_id
stringlengths 40
40
| text
stringlengths 0
12.6k
|
|---|---|
d1ee87290fa827f1217b8fa2bccb3485da1a300e | बैगिंग प्रेडिक्टर एक प्रेडिक्टर का कई संस्करण उत्पन्न करने का एक तरीका है और इनका उपयोग करके एक समग्र प्रेडिक्टर प्राप्त करें। जब एक संख्यात्मक परिणाम की भविष्यवाणी की जा रही हो, तब एक वर्ग की भविष्यवाणी की जा रही हो, तब एक बहुसंख्यक वोट का मतलब संस्करणों पर एकत्रीकरण औसत है। कई संस्करण सीखना सेट का बूटस्ट्रैप प्रतिकृति बनाकर और नए सीखना सेट के रूप में इनका उपयोग करके बनाए जाते हैं। वर्गीकरण अउर प्रतिगमन पेड़ों का उपयोग कइके वास्तविक अउर अनुकरण डेटा सेट अउर रैखिक प्रतिगमन में उपसमूह चयन पर परीक्षण से पता चलता है कि बैगिंग सटीकता में काफी लाभ दे सकत है। महत्वपूर्ण तत्व भविष्यवाणिय पद्धति का अस्थिरता है। अगर लर्निंग सेट के परेशान कईके पूर्वानुमान बनावे में महत्वपूर्ण बदलाव का कारण बन सकत है, तब बैगिंग सटीकता में सुधार कर सकत है। |
649197627a94fc003384fb743cfd78cdf12b3306 | |
0b440695c822a8e35184fb2f60dcdaa8a6de84ae | हाल ही मा उभरत आरजीबी-डी कैमरा जइसे कि किनेक्ट सेंसर की सफलता ३ डी डाटा आधारित कंप्यूटर अनुप्रयोगों की एक विस्तृत संभावना का चित्रण करत है। हालांकि, एक मानक परीक्षण डेटाबेस की कमी के कारण, ई निर्धारित करना मुश्किल है कि ई वर्तमान में संभव है, अउर संभावित रूप से ई वर्तमान में संभव है कि एक अव्यवस्थित डेटाबेस में खोज की जा रही है, जैसा कि स्पष्ट रूप से देखा जा सकता है। किनेक्ट अउर चेहरा पहचान अनुसंधान के बीच संबंध स्थापित करै खातिर, इ पेपर में, हम किनेक्ट सेंसर पर आधारित पहिला सार्वजनिक रूप से उपलब्ध चेहरा डेटाबेस (यानी, किनेक्टफेसडीबी 1) प्रस्तुत करत बानी। डाटाबेस मा अलग अलग डाटा मोडलिटी (अच्छी तरह से संरेखित और संसाधित 2-डी, 2.5-डी, 3-डी, और वीडियो-आधारित चेहरा डेटा) और कई चेहरे की विविधता शामिल है। हम प्रस्तावित डेटाबेस पर मानक चेहरा पहचान विधियन का उपयोग कइके बेंचमार्क मूल्यांकन किहेन, अउर जब गहिराई डेटा के आरजीबी डेटा के साथ स्कोर-स्तरीय संलयन के माध्यम से एकीकृत कै जाए तब प्रदर्शन मा लाभ का प्रदर्शन कैले। हम भी Kinect की 3D छवियों (KinectFaceDB से) की तुलना पारंपरिक उच्च गुणवत्ता वाले 3D स्कैन (FRGC डेटाबेस से) से face biometrics के संदर्भ में की है, जो face recognition research के लिए प्रस्तावित डेटाबेस की अनिवार्यता का पता लगाता है। |
a85275f12472ecfbf4f4f00a61514b0773923b86 | वायरलेस प्रौद्योगिकी अउर सहायक बुनियादी ढांचा में प्रगति उपयोगकर्ता के गतिविधि का प्रतिबंधित कईले बिना हर जगह वास्तविक समय स्वास्थ्य देखभाल अउर फिटनेस निगरानी के अभूतपूर्व अवसर प्रदान करत है। वायरलेस रूप से जुड़ा हुआ लघु संवेदक और एक्ट्यूएटर शरीर के अंदर, ऊपर, और चारों ओर रखे गए हैं, जो चिकित्सा, जीवन शैली और मनोरंजन अनुप्रयोगों का समर्थन करने के लिए शारीरिक संकेतों की निरंतर, स्वचालित, और अबाध निगरानी के लिए एक शरीर क्षेत्र नेटवर्क का निर्माण करते हैं। BAN तकनीक विकास के शुरुआती दौर मा बा, अउर एकर व्यापक रूप से स्वीकार करे खातिर कई रिसर्च चुनौति के दूर करे के जरूरत बा। इ लेख मा हम बैन के आवेदन, कार्यात्मक, औ तकनीकी आवश्यकताओं का अध्ययन करत हैं। हम मौलिक अनुसंधान चुनौति पर भी चर्चा करत है जैसे कि स्केलेबिलिटी (डेटा रेट, बिजली की खपत, और ड्यूटी साइकिल के संदर्भ में), एंटीना डिजाइन, हस्तक्षेप शमन, सह-अस्तित्व, QoS, विश्वसनीयता, सुरक्षा, गोपनीयता, और ऊर्जा दक्षता। कई उम्मीदवार प्रौद्योगिकी का मूल्यांकन कर रहे हैं, जो BAN बाजार पर ध्यान केंद्रित कर रहे हैं, उनकी योग्यता और खराबियां पर ध्यान केंद्रित कर रहे हैं। बी.ए.एन. से संबंधित मानकीकरण गतिविधियां का संक्षिप्त विवरण भी दिया गया है। |
f4abebef4e39791f358618294cd8d040d7024399 | ई रिपोर्ट फिटबिट फ्लेक्स पारिस्थितिकी तंत्र का विश्लेषण बतायी है। हमार मकसद ई बतावै के है कि (1) आपन उपयोगकर्ता से कौन-कौन डेटा इकट्ठा करत है, (2) आपन उपयोगकर्ता के कौन-कौन डेटा प्रदान करत है, अउर (3) कौन-कौन टूल या उपकरण के मालिक के लिए कौन-कौन डेटा उपलब्ध है। हमार विश्लेषण बताये रहेन कि चार कैडेट पैल पॉच मा शामिल छैं। सबसे पहिले, हम अपने खुद के फिटबिट डिवाइस के सुरक्षा अउर गोपनीयता गुणन का विश्लेषण करत बानी. अगला, हम ब्लूटूथ ट्रैफिक का निरीक्षण करत हैं जउन समक्रमण के दौरान फिटबिट डिवाइस अउर स्मार्टफोन या पर्सनल कंप्यूटर के बीच भेजा जात है। तीसर, हम फिटबिट एंड्रॉइड ऐप की सुरक्षा का विश्लेषण करते हैं। अंत मा, हम Fitbit स्मार्टफोन या कंप्यूटर एप्लिकेशन और Fitbit वेब सेवा के बीच नेटवर्क यातायात की सुरक्षा गुणों का अध्ययन करें। हम सबूत देत है कि फिटबिट कुछ खास परिस्थिति में पास के फ्लेक्स डिवाइस के बारे में जानकारी अनावश्यक रूप से प्राप्त करत है. हम आगे ई देखाई देईब कि फिटबिट उपकरण मालिकन के साथ इकट्ठा डेटा कय सब जानकारी प्रदान ना करत है। असल मा, हम प्रति मिनट गतिविधि डेटा का प्रमाण पा रहे हैं जउन फिटबिट वेब सेवा मा भेज दिया गा है, लेकिन मालिक को उपलब्ध नाही कराया गया है। हम ई भी पता लगाय लिहिन की फिटबिट डिवाइस पर मैक एड्रेस कभी नहीं बदले जाते हैं, इहिसे यूजर-कोरेलेशन हमला संभव होत है। बीटीएलई क्रेडेंशियल भी टीएलएस पर डिवाइस पेयरिंग के दौरान नेटवर्क पर उजागर होते हैं, जिन्हें एमआईटीएम हमलों द्वारा रोका जा सकता है। अंत मा, हम दिखाय देहि कि वास्तविक उपयोगकर्ता गतिविधि डेटा प्रमाणित है औ डिवाइस से फिटबिट वेब सेवा तक एक अंत-से-अंत आधार पर सादे पाठ मा प्रदान कीन नहीं गयल ह। |
3007a8f5416404432166ff3f0158356624d282a1 | ग्राफ अमूर्त कई अनुप्रयोगों खातिर जरूरी है कि एक छोटा रास्ता खोजने के लिए जटिल मशीन लर्निंग (ML) एल्गोरिदम जैसे सहयोगी फ़िल्टरिंग का निष्पादन करें। कच्चे डेटा से ग्राफ निर्माण कई अनुप्रयोगों के लिए चुनौतीपूर्ण हो रहा है, डेटा की घातीय वृद्धि के साथ-साथ बड़े पैमाने पर ग्राफ प्रसंस्करण की आवश्यकता के कारण। चूँकि ग्राफ निर्माण एक डेटा-समानांतर समस्या है, इ काम के लिए MapReduce अच्छा है। हम विकसित GraphBuilder, एक स्केलेबल फ्रेमवर्क ग्राफ निकालें-परिवर्तन-लोड (ETL), ग्राफ निर्माण की कई जटिलताओं को उतारने के लिए, ग्राफ गठन, सारणीकरण, परिवर्तन, विभाजन, आउटपुट स्वरूपण, और सीरियलाइजेशन सहित। ग्राफबिल्डर जावा मा लिखा है, प्रोग्रामिंग की आसानी के लिए, और इ मैपरेड्यूस मॉडल का उपयोग करके स्केल करता है। इ पेपर मा, हम ग्राफ बिल्डर, इकर वास्तुकला, MapReduce एल्गोरिदम, और फ्रेमवर्क का प्रदर्शन मूल्यांकन की प्रेरणा का वर्णन करत हन। चूंकि भंडारण अउर प्रसंस्करण खातिर बड़ ग्राफ का एक क्लस्टर पर विभाजन करल जाय चाहि अउर विभाजन विधियन का प्रदर्शन पर महत्वपूर्ण प्रभाव पड़ेला, हम कई ग्राफ विभाजन विधियन का विकास अउर उनके प्रदर्शन का मूल्यांकन करेनी. हम ई फ्रेमवर्क https://01.org/graphbuilder/ पर भी खोल सकत बानी। |
2e526c2fac79c080b818b304485ddf84d09cf08b | कालानुक्रमिक डाटा खनन का उद्देश्य ऐतिहासिक डेटा मा पैटर्न खोज्नु हो। हमार काम डेटा से समय पैटर्न निकाले खातिर एक तरीका प्रस्तावित करत है ताकि लक्षित घटना के घटना का भविष्यवाणी कीन जा सके, जइसे कि मेजबान नेटवर्क पै कंप्यूटर हमला, या वित्तीय संस्थान मा धोखाधड़ी वाले लेनदेन। हमार समस्या का फार्मूला दुई प्रमुख चुनौति का प्रदर्शन करत हैः 1) हम मानित हैं कि घटना का वर्गीकृत विशेषता द्वारा विशेषता है और असमान अंतराल-आगमन समय प्रदर्शित कर रहा है; ऐसी धारणा शास्त्रीय समय-श्रृंखला विश्लेषण के दायरे से बाहर है, 2) हम मानित हैं कि लक्ष्य घटनाएं अत्यधिक दुर्लभ हैं; भविष्यवाणी तकनीकें वर्ग-असंतुलन समस्या से निपटनी चाहिए। हम एक कुशल एल्गोरिथ्म का प्रस्ताव करत हैं जउन घटना की भविष्यवाणी समस्या का लक्षित घटना से पहिले के सभी लगातार घटनाओं की खोज में बदलकर ऊपर बताई गई चुनौतियों का सामना करता है। वर्ग असंतुलन की समस्या का अल्पसंख्यक वर्ग पर पैटर्न की खोज से दूर किया जाता है; पैटर्न की भेदभाव शक्ति फिर अन्य वर्गों के खिलाफ मान्य की जाती है। पैटर्न तब एक नियम-आधारित मॉडल मा संयोजित करैं मा मदद करत है। हमार प्रयोगात्मक विश्लेषण इ घटना क क्रम का संकेत देत है जेसे पता चलता है कि वस्तुअन का क्रमशः सुदृढ़ रूप से जोड़ल जा सकत है। |
0a54d2f49bda694071bbf43d8e653f5adf85be19 | डाटा माइनिंग सिस्टम का उद्देश्य डेटाबेस में दर्ज तथ्यों से पैटर्न का पता लगाना और उपयोगी जानकारी निकालना है। इ लक्ष्य कय प्राप्ति के लिए एक व्यापक रूप से अपनावल जाए वाल पैटर्न उपलब्ध डेटा कय वर्णनात्मक मॉडल कय गणना करेक लिए विभिन्न मशीन लर्निंग एल्गोरिदम कय लागू करय का होत है। इ प्रकार से हम इ सिद्ध कइ सकत हैं कि ई सब सत्य हई, या झूठ अहइ। अउर इ सब बात हमरे बरे इ प्रमाण से सिद्ध होत ह कि उ सत्य अहइ। मेटा-लर्निंग एक तकनीक है जवन उच्च-स्तरीय वर्गीकरण (या वर्गीकरण मॉडल) क गणना करेक मांग करत है, जेका मेटा-क्लासिफायर कहा जात है, जवन कुछ पेनसिपल फैशन मा एकाधिक वर्गीकरणों का एकीकृत करत है, जवन अलग-अलग डेटाबेस पर अलग से गणना कीन जात है। इ अध्ययन मेटा-लर्निंग का वर्णन करत ह अउर जेएएम सिस्टम (जावा एजेंट्स फॉर मेटा-लर्निंग) प्रस्तुत करत ह, एक एजेंट-आधारित मेटा-लर्निंग सिस्टम बड़े पैमाने पर डेटा खनन अनुप्रयोगों खातिर। विशेष रूप से, ई वितरित डेटा खनन प्रणालि क खातिर कई महत्वपूर्ण आवश्यकताओं का पहचान करता है औरु ऊन से संबंधित है जौन केंद्रीय या मेजबान-आधारित प्रणालि क तुलना मा अतिरिक्त जटिलता से उत्पन्न होत हैं। वितरित प्रणाली मा विभिन्न प्लेटफार्मों, बहु डेटाबेस र (संभवतः) विभिन्न योजनाहरु संग, डाटा साइटहरु को बीच संचार को लागी स्केलेबल र प्रभावी प्रोटोकॉल को डिजाइन र कार्यान्वयन संग, र अन्य पियर डाटा साइटहरु बाट gated जानकारी को चुनिंदा र कुशल उपयोग को लागी व्यवहार गर्न को लागी आवश्यकता हुन सक्छ। अन्य महत्वपूर्ण समस्या, आंतरिक विन् IBM fellowship से भी मदद मिली। डेटा माइनिंग सिस्टम क जिनकी अनदेखी नाहीं कीन जाय सकत, पहिले, ओन नई जानकारी का लाभ उठायब जवन कि पहिले उपलब्ध नाही रहिन, जब मॉडल की गणना कीन जात रही अउर मौजूदा मॉडल से इनका जोड़ा जात रहा, अउर दूसर, नई मशीन लर्निंग विधियन अउर डेटा माइनिंग टेक्नोलॉजीज का समावेश करै खातिर लचीलापन। हम जेएएम के संदर्भ में इ मुद्दों का पता लगाये और व्यापक अनुभवजन्य अध्ययन के माध्यम से विभिन्न प्रस्तावित समाधान का मूल्यांकन करे । |
b00672fc5ff99434bf5347418a2d2762a3bb2639 | एम्बेडेड डिवाइसेस का हर जगह इस्तेमाल होत है, अउर इनका इस्तेमाल प्राइवेसी-सेंसिटिव अउर सिक्योरिटी-क्रिटिकल एप्लीकेशन में होत है। ई यंत्रन कय ज्यादातर मालिकाना सॉफ़्टवेयर चलावत हैं, औ सॉफ़्टवेयर कय आंतरिक कामकाज के बारे मा बहुत कम प्रलेखन उपलब्ध अहै। कुछ मामलन मा, हार्डवेयर अउर सुरक्षा तंत्र के कीमत का कारण उपकरण तक पहुंच नाई हो सकत है। इ तरह के वातावरण मा मौजूद सॉफ्टवेयर का विश्लेषण चुनौतीपूर्ण अहै, लेकिन अगर जरूरी होय, तौ ओन्हन सॉफ्टवेयर बग या खराब विकीयन से बचाय सका जात है। असल मा, हाल के अध्ययन बाजार मा उपलब्ध कई अंतर्निहित उपकरणों मा बैकडोर की उपस्थिति का पता चला। इ पेपर मा, हम फर्मलाइसे, एक बाइनरी विश्लेषण फ्रेमवर्क प्रस्तुत करत हौ जवन एम्बेडेड यंत्रों पर चल रहे फर्मवेयर का विश्लेषण समर्थन करत हौ। फर्मलाइसे एक प्रतीकात्मक निष्पादन इंजन, अउर तकनीक, जइसे कि प्रोग्राम स्लाइसिंग, के ऊपर बनत है ताकि एकर स्केलेबिलिटी बढ़ सके। एकर अलावा, Firmalice प्रामाणिकता बाईपास दोष का एक नया मॉडल का उपयोग करत है, जवन कि हमलावर के क्षमता का आधार पर विशेषाधिकार प्राप्त संचालन का संचालन करे खातिर आवश्यक इनपुट का निर्धारित करेक अहै। हम तीन वाणिज्यिक रूप से उपलब्ध डिवाइस पर फर्मवेयर पर Firmalice का मूल्यांकन किया, और उनमें से दो पर प्रमाणीकरण बाईपास बैकडोर का पता लगाने में सक्षम थे। ई अतिरिक्त सुविधाएँ परदान करत है, "अनुरोध" कय साथे, अउर आमतौर पय यहिकै सिफारिश करी जात है कि ई निर्दिष्ट करैः |
6949a33423051ce6fa5b08fb7d5f06ac9dcc721b | खरीद प्रक्रिया मा धोखाधड़ी व्यवहार का पता लगाने के लिए प्रक्रिया खनन का उपयोग करने का सैद्धांतिक और व्यावहारिक मूल्य पर एक मामला अध्ययन सारांश यह थीसिस प्रक्रिया खनन और धोखाधड़ी का पता लगाने पर छह महीने की शोध अवधि के परिणाम प्रस्तुत करता है। इ शोधन कय उद्देश्य ई बतायके रहे कि धोखाधड़ी कय पता लगावे कय लिए प्रोसेस माइनिंग कय उपयोग कै सका जात है औ धोखाधड़ी कय पता लगावे कय लिए प्रोसेस माइनिंग कय उपयोग कैके का फायदा है। साहित्य अध्ययन के आधार पर ई प्रक्रिया खनन अउर एकर विभिन्न पहलुअन अउर तकनीकन का सिद्धांत अउर अनुप्रयोग पर चर्चा प्रदान करत है। साहित्य अध्ययन अउर क्षेत्र के विशेषज्ञ से साक्षात्कार का उपयोग कइके धोखाधड़ी अउर धोखाधड़ी के पता लगावे के बारे मा चर्चा कीन गा है। ई परिणाम प्रक्रिया खनन अउर धोखाधड़ी का पता लगावे पर मौजूदा मामला अध्ययन के विश्लेषण के साथ जोड़ के दुई मामला अध्ययन के एक प्रारंभिक सेटअप का निर्माण करे खातिर, जेहमा खरीद प्रक्रिया में संभावित धोखाधड़ी व्यवहार का पता लगावे खातिर प्रक्रिया खनन लागू होत है। ई केस स्टडीज कय अनुभव औ परिणाम के आधार पे, 1+5+1 पद्धति कय सिद्धांतों का संचालन करय कय दिशा मा एक पहिला कदम के रूप मा प्रस्तुत करल गवा अहै, जेहमा धोखाधड़ी कय पता लगावे कय प्रयास करत समय प्रक्रिया खनन तकनीक का व्यवहारिक रूप से उपयोग कै जाए कय सलाह भी दिया गवा अहै। इ थीसिस तीन निष्कर्ष प्रस्तुत करत हैः (1) प्रक्रिया खनन धोखाधड़ी का पता लगाने के लिए एक मूल्यवान अतिरिक्त है, (2) 1 + 5 + 1 अवधारणा का उपयोग संभावित धोखाधड़ी व्यवहार के संकेतक का पता लगाने के लिए संभव है (3) धोखाधड़ी का पता लगाने के लिए प्रक्रिया खनन का व्यावहारिक उपयोग वर्तमान उपकरणों के खराब प्रदर्शन से कम हो रहा है। प्रविधि अउर औजार जवन प्रदर्शन के समस्या से ग्रस्त नाहीं हयन, नियमित डेटा विश्लेषण तकनीक के बजाय एक अतिरिक्त, बल्कि एक प्रतिस्थापन हयन, या तो नया, तेज, या अधिक आसानी से प्राप्त अंतर्दृष्टि प्रदान करत हयन प्रक्रिया अउर संभावित धोखाधड़ी व्यवहार में। iii ओकैम का रेजर: "कउनो भी चीज का स्पष्टीकरण देने के लिए आवश्यक इकाई की संख्या, जो आवश्यक से अधिक हो, नहीं बढ़ानी चाहिए" iv सामग्री |
8aef832372c6e3e83f10532f94f18bd26324d4fd | मौजूदा ज्ञान आधारित प्रश्न-उत्तर प्रणाली अक्सर छोटे एनोटेटेड प्रशिक्षण डेटा पर निर्भर करती हैं। जबकि रिलेशन एक्सट्रैक्शन जैसन उथला तरीका डेटा की कमी से मजबूत है, ऊ सिमेंटिक पार्सिंग जैसन गहरी अर्थ प्रतिनिधित्व विधियों से कम अभिव्यक्तिपूर्ण है, इ प्रकार कई बाधाओं से जुड़े सवालों का जवाब देने में विफल रहता है। इ समस्या का हम विकिपीडिया से अउर प्रमाण के साथ एक रिश्ता निष्कर्षण विधि का सशक्तिकरण करके हल करत बानी. पहिले हम फ्रीबेस से उम्मीदवार उत्तर प्राप्त करे खातिर एक न्यूरल नेटवर्क आधारित संबंध निकालेवाला प्रस्तुत करत हई, अउर फिर इन उत्तरन के सत्यापित करे खातिर विकिपीडिया पर अनुमान लगावत हई। वेबक्वासेशन प्रश्न उत्तर डेटासेट पर प्रयोग से पता चलता है कि हमारी पद्धति 53.3% का F1 प्राप्त कर रही है, जो कि अत्याधुनिक से काफी सुधार है। |
16edc3faf625fd437aaca1527e8821d979354fba | कल्याण एक जटिल अवधारणा है जो सबसे अच्छे अनुभव का आधार बनाती है। कल्याण पर वर्तमान शोध दो सामान्य दृष्टिकोणों से लिया गया हैः आनंद का दृष्टिकोण, जो खुशी पर केंद्रित है और सुख की प्राप्ति और दर्द से बचने के संदर्भ में कल्याण को परिभाषित करता है; और eudaimonic दृष्टिकोण, जो अर्थ और आत्म-साक्षात्कार पर केंद्रित है और एक व्यक्ति के पूर्ण रूप से काम कर रहे डिग्री के संदर्भ में कल्याण को परिभाषित करता है। इन दुनो दृष्टिकोणन से अलग-अलग अनुसंधान फोकस और ज्ञान का एक समूह विकसित हुआ है जो कुछो क्षेत्रो में अलग अलग हय और कुछो में पूरक हय। बहुस्तरीय मॉडलिंग अउर निर्माण तुलना के बारे मा नया तरीका के विकास भी शोधकर्तान का क्षेत्र के खातिर नया सवाल तैयार करे का अनुमति देत है। ई समीक्षा भलाई के प्रकृति, एकर पूर्ववर्ती, अउर समय अउर संस्कृति के पार एकर स्थिरता के बारे में दुन्नो दृष्टिकोण से अनुसंधान पर विचार करत है । |
ac8c2e1fa35e797824958ced835257cd49e1be9c | इ पेपर सूचना प्रौद्योगिकी अउर संगठनात्मक सिछन पे उभरत शोध साहित्य कय समीक्षा अउर मूल्यांकन करत अहै। अर्थ अउर माप के मुद्दा पर चर्चा के बाद, हम अनुसंधान के दुई मुख्य धाराओं का पहचान अउर मूल्यांकन करत हैंः अध्ययन जे संगठन में सूचना प्रौद्योगिकी के कार्यान्वयन अउर उपयोग की प्रक्रिया में संगठनात्मक सीखने की अवधारणाओं का लागू करत हैं; अउर संगठनात्मक सीखने का समर्थन करे खातिर सूचना प्रौद्योगिकी अनुप्रयोगों के डिजाइन से संबंधित अध्ययन। अनुसंधान के पहिले धारा से, हम निष्कर्ष निकालते हैं कि अनुभव कार्यान्वयन की सफलता में एक महत्वपूर्ण, फिर भी अनिश्चित भूमिका निभाता है; सीखने का औपचारिक प्रशिक्षण और अभ्यास में भागीदारी दोनों के माध्यम से पूरा किया जाता है; अन्य संगठनों से सीखने से संगठनात्मक ज्ञान बाधाओं पर काबू पा सकता है; और नई प्रौद्योगिकियों का सीखना एक गतिशील प्रक्रिया है, अवसरों की अपेक्षाकृत संकीर्ण खिड़कियों द्वारा विशेषता है। बाद की धारा से, हम निष्कर्ष निकालते हैं कि संगठनात्मक स्मृति सूचना प्रणाली का वैचारिक डिजाइन कलाकृतियों के विकास में एक महत्वपूर्ण योगदान है; संचार अउर प्रवचन का समर्थन करे वाली प्रणालियों के माध्यम से सीखा जाना बेहतर है; अउर सूचना प्रौद्योगिकी मा संगठनात्मक सीखा को सक्षम और अक्षम करे का क्षमता है। आजकाल ई दुनो फ़ील्ड एक-दूसर से अलगा हैं अऊर इनका आपस में बहुत गहरा संबंध भी है. हम सलाह देत है कि सूचना प्रौद्योगिकी अउर संगठनात्मक सीख का भविष्य का शोध ज्यादा एकीकृत तरीका से आगे बढ़े, संगठनात्मक सीख का स्थित प्रकृति का पहचान करे, वितरित संगठनात्मक स्मृति पर ध्यान केंद्रित करे, व्यवहार में कलाकृतियों की प्रभावशीलता का प्रदर्शन करे, अउर संबंधित क्षेत्रन में प्रासंगिक शोध निष्कर्षों की तलाश करे। |
654d129eafc136bf5fccbc54e6c8078e87989ea8 | इ काम मा एक मल्टी-मोड बीम-फॉर्मिंग 77-GHz आवृत्ति-संयोजित निरंतर तरंग रडार प्रणाली प्रस्तुत कीन गा है। चार ट्रांससीवर चिप्स का उपयोग प्रसारण पथ में एकीकृत इनफेस/क्वाड्रेट मॉड्यूलेटर के साथ एक साथ एक कम दूरी की आवृत्ति-विभाजन बहु-पहुँच (एफडीएमए) बहु-इनपुट बहु-आउटपुट (एमआईएमओ) और एक लंबी दूरी की प्रसारण चरणबद्ध सरणी (पीए) रडार प्रणाली का एहसास करने के लिए किया जाता है। इ एफडीएमए एमआईएमओ रडार का उच्च कोणीय रिज़ॉल्यूशन और पीए ट्रांसमिट एंटीना का उच्च लाभ और स्टीरिएबल बीम का संयोजन है। चार एंटीना अउर रिसीव पथ में डिजिटल बीमफॉर्मिंग के तरीका के साथ रैखिक एंटीना सरणी खातिर इ अवधारणा का उपयोग करे के संभावित लाभ के दिखाने खातिर कई माप करल गयल रहे. |
60611349d1b6d64488a5a88a9193e62d9db27b71 | ई रिपोर्ट मौजूदा थकान का पता लगाने अउर भविष्यवाणियां करे वाली टेक्नोलॉजी का समीक्षा करत है। विभिन्न उपलब्ध तकनीकन से संबंधित डेटा कई विश्व स्त्रोत से एकत्रित किया गया है। इ रिपोर्ट कय पहिला आधा भाग प्रौद्योगिकी कय वर्तमान अनुसंधान औ विकास कय सारांश देत अहै औ संवेदनशीलता, विश्वसनीयता, वैधता औ स्वीकार्यता कय मुख्य मुद्दा कय संबंध मे प्रौद्योगिकी कय स्थिति का सारांश देत अहै। दूसर आधा मा परिवहन मा प्रौद्योगिकि की भूमिका का मूल्यांकन करत है, अउर अन्य प्रवर्तन और नियामक ढांचे के विसय मा प्रौद्योगिकि की जगह पर टिप्पणी करत है, खासकर ऑस्ट्रेलिया और न्यूजीलैंड मा। रिपोर्ट कय लेखक इ निष्कर्ष निकालल हय कि हार्डवेयर प्रौद्योगिकी कभियो भी कंपनी थकावट प्रबंधन प्रणाली के रूप मा प्रयोग नाय करेक चाहि। हार्डवेयर प्रौद्योगिकी मा केवल अंतिम खाई सुरक्षा उपकरण को रूप मा क्षमता छ। ई सब के बावजूद, हार्डवेयर प्रौद्योगिकी का उत्पादन वास्तविक समय मा जोखिम के आकलन प्रदान करैं खातिर कंपनी के थकान प्रबंधन प्रणालि मा उपयोगी हो सकथे। बहरहाल, ई सब महतवपूर्ण अहै कि हम ई स्वीकार करें कि अय्यूब एक बार फिर से सोवियत संघ कय सदस्य रहा है। अन्य इनपुट कम से कम वैध सॉफ्टवेयर प्रौद्योगिकियों, कर्तव्य के लिए फिटनेस का पारस्परिक मूल्यांकन और काम के भार, शेड्यूल और रोस्टर के अन्य जोखिम मूल्यांकन से आना चाहिए। उद्देश्य: जानकारी खातिर: भारी वाहन चालकन के थकान का प्रबंधन मा थकान का पता लगावै अउर भविष्यवाणी तकनीक के जगह का समझ प्रदान करै खातिर। |
d26c517baa9d6acbb826611400019297df2476a9 | |
0ee1916a0cb2dc7d3add086b5f1092c3d4beb38a | पास्कल विजुअल ऑब्जेक्ट क्लास (वीओसी) चुनौती विजुअल ऑब्जेक्ट श्रेणी मान्यता अउर पता लगावा मा एक बेंचमार्क है, जो विजन अउर मशीन लर्निंग समुदायों का छवियों अउर एनोटेशन का एक मानक डेटासेट, अउर मानक मूल्यांकन प्रक्रियाओं के साथ प्रदान करत है। 2005 से अब तक हर साल आयोजित की जा रही है, चुनौती का एक नया रूप, साथ ही संबंधित आंकड़े भी शामिल हैं, जिन्हें प्रकृति का पता लगाने के लिए संदर्भ बिंदु के रूप में माना जा रहा है। इ पेपर मा डाटासेट औ मूल्यांकन प्रक्रिया का वर्णन कराइक है। हम वर्गीकरण अउर पता लगावा दुन्नो खातिर मूल्यांकन विधियन में अत्याधुनिक का समीक्षा करत हई, विश्लेषण करत हई कि क्या विधियन सांख्यिकीय रूप से भिन्न हई, इमेज से का सीखत हई (उदाहरण के लिए, पेंटिंग से) । वस्तु या एकर संदर्भ), अउर विधि का सरल या भ्रमित करें। ई पेपर चुनौती का तीन साल के इतिहास से सीखे वाली सीख के साथ समाप्त होत है, अउर भविष्य मा सुधार अउर विस्तार के दिशा मा प्रस्ताव करत है। |
981fef7155742608b8b6673f4a9566158b76cd67 | |
a6eb10b1d30b4547b04870a82ec0c65baf2198f8 | |
40e06608324781f6de425617a870a103d4233d5c | फिर, ज्ञान प्रबंधन तंत्र का संचालन करने के लिए, निरंतर नवाचार की प्रक्रिया में ज्ञान संपत्ति, मेटा-मॉडल और मैक्रो प्रक्रिया के तीन स्रोतों का एकीकरण करके एक पदानुक्रमित मॉडल का निर्माण किया जाता है। इ मॉडल ज्ञान औ नवाचार के बीच जटिल संबंधों का चार स्तरन मा विभाजित करत है। व्यावहारिक प्रभाव - पिछला शोध में ज्ञान प्रबंधन प्रथाओं के बारे में सीखे गए सबक के अनुसार, नवाचार के लिए ज्ञान प्रबंधन परियोजनाओं के सफल कार्यान्वयन के लिए ज्ञान प्रबंधन के तीन दृष्टिकोण एक दूसरे के साथ सहयोग करना चाहिए; और पदानुक्रमित मॉडल नवाचार के लिए ज्ञान प्रबंधन प्रणाली लागू करने के लिए एक उपयुक्त वास्तुकला प्रदान करता है। मौलिकता/मूल्य - ज्ञान प्रबंधन का मेटा-मॉडल अउर मैक्रो प्रक्रिया समझाइ कि कैसे अगली पीढ़ी का ज्ञान प्रबंधन मूल्य सृजन मा मदद कर सकत है अउर सिस्टम सोच के नजरिया से निरंतर नवाचार का समर्थन कर सकत है। पदानुक्रमित मॉडल निरंतर नवाचार की प्रक्रिया मा जटिल ज्ञान गतिशीलता को दर्शाता है। उद्देश्य इ शोध का उद्देश्य नवाचार के लिए ज्ञान प्रबंधन (KM) के तंत्र का समझना है और उद्यमों के लिए निरंतर नवाचार में KM गतिविधियों का लाभ उठाने का एक तरीका प्रदान करना है। डिजाइन/पद्धति/दृष्टिकोण - बहु-विषयक क्षेत्र से साहित्य की समीक्षा करके ज्ञान, ज्ञान प्रबंधन और नवाचार की अवधारणाओं का अध्ययन किया जाता है। ज्ञान का भौतिक, मानव और तकनीकी परिप्रेक्ष्य नवाचार के लिए दो मुख्य गतिविधियों की पहचान के साथ प्रतिष्ठित हैं: ज्ञान का सृजन और ज्ञान का उपयोग। फिर निरंतर नवाचार की एक अनिवार्य आवश्यकता - एक आंतरिककरण चरण का परिभाषित है। नवाचार खातिर ज्ञान प्रबंधन तंत्र के बारे मा व्यापक समझ प्रदान करे खातिर सिस्टम सोच अउर मानव-केंद्रित परिप्रेक्ष्य अपनाई जात हैं। निष्कर्ष - आंतरिककरण का चरण शामिल करके ज्ञान प्रबंधन पर आधारित निरंतर नवाचार का एक नेटवर्किंग प्रक्रिया प्रस्तावित है। केएम के तीन परिप्रेक्ष्य के अनुसार, नवाचार में संगठनात्मक ज्ञान संपत्ति के तीन स्रोत का पहचान कीन गवा अहै। फिर नवाचार की दो मुख्य गतिविधियों के आधार पर, निरंतर नवाचार के लिए केएम के तंत्र का मॉडल बनाने के लिए एक मेटा-मॉडल अउर एक मैक्रो प्रक्रिया का प्रस्ताव है। |
1dba1fa6dd287fde87823218d4f03559dde4e15b | इ पेपर प्राकृतिक भाषा एनोटेशन के उपयोग से सीखे गए रणनीति अउर सीख का प्रस्तुत करत है ताकि स्टार्ट सूचना पहुंच प्रणाली में प्रश्न का उत्तर देवे में आसानी हो सके। |
77fbbb9ff612c48dad8313087b0e6ed03c31812a | तरल क्रिस्टल बहुलक (एलसीपी) एक सामग्री है जवन संभावित उच्च प्रदर्शन माइक्रोवेव सब्सट्रेट और पैकेजिंग सामग्री के रूप मा ध्यान प्राप्त कीन गा है। इ जांच मिलीमीटर-लहर आवृत्ति खातिर एलसीपी के विद्युत गुणन के निर्धारित करे खातिर कई विधि का उपयोग करत है। माइक्रोस्ट्रिप रिंग रेजोनेटर अउर गुहा रेजोनेटर का 30 गीगाहर्ट्ज से ऊपर के एलसीपी के डाइलेक्ट्रिक स्थिर (/spl epsi//sub r/) अउर हानि स्पर्शरेखा (tan/spl delta/) के लक्षण के खातिर नापल जात है। मापा गया डाइलेक्ट्रिक स्थिर 3.16 के पास स्थिर दिखाया गया है, और हानि स्पर्शरेखा 0.0049 से नीचे रहता है। एकर अलावा, कई ट्रांसमिशन लाइन अलग-अलग एलसीपी सब्सट्रेट मोटाई पर बनी हैं अउर हानि विशेषताओं को 2 से 110 गीगाहर्ट्ज प्रति सेंटीमीटर डेसिबल में दिया जाता है। 110 गीगाहर्ट्ज पर ट्रांसमिशन लाइन का पीक लॉस 0.88-2.55 डीबी/सेमी के बीच भिन्न होता है, लाइन प्रकार और ज्यामिति के आधार पर। इ परिनाम पहली बार इ दिखावा कई है कि एलसीपी मा मिलिमीटर तरंग आवृत्ति के माध्यम से विस्तारित अनुप्रयोगों खातिर उत्कृष्ट ढांकता हुआ गुण है। |
cb84ef73db0a259b07289590f0dfcb9b8b9bbe79 | ई कागज पहनय योग्य यंत्रन के लिए एक हाइब्रिड रेडियो आवृत्ति (आरएफ) अउर पीजोइलेक्ट्रिक पतली फिल्म पॉलीविनाइलिडेन फ्लोराइड (पीवीडीएफ) कंपन ऊर्जा हार्वेस्टर का वर्णन करत है। परजीवी क्षमताओं अउर असतत प्रेरक के प्रतिरोध विशेषता का शोषण करके, प्रस्तावित हार्वेस्टर न केवल 15 हर्ट्ज कंपन ऊर्जा का सफाया करत है बल्कि 915 मेगाहर्ट्ज लचीला चांदी-इंक आरएफ डायपोल एंटीना के रूप में भी काम करत है। एकर अलावा, एक इंटरफेस सर्किट का मूल्यांकन कीन गा है जेहमा 6 चरण का डिकसन आरएफ-टू-डीसी कनवर्टर और डायोड ब्रिज रेक्टिफायर शामिल है ताकि हाइब्रिड हार्वेस्टर का आरएफ और कंपन आउटपुट का डीसी सिग्नल में बदल के रेसिस्टिव लोड का पावर दिया जा सके। आरएफ से डीसी कनवर्टर और -8 डीबीएम इनपुट आरएफ पावर का उपयोग करते समय 20.9 μ की अधिकतम सीसी आउटपुट पावर, ओपन-सर्किट आउटपुट वोल्टेज का 36 प्रतिशत पर प्राप्त की जाती है, जबकि 3 जी कंपन उत्तेजना से प्राप्त सीसी पावर, ओपन-सर्किट वोल्टेज का 51 प्रतिशत पर अधिकतम 2.8 μW तक पहुंचती है। प्रयोगात्मक परिणाम से पता चलता है कि परीक्षण की गई हाइब्रिड हार्वेस्टिंग प्रणाली एक साथ 7.3 μW DC पावर उत्पन्न करती है, जब हार्वेस्टर से 3 W EIRP 915 MHz ट्रांसमीटर की दूरी 5.5 m है, और 1.8 g कंपन त्वरण शिखर से 1.8 μW DC पावर। |
d8e8bdd687dd588b71d92ff8f6018a1084f85437 | इंटरनेट का उपयोग करै वाले मनईन कय यक तरीका ई इंटरनेट कय इस्तेमाल करै वाले यंत्रन कय जैसय बनत हय, ओन्है यंत्रन कय इंटरनेट ऑफ थिंग्स (आईओटी) पारिस्थितिकी तंत्र मा मुख्य रूप से उपयोग कै जाय वाला यंत्र होइहैं। एही से, डिवाइसेज़-टू-डिवाइसेज़ (डी2डी) कम्युनिकेशन आईओटी का एक अंतर्निहित हिस्सा होवे के उम्मीद बा. उपकरण एक दूसरे से स्वचालित रूप से संवाद करेंगे, बिना किसी केंद्रीकृत नियंत्रण के। अउर एकाधिक-विकिपीडिया वाले एक से ढेर जानकारी एकत्रित करै, साझा करै अउर आगे बढ़ावे कय मेनू से। वास्तविक समय मा प्रासंगिक जानकारी एकत्रित करैं कै क्षमता आईओटी कै मूल्य का लाभ उठावै कै कुंजी होय काहे से कि ऐसी जानकारी का बुद्धिमत्ता मा बदल दीन जाये, जवन एक बुद्धिमान वातावरण कै निर्माण कै सुविधा देइ। अंततः, बटोरल गई जानकारी कय गुणवत्ता यक यंत्र कय केतना स्मार्ट होयँ, यकतनहा नींक होत हय। ई संपर्की यंत्रन कय अलग-अलग नेटवर्क मानदंडन के साथ काम करत है, एक दूसर से आवर्तक रूप से जुड़ा होइ सकत है, अउर इनमा से ढेर जने संसाधनन कय कमी से जूझत है। इ विशेषता कै कई नेटवर्किंग चुनौति का खोल देत है जवन पारंपरिक रूटिंग प्रोटोकॉल के समाधान नाही कइ सकत हैं। नतीजतन, स्मार्ट डी टू डी संचार प्राप्त करै खातिर यंत्रन का स्मार्ट रूटिंग प्रोटोकॉल के जरूरत होत है। हम प्रस्तुत कर रहे हैं एक सिंहावलोकन का कि कैसे स्मार्ट D2D संचार IoT पारिस्थितिकी तंत्र में प्राप्त किया जा सकता है। विशेष रूप से, हम ई बात पे ध्यान देत हई कि कइसे उन्नत-कौशल राउटिंग एल्गोरिदम आईओटी में बुद्धिमान डी टू डी संचार क प्राप्त कर सकत ह. |
5e6035535d6d258a29598faf409b57a71ec28f21 | |
766c251bd7686dd707acd500e80d7184929035c6 | ट्रैफिक लाइट डिटेक्शन (टीएलडी) इंटेलिजेंट वाहन अउर ड्राइविंग असिस्टेंस सिस्टम (डीएएस) दूनौ का एक महत्वपूर्ण हिस्सा हवै। अधिकांश टी.डी.ओ. का सामान्य रूप से ई है कि ऊ छोट-छोट अउर निजी डाटासेट पर मूल्यांकन करत हयन जेसे कउनो दिए गए विधि का सही प्रदर्शन निर्धारित करल मुश्किल होई गा । इ पेपर मा हम अत्याधुनिक, रीयल-टाइम ऑब्जेक्ट डिटेक्शन सिस्टम यू ओनली लुक वन, (YOLO) का उपयोग सार्वजनिक LISA ट्रैफिक लाइट डेटासेट पर करत हैं, जवन कि VIVA-चैलेंज के माध्यम से उपलब्ध है, जेमा कई एनोटेटेड ट्रैफिक लाइट्स हैं, जो अलग-अलग प्रकाश और मौसम की स्थिति में कैप्चर की गई हैं।, YOLO ऑब्जेक्ट डिटेक्टर डेज सिक्वेंस1 के लिए 90.49% का प्रभावशाली एयूसी प्राप्त करता है, जो VIVAchallenge में नवीनतम एसीएफ प्रविष्टि की तुलना में 50.32% का सुधार है। एसीएफ डिटेक्टर के समान सटीक प्रशिक्षण विन्यास का उपयोग करते हुए, योलो डिटेक्टर 58.3% का एयूसी प्राप्त करता है, जो कि 18.13% की वृद्धि का है। |
136b9952f29632ab3fa2bbf43fed277204e13cb5 | सीन कैटेगरीज़ेशन कंप्यूटर विजन मा एक मूलभूत समस्या अहै। हालांकि, मंच की समझ का अनुसंधान वर्तमान में उपयोग की जा रही डेटाबेस की सीमित गुंजाइश से बाधित रहा है, जो कि दृश्य श्रेणियों की पूरी विविधता को कैप्चर नहीं करता है। जबकि वस्तु वर्गीकरण खातिर मानक डेटाबेस मा वस्तुओं के सैकड़ों अलग-अलग वर्गों मा शामिल हैं, दृश्य श्रेणियों का सबसे बड़ा उपलब्ध डेटासेट केवल 15 वर्गों मा शामिल है। इ पेपर मा हम व्यापक Scene UNderstanding (SUN) डाटाबेस का प्रस्ताव करत है जौन 899 श्रेणियां औ 130,519 छवियाँ रखत है। हम 397 अच्छी तरह से नमूना श्रेणियों का उपयोग कई दृश्य मान्यता के लिए कला एल्गोरिदम का मूल्यांकन करने के लिए करते हैं और प्रदर्शन की नई सीमाएं स्थापित करते हैं। हम मानव दृश्य वर्गीकरण प्रदर्शन मा माप SUN डाटाबेस मा र कम्प्यूटेशनल विधिहरु संग तुलना। एकरे अलावा हम अउर भी कई खास जगह पई बाज़ार के धंधा करत बानी जेहमा छोट-छोट के अलावा कुछ न कुछ अउर चीजन के धंधा चलावल जाला। |
eb06182a2817d06e82612a0c32a6c843f01c6a03 | इ पेपर एक न्यूरल जेनरेटिव मॉडल का प्रस्ताव करत है, अर्थात् Table2Seq, तालिका के आधार पर एक प्राकृतिक भाषा वाक्य उत्पन्न करे खातिर। विशेष रूप से, मॉडल एक टेबल मा लगातार वैक्टरों को मानचित्रित करत है और फिर एक टेबल मा सिमेंटिक्स का लाभ उठाते हुए एक प्राकृतिक भाषा वाक्य बनाता है। चूँकि दुर्लभ शब्द, उदाहरण के लिए, संस्था अउर मान, आमतौर पर एक तालिका में दिखाई देते हैं, हम एक लचीला कॉपी तंत्र विकसित करते हैं जो चयनित रूप से तालिका से सामग्री का आउटपुट अनुक्रम में दोहराता है। हम अपने Table2Seq मॉडल की प्रभावशीलता का प्रदर्शन करने के लिए व्यापक प्रयोग का संचालन करते हैं और डिजाइन किए गए प्रतिलिपि तंत्र की उपयोगिता का प्रदर्शन करते हैं। WIKIBIO अउर SIMPLEQUESTIONS डाटासेट पर, Table2Seq मॉडल क्रमशः 34.70 से 40.26 तक अउर 33.32 से 39.12 तक BLEU-4 स्कोर के संदर्भ में अत्याधुनिक परिणाम में सुधार करता है। एकरे अलावा हम Open-Domain dataset WIKITABLETEXT का भी निर्माण करत हई जेहमा 4962 तालिकाओं खातिर 13 318 वर्णनात्मक वाक्य शामिल हैं। हमार Table2Seq मॉडल WIKITABLETEXT पर 38.23 का BLEU-4 स्कोर प्राप्त करता है, जो टेम्पलेट-आधारित अउर भाषा मॉडल-आधारित दृष्टिकोण से बेहतर है। एकर अलावा, एक खोज इंजन से 1 एम तालिका-क्वेरी जोड़े पर प्रयोगों के माध्यम से, हमार Table2Seq मॉडल एक तालिका का संरचित हिस्सा मानकर, अर्थात, तालिका विशेषताएं और तालिका कक्ष, अतिरिक्त जानकारी के रूप में, एक अनुक्रम-से-अनुक्रम मॉडल से बेहतर है, जो केवल एक तालिका का अनुक्रमिक हिस्सा मानकर, अर्थात, तालिका शीर्षक। |
ea951c82efe26424e3ce0d167e01f59e5135a2da | टाइम्ड अप एंड गो एक क्लिनिकल टेस्ट है जौन बुजुर्ग लोगन अउर पार्किंसंस रोगिन कै गतिशीलता का मूल्यांकन करै खातिर कीन जात है। हाल ही मा परीक्षण के उपकरण संस्करणों पर विचार किया जा रहा है, जहां जड़ता सेंसर गति का आकलन करते हैं। व्यापकता, उपयोग सुगमता, अउर लागत मा सुधार करैं खातिर, हम स्मार्टफोन के एक्सेलेरोमीटर मा माप प्रणाली के रूप मा विचार करत हन। परीक्षण के दौरान रिकॉर्ड की गई सिग्नल से कई पैरामीटर (आमतौर पर अत्यधिक सहसंबद्ध) की गणना की जा सकती है। आवृत्ति से बचे और वै विशेषताएं प्राप्त करे जो लोकोमोटिव प्रदर्शन के लिए सबसे संवेदनशील हैं, मुख्य घटक विश्लेषण (पीसीए) के माध्यम से एक आयामात्मकता कमी की गई थी। अलग-अलग उम्र के 49 लोगन का टेस्ट कीन गा। पीसीए नई सुविधाओं (मुख्य घटक) निकालने के लिए किया गया था, जो मूल मापदंडों का अनावश्यक संयोजन नहीं हैं, और अधिकांश डेटा भिन्नता के लिए जिम्मेदार हैं। इ खोजपूर्ण विश्लेषण अउर आउटलाइर के पता लगावे खातिर उपयोगी हो सकत हय। फिर, मूल पैरामीटर का एक छोटा समूह मुख्य घटकों के साथ सहसंबंध विश्लेषण के माध्यम से चुना गयल. स्वस्थ वयस्क मा आधारित अध्ययन को लागी यो सेट सिफारिश गर्न सकिन्छ। प्रस्तावित प्रक्रिया का वर्गीकरण अध्ययन (यानी, स्वास्थ्य-पार्किंसंस रोग, फेलर्स-नॉन-फेलर्स) अउर भविष्य मा, एक स्मार्टफोन मा आंदोलन विश्लेषण के लिए एक पूर्ण प्रणाली शामिल कीन जाय की अनुमति दे सकत है। |
e467278d981ba30ab3b24235d09205e2aaba3d6f | इ अध्ययन कय लक्ष्य एक अनुक्रमिक मध्यस्थता मॉडल कय विकास अउर परीक्षण करल रहा जवने मा निष्क्रिय नेतृत्व कय कर्मचारी कल्याण से नकारात्मक सम्बन्ध समझाइ सका जात रहा । भूमिका तनाव सिद्धांत के आधार पर, हम ई मानित करत बानी कि निष्क्रिय नेतृत्व भूमिका अस्पष्टता, भूमिका संघर्ष अउर भूमिका अतिभारन के उच्च स्तर के भविष्यवाणी करी । संसाधन के संरक्षण सिद्धांत का आह्वान करत, हम आगे परिकल्पना करत हई कि ई भूमिका तनाव से कर्मचारी के भलाई के दु पहलु पर अप्रत्यक्ष रूप से अउर नकारात्मक रूप से प्रभाव डालेगा, अर्थात् समग्र मानसिक स्वास्थ्य अउर समग्र कार्य दृष्टिकोण, मनोवैज्ञानिक कार्य थकान के माध्यम से। 2467 अमेरिकी श्रमिकन कय संभाव्यता नमूना कय उपयोग कइके, संरचनात्मक समीकरण मॉडलिंग मॉडल कय समर्थन किहिस जेसे ई देखाइ सका कि भूमिका तनावक अउर मनोवैज्ञानिक काम थकान आंशिक रूप से निष्क्रिय नेतृत्व औ कर्मचारी कल्याण कय दुन्नो पहलुओं के बीच नकारात्मक सम्बन्ध कय मध्यस्थता करत है। परिकल्पित, अनुक्रमिक अप्रत्यक्ष सम्बन्ध निष्क्रिय नेतृत्व अउर मानसिक स्वास्थ्य के बीच समग्र संबंध का 47.9% अउर निष्क्रिय नेतृत्व अउर समग्र कार्य दृष्टिकोण के बीच समग्र संबंध का 26.6% समझाइहे। Copyright © 2016 जॉन विली एंड सन्स, लिमिटेड. |
9a86ae8e9b946dc6d957357e0670f262fa1ead9d | लेख इतिहास: 22 अगस्त 2007 प्राप्त 29 फरवरी 2008 स्वीकार ऑनलाइन उपलब्ध xxxx |
f8acaabc99801a89baa5a9eff445fc5922498dd0 | गहरी डोमेन अनुकूलन विधियन डोमेन-अपरिवर्तनीय एम्बेडिंग सीखकर वितरण विसंगति को कम कइ सकत हैं। हालांकि, इ पद्धति केवल पूर डेटा वितरण का संरेखित करे मा ध्यान केंद्रित करत है, जौन स्रोत और लक्ष्य छवियों के बीच वर्ग-स्तरीय संबंधों का ध्यान रखे बिना। इस प्रकार, एक पंछी का लक्षित अंतर्निहित एक हवाई जहाज का स्रोत अंतर्निहित है। इ अर्थहीन अनुक्रम लक्षित डेटासेट पर वर्गीकरण प्रदर्शन का सीधा रूप से गिरावट ला सकता है। इ समस्या का कम करै के खातिर, हम बिना निगरानी वाले डोमेन अनुकूलन के खातिर एक समानता प्रतिबंधित संरेखण (SCA) विधि का प्रस्तुत करत हौवे। जब एम्बेडिंग स्पेस मा वितरण का संरेखण करत है, तब एससीए स्रोत और लक्ष्य छवियों के बीच वर्ग-स्तर संबंध बनाए रखने के लिए एक समानता-संरक्षण बाधा लागू करत है, यानी, अगर एक स्रोत छवि और एक लक्ष्य छवि एक ही वर्ग लेबल का है, तो उनके संबंधित एम्बेडिंग को आस-पास संरेखित किया जाना चाहिए, और vice versa। लक्षित लेबल कय अभाव मा, हम लक्षित चित्रन् कय लिए छद्म लेबल का निर्दिष्ट करत है । लेबल वाली स्रोत छवियन अउर छद्म-लेबल वाली लक्ष्य छवियन का देखते हुए, ट्रिपलट हानि के कम से कम करके समानता-संरक्षण बाधा लागू कीन जा सकत है। डोमेन संरेखण हानि अउर समानता-संरक्षण बाधा के संयुक्त पर्यवेक्षण के साथ, हम एक नेटवर्क का प्रशिक्षण देत हैं ताकि डोमेन-अपरिवर्तनीय एम्बेडिंग प्राप्त हो सके, जौने में दुइ महत्वपूर्ण विशेषताएं, इंट्रा-क्लास कम्पैक्टनेस अउर इंटर-क्लास पृथक्करण हैं। दुनो डेटा सेट पर कईल गयल व्यापक प्रयोग से एससीए क प्रभावकारिता का अच्छा तरह से पता चलल बा। |
a3c3c084d4c30cf40e134314a5dcaf66b4019171 | |
21aebb53a45ccac7f6763d9c47477092599f6be1 | |
12e1923fb86ed06c702878bbed51b4ded2b16be1 | इ लेख मा, हम एक पोर्टेबल स्मार्ट रडार सेंसर से हस्ताक्षर पैटर्न मान्यता पर आधारित मानव इशारा मान्यता प्रणाली का डिजाइन पर विचार करत हैं। एएए बैटरी से संचालित, स्मार्ट रडार सेंसर 2.4 गीगाहर्ट्ज औद्योगिक, वैज्ञानिक और चिकित्सा (आईएसएम) बैंड में काम करता है। हम फीचर स्पेस का विश्लेषण प्रिंसिपल कंपोनेंट्स अउर एप्लिकेशन-विशिष्ट समय अउर आवृत्ति डोमेन फीचर का उपयोग करत हुए कई अलग-अलग सेट के इशारन खातिर रडार सिग्नल से निकालल गयल. हम बताय देहे हई कि निकटतम पड़ोसी आधारित वर्गीकरणकर्ता बहु-वर्ग वर्गीकरण के लिए 95% से अधिक सटीकता प्राप्त कर सकत है जब 10 गुना क्रॉस सत्यापन का उपयोग करत हुए विसेसताओं का निकालल जा रहा है, जब ऑर्थोगोनल रूपांतरणों के माध्यम से निकाले गए विसेसताओं की तुलना में परिमाण अंतर और डॉपलर बदलाव के आधार पर निकाला जाता है। रिपोर्ट रिपोर्ट रिपोर्ट स्मार्ट होम अउर स्वास्थ्य निगरानी उद्देश्य के लिए पैटर्न मान्यता प्रणाली के साथ एकीकृत बुद्धिमान रडार के क्षमता का दिखावा करत है। |
25b87d1d17adabe2923da63e0b93fb7d2bac73f7 | नेटवर्क अउर ओकरी संसाधनन पइ हमला करइवालन क लगातार बढ़त जाइ से (जइसे हाल ही मँ कोडरेड कीड़ा से देखाय गवा बा) इनका बचावइ बरे जरूरी लागत अहइ। फ़ायरवॉल अब एक आम स्थापना है घुसपैठ के प्रयासों का खारिज करने के लिए पहली जगह पर। घुसपैठ का पता लगाने वाला सिस्टम (आईडीएस), जउन कि दुर्भावनापूर्ण गतिविधि का पता लगावे के बजाय इनका रोके का प्रयास करत है, जब पहली रक्षा परिधि में घुस जाता है, त अतिरिक्त सुरक्षा प्रदान करत है। पहचान प्रणाली एकत्रित डेटा की तुलना करके हमले को पिन करने का प्रयास करते हैं, पूर्वनिर्धारित हस्ताक्षर के लिए ज्ञात है कि दुर्भावनापूर्ण (हस्ताक्षर आधारित) या कानूनी व्यवहार के एक मॉडल (असामान्य आधारित) । असामान्यता आधारित प्रणालियों का फायदा है कि वे पहले से अज्ञात हमलों का पता लगाने में सक्षम हैं, लेकिन वे स्वीकार्य व्यवहार का एक ठोस मॉडल बनाने की कठिनाई से पीड़ित हैं और असामान्य लेकिन अधिकृत गतिविधियों के कारण अलार्म की उच्च संख्या से पीड़ित हैं। हम एक ऐसी प्रनाली प्रस्तुत करत हई जवन नेटवर्क सेवा क आवेदन-विशिष्ट ज्ञान का उपयोग करत है जवन की सुरक्षा कीन जाये का चाही। इ जानकारी वर्तमान, सरल नेटवर्क यातायात मॉडल का विस्तार करेक खातिर एक अनुप्रयोग मॉडल का निर्माण करेक खातिर मदद करत है जवन एकल नेटवर्क पैकेट में छिपल दुर्भावनापूर्ण सामग्री का पता लगावेक अनुमति देत है। हम अपने प्रस्तावित मॉडल का विवरण प्रस्तुत करें ताकि वै वै वैकल्पिक रूप से आपके लिए उपयुक्त हो सके। ई ऊपरी परीक्षण के बाद की स्थिति है। |
10338babf0119e3dba196aef44fa717a1d9a06df | |
36e41cdfddd190d7861b91b04a515967fd1541d9 | प्राप्त: 20 जुलाई 2012 संशोधित: 18 फरवरी 2013 2nd संशोधन: 28 जून 2013 3rd संशोधन: 20 सितंबर 2013 4th संशोधन: 7 नवंबर 2013 स्वीकारः 1 फरवरी 2014 सार सामाजिक नेटवर्किंग साइटों (एसएनएस) में एम्बेडेड संदेशों और सामाजिक संबंधों की संख्या के रूप में, व्यक्तियों से प्रतिक्रिया की मांग की जा रही सामाजिक जानकारी की मात्रा भी बढ़ रही है। हम देखत हई कि, ई सब हम्मर सोच से त बस इहे होत हई, कि सोशल मीडिया यूजरन का चाही कि आपन मनमाना समझ अउर आपन भासा के इस्तेमाल करे के बदे दूसरन के मदद करें। सामाजिक समर्थन सिद्धांत (SST) पर आधारित, हम एसएनएस उपयोग के साथ इस नकारात्मक संघ को "सामाजिक अधिभार" कहते हैं और इसे मापने के लिए एक अदृश्य चर का विकास करते हैं। त हम सामाजिक अतिभार का सैद्धांतिक पूर्ववर्ती अउर परिणाम के पहिचान करत हई अउर सामाजिक अतिभार मॉडल का अनुभवजन्य रूप से मूल्यांकन करत हई 12 अउर 571 फेसबुक उपयोगकर्ता के साक्षात्कार का उपयोग करत हुए। नतीजा ई दिखावा करत है कि उपयोग कै सीमा, दोस्तन कै संख्या, व्यक्तिपरक सामाजिक समर्थन नियम, औ सम्बन्ध कै प्रकार (ऑनलाइन-केवल बनाम ऑफ़लाइन दोस्त) वै कारक हई जउन सीधे सामाजिक अधिभार मा योगदान देत हैं, जबकि उम्र मा केवल एक अप्रत्यक्ष प्रभाव होत है। सामाजिक अधिभार का मनोवैज्ञानिक अउर व्यवहारिक परिणाम में एसएनएस उपयोगकर्ता द्वारा थकावट का भावना, उपयोगकर्ता संतुष्टि का निम्न स्तर, अउर एसएनएस का उपयोग कम करे या बंद करे के उच्च इरादा शामिल है। एस एस टी अउर एस एन एस स्वीकृति अनुसंधान खातिर परिणामी सैद्धांतिक निहितार्थ पर चर्चा कीन गवा है अउर संगठनों, एस एन एस प्रदाताओं अउर एस एन एस उपयोगकर्ताओं खातिर व्यावहारिक निहितार्थ तैयार कीन गवा है। यूरोपियन जर्नल ऑफ इंफॉर्मेशन सिस्टम्स अग्रिम ऑनलाइन प्रकाशन, 4 मार्च 2014; doi:10.1057/ejis.2014.3; ऑनलाइन 11 मार्च 2014 सही |
ffcb7146dce1aebf47a910b51a873cfec897d602 | स्कैन अउर सेगमेंट स्कैन कई अनुप्रयोगन के लिए महत्वपूर्ण डेटा-समानांतर आदिम हैं। हम ग्राफिक्स प्रोसेसिंग यूनिट्स (जीपीयू) पर इन प्राइम्टीव्स के लिए तेजी से, काम-कुशल एल्गोरिदम प्रस्तुत करत हैं। हम नया डेटा प्रतिनिधित्व का उपयोग करते हैं जो कि GPU आर्किटेक्चर से अच्छी तरह से मैप होता है। हमार एल्गोरिदम साझा मेमोरी का उपयोग मेमोरी प्रदर्शन का सुधार करे खातिर करत है. हम आपन एल्गोरिदम के प्रदर्शन का अउर बेहतर बनावति हई साझा-स्मृति बैंक संघर्ष का खतम कइके अउर साझा-स्मृति GPU एल्गोरिदम में पहिले से ओवरहेड का कम कइके। एकरे अलावा, हमार एल्गोरिदम सामान्य डेटा सेट पर अच्छा काम करे खातिर डिज़ाइन कइल गयल ह, जेहमा अनुक्रमित सरणी शामिल ह जवन कि एक्ठु निर्दिष्ट लंबाई वाले सेगमेंट होत ह. हम segmented स्कैन का प्रदर्शन segmented लंबाई पर आधारित सुधारने के लिए भी अनुकूलन प्रस्तुत करते हैं। हम आपन एल्गोरिदम एक पीसी मा लागू किहिन जौन एनवीडिया जीफोर्स 8800 GPU से लैस है अउर पहिले कय GPU-आधारित एल्गोरिदम से अपने परिणाम की तुलना कीहिन। हमार परिणाम ई दर्शावत है कि इनपुट अनुक्रम पर पिछले एल्गोरिदम से दस गुना ज्यादा प्रदर्शन, लाखों तत्वन वाले इनपुट अनुक्रम पर. |
6a640438a4e50fa31943462eeca716413891a773 | हम एक नया रैंकिंग एल्गोरिथ्म प्रस्तुत करत हैं जउन पहिले क दुइ विधियन क ताकत का संयोजन करत हैः बढ़ी हुई पेड़ वर्गीकरण, अउर लैम्ब्डा आर, जउन एक व्यापक रूप से उपयोग की जाए वाली सूचना पुनर्प्राप्ति माप के लिए अनुभवजन्य रूप से इष्टतम साबित होइ ग है। एल्गोरिथ्म बूट रेग्रेशन ट्री पर आधारित है, हालांकि विचार किसी भी कमजोर शिक्षार्थियों पर लागू होते हैं, और यह कला की स्थिति की तुलना में प्रशिक्षण और परीक्षण चरणों में काफी तेज है, तुलनात्मक रूप से अधिक सटीक है। हम ई भी दिखाइब कि कौनो भी दो रैंक वाले के लिए इष्टतम रैखिक संयोजन का खोज कैना है, और हम ई विधि का उपयोग करैं कि रेखा खोज समस्या का हल करें। इकरे अलावा, हम देखित हन कि एक जौन पहिले से ही प्रशिक्षित मॉडल से शुरू होत हय, और उसके बाद के अवशेषों का उपयोग करके बंडल बढ़ जात हय, मॉडल का अनुकूलन के लिए एक प्रभावी तकनीक हय, और हम उन परिणामों के लिए निष्कर्ष निकालते हैं जो वेब खोज रैंकिंग प्रशिक्षण में एक विशेष रूप से महत्वपूर्ण मुद्दे हैं, जे बजारों पर उपलब्ध हय। |
72691b1adb67830a58bebdfdf213a41ecd38c0ba | हम एक गहरी नेटवर्क वास्तुकला का परिचय देत हैं जेकर नाम है DerainNet एक छवि से बारिश की लकीरें हटावे खातिर। डीप कन्वोलुशनल न्यूरल नेटवर्क (सीएनएन) के आधार पर, हम सीधे डेटा से बरसात अउर साफ छवि विस्तार परत के बीच मैपिंग संबंध सीखत हैं। काहे से कि हम लोगन के पास वास्तविक दुनिया मा बरखा के तस्वीर के अनुरूप आधार सत्य नहीं है, हम बरखा के साथ छवियों का संश्लेषण करें प्रशिक्षण के लिए। अन्य सामान्य रणनीति के विपरीत जवन नेटवर्क कय गहराई या चौड़ाई बढ़ावे, हम छवि प्रसंस्करण डोमेन ज्ञान कय उपयोग उद्देश्य कार्य कय संशोधित करेक अउर मामूली आकार कय सीएनएन के साथ पटरी से उतरय कय सुधार करेक खातिर करत है। विशेष रूप से, हम अपने "डेराइननेट" का विस्तार (हाई-पास) परत पर बल्कि छवि डोमेन पर प्रशिक्षित करते हैं। यद्यपि डेरेननेट सिंथेटिक डाटा पर प्रशिक्षित है, हम पाते हैं कि सीखे नेटवर्क का परीक्षण के लिए वास्तविक दुनिया की छवियों का बहुत प्रभावी ढंग से अनुवाद है। एकरे अलावा हम सीएनएन फ्रेमवर्क का बढ़ा रहे हैं ताकि दृश्य परिणाम बेहतर होयँ। अत्याधुनिक एकल छवि डी-रेनिंग विधियन क तुलना मा, हमार विधि मा बारिश हटावे मा सुधार ह्वा अउर नेटवर्क प्रशिक्षण के बाद बहुत तेज गणना समय ह्वा। |
34d1ba9476ae474f1895dbd84e8dc82b233bc32e | |
1cdc4ad61825d3a7527b85630fe60e0585fb9347 | लर्निंग एनालिटिक्स टेक्नोलॉजी-एन्हेन्स्ड लर्निंग का एक महत्वपूर्ण क्षेत्र है, जवन पिछले दशक से विकसित हो रहा है। ई क्षेत्र कय समीक्षा शैक्षिक, तकनीकी, शैक्षिक अव राजनीतिक कारकन् कय जांच से शुरू होत है जवन शैक्षिक सेटिंग्स मा विश्लेषिकी कय विकास कय प्रेरित किहिन हँय। ई 20 वीं शताब्दी मा आपन मूल, डेटा-संचालित विश्लेषण, सीखने-केंद्रित परिप्रेक्ष्यों का उदय और राष्ट्रीय आर्थिक चिंताओं का प्रभाव सहित सीखने के विश्लेषण का उदय का चार्ट जारी रखता है। अगला इ सीखय के विश्लेषण, शैक्षिक डाटा खनन अउर अकादमिक विश्लेषण के बीच सम्बन्ध पर ध्यान केंद्रित करत अहै। अंत मा, यह सीखवैं वालेन कय विश्लेषणात्मक अनुसंधान के विकास क्षेत्रऽन कय भी जांच करत है औ भविष्य मा कई चुनौतिऽन कय पहिचान करत है। |
f3ac0d94ba2374e46dfa3a13effcc540205faf21 | |
49fd00a22f44a52f4699730403033416e0762e6d | |
860d3d4114711fa4ce9a5a4ccf362b80281cc981 | हालांकि, जगह की कमी के कारण, यह खंड काफी हद तक कम हो रहा है। एकर अतिरिक्त, समय सारणी मा, समय सारणी मा, स्थानिक, व्यक्ति, घटना, अउर नेटवर्क संचालन पर केंद्रित उपयोगिता ऑन्टोलॉजीज का संक्षिप्त रूप से वर्णित कीन गवा बा। ई उपयोगिता ओन्टोलॉजीज के विशेष सुपर-डोमेन या मध्य-स्तरीय ओन्टोलॉजीज के रूप मा देखल जा सकत है, काहे से की ई कई, अगर अधिकांश नहीं, ओन्टोलॉजीज का कवर करत है - जेमा कौनो साइबर ओन्टोलॉजी भी शामिल है। व्यापार अध्ययन द्वारा प्रयुक्त ओन्टोलॉजिकल वास्तुकला का एक समग्र दृश्य भी दिया जाता है। व्यापार अध्ययन पर रिपोर्ट का निष्कर्ष है कि "विकास के लिए बाजार का आवृत्ति का समय" कुछ संभावित अगले कदम है। इ पेपर एक व्यापार अध्ययन पर रिपोर्ट करत है जवन हम पहिलेन से जानत रहे ईवा मा एक प्रारंभिक मालवेयर ऑन्टोलॉजी से साइबर ऑन्टोलॉजी के विकास का समर्थन करत है। साइबर ऑन्टोलॉजी प्रयास का लक्ष्य पहिले वर्णित है, एकरे बाद उपयोग की गई ऑन्टोलॉजी विकास पद्धति पर चर्चा कीन जाय। पेपर का मुख्य भाग तब आवेला, जवन संभावित ऑन्टोलॉजी अउर मानकों का वर्णन है जेकर उपयोग साइबर ऑन्टोलॉजी का विस्तार करे खातिर कइल जा सकत है. इ संसाधनन् मा खास तौर पै साइबर अउर मैलवेयर मानक, स्कीमा अउर शब्दावली शामिल है जवन सीधे प्रारंभिक मैलवेयर ऑन्टोलॉजी प्रयास मा योगदान दिहिन ह। अन्य संसाधन ऊपरी (कभी-कभी मूल क रूप मा जाना जात हैं) ऑन्टोलॉजीज होत हैं। मूलभूत अवधारनाएं जवन कि कौनो साइबर ऑन्टोलॉजी का विस्तार करिहैं, ऊ पहले से ही इन बुनियादी ऑन्टोलॉजीज में पहचानल गयल हैं अउर सख्ती से परिभाषित कीन गयल हैं। |
4767a0c9f7261a4265db650d3908c6dd1d10a076 | ट्रैकिंग-बाय-डिटेक्शन (टीडीएस) कई लक्ष्यों का पता लगाने का सबसे सफल तरीका साबित हुआ है। [१०, ५३, ५५] परंपरागत रूप से, एक पूर्व-प्रसंस्करण चरण में उत्पन्न दुर्लभ पता लगाने का एक सेट, एक उच्च-स्तरीय ट्रैकर के लिए इनपुट के रूप में कार्य करता है, जिसका लक्ष्य समय के साथ इन "डॉट्स" का सही ढंग से जुड़ना है। इ दृष्टिकोण कय एक स्पष्ट कमी ई है कि छवि अनुक्रमों में उपलब्ध अधिकांश जानकारी को केवल कमजोर पता लगाव प्रतिक्रियाओं का सीमांकित करके अउर गैर-अधिकतम दमन लागू कैके अनदेखा कै दीन गवा है। हम बहु-लक्ष्य ट्रैकर का प्रस्ताव करत हैं जउन निम्न स्तर छवि जानकारी का शोषण करत है अउर हर (सुपर) पिक्सेल का एक विशिष्ट लक्ष्य से जोड़त है या पृष्ठभूमि के रूप में वर्गीकृत करत है। नतीजतन, हम वीडियो सेगमेंटेशन का अधिग्रहण कर रहे हैं, साथ ही साथ पारंपरिक बाउंडिंग-बॉक्स का प्रतिनिधित्व भी कर रहे हैं, जो कि वास्तविक दुनिया के वीडियो में असीमित है। हमार विधि कई मानक बेंचमार्क अनुक्रमों पर उत्साहजनक परिणाम दिखाता है और लंबे समय तक आंशिक रूप से अवरुद्ध भीड़ वाले दृश्यों में पता लगाने वाले अत्याधुनिक दृष्टिकोणों से काफी बेहतर प्रदर्शन करता है। |
8eefd28eb47e72794bb0355d8abcbebaac9d8ab1 | कई दशक से, सांख्यिकीविद लेबल वाले अउर बिना लेबल वाले डेटा का संयोजन का उपयोग कर वर्गीकरणकर्ता का प्रशिक्षण देने का वकालत करत रहे हैं, जो कि पुनरावर्ती उम्मीद-अधिकतम (ईएम) तकनीक के माध्यम से एक जनरेटिव मॉडल के मापदंडों का अनुमान लगाकर है। इ अध्याय इस पाठ का प्रभावी ढंग से अध्ययन करत है जबैकि पाठ वर्ग का डोमेन "आई" लागू होत है. टेक्स्ट दस्तावेज़ इँहा कय बैग-ऑफ-वर्ड्स मॉडल कय साथ निरूपित करा जात है, जवन बहुपद कय मिश्रण पे आधारित एक जनरेटिव वर्गीकरण मॉडल कय ओर ले जात है। ई मॉडल लेखन पाठ की जटिलताओं का एक बहुत ही सरल प्रतिनिधित्व है। ई अध्याय जनरेटिव मॉडल के साथ पाठ वर्गीकरण खातिर अर्ध-पर्यवेक्षित शिक्षा के बारे में तीन मुख्य बिंदुअन का व्याख्या अउर चित्रण करत अहै। सबसे पहिले, सरल प्रतिनिधित्व के बावजूद, कुछ पाठ वस्तुतः उच्च सकारात्मक सहसंबंध का उत्पादन करते हैं, जबकि कई अन्य समान रूप से उच्च प्रदर्शन करते हैं। इन डोमेन मा, ईएम का एक सीधा आवेदन मा बेय्स टेक्स्ट मॉडल के साथ अच्छा काम करत है। दुसरे, कुछ डोमेन का नाम ऐसे है जहां टेक्स्ट एट्रिब्यूट नहीं होता। इ जगह हम अधिक अभिव्यक्तिपूर्ण अउर उपयुक्त सृजनशील मॉडल का चयन कइ सकत हैं, जौन सकारात्मक सहसंबंध का होत है। इन क्षेत्रन मा, अर्ध-पर्यवेक्षित शिक्षा फिर से वर्गीकरण औ दक्षता मा सुधार करत है। अंत मा, ईएम स्थानीय अधिकतम की समस्या से पीड़ित है, खासकर जब से उच्च आयाम नेटवर्क मा पाठ वर्गीकरण जैसन हो। हम देखब कि ई ईएम का एक रूप, निर्धारक एनीलिंग, स्थानीय अधिकतम की समस्या का दूर करै मा मदद कर सकत है अउर जब जनरेटिव मॉडल उचित होइ तब वर्गीकरण सटीकता अउर बढ़ा सकत है। |
696ad1c38b588dae3295668a0fa34021c4481030 | हम बहु-लेबल, बड़े पैमाने पर बहु-वर्ग छवि वर्गीकरण मॉडल का प्रशिक्षण देने के लिए एक विधि प्रस्तुत करते हैं, जो सिग्मोइड क्रॉस-एन्ट्रॉपी हानि (लॉजिस्टिक रिग्रेशन) के माध्यम से पर्यवेक्षण से तेज और अधिक सटीक है। हमार विधि इकाई-मानकीकृत वैक्टरन कय एक कम-आयामी घन दायरा पे उच्च-आयामी बिच्छु लेबल एम्बेड करय से होत है, अउर वर्गीकरण समस्या कय इ दायरा पे कोसिनस निकटता प्रतिगमन समस्या के रूप मा इलाज करत है। हम आपन तरीका 300 मिलियन उच्च रिज़ॉल्यूशन छवियों का डेटासेट पर परीक्षण कर रहे हैं, 17,000 लेबल के साथ, जहां यह काफी तेजी से अभिसरण का उत्पादन करता है, साथ ही साथ 7% उच्च औसत सटीकता भी देता है, तुलनात्मक रूप से लॉजिस्टिक रिग्रेशन की तुलना में। |
ad5974c04b316f4f379191e4dbea836fd766f47c | इ पेपर मशीनी अनुवाद मा बड़े पैमाना पर सांख्यिकीय भाषा मॉडलिंग का लाभ पर रिपोर्ट करत है। एक वितरित बुनियादी ढांचा प्रस्तावित है जेकर उपयोग हम 2 ट्रिलियन टोकन तक प्रशिक्षण खातिर करत हैं, जेकर परिणाम स्वरूप भाषा मॉडल 300 बिलियन एन-ग्राम तक होत हैं। ई तेजी से, एकल-पास डिकोडिंग के लिए सुचारू संभावनाएं प्रदान करने में सक्षम है. हम एक नई चिकनाई विधि का परिचय देत है, जेकर नाम है मूर्खतापूर्ण बैकऑफ, जवन कि बड़ा डेटा सेट पर प्रशिक्षण देने के लिए सस्ता है और प्रशिक्षण डेटा की मात्रा बढे के साथ-साथ Kneser-Ney Smoothing की गुणवत्ता के करीब आता है। |
6cb45af3db1de2ba5466aedcb698deb6c4bb4678 | इ परियोजना मा, हम प्रसिद्ध स्टैनफोर्ड प्रश्न उत्तर डेटासेट (SQuAD) मा प्रश्न उत्तर कार्य को लागी एक अन्त-से-अन्त न्यूरल नेटवर्क वास्तुकला को निर्माण मा रुचि राख्छौं। हमार कार्यान्वयन एक हालिया उच्च प्रदर्शन प्राप्त विधि से प्रेरित है जउन सह-ध्यान एन्कोडर का एक गतिशील पॉइंटिंग डिकोडर के साथ जोड़ता है, जेका डायनामिक सह-ध्यान नेटवर्क के रूप मा जाना जात है। हम अलग अलग एंसेंबल अउर टेस्ट डिकोडिंग तकनीक का इस्तेमाल कइके देखेन जवन कि हम सोचले रहनी की एसे सिस्टम के कामकाज में सुधार होई सकत बा। |
e11d5a4edec55f5d5dc8ea25621ecbf89e9bccb7 | नेटवर्क कम्प्यूटर पै हमार समाज कै निर्भरता डरावना बनिगै बाय: अर्थ व्यवस्था मा, पूरी तरह से डिजिटल नेटवर्क सुविधाजनक से ड्राइवर बन गै बाय; साइबर-भौतिक प्रणालि पुरान होत जात हैं, कम्प्यूटर नेटवर्क अब हमरे भौतिक दुनिया कै केंद्रीय तंत्रिका तंत्र बन जात हैं-यहां तक कि बिजली के नेटवर्क जैसन बहुत महत्वपूर्ण बुनियादी ढांचा का भी। साथ ही, नेटवर्क पर कंप्यूटर की 24/7 उपलब्धता और सही कार्यक्षमता पर भी काफी खतरा टिका है: आईटी सिस्टम पर कई जटिल और अत्यधिक अनुकूलित हमले काफी बढ़ गए हैं। घुसपैठ का पता लगाने वाला सिस्टम (आईडीएस) संबंधित रक्षा उपायों का एक प्रमुख घटक है; अतीत में उनका व्यापक रूप से अध्ययन और उपयोग किया गया है। चूँकि पारंपरिक आईडीएस बड़े कंपनी नेटवर्क अउर परे, या बड़े पैमाने पर समानांतर हमलों के लिए स्केलेबल नहीं है, Collaborative IDSs (CIDSs) उभरा है। इ कई निगरानी घटकन का एक्ठु अउर विनिमय डेटाबेस से जुड़ा हुआ है । विशिष्ट सीआईडीएस वास्तुकला के आधार पे, केंद्रीय या वितरित विश्लेषण घटक हमले का पता लगाने के लिए एकत्रित डेटा का खनन करते हैं। परिणामी अलर्ट कई मॉनिटर के बीच सहसंबंधित हैं ताकि मॉनिटर किए जा रहे नेटवर्क का समग्र दृश्य बनाया जा सके। ई लेख सबसे पहिले सीआईडीएस कय खातिर प्रासंगिक आवश्यकताएँ निर्धारित करत है; तब ई सीआईडीएस डिजाइन स्थान कय परिचय अउर आवश्यकताओं के बारे मा चर्चा करय के खातिर आधार के रूप मा अलग-अलग बिल्डिंग ब्लॉक्स का अलग करत है। ई डिजाइन स्पेस के आधार पर, सीआईडीएस से बचने वाले हमले और सीआईडीएस की उपलब्धता पर हमले पर चर्चा की गई है। आवश्यकताओं, बिल्डिंग ब्लॉक्स, और हमलों का पूरा ढांचा, जैसा कि प्रस्तुत किया गया है, फिर सहयोगी घुसपैठ का पता लगाने में कला की स्थिति का एक व्यापक विश्लेषण के लिए उपयोग किया जाता है, जिसमें विशिष्ट सीआईडीएस दृष्टिकोण का एक विस्तृत सर्वेक्षण और तुलना शामिल है। |
720158a53b79667e39c2caf2f7ebb2670b848693 | एक व्यक्ति का निजता का कुशलता से संरक्षण कई महत्वपूर्ण, जीवन-रक्षक बुनियादी ढांचे जैसे बॉडी सेंसर नेटवर्क (बीएसएन) के लिए बहुत महत्वपूर्ण है। इ पेपर एक नया कुंजी समझौता योजना प्रस्तुत करत है जवन एक बीएसएन मा दो सेंसरों को इलेक्ट्रोकार्डियोग्राम (ईकेजी) सिग्नल का उपयोग करके उत्पन्न एक सामान्य कुंजी पर सहमत करने की अनुमति देता है। ई ईकेजी-आधारित कुंजी समझौता (ईकेए) योजना का उद्देश्य बीएसएन सुरक्षा के लिए "प्लग-एन-प्ले" प्रतिमान लाना है, जेकरे द्वारा विषय पर सेंसर तैनात करना सुरक्षित संचार सक्षम कर सकता है, बिना किसी प्रारम्भिक रूप की आवश्यकता के, जैसे कि पूर्व तैनाती। वास्तविक ईकेजी डाटा (एमआईटी फिजियोबैंक डाटाबेस से प्राप्त) पर आधारित योजना का विश्लेषण बताता है कि ईकेए से उत्पन्न कुंजी हैं: यादृच्छिक, समय भिन्नता, अल्प अवधि के ईकेजी माप के आधार पर उत्पन्न की जा सकती है, एक दिए गए विषय के लिए समान और अलग-अलग व्यक्तियों के लिए अलग। |
f692c692d3426cc663f3ec9be0c7025b670b2e5c | कई साल से आईटी उद्योग मौजूदा सॉफ्टवेयर परिसंपत्तियों से नए अनुप्रयोगों का संयोजन करके सॉफ्टवेयर विकास प्रक्रिया में तेजी लाने का प्रयास कर रहा है। हालांकि, 1960 के दशक मा डगलस मैकलोरॉय द्वारा परिकल्पित फॉर्म का सही घटक-आधारित पुनः उपयोग अभी भी नियम के बजाय अपवाद है, और अधिकतर व्यवस्थित सॉफ्टवेयर पुनः उपयोग आज का उपयोग भारी वजन वाले दृष्टिकोण जैसे उत्पाद-लाइन इंजीनियरिंग या डोमेन-विशिष्ट ढांचे का उपयोग करता है। घटक से, हमार मतलब है कि कौनो सुसंगत अउर सुसंगत सॉफ्टवेयर फंक्शन के साथ-साथ एक अच्छा परिभाषित इंटरफ़ेस-साधारण प्रोग्रामिंग भाषाओं से लेकर वेब सेवाओं अउर एंटरप्राइज़ जावाबीन्स जइसन अधिक जटिल कलाकृतियों तक। |
96ea8f0927f87ab4be3a7fd5a3b1dd38eeaa2ed6 | इ पत्र मा एक वाइडबैंड अउर सरल टोरस नोड मोनोपोल एंटीना प्रस्तुत कीन गा है। एंटीना का निर्माण एड्टीवेटिव मैन्युफैक्चरिंग तकनीक का उपयोग करत हुए करा जात है, जेका आमतौर पर 3-डी प्रिंटिंग के रूप मा जाना जात है। एंटीना यांत्रिक रूप से निर्माण करने का सरल है और स्थिर विकिरण पैटर्न के साथ-साथ 1-2 गीगाहर्ट्ज की आवृत्ति सीमा पर -10 डीबी से कम इनपुट प्रतिबिंब गुणांक है। एंटीना कय मापा जाय वाले औरु सिमुलेट कय दसा कय तुलना भी प्रस्तुत कई गय अहै। |
206b204618640917f278e72bd0e2a881d8cec7ad | पैटर्न मान्यता खातिर बेयज़ियन पद्धति का उपयोग करे खातिर सबसे बड़ी बाधा एकर कम्प्यूटेशनल लागत रही. इ थीसिस एक अनुमानित तकनीक का प्रस्तुत करत है जवन बेयज़ियन इन्फेरेंस का पहिले से जादा तेजी से और सटीक रूप से कर सके। इ पद्धति, "आशा प्रसार", एकजुट करत है अउर दुइ पिछला तकनीक का सामान्यीकरण करत हैः माना गहनता फ़िल्टरिंग, कल्मन फ़िल्टर का एक विस्तार, अउर लूप विश्वास प्रसार, बेयसी नेटवर्क में विश्वास प्रसार का एक विस्तार. एकीकरण से पता चलता है कि ई दुन्नु एल्गोरिदम वास्तविक पछाडि वितरण का एक सरल वितरण के साथ अनुमानित रूप से देखा जा सकता है, जो कि KL- विचलन के अर्थ में बंद है। उम्मीद प्रसार दुनो एल्गोरिदम का सबसे अच्छा उपयोग करत हैः माना-घनत्व फ़िल्टरिंग की सामान्यता और लूप विश्वास प्रसार की सटीकता। लूपि बिस्वास प्रसार, काहे से की ई सटीक बिस्वास राज्यन का प्रसार करत है, ई सीमित प्रकार कय बिस्वास नेटवर्क कय खातिर उपयोगी है, जइसे कि विशुद्ध रूप से असतत नेटवर्क। उम्मीद का प्रसार उम्मीदों के साथ विश्वास का स्थिति का अनुमान लगाता है, जैसे कि माध्य और विचलन, इसे कहीं अधिक व्यापक बनाने का एक साधन। प्रत्याशा प्रसार भी विपरीत दिशा मा विश्वास प्रसार को विस्तारित - अमीर विश्वास राज्य को प्रसारित जो चर के बीच सहसंबंध शामिल छ। इ फ्रेमवर्क कय सिन्थेटिक अउर रियल-वर्ल्ड डाटा कय उपयोग कईके कइउ सांख्यिकीय मॉडल में परिलक्षित होत है। गॉसियन मिश्रण समस्या पर, अपेक्षा प्रसार, गणना के समान मात्रा के लिए, प्रतिद्वंद्वी सन्निकटन तकनीक से आश्वस्त रूप से बेहतर पाया जाता हैः मोंटे कार्लो, लाप्लास का विधि, और वैरिएशनल बेय्स। पैटर्न मान्यता खातिर, उम्मीद प्रसार बेय्स पॉइंट मशीन वर्गीकरणकर्ता का प्रशिक्षण देवे खातिर एगो एल्गोरिथ्म प्रदान करेला जवन पहिले से जानल जाए वाला से ज्यादा तेज अउर सटीक होला. परिणामी वर्गीकरणकर्ता कई मानक डेटासेट पर समर्थन वेक्टर मशीन से बेहतर प्रदर्शन करते हैं, साथ ही एक तुलनीय प्रशिक्षण समय भी है। अपेक्षा प्रसार का उपयोग वर्गीकरण खातिर उपयुक्त सुविधा सेट का चयन करे खातिर भी करल जा सकत है, बेयसन मॉडल चयन के माध्यम से। थीसिस सुपरवाइजर: रोजालिंड पिकार्ड शीर्षक: मीडिया कला अउर विज्ञान के एसोसिएट प्रोफेसर |
ad40428b40b051164ade961bc841a0da2c44515d | |
e4bd80adc5a3486c3a5c3d82cef91b70b67ae681 | ई लेख कॉर्पोरेट बॉन्ड मूल्य निर्धारण के पांच संरचनात्मक मॉडल का अनुभवजन्य रूप से परीक्षण करत हैः मर्टन (1974), गेस्के (1977), लॉन्गस्टाफ एंड श्वार्ट्ज (1995), लीलैंड एंड टॉफ्ट (1996), और कोलिन-ड्यूफ्रेन एंड गोल्डस्टीन (2001) । हम मॉडल क उपयोग कर रहे हैं 182 सरल पूंजी संरचना वाले फर्मों से 1986-1997 की अवधि के दौरान बंडल कीमतों का एक नमूना का उपयोग कर रहे हैं। परंपरागत रूप से, संरचनात्मक मॉडल उतना जादा फैल नहीं देत हैं जितना Bond बाजार का होता है, और उम्मीदों पर खरा उतर रहा है, हम पाते हैं कि Merton मॉडल का कार्यान्वयन, अनुमानित spread बहुत कम है। हालांकि, अधिकांश अन्य संरचनात्मक मॉडल सही ढंग से फिट बैठता है ताकि जड़ता का स्तर लगभग स्थिर हो। हालांकि, सटीकता एक समस्या है, काहेकी नई मॉडल ज्यादातर उन फर्मों की क्रेडिट जोखिम का आकलन कर रही है जिनकी उच्च उत्तोलन या अस्थिरता है। लीलैंड एंड टोफ्ट मॉडल अपवाद है कि ई ज्यादातर बॉन्ड्स पर, खासकर उन पर ज्यादा स्प्रेड का अनुमान लगाता है, जिन पर हाई कूपन का डिस्काउंट है। अधिक सटीक संरचनात्मक मॉडल से बचने के लिए सुविधाओं से बचना चाहिए, जो कि सबसे सुरक्षित बांडों के स्प्रेड को शायद ही प्रभावित करते हुए जोखिम वाले बांडों पर क्रेडिट जोखिम बढ़ा रहे हैं। |
da67375c8b6a250fbd5482bfbfce14f4eb7e506c | इ सर्वेक्षण कम्प्यूटेशनल एजेंट्स मा मानसिक क्षमताओं के स्वायत्त विकास का अवलोकन प्रस्तुत करत है। इ तार्किक रूप से ज्ञात कीन जाय वाले सिद्धान्तन पर आधारित अहै, जौन अनुवांशिक रूप से संबंधित अहै। हम संज्ञान की विभिन्न प्रतिमानों का एक व्यापक सर्वेक्षण प्रस्तुत करते हैं, संज्ञानात्मक (भौतिक प्रतीक प्रणाली) दृष्टिकोण, उभरती हुई प्रणाली दृष्टिकोण, कनेक्शनवादी, गतिशील, और सक्रिय प्रणालियों को शामिल करते हुए, और हाइब्रिड सिस्टम में दोनों का संयोजन करने का प्रयास भी करते हैं। फिर हम इन पैमाना से निकली कई संज्ञानात्मक वास्तुकला की समीक्षा करें। इन क्षेत्रन मा, हम विकासात्मक दृष्टिकोण को अपनाने का प्रभाव और संबंधित समस्याएं, phylogenetic और ontogenetic दोनों दृष्टिकोणों से उजागर करते हैं। हम मुख्य वास्तुशिल्प सुविधाओं का सारांश के साथ निष्कर्ष निकालते हैं कि मानसिक क्षमताओं का स्वायत्त विकास करने में सक्षम सिस्टम का प्रदर्शन होना चाहिए। |
e7ee27816ade366584d411f4287e50bdc4771e56 | |
55289d3feef4bc1e4ff17008120e371eb7f55a24 | हाल मा LSTM-आधारित सशर्त भाषा मॉडल (LM) कय विविधता भाषा निर्माण कार्य कय दायरा मा लागू किहिन हँय । इ काम मा हम विभिन्न मॉडल आर्किटेक्चर अउर विभिन्न तरीका से स्रोत सूचना का प्रतिनिधित्व अउर एक अंत-से-अंत तंत्रिका संवाद प्रणाली ढांचे मा एकत्रित करै का अध्ययन करें। एक तरीका जवन स्नैपशॉट लर्निंग कहा जात है ऊ भी प्रस्तावित है ताकि अनुक्रमिक संकेतों से अनुगमन के लिए अनुगमन के लिए अनुनय कियल जा सके। प्रयोगात्मक अउर विश्लेषणात्मक परिणाम पहिले दर्सावत ह कि कंडीशनिंग वेक्टर अउर एलएम के बीच प्रतिस्पर्धा होत ह, अउर अलग-अलग आर्किटेक्चर दूनों के बीच अलग-अलग व्यापार-बंद प्रदान करत हैं। दूसर बात ई है कि विकिरण विकिरण का भेदभाव अउर पारदर्शिता मॉडल व्याख्या अउर बेहतर प्रदर्शन दुन्नु के खातिर महत्वपूर्ण अहय। तीसर, स्नैपशॉट लर्निंग से कौनों आर्किटेक्चर का उपयोग किए बिना लगातार प्रदर्शन सुधार होत है। |
75c4b33059aa300e7b52d1b5dab37968ac927e89 | एक 2 बार 1 दोहरी-ध्रुवीकृत एल-सोनड स्टैक्ड पैच एंटीना सरणी प्रस्तुत की जा रही है। इ दुन्नो इनपुट पोर्ट के बीच उच्च अलगाव प्राप्त करे क लिए एक नई तकनीक का उपयोग कईल गयल हौवे। प्रस्तावित एंटीना मा दोनों पोर्ट मा 19.8% की 14-डीबी रिटर्न लॉस बैंडविड्थ है, जो 0.808 से 0.986 गीगाहर्ट्ज तक की रेंज मा है। साथ ही, ई इनपुट पोर्ट अलगाव 30 dB से अधिक का है और ई बैंडविड्थ पर 10.5 dBi का औसत लाभ है. एकर अलावा, दुई मुख्य विमानन मा इकी विकिरण पैटर्न पारबैंड मा 3-dB बीम चौड़ाई के भीतर -15 dB से कम का क्रॉस-ध्रुवीकरण स्तर है। ई सुविधा के कारन, ई एंटीना सरणी बाहरी बेस स्टेशन खातिर बहुत उपयुक्त है, जवन कि सीडीएमए 800 अउर जीएसएम 900 मोबाइल संचार प्रणाली दुनो के संचालन बैंडविड्थ के कवर करे खातिर जरूरी है। |
b891a8df3d7b4a6b73c9de7194f7341b00d93f6f | सिफारिश प्रणाली व्यक्तिगत रूप से पसंदीदा सेवा प्रदान करे खातिर वादा करत है। सहयोगी फ़िल्टरिंग (सीएफ) प्रौद्योगिकियां, उपयोगकर्ता की पिछली व्यवहार के आधार पर उपयोगकर्ता की पसंद की भविष्यवाणी कर रही हैं, आधुनिक अनुशंसा प्रणाली का निर्माण करने की सबसे सफल तकनीकों में से एक बन गई हैं। पहिले से प्रस्तावित CF विधियन में कई चुनौतीपूर्ण समस्याएँ होत हैं: (1) अधिकांश CF विधियन उपयोगकर्ता के प्रतिक्रिया पैटर्न का अनदेखा करत हैं अउर पूर्वाग्रह वाले पैरामीटर अनुमान अउर उप-सकारात्मक प्रदर्शन का उत्पादन कर सकत हैं; (2) कुछ CF विधियन में heuristic वजन सेटिंग्स का अपनाया जात है, जेहमा एक व्यवस्थित कार्यान्वयन का अभाव होत है; अउर (3) मल्टीनोमिअल मिश्रण मॉडल डेटा मैट्रिक्स उत्पन्न करे खातिर मैट्रिक्स फैक्टरिज़ेशन की कम्प्यूटेशनल क्षमता का कमजोर कर सकत हैं, जेसे प्रशिक्षण की कम्प्यूटेशनल लागत बढ़ जात है। इ समस्या का हल करेक लिए, हम उपयोगकर्ता के प्रतिक्रिया मॉडल का संभाव्य मैट्रिक्स फैक्टरिज़ेशन (पीएमएफ) में शामिल करें, एक लोकप्रिय मैट्रिक्स फैक्टरिज़ेशन सीएफ मॉडल, प्रतिक्रिया जागरूक संभाव्य मैट्रिक्स फैक्टरिज़ेशन (आरएपीएमएफ) ढांचा स्थापित करेक लिए। अधिक विशेष रूप से, हम बर्नौली वितरण के रूप मा उपयोगकर्ता प्रतिक्रिया पर धारणा बनात है जो अवलोकन रेटिंग्स के लिए रेटिंग स्कोर द्वारा मापदंडित है जबकि अनदेखी रेटिंग्स के लिए एक कदम समारोह के रूप मा. एकरे अलावा हम एल्गोरिथ्म के गति बढ़ाए खातिर मिनी-बैच कार्यान्वयन अउर क्रैफिंग शेड्यूलिंग नीति का इस्तेमाल करे जात बानी। अंत मा, हम अलग अलग प्रयोगात्मक प्रोटोकॉल डिजाइन करैं औ सिंथेटिक औ वास्तविक दुनिया दुन्नो डाटासेट पै व्यवस्थित अनुभवजन्य मूल्यांकन करैं ताकि प्रस्तावित RAPMF औ एकर मिनी-बैच कार्यान्वयन का गुण देखा जा सके। |
1459d4d16088379c3748322ab0835f50300d9a38 | क्रॉस-डोमेन दृश्य डेटा मिलान कई वास्तविक दुनिया दृष्टि कार्य मा मौलिक समस्याहरु मा एक हो, उदाहरण को लागी, आईडी फोटो र निगरानी भिडियो मा व्यक्तिहरु लाई मिलान। इ समस्या कय पारंपरिक तरीका मा आमतौर पय दुइ चरण होत हँय: i) अलग-अलग डोमेन से एक सामान्य स्थान पय नमूना प्रस्तुत करब, औ ii) एक निश्चित दूरी कय आधार पे इ स्थान मा (असमानता) गणना। इ पेपर मा, हम एक नया जोड़ी समानता माप प्रस्तुत करत हौ जउन मौजूदा मॉडल को आगे बढ़ाता है i) पारंपरिक रैखिक अनुमानों का विस्तार एफिन परिवर्तन मा और ii) एफिन महलनोबिस दूरी और कोसिन समानता को एक डेटा संचालित संयोजन द्वारा फ्यूज कर रहा है। एकरे अलावा हम आपन समानता मापन का एक रुप के रूप मा गहन संवहन तंत्रिका नेटवर्क के माध्यम से विशेषांक प्रतिनिधित्व सीखना का भी प्रयोग करेक है। विशेष रूप से, हम गहरी वास्तुकला मा समानता माप मैट्रिक्स शामिल, मोडेल अनुकूलन को एक अन्त-से-अन्त तरीका सक्षम। हम व्यापक रूप से कई चुनौतीपूर्ण क्रॉस-डोमेन मिलान कार्य में आपन सामान्यीकृत समानता मॉडल का मूल्यांकन करते हैंः विभिन्न दृश्यों के तहत व्यक्ति की फिर से पहचान और विभिन्न रूपों पर चेहरे का सत्यापन (यानी, स्थिर छवियों और वीडियो से चेहरे, पुराने और युवा चेहरे, और स्केच और फोटो चित्र) । प्रयोगात्मक परिणाम ऊन संकेत से पता चला है कि कुछ फ़ीचर्स का एक फ़ीचर हय जेमे समय के साथ काम करय वाले उपयोगकर्ता फ़ीचर्स कय अलग-अलग भाषाओं मा अनुवाद करत हैं। |
03a00248b7d5e2d89f5337e62c39fad277c66102 | समस्याएं बहुपद-समय पर हल की जा सकने वाली समस्याएं का वर्ग समझने के लिए, हम पहले एक औपचारिक धारणा का होना चाहिये कि एक "समस्या" क्या है। हम एक अमूर्त समस्या Q का परिभाषित कर रहे हैं एक बाइनरी संबंध पर एक सेट I समस्या के उदाहरणों का एक सेट S समस्या का समाधान का. उदाहरण के लिए, SHORTEST-PATH का एक उदाहरण एक ग्राफ का एक तिहाई अवतार है, जिसमें दो शिखर हैं। एक समाधान g raph मा शिखरहरु का एक अनुक्रम हो, शायद खाली अनुक्रम को संकेत संग कि कुनै पथ मौजूद छैन। समस्या SHORTEST-PATH खुद ऊ रिश्ता है जउन एक ग्राफ ph अउर दुई चोटी के हर उदाहरण का ग्राफ मा सबसे छोटा रास्ता से जोड़त है जउन दुई चोटी के जोड़त है। सबसे छोटा पथ जरूरी रूप से अद्वितीय नहीं है, एक दिए गए समस्या का उदाहरण एक से अधिक समाधान हो सकता है। एक अमूर्त समस्या का समाधान एक आम समस्या से बेहतर है, अगर हम बात करें कि समाधान का एक अमूर्त समाधान एक आम समस्या से बेहतर है। जैसा कि हम ऊपर देख चुके हैं, NP-completeness का theorem समाधान की ओर इशारा करता है कि कोई भी समस्या एक निश्चित लंबाई से लेकर एक निश्चित लंबाई तक की अवधि से हल हो सकती है। ई मामला में, हम एगो अमूर्त निर्णय समस्या के रूप में मानचित्रित कर सकत हई जे उदाहरण सेट I का समाधान सेट {0, 1} पर मानचित्रित करत हई। उदाहरण के लिए, SHORTEST-PATH i से संबंधित एक निर्णय समस्या का समाधान PATH समस्या है जिसे हम पहले देख चुके हैं. अगर i = G,u,v,k निर्णय समस्या PATH का एक उदाहरण है, तो PATH(i ) = 1 (हाँ) अगर u से v तक का सबसे छोटा पथ अधिकतम k किनारों का है, और PATH (i ) = 0 (नहीं) अन्यथा। कई अमूर्त समस्याएं निर्णय की समस्याएं नहीं हैं, बल्कि अनुकूलन समस्याएं हैं, जिनमें कुछ मूल्य न्यूनतम से कम या अधिकतम तक पहुंच सकते हैं। हालांकि, जैसा कि हम ऊपर देख रहे हैं, सामान्य तौर पर यह एक अच्छा विचार है कि आपके पास कम से कम एक संभावित समाधान है, चाहे आप आश्वस्त रहें कि आप सही जगह पर हैं। 1टूरिंग-मशीन मॉडल का पूरा इलाज खातिर हॉपक्रॉफ्ट अउर उलमैन [156] या लुईस अउर पापादिमिट्रीउ [20 4] देखीं। 34.1 बहुपद समय 973 |
9ac5b66036da98f2c1e62c6ca2bdcc075083ef85 | |
f45eb5367bb9fa9a52fd4321a63308a37960e93a | इ पेपर का भाग I एक विकास प्रक्रिया का प्रस्ताव रखा गवा है और एक वितरित प्रणाली वास्तुकला पर आधारित स्वायत्त कारों का विकास करने के लिए एक प्रणाली मंच का प्रस्ताव रखा गया है। प्रस्तावित विकास पद्धति से स्वचालित कार का डिजाइन और विकास संभव हुआ, जइसै कि कम्प्यूटेशनल जटिलता, दोष-सहिष्णुता, और सिस्टम मॉड्यूलरिटी में कमी से लाभान्वित हुआ। इ पेपर (भाग II) मा, प्रस्तावित विकास पद्धति का एक मामला अध्ययन एक स्वायत्त ड्राइविंग सिस्टम की कार्यान्वयन प्रक्रिया का दिखावा करके संबोधित किया जाता है। कार्यान्वयन प्रक्रिया का सहज रूप से वर्णन करेक खातिर, कोर स्वायत्त ड्राइविंग एल्गोरिदम (स्थानांतरण, धारणा, योजना, वाहन नियंत्रण, अउर सिस्टम प्रबंधन) का संक्षिप्त रूप से परिचय दिहल गइल आउर एगो स्वायत्त ड्राइविंग सिस्टम के कार्यान्वयन पर लागू करल गइल. हम एक स्वचालित प्रणाली पर लागू मामला अध्ययन का आयोजन करके वितरित प्रणाली वास्तुकला का लाभ और प्रस्तावित विकास प्रक्रिया का परीक्षण कर सकते हैं। प्रस्तावित पद्धति का वैधता स्वयंसिद्ध कार ए1 के माध्यम से सिद्ध कीन गयल ह जवन कि कोरिया में 2012 के स्वयंसिद्ध वाहन प्रतियोगिता मा जीतलह ह, जौन सब मिशन पूरा करक बा। |
db17a183cb220ae8473bf1b25d62d5ef6fcfeac7 | यद्यपि सभी मौजूदा वायु-भरे सब्सट्रेट एकीकृत तरंग मार्ग (AFSIW) टोपोलॉजीज एक सब्सट्रेट-स्वतंत्र विद्युत प्रदर्शन उत्पन्न करते हैं, वे समर्पित, महंगे, टुकड़े टुकड़े पर भरोसा करते हैं ताकि वायु-भरे क्षेत्रों का निर्माण हो सके, जिनमें विद्युत चुम्बकीय क्षेत्र शामिल हैं। इ पेपर एक उपन्यास सब्सट्रेट-स्वतंत्र AFSIW विनिर्माण प्रौद्योगिकी का प्रस्ताव करत है, जो उच्च प्रदर्शन वाले माइक्रोवेव घटकों का सामान्य प्रयोजन के लिए वाणिज्यिक रूप से उपलब्ध सतह सामग्री की एक विस्तृत श्रृंखला में मानक योज्य (3-डी प्रिंटिंग) या घटाव (कंप्यूटर संख्यात्मक रूप से नियंत्रित मिलिंग / लेजर काटने) विनिर्माण प्रक्रियाओं के माध्यम से सीधे एकीकरण सक्षम बनाता है। सबसे पहिले, AFSIW वेव गाइड के प्रभावी अनुमतिकता अउर हानि स्पर्शरेखा खातिर एक विश्लेषणात्मक सूत्र प्राप्त करल जाला. इ डिजाइनर को सब्सट्रेट हानि को ऊंचाई मा कम करने की अनुमति देत है जो आमतौर पर उच्च आवृत्ति वाले टुकड़े टुकड़े मा सामना करत हैं। तब, कई माइक्रोवेव घटक डिजाइन और निर्मित हैं। कई AFSIW वेव गाइड्स अउर चार-तरफा पावर डिवाइडर/कॉम्बिनर के माप, दुनो एक नया समाक्षीय-से-हवा से भरे हुए SIW संक्रमण पर भरोसा करत हैं, ई साबित करत हैं कि इ उपन्यास दृष्टिकोण माइक्रोवेव घटक पैदा करत है जवन रोजमर्रा के सतहों में सीधा एकीकरण के लिए उपयुक्त है, कम सम्मिलन हानि के साथ, अउर पूरे [5.15-5.85] गीगाहेज्ड बैंड पर उत्कृष्ट मिलान अउर अलगाव। एतनई नवाचार से एक नई पीढ़ी क लागत प्रभावी, उच्च प्रदर्शन वाले अउर अदृश्य रूप से एकीकृत स्मार्ट सतह प्रणालियन का रास्ता प्रशस्त होत है जउन हर रोज क वस्तुअन में उपलब्ध जगह अउर सामग्री का कुशलतापूर्वक उपयोग करत हैं। |
8216673632b897ec50db06358b77f13ddd432c47 | |
05eef019bac01e6520526510c2590cc1718f7fe6 | मोबाइल लाइव स्ट्रीमिंग अब आपन तीसरी लहर में आ गईल बा। बाम्बूसर अउर किक जैसन शुरुआती सिस्टम से लेकर, अधिक लोकप्रिय ऐप मीरकट अउर पेरिस्कोप, फेसबुक अउर इंस्टाग्राम में आज के एकीकृत सोशल स्ट्रीमिंग सुविधा तक, तकनीक अउर उपयोग दुनौ नाटकीय रूप से बदल गइन हैं। लाइव स्ट्रीमिंग का ई हालिया चरण में, कैमरा आसपास के जगह पर फोकस करे खातिर अंदर की ओर मुड़ जात है, बजाय बाहर की ओर। किशोर इ प्लेटफार्मों का उपयोग लगातार बढ़ते हुए कर रहे हैं ताकि उ आपन दोस्तन का मनोरंजन कर सकें, नये लोगो से मिल सकें, अउर उन लोगन से जुड़ सकें, जेनके साथ उ साझा हितों का साझा करय चाहत होंइ। हम इन नए प्लेटफार्मों पर किशोरों का लाइव स्ट्रीमिंग व्यवहार और प्रेरणा का अध्ययन किया है 2,247 अमेरिकी लाइव स्ट्रीमर द्वारा पूरा किए गए एक सर्वेक्षण के माध्यम से और 20 किशोरों के साथ साक्षात्कार, बदलती प्रथाओं पर प्रकाश डाला, किशोरों का व्यापक आबादी से अंतर, और नए लाइव स्ट्रीमिंग सेवाओं के डिजाइन के लिए निहितार्थ। |
08c30bbfb9ff90884f9d1f873a1eeb6bb616e761 | असंभवता प्रमेय बतात है कि केवल संयोजक असाइनमेंट की समस्या का एक कुशल और रणनीतिक रूप से सुसंगत तंत्र - उदाहरण के लिए, छात्रों को पाठ्यक्रमों का आवंटन - तानाशाही है। तानाशाही को ज्यादातर अन्यायी के रूप मा खारिज कर देहल जात है: कौनो भी दुई एजेंटों के लिए, एक दूसरे से पहिले आपन सभी वस्तुओं का चयन करत है, अउर दूसर कोई भी नहीं। कौनो भी समाधान मा दक्षता, प्रोत्साहन अउर निष्पक्षता के बीच समझौता शामिल होइ। इ पेपर संयोजक असाइनमेंट समस्या का समाधान प्रदान करत है। चार चरण मा आवै वाले पैंतरे बनावैं के मांग करिन। सबसे पहिले, हम परिणाम के निष्पक्षता के दुइ नये मानदंड का प्रस्ताव करत हई, अधिकतम हिस्सेदारी गारंटी अउर एकल वस्तु से बंधा ईर्ष्या, जउन अविभाज्यता के समायोजित करे खातिर सुपरिचित मानदंडन का कमजोर करत हई; मानदंड औपचारिक रूप से काहे तानाशाही के अन्यायपूर्ण हई। दूसरा, हम बराबर आय से प्रतिस्पर्धी संतुलन का एक अनुमान के अस्तित्व का प्रमाण देते हैं, (i) आय असमान लेकिन मनमाने ढंग से एक साथ निकट है; (ii) बाजार त्रुटि के साथ साफ करता है, जो सीमा में शून्य के करीब है और यथार्थवादी समस्याओं के लिए छोटा है। तीसर, हम ई दिखावते कि ई सीईईआई निष्पक्षता मापदंड पूरा करता है। अंत मा, म अनुमानित CEEI पर आधारित एक तंत्र को परिभाषित कर रहा हूँ कि शून्य-माप अर्थशास्त्री पारंपरिक रूप से मूल्य टेकर्स को रूप मा मानिन्छ रणनीति-प्रमाण को लागी एक तंत्र हो। प्रस्तावित तंत्र वास्तविक डाटा पर कैलिब्रेट ह अउर थ्योरी अव अभ्यास से विकल्पन के तुलना में: अन्य सभी ज्ञात तंत्र या तो शून्य-माप एजेंटों द्वारा हेरफेर योग्य ह या फिर अनुचित एक्स-पोस्ट ह, अव ज्यादातर दोनो ही हेरफेर योग्य अव अव्यावहारिक ह। |
7d2c7748359f57c2b4227b31eca9e5f7a70a6b5c | |
0d1fd04c0dec97bd0b1c4deeba21b8833f792651 | तीन चरण, चार-स्विच, एकल-चरण, पृथक शून्य-वोल्टेज-स्विचिंग (ZVS) रेक्टिफायर का डिजाइन विचार और प्रदर्शन मूल्यांकन प्रस्तुत किए गए हैं। सर्किट तीन-चरण, दुई-स्विच, ZVS, अविरल-वर्तमान-मोड (DCM), बूस्ट पावर-फैक्टर-सुधार (PFC) रेक्टिफायर, संक्षिप्त रूप से TAIPEI रेक्टिफायर नामित, ZVS पूर्ण-ब्रिज (FB) चरण-विस्थापन डीसी/डीसी कनवर्टर के साथ एकीकृत करके प्राप्त किया जाता है। इ प्रोटोटाइप इनपुट वोल्टेज और लोड करंट रेंज पर ZVS के साथ काम करता है और 95% रेंज में दक्षता के साथ 5% से कम इनपुट करंट THD प्राप्त करता है। |
5417bd72d1b787ade0c485f1188189474c199f4d | हम एक नया प्रशिक्षण प्रक्रिया का प्रस्ताव करत हैं जेहमा आधारित जनरेटिव एंटीवायरल नेटवर्क (GAN) बेहतर गति कय साथे स्थिरता अउर प्रदर्शन कय सुधार करेक खातिर एक एडाप्टिव हिंज हानि लक्ष्य फ़ंक्शन कय उपयोग करत है। हम लछ्य वितरण की अपेक्षित ऊर्जा के साथ उचित हिंज हानि सीमा का अनुमान लगाते हैं, और सीमा का अद्यतन करने के लिए एक सिद्धांतात्मक मानदंड और एक अनुमानित अभिसरण माप दोनों का व्युत्पन्न करते हैं। परिणामी प्रशिक्षण प्रक्रिया सरल अहै, लेकिन विभिन्न डेटासेट मा इकरे प्रयोग के बरे मज़बूत अहै। हम प्रस्तावित प्रशिक्षण प्रक्रिया का मूल्यांकन करें, बिना जांच के फोटो उत्पादन का कार्य करें, दोहरे गुणात्मक और मात्रात्मक प्रदर्शन में सुधार का ध्यान रखें। |
007ee2559d4a2a8c661f4f5182899f03736682a7 | कंट्रोलर-एरिया नेटवर्क (CAN) बस प्रोटोकॉल [1] एक बस प्रोटोकॉल है जेकर आविष्कार 1986 मा रॉबर्ट बॉश जीएमबीएच द्वारा कीन गवा रहा, मूल रूप से ऑटोमोटिव उपयोग खातिर। अब तक, बस कारों अउर ट्रक से लेकर, बिजली सेटअप से लेकर औद्योगिक लन तक की कई डिवाइसेस मा पाई जा सकत है। आपन प्रकृति कै कारण इ एक यंत्रणा अहै जवन सुरक्षा, यानी, विश्वसनीयता पय बहुत अधिक ध्यान देत अहै। दुर्भाग्य से, सुरक्षा को लागी कुनै निर्मित तरीका छैन, जस्तै कि एन्क्रिप्शन वा प्रमाणीकरण। इ पेपर मा, हम सीएएन बस पर एक पिछड़ा संगत संदेश प्रमाणीकरण प्रोटोकॉल लागू करैं से जुड़ी समस्या का जांच करैं। हम इ बताय देहे चाहित है कि ई प्रोटोकॉल कउनौ भी बाधा पार करै अउर हमरे जानकारी के अनुसार ई सब सत्यापन प्रोटोकॉल का खतम करै। एकर अलावा, हम एक संदेश सत्यापन प्रोटोकॉल CANAuth का परिचय देत हैं, जउन सभी आवश्यक चीजन का पूरा करत है अउर जउन CAN बसेस का कउनो विशिष्ट प्रतिबंध नाइ देत है। कीवर्ड-CAN बस, एम्बेडेड नेटवर्क, ब्रॉडकास्ट ऑथेंटिकेशन, सममित क्रिप्टोग्राफी |
129359a872783b7c3a82c2c9dbef75df2956d2d3 | एक्सएफआई एक व्यापक सुरक्षा प्रणाली है जवन लचीला पहुंच नियंत्रण अउर मौलिक अखंडता गारंटी दुनों प्रदान करत है, कौनो विशेषाधिकार स्तर पर अउर यहां तक कि कमोडिटी सिस्टम में विरासत कोड के लिए भी। ई उद्देश्य खातिर, XFI स्थिर विश्लेषण के साथ इनलाइन सॉफ्टवेयर गार्ड अउर एक दो-स्टैक निष्पादन मॉडल के संयोजन करत है। हम x86 वास्तुकला पर विंडोज के लिए XFI लागू है बाइनरी पुनर्लेखन का उपयोग कर रहा है और एक सरल, स्टैंड-अलोन सत्यापनकर्ता; कार्यान्वयन की शुद्धता सत्यापनकर्ता पर निर्भर करती है, लेकिन पुनर्लेखन पर नहीं। हम XFI का उपयोग सॉफ्टवेयर के लिए कई बार कर चुके हैं जैसे कि डिवाइस ड्राइवर और मल्टीमीडिया कोडेक। परिणामी मॉड्यूल कर्नेल अउर उपयोगकर्ता मोड पता स्थान दुनौ के भीतर सुरक्षित रूप से काम करत हैं, केवल मामूली प्रवर्तन ओवरहेड के साथ। |
3b938f66d03559e1144fa2ab63a3a9a076a6b48b | सिग्नल प्रोसेसिंग अउर सांख्यिकी जइसे अनुप्रयोगन मा, कई समस्याएं कम-निर्धारित रैखिक समीकरणन के सिस्टम के विरल समाधान का पता लगावत हैं। इ समस्या कय संरचनात्मक गैर-सुचारू अनुकूलन समस्या के रूप मा तैयार कीन जा सकत है, यानी, ∀−1 नियमित रैखिक सबसे कम वर्ग समस्या का कम से कम करेक समस्या। इ पेपर मा, हम एक ब्लॉक समन्वय ढाल वंश विधि (सीजीडी के रूप मा संक्षिप्त) को प्रस्तावित कर रहे हैं अधिक सामान्य ∀१-regularized उत्तल न्यूनीकरण समस्या को हल करने के लिए, यानी, एक ∀१-regularized उत्तल चिकनी समारोह को कम से कम करने की समस्या। हम आपन विधि खातिर एक क्यू-रेखीय अभिसरण दर स्थापित करत हैं जब पर्याप्त वंश सुनिश्चित करे खातिर निर्देशांक ब्लॉक का एक गॉस-साउथवेल प्रकार नियम द्वारा चुना जात है। हम सीजीडी पद्धति का कुशल कार्यान्वयन का प्रस्ताव करत हैं और डेटा वर्गीकरण में सुविधा चयन के लिए बड़े पैमाने पर ∀1-regularized रैखिक सबसे कम वर्ग समस्याएं हल करने के लिए संख्यात्मक परिणाम रिपोर्ट करत हैं, जो संपीड़ित संवेदन और छवि deconvolution के साथ-साथ बड़े पैमाने पर ∀1-regularized लॉजिस्टिक प्रतिगमन समस्याएं हल कर रही हैं। कई अत्याधुनिक एल्गोरिदम के साथ तुलना विशेष रूप से बड़े पैमाने पर ∀1-regularized रैखिक सबसे कम वर्ग या तार्किक प्रतिगमन समस्याओं का हल करने के लिए डिज़ाइन की गई है, यह बताती है कि एक कुशलता से लागू सीजीडी विधि इन एल्गोरिदम से बेहतर हो सकती है, इस तथ्य के बावजूद कि सीजीडी विधि विशेष रूप से केवल इन विशेष प्रकार की समस्याओं का हल करने के लिए डिज़ाइन नहीं की गई है। |
8ad03b36ab3cba911699fe1699332c6353f227bc | यूनेस्को कय अनुसार शिक्षा एक मौलिक मानवाधिकार अहै औ हरेक देश कय नागरिकन कय बराबर स्तर पय शिक्षा तक पहुँच कय अधिकार अहै। काहेकि इ लक्ष्य पूरा होइ चुका अहइ, यह बरे अब आगे चलिके हम हर एक चीज क बरे ओन्हन हीं मनइयन क समर्पित करब जउन इ धरती पइ रहत हीं। ई पेपर कम्प्यूटेशनल इंटेलिजेंस (डेटा माइनिंग अउर डेटा साइंस) के अनुप्रयोग पर आधारित एगो मॉडल प्रस्तुत करत बा जवन छात्र के ज्ञान प्रोफाइल के विकास के तरफ ले जात बा अउर जवन शिक्षकन के आपन छात्रन के बेहतर दिशा दे खातिर आपन निर्णय लेवे में मदद कर सकत बा। ई मॉडल भी हर छात्र के लिए ब्यवस्थित रणनीतिक योजना के भीतर लक्ष्य की उपलब्धि का अनुगमन करे खातिर महत्वपूर्ण प्रदर्शन सूचक बनावै का प्रयास करत अहै। मॉडल वर्गीकरण अउर भविष्यवाणी, डेटा संरचना विज़ुअलाइज़ेशन अउर हितधारक लोगन के प्रासंगिक जानकारी प्रस्तुत करे खातिर अनुशंसा प्रणाली खातिर ग्राफ विवरण खातिर यादृच्छिक वन का उपयोग करत है। प्रस्तुत परिणाम ब्राजील कय एक निजी k-9 (प्राथमिक विद्यालय) से प्राप्त वास्तविक डाटासेट कय आधार पे बना रहा । प्राप्त परिणामों मा प्रमुख डेटा, छात्र प्रदर्शन की भविष्यवाणी करेक मॉडल और हितधारककक खातिर तैयार कीन गे सिफारिशों का बीच सहसंबंध शामिल है। |
500923d2513d30299350a6a0e9b84b077250dc78 | सूचना पुनर्प्राप्ति अउर सूचना एकीकरण मा सिमेंटिक समानता माप महत्वपूर्ण भूमिका निभावत है। सिमेंटिक समानता का मॉडलिंग करने का पारंपरिक दृष्टिकोण एक एकल ऑन्टोलॉजी के भीतर परिभाषाओं के बीच सिमेंटिक दूरी की गणना करता है। ई एकल ऑन्टोलॉजी या त डोमेन-स्वतंत्र ऑन्टोलॉजी या मौजूदा ऑन्टोलॉजीज के एकीकरण का परिणाम है। हम सिमेंटिक समानता का गणना करे खातिर एगो दृष्टिकोण प्रस्तुत करत बानी जवन एगो एकल ऑन्टोलॉजी के आवश्यकता के कम करत बा अउर विभिन्न ऑन्टोलॉजी विनिर्देश के स्पष्टता अउर औपचारिकता के स्तर में अंतर के हिसाब से बा। एक समानता फ़ंक्शन समान इकाई वर्गों का निर्धारण करता है जो समानार्थी सेट, अर्थपूर्ण पड़ोस, और विशेषताएं अलग करने वाले तत्वों पर एक मिलान प्रक्रिया का उपयोग करके भागों, कार्यों, और विशेषताओं में वर्गीकृत हैं। विभिन्न ऑन्टोलॉजीज के साथ प्रायोगिक परिणाम इ संकेत देत हैं कि मॉडल अच्छा परिणाम देत है जब ऑन्टोलॉजीज में इकाई वर्गों का पूर्ण अउर विस्तृत प्रतिनिधित्व होत है। जबकि शब्द मिलान अउर सिमेंटिक पड़ोस मिलान का संयोजन समकक्ष इकाई वर्ग का पता लगावे खातिर पर्याप्त बा, फ़ीचर मिलान हमका समान, लेकिन जरूरी नाही कि समकक्ष इकाई वर्ग के बीच भेदभाव करे के अनुमति देत है. |
1c58b4c7adee37874ac96f7d859d1a51f97bf6aa | ढेर करल गइल सामान्यीकरण एगो सामान्य तरीका ह जवन उच्च-स्तरीय मॉडल के उपयोग निम्न-स्तरीय मॉडल के संयोजन खातिर करल जाला ताकि जादा सटीक भविष्यवाणी करल जा सके. इ पेपर मा हम दो महत्वपूर्ण मुद्दाों पर बात कर रहे हैं जो वॉलपेर्ट द्वारा 1992 मा स्टैक्ड सामान्यीकरण की शुरूआत के बाद से वर्गीकरण कार्य मा एक "काला कला" माना गयल ह: सामान्यीकरण का प्रकार जो उच्च स्तर के मॉडल को प्राप्त करने के लिए उपयुक्त है, और इनपुट के रूप मा उपयोग की जाने वाली विशेषता का प्रकार। हम पाए हैं कि उच्च स्तर का मॉडल निम्न स्तर के मॉडल से मेल खात है (और विभिन्न प्रकार के फ़ील्ड का भी समर्थन करता है) । हम वर्गीकरण कार्य खातिर तीन अलग-अलग प्रकार के सीखना एल्गोरिदम के संयोजन खातिर स्टैक्ड सामान्यीकरण के प्रभावकारिता का प्रदर्शन करत बानी. हम भी ढेर ढेर सामान्यीकरण के प्रदर्शन का तुलना बहुमत वोट से कर रहे हैं और arcing और bagging के प्रकाशित परिणामों की तुलना कर रहे हैं। |
017ee86aa9be09284a2e07c9200192ab3bea9671 | सशर्त GANs प्राकृतिक छवि संश्लेषण का सबसे आगे हैं। एइसन मॉडल की कमी से बचे हुए मॉडल की संख्या का ज्यादा महत्व होत है, अऊर खासतौर पर संकेतक संकेतक (इलेक्ट्रॉनिक डिवाइस) की. ई काम में हम दूगो लोकप्रिय अनसुईवेज लर्निंग तकनीक का फायदा उठावत बानी, विरोधात्मक प्रशिक्षण अउर आत्म-निरीक्षण, सशर्त अउर बिना शर्त जीएएन के बीच के खाई के बंद करे खातिर। विशेष रूप से, हम नेटवर्कों का प्रतिनिधित्व सीखने का कार्य पर सहयोग करने की अनुमति देते हैं, जबकि क्लासिक GAN गेम के संबंध में विरोधी रहें। आत्म-निरीक्षण का काम भेदभाव करे वाले का अर्थपूर्ण विशेषता प्रतिनिधित्व सीखै खातिर प्रोत्साहित करना है, जेका प्रशिक्षण के दौरान भुलावा नाहीं जाये। हम अनुभव से सीखत चित्रण के गुणवत्ता अउर सिंथेटिक चित्रण के गुणवत्ता का परीक्षण करत हैं। एक ही शर्तों के तहत, स्वयं-पर्यवेक्षित GAN अत्याधुनिक सशर्त समकक्षों का एक समान प्रदर्शन प्राप्त करता है। अंत मा, हम दिखाय देहे हई कि पूरी तरह से बिना निगरानी वाले सीखे का ई तरीका बिना कउनो शर्त के IMAGENET पीढ़ी पर 33 का FID प्राप्त करे तक पैमाना पर लावा जा सकत है। |
5c695f1810951ad1bbdf7da5f736790dca240e5b | सोशल मीडिया मा उपयोगकर्ता जनित सामग्री का विश्लेषण और उत्पाद और घटनाओं के प्रति उपयोगकर्ता राय का सटीक विनिर्देश कई अनुप्रयोगों के लिए काफी मूल्यवान है। वेब 2.0 का प्रसार अउर वेब पर उपयोगकर्ता जनित सामग्री का तेजी से विकास के साथ, पहलू स्तर पर भावना विश्लेषण पर दृष्टिकोण जवन ठीक-ठाक जानकारी देत हैं, ऊ बहुत रुचि रखत हैं। इ काम मा, पहलू आधारित भावना विश्लेषण खातिर एक वर्गीकरणकर्ता समूह दृष्टिकोण प्रस्तुत कीन गा है। ई दृष्टिकोण सामान्य है अउर एक विषयवस्तु का मॉडल बनावे खातिर अउर उन मुख्य पहलुअन का निर्दिष्ट करे खातिर जौन उपयोगकर्ता संबोधित करत हैं, ऊ अव्यक्त डाइरिचलेट आवंटन का उपयोग करत हैं. तब, हर टिप्पणी का विश्लेषण और शब्द निर्भरता से बाहर रखा जाता है, जो कि शब्द अउर पहलुओं के बीच परस्पर क्रिया का संकेत देता है। एगो एंसम्बल वर्गीकरन जेके नाइव बेय्स, अधिकतम एन्ट्रोपी और समर्थन वेक्टर मशीनों द्वारा तैयार करल गईल बा, प्रत्येक पहलू की ओर उपयोगकर्ता की टिप्पणी की ध्रुवीयता का पहचान करे खातिर डिज़ाइन करल गईल बा। मूल्यांकन के परिणाम से पता चलता है कि अलग-अलग वर्गीकरणकर्ता के तुलना में ध्वनि में सुधार हुआ है अउर इ दर्शाता है कि उपयोगकर्ता उत्पन्न सामग्री का विश्लेषण करने और उपयोगकर्ता के राय और व्यवहार का निर्दिष्ट करने में एसोसिएट सिस्टम का स्केलेबल और सटीक है। |
4f1fe957a29a2e422d4034f4510644714d33fb20 | हम दस्तावेज के वर्गीकरण के समस्या का विषय के अनुसार नाही बल्कि समग्र भावना से समझत अहन, उदाहरन के लिए, ई निर्धारित करय कि समीक्षा सकारात्मक अहय या नकारात्मक। मूवी समीक्षा का डेटा के रूप मा उपयोग कर, हम पाते हैं कि मानक मशीन लर्निंग तकनीक निश्चित रूप से मानव निर्मित आधार रेखाओं से बेहतर है। हालांकि, तीन मशीन लर्निंग विधियां जिनका हम नियोजित (नएव बेय्स, अधिकतम एन्ट्रोपी वर्गीकरण, और समर्थन वेक्टर मशीन) हैं, पारंपरिक विषय-आधारित वर्गीकरण के रूप में भावना वर्गीकरण पर अच्छी तरह से प्रदर्शन नहीं करते हैं। हम त ईहे कहन कि ई त बहुत मामूली सा है... कुछ यूँ है... आपन आप से कुछ बोला जाये... तो म्यार दिमाग खराब हो जाता है... अउर ई सब के पीछे की वजह है। प्रकाशन जानकारी: ईएमएनएलपी का कार्यवाही 2002, पृ. ७९-८६ मा |
722e2f7894a1b62e0ab09913ce9b98654733d98e | इ प्रकाशन मा पुनरुत्पादित लेख शामिल हैं जिनकी IEEE प्रतिलिपि अधिकार नहीं रखत है। इ लेख कय पूरा पाठ IEEE Xplore पय उपलब्ध नाहीं अहै। |
2485c98aa44131d1a2f7d1355b1e372f2bb148ad | इ पेपर मा, हम चीन मा एक बड़े पैमाने पर चेहरा डेटाबेस की अधिग्रहण और सामग्री का वर्णन करत हैं: CAS-PEAL चेहरा डेटाबेस। CAS-PEAL चेहरा डाटाबेस बनावे कय लक्ष्य निम्न में से बा: 1) चेहरा पहिचान कय दुनिया भर कय शोधकर्ता लोगन कय अलग-अलग स्रोत, खास कइके मुद्रा, अभिव्यक्ति, सामान, अउर प्रकाश (PEAL), अउर एक समान डाटाबेस में व्यापक जमीनी-सत्य जानकारी उपलब्ध करावैं; 2) ऑफ-द-शेल्फ इमेजिंग उपकरण कय उपयोग कइके अउर डाटाबेस में सामान्य चेहरा बदलाव कय डिजाइन कइके व्यावहारिक अनुप्रयोगन कय लक्षित चेहरा पहचान कय अत्याधुनिक तकनीक कय उन्नयन; अउर 3) मंगोलियन कय एक बड़ा पैमाना कय चेहरा डाटाबेस उपलब्ध करावैं। वर्तमान मा, CAS-PEAL चेहरा डेटाबेस मा 1040 व्यक्तियों (595 पुरुष र 445 महिला) को 99 594 छवि शामिल छ। कुल नौ कैमरा एक आर्क हाथ पर क्षैतिज रूप से माउंट विभिन्न मुद्राओं मा एक साथ छवियों कैप्चर गर्न को लागी। हर एक परीच्छाार्थी से तीन फोटो मा 27 तस्वीरें प्राप्त करण खातिर सीधा आगे, ऊपर, अउर नीचे देखण की मांग की जांद। पांच चेहरा कै भाव, छह सामान, अउर 15 प्रकाश परिवर्तन भी डाटाबेस मा शामिल अहैं। डाटाबेस कय एक चयनित उपसमुच्चय (CAS-PEAL-R1, जेहमा 1040 विषयों कय 30 863 छवियाँ शामिल हैं) अब दूसर शोधकर्ता लोगन कय लगे उपलब्ध अहै। हम CAS-PEAL-R1 डेटाबेस पर आधारित मूल्यांकन प्रोटोकॉल पर चर्चा करते हैं और चार एल्गोरिदम के प्रदर्शन को एक आधार के रूप में प्रस्तुत करते हैं ताकि निम्न कार्य किया जा सके: 1) चेहरे की पहचान एल्गोरिदम के लिए डेटाबेस की कठिनाई का प्रारंभिक मूल्यांकन; 2) डेटाबेस का उपयोग करने वाले शोधकर्ताओं के लिए वरीयता मूल्यांकन परिणाम; और 3) आमतौर पर उपयोग किए जाने वाले एल्गोरिदम की ताकत और कमजोरी का पता लगाएं। |
a0456c27cdd58f197032c1c8b4f304f09d4c9bc5 | एंसेंबल विधियन सीखत एल्गोरिदम होत हैं जवन वर्गीकरणकर्ता का एक सेट बनावेला और फिर उनके भविष्यवाणियों का भारित वोट ले के नया डेटा बिंदुओं का वर्गीकृत करेला मूल एंसेंबल विधिया बायेसियन औसतकरण है लेकिन अधिक हालिया एल्गोरिदम में त्रुटि सुधार आउटपुट कोडिंग बैगिंग और बूस्टिंग शामिल है इ पेपर इन विधियों की समीक्षा करता है और बताता है कि क्यों एंसेंबल अक्सर किसी भी एकल वर्गीकरण से बेहतर प्रदर्शन कर सकते हैं एंसेंबल विधियों की तुलना करने वाले कुछ पिछले अध्ययनों की समीक्षा की जाती है और कुछ नए प्रयोग प्रस्तुत किए जाते हैं ताकि कारणों का पता लगाया जा सके कि एडाबॉस्ट जल्दी से ओवर-ट |
9a292e0d862debccffa04396cd5bceb5d866de18 | |
610bc4ab4fbf7f95656b24330eb004492e63ffdf | हम गैर-नकारात्मक मैट्रिक्स फैक्टराइजेशन समस्या का अध्ययन करते हैं जो एक गैर-नकारात्मक मैट्रिक्स का एक कम रैंक फैक्टराइजेशन द्वारा अनुमान लगाता है। इ समस्या विशेष रूप से यंत्रनाली सिछन का संदर्भित करत अहै, औउर कई व्यावहारिक अनुप्रयोगों में इ समस्या आ अहै। दुर्भाग्य से, मूल सूत्र गलत अहै- NPhard. इ पेपर मा, हम अलग अलग मानों के तहत NMF समस्या का हल करने के लिए पंक्ति एन्ट्रोपी मिनिममशन पर आधारित एक पंक्ति विरल मॉडल का प्रस्ताव करत हैं, जउन बताता है कि प्रत्येक डेटा बिंदु कुछ अलग डेटा कॉलम का एक उत्तल संयोजन है। हम एनट्रोपी फलन की एकाग्रता का उपयोग करते हैं और ∀∞ मानदंड ऊर्जा को कम से कम लुप्त चर संख्या पर केंद्रित करने के लिए। हम ई साबित कर हई की अलग होए के मानदंड के तहत, हमार प्रस्तावित मॉडल डेटा कॉलम के ठीक से पुनर्प्राप्त करत है जवन डेटासेट उत्पन्न करत है, भले ही डेटा शोर से खराब हो जाए। हम प्रस्तावित मॉडल की robustness का empirically justify करते हैं और दिखावा करते हैं कि state-of-the-art separable NMF algorithms से यह काफी robust है। |
f829fa5686895ec831dd157f88949f79976664a7 | पदानुक्रमित बेयसन दृष्टिकोण अनुभवजन्य विपणन मा एक केंद्रीय भूमिका निभावा ह काबर कि ऊ व्यक्तिगत-स्तर पैरामीटर अनुमान पैदा करत हैं जौन लक्षित निर्णयों के लिए इस्तेमाल कै जा सकत हैं। एमसीएमसी विधि पदानुक्रमित बेयसियन मॉडल का अनुमान लगाने के लिए पसंद की विधि रही है क्योंकि वे सटीक व्यक्तिगत स्तर का अनुमान प्रदान करने में सक्षम हैं। हालांकि, एमसीएमसी विधियन कम्पुटेशनल रूप से निषिद्ध अहय अउर जब बिग डेटा के वर्तमान युग में आम हो गयल हय, तब बड़े पैमाने पर डेटा सेट पर लागू होत हय। हम विपणन साहित्य मा बेयसीय अनुमानन तकनीक का एक नया वर्ग प्रस्तुत करत हन जौन वैरिएशनल बेयसीय (वीबी) अनुमान के रूप मा जाना जात है। इ विधियन का पैमाना पर आधारित एमसीएमसी विधियन से जुड़ी गणना लागत का एक अंश पर सटीक अनुमान लगावे खातिर पछाडि वितरण का अनुमान लगावे खातिर एक निर्धारक अनुकूलन दृष्टिकोण के माध्यम से स्केलेबिलिटी चुनौती का सामना करेक अहै। हम भिन्नता बेयसीय अनुमान मा हालिया विकास का शोषण करें और विस्तार करें और हाइलाइट करें कि कैसे दो वीबी अनुमान दृष्टिकोण - माध्य-फील्ड वीबी (जो गिब्स नमूनाकरण के अनुरूप है) संयुग्मित मॉडल के लिए और फिक्स्ड-फॉर्म वीबी (जो मेट्रोपोलिस-हैस्टिंग के अनुरूप है) गैर-संयुग्मित मॉडल के लिए - जटिल विपणन मॉडल का अनुमान लगाने के लिए प्रभावी ढंग से जोड़ा जा सकता है। हम ई भी देखब कि समानांतर कंप्यूटिंग अउर स्टोचस्टिक ऑप्टिमाइजेशन मा हाल के प्रगति का कइसे इस्तेमाल कइल जा सकत बा ताकि इन वीबी विधियन के गति के अउर बढ़ाएल जा सके. सिमुलेटेड के साथ साथ रियल डाटा सेट का उपयोग करके, हम कई सामान्य रूप से उपयोग किए जाने वाले मार्केटिंग मॉडल (जैसे कि ईएम) पर वीबी दृष्टिकोण लागू करते हैं। मिश्रित रैखिक, लॉजिट, चयन, अउर पदानुक्रमित क्रमबद्ध लॉजिट मॉडल), अउर देखावा कि कैसे वीबी अनुमान विपणन समस्या के लिए व्यापक रूप से लागू होत है। |
bf8a0014ac21ba452c38d27bc7d930c265c32c60 | उच्च स्तर संलयन दृष्टिकोण का अनुप्रयोग बहु सेंसर डेटा संलयन में महत्वपूर्ण लाभ का एक क्रम प्रदर्शित करता है और ऑटोमोटिव सुरक्षा संलयन प्रणाली इसका कोई अपवाद नहीं है। उच्च स्तर संलयन पूरक या/और दृश्य का अतिरिक्त क्षेत्र वाले ऑटोमोटिव सेंसर नेटवर्क पर लागू किया जा सकता है। इ दृष्टिकोण कय फायदा ई है कि इ प्रणाली कय मॉड्यूलरता सुनिश्चित करत है औ बेंचमार्किंग कय अनुमति देत है, काहे से इ प्रसंस्करण कय भीतर फीडबैक औ लूप कय अनुमति नाइ देत है। इ पेपर मा दू विशिष्ट उच्च स्तर डाटा फ्यूजन दृष्टिकोण का वर्णन है जौन एक संक्षिप्त वास्तुशिल्प औ एल्गोरिथम प्रस्तुति सहित अहै। इ दृष्टिकोण मुख्य रूप से उनके डेटा एसोसिएशन भाग में भिन्न होत हय: (ए) ट्रैक स्तर संलयन दृष्टिकोण इ बिंदु से बिंदु एसोसिएशन के साथ वस्तु निरंतरता और बहुआयामी असाइनमेंट पर जोर देने के साथ हल करत हय, और (बी) ग्रिड आधारित संलयन दृष्टिकोण जो पर्यावरण का मॉडल करने और सेंसर डेटा संलयन करने का एक सामान्य तरीका प्रस्तावित करत हय। इ दृष्टिकोण क परीक्षण के लिए परीक्षण मामला एक बहु सेंसर से लैस PReVENT/ProFusion2 ट्रक प्रदर्शन वाहन है। |
c8cc94dd21d78f4f0d07ccb61153bfb798aeef2c | |
4152070bd6cd28cc44bc9e54ab3e641426382e75 | वर्गीकरण की समस्या का डाटा माइनिंग, मशीन लर्निंग, डाटाबेस, अउर सूचना पुनर्प्राप्ति समुदायों मा कई अलग-अलग डोमेन मा अनुप्रयोगों के साथ व्यापक रूप से अध्ययन किया ग रहा है, जैसे कि लक्षित विपणन, चिकित्सा निदान, समाचार समूह फ़िल्टरिंग, अउर दस्तावेज़ संगठन। इ पेपर मा हम टेक्स्ट वर्गीकरण की एक विस्तृत विविधता का सर्वेक्षण प्रदान करहिन् |
e050e89d01afffd5b854458fc48c9d6720a8072c | |
8bf72fb4edcb6974d3c4b0b2df63d9fd75c5dc4f | ई तरह की विधि संभावित रूप से जादा कारगर साबित होई सकत ह, काहेकी इ प्राकृतिक भाषाओं की अवधारणाओं से संबंधित अंतर्निहित, Semantic Features का भी विश्लेषण करेक अनुमति देत है। इ पेपर मा, हम सिमेंटिक भावना विश्लेषण चुनौती का चौथा संस्करण प्रस्तुत करत हौ, जौन सिस्टम्स लागू करत है या सिमेंटिक सुविधाओं पर भरोसा करत है, का मूल्यांकन एक प्रतियोगिता मा बड़े परीक्षण सेट, और विभिन्न भावना कार्यो पर कीन जात है। सिंपल सिंटैक्स/शब्द-गणना या केवल शब्दकोश-आधारित दृष्टिकोण पर आधारित प्रणालियां मूल्यांकन से बाहर की गई हैं। फिर, हम प्रत्येक कार्य के लिए मूल्यांकन का परिणाम प्रस्तुत करेंगे अउर दिखाएंगे कि कौन सबसे ज्यादा सफल रहा है। इ अवार्ड का मतलब है कि भावनात्मक विश्लेषण का काम कई सवालों के जवाब देने से पहले कई अलग-अलग ज्ञान का आधार है। सोंच विश्लेषण अनुसंधान औउ उद्योग दुन्नो मा व्यापक रूप से अध्ययन कै लीन जाय वाला एक शोध क्षेत्र होंय, औ सोंच विश्लेषण से संबंधित कार्य कय संबोधित करय के लिए अलग-अलग दृष्टिकोण होत हैं। सेंसमेंट एनालिसिस इंजन शब्दकोश-आधारित तकनीक से लेकर मशीन लर्निंग तक, या वाक्यविन्यास नियम विश्लेषण से जुड़े दृष्टिकोण लागू करते हैं। इनतान कय यंत्रन कय मूल्यांकन अंतर्राष्ट्रीय अनुसंधान चुनौति पय भी कीन जात अहै। हालांकि, सिमेंटिक सेंटिमेंट एनालिसिस दृष्टिकोण, जो कि बड़े सिमेंटिक ज्ञान के आधार पर भी खाते या भरोसा करते हैं और सिमेंटिक वेब सर्वोत्तम प्रथाओं का लागू करते हैं, अन्य अंतरराष्ट्रीय चुनौतियों द्वारा विशिष्ट प्रायोगिक मूल्यांकन और तुलना के तहत नहीं हैं। |
21da9ece5587df5a2ef79bf937ea19397abecfa0 | इ पेपर भविष्यवाणिय और धारणा वर्गीकरण को एक अनुमानित समस्या के रूप मा मानता है जवन दिमाग द्वारा हल कीन जात है। हम मानित है कि दिमाग दुनिया का एक पदानुक्रम या गतिशील प्रणालियन का एक कैस्केड के रूप मा मॉडल करत है जउन संवेदी में कारण संरचना को कोडित करत है। संवेदी डेटा का व्याख्या करे खातिर इ आंतरिक मॉडल का अनुकूलन या प्रतिवर्तन के साथे धारणा के बराबर करल जाला. इ अनुभूति डेटा कैसे उत्पन्न होत है, इ मॉडल कय एक मॉडल कय आधार पे, हम मॉडल प्रतिवर्तन कय लिए एक सामान्य दृष्टिकोण पेस कइ सकत है, मॉडल कय साक्ष्य पे बंधल मुक्त ऊर्जा पे आधारित है। निम्नलिखित मुक्त ऊर्जा सूत्र समीकरण प्रदान करता है जो मान्यता की प्रक्रिया का वर्णन करते हैं, अर्थात, ऊर्जा का एक सेट, ऊर्जा का एक सेट, ऊर्जा का एक सेट। न्यूरोनल गतिविधि का गतिशीलता जो संवेदी इनपुट के कारण का प्रतिनिधित्व करता है. इ जगह, हम बहुत सामान्य मॉडल पर ध्यान केंद्रित करत हैं, जेकर ऊपरी-ऊपरी अउर गतिशील संरचना है जेसे अनुकरणीय दिमाग का पहचान और भविष्यवाणी कीन जा सके, या अनुक्रमिक संवेदी अवस्था. हम पहिले हिरास् त्रीय गतिशील मॉडल अउर उनके विवरन क समीक्षा करे रहेन। हम त इ देखाइ देई कि दिमाग मा इ उलटापन लागू करे क खातिर जरूरी बुनियादी ढांचा है अउर इ बिन्दु क सिंथेटिक पक्षी क उपयोग करके चित्रित करेक है जवन पक्षी गीतों का पहचान और वर्गीकरण कर सकत है। |
38a935e212c8e10460545b74a7888e3966c03e74 | इ पेपर 3 डी ऑब्जेक्ट डिटेक्शन की एमोडल पर्सेप्शन की समस्या का समाधान करता है। कार्य केवल 3D दुनिया मा वस्तु स्थानिकरण को खोज नहीं है, तर पनि आफ्नो भौतिक आकार र poses को अनुमान लगाउन, भले ही केवल भागहरु RGB-D छवि मा दृश्यमान छन्। हाल के दृष्टिकोणों ने 3D स्पेस में सीधे 3D सुविधाओं का शोषण करने के लिए गहराई चैनल से बिंदु बादल का उपयोग करने का प्रयास किया है और पारंपरिक 2.5D प्रतिनिधित्व दृष्टिकोणों पर श्रेष्ठता का प्रदर्शन किया है। हम अमोडल 3 डी डिटेक्शन समस्या का फिर से देखब, 2.5 डी प्रतिनिधित्व ढांचे से चिपके रहब, अउर सीधे 2.5 डी दृश्य उपस्थिति को 3 डी वस्तुओं से जोड़ब। हम एक नया 3D ऑब्जेक्ट डिटेक्शन सिस्टम का प्रस्ताव करत हैं जवन एक साथ वस्तुओं का 3D स्थान, भौतिक आकार, अउर इनडोर दृश्यों में अभिविन्यास का भविष्यवाणी करत है। एनवाईयूवी2 डाटासेट पर प्रयोग से पता चलता है कि हमार एल्गोरिथ्म अत्याधुनिक से काफी बेहतर है अउर ई दर्शाता है कि 2.5 डी प्रतिनिधित्व 3 डी अमोडल ऑब्जेक्ट डिटेक्शन के लिए सुविधाओं का एन्कोडिंग करे मा सक्षम है। सब सोर्स कोड अउर डाटा https://github.com/phoenixnn/Amodal3Det. |
4d7a8836b304a1ecebee19ff297f1850e81903b4 | |
461ebcb7a274525b8efecf7990c85994248ab433 | कम पावर अउर लॉसी नेटवर्क (आरपीएल) खातिर रूटिंग प्रोटोकॉल एगो नया रूटिंग प्रोटोकॉल ह जवन 6LoWPAN नेटवर्क जैसन सीमित वातावरण खातिर मानकीकृत ह। IPv6/RPL जुड़ा 6LoWPAN मा सुरक्षा प्रदान करना चुनौतीपूर्ण अहै काहे से की डिवाइस अविश्वसनीय इंटरनेट से जुड़ा हुआ है औ संसाधन सीमित है, संचार लिंक हानिकारक है, औ डिवाइस नवा IoT प्रौद्योगिकियों का एक सेट जैसे RPL, 6LoWPAN, औ CoAP/CoAPs का उपयोग करत हैं। इ पेपर मा हम आईओटी टेक्नोलॉजीज और उनके नए सुरक्षा क्षमताओं का एक व्यापक विश्लेषण प्रदान करत हैं जौन हमलावरन या आईडीएस द्वारा शोषण कीन जा सकत है। इ कागज मा एक प्रमुख योगदान 6LoWPAN नेटवर्क को खिलाफ राउटिंग प्रोटोकॉल के रूप मा RPL चलाने वाले राउटिंग हमलों का कार्यान्वयन और प्रदर्शन है। हम इ हमला कन्टिकी ऑपरेटिंग सिस्टम मा आरपीएल कार्यान्वयन मा लागू करत हन औ इ हमला कउजा सिमुलेटर मा देखाइ देत हन। ई अतिरिक्त सुविधाएँ परदान करत है, अउर आमतौर पय यहिकै सिफारिश करी जात है, कि ई फोन आपन ब्राउज़र पय नहीं आय सकत। |
5b8869bb7afa5d8d3c183dfac0d0f26c2e218593 | कैश पदानुक्रम आज के उच्च प्रदर्शन वाले प्रोसेसर मा प्रचलित है ताकि अभ्यास मा अच्छा प्रदर्शन करे वाले एल्गोरिदम डिजाइन करे सकय। इ पेपर बाह्य मेमोरी एल्गोरिदम का अनुकूलन का समर्थन करत है एकर खातिर. इ विचार और संबंधित व्यावहारिक मुद्दा का उदाहरण बाह्य मेमोरी और कैश्ड मेमोरी के लिए उपयुक्त एक तेज प्राथमिकता कतार का निर्माण करके दिखाया गया है, जो कि <i>k</i>-way विलय पर आधारित है। इ पूर्ववर्ती बाह्य स्मृति एल्गोरिदम का कैशे मेमोरी में स्थानांतरित करे खातिर महत्वपूर्ण निरंतर कारक से सुधारेला. वर्कस्टेशन कै कैश पदानुक्रम मा चलै वाला एल्गोरिथ्म कम से कम द्वि घनत्व वाले इनपुट के लिए बाइनरी ढेर अउर 4-अरी ढेर के अनुकूलित कार्यान्वयन से दुई गुना तेज है। |
1f6ba0782862ec12a5ec6d7fb608523d55b0c6ba | हम वाक्य-स्तर वर्गीकरण कार्य के लिए पूर्व-प्रशिक्षित शब्द वेक्टरों के ऊपर प्रशिक्षित संवहन तंत्रिका नेटवर्क (सीएनएन) के साथ प्रयोगों की एक श्रृंखला पर रिपोर्ट करते हैं। हम देखब कि एक साधारण सीएनएन, जेकर कम हाइपरपैरामीटर ट्यूनिंग अउर स्थिर वेक्टर होत हैं, कई मापदंड पर उत्कृष्ट परिणाम देत हैं। कार्य-विशिष्ट वेक्टर का सीखना-सटीक-ट्यूनिंग के माध्यम से प्रदर्शन में अतिरिक्त लाभ प्रदान करता है। हम अतिरिक्त रूप से संरचना मा एक सरल संशोधन प्रस्ताव को रूप मा प्रस्तावित छ कि दुवै कार्य-विशिष्ट र स्थिर वेक्टरों का उपयोग को लागी अनुमति दिन। सीएनएन मॉडल जेके बारे मा चर्चा कीन गै बाय ऊ 7 कामन मा से 4 कामन मा कला की स्थिति मा सुधार करत हैं, जौन भावना विश्लेषण अउर प्रश्न वर्गीकरण शामिल हैं। |
Subsets and Splits