہے ، پروگرامنگ کی آسانی کے لئے ، اور یہ میپ ریڈوس ماڈل کا استعمال کرتے ہوئے پیمانہ کرتا ہے۔ اس کاغذ میں ، ہم گراف بلڈر ، اس کے فن تعمیر ، میپ ریڈوس الگورتھم ، اور فریم ورک کی کارکردگی کی تشخیص کے لئے حوصلہ افزائی کی وضاحت کرتے ہیں۔ چونکہ بڑے گراف کو اسٹوریج اور پروسیسنگ کے لئے ایک کلسٹر پر تقسیم کیا جانا چاہئے اور تقسیم کرنے کے طریقوں سے کارکردگی پر نمایاں اثرات مرتب ہوتے ہیں ، لہذا ہم گراف تقسیم کرنے کے متعدد طریقوں کو تیار کرتے ہیں اور ان کی کارکردگی کا اندازہ کرتے ہیں۔ ہم نے بھی https://01.org/graphbuilder/ پر فریم ورک کو اوپن سورس کیا ہے۔ |
2e526c2fac79c080b818b304485ddf84d09cf08b | وقتی ڈیٹا مائننگ کا مقصد تاریخی ڈیٹا میں نمونوں کو تلاش کرنا ہے۔ ہمارے کام کا مقصد ہدف کے واقعات کی پیش گوئی کرنے کے لئے اعداد و شمار سے وقتی نمونوں کو نکالنے کا ایک نقطہ نظر تجویز کرنا ہے ، جیسے میزبان نیٹ ورکس پر کمپیوٹر حملے ، یا مالیاتی اداروں میں جعلی لین دین۔ ہمارے مسئلے کی تشکیل دو اہم چیلنجوں کو ظاہر کرتی ہے: 1) ہم واقعات کو درجہ بندی کی خصوصیات کی طرف سے خصوصیات اور غیر مساوی انٹرا آمد کے اوقات کی نمائش کرتے ہیں؛ اس طرح کا مفروضہ کلاسیکی ٹائم سیریز تجزیہ کے دائرہ کار سے باہر آتا ہے، 2) ہم ہدف کے واقعات کو انتہائی غیر معمولی سمجھتے ہیں؛ پیشن گوئی کی تکنیکوں کو کلاس عدم توازن کے مسئلے سے نمٹنے کی ضرورت ہے. ہم ایک موثر الگورتھم تجویز کرتے ہیں جو ایونٹ پیشن گوئی کے مسئلے کو ہدف کے واقعات سے پہلے کے تمام بار بار واقعات کی تلاش میں تبدیل کرکے اوپر کے چیلنجوں سے نمٹنے کے لئے ہے۔ طبقاتی عدم توازن کے مسئلے کو صرف اقلیتی طبقے پر نمونوں کی تلاش سے قابو پایا جاتا ہے۔ پھر نمونوں کی امتیازی طاقت کو دوسرے طبقات کے خلاف درست قرار دیا جاتا ہے۔ اس کے بعد پیشن گوئی کے لئے نمونوں کو قاعدہ پر مبنی ماڈل میں جوڑا جاتا ہے۔ ہمارے تجرباتی تجزیہ واقعات کے سلسلے کی اقسام کی نشاندہی کرتا ہے جہاں ہدف کے واقعات کی درست پیش گوئی کی جا سکتی ہے. |
0a54d2f49bda694071bbf43d8e653f5adf85be19 | ڈیٹا مائننگ سسٹم کا مقصد ڈیٹا بیس میں ریکارڈ شدہ حقائق سے نمونوں کی دریافت اور مفید معلومات نکالنا ہے۔ اس مقصد کے لئے وسیع پیمانے پر اپنایا نقطہ نظر دستیاب اعداد و شمار کے وضاحتی ماڈل کا حساب کرنے کے لئے مختلف مشین سیکھنے الگورتھم کا اطلاق کرنا ہے. یہاں، ہم اس تحقیق کے علاقے میں اہم چیلنجوں میں سے ایک کا جائزہ لیں گے، تکنیک کی ترقی جو بڑے پیمانے پر اور ممکنہ طور پر جسمانی طور پر تقسیم شدہ ڈیٹا بیس تک پہنچ جاتی ہے. میٹا سیکھنے ایک تکنیک ہے جو اعلی درجے کی درجہ بندی (یا درجہ بندی کے ماڈل) کا حساب لگانے کی کوشش کرتی ہے، جسے میٹا درجہ بندی کہا جاتا ہے، جو کچھ پیرائنسیفائڈ فیشن میں متعدد درجہ بندی کو الگ الگ ڈیٹا بیس پر الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ یہ مطالعہ میٹا سیکھنے کی وضاحت کرتا ہے اور JAM نظام (میٹا سیکھنے کے لئے جاوا ایجنٹ) ، بڑے پیمانے پر ڈیٹا کان کنی کی ایپلی کیشنز کے لئے ایک ایجنٹ کی بنیاد پر میٹا سیکھنے کے نظام کو پیش کرتا ہے. خاص طور پر، یہ مرکزی یا میزبان کی بنیاد پر نظام کے مقابلے میں ان کی اضافی پیچیدگی سے پیدا ہونے والے تقسیم ڈیٹا مائننگ کے نظام کے لئے کئی اہم desiderata کی شناخت اور خطاب کرتا ہے. تقسیم شدہ نظاموں میں متعدد ڈیٹا بیس اور (ممکنہ طور پر) مختلف اسکیموں کے ساتھ، ڈیٹا سائٹس کے درمیان مواصلات کے لئے توسیع پذیر اور موثر پروٹوکول کے ڈیزائن اور نفاذ کے ساتھ، اور دیگر ہم مرتبہ ڈیٹا سائٹس سے گیٹ کی گئی معلومات کا انتخابی اور موثر استعمال کے ساتھ، مختلف پلیٹ فارمز سے نمٹنے کی ضرورت ہوسکتی ہے. دیگر اہم مسائل، اندرونی وٹامن کے ساتھ جزوی طور پر ایک IBM فیلوشپ کی طرف سے حمایت کی. ڈیٹا مائننگ سسٹم کو نظر انداز نہیں کیا جانا چاہئے، ان میں سے ایک، ماڈل کے حساب سے پہلے دستیاب نہیں تھا اور موجودہ ماڈل کے ساتھ اس کا مجموعہ تھا جب نئی حاصل کردہ معلومات کا فائدہ اٹھانے کی صلاحیت، اور دوسرا، نئی مشین سیکھنے کے طریقوں اور ڈیٹا مائننگ ٹیکنالوجی کو شامل کرنے کی لچک. ہم JAM کے تناظر میں ان مسائل کو دریافت اور وسیع تجرباتی مطالعہ کے ذریعے مختلف مجوزہ حل کا جائزہ. |
b00672fc5ff99434bf5347418a2d2762a3bb2639 | ایمبیڈڈ ڈیوائسز ہر جگہ موجود ہیں اور ان کا استعمال پرائیویسی اور سیکیورٹی کے حوالے سے اہم ایپلی کیشنز میں کیا جاتا ہے۔ ان آلات میں سے زیادہ تر پر ملکیت سافٹ ویئر چلاتے ہیں، اور سافٹ ویئر کے اندرونی کام کے بارے میں بہت کم دستاویزات دستیاب ہیں. کچھ معاملات میں ، ہارڈ ویئر اور تحفظ کے طریقہ کار کی لاگت خود آلات تک رسائی کو ناقابل عمل بنا سکتی ہے۔ ایسے ماحول میں موجود سافٹ ویئر کا تجزیہ کرنا چیلنج ہے ، لیکن ضروری ہے ، اگر سافٹ ویئر کیڑے اور کمزوریوں سے وابستہ خطرات سے گریز کیا جائے۔ حقیقت میں، حالیہ مطالعے میں مارکیٹ میں دستیاب کئی ایمبیڈڈ آلات میں بیک ڈورز کی موجودگی کا انکشاف ہوا ہے۔ اس کاغذ میں، ہم Firmalice، ایک بائنری تجزیہ فریم ورک کو ایمبیڈڈ آلات پر چلنے والے فرم ویئر کے تجزیہ کی حمایت کرنے کے لئے پیش کرتے ہیں. فرمالیس ایک علامتی عملدرآمد کے انجن کے اوپر تعمیر کرتا ہے، اور تکنیک، جیسے پروگرام کاٹنے، اس کی توسیع پذیری میں اضافہ کرنے کے لئے. مزید برآں ، فرمالیس ایک ناول ماڈل کا استعمال کرتا ہے تصدیق بائی پاس نقائص ، پر مبنی حملہ آور کی صلاحیت کا تعین کرنے کے لئے ضروری آدانوں کو انجام دینے کے لئے مراعات یافتہ کارروائیوں. ہم نے تین تجارتی طور پر دستیاب آلات کے فرم ویئر پر Firmalice کا جائزہ لیا، اور ان میں سے دو میں توثیق بائی پاس بیک ڈورز کا پتہ لگانے میں کامیاب رہے۔ اس کے علاوہ ، فرمیلیس یہ طے کرنے میں کامیاب تھا کہ تیسرے فرم ویئر کے نمونے میں بیک ڈور کو کسی غیر محفوظ اسناد کے سیٹ کے علم کے بغیر حملہ آور کے ذریعہ استحصال نہیں کیا جاسکتا ہے۔ |
6949a33423051ce6fa5b08fb7d5f06ac9dcc721b | حصولی کے عمل میں جعلی رویے کا پتہ لگانے کے لئے عمل کی کھدائی کے استعمال کی نظریاتی اور عملی قدر پر ایک کیس اسٹڈی خلاصہ یہ مقالہ عمل کی کھدائی اور دھوکہ دہی کا پتہ لگانے پر چھ ماہ کی تحقیقی مدت کے نتائج پیش کرتا ہے۔ اس مقالے کا مقصد یہ تھا کہ تحقیق کے سوال کا جواب دیا جائے کہ فراڈ کا پتہ لگانے میں پروسیس مائننگ کا استعمال کیسے کیا جاسکتا ہے اور فراڈ کا پتہ لگانے کے لئے پروسیس مائننگ کے استعمال کے کیا فوائد ہیں۔ ادب کے مطالعے کی بنیاد پر یہ عمل کان کنی اور اس کے مختلف پہلوؤں اور تکنیک کے نظریہ اور اطلاق کی بحث فراہم کرتا ہے۔ ادبیات کے مطالعے اور ایک ڈومین ماہر کے ساتھ انٹرویو دونوں کا استعمال کرتے ہوئے ، دھوکہ دہی اور دھوکہ دہی کا پتہ لگانے کے تصورات پر تبادلہ خیال کیا جاتا ہے۔ ان نتائج کو پروسیس مائننگ اور فراڈ کا پتہ لگانے کے اطلاق پر موجودہ کیس اسٹڈیز کے تجزیے کے ساتھ مل کر دو کیس اسٹڈیز کی ابتدائی ترتیب کی تعمیر کے لئے جوڑ دیا گیا ہے ، جس میں خریداری کے عمل میں ممکنہ دھوکہ دہی کے سلوک کا پتہ لگانے کے لئے پروسیس مائننگ کا اطلاق کیا جاتا ہے۔ ان کیس اسٹڈیز کے تجربات اور نتائج کی بنیاد پر ، 1 + 5 + 1 طریقہ کار کو اس اصول کو عملی بنانے کی طرف پہلا قدم کے طور پر پیش کیا گیا ہے جس میں مشورہ دیا گیا ہے کہ فراڈ کا پتہ لگانے کی کوشش کرتے وقت عمل کی کان کنی کی تکنیک کو عملی طور پر کس طرح استعمال کیا جاسکتا ہے۔ یہ مقالہ تین نتائج پیش کرتا ہے: (1) عمل کان کنی دھوکہ دہی کا پتہ لگانے کے لئے ایک قیمتی اضافہ ہے، (2) 1 + 5 + 1 تصور کا استعمال کرتے ہوئے ممکنہ طور پر دھوکہ دہی کے رویے کے اشارے کا پتہ لگانے کے لئے ممکن تھا (3) دھوکہ دہی کا پتہ لگانے کے لئے عمل کان کنی کا عملی استعمال موجودہ اوزار کی خراب کارکردگی کی طرف سے کم ہو جاتا ہے. وہ تکنیک اور ٹولز جو کارکردگی کے مسائل کا شکار نہیں ہوتے ہیں وہ باقاعدہ ڈیٹا تجزیہ تکنیکوں کی جگہ لے کر نہیں بلکہ اس کے علاوہ ہیں کیونکہ وہ عمل اور ممکنہ دھوکہ دہی کے طرز عمل میں نئی ، تیز تر یا زیادہ آسانی سے حاصل ہونے والی بصیرت فراہم کرتے ہیں۔ اوکام کی ریزر: " کسی کو کسی بھی چیز کی وضاحت کے لئے درکار اداروں کی تعداد میں ضرورت سے زیادہ اضافہ نہیں کرنا چاہئے" |
8aef832372c6e3e83f10532f94f18bd26324d4fd | موجودہ علم پر مبنی سوال جواب کے نظام اکثر چھوٹے تشریح شدہ تربیت کے اعداد و شمار پر انحصار کرتے ہیں. اگرچہ رشتہ نکالنے جیسے سطحی طریقے ڈیٹا کی کمی کے لئے مضبوط ہیں ، لیکن وہ معنوی تجزیہ جیسے گہری معنی نمائندگی کے طریقوں سے کم اظہار پسند ہیں ، اس طرح متعدد رکاوٹوں سے متعلق سوالات کے جوابات دینے میں ناکام ہیں۔ یہاں ہم وکی پیڈیا سے اضافی ثبوت کے ساتھ ایک رشتہ نکالنے کے طریقہ کار کو بااختیار بنانے کی طرف سے اس مسئلہ کو کم. ہم سب سے پہلے Freebase سے امیدوار کے جوابات حاصل کرنے کے لئے ایک نیورل نیٹ ورک کی بنیاد پر رشتہ نکالنے والا پیش کرتے ہیں، اور پھر ان جوابات کی توثیق کرنے کے لئے وکیپیڈیا پر نتیجہ اخذ کرتے ہیں. ویب سوالوں کے سوال جواب کے ڈیٹا سیٹ پر تجربات سے پتہ چلتا ہے کہ ہمارا طریقہ کار 53.3٪ کا ایف 1 حاصل کرتا ہے ، جو جدید ترین حالت میں کافی بہتری ہے۔ |
16edc3faf625fd437aaca1527e8821d979354fba | خوشحالی ایک پیچیدہ تعمیر ہے جو بہترین تجربے اور کام کرنے سے متعلق ہے. خوشحالی پر موجودہ تحقیق دو عمومی نقطہ نظر سے حاصل کی گئی ہے: ہیڈونک نقطہ نظر، جو خوشی پر مرکوز ہے اور خوشی کے حصول اور درد سے بچنے کے لحاظ سے خوشحالی کی وضاحت کرتا ہے؛ اور eudaimonic نقطہ نظر، جو معنی اور خود کی تکمیل پر مرکوز ہے اور اس کی تعریف کرتا ہے جس میں ایک شخص مکمل طور پر کام کر رہا ہے. ان دو نظریات نے مختلف تحقیقی محوروں اور علم کے ایک جسم کو جنم دیا ہے جو کچھ علاقوں میں مختلف ہے اور دوسروں میں مکمل ہے۔ کثیر سطح کے ماڈلنگ اور تعمیر کے موازنہ کے بارے میں نئے طریقہ کار کی ترقی بھی محققین کو میدان کے لئے نئے سوالات تیار کرنے کی اجازت دے رہی ہے. یہ جائزہ فلاح و بہبود کی نوعیت، اس کے پیش رو، اور وقت اور ثقافت کے ذریعے اس کی استحکام کے بارے میں دونوں نقطہ نظر سے تحقیق پر غور کرتا ہے. |
ac8c2e1fa35e797824958ced835257cd49e1be9c | یہ مقالہ انفارمیشن ٹیکنالوجی اور تنظیمی سیکھنے پر ابھرتی ہوئی تحقیقی ادب کا جائزہ اور جائزہ لیتا ہے۔ معنی اور پیمائش کے مسائل پر تبادلہ خیال کرنے کے بعد ، ہم تحقیق کے دو اہم سلسلوں کی نشاندہی اور تشخیص کرتے ہیں: وہ مطالعات جو تنظیموں میں انفارمیشن ٹکنالوجی کو نافذ کرنے اور استعمال کرنے کے عمل میں تنظیمی سیکھنے کے تصورات کو لاگو کرتے ہیں۔ اور تنظیموں میں سیکھنے کی حمایت کے لئے انفارمیشن ٹکنالوجی کی ایپلی کیشنز کے ڈیزائن سے متعلق مطالعات۔ تحقیق کے سابقہ سلسلے سے ، ہم یہ نتیجہ اخذ کرتے ہیں کہ تجربے میں اہم کردار ادا ہوتا ہے ، لیکن نفاذ کی کامیابی میں غیر یقینی کردار ادا کرتا ہے۔ سیکھنا باضابطہ تربیت اور عملی طور پر شرکت دونوں کے ذریعے حاصل کیا جاتا ہے۔ تنظیمی علم کی رکاوٹوں کو دوسرے اداروں سے سیکھ کر قابو کیا جاسکتا ہے۔ اور نئی ٹیکنالوجیز سیکھنا ایک متحرک عمل ہے جس کی خصوصیت نسبتا narrow تنگ مواقع کی کھڑکیاں ہیں۔ آخری سلسلے سے ، ہم یہ نتیجہ اخذ کرتے ہیں کہ تنظیمی میموری انفارمیشن سسٹم کے لئے تصوراتی ڈیزائن آرٹیفیکٹ کی ترقی میں ایک قیمتی شراکت ہے۔ سیکھنے کو ان نظاموں کے ذریعہ بڑھا دیا جاتا ہے جو مواصلات اور گفتگو کی حمایت کرتے ہیں۔ اور یہ کہ انفارمیشن ٹیکنالوجیز میں تنظیمی سیکھنے کو فعال اور غیر فعال کرنے کی صلاحیت موجود ہے۔ فی الحال، ان دونوں سلسلوں کو ایک دوسرے سے آزادانہ طور پر بہاؤ، ان کے قریبی تصوراتی اور عملی روابط کے باوجود. ہم مشورہ دیتے ہیں کہ انفارمیشن ٹیکنالوجی اور تنظیمی سیکھنے پر مستقبل کی تحقیق زیادہ مربوط انداز میں آگے بڑھتی ہے ، تنظیمی سیکھنے کی واقع نوعیت کو تسلیم کرتی ہے ، تقسیم شدہ تنظیمی میموری پر توجہ دیتی ہے ، عملی طور پر آرٹیفیکٹ کی تاثیر کا مظاہرہ کرتی ہے ، اور متعلقہ شعبوں میں متعلقہ تحقیقی نتائج کی تلاش کرتی ہے۔ |
654d129eafc136bf5fccbc54e6c8078e87989ea8 | اس کام میں ایک ملٹی موڈ بیم فارمیٹنگ 77 گیگا ہرٹز فریکوئنسی ماڈیولڈ مسلسل لہر ریڈار سسٹم پیش کیا گیا ہے۔ چار ٹرانسیور چپس ٹرانسمیشن راستے میں مربوط ان فیز / کواڈریٹ ماڈیولٹرز کے ساتھ استعمال کیے جاتے ہیں تاکہ ایک ہی اینٹینا کے ساتھ ایک ہی وقت میں ایک مختصر رینج فریکوئنسی ڈویژن ملٹی رسائی (ایف ڈی ایم اے) ملٹی ان پٹ ملٹی آؤٹ پٹ (ایم آئی ایم او) اور ایک طویل فاصلے پر منتقل مرحلہ وار صف (پی اے) ریڈار سسٹم کا احساس کیا جاسکے۔ یہ ایف ڈی ایم اے ایم آئی ایم او ریڈار کی اعلی زاویہ کی قرارداد اور PA ٹرانسمیشن اینٹینا کی اعلی فائدہ اور قابل بیم کو جوڑتا ہے. کئی پیمائش چار اینٹینا اور وصول راستے میں ڈیجیٹل بیم تشکیل کے طریقوں کے ساتھ ایک لکیری اینٹینا صف کے لئے اس تصور کو استعمال کرنے کے ممکنہ فوائد کو ظاہر کرنے کے لئے کئے گئے تھے. |
60611349d1b6d64488a5a88a9193e62d9db27b71 | اس رپورٹ میں تھکاوٹ کا پتہ لگانے اور پیش گوئی کرنے والی موجودہ ٹیکنالوجیز کا جائزہ لیا گیا ہے۔ مختلف دستیاب ٹیکنالوجیز کے بارے میں اعداد و شمار دنیا بھر میں مختلف ذرائع سے جمع کیے گئے تھے. اس رپورٹ کے پہلے نصف میں ٹیکنالوجی کی تحقیق اور ترقی کی موجودہ حالت کا خلاصہ پیش کیا گیا ہے اور حساسیت، وشوسنییتا، صداقت اور قبولیت کے اہم مسائل کے حوالے سے ٹیکنالوجی کی حیثیت کا خلاصہ پیش کیا گیا ہے۔ دوسری نصف نقل و حمل میں ٹیکنالوجی کے کردار کا جائزہ لیتا ہے، اور دیگر نفاذ اور ریگولیٹری فریم ورک کے مقابلے میں ٹیکنالوجی کے مقام پر تبصرے، خاص طور پر آسٹریلیا اور نیوزی لینڈ میں. رپورٹ کے مصنفین کا نتیجہ یہ ہے کہ ہارڈ ویئر ٹیکنالوجی کمپنی کی تھکاوٹ کے انتظام کے نظام کے طور پر استعمال نہیں کیا جانا چاہئے. ہارڈ ویئر ٹیکنالوجی صرف ایک آخری خندق حفاظتی آلہ ہونے کی صلاحیت رکھتی ہے. اس کے باوجود، ہارڈ ویئر ٹیکنالوجی کی پیداوار کمپنی کی تھکاوٹ کے انتظام کے نظام میں مفید طور پر فیڈ کر سکتی ہے تاکہ حقیقی وقت کے خطرے کی تشخیص فراہم کی جا سکے. تاہم، ہارڈ ویئر ٹیکنالوجی کی پیداوار ایک مینجمنٹ سسٹم میں واحد ان پٹ نہیں ہونا چاہئے. دیگر آدانوں کو کم از کم توثیق شدہ سافٹ ویئر ٹیکنالوجی، ڈیوٹی کے لئے فٹنس کی باہمی تشخیص اور کام کے بوجھ، شیڈول اور rosters کے دیگر خطرے کے جائزوں سے آنا چاہئے. مقصد: معلومات کے لئے: تھکاوٹ کا پتہ لگانے اور پیش گوئی کرنے والی ٹیکنالوجیز کی جگہ کو سمجھنے کے لئے بھاری گاڑیوں کے ڈرائیوروں میں تھکاوٹ کے انتظام میں. |
d26c517baa9d6acbb826611400019297df2476a9 | |
0ee1916a0cb2dc7d3add086b5f1092c3d4beb38a | پاسکل ویژول آبجیکٹ کلاسز (VOC) چیلنج بصری آبجیکٹ زمرہ کی پہچان اور پتہ لگانے میں ایک معیار ہے ، جو بصری اور مشین لرننگ کمیونٹیز کو تصاویر اور تشریحات کا ایک معیاری ڈیٹا سیٹ اور معیاری تشخیصی طریقہ کار مہیا کرتا ہے۔ 2005 سے اب تک ہر سال منعقد ہونے والی اس چیلنج اور اس سے وابستہ ڈیٹا سیٹ کو اعتراض کا پتہ لگانے کے لئے معیار کے طور پر قبول کیا گیا ہے۔ یہ کاغذ ڈیٹا سیٹ اور تشخیص کے طریقہ کار کی وضاحت کرتا ہے. ہم درجہ بندی اور پتہ لگانے دونوں کے لئے اندازہ شدہ طریقوں میں آرٹ کی ریاست کا جائزہ لیتے ہیں ، تجزیہ کرتے ہیں کہ آیا یہ طریقے شماریاتی طور پر مختلف ہیں ، وہ تصاویر سے کیا سیکھ رہے ہیں (جیسے. کیا طریقہ کار آسان یا الجھن تلاش کرتے ہیں. اس مقالے کا اختتام چیلنج کی تین سالہ تاریخ میں سیکھے گئے سبقوں کے ساتھ ہوتا ہے ، اور مستقبل میں بہتری اور توسیع کے لئے ہدایات تجویز کی جاتی ہیں۔ |
981fef7155742608b8b6673f4a9566158b76cd67 | |
a6eb10b1d30b4547b04870a82ec0c65baf2198f8 | |
40e06608324781f6de425617a870a103d4233d5c | پھر، کے ایم کے میکانزم کو آپریشنل کرنے کے لئے، علم کے اثاثوں کے تین ذرائع، میٹا ماڈل اور میکرو عمل کو مسلسل جدت طرازی کے عمل میں ضم کرکے ایک درجہ بندی ماڈل تعمیر کیا جاتا ہے. یہ ماڈل علم اور جدت کے درمیان پیچیدہ تعلقات کو چار تہوں میں تقسیم کرتا ہے. عملی مضمرات - پچھلی تحقیق میں کے ایم کے طریقوں کے بارے میں سیکھے گئے سبق کے مطابق ، جدت کے لئے کے ایم کے منصوبوں کے کامیاب نفاذ کے لئے کے ایم کے تین نقطہ نظر کو ایک دوسرے کے ساتھ تعاون کرنا چاہئے۔ اور درجہ بندی کا ماڈل جدت کے لئے کے ایم کے نظام کو نافذ کرنے کے لئے ایک مناسب فن تعمیر فراہم کرتا ہے۔ اصلیت/قیمت - میٹا ماڈل اور میکرو عمل کے KM وضاحت کس طرح اگلی نسل کے KM قدر کی تخلیق میں مدد اور نظام سوچ کے نقطہ نظر سے مسلسل جدت کی حمایت کر سکتے ہیں. درجہ بندی ماڈل مسلسل جدت کے عمل میں پیچیدہ علم کی حرکیات کی عکاسی کرتا ہے. مقصد اس تحقیق کا مقصد جدت کے لئے علم کے انتظام (کے ایم) کے طریقہ کار کو سمجھنا اور کاروباری اداروں کو مسلسل جدت میں کے ایم کی سرگرمیوں کو فائدہ اٹھانے کے لئے ایک نقطہ نظر فراہم کرنا ہے. ڈیزائن/طریقہ کار/طریقہ کار - کثیر شعبہ جات سے ادب کا جائزہ لینے کی طرف سے، علم، KM اور جدت کے تصورات کی تحقیقات کی جاتی ہیں. علم کی تخلیق اور علم کے استعمال کے لئے جدت کے لئے دو بنیادی سرگرمیوں کی شناخت کے ساتھ، جسمانی، انسانی اور تکنیکی نقطہ نظر کے KM ممتاز ہیں. پھر مسلسل جدت طرازی کے لئے ایک ضروری ضرورت - ایک اندرونی مرحلے کی وضاحت کی جاتی ہے. نظاموں کی سوچ اور انسان پر مبنی نقطہ نظر کو اپنایا جاتا ہے تاکہ جدت کے لئے کے ایم کے طریقہ کار کے بارے میں جامع تفہیم فراہم کی جاسکے۔ نتائج - اندرونی کاری کے مرحلے کو شامل کرکے کے ایم پر مبنی مسلسل جدت طرازی کا نیٹ ورکنگ عمل تجویز کیا گیا ہے۔ کے ایم کے تین نقطہ نظر کے مطابق ، جدت میں تنظیمی علم کے اثاثوں کے تین ذرائع کی نشاندہی کی جاتی ہے۔ پھر جدت طرازی کی دو بنیادی سرگرمیوں کی بنیاد پر ، ایک میٹا ماڈل اور ایک میکرو عمل کی تجویز کی جاتی ہے کہ وہ مسلسل جدت کے لئے کیمیکل مینجمنٹ کے طریقہ کار کو ماڈل بنائیں۔ |
1dba1fa6dd287fde87823218d4f03559dde4e15b | اس مقالے میں حکمت عملی اور سبق START معلومات تک رسائی کے نظام میں سوال کا جواب دینے کی سہولت کے لئے قدرتی زبان تشریحات کے استعمال سے سیکھا پیش کرتا ہے. |
77fbbb9ff612c48dad8313087b0e6ed03c31812a | مائع کرسٹل پولیمر (ایل سی پی) ایک ایسا مواد ہے جس نے ممکنہ اعلی کارکردگی والے مائکروویو سبسٹریٹ اور پیکیجنگ مواد کی حیثیت سے توجہ حاصل کی ہے۔ اس تحقیق میں ملی میٹر لہر کی تعدد کے لئے ایل سی پی کی برقی خصوصیات کا تعین کرنے کے لئے کئی طریقوں کا استعمال کیا جاتا ہے. مائکرو اسٹراپ انگوٹی resonators اور گہا resonators کے dielectric مسلسل (/ spl epsi / / sub r /) اور نقصان ٹینجینٹ (ٹین / spl ڈیلٹا /) 30 گیگاہرٹج سے اوپر LCP کی خصوصیات کے لئے ماپا جاتا ہے. ماپا ڈیلکٹرک مستقل 3.16 کے قریب مستحکم دکھایا گیا ہے ، اور نقصان ٹینجینٹ 0.0049 سے نیچے رہتا ہے۔ اس کے علاوہ، مختلف ٹرانسمیشن لائنوں کو مختلف ایل سی پی سبسٹرٹ موٹائی پر تیار کیا جاتا ہے اور نقصان کی خصوصیات 2 سے 110 گیگاہرٹج سے فی سینٹی میٹر فی decibels میں دی جاتی ہیں. 110 گیگا ہرٹز پر ٹرانسمیشن لائن کے چوٹی کے نقصانات 0.88-2.55 ڈی بی / سینٹی میٹر کے درمیان مختلف ہوتے ہیں ، لائن کی قسم اور جیومیٹری پر منحصر ہے۔ یہ نتائج پہلی بار ظاہر کرتے ہیں کہ ایل سی پی میں ملی میٹر لہر کی تعدد کے ذریعے پھیلانے والے ایپلی کیشنز کے لئے بہترین ڈائی الیکٹرک خصوصیات ہیں۔ |
cb84ef73db0a259b07289590f0dfcb9b8b9bbe79 | اس مقالے میں پہنے جانے والے آلات کے لئے ہائبرڈ ریڈیو فریکوئنسی (آر ایف) اور پیزو الیکٹرک پتلی فلم پولی وینیلیڈین فلورائڈ (پی وی ڈی ایف) کمپن توانائی کا کٹائی کرنے والا بیان کیا گیا ہے۔ پرجیوی صلاحیتوں اور مجرد انڈکٹرز کی مائبادا خصوصیات کا استحصال کرکے ، مجوزہ کٹائی کرنے والا نہ صرف 15 ہرٹز کی کمپن توانائی کو ختم کرتا ہے بلکہ 915 میگاہرٹز لچکدار چاندی کی سیاہی کے ساتھ آر ایف ڈوپول اینٹینا کے طور پر بھی کام کرتا ہے۔ اس کے علاوہ، ایک انٹرفیس سرکٹ جس میں 6 مرحلے ڈکسن RF-to-DC کنورٹر اور ہائبرڈ کٹائی کے RF اور کمپن آؤٹ پٹ کو DC سگنل میں تبدیل کرنے کے لئے ڈایڈ برج ریکٹیفائر شامل ہے، کا جائزہ لیا جاتا ہے. ایک زیادہ سے زیادہ DC آؤٹ پٹ پاور 20.9 μ، جب RF سے DC کنورٹر اور -8 ڈی بی ایم ان پٹ RF پاور کا استعمال کرتے ہوئے، کھلی سرکٹ آؤٹ پٹ وولٹیج کے 36٪ پر حاصل کیا جاتا ہے جبکہ 3 جی کمپن محرک سے حاصل ہونے والی DC طاقت کھلی سرکٹ وولٹیج کے 51٪ پر زیادہ سے زیادہ 2.8 μW تک پہنچ جاتی ہے. تجرباتی نتائج سے پتہ چلتا ہے کہ تجربہ شدہ ہائبرڈ کٹائی کا نظام بیک وقت 7.3 μW DC طاقت پیدا کرتا ہے ، جب کٹائی کرنے والے سے 3 W EIRP 915 میگاہرٹز ٹرانسمیٹر تک کا فاصلہ 5.5 میٹر ہے ، اور 1.8 جی کمپن تیز رفتار چوٹی سے 1.8 μW DC طاقت۔ |
d8e8bdd687dd588b71d92ff8f6018a1084f85437 | انٹرنیٹ کے استعمال کے طریقے کی طرح ، آلات انٹرنیٹ آف تھنگس (آئی او ٹی) ماحولیاتی نظام میں اہم صارف ہوں گے۔ لہذا ، ڈیوائس ٹو ڈیوائس (ڈی 2 ڈی) مواصلات کی توقع کی جاتی ہے کہ وہ آئی او ٹی کا ایک لازمی حصہ ہوگا۔ آلات بغیر کسی مرکزی کنٹرول کے خود مختار طریقے سے ایک دوسرے کے ساتھ بات چیت کریں گے اور ملٹی ہاپ انداز میں معلومات اکٹھا کرنے ، بانٹنے اور آگے بھیجنے کے لئے تعاون کریں گے۔ آئی او ٹی کی قدر کو بڑھانے کے لئے حقیقی وقت میں متعلقہ معلومات جمع کرنے کی صلاحیت کلیدی حیثیت رکھتی ہے کیونکہ اس طرح کی معلومات کو انٹیلی جنس میں تبدیل کیا جائے گا ، جو ذہین ماحول کی تخلیق کی سہولت فراہم کرے گا۔ آخر کار، جمع کی گئی معلومات کا معیار اس بات پر منحصر ہے کہ یہ آلات کتنے ذہین ہیں۔ اس کے علاوہ، یہ مواصلاتی آلات مختلف نیٹ ورکنگ معیارات کے ساتھ کام کریں گے، ایک دوسرے کے ساتھ وقفے وقفے سے رابطے کا تجربہ کرسکتے ہیں، اور ان میں سے بہت سے وسائل محدود ہوں گے. یہ خصوصیات کئی نیٹ ورکنگ چیلنجوں کو کھولتی ہیں جو روایتی روٹنگ پروٹوکول حل نہیں کرسکتے ہیں. نتیجے میں، آلات کو ذہین ڈی 2 ڈی مواصلات حاصل کرنے کے لئے ذہین روٹنگ پروٹوکول کی ضرورت ہوگی. ہم اس بات کا جائزہ پیش کرتے ہیں کہ کس طرح ذہین ڈی 2 ڈی مواصلات کو آئی او ٹی ماحولیاتی نظام میں حاصل کیا جاسکتا ہے۔ خاص طور پر، ہم اس بات پر توجہ مرکوز کرتے ہیں کہ کس طرح ریاستی آرٹ روٹنگ الگورتھم آئی او ٹی میں ذہین ڈی 2 ڈی مواصلات حاصل کرسکتے ہیں. |
5e6035535d6d258a29598faf409b57a71ec28f21 | |
766c251bd7686dd707acd500e80d7184929035c6 | ٹریفک لائٹ کا پتہ لگانا (ٹی ایل ڈی) ذہین گاڑیوں اور ڈرائیونگ اسسٹنٹ سسٹم (ڈی اے ایس) دونوں کا ایک اہم حصہ ہے۔ زیادہ تر TLDs کے لئے عام یہ ہے کہ وہ چھوٹے اور نجی ڈیٹا سیٹ پر اندازہ لگایا جاتا ہے جس سے کسی دیئے گئے طریقہ کار کی صحیح کارکردگی کا تعین کرنا مشکل ہوتا ہے۔ اس مقالے میں ہم جدید ترین، ریئل ٹائم آبجیکٹ کا پتہ لگانے کا نظام آپ صرف ایک بار دیکھیں، (یو ایل او) پر عوامی لیسا ٹریفک لائٹ ڈیٹا سیٹ پر لاگو کرتے ہیں جو ویوا چیلنج کے ذریعہ دستیاب ہے، جس میں مختلف روشنی اور موسم کی حالتوں میں قبضہ کر لیا گیا ہے، جس میں اعلی تعداد میں ٹریفک لائٹس شامل ہیں. ،،،، یولو آبجیکٹ کا پتہ لگانے والا دن کے لئے 90.49٪ کا ایک شاندار AUC حاصل کرتا ہے، جو VIV چیلنج میں تازہ ترین ACF اندراج کے مقابلے میں 50.32٪ کی بہتری ہے. اے سی ایف ڈیٹیکٹر کی طرح بالکل اسی ٹریننگ کنفیگریشن کا استعمال کرتے ہوئے ، یولو ڈیٹیکٹر 58.3٪ کے اے یو سی تک پہنچ جاتا ہے ، جو 18.13٪ میں اضافہ ہے۔ |
136b9952f29632ab3fa2bbf43fed277204e13cb5 | منظر کی درجہ بندی کمپیوٹر ویژن میں ایک بنیادی مسئلہ ہے. تاہم، منظر کی تفہیم کی تحقیق کو فی الحال استعمال ہونے والے ڈیٹا بیس کے محدود دائرہ کار کی طرف سے محدود کیا گیا ہے جو منظر کی اقسام کی مکمل قسم کو نہیں پکڑتا ہے. جبکہ آبجیکٹ کی درجہ بندی کے لئے معیاری ڈیٹا بیس میں اشیاء کی سینکڑوں مختلف کلاسیں شامل ہیں ، منظر کی اقسام کے سب سے بڑے دستیاب ڈیٹا سیٹ میں صرف 15 کلاسیں ہیں۔ اس مقالے میں ہم منظر نامے کی تفہیم (SUN) کے وسیع ڈیٹا بیس کی تجویز کرتے ہیں جس میں 899 زمرے اور 130،519 تصاویر شامل ہیں۔ ہم 397 اچھی طرح سے نمونے لینے والی زمروں کا استعمال کرتے ہیں منظر کی شناخت کے لئے متعدد ریاستی آرٹ الگورتھم کا اندازہ کرنے اور کارکردگی کی نئی حدود قائم کرنے کے لئے۔ ہم انسان منظر درجہ بندی کی کارکردگی کا اندازہ سورج ڈیٹا بیس پر اور کمپیوٹیشنل طریقوں کے ساتھ اس کا موازنہ. اس کے علاوہ، ہم ایک ٹھیک دانے دار منظر کی نمائندگی کا مطالعہ کرتے ہیں تاکہ بڑے مناظر کے اندر موجود مناظر کا پتہ لگائیں۔ |
eb06182a2817d06e82612a0c32a6c843f01c6a03 | اس مقالے میں ایک نیورل جنریٹو ماڈل ، یعنی ٹیبل 2 سیک کی تجویز کی گئی ہے ، تاکہ ٹیبل کی بنیاد پر قدرتی زبان کا جملہ تیار کیا جاسکے۔ خاص طور پر، ماڈل مسلسل ویکٹر کے لئے ایک میز کا نقشہ بناتا ہے اور پھر ایک ٹیبل کے semantics کا فائدہ اٹھاتے ہوئے ایک قدرتی زبان کی سزا پیدا کرتا ہے. چونکہ نایاب الفاظ ، جیسے ، اداروں اور اقدار ، عام طور پر ایک ٹیبل میں ظاہر ہوتے ہیں ، لہذا ہم ایک لچکدار کاپی کرنے والا طریقہ کار تیار کرتے ہیں جو منتخب طور پر ٹیبل سے آؤٹ پٹ تسلسل میں مواد کی نقل تیار کرتا ہے۔ ہم اپنے Table2Seq ماڈل کی افادیت اور ڈیزائن کاپی کرنے کے طریقہ کار کی افادیت کا مظاہرہ کرنے کے لئے وسیع تجربات کا انعقاد. وکی بیو اور سادہ سوالات کے ڈیٹا سیٹ پر ، ٹیبل 2 سیک ماڈل بالترتیب بلے یو 4 اسکور کے لحاظ سے جدید ترین نتائج کو 34.70 سے 40.26 اور 33.32 سے 39.12 تک بہتر بناتا ہے۔ اس کے علاوہ، ہم ایک کھلی ڈومین ڈیٹا سیٹ WIKITABLETEXT کی تعمیر جس میں 4962 میزیں کے لئے 13 318 وضاحتی جملے شامل ہیں. ہمارے ٹیبل 2 سیک ماڈل نے 38.23 کے بلیو 4 اسکور کو حاصل کیا ہے WIKITABLETEXT ٹیمپلیٹ پر مبنی اور زبان کے ماڈل پر مبنی نقطہ نظر سے بہتر کارکردگی کا مظاہرہ کرنا۔ مزید برآں ، سرچ انجن سے 1 ایم ٹیبل-سوال جوڑے پر تجربات کے ذریعے ، ہمارے ٹیبل 2 سیک ماڈل نے ٹیبل کے منظم حصے پر غور کیا ، یعنی ٹیبل صفات اور ٹیبل خلیات ، اضافی معلومات کے طور پر ایک ترتیب سے ترتیب والے ماڈل سے بہتر کارکردگی کا مظاہرہ کرتے ہیں جس میں صرف ٹیبل کے ترتیب والے حصے پر غور کیا جاتا ہے ، یعنی ٹیبل کیپشن۔ |
ea951c82efe26424e3ce0d167e01f59e5135a2da | ٹائمڈ اپ اینڈ گو ایک کلینیکل ٹیسٹ ہے جو بزرگوں اور پارکنسن کی بیماری میں نقل و حرکت کا اندازہ کرنے کے لئے ہے۔ حال ہی میں اس ٹیسٹ کے آلات والے ورژن پر غور کیا جارہا ہے ، جہاں جڑتا سینسر حرکت کا اندازہ لگاتے ہیں۔ اس کے پھیلاؤ، استعمال میں آسانی اور قیمت کو بہتر بنانے کے لیے ہم اسمارٹ فون کے ایکسلرومیٹر کو پیمائش کا نظام سمجھتے ہیں۔ کئی پیرامیٹرز (عام طور پر انتہائی correlated) ٹیسٹ کے دوران ریکارڈ سگنل سے شمار کیا جا سکتا ہے. اضافی سے بچنے اور خصوصیات حاصل کرنے کے لئے جو لوکوموٹر کی کارکردگی کے لئے سب سے زیادہ حساس ہیں، ایک جہتی کمی بنیادی جزو تجزیہ (پی سی اے) کے ذریعے کی گئی تھی. مختلف عمر کے 49 صحت مند افراد پر ٹیسٹ کیا گیا۔ پی سی اے نئی خصوصیات (بنیادی اجزاء) نکالنے کے لئے انجام دیا گیا تھا جو اصل پیرامیٹرز کے اضافی مجموعہ نہیں ہیں اور زیادہ تر اعداد و شمار کی تبدیلی کی وجہ سے ہیں. وہ تلاش کے تجزیہ اور آؤٹ لیئر کا پتہ لگانے کے لئے مفید ثابت ہوسکتے ہیں۔ پھر، اصل پیرامیٹرز کا ایک کم سیٹ اہم اجزاء کے ساتھ ارتباط تجزیہ کے ذریعے منتخب کیا گیا تھا. یہ سیٹ صحت مند بالغوں پر مبنی مطالعہ کے لئے سفارش کی جا سکتی ہے. مجوزہ طریقہ کار درجہ بندی کے مطالعہ میں پہلی سطح کی خصوصیت کے انتخاب کے طور پر استعمال کیا جا سکتا ہے (یعنی. صحت مند-پارکسن کی بیماری، فالس-غیر فالس) اور مستقبل میں، ایک مکمل نظام کو تحریک کے تجزیہ کے لئے ایک اسمارٹ فون میں شامل کرنے کی اجازت دے سکتا ہے. |
e467278d981ba30ab3b24235d09205e2aaba3d6f | اس تحقیق کا مقصد ایک ترتیب ثالثی ماڈل تیار کرنا اور جانچنا تھا جس میں ملازمین کی فلاح و بہبود کے لئے غیر فعال قیادت کے منفی تعلقات کی وضاحت کی گئی تھی۔ کردار کے تناؤ کے نظریے کی بنیاد پر ، ہم یہ فرض کرتے ہیں کہ غیر فعال قیادت کردار کی ابہام ، کردار کے تنازعہ اور کردار کے اوورلوڈ کی اعلی سطح کی پیش گوئی کرے گی۔ وسائل کے تحفظ کے نظریے کو مدنظر رکھتے ہوئے ، ہم مزید یہ مفروضہ پیش کرتے ہیں کہ یہ کردار تناؤ کے عوامل بالواسطہ اور منفی طور پر ملازمین کی فلاح و بہبود کے دو پہلوؤں پر اثر انداز ہوں گے ، یعنی مجموعی طور پر ذہنی صحت اور مجموعی طور پر کام کا رویہ ، نفسیاتی کام کی تھکاوٹ کے ذریعے۔ 2467 امریکی کارکنوں کے امکانات کے نمونے کا استعمال کرتے ہوئے، ساختہ مساوات ماڈلنگ نے اس ماڈل کی حمایت کی ہے کہ کردار کے دباؤ اور نفسیاتی کام کی تھکاوٹ جزوی طور پر غیر فعال قیادت اور ملازمین کی فلاح و بہبود کے دونوں پہلوؤں کے درمیان منفی تعلقات کو ثالثی کرتی ہے. قیاس شدہ ، متواتر بالواسطہ تعلقات نے غیر فعال قیادت اور دماغی صحت کے مابین مجموعی تعلقات کا 47.9٪ اور غیر فعال قیادت اور مجموعی طور پر کام کے رویے کے مابین مجموعی تعلقات کا 26.6٪ بیان کیا۔ کاپی رائٹ © 2016 جان Wiley & بیٹوں، لمیٹڈ. |
9a86ae8e9b946dc6d957357e0670f262fa1ead9d | آرٹیکل کی تاریخ: 22 اگست 2007 کو موصول ہوا 29 فروری 2008 کو قبول کیا گیا آن لائن دستیاب xxxx |
f8acaabc99801a89baa5a9eff445fc5922498dd0 | گہری ڈومین موافقت کے طریقوں سے ڈومین-غیر متغیر ایمبیڈینس سیکھنے کے ذریعہ تقسیم کے تضاد کو کم کیا جاسکتا ہے۔ تاہم، یہ طریقوں صرف پورے ڈیٹا کی تقسیم کو سیدھ میں لانے پر توجہ مرکوز کرتے ہیں، بغیر کسی ذریعہ اور ہدف کی تصاویر کے درمیان کلاس سطح کے تعلقات پر غور کریں. اس طرح، ایک پرندوں کے ہدف کے ایمبیڈڈ کو ایک ہوائی جہاز کے ذریعہ ایمبیڈڈ کے ساتھ سیدھا کیا جا سکتا ہے. یہ سیمانٹک misalignment براہ راست ہدف ڈیٹا سیٹ پر درجہ بندی کی کارکردگی کو کم کر سکتا ہے. اس مسئلے کو کم کرنے کے لئے، ہم غیر نگرانی ڈومین موافقت کے لئے ایک مماثلت محدود سیدھ (ایس سی اے) طریقہ پیش کرتے ہیں. جب ایمبیڈ اسپیس میں تقسیم کو سیدھا کرنے کے لئے ، ایس سی اے ماخذ اور ہدف کی تصاویر کے مابین کلاس سطح کے تعلقات کو برقرار رکھنے کے لئے مماثلت کو برقرار رکھنے کی پابندی کو نافذ کرتا ہے ، یعنی ، اگر ماخذ کی تصویر اور ہدف کی تصویر ایک ہی کلاس لیبل کی ہوتی ہے تو ، ان کے متعلقہ ایمبیڈینس کو قریب ہی سیدھا کیا جانا چاہئے ، اور اس کے برعکس۔ ہدف لیبلز کی عدم موجودگی میں، ہم ہدف کی تصاویر کے لئے چھدم لیبلز تفویض کرتے ہیں. لیبل لگائے گئے ماخذ کی تصاویر اور چھدم لیبل لگائے گئے ہدف کی تصاویر کو دیکھتے ہوئے ، مماثلت کو برقرار رکھنے والی پابندی کو ٹرپلٹ نقصان کو کم سے کم کرکے نافذ کیا جاسکتا ہے۔ ڈومین سیدھ میں کھونے اور مماثلت کو برقرار رکھنے کی پابندی کی مشترکہ نگرانی کے ساتھ ، ہم ایک نیٹ ورک کو ڈومین-غیر متغیر ایمبیڈڈ حاصل کرنے کے لئے تربیت دیتے ہیں جس میں دو اہم خصوصیات ، انٹرا کلاس کمپیکٹ اور انٹر کلاس علیحدگی ہے۔ دونوں ڈیٹا سیٹ پر کئے گئے وسیع تجربات سے ایس سی اے کی افادیت کا بخوبی ثبوت ملتا ہے۔ |
a3c3c084d4c30cf40e134314a5dcaf66b4019171 | |
21aebb53a45ccac7f6763d9c47477092599f6be1 | |
12e1923fb86ed06c702878bbed51b4ded2b16be1 | اس مضمون میں ہم ایک پورٹیبل اسمارٹ ریڈار سینسر سے دستخطوں کے نمونوں کی پہچان پر مبنی انسانی اشاروں کی شناخت کے نظام کے ڈیزائن پر غور کریں گے۔ اے اے اے بیٹریاں سے چلنے والا اسمارٹ ریڈار سینسر 2.4 گیگا ہرٹز انڈسٹریل ، سائنسی اور میڈیکل (آئی ایس ایم) بینڈ میں کام کرتا ہے۔ ہم نے خصوصیت کی جگہ کا تجزیہ کیا بنیادی اجزاء اور درخواست سے متعلق وقت اور تعدد ڈومین کی خصوصیات کا استعمال کرتے ہوئے جو دو مختلف اشاروں کے لئے ریڈار سگنل سے نکالا گیا ہے۔ ہم یہ بتاتے ہیں کہ قریب ترین پڑوسی پر مبنی درجہ بندی کرنے والا ملٹی کلاس درجہ بندی کے لئے 95٪ سے زیادہ درستگی حاصل کرسکتا ہے جب 10 گنا کراس کی توثیق کا استعمال کرتے ہوئے جب خصوصیات کو طول و عرض کے اختلافات اور ڈوپلر شفٹوں کے مطابق نکالا جاتا ہے تو وہ خصوصیات کے مقابلے میں جو آرتھوگونل تبدیلیوں کے ذریعہ نکالا جاتا ہے۔ رپورٹ شدہ نتائج اعلی درستگی سمارٹ گھر اور صحت کی نگرانی کے مقاصد کے لئے ایک پیٹرن کی شناخت کے نظام کے ساتھ مربوط ذہین ریڈارز کی صلاحیت کی عکاسی کرتے ہیں. |
25b87d1d17adabe2923da63e0b93fb7d2bac73f7 | نیٹ ورکس اور ان کے وسائل کے خلاف حملوں میں مسلسل اضافہ (جیسا کہ حال ہی میں کوڈ ریڈ کیڑے نے دکھایا ہے) ان قیمتی اثاثوں کی حفاظت کی ضرورت کا سبب بنتا ہے. فائر والز اب ایک عام تنصیب ہیں جو پہلی جگہ میں مداخلت کی کوششوں کو روکنے کے لئے ہے. گھسنے کا پتہ لگانے والے نظام (آئی ڈی ایس) ، جو بدنیتی پر مبنی سرگرمیوں کو روکنے کے بجائے ان کا پتہ لگانے کی کوشش کرتے ہیں ، جب پہلے دفاعی پیرامیٹر میں داخل ہو گیا ہے تو اضافی تحفظ فراہم کرتے ہیں۔ شناختی نظام جمع کردہ اعداد و شمار کا موازنہ کرکے حملوں کو نشانہ بنانے کی کوشش کرتے ہیں جو پہلے سے طے شدہ دستخطوں سے معلوم ہوتا ہے کہ وہ بدنیتی پر مبنی ہیں (دستخط پر مبنی) یا قانونی طرز عمل کے ماڈل (غیر معمولی پر مبنی) ۔ غیر معمولی پر مبنی نظاموں کو پہلے سے نامعلوم حملوں کا پتہ لگانے کے قابل ہونے کا فائدہ ہے لیکن وہ قابل قبول طرز عمل کا ٹھوس ماڈل بنانے میں دشواری کا شکار ہیں اور غیر معمولی لیکن مجاز سرگرمیوں کی وجہ سے ہونے والے الارم کی بڑی تعداد ہے۔ ہم ایک نقطہ نظر پیش کرتے ہیں جو نیٹ ورک کی خدمات کے اطلاق کے مخصوص علم کا استعمال کرتا ہے جو محفوظ ہونا چاہئے. یہ معلومات موجودہ، سادہ نیٹ ورک ٹریفک ماڈل کو ایک ایپلی کیشن ماڈل بنانے کے لئے بڑھانے میں مدد کرتی ہے جو انفرادی نیٹ ورک پیکٹوں میں پوشیدہ بدسلوکی مواد کا پتہ لگانے کی اجازت دیتا ہے. ہم اپنے تجویز کردہ ماڈل کی خصوصیات بیان کرتے ہیں اور تجرباتی اعداد و شمار پیش کرتے ہیں جو ہمارے نظام کی کارکردگی کو واضح کرتی ہیں. |
10338babf0119e3dba196aef44fa717a1d9a06df | |
36e41cdfddd190d7861b91b04a515967fd1541d9 | موصول: 20 جولائی 2012 نظر ثانی: 18 فروری 2013 دوسرا نظر ثانی: 28 جون 2013 تیسرا نظر ثانی: 20 ستمبر 2013 چوتھا نظر ثانی: 7 نومبر 2013 قبول: 1 فروری 2014 خلاصہ جیسے جیسے سوشل نیٹ ورکنگ سائٹس (ایس این ایس) میں سرایت شدہ پیغامات اور سماجی تعلقات کی تعداد بڑھتی جارہی ہے ، افراد سے رد عمل کا مطالبہ کرنے والی سماجی معلومات کی مقدار بھی بڑھتی جارہی ہے۔ ہم نے دیکھا کہ اس کے نتیجے میں، ایس این ایس صارفین محسوس کرتے ہیں کہ وہ دوسرے ایس این ایس صارفین کو بہت زیادہ سماجی مدد دے رہے ہیں۔ سماجی حمایت کے نظریہ (ایس ایس ٹی) پر مبنی، ہم ایس این ایس کے استعمال کے ساتھ اس منفی ایسوسی ایشن کو سماجی اوورلوڈ کہتے ہیں اور اس کی پیمائش کرنے کے لئے ایک پوشیدہ متغیر تیار کرتے ہیں. پھر ہم نظریاتی پیش رو اور نتائج کی شناخت کرتے ہیں سماجی اوورلوڈ اور تجرباتی طور پر سماجی اوورلوڈ ماڈل کا جائزہ لیں 12 کے ساتھ انٹرویو اور 571 فیس بک صارفین کے سروے کا استعمال کرتے ہوئے. نتائج سے پتہ چلتا ہے کہ استعمال کی حد، دوستوں کی تعداد، ذہنی سماجی حمایت کے معیار، اور تعلقات کی قسم (صرف آن لائن بمقابلہ آف لائن دوست) ایسے عوامل ہیں جو براہ راست سماجی اوورلوڈ میں حصہ لیتے ہیں جبکہ عمر صرف ایک بالواسطہ اثر ہے. سماجی اوورلوڈ کے نفسیاتی اور طرز عمل کے نتائج میں صارفین کی طرف سے ایس این ایس کی تھکاوٹ کا احساس ، صارف کی اطمینان کی کم سطح ، اور ایس این ایس کا استعمال کم کرنے یا یہاں تک کہ بند کرنے کا ایک اعلی ارادہ شامل ہے۔ ایس ایس ٹی اور ایس این ایس قبولیت کی تحقیق کے نتیجے میں نظریاتی مضمرات پر تبادلہ خیال کیا جاتا ہے اور تنظیموں ، ایس این ایس فراہم کرنے والوں اور ایس این ایس صارفین کے لئے عملی مضمرات تیار کیے جاتے ہیں۔ یورپی جرنل آف انفارمیشن سسٹم پیشگی آن لائن اشاعت ، 4 مارچ 2014؛ doi:10.1057/ejis.2014.3؛ 11 مارچ 2014 کو آن لائن درست کیا گیا |
ffcb7146dce1aebf47a910b51a873cfec897d602 | اسکین اور سیگمنٹڈ اسکین وسیع پیمانے پر ایپلی کیشنز کے لئے اہم ڈیٹا متوازی پرائمری ہیں. ہم گرافکس پروسیسنگ یونٹس (GPUs) پر ان primitives کے لئے تیز، کام موثر الگورتھم پیش کرتے ہیں. ہم نئے اعداد و شمار کی نمائندگی کا استعمال کرتے ہیں جو GPU فن تعمیر کے ساتھ اچھی طرح سے نقشہ بناتے ہیں. ہمارے الگورتھم میموری کی کارکردگی کو بہتر بنانے کے لئے مشترکہ میموری کا استحصال کرتے ہیں۔ ہم نے مزید مشترکہ میموری بینک تنازعات کو ختم کرنے اور سابق مشترکہ میموری GPU الگورتھم میں اوور ہیڈز کو کم کرنے کی طرف سے ہمارے الگورتھم کی کارکردگی کو بہتر بنانے. مزید برآں، ہمارے الگورتھم عام ڈیٹا سیٹ پر اچھی طرح سے کام کرنے کے لئے ڈیزائن کیا گیا ہے، بشمول اجزاء کی لمبائی کے ساتھ تقسیم شدہ صفیں. ہم سیگمنٹ لمبائی کی بنیاد پر تقسیم اسکین کی کارکردگی کو بہتر بنانے کے لئے اصلاحات بھی پیش کرتے ہیں. ہم نے اپنے الگورتھم کو ایک پی سی پر نافذ کیا جس میں NVIDIA GeForce 8800 GPU تھا اور ہمارے نتائج کا موازنہ پچھلے GPU پر مبنی الگورتھم سے کیا گیا۔ ہمارے نتائج لاکھوں عناصر کے ساتھ ان پٹ ترتیب پر پچھلے الگورتھم کے مقابلے میں 10x تک اعلی کارکردگی کا اشارہ کرتے ہیں۔ |
6a640438a4e50fa31943462eeca716413891a773 | ہم ایک نیا درجہ بندی الگورتھم پیش کرتے ہیں جو دو پچھلے طریقوں کی طاقت کو یکجا کرتا ہے: درخت کی درجہ بندی کو فروغ دیا گیا ہے، اور لیمبڈاک، جس میں وسیع پیمانے پر استعمال ہونے والی معلومات کی بازیابی کی پیمائش کے لئے تجرباتی طور پر بہترین ثابت ہوا ہے. الگورتھم پر مبنی ہے فروغ دیا رجعت درخت ، اگرچہ خیالات کسی بھی کمزور سیکھنے والوں پر لاگو ہوتے ہیں ، اور یہ قابل ذکر ہے تیز تر ٹرین اور ٹیسٹ دونوں مراحل میں فن کی حالت کے مقابلے میں ، موازنہ کرنے کے لئے. ہم بھی کسی بھی دو ran kers کے لئے زیادہ سے زیادہ لکیری مجموعہ تلاش کرنے کے لئے کس طرح دکھائے، اور ہم اس طریقہ کار کو حل کرنے کے لئے استعمال کرتے ہیں لائن تلاش کے مسئلے کو بالکل ڈو رنگ بڑھانے. اس کے علاوہ، ہم نے پہلے سے تربیت یافتہ ماڈل کے ساتھ شروع ہونے اور اس کے باقیات کا استعمال کرتے ہوئے فروغ دینے، ماڈل موافقت کے لئے ایک مؤثر تکنیک فراہم کرتا ہے کہ دکھانے کے، اور ہم نے ایک بڑی مارکیٹ سے بہت زیادہ اعداد و شمار پر تربیت یافتہ ایک درجہ بندی دی گئی ہے کے بعد سے صرف لیبل ڈیٹا کی چھوٹی مقدار دستیاب ہیں جس کے لئے مارکیٹوں کے لئے ویب تلاش کی تربیت کے درجہ بندی میں ایک خاص طور پر پریشان کن مسئلہ کے لئے نتائج فراہم کرتے ہیں. |
72691b1adb67830a58bebdfdf213a41ecd38c0ba | ہم ایک گہری نیٹ ورک فن تعمیر متعارف کرایا ہے DerainNet ایک تصویر سے بارش کی سٹرپس کو ہٹانے کے لئے. گہرے کنوولوشنل نیورل نیٹ ورک (سی این این) کی بنیاد پر ، ہم براہ راست اعداد و شمار سے بارش اور صاف تصویری تفصیل کی تہوں کے مابین نقشہ سازی کا رشتہ سیکھتے ہیں۔ چونکہ ہمارے پاس حقیقی دنیا کی بارش کی تصاویر کے مطابق بنیادی حقیقت نہیں ہے، ہم تربیت کے لئے بارش کے ساتھ تصاویر کو جوڑتے ہیں۔ دیگر عام حکمت عملی کے برعکس جو نیٹ ورک کی گہرائی یا چوڑائی میں اضافہ کرتی ہے، ہم تصویر پروسیسنگ ڈومین علم کو استعمال کرتے ہیں تاکہ مقصد کی تقریب کو تبدیل کیا جا سکے اور ایک معمولی سائز کے سی این این کے ساتھ ڈرائیونگ کو بہتر بنایا جا سکے. خاص طور پر، ہم اپنی ڈیرین نیٹ کو تفصیل (ہائی پاس) پرت پر تصویر ڈومین کے بجائے تربیت دیتے ہیں. اگرچہ ڈیرین نیٹ مصنوعی ڈیٹا پر تربیت یافتہ ہے، ہم نے پایا کہ سیکھا نیٹ ورک بہت مؤثر طریقے سے ٹیسٹنگ کے لئے حقیقی دنیا کی تصاویر میں ترجمہ کرتا ہے. اس کے علاوہ، ہم بصری نتائج کو بہتر بنانے کے لئے تصویر بڑھانے کے ساتھ سی این این فریم ورک میں اضافہ کرتے ہیں. جدید ترین واحد تصویر de-raining طریقوں کے ساتھ مقابلے میں، ہمارے طریقہ کار بارش ہٹانے میں بہتری آئی ہے اور نیٹ ورک کی تربیت کے بعد بہت تیزی سے حساب کا وقت. |
34d1ba9476ae474f1895dbd84e8dc82b233bc32e | |
1cdc4ad61825d3a7527b85630fe60e0585fb9347 | سیکھنے کے تجزیات ٹیکنالوجی سے بہتر سیکھنے کا ایک اہم علاقہ ہے جو گزشتہ دہائی کے دوران ابھرا ہے. اس فیلڈ کا جائزہ تکنیکی ، تعلیمی اور سیاسی عوامل کی جانچ پڑتال سے شروع ہوتا ہے جس نے تعلیمی ترتیبات میں تجزیات کی ترقی کو آگے بڑھایا ہے۔ اس کے بعد یہ سیکھنے کے تجزیات کے ظہور کا نقشہ پیش کرتا ہے، بشمول 20 ویں صدی میں ان کی ابتدا، ڈیٹا پر مبنی تجزیات کی ترقی، سیکھنے پر مبنی نقطہ نظر اور قومی اقتصادی خدشات کے اثر و رسوخ کا اضافہ. اس کے بعد یہ سیکھنے کے تجزیات، تعلیمی ڈیٹا کان کنی اور تعلیمی تجزیات کے درمیان تعلقات پر توجہ مرکوز کرتا ہے. آخر میں ، یہ سیکھنے کے تجزیاتی تحقیق کے ترقی پذیر علاقوں کا جائزہ لیتا ہے ، اور مستقبل کے چیلنجوں کا ایک سلسلہ کی نشاندہی کرتا ہے۔ |
f3ac0d94ba2374e46dfa3a13effcc540205faf21 | |
49fd00a22f44a52f4699730403033416e0762e6d | |
860d3d4114711fa4ce9a5a4ccf362b80281cc981 | تاہم، جگہ کی کمی کی وجہ سے، یہ سیکشن بہت کم ہے. اس کے علاوہ، افادیت آنٹولوجی جو وقت، جیوپوٹیلیل، شخص، واقعات، اور نیٹ ورک آپریشنز پر توجہ مرکوز کرتے ہیں مختصر طور پر بیان کیے جاتے ہیں. ان افادیت آنٹولوجیوں کو خصوصی سپر ڈومین یا یہاں تک کہ درمیانی سطح کی آنٹولوجیوں کے طور پر دیکھا جاسکتا ہے ، کیونکہ وہ بہت سے ، اگر زیادہ تر نہیں ، آنٹولوجیوں پر محیط ہیں - بشمول کسی بھی سائبر آنٹولوجی۔ تجارتی مطالعہ کی طرف سے استعمال کیا جاتا ہے آنٹولوجی فن تعمیر کا ایک مجموعی نقطہ نظر بھی دیا جاتا ہے. تجارت کے مطالعہ پر رپورٹ کے کچھ تجویز کردہ اگلے اقدامات کے ساتھ اختتام پذیر ہے یہ کاغذ ایک تجارتی مطالعہ پر رپورٹ کرتا ہے جس نے ہم نے ایک ابتدائی میلویئر آنٹولوجی سے سائبر آنٹولوجی کی ترقی کی حمایت کی. سائبر آنٹولوجی کی کوشش کے اہداف کو پہلے بیان کیا گیا ہے، اس کے بعد استعمال ہونے والے آنٹولوجی ترقیاتی طریقہ کار کی بحث کی گئی ہے. اس کے بعد کاغذ کا بنیادی جسم مندرجہ ذیل ہے ، جو ممکنہ آنٹولوجیوں اور معیارات کی ایک وضاحت ہے جس کا استعمال سائبر آنٹولوجی کو اس کے ابتدائی محدود مالویئر فوکس سے بڑھانے کے لئے کیا جاسکتا ہے۔ ان وسائل میں خاص طور پر سائبر اور میلویئر معیارات ، اسکیما اور اصطلاحات شامل ہیں جن نے براہ راست ابتدائی میلویئر آنٹولوجی کی کوشش میں حصہ لیا۔ دیگر وسائل اعلی (کبھی کبھی بنیادی کہا جاتا ہے) آنٹولوجی ہیں. بنیادی تصورات جو کسی بھی سائبر آنٹولوجی میں توسیع کریں گے ان کی شناخت پہلے ہی کی جا چکی ہے اور ان بنیادی آنٹولوجیوں میں سختی سے بیان کی گئی ہے۔ |
4767a0c9f7261a4265db650d3908c6dd1d10a076 | پتہ لگانے کے ذریعے ٹریکنگ غیر محدود منظرناموں میں متعدد اہداف کو ٹریک کرنے کے کام کو حل کرنے کے لئے سب سے زیادہ کامیاب حکمت عملی ثابت ہوئی ہے [مثال کے طور پر. [۴۰، ۵۳، ۵۵] روایتی طور پر ، پری پروسیسنگ مرحلے میں پیدا ہونے والے کم کھوج کے ایک سیٹ ، اعلی سطح کے ٹریکر کے لئے ان پٹ کے طور پر کام کرتا ہے جس کا مقصد وقت کے ساتھ ساتھ ان ڈاٹس کو صحیح طریقے سے جوڑنا ہے۔ اس نقطہ نظر کی ایک واضح کمی یہ ہے کہ تصویری ترتیب میں دستیاب زیادہ تر معلومات کو صرف کمزور پتہ لگانے کے ردعمل کو حد سے تجاوز کرنے اور غیر زیادہ سے زیادہ دباؤ کا اطلاق کرکے نظرانداز کیا جاتا ہے۔ ہم ایک ملٹی ٹارگٹ ٹریکر تجویز کرتے ہیں جو کم سطح کی تصویری معلومات کا استحصال کرتا ہے اور ہر (سپر) پکسل کو کسی خاص ہدف سے وابستہ کرتا ہے یا اسے پس منظر کے طور پر درجہ بندی کرتا ہے۔ اس کے نتیجے میں، ہم غیر محدود، حقیقی دنیا کی ویڈیوز میں کلاسیکی باؤنڈنگ باکس نمائندگی کے علاوہ ایک ویڈیو تقسیم حاصل کرتے ہیں. ہمارا طریقہ بہت سے معیاری بینچ مارک تسلسل پر حوصلہ افزا نتائج دکھاتا ہے اور طویل مدتی جزوی بندش کے ساتھ ہجوم مناظر میں کھوج کے ذریعہ جدید ترین طریقوں سے نمایاں طور پر بہتر ہے۔ |
8eefd28eb47e72794bb0355d8abcbebaac9d8ab1 | کئی دہائیوں کے لئے، ماہرین نے لیبل اور غیر لیبل شدہ اعداد و شمار کے ایک مجموعہ کا استعمال کرتے ہوئے درجہ بندی کرنے والوں کو تربیت دینے کے لئے تجویز کی ہے. اس باب میں متن کلاس ification کے ڈومین پر لاگو کیا جب اس نقطہ نظر کی تاثیر کا جائزہ لیتا ہے. متن دستاویزات یہاں ایک بیگ کے الفاظ کے ماڈل کے ساتھ نمائندگی کر رہے ہیں، جس میں ایک ملٹیومینل کے مرکب پر مبنی ایک نسل پرست درجہ بندی ماڈل کی طرف جاتا ہے. یہ ماڈل تحریری متن کی پیچیدگیوں کی ایک انتہائی آسان نمائندگی ہے. اس باب میں وضاحت کی جاتی ہے اور تین اہم نکات کی وضاحت کرتا ہے. سب سے پہلے، سادہ نمائندگی کے باوجود، کچھ متن کے ماڈل جنریٹو ماڈل امکان اور درجہ بندی کی درستگی کے درمیان ایک اعلی مثبت تعلق ہے. ان ڈومینز میں، سادہ بیز ٹیکسٹ ماڈل کے ساتھ EM کا ایک براہ راست اطلاق اچھی طرح سے کام کرتا ہے. دوسرا، کچھ متن ڈومینز اس تعلق نہیں ہے. یہاں ہم ایک زیادہ اظہار اور مناسب پیداواری ماڈل ہے کہ ایک مثبت correlation ہے کا انتخاب کر سکتے ہیں. ان شعبوں میں، نیم نگرانی سیکھنے دوبارہ درجہ بندی اور صحت کو بہتر بناتا ہے. آخر میں، EM خاص طور پر اعلی طول و عرض کے نیٹ ورکس جیسے متن کی درجہ بندی میں، مقامی زیادہ سے زیادہ کی دشواری سے متاثر ہوتا ہے. ہم یہ ظاہر کرتے ہیں کہ ای ایم کی ایک قسم، ڈیٹرمینسٹک اینیلنگ، مقامی زیادہ سے زیادہ کے مسئلے پر قابو پانے میں مدد کر سکتی ہے اور درجہ بندی کی درستگی کو مزید بڑھا سکتی ہے جب جنریٹو ماڈل مناسب ہے. |
696ad1c38b588dae3295668a0fa34021c4481030 | ہم ایک طریقہ کار پیش کرتے ہیں جس میں کثیر لیبل ، بڑے پیمانے پر کثیر کلاس امیج کی درجہ بندی کے ماڈل کی تربیت کی جاتی ہے ، جو سگمائڈ کراس اینٹروپی نقصان (لاگسٹک ریگریشن) کے ذریعہ نگرانی سے کہیں زیادہ تیز اور زیادہ درست ہے۔ ہمارا طریقہ کار یونٹ-نورڈ ویکٹر کے ایک کم جہتی گھنے دائرے پر اعلی جہتی گھنے لیبلوں کو سرایت کرنے پر مشتمل ہے ، اور اس دائرے پر درجہ بندی کے مسئلے کو کوسینو قربت رجعت کے مسئلے کے طور پر سمجھا جاتا ہے۔ ہم نے اپنے طریقہ کار کا تجربہ کیا ایک ڈیٹا سیٹ پر 300 ملین ہائی ریزولوشن تصاویر کے ساتھ 17،000 لیبلز، جہاں یہ کافی تیزی سے کنورجنس دیتا ہے، ساتھ ساتھ لاجسٹک رجریشن کے مقابلے میں 7 فیصد زیادہ اوسط اوسط درستگی. |
ad5974c04b316f4f379191e4dbea836fd766f47c | اس مقالے میں مشینی ترجمہ میں بڑے پیمانے پر شماریاتی زبان ماڈلنگ کے فوائد پر رپورٹ کی گئی ہے۔ ایک تقسیم شدہ بنیادی ڈھانچہ تجویز کیا گیا ہے جس کا استعمال ہم 2 ٹریلین ٹوکنز پر تربیت دینے کے لیے کرتے ہیں، جس کے نتیجے میں زبان کے ماڈل 300 ارب این گرام تک ہوتے ہیں۔ یہ تیز، ایک پاس ڈیکوڈنگ کے لئے ہموار امکانات فراہم کرنے کے قابل ہے. ہم نے ایک نیا ہموار کرنے کا طریقہ متعارف کرایا، جسے بیوقوف بیک اپ کہا جاتا ہے، جو بڑے ڈیٹا سیٹ پر تربیت دینے کے لئے سستا ہے اور تربیت کے اعداد و شمار کی مقدار میں اضافہ کے طور پر Kneser-Ney ہموار کرنے کے معیار کے قریب آتا ہے. |
6cb45af3db1de2ba5466aedcb698deb6c4bb4678 | اس منصوبے میں، ہم معروف سٹینفورڈ سوال جواب ڈیٹا سیٹ (SQuAD) پر سوال جواب دینے کے کام کے لئے ایک اختتام سے آخر تک نیورل نیٹ ورک کی تعمیر میں دلچسپی رکھتے ہیں. ہمارا عمل درآمد ایک حالیہ اعلی کارکردگی حاصل کرنے کے طریقہ کار سے حوصلہ افزائی کرتا ہے جو متحرک توجہ مرکوز کوڈڈر کے ساتھ متحرک اشارہ ڈیکوڈر کے ساتھ ملتا ہے جسے متحرک توجہ مرکوز نیٹ ورک کہا جاتا ہے. ہم نے مختلف مجموعہ اور ٹیسٹ ڈیکوڈنگ تکنیکوں کا پتہ لگایا جو ہمیں یقین ہے کہ اس طرح کے نظام کی کارکردگی کو بہتر بنا سکتے ہیں. |
e11d5a4edec55f5d5dc8ea25621ecbf89e9bccb7 | ہمارے معاشرے کا نیٹ ورک کمپیوٹرز پر انحصار خوفناک ہو گیا ہے۔ معیشت میں ، تمام ڈیجیٹل نیٹ ورکس سہولت کاروں سے ڈرائیوروں میں تبدیل ہوچکے ہیں۔ جیسا کہ سائبر-فزیکل سسٹم بالغ ہو رہے ہیں ، کمپیوٹر نیٹ ورک اب ہماری جسمانی دنیا کے مرکزی اعصابی نظام بن رہے ہیں - یہاں تک کہ انتہائی اہم انفراسٹرکچر جیسے پاور گرڈ۔ اسی وقت، نیٹ ورک کمپیوٹرز کی 24/7 دستیابی اور صحیح کام کرنے کا خطرہ بہت زیادہ ہو گیا ہے: آئی ٹی سسٹم پر پیچیدہ اور انتہائی مخصوص حملوں کی تعداد میں نمایاں اضافہ ہوا ہے. گھسنے کا پتہ لگانے کے نظام (آئی ڈی ایس) اسی دفاعی اقدامات کا ایک اہم جزو ہیں۔ ماضی میں ان کا وسیع پیمانے پر مطالعہ اور استعمال کیا گیا ہے۔ چونکہ روایتی آئی ڈی ایس بڑے کمپنی نیٹ ورکس اور اس سے آگے ، نہ ہی بڑے پیمانے پر متوازی حملوں کے لئے توسیع پذیر نہیں ہیں ، اس لئے باہمی تعاون سے چلنے والے آئی ڈی ایس (سی آئی ڈی ایس) سامنے آئے ہیں۔ وہ کئی نگرانی کے اجزاء پر مشتمل ہیں جو ڈیٹا جمع اور تبادلہ کرتے ہیں. مخصوص سی آئی ڈی ایس فن تعمیر پر منحصر ہے ، حملوں کی نشاندہی کرنے کے لئے جمع کردہ ڈیٹا کو مرکزی یا تقسیم شدہ تجزیہ اجزاء کان کنی کرتے ہیں۔ نتیجے میں انتباہات متعدد مانیٹررز کے درمیان وابستہ ہیں تاکہ نگرانی والے نیٹ ورک کا ایک جامع نظارہ بنایا جاسکے۔ یہ مضمون سب سے پہلے سی آئی ڈی ایس کے لئے متعلقہ ضروریات کا تعین کرتا ہے؛ اس کے بعد یہ ایک سی آئی ڈی ایس ڈیزائن کی جگہ متعارف کرانے اور ضروریات کے حوالے سے اس پر بحث کرنے کے لئے ایک بنیاد کے طور پر الگ الگ بلڈنگ بلاکس کو ممتاز کرتا ہے۔ اس ڈیزائن کی جگہ کی بنیاد پر ، سی آئی ڈی ایس سے بچنے والے حملوں اور خود سی آئی ڈی ایس کی دستیابی پر حملوں پر تبادلہ خیال کیا جاتا ہے۔ ضروریات، بلڈنگ بلاکس، اور حملوں کے پورے فریم ورک کو متعارف کرایا گیا ہے، اس کے بعد تعاون سے مداخلت کا پتہ لگانے میں فن کی حالت کا ایک جامع تجزیہ کے لئے استعمال کیا جاتا ہے، بشمول ایک تفصیلی سروے اور مخصوص سی آئی ڈی ایس کے نقطہ نظر کا موازنہ. |
720158a53b79667e39c2caf2f7ebb2670b848693 | جسمانی سینسر نیٹ ورکس (بی ایس این) جیسے اہم ، زندگی بچانے والے بنیادی ڈھانچے کے لئے کسی شخص کی رازداری کو موثر انداز میں محفوظ رکھنا بہت ضروری ہے۔ اس کاغذ میں ایک نیا کلیدی معاہدہ اسکیم پیش کی گئی ہے جو بی ایس این میں دو سینسر کو الیکٹروکارڈیوگرام (ای کے جی) سگنل کا استعمال کرتے ہوئے پیدا ہونے والی ایک مشترکہ کلید پر اتفاق کرنے کی اجازت دیتا ہے۔ اس ای کے جی پر مبنی کلیدی معاہدے (ای کے اے) اسکیم کا مقصد بی ایس این سیکیورٹی میں "پلگ این پلے" نمونہ لانا ہے جس کے ذریعہ موضوع پر صرف سینسر تعینات کرنے سے محفوظ مواصلات کو قابل بنایا جاسکتا ہے ، بغیر کسی ابتدائی شکل کی ضرورت کے جیسے پہلے سے تعیناتی۔ حقیقی ای سی جی ڈیٹا (ایم آئی ٹی فزیو بینک ڈیٹا بیس سے حاصل کردہ) پر مبنی اس اسکیم کا تجزیہ ظاہر کرتا ہے کہ ای کے اے سے پیدا ہونے والی چابیاں ہیں: بے ترتیب ، وقت کی مختلف حالت ، مختصر مدت کے ای سی جی پیمائش کی بنیاد پر پیدا کی جاسکتی ہے ، کسی دیئے گئے موضوع کے لئے یکساں اور الگ الگ افراد کے لئے مختلف ہے۔ |
f692c692d3426cc663f3ec9be0c7025b670b2e5c | کئی سالوں سے ، آئی ٹی انڈسٹری نے موجودہ سافٹ ویئر اثاثوں سے نئی ایپلی کیشنز کو اکٹھا کرکے سافٹ ویئر ڈویلپمنٹ کے عمل کو تیز کرنے کی کوشش کی ہے۔ تاہم ، 1960 کی دہائی میں ڈگلس میکلیروئی کے ذریعہ پیش کردہ فارم کا حقیقی جزو پر مبنی دوبارہ استعمال اب بھی قاعدہ کی بجائے استثنا ہے ، اور آج کل مشق شدہ زیادہ تر منظم سافٹ ویئر دوبارہ استعمال میں بھاری وزن کے نقطہ نظر جیسے پروڈکٹ لائن انجینئرنگ یا ڈومین مخصوص فریم ورک کا استعمال کیا جاتا ہے۔ جزو کی طرف سے، ہم سافٹ ویئر کی فعالیت کے کسی بھی مربوط اور کمپیکٹ یونٹ کا مطلب ہے جس میں ایک اچھی طرح سے بیان کردہ انٹرفیس ہے - سادہ پروگرامنگ زبان کلاسوں سے زیادہ پیچیدہ فن تعمیرات جیسے ویب سروسز اور انٹرپرائز جاوا بینز. |
96ea8f0927f87ab4be3a7fd5a3b1dd38eeaa2ed6 | ایک وسیع بینڈ اور سادہ torus گرہ monopole اینٹینا اس خط میں پیش کیا جاتا ہے. اینٹینا کو اضافی مینوفیکچرنگ ٹیکنالوجی کا استعمال کرتے ہوئے تیار کیا گیا ہے، جسے عام طور پر 3D پرنٹنگ کے نام سے جانا جاتا ہے۔ اینٹینا میکانی طور پر تیار کرنے کے لئے آسان ہے اور مستحکم تابکاری پیٹرن کے ساتھ ساتھ 1-2 گیگاہرٹج کی فریکوئنسی رینج میں ان پٹ عکاسی کوفیشن -10 ڈی بی سے کم ہے. ماپا اور مصنوعی کارکردگی کی ایک موازنہ اینٹینا بھی پیش کی جاتی ہے. |
206b204618640917f278e72bd0e2a881d8cec7ad | پیٹرن کی شناخت کے لئے بیسیئن طریقوں کو استعمال کرنے میں ایک بڑی رکاوٹ اس کی کمپیوٹیشنل لاگت رہی ہے۔ یہ مقالہ ایک تخمینہ تکنیک پیش کرتا ہے جو پہلے سے ممکن سے زیادہ تیزی سے اور زیادہ درست طریقے سے بیسیئن استنباط انجام دے سکتا ہے۔ یہ طریقہ ، "انتظار پھیلاؤ ،" دو سابقہ تکنیکوں کو متحد اور عام کرتا ہے: فرض شدہ کثافت فلٹرنگ ، کالمین فلٹر کی توسیع ، اور لوپی عقیدے کی تبلیغ ، بیسیئن نیٹ ورکس میں عقیدے کی تبلیغ کی توسیع۔ انضمام سے پتہ چلتا ہے کہ ان دونوں الگورتھم کو کس طرح سادہ تقسیم کے ساتھ حقیقی پسدید تقسیم کے قریب کے طور پر دیکھا جاسکتا ہے ، جو KL-divergence کے معنی میں قریب ہے۔ توقع پھیلاؤ دونوں الگورتھموں کا بہترین فائدہ اٹھاتا ہے: فرض شدہ کثافت فلٹرنگ کی عمومی اور بیوقوف عقیدے کی تبلیغ کی درستگی۔ لوپی عقیدے کی تبلیغ، کیونکہ یہ عین مطابق عقیدے کی ریاستوں کو فروغ دیتا ہے، محدود اقسام کے عقیدے کے نیٹ ورکوں کے لئے مفید ہے، جیسے خالص طور پر مجرد نیٹ ورک. توقع کی نشوونما امیدوں کے ساتھ عقیدے کی حالتوں کو قریب کرتی ہے ، جیسے وسائل اور تغیرات ، جس سے اسے بہت وسیع تر گنجائش ملتی ہے۔ توقع کی تبلیغ بھی عقیدے کی تبلیغ کو مخالف سمت میں پھیلائے گی - امیر عقیدے کی ریاستوں کو پھیلانے میں جو متغیرات کے مابین ارتباط کو شامل کرتی ہے۔ یہ فریم ورک مصنوعی اور حقیقی دنیا کے اعداد و شمار کا استعمال کرتے ہوئے مختلف شماریاتی ماڈل میں ظاہر کیا جاتا ہے. گاوسیان مرکب کے مسائل پر ، توقع کی تبلیغ اسی حساب کتاب کے لئے ، حریف قریب سے تکنیکوں سے قائل کرنے کے لئے ملتی ہے: مونٹی کارلو ، لیپلاس کا طریقہ ، اور تغیراتی بیز۔ پیٹرن کی شناخت کے لئے، توقع پھیلاؤ بیز پوائنٹ مشین درجہ بندی کرنے والوں کی تربیت کے لئے ایک الگورتھم فراہم کرتا ہے جو پہلے سے ہی کسی بھی معروف سے زیادہ تیز اور زیادہ درست ہے. نتیجے میں درجہ بندی کرنے والے کئی معیاری ڈیٹا سیٹ پر سپورٹ ویکٹر مشینوں کو بہتر بناتے ہیں، اس کے علاوہ ایک موازنہ ٹریننگ وقت ہے. توقع کی پروپیگنڈے کو بھی بائیسیئن ماڈل کے انتخاب کے ذریعے درجہ بندی کے لئے مناسب خصوصیت سیٹ کا انتخاب کرنے کے لئے استعمال کیا جاسکتا ہے۔ تھیسس سپروائزر: روزالینڈ پکارد عنوان: میڈیا آرٹس اور سائنسز کے ایسوسی ایٹ پروفیسر |
ad40428b40b051164ade961bc841a0da2c44515d | |
e4bd80adc5a3486c3a5c3d82cef91b70b67ae681 | یہ مضمون تجرباتی طور پر کارپوریٹ بانڈ کی قیمتوں کا تعین کرنے کے پانچ ساختی ماڈلوں کی جانچ کرتا ہے: مرٹن (1974) ، گسکی (1977) ، لانگ اسٹاف اور شوارٹز (1995) ، لیلینڈ اور ٹوفٹ (1996) ، اور کولن ڈفرین اور گولڈسٹین (2001) کے۔ ہم نے ان ماڈلز کو لاگو کیا ہے جو کہ 182 کمپنیوں کے بانڈ کی قیمتوں کا نمونہ ہے جن کی سرمایہ کاری کا ڈھانچہ سادہ ہے اور یہ 1986 سے 1997 کے درمیان کی گئی تھی۔ روایتی حکمت یہ ہے کہ ساختی ماڈل بانڈ مارکیٹ میں دیکھا کے طور پر اعلی کے طور پر پھیلاؤ پیدا نہیں کرتے، اور توقعات کے مطابق، ہم مورتن ماڈل کے ہمارے عمل میں پیش گوئی پھیلاؤ بہت کم ہیں کہ ملتا ہے. تاہم، زیادہ تر دیگر ساختی ماڈل اوسطا بہت زیادہ پھیلاؤ کی پیش گوئی کرتے ہیں. اس کے باوجود، درستگی ایک مسئلہ ہے، کیونکہ نئے ماڈل اعلی لیوریج یا اتار چڑھاؤ کے ساتھ فرموں کے کریڈٹ خطرے کو شدید حد سے زیادہ کرنے کی کوشش کرتے ہیں اور ابھی تک زیادہ محفوظ بانڈز کے ساتھ پھیلاؤ کی کم پیشن گوئی کے مسئلے سے دوچار ہیں. Leland اور Toft ماڈل اس میں ایک استثنا ہے کہ یہ زیادہ تر بانڈز پر پھیلاؤ کی پیش گوئی کرتا ہے، خاص طور پر ان لوگوں کے ساتھ اعلی کوپن. زیادہ درست ساختی ماڈلوں کو ایسی خصوصیات سے بچنا چاہئے جو سب سے زیادہ خطرناک بانڈز پر کریڈٹ رسک میں اضافہ کرتے ہیں جبکہ سب سے زیادہ محفوظ بانڈز کے پھیلاؤ کو شاید ہی متاثر کرتے ہیں۔ |
da67375c8b6a250fbd5482bfbfce14f4eb7e506c | یہ سروے کمپیوٹیشنل ایجنٹوں میں ذہنی صلاحیتوں کی خود مختار ترقی کا ایک جائزہ پیش کرتا ہے. یہ علمی نظاموں کی ایک خصوصیت پر مبنی ہے جو نظام کے طور پر نظام کے طور پر ہے جو انکولی، متوقع، اور مقصد پر مبنی مقصد پر مبنی رویے کی نمائش کرتی ہے. ہم ادراک کے مختلف نمونوں کا ایک وسیع جائزہ پیش کرتے ہیں ، جس میں علمی (جسمانی علامت کے نظام) کے نقطہ نظر ، ابھرتی ہوئی نظام کے نقطہ نظر ، جس میں کنکشنسٹ ، متحرک اور فعال نظام شامل ہیں ، اور ہائبرڈ سسٹم میں دونوں کو جوڑنے کی کوششیں بھی شامل ہیں۔ پھر ہم ان نمونوں سے تیار کردہ کئی علمی فن تعمیرات کا جائزہ لیتے ہیں۔ ان میں سے ہر ایک شعبے میں ہم ترقیاتی نقطہ نظر کو اپنانے کے مضمرات اور اس کے ساتھ آنے والے مسائل کو اجاگر کرتے ہیں ، دونوں ہی فائیلوجنیٹک اور آنٹوجنیٹک نقطہ نظر سے۔ ہم اہم فن تعمیراتی خصوصیات کا خلاصہ کے ساتھ اختتام کرتے ہیں کہ ذہنی صلاحیتوں کی خود مختار ترقی کے قابل نظام کو نمائش کرنا چاہئے |
e7ee27816ade366584d411f4287e50bdc4771e56 | |
55289d3feef4bc1e4ff17008120e371eb7f55a24 | حال ہی میں مختلف قسم کے ایل ایس ٹی ایم پر مبنی مشروط زبان کے ماڈل (ایل ایم) کو زبان کی نسل کے کاموں کی ایک حد میں لاگو کیا گیا ہے۔ اس کام میں ہم مختلف ماڈل فن تعمیر اور مختلف طریقوں کا مطالعہ کرتے ہیں جو اختتام سے اختتام تک نیورل ڈائیلاگ سسٹم فریم ورک میں ماخذ کی معلومات کی نمائندگی اور جمع کرنے کے لئے ہیں۔ ایک طریقہ جسے سنیپ شاٹ لرننگ کہا جاتا ہے اس کی تجویز بھی کی گئی ہے کہ کنڈیشننگ ویکٹر پر ایک ساتھی کراس اینٹروپی مقصد فنکشن کا اطلاق کرکے نگرانی والے ترتیب وار سگنل سے سیکھنے میں آسانی پیدا کی جائے۔ تجرباتی اور تجزیاتی نتائج سب سے پہلے ظاہر کرتے ہیں کہ کنڈیشنگ ویکٹر اور ایل ایم کے درمیان مقابلہ ہوتا ہے، اور مختلف فن تعمیر دونوں کے درمیان مختلف تجارت فراہم کرتی ہیں. دوسرا، کنڈیشننگ ویکٹر کی امتیازی طاقت اور شفافیت ماڈل کی ترجمانی اور بہتر کارکردگی دونوں کو فراہم کرنے کے لئے اہم ہے. تیسری، سنیپ شاٹ سیکھنے کے نتیجے میں مستقل کارکردگی میں بہتری آتی ہے اس سے قطع نظر کہ کون سا فن تعمیر استعمال کیا جاتا ہے۔ |
75c4b33059aa300e7b52d1b5dab37968ac927e89 | ایک 2 x 1 دوہری پولرائزڈ ایل سینڈ اسٹیکڈ پیچ اینٹینا صف پیش کی جاتی ہے. اس نے دو ان پٹ بندرگاہوں کے درمیان اعلی تنہائی حاصل کرنے کے لئے ایک ناول تکنیک کا استعمال کیا ہے. مجوزہ اینٹینا میں 14.8 ڈی بی ریٹرن نقصان بینڈوتھ 19.8٪ ہے ، جو دونوں بندرگاہوں کے لئے 0.808 سے 0.986 گیگا ہرٹز تک ہے۔ اس کے علاوہ، اس میں 30 ڈی بی سے زیادہ ان پٹ پورٹ تنہائی ہے اور اس بینڈوڈتھ پر 10.5 ڈی بی کا اوسط فائدہ ہے. اس کے علاوہ، دو اہم طیاروں میں اس کی تابکاری کے پیٹرن پاس بینڈ کے پار 3 ڈی بی بیام چوڑائی کے اندر اندر -15 ڈی بی سے کم کراس پولرائزیشن کی سطح ہے. ان خصوصیات کی وجہ سے ، یہ اینٹینا صف بیرونی بیس اسٹیشن کے لئے انتہائی موزوں ہے جو سی ڈی ایم اے 800 اور جی ایس ایم 900 موبائل مواصلات کے دونوں نظاموں کی آپریٹنگ بینڈوتھ کو پورا کرنے کی ضرورت ہے۔ |
b891a8df3d7b4a6b73c9de7194f7341b00d93f6f | سفارش کے نظام ذاتی پسندیدہ خدمات فراہم کرنے کے لئے وعدہ کر رہے ہیں. باہمی تعاون سے فلٹرنگ (سی ایف) ٹیکنالوجیز ، صارفین کے سابقہ طرز عمل کی بنیاد پر صارفین کی ترجیحات کی پیش گوئی کرتے ہوئے ، جدید سفارش کرنے والے نظام کی تعمیر کے لئے ایک کامیاب ترین تکنیک بن گئی ہیں۔ پہلے سے تجویز کردہ سی ایف طریقوں میں کئی چیلنجنگ مسائل پیش آتے ہیں: (1) زیادہ تر سی ایف طریقوں سے صارفین کے ردعمل کے نمونوں کو نظرانداز کیا جاتا ہے اور اس سے متعصب پیرامیٹر تخمینہ اور کم سے کم کارکردگی حاصل ہوسکتی ہے۔ (2) کچھ سی ایف طریقوں میں ہیوریسٹک وزن کی ترتیبات اپنائی جاتی ہیں ، جس میں منظم نفاذ کا فقدان ہوتا ہے۔ اور (3) ملٹی نیومل مکسچر ماڈل ڈیٹا میٹرکس پیدا کرنے کے لئے میٹرکس فیکٹرائزیشن کی کمپیوٹیشنل صلاحیت کو کمزور کرسکتے ہیں ، اس طرح تربیت کی کمپیوٹیشنل لاگت میں اضافہ ہوتا ہے۔ ان مسائل کو حل کرنے کے لئے ، ہم صارفین کے رسپانس ماڈلز کو امکانی میٹرکس فیکٹرائزیشن (پی ایم ایف) میں شامل کرتے ہیں ، جو ایک مشہور میٹرکس فیکٹرائزیشن سی ایف ماڈل ہے ، تاکہ رسپانس سے آگاہ امکانی میٹرکس فیکٹرائزیشن (آر اے پی ایم ایف) فریم ورک قائم کیا جاسکے۔ زیادہ خاص طور پر، ہم صارف کے جواب پر ایک برنولی تقسیم کے طور پر فرض کرتے ہیں جو غیر مشاہدہ شدہ درجہ بندی کے لئے ایک قدم کی تقریب کے طور پر مشاہدہ کردہ درجہ بندی کے لئے درجہ بندی کے اسکور کی طرف سے پیرامیٹرڈ ہے. اس کے علاوہ، ہم ایک منی بیچ نفاذ اور ایک کرافٹنگ شیڈولنگ پالیسی کی طرف سے الگورتھم کو تیز. آخر میں، ہم مختلف تجرباتی پروٹوکول ڈیزائن کرتے ہیں اور مجوزہ RAPMF اور اس کے منی بیچ پر عمل درآمد کی خوبیوں کو ظاہر کرنے کے لئے مصنوعی اور حقیقی دنیا کے ڈیٹا سیٹ دونوں پر منظم تجرباتی تشخیص کرتے ہیں. |
1459d4d16088379c3748322ab0835f50300d9a38 | کراس ڈومین بصری ڈیٹا میچنگ حقیقی دنیا کے بہت سے بصری کاموں میں بنیادی مسائل میں سے ایک ہے ، مثال کے طور پر ، شناختی تصاویر اور نگرانی کی ویڈیوز میں لوگوں سے مماثل۔ اس مسئلے کے روایتی نقطہ نظر میں عام طور پر دو مراحل شامل ہوتے ہیں: i) مختلف ڈومینز سے نمونے کو ایک مشترکہ جگہ میں پیش کرنا ، اور ii) ایک خاص فاصلے کی بنیاد پر اس جگہ میں (غیر) مماثلت کا حساب کتاب کرنا۔ اس مقالے میں ، ہم ایک نیا جوڑا جوڑا مماثلت کی پیمائش پیش کرتے ہیں جو موجودہ ماڈلز کو آگے بڑھاتا ہے i) روایتی لکیری اندازوں کو اففین ٹرانسفارمیشن میں بڑھا کر اور ii) ڈیٹا سے چلنے والے امتزاج کے ذریعہ اففین مہالینوبیس فاصلہ اور کوسینو مماثلت کو جوڑ کر۔ اس کے علاوہ، ہم گہری کنولوشنل نیورل نیٹ ورکس کے ذریعے خصوصیت نمائندگی سیکھنے کے ساتھ ہماری مماثلت کی پیمائش کو متحد کرتے ہیں. خاص طور پر، ہم گہری فن تعمیر میں مماثلت کی پیمائش میٹرکس کو شامل کرتے ہیں، ماڈل کی اصلاح کے اختتام سے اختتام تک راستہ کو فعال کرتے ہیں. ہم نے کئی چیلنجنگ کراس ڈومین میچنگ ٹاسکس میں اپنے عمومی مماثلت ماڈل کا وسیع پیمانے پر جائزہ لیا: مختلف نظریات کے تحت شخص کی دوبارہ شناخت اور مختلف طریقوں پر چہرے کی تصدیق (یعنی ، اب بھی تصاویر اور ویڈیوز کے چہرے ، بوڑھے اور نوجوان چہرے ، اور خاکہ اور فوٹو پورٹریٹ) ۔ تجرباتی نتائج دیگر ریاستی فن کے طریقوں کے مقابلے میں ہمارے ماڈل کی اعلی کارکردگی کا مظاہرہ. |
03a00248b7d5e2d89f5337e62c39fad277c66102 | مسائل کثیرالاضلاع وقت میں حل کرنے والے مسائل کی کلاس کو سمجھنے کے لئے ، ہمیں پہلے ایک "مسئلہ" کیا ہے اس کا باضابطہ تصور ہونا چاہئے۔ ہم ایک خلاصہ مسئلہ کی وضاحت ایک مسئلہ کے مقدمات اور مسائل کے حل کے ایک سیٹ پر ایک بائنری تعلقات کے طور پر. مثال کے طور پر ، SHORTEST-PATH کے لئے ایک مثال ایک گراف اور دو چوٹیوں کا ایک ٹرپل کنسنگ ہے۔ ایک حل g raph میں چوٹیوں کا ایک سلسلہ ہے، شاید خالی ترتیب سے یہ ظاہر ہوتا ہے کہ کوئی راستہ موجود نہیں ہے. SHORTEST-PATH مسئلہ خود وہ رشتہ ہے جو گراف پی ایچ اور دو چوٹیوں کے ہر مثال کو گراف میں سب سے مختصر راستے سے جوڑتا ہے جو دونوں چوٹیوں کو جوڑتا ہے۔ مختصر ترین راستے لازمی طور پر منفرد نہیں ہیں، ایک دیئے گئے مسئلے کے مثال میں ایک سے زیادہ حل ہوسکتا ہے. ایک تجریدی مسئلہ کی یہ تشکیل ہمارے مقاصد کے لئے ضروری سے زیادہ عام ہے. جیسا کہ ہم نے اوپر دیکھا، این پی مکملیت کی تھیوری فیصلے کے مسائل پر توجہ مرکوز کرتی ہے: وہ جو ہاں / نہیں حل ہے. اس صورت میں، ہم ایک فنکشن کے طور پر ایک تجریدی فیصلہ مسئلہ کو دیکھ سکتے ہیں جو حل سیٹ {0، 1} کو مثال سیٹ I کا نقشہ بناتا ہے. مثال کے طور پر، ایک فیصلہ مسئلہ سے متعلق SHORTEST-PATH میں مسئلہ PATH کہ ہم نے پہلے دیکھا ہے. اگر i = G,u,v,k فیصلہ مسئلہ PATH کا ایک مثال ہے، تو PATH(i ) = 1 (ہاں) اگر u سے v تک کا مختصر ترین راستہ زیادہ سے زیادہ k کناروں پر مشتمل ہے، اور PATH (i ) = 0 (نہیں) دوسری صورت میں۔ بہت سے تجریدی مسائل فیصلے کے مسائل نہیں ہیں، بلکہ اصلاح کے مسائل ہیں، جس میں کچھ قدر کم سے کم یا زیادہ سے زیادہ ہونا ضروری ہے. جیسا کہ ہم نے اوپر دیکھا، تاہم، یہ ایک فیصلہ مسئلہ ہے کہ زیادہ سے زیادہ نہیں مشکل ہے کے طور پر ایک اصلاح مسئلہ کو دوبارہ سے تشکیل دینے کے لئے عام طور پر ایک سادہ معاملہ ہے. 1ٹورنگ مشین ماڈل کے مکمل علاج کے لئے ہاپکروفٹ اور اولمان [156] یا لیوس اور پاپادیمریو [20 4] دیکھیں. 34.1 کثیر الجہتی وقت 973 |
9ac5b66036da98f2c1e62c6ca2bdcc075083ef85 | |
f45eb5367bb9fa9a52fd4321a63308a37960e93a | اس کاغذ کے حصہ I ایک ترقی کے عمل اور ایک نظام کے پلیٹ فارم کی ترقی کے لئے خود مختار کاروں کی تقسیم نظام فن تعمیر کی بنیاد پر تجویز کی. مجوزہ ترقیاتی طریقہ کار نے کمپیوٹیشنل پیچیدگی میں کمی ، غلطی برداشت کرنے والی خصوصیات اور سسٹم ماڈیولرٹی جیسے فوائد کے ساتھ خود مختار کار کے ڈیزائن اور ترقی کو قابل بنایا۔ اس کاغذ (حصہ II) میں، ایک خود مختار ڈرائیونگ نظام کے نفاذ کے عمل کو دکھا کر تجویز کردہ ترقی کے طریقہ کار کا ایک کیس اسٹڈی کا سامنا ہے. عمل درآمد کے عمل کو بدیہی طور پر بیان کرنے کے لئے ، خود مختار ڈرائیونگ الگورتھم (مقامی ، ادراک ، منصوبہ بندی ، گاڑی کا کنٹرول ، اور سسٹم مینجمنٹ) کا مختصر تعارف اور خود مختار ڈرائیونگ سسٹم کے نفاذ پر لاگو کیا جاتا ہے۔ ہم ایک خود مختار نظام کے نفاذ پر ایک کیس اسٹڈی کے انعقاد کی طرف سے ایک تقسیم نظام فن تعمیر اور مجوزہ ترقی کے عمل کے فوائد کا جائزہ لینے کے قابل ہیں. مجوزہ طریقہ کار کی صداقت خود مختار کار A1 کے ذریعے ثابت کی گئی ہے جس نے کوریا میں 2012 خود مختار گاڑی مقابلہ جیت لیا جس میں تمام مشن مکمل ہوگئے۔ |
db17a183cb220ae8473bf1b25d62d5ef6fcfeac7 | اگرچہ تمام موجودہ ہوا سے بھرے سبسٹریٹ انٹیگریٹڈ ویو گائیڈ (اے ایف ایس آئی ڈبلیو) ٹوپولوجی سبسٹریٹ سے آزاد برقی کارکردگی کا مظاہرہ کرتی ہیں ، لیکن وہ الیکٹرو میگنیٹک فیلڈز پر مشتمل ہوا سے بھرے علاقوں کو بنانے کے لئے وقف ، مہنگے ، ٹکڑوں پر انحصار کرتے ہیں۔ اس مقالے میں ایک نئی سبسٹریٹ سے آزاد اے ایف ایس آئی ڈبلیو مینوفیکچرنگ ٹیکنالوجی تجویز کی گئی ہے ، جو اعلی کارکردگی والے مائکروویو اجزاء کو عام مقاصد کے لئے تجارتی سطح پر دستیاب سطح کے مواد کی ایک وسیع رینج میں براہ راست انضمام کے قابل بناتا ہے۔ معیاری اضافی (3-D پرنٹنگ) یا گھٹاؤ (کمپیوٹر عددی طور پر کنٹرول شدہ گھسائی / لیزر کاٹنے) مینوفیکچرنگ کے عمل کے ذریعہ۔ سب سے پہلے، ایک تجزیاتی فارمولا AFSIW waveguide کے مؤثر permittivity اور نقصان ٹینجینٹ کے لئے حاصل کیا جاتا ہے. اس سے ڈیزائنر کو سبسٹریٹ کے نقصان کو کم کرنے کی اجازت ملتی ہے جس میں اعلی تعدد لامینٹس میں عام طور پر سامنا کرنا پڑتا ہے. مائیکرو ویو کے کئی اجزاء تیار کیے جاتے ہیں متعدد AFSIW ویو گائیڈز اور چار طرفہ پاور ڈویڈر / کمبینر کی پیمائش ، دونوں ایک نئے سماکشیی سے ہوا سے بھرے ایس آئی ڈبلیو منتقلی پر انحصار کرتے ہیں ، یہ ثابت کرتے ہیں کہ یہ نیا نقطہ نظر مائکروویو اجزاء کو روزمرہ کی سطحوں میں براہ راست انضمام کے لئے موزوں ہے ، جس میں کم اندراج نقصان ہے ، اور پورے [5.15-5.85] گیگا ہرٹز بینڈ میں عمدہ مماثلت اور تنہائی ہے۔ اس طرح یہ جدید نقطہ نظر لاگت سے موثر، اعلی کارکردگی اور پوشیدہ طور پر مربوط سمارٹ سطح کے نظام کی ایک نئی نسل کے لئے راستہ ہموار کرتا ہے جو روزمرہ کی اشیاء میں دستیاب علاقے اور مواد کو مؤثر طریقے سے استعمال کرتا ہے۔ |
8216673632b897ec50db06358b77f13ddd432c47 | |
05eef019bac01e6520526510c2590cc1718f7fe6 | موبائل لائیو اسٹریمنگ اب اپنی تیسری لہر میں ہے۔ بامبوزر اور کیک جیسے ابتدائی نظاموں سے لے کر میرکٹ اور پیری اسکوپ جیسی مقبول ایپس تک، آج کے فیس بک اور انسٹاگرام میں مربوط سماجی سلسلہ بندی کی خصوصیات تک، ٹیکنالوجی اور استعمال دونوں میں ڈرامائی طور پر تبدیلی آئی ہے۔ لائیو اسٹریمنگ کے اس تازہ ترین مرحلے میں، کیمرے ارد گرد کے ارد گرد کے بجائے، اسٹریمر پر توجہ مرکوز کرنے کے لئے اندرونی طور پر تبدیل کرتے ہیں. نوجوانوں کو زیادہ سے زیادہ ان پلیٹ فارمز کو دوستوں کو تفریح، نئے لوگوں سے ملنے اور مشترکہ مفادات پر دوسروں کے ساتھ رابطہ قائم کرنے کے لئے استعمال کر رہے ہیں. ہم نے نوجوانوں کے لائیو سٹریمنگ رویوں اور ان نئے پلیٹ فارمز پر ان کی حوصلہ افزائی کا مطالعہ کیا ایک سروے کے ذریعے جو 2,247 امریکی لائیو سٹریمرز نے مکمل کیا اور 20 نوجوانوں کے ساتھ انٹرویو کیے، بدلتے ہوئے طریقوں کو اجاگر کرتے ہوئے، نوجوانوں کے وسیع تر آبادی سے اختلافات، اور نئے لائیو سٹریمنگ سروسز کو ڈیزائن کرنے کے اثرات۔ |
08c30bbfb9ff90884f9d1f873a1eeb6bb616e761 | ناممکن تھیوریمز کا مشورہ ہے کہ صرف مؤثر اور حکمت عملی کے ثبوت میکانیزم کے لئے مسئلہ کی مجموعی تفویض - مثال کے طور پر، طالب علموں کو کورس کے شیڈول تفویض - آمریت ہیں. آمریت کو اکثر غیر منصفانہ قرار دیا جاتا ہے: کسی بھی دو ایجنٹوں کے لئے ، ایک دوسرے سے پہلے اپنے تمام اشیاء کا انتخاب کرتا ہے۔ کسی بھی حل میں کارکردگی، حوصلہ افزائی اور انصاف کے تحفظات کے درمیان سمجھوتہ شامل ہوگا. یہ کاغذ مجموعی تفویض مسئلہ کا حل تجویز کرتا ہے. یہ چار مراحل میں تیار کیا جاتا ہے. سب سے پہلے، میں نتائج کی انصاف کے دو نئے معیار تجویز کرتا ہوں، زیادہ سے زیادہ حصہ کی ضمانت اور ایک ہی چیز سے منسلک حسد، جو ناقابل تقسیم کو ایڈجسٹ کرنے کے لئے معروف معیار کو کمزور کرتی ہے؛ معیار کو رسمی طور پر کیوں آمریت غیر منصفانہ ہیں. دوسرا، میں مساوی آمدنی سے مسابقتی توازن کے قریب ہونے کا ثبوت دیتا ہوں جس میں (i) آمدنی غیر مساوی ہے لیکن صوابدیدی طور پر ایک دوسرے کے قریب ہے؛ (ii) مارکیٹ غلطی کے ساتھ صاف کرتا ہے، جو حد میں صفر کے قریب ہے اور حقیقت پسندانہ مسائل کے لئے چھوٹا ہے. تیسری، میں دکھاتا ہوں کہ یہ تقریبا CEEI انصاف کے معیار کو پورا کرتا ہے. آخر میں، میں ایک میکانیزم کی وضاحت کرتا ہوں جس پر مبنی ہے تقریبا CEEI جو صفر اقدام کے ایجنٹوں کے لئے حکمت عملی کا ثبوت ہے معیشت دان روایتی طور پر قیمت لینے والوں کے طور پر دیکھتے ہیں. تجویز کردہ طریقہ کار کو حقیقی اعداد و شمار پر کیلیبریٹ کیا جاتا ہے اور اس کا نظریہ اور عملی طور پر متبادل کے ساتھ موازنہ کیا جاتا ہے۔ دیگر تمام مشہور طریقہ کار یا تو صفر اقدام والے ایجنٹوں کے ذریعہ ہیرا پھیری کے قابل ہیں یا بعد میں غیر منصفانہ ہیں ، اور زیادہ تر ہیرا پھیری اور غیر منصفانہ دونوں ہیں۔ |
7d2c7748359f57c2b4227b31eca9e5f7a70a6b5c | |
0d1fd04c0dec97bd0b1c4deeba21b8833f792651 | ڈیزائن کے تحفظات اور کارکردگی کی تشخیص تین مرحلے، چار سوئچ، سنگل مرحلے، الگ تھلگ صفر وولٹیج سوئچنگ (ZVS) ریکٹفائر پیش کی جاتی ہیں. سرکٹ تین مرحلے، دو سوئچ، ZVS، متضاد موجودہ موڈ (DCM) ، فروغ طاقت فیکٹر اصلاح (PFC) rectifier، مختصر طور پر TAIPEI rectifier کے نام سے، ZVS مکمل پل (FB) مرحلے شفٹ ڈی سی / ڈی سی کنورٹر کے ساتھ ضم کرکے حاصل کیا جاتا ہے. اس پروٹوٹائپ میں ایک ہیڈسیٹ ٹرانسمیشن سسٹم (ایس سی ٹی) ہے جو کہ ایک ہیڈسیٹ ٹرانسمیشن سسٹم (ایس سی ٹی) ہے جو کہ ایک ہیڈسیٹ ٹرانسمیشن سسٹم (ایس سی ٹی) ہے۔ |
5417bd72d1b787ade0c485f1188189474c199f4d | ہم ایک انکولی ہنگامی نقصان مقصد تقریب کا استعمال کرتے ہوئے استحکام اور کارکردگی کو بہتر بنانے کے لئے Generative Adversarial نیٹ ورکس (GANs) کے لئے ایک ناول تربیت کے طریقہ کار کی تجویز کرتے ہیں. ہم ہدف کی تقسیم کی متوقع توانائی کے ساتھ مناسب شنگھائی نقصان کے مارجن کا اندازہ لگاتے ہیں، اور مارجن کو اپ ڈیٹ کرنے کے لئے ایک اصولی معیار اور ایک تخمینہ کنورجنس پیمائش دونوں کو حاصل کرتے ہیں. نتیجے میں تربیت کے طریقہ کار کو ایک متنوع ڈیٹا سیٹ پر سادہ ابھی تک مضبوط ہے. ہم بغیر نگرانی کی تصویر کی پیداوار کے کام پر مجوزہ تربیت کے طریقہ کار کا جائزہ لیتے ہیں، دونوں کوالٹی اور مقداری کارکردگی میں بہتری کا نوٹس دیتے ہیں. |
007ee2559d4a2a8c661f4f5182899f03736682a7 | کنٹرولر ایریا نیٹ ورک (CAN) بس پروٹوکول [1] ایک بس پروٹوکول ہے جو 1986 میں رابرٹ بوش جی ایم بی ایچ نے ایجاد کیا تھا ، جو اصل میں آٹوموٹو استعمال کے لئے تھا۔ اب تک، بس کو گاڑیوں اور ٹرکوں سے لے کر بجلی کے نظاموں سے لے کر صنعتی لوموں تک کے آلات میں پایا جا سکتا ہے۔ اس کی نوعیت کی وجہ سے، یہ ایک نظام ہے جو بہت زیادہ حفاظت پر توجہ مرکوز کرتا ہے، یعنی، وشوسنییتا. بدقسمتی سے، سیکورٹی کو نافذ کرنے کے لئے کوئی بلٹ ان طریقہ نہیں ہے، جیسے خفیہ کاری یا توثیق. اس کاغذ میں، ہم CAN بس پر ایک پسماندہ مطابقت پیغام تصدیق پروٹوکول کے نفاذ کے ساتھ منسلک مسائل کی تحقیقات. ہم اس طرح کے ایک پروٹوکول کو پورا کرنا ضروری ہے جس کی پابندیوں کو دکھانے اور کیوں اس کو ختم کرتا ہے، ہمارے بہترین علم کے طور پر، تمام تصدیق پروٹوکول اب تک شائع. مزید برآں، ہم ایک پیغام کی توثیق پروٹوکول، CANAuth، پیش کرتے ہیں جو تمام ضروریات کو پورا کرتی ہے اور CAN بس کی کسی بھی پابندی کی خلاف ورزی نہیں کرتی ہے. کلیدی الفاظ-CAN بس, ایمبیڈڈ نیٹ ورکس, براڈکاسٹ توثیق, سمیٹری کرپٹوگرافی |
129359a872783b7c3a82c2c9dbef75df2956d2d3 | ایکس ایف آئی ایک جامع تحفظ کا نظام ہے جو لچکدار رسائی کنٹرول اور بنیادی سالمیت کی ضمانت دونوں پیش کرتا ہے ، کسی بھی مراعات کی سطح پر اور یہاں تک کہ کموڈیٹی سسٹم میں لیگیسی کوڈ کے لئے بھی۔ اس مقصد کے لئے، XFI ان لائن سافٹ ویئر محافظوں اور دو اسٹیک عملدرآمد ماڈل کے ساتھ جامد تجزیہ کو یکجا کرتا ہے. ہم نے بائنری دوبارہ لکھنے اور ایک سادہ، اسٹینڈ اکیلے تصدیق کنندہ کا استعمال کرتے ہوئے x86 فن تعمیر پر ونڈوز کے لئے XFI نافذ کیا ہے۔ نفاذ کی درستگی تصدیق کنندہ پر منحصر ہے ، لیکن دوبارہ لکھنے والے پر نہیں۔ ہم نے سافٹ ویئر جیسے ڈیوائس ڈرائیورز اور ملٹی میڈیا کوڈیک پر XFI کا اطلاق کیا ہے۔ نتیجے میں ماڈیولز دونوں کارن اور صارف موڈ ایڈریس خالی جگہوں کے اندر محفوظ طریقے سے کام کرتے ہیں، صرف معمولی نفاذ کے اوور ہیڈ کے ساتھ. |
3b938f66d03559e1144fa2ab63a3a9a076a6b48b | سگنل پروسیسنگ اور اعدادوشمار جیسے ایپلی کیشنز میں ، بہت سے مسائل میں مساوات کے کم طے شدہ لکیری نظاموں کے کم حل تلاش کرنا شامل ہے۔ ان مسائل کو ایک منظم غیر ہموار اصلاح کے مسائل کے طور پر تشکیل دیا جاسکتا ہے ، یعنی ، ` 1- باقاعدہ لکیری کم سے کم مربع مسائل کو کم سے کم کرنے کا مسئلہ۔ اس مقالے میں ، ہم ایک بلاک کوآرڈینیٹ گریڈینٹ نزول طریقہ (مختصر طور پر سی جی ڈی) تجویز کرتے ہیں تاکہ زیادہ عام ∀1- باقاعدہ کنویکس کم سے کم کرنے کے مسائل کو حل کیا جاسکے ، یعنی ، ∀1- باقاعدہ کنویکس ہموار فنکشن کو کم سے کم کرنے کا مسئلہ۔ ہم اپنے طریقہ کار کے لئے ایک Q- لکیری کنورجنس کی شرح قائم کرتے ہیں جب ہم آہنگی بلاک کافی نزول کو یقینی بنانے کے لئے گاس-ساؤتھ ویل قسم کے قاعدہ کے ذریعہ منتخب کیا جاتا ہے۔ ہم CGD طریقہ کار کے موثر نفاذ کی تجویز کرتے ہیں اور اعداد و شمار کے درجہ بندی میں خصوصیت کے انتخاب کے لئے بڑے پیمانے پر ∀1-regularized لکیری کم سے کم مربع مسائل کو حل کرنے کے لئے اعداد و شمار کے نتائج کی رپورٹ کرتے ہیں جو کمپریسڈ سینسنگ اور امیج ڈیکونولوشن کے ساتھ ساتھ بڑے پیمانے پر ∀1-regularized لاجسٹک ریگریشن کے مسائل پیدا ہوتے ہیں۔ کئی ریاستی آرٹ الگورتھم کے ساتھ موازنہ خاص طور پر بڑے پیمانے پر ∀ 1 ریگولیٹڈ لکیری کم سے کم مربع یا لاجسٹک ریگریشن کے مسائل کو حل کرنے کے لئے ڈیزائن کیا گیا ہے اس بات کا اشارہ کرتا ہے کہ ایک مؤثر طریقے سے لاگو CGD طریقہ ان الگورتھموں کو اس حقیقت کے باوجود بہتر بنا سکتا ہے کہ CGD طریقہ خاص طور پر صرف ان خصوصی کلاسوں کے مسائل کو حل کرنے کے لئے ڈیزائن نہیں کیا گیا ہے. |
8ad03b36ab3cba911699fe1699332c6353f227bc | یونیسکو کے مطابق تعلیم ایک بنیادی انسانی حق ہے اور ہر ملک کے شہریوں کو اس کے برابر معیار کے ساتھ عالمگیر رسائی دی جانی چاہئے۔ چونکہ یہ مقصد ابھی تک زیادہ تر ممالک میں حاصل نہیں کیا جا سکا ہے، خاص طور پر ترقی پذیر اور پسماندہ ممالک میں، تعلیم کو بہتر بنانے کے لئے زیادہ مؤثر طریقے تلاش کرنا انتہائی ضروری ہے۔ اس مقالے میں کمپیوٹیشنل انٹیلی جنس (ڈیٹا مائننگ اور ڈیٹا سائنس) کی درخواست پر مبنی ایک ماڈل پیش کیا گیا ہے جس کی وجہ سے طالب علم کے علم کی پروفائل کی ترقی ہوتی ہے اور جو اپنے طلباء کو بہترین سمت دینے کے لئے اپنے فیصلے کرنے میں اساتذہ کی مدد کرسکتا ہے۔ اس ماڈل میں ہر طالب علم کے لئے تیار کردہ انفرادی اسٹریٹجک منصوبہ بندی کے اندر مقاصد کی کامیابی کی نگرانی کے لئے کلیدی کارکردگی کے اشارے قائم کرنے کی بھی کوشش کی جاتی ہے۔ ماڈل درجہ بندی اور پیشن گوئی کے لئے بے ترتیب جنگل کا استعمال کرتا ہے، ڈیٹا ڈھانچے کی بصیرت اور سفارش کے نظام کے لئے گراف کی وضاحت متعلقہ معلومات کو دلچسپی رکھنے والوں کو پیش کرنے کے لئے. پیش کردہ نتائج برازیل کے نجی K-9 (ابتدائی اسکول) سے حاصل کردہ حقیقی ڈیٹا سیٹ پر مبنی تھے. حاصل شدہ نتائج میں کلیدی اعداد و شمار کے مابین ارتباط ، طلباء کی کارکردگی کی پیش گوئی کرنے کا ایک ماڈل اور اسٹیک ہولڈرز کے لئے تیار کردہ سفارشات شامل ہیں۔ |
500923d2513d30299350a6a0e9b84b077250dc78 | معلومات کی بازیافت اور معلومات کے انضمام میں معنوی مماثلت کی پیمائش ایک اہم کردار ادا کرتی ہے۔ معنوی مماثلت ماڈلنگ کے روایتی نقطہ نظر ایک واحد آنٹولوجی کے اندر تعریفوں کے درمیان معنوی فاصلے کا حساب لگاتے ہیں. یہ واحد آنٹولوجی یا تو ڈومین سے آزاد آنٹولوجی ہے یا موجودہ آنٹولوجیوں کے انضمام کا نتیجہ ہے۔ ہم سیمانٹک مماثلت کا حساب لگانے کے لئے ایک نقطہ نظر پیش کرتے ہیں جو ایک واحد آنٹولوجی کی ضرورت کو آرام دیتا ہے اور مختلف آنٹولوجی وضاحتوں کی صریحیت اور رسمی سطحوں میں اختلافات کا حساب دیتا ہے۔ ایک مماثلت فنکشن مترادف سیٹ ، معنوی محلے ، اور ممتاز خصوصیات پر مماثلت کے عمل کا استعمال کرتے ہوئے اسی طرح کی ہستی کی کلاسوں کا تعین کرتا ہے جو حصوں ، افعال اور صفات میں درجہ بندی کی جاتی ہیں۔ مختلف آنٹولوجیوں کے ساتھ تجرباتی نتائج سے پتہ چلتا ہے کہ ماڈل اچھے نتائج دیتا ہے جب آنٹولوجیوں میں ادارے کی کلاسوں کی مکمل اور تفصیلی نمائندگی ہوتی ہے۔ اگرچہ لفظ کے ملاپ اور معنوی پڑوس کے ملاپ کا مجموعہ مساوی ہستی کلاسوں کا پتہ لگانے کے لئے کافی ہے ، لیکن خصوصیت سے مماثلت ہمیں اسی طرح کی ، لیکن ضروری نہیں کہ مساوی ، ہستی کلاسوں میں امتیاز کرنے کی اجازت دیتی ہے۔ |
1c58b4c7adee37874ac96f7d859d1a51f97bf6aa | اسٹیکڈ عمومی کاری ایک عام طریقہ ہے جس میں اعلی درجے کے ماڈل کو کم درجے کے ماڈل کو جوڑنے کے لئے اعلی درجے کے ماڈل کا استعمال کیا جاتا ہے تاکہ زیادہ سے زیادہ پیش گوئی کی درستگی حاصل کی جاسکے۔ اس مقالے میں ہم دو اہم مسائل پر توجہ دیں گے جو 1992 میں وولپرٹ کے ذریعہ اسٹیکڈ جنرلائزیشن کے تعارف کے بعد سے درجہ بندی کے کاموں میں ایک سیاہ فن سمجھے جاتے ہیں: عمومی نوعیت کا جو اعلی سطح کے ماڈل کو حاصل کرنے کے لئے موزوں ہے ، اور اس کی ان پٹ کے طور پر استعمال ہونے والی صفات کی قسم۔ ہم نے پایا کہ اعلی سطح کے ماڈل کم سطح والے لوگوں کی کثافت (اور نہ صرف پیشن گوئی) کو یکجا کرتے ہیں جب بہترین نتائج حاصل ہوتے ہیں. ہم درجہ بندی کے کاموں کے لئے سیکھنے الگورتھم کے تین مختلف اقسام کو یکجا کرنے کے لئے اسٹیکڈ عمومی کی ectiveness کا مظاہرہ. ہم بھی اکثریت ووٹ اور arcing اور بیگنگ کے شائع نتائج کے ساتھ اسٹیک generalization کی کارکردگی کا موازنہ. |
017ee86aa9be09284a2e07c9200192ab3bea9671 | مشروط GANs قدرتی تصویر ترکیب کے سب سے آگے ہیں. اس طرح کے ماڈل کی اہم خرابی لیبل ڈیٹا کی ضرورت ہے. اس کام میں ہم دو مقبول غیر نگرانی سیکھنے کی تکنیکوں کا استحصال کرتے ہیں، مخالف تربیت اور خود نگرانی، مشروط اور غیر مشروط GANs کے درمیان خلا کو بند کرنے کے لئے. خاص طور پر، ہم نیٹ ورک کو نمائندگی سیکھنے کے کام پر تعاون کرنے کی اجازت دیتے ہیں، جبکہ کلاسک GAN کھیل کے حوالے سے مخالف ہونے کے باوجود. خود نگرانی کا کردار امتیازی سلوک کرنے والے کو معنی خیز خصوصیت کی نمائندگی سیکھنے کی ترغیب دینا ہے جو تربیت کے دوران نہیں بھولے جاتے ہیں۔ ہم تجرباتی طور پر سیکھے گئے تصویری نمائندوں کے معیار اور مصنوعی تصاویر کے معیار دونوں کا تجربہ کرتے ہیں۔ اسی حالات کے تحت، خود کی نگرانی GAN جدید ترین مشروط ہم منصبوں کے لئے اسی طرح کی کارکردگی حاصل کرتا ہے. آخر میں، ہم مکمل طور پر غیر نگرانی سیکھنے کے لئے اس نقطہ نظر کو غیر مشروط IMAGENET نسل پر 33 کے ایک FID حاصل کرنے کے لئے پیمانے پر کیا جا سکتا ہے کہ دکھانے کے. |
5c695f1810951ad1bbdf7da5f736790dca240e5b | سوشل میڈیا پر صارف کے تیار کردہ مواد کا تجزیہ اور مصنوعات اور واقعات کے بارے میں صارف کی رائے کی درست وضاحت بہت سے ایپلی کیشنز کے لئے کافی قیمتی ہے۔ ویب 2.0 کے پھیلاؤ اور ویب پر صارف کے ذریعہ تیار کردہ مواد کی تیز رفتار نمو کے ساتھ ، پہلو کی سطح پر جذبات کے تجزیے کے نقطہ نظر جو ٹھیک دانے دار معلومات فراہم کرتے ہیں وہ بہت دلچسپی کا باعث ہیں۔ اس کام میں ، پہلو پر مبنی جذبات کے تجزیے کے لئے ایک درجہ بندی کرنے والا مجموعہ نقطہ نظر پیش کیا گیا ہے۔ نقطہ نظر عام ہے اور ایک موضوع ماڈل اور صارفین کو خطاب ہے کہ اہم پہلوؤں کی وضاحت کرنے کے لئے پوشیدہ dirichlet مختص کا استعمال کرتا ہے. پھر، ہر تبصرہ کا مزید تجزیہ کیا جاتا ہے اور الفاظ کی انحصار جو الفاظ اور پہلوؤں کے درمیان تعامل کی نشاندہی کرتی ہے نکال لی جاتی ہے. ایک مجموعہ درجہ بندی نائیو بیز، زیادہ سے زیادہ انٹروپی اور سپورٹ ویکٹر مشینوں کی طرف سے تیار کیا گیا ہے ہر پہلو کی طرف صارف کے تبصرے کی قطبییت کو تسلیم کرنے کے لئے ڈیزائن کیا گیا ہے. تشخیص کے نتائج انفرادی درجہ بندی کے مقابلے میں آواز بہتری دکھاتے ہیں اور اس بات کی نشاندہی کرتے ہیں کہ مجموعی نظام صارف پیدا کردہ مواد کا تجزیہ کرنے اور صارفین کی رائے اور رویوں کی وضاحت کرنے میں توسیع پذیر اور درست ہے. |
4f1fe957a29a2e422d4034f4510644714d33fb20 | ہم دستاویزات کی درجہ بندی کے مسئلے پر غور کرتے ہیں نہ کہ موضوع کے لحاظ سے ، بلکہ مجموعی جذبات کے لحاظ سے ، مثال کے طور پر ، یہ طے کرنا کہ جائزہ مثبت ہے یا منفی۔ فلموں کے جائزوں کو ڈیٹا کے طور پر استعمال کرتے ہوئے، ہم یہ پاتے ہیں کہ مشین سیکھنے کی معیاری تکنیکیں یقینی طور پر انسانی ساختہ بیس لائنز سے بہتر ہیں۔ تاہم ، ہم نے تین مشین لرننگ طریقوں (نایو بیز ، زیادہ سے زیادہ اینٹروپی درجہ بندی ، اور سپورٹ ویکٹر مشینیں) کو استعمال کیا جو جذبات کی درجہ بندی پر روایتی موضوع پر مبنی درجہ بندی کے طور پر اچھی کارکردگی کا مظاہرہ نہیں کرتے ہیں۔ ہم اس مسئلے کو مزید مشکل بنانے والے عوامل پر غور کرتے ہوئے اختتام کرتے ہیں۔ اشاعت کی معلومات: EMNLP کی کارروائی، 2002، ص. 79-86 کے لئے. |
722e2f7894a1b62e0ab09913ce9b98654733d98e | اس اشاعت میں دوبارہ شائع شدہ مضامین شامل ہیں جن کے لئے آئی ای ای کاپی رائٹ نہیں رکھتا ہے۔ ان مضامین کے لئے مکمل متن IEEE Xplore پر دستیاب نہیں ہے. |
2485c98aa44131d1a2f7d1355b1e372f2bb148ad | اس مقالے میں ہم بڑے پیمانے پر چینی چہرے کے ڈیٹا بیس کے حصول اور مواد کی وضاحت کرتے ہیں: CAS-PEAL چہرے کا ڈیٹا بیس۔ سی اے ایس-پیال چہرے کا ڈیٹا بیس بنانے کے مقاصد میں مندرجہ ذیل شامل ہیں: 1) چہرے کی شناخت کے عالمی محققین کو مختلف قسم کے مختلف ذرائع ، خاص طور پر پوز ، اظہار ، لوازمات اور روشنی (پیال) ، اور ایک یکساں ڈیٹا بیس میں مکمل زمینی سچائی کی معلومات فراہم کرنا۔ 2) پیشہ ورانہ امیجنگ سامان کا استعمال کرتے ہوئے اور ڈیٹا بیس میں عام چہرے کی مختلف حالتوں کو ڈیزائن کرکے عملی ایپلی کیشنز کا مقصد جدید ترین چہرے کی شناخت کی ٹیکنالوجیز کو آگے بڑھانا۔ اور 3) منگولیا کا ایک بڑے پیمانے پر چہرہ ڈیٹا بیس فراہم کرنا۔ فی الحال ، CAS-PEAL چہرے کے ڈیٹا بیس میں 1040 افراد (595 مرد اور 445 خواتین) کی 99،594 تصاویر ہیں۔ مجموعی طور پر نو کیمرے ایک آرک بازو پر افقی طور پر نصب ہیں تاکہ ایک ہی وقت میں مختلف پوز پر تصاویر کو قبضہ کیا جاسکے۔ ہر ایک کو سیدھی آگے، اوپر اور نیچے دیکھنے کے لیے کہا جاتا ہے تاکہ تین شاٹس میں 27 تصاویر حاصل کی جا سکیں۔ پانچ چہرے کے تاثرات، چھ لوازمات، اور 15 روشنی کی تبدیلی بھی ڈیٹا بیس میں شامل ہیں. ڈیٹا بیس کا ایک منتخب ذیلی سیٹ (CAS-PEAL-R1، جس میں 1040 مضامین کی 30 863 تصاویر شامل ہیں) اب دیگر محققین کے لئے دستیاب ہے. ہم CAS-PEAL-R1 ڈیٹا بیس پر مبنی تشخیصی پروٹوکول پر تبادلہ خیال کرتے ہیں اور مندرجہ ذیل کام کرنے کے لئے ایک بنیاد کے طور پر چار الگورتھم کی کارکردگی پیش کرتے ہیں: 1) بنیادی طور پر چہرے کی شناخت الگورتھم کے لئے ڈیٹا بیس کی دشواری کا اندازہ کریں؛ 2) ڈیٹا بیس کا استعمال کرتے ہوئے محققین کے لئے ترجیحات کا جائزہ لینے کے نتائج؛ اور 3) عام طور پر استعمال ہونے والے الگورتھم کی طاقت اور کمزوریوں کی نشاندہی کریں۔ |
a0456c27cdd58f197032c1c8b4f304f09d4c9bc5 | مجموعی طریقے سیکھنے والے الگورتھم ہیں جو درجہ بندی کرنے والوں کا ایک مجموعہ بناتے ہیں اور پھر ان کی پیش گوئیوں کا وزن شدہ ووٹ لے کر نئے ڈیٹا پوائنٹس کی درجہ بندی کرتے ہیں۔ اصل مجموعہ طریقہ بیسیئن اوسط ہے لیکن حالیہ الگورتھم میں خرابی کی اصلاح آؤٹ پٹ کوڈنگ بیگنگ اور فروغ دینا شامل ہے۔ یہ کاغذ ان طریقوں کا جائزہ لیتا ہے اور وضاحت کرتا ہے کہ کیوں مجموعے اکثر کسی بھی واحد درجہ بندی سے بہتر کارکردگی کا مظاہرہ کرسکتے ہیں۔ مجموعہ کے طریقوں کا موازنہ کرنے والے کچھ پچھلے مطالعات کا جائزہ لیا گیا ہے اور کچھ نئے تجربات پیش کیے گئے ہیں تاکہ ان وجوہات کو ظاہر کیا جاسکے کہ ایڈابوسٹ تیزی سے نہیں چلتا ہے۔ |
9a292e0d862debccffa04396cd5bceb5d866de18 | |
610bc4ab4fbf7f95656b24330eb004492e63ffdf | ہم غیر منفی میٹرکس فیکٹرائزیشن کے مسئلے کا مطالعہ کرتے ہیں جو ایک غیر منفی میٹرکس کو کم درجہ بندی کے فیکٹرائزیشن کے ذریعہ قریب کرتا ہے۔ یہ مسئلہ خاص طور پر مشین لرننگ میں اہم ہے، اور بڑی تعداد میں ایپلی کیشنز میں خود کو ملتا ہے. بدقسمتی سے، اصل فارمولے خراب اور NPhard ہے. اس مقالے میں ، ہم الگ الگ مفروضے کے تحت این ایم ایف کے مسئلے کو حل کرنے کے لئے قطار انٹروپی کم سے کم کرنے پر مبنی ایک صفے کے پتلے ماڈل کی تجویز کرتے ہیں جس میں کہا گیا ہے کہ ہر ڈیٹا پوائنٹ چند مختلف ڈیٹا کالموں کا ایک گھوبگھرالی مجموعہ ہے۔ ہم توانائی کو کم سے کم تعداد میں پوشیدہ متغیرات پر مرکوز کرنے کے لئے اینٹروپی فنکشن اور `∞ قاعدہ کی حراستی کا استعمال کرتے ہیں۔ ہم ثابت کرتے ہیں کہ علیحدگی کی مفروضہ کے تحت ، ہمارا تجویز کردہ ماڈل ڈیٹا کالموں کو مضبوطی سے بازیافت کرتا ہے جو ڈیٹا سیٹ تیار کرتا ہے ، یہاں تک کہ جب ڈیٹا شور سے خراب ہوجاتا ہے۔ ہم تجرباتی طور پر مجوزہ ماڈل کی مضبوطی کی توثیق کرتے ہیں اور یہ ظاہر کرتے ہیں کہ یہ جدید ترین علیحدہ علیحدہ NMF الگورتھم سے نمایاں طور پر زیادہ مضبوط ہے. |
f829fa5686895ec831dd157f88949f79976664a7 | درجہ بندی بیسیئن نقطہ نظر تجرباتی مارکیٹنگ میں مرکزی کردار ادا کرتے ہیں کیونکہ وہ انفرادی سطح کے پیرامیٹر تخمینے دیتے ہیں جو فیصلوں کو نشانہ بنانے کے لئے استعمال ہوسکتے ہیں۔ ایم سی ایم سی کے طریقوں کو درجہ بندی بیسیئن ماڈل کا اندازہ لگانے کے لئے انتخاب کے طریقوں کا انتخاب کیا گیا ہے کیونکہ وہ انفرادی سطح پر درست اندازے فراہم کرنے کے قابل ہیں. تاہم ، ایم سی ایم سی کے طریقے کمپیوٹیشنل طور پر ممنوع ہیں اور جب بڑے پیمانے پر ڈیٹا سیٹوں پر لاگو ہوتے ہیں تو وہ اچھی طرح سے پیمانہ نہیں کرتے ہیں جو موجودہ دور میں عام ہوچکے ہیں بگ ڈیٹا. ہم مارکیٹنگ کے ادب میں بیسیئن تخمینہ کی تکنیک کی ایک نئی کلاس متعارف کراتے ہیں جسے متغیر بیسیئن (وی بی) استنباط کے طور پر جانا جاتا ہے۔ یہ طریقوں کو پسدید تقسیم کے قریب سے تعین کرنے کے لئے ایک تعیناتی اصلاح کے نقطہ نظر کے ذریعے اسکالبلٹی چیلنج سے نمٹنے اور تخروپن پر مبنی ایم سی ایم سی طریقوں سے منسلک کمپیوٹیشنل لاگت کے ایک حصے پر درست تخمینہ لگانے کے لئے. ہم تغیراتی بیسیئن استنباط میں حالیہ پیشرفتوں کا استحصال اور توسیع کرتے ہیں اور اس بات پر روشنی ڈالتے ہیں کہ کس طرح دو وی بی تخمینہ لگانے کے طریقوں - میڈین فیلڈ وی بی (جو گیبس سیمپلنگ کے مشابہ ہے) مخلوط ماڈل کے لئے اور فکسڈ فارم وی بی (جو میٹروپولیس ہسٹنگ کے مشابہ ہے) غیر مخلوط ماڈل کے لئے - پیچیدہ مارکیٹنگ کے ماڈل کا تخمینہ لگانے کے لئے مؤثر طریقے سے جوڑا جاسکتا ہے۔ ہم یہ بھی دکھاتے ہیں کہ کس طرح حالیہ ترقی میں متوازی کمپیوٹنگ اور میں stochastic اصلاح استعمال کیا جا سکتا ہے مزید بڑھانے کے لئے کی رفتار ان VB طریقوں. ہم نے کئی عام طور پر استعمال کیا جاتا مارکیٹنگ کے ماڈل (مثلا. مخلوط لکیری ، لاجٹ ، انتخاب ، اور درجہ بندی آرڈینل لاجٹ ماڈل) ، اور یہ ظاہر کریں کہ مارکیٹنگ کے مسائل کے لئے وی بی استنباط کس طرح وسیع پیمانے پر قابل اطلاق ہے۔ |
bf8a0014ac21ba452c38d27bc7d930c265c32c60 | ہائی لیول فیوژن کے نقطہ نظر کا اطلاق ملٹی سینسر ڈیٹا فیوژن میں اہم فوائد کا ایک سلسلہ ظاہر کرتا ہے اور آٹوموٹو سیفٹی فیوژن سسٹم اس میں کوئی استثنا نہیں ہیں۔ اعلی سطح کے فیوژن کو آٹوموٹو سینسر نیٹ ورکس پر لاگو کیا جاسکتا ہے جس میں اضافی یا / اور اضافی فیلڈ کے خیالات ہیں. اس نقطہ نظر کا فائدہ یہ ہے کہ یہ نظام ماڈیولرٹی کو یقینی بناتا ہے اور بینچ مارکنگ کی اجازت دیتا ہے، کیونکہ یہ پروسیسنگ کے اندر اندر فیڈ بیک اور لوپس کی اجازت نہیں دیتا ہے. اس کاغذ میں دو مخصوص اعلی سطح کے ڈیٹا فیوژن نقطہ نظر کی وضاحت کی جاتی ہے جس میں ایک مختصر آرکیٹیکچرل اور الگورتھم پیشکش بھی شامل ہے. یہ نقطہ نظر بنیادی طور پر ان کے ڈیٹا ایسوسی ایشن حصے میں مختلف ہیں: (ا) ٹریک سطح فیوژن نقطہ نظر کو حل کرنے کے لئے یہ نقطہ نظر سے نقطہ نظر کے ساتھ حل کرتا ہے جس میں اعتراض کی تسلسل اور کثیر جہتی تفویض پر زور دیا جاتا ہے، اور (ب) گرڈ پر مبنی فیوژن نقطہ نظر جو ماحول کو ماڈل کرنے اور سینسر ڈیٹا فیوژن انجام دینے کے لئے ایک عام طریقہ تجویز کرتا ہے. ان طریقوں کے لئے ٹیسٹ کیس ایک کثیر سینسر لیس PREVENT / ProFusion2 ٹرک مظاہرہ گاڑی ہے. |
c8cc94dd21d78f4f0d07ccb61153bfb798aeef2c | |
4152070bd6cd28cc44bc9e54ab3e641426382e75 | درجہ بندی کے مسئلے کا وسیع پیمانے پر ڈیٹا مائننگ ، مشین لرننگ ، ڈیٹا بیس ، اور معلومات کی بازیافت کی برادریوں میں متعدد مختلف ڈومینز میں ایپلی کیشنز کے ساتھ مطالعہ کیا گیا ہے ، جیسے ٹارگٹ مارکیٹنگ ، طبی تشخیص ، نیوز گروپ فلٹرنگ ، اور دستاویز تنظیم۔ اس کاغذ میں ہم متن کی درجہ بندی کی ایک وسیع اقسام کا ایک جائزہ فراہم کرے گا |
e050e89d01afffd5b854458fc48c9d6720a8072c | |
8bf72fb4edcb6974d3c4b0b2df63d9fd75c5dc4f | اس طرح کے نقطہ نظر ممکنہ طور پر اعلی کارکردگی فراہم کرسکتے ہیں، کیونکہ وہ قدرتی زبان کے تصورات سے منسلک ضمنی، سیمنٹکس کی خصوصیات کا تجزیہ کرنے میں بھی کامیاب ہیں. اس مقالے میں ، ہم سیمنٹک سینٹمنٹ تجزیہ چیلنج کے چوتھے ایڈیشن کو پیش کرتے ہیں ، جس میں سیمنٹک خصوصیات پر عمل درآمد کرنے یا انحصار کرنے والے نظاموں کا جائزہ لیا جاتا ہے جس میں بڑے ٹیسٹ سیٹ اور مختلف جذبات کے کاموں پر مشتمل مقابلہ ہوتا ہے۔ صرف نحو/لفظ شمار پر مبنی نظام یا صرف لغت پر مبنی نقطہ نظر کو تشخیص سے خارج کر دیا گیا ہے. پھر، ہم ہر کام کے لئے تشخیص کے نتائج پیش کرتے ہیں اور سب سے زیادہ جدید نقطہ نظر کے ایوارڈ کے فاتح کو ظاہر کرتے ہیں، جو جذبات کے تجزیہ کے کام کو حل کرنے کے لئے کئی علم کی بنیادوں کو یکجا کرتا ہے. جذبات کا تجزیہ تحقیق اور صنعت دونوں میں ایک وسیع پیمانے پر مطالعہ شدہ تحقیقی شعبہ ہے ، اور جذبات کے تجزیے سے متعلقہ کاموں کو حل کرنے کے لئے مختلف نقطہ نظر موجود ہیں۔ احساس تجزیہ انجنز لغت پر مبنی تکنیکوں سے لے کر مشین لرننگ تک ، یا نحوی قواعد تجزیہ شامل کرنے والے نقطہ نظر کو نافذ کرتے ہیں۔ اس طرح کے نظاموں کا پہلے ہی بین الاقوامی تحقیقی چیلنجوں میں جائزہ لیا جا رہا ہے۔ تاہم ، سیمنٹک سینٹمنٹ تجزیہ کے نقطہ نظر ، جو بڑے سیمنٹک علم کی بنیادوں پر بھی غور کرتے ہیں یا انحصار کرتے ہیں اور سیمنٹک ویب کے بہترین طریقوں کو نافذ کرتے ہیں ، دوسرے بین الاقوامی چیلنجوں کے ذریعہ مخصوص تجرباتی تشخیص اور موازنہ کے تحت نہیں ہیں۔ |
21da9ece5587df5a2ef79bf937ea19397abecfa0 | اس مقالے میں پیش گوئی اور ادراک کی درجہ بندی کو ایک استنباطی مسئلہ سمجھا گیا ہے جسے دماغ حل کرتا ہے۔ ہم یہ سمجھتے ہیں کہ دماغ دنیا کو متحرک نظاموں کی درجہ بندی یا سلسلہ بندی کے طور پر ماڈل کرتا ہے جو سنسوریوم میں سبب ساخت کو کوڈ کرتا ہے۔ حسی اعداد و شمار کی وضاحت کرنے کے لئے، ان اندرونی ماڈلوں کی اصلاح یا انورٹ کے ساتھ تصور کو برابر کیا جاتا ہے. ایک ماڈل دیا گیا ہے کہ حسی ڈیٹا کیسے پیدا ہوتا ہے ، ہم ماڈل کے ثبوت پر پابند ایک آزاد توانائی کی بنیاد پر ، ماڈل انورژن کے لئے ایک عام نقطہ نظر کو طلب کرسکتے ہیں۔ اس کے بعد آزاد توانائی کی تشکیل مساوات فراہم کرتی ہے جو تسلیم کرنے کے عمل کو بیان کرتی ہے، یعنی. نیورونل سرگرمی کی حرکیات جو حسی ان پٹ کی وجوہات کی نمائندگی کرتی ہیں۔ یہاں، ہم ایک بہت ہی عام ماڈل پر توجہ مرکوز کرتے ہیں، جس کی درجہ بندی اور متحرک ساخت مصنوعی دماغ کو سنجیدگی سے ریاستوں کے راستے یا ترتیب کو تسلیم کرنے اور پیش گوئی کرنے کے قابل بناتا ہے. ہم سب سے پہلے درجہ بندی متحرک ماڈل اور ان کی الٹ کا جائزہ لیں گے. پھر ہم یہ دکھاتے ہیں کہ دماغ میں اس الٹ کو نافذ کرنے کے لیے ضروری بنیادی ڈھانچہ موجود ہے اور اس نقطہ کو مصنوعی پرندوں کا استعمال کرتے ہوئے دکھاتے ہیں جو پرندوں کے گانے کو پہچان اور درجہ بندی کر سکتے ہیں۔ |
38a935e212c8e10460545b74a7888e3966c03e74 | یہ کاغذ 3D اعتراض کا پتہ لگانے کے amodal ادراک کے مسئلہ سے خطاب کرتا ہے. کام صرف 3D دنیا میں آبجیکٹ کی جگہ تلاش کرنے کے لئے نہیں ہے، بلکہ ان کے جسمانی سائز اور پوز کا اندازہ بھی ہے، یہاں تک کہ اگر ان کے صرف حصے RGB-D تصویر میں نظر آتے ہیں. حالیہ نقطہ نظر نے 3D خلا میں براہ راست 3D خصوصیات کا استحصال کرنے کے لئے گہرائی چینل سے نقطہ بادل کو استعمال کرنے کی کوشش کی ہے اور روایتی 2.5D نمائندگی کے نقطہ نظر پر برتری کا مظاہرہ کیا ہے. ہم 2.5D نمائندگی فریم ورک پر قائم رہ کر amodal 3D کا پتہ لگانے کے مسئلے پر نظر ثانی کرتے ہیں، اور براہ راست 2.5D بصری ظہور کو 3D اشیاء سے متعلق کرتے ہیں۔ ہم ایک نیا تھری ڈی آبجیکٹ ڈیٹیکشن سسٹم تجویز کرتے ہیں جو ایک ساتھ ہی انڈور مناظر میں اشیاء کی تھری ڈی لوکیشنز، جسمانی سائز اور واقفیت کی پیش گوئی کرتا ہے۔ NYUV2 ڈیٹا سیٹ پر تجربات سے پتہ چلتا ہے کہ ہمارا الگورتھم جدید ترین حالت سے نمایاں طور پر بہتر ہے اور اس سے یہ ظاہر ہوتا ہے کہ 2.5D نمائندگی 3D اموڈل آبجیکٹ کا پتہ لگانے کے لئے خصوصیات کو کوڈ کرنے کی صلاحیت رکھتی ہے۔ تمام سورس کوڈ اور ڈیٹا https://github.com/phoenixnn/Amodal3Det پر ہے۔ |
4d7a8836b304a1ecebee19ff297f1850e81903b4 | |
461ebcb7a274525b8efecf7990c85994248ab433 | کم طاقت اور لاسسی نیٹ ورکس (آر پی ایل) کے لئے روٹنگ پروٹوکول ایک ناول روٹنگ پروٹوکول ہے جو 6LoWPAN نیٹ ورکس جیسے محدود ماحول کے لئے معیاری ہے۔ IPv6 / RPL سے منسلک 6LoWPANs میں سیکیورٹی فراہم کرنا ایک چیلنج ہے کیونکہ آلات غیر قابل اعتماد انٹرنیٹ سے جڑے ہوئے ہیں اور وسائل محدود ہیں ، مواصلاتی روابط نقصان دہ ہیں ، اور آلات جدید آئی او ٹی ٹیکنالوجیز جیسے آر پی ایل ، 6LoWPAN ، اور CoAP / CoAPs کا استعمال کرتے ہیں۔ اس مقالے میں ہم آئی او ٹی ٹیکنالوجیز اور ان کی نئی سیکیورٹی صلاحیتوں کا ایک جامع تجزیہ فراہم کرتے ہیں جو حملہ آوروں یا آئی ڈی ایس کے ذریعہ استحصال ہوسکتے ہیں۔ اس کاغذ میں اہم شراکت میں سے ایک ہمارے نفاذ اور 6LoWPAN نیٹ ورکس کے خلاف معروف روٹنگ حملوں کا مظاہرہ ہے جو روٹنگ پروٹوکول کے طور پر آر پی ایل چلاتے ہیں۔ ہم ان حملوں کو کنٹیکی آپریٹنگ سسٹم میں آر پی ایل کے نفاذ میں نافذ کرتے ہیں اور کوجا سمیلیٹر میں ان حملوں کا مظاہرہ کرتے ہیں۔ مزید برآں ، ہم آئی پی وی 6 پروٹوکول میں نئی حفاظتی خصوصیات کو اجاگر کرتے ہیں اور ان خصوصیات کے استعمال کی مثال دیتے ہیں جو آئی او ٹی میں ہلکے دل کی دھڑکن پروٹوکول کو نافذ کرکے مداخلت کا پتہ لگانے کے لئے ہیں۔ |
5b8869bb7afa5d8d3c183dfac0d0f26c2e218593 | آج کے اعلی کارکردگی والے پروسیسرز میں پائے جانے والے کیش درجہ بندی کو عملی طور پر اچھی کارکردگی کا مظاہرہ کرنے والے الگورتھم کو ڈیزائن کرنے کے لئے مدنظر رکھنا ہوگا۔ یہ کاغذ اس مقصد کے لئے بیرونی میموری الگورتھم کی موافقت کی وکالت کرتا ہے۔ اس خیال اور عملی مسائل میں ملوث ہیں مثال کے طور پر انجینئرنگ کی طرف سے ایک تیز رفتار ترجیح قطار بیرونی میموری اور کیچڈ میموری کے لئے موزوں ہے جو <i>k</i>- راستہ انضمام پر مبنی ہے. یہ کیچڈ میموری میں منتقل کرنے کے لئے اہم مسلسل عوامل کی طرف سے پچھلے بیرونی میموری الگورتھم کو بہتر بناتا ہے. ورک سٹیشن کے کیش درجہ بندی میں چلانے کے الگورتھم کم از کم دو بار تیزی سے بائنری ڈھیر اور 4 - بڑے ان پٹ کے لئے ان پٹ کے ایک بہتر نفاذ سے زیادہ ہے. |
1f6ba0782862ec12a5ec6d7fb608523d55b0c6ba | ہم نے پہلے سے تربیت یافتہ لفظ ویکٹر کے اوپر تربیت یافتہ کنولولول نیورل نیٹ ورکس (سی این این) کے ساتھ تجربات کی ایک سیریز پر رپورٹ کی ہے جو جملے کی سطح کی درجہ بندی کے کاموں کے لئے ہے۔ ہم نے دکھایا ہے کہ ایک سادہ سی این این کے ساتھ تھوڑا ہائپر پیرامیٹر ٹیوننگ اور جامد ویکٹر متعدد بینچ مارکس پر بہترین نتائج حاصل کرتا ہے. ٹھیک ٹیوننگ کے ذریعے ٹاسک مخصوص ویکٹرز سیکھنے کی کارکردگی میں مزید فوائد پیش کرتا ہے. ہم اضافی طور پر کام کے مخصوص اور جامد ویکٹر دونوں کے استعمال کی اجازت دینے کے لئے فن تعمیر میں ایک سادہ ترمیم کی تجویز کرتے ہیں. یہاں پر بحث کی گئی سی این این ماڈل 7 میں سے 4 کاموں پر فن کی حالت کو بہتر بناتے ہیں ، جن میں جذبات کا تجزیہ اور سوال کی درجہ بندی شامل ہے۔ |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.