_id
stringlengths 40
40
| text
stringlengths 0
9.62k
|
|---|---|
2f991be8d35e4c1a45bfb0d646673b1ef5239a1f | मशीन लर्निंग मॉडल जवन तरीका से व्यवहार करेला, ओकरा के समझे से सिस्टम डिजाइनर आउर अंतिम-उपयोगकर्ता दुनों के कई तरह से सशक्त बन जाला: मॉडल चयन में, सुविधा इंजीनियरिंग में, भविष्यवाणी पर भरोसा करे आउर कार्य करे खातिर, आउर अधिक सहज उपयोगकर्ता इंटरफ़ेस में. इ प्रकार, व्याख्यात्मकता मशीन लर्निंग में एगो महत्वपूर्ण चिंता बन गइल बा, आउर व्याख्यात्मक मॉडल के क्षेत्र में काम में नया रुचि मिलल बा. कुछ अनुप्रयोग में, अइसन मॉडल गैर-व्याख्या योग्य के रूप में सटीक होला, आउर इ प्रकार उनकर पारदर्शिता खातिर पसंद कइल जाला. जब उ सब सही ना होला तब भी, जब व्याख्या के महत्व सबसे ढेर होला तब भी उ सब के पसंद कइल जा सकेला. हालांकि, व्याख्या योग्य मॉडल तक मशीन लर्निंग के सीमित करल अक्सर एगो गंभीर सीमा होला. इ पत्र में हम मॉडल-अज्ञेय दृष्टिकोण के उपयोग करके मशीन लर्निंग भविष्यवाणी के व्याख्या करे खातिर तर्क देले बानी. मशीन लर्निंग मॉडल के ब्लैकबॉक्स फंक्शन के रूप में व्यवहार करके, इ दृष्टिकोण मॉडल, स्पष्टीकरण आउर प्रतिनिधित्व के चयन में महत्वपूर्ण लचीलापन प्रदान करेला, डिबगिंग, तुलना आउर विभिन्न प्रकार के उपयोगकर्ता आउर मॉडल खातिर इंटरफेस में सुधार करेला. हम इ तरह के तरीका खातिर मुख्य चुनौतियन के भी रेखांकित करब, आउर हाल ही में पेश करल गइल मॉडल-अज्ञेय व्याख्या दृष्टिकोण (एलआईएमई) के समीक्षा करब जवन इ चुनौतियों के संबोधित करेला. |
546add32740ac350dda44bab06f56d4e206622ab | गहिरा तंत्रिका नेटवर्क छवि वर्गीकरण में प्रभावशाली प्रयोगात्मक परिणाम प्राप्त कइले बा, लेकिन विरोधी व्यवधान के संबंध में आश्चर्यजनक रूप से अस्थिर हो सकेला, यानी इनपुट छवि में न्यूनतम परिवर्तन जे नेटवर्क के गलत वर्गीकृत करे के कारण बन जाला. संभावित अनुप्रयोगन के साथ, जेमे अवधारण मॉड्यूल आउर सेल्फ-ड्राइविंग कार खातिर एंड-टू-एंड नियंत्रक शामिल बा, इ उनकर सुरक्षा के बारे में चिंता बढ़ावेला. हम संतोषजनकता मॉडुलो सिद्धांत (एसएमटी) के आधार पर फीड-फॉरवर्ड बहु-परत तंत्रिका नेटवर्क खातिर एगो नया स्वचालित सत्यापन ढांचा विकसित कर रहल बानी. हम छवि हेरफेर पर ध्यान केंद्रित करब, जइसे कि खरोंच या कैमरा एंगल या प्रकाश स्थिति में बदलाव, आउर छवि वर्गीकरण निर्णय खातिर सुरक्षा के परिभाषित करब, जवन कि छवि के नजदीक छवियन के एगो क्षेत्र के भीतर मूल छवि के हेरफेर के संबंध में वर्गीकरण के अपरिवर्तनीयता के संदर्भ में होला. हम विसयता के उपयोग करके क्षेत्र के संपूर्ण खोज के सक्षम बनाब आउर परत द्वारा परत विश्लेषण के प्रसारित करब. हमार तरीका सीधे नेटवर्क कोड के साथ काम करेला आउर, मौजूदा तरीका के विपरीत, इ गारंटी दे सकेला कि विरोधात्मक उदाहरण, अगर ऊ मौजूद बा, त दिहल गइल क्षेत्र आउर हेरफेर के परिवार खातिर पावल जाला. अगर मिल जाला, त विरोधी उदाहरण मानव परीक्षकों के देखावल जा सकेला आउर/या नेटवर्क के ठीक करे खातिर उपयोग कइल जा सकेला. हम लोग जेड3 के उपयोग करके तकनीक के लागू करब आउर नियमित आउर गहन सीखल नेटवर्क सहित अत्याधुनिक नेटवर्क पर उनकर मूल्यांकन करब. हम मौजूदा तकनीक के तुलना भी कर के प्रतिद्वंद्वी उदाहरण खोजे आ नेटवर्क के मजबूती के अनुमान लगावे खातिर उपयोग करेनी. |
8db9df2eadea654f128c1887722c677c708e8a47 | ई ध्यान मॉडल पर हाल के काम के भी एकीकृत करेला ताकि प्रासंगिक जानकारी पर ध्यान केंद्रित कइल जा सके, जेकरा से एम्बेडेड हार्डवेयर पर तैनाती खातिर कम्प्यूटेशनल जटिलता कम हो सके। ई फ्रेमवर्क के परीक्षण एगो ओपन सोर्स 3डी कार रेसिंग सिमुलेटर में कइल गइल जेके TORCS कहल जाला. हमनी के सिमुलेशन परिणाम जटिल सड़क वक्रता आ अन्य वाहनन के सरल बातचीत के परिदृश्य में स्वायत्त युद्धाभ्यास के सीख के प्रदर्शित करेला. एगो रोबोट कार जे स्वायत्त रूप से चलेला आर्टिफिशियल इंटेलिजेंस के एगो लम्बा समय से लक्ष्य बा. गाड़ी चलावल एगो अइसन काम ह जवना खातिर चालक के उच्च स्तर के कौशल, ध्यान आ अनुभव के जरुरत होला। हालाँकि कंप्यूटर मनुष्य की तुलना में अधिक ध्यान देवे में सक्षम बा, लेकिन पूरा तरह से स्वायत्त ड्राइविंग खातिर एगो बुद्धि के स्तर के आवश्यकता बा जे एआई एजेंट द्वारा अब तक हासिल कइल गइल बुद्धि से अधिक बा. स्वायत्त ड्राइविंग एजेंट बनावे में शामिल कार्य के 3 श्रेणी में बाँटल जा सकेला, जइसन कि चित्र 1 में देखावल गइल बा: एकर उदाहरण पैदल यात्री के पता लगावे, यातायात चिह्न के पहचान इत्यादि बा. हालाँकि, ई सामान्य बात नइखे, लेकिन डीप लर्निंग (डीएल) एल्गोरिदम में भइल प्रगति के चलते, जवन कि कई गो ऑब्जेक्ट डिटेक्शन आ क्लासिफिकेशन समस्या में मानव स्तर के मान्यता या एकरे ऊपर पहुँच गइल बा, आज के समय में ई अपेक्षाकृत आसान काम बा। डीप लर्निंग मॉडल कच्चा इनपुट डेटा से जटिल सुविधा प्रतिनिधित्व के सीख सकेला, हाथ से तैयार सुविधा के आवश्यकता के छोड़ देवेला. इ संबंध में, संवितरण तंत्रिका नेटवर्क (सीएनएन) संभवतः सबसे सफल गहरी सीखने के मॉडल हव, आउर एलेक्सनेट [8] के बाद से इमेजनेट चुनौती पर हर विजेता प्रविष्टि के आधार बनल हव. इ सफलता के ऑटोनोम ड्राइविंग खातिर लेन एंड व्हीकल डिटेक्शन में दोहरावल गइल बा [6]. 2) भविष्यवाणी: एगो स्वायत्त ड्राइविंग एजेंट खातिर आपन पर्यावरण के पहचानल पर्याप्त नइखे; इ आंतरिक मॉडल बनावे में भी सक्षम होखे के चाही जवन पर्यावरण के भविष्य के स्थिति के भविष्यवाणी करे. समस्या के ए वर्ग के उदाहरण में पर्यावरण के नक्शा बनावे या कौनो वस्तु के ट्रैक करे के काम आवेला. भविष्य के भविष्यवाणी करे में सक्षम होवे खातिर, अतीत के जानकारी के एकीकृत करल महत्वपूर्ण बा. अइसन, आवर्ती तंत्रिका नेटवर्क (आरएनएन) समस्या के इ वर्ग खातिर आवश्यक बा. लॉन्ग-शार्ट टर्म मेमोरी (एल एस टी एम) नेटवर्क [5] आर एन एन के एगो अइसन श्रेणी हवे जेकर इस्तेमाल एंड-टू-एंड सीन लेबलिंग सिस्टम में कइल जाला [14]. हाल में, डीपट्रैकिंग मॉडल में ऑब्जेक्ट ट्रैकिंग प्रदर्शन में सुधार करे खातिर आरएनएन के भी उपयोग कइल गइल बा [13]. 3) योजनाः एगो कुशल मॉडल के निर्माण जवन ड्राइविंग क्रिया के भविष्य के अनुक्रम के योजना बनावे खातिर मान्यता आउर भविष्यवाणी के शामिल करेला जवन वाहन के सफलतापूर्वक नेविगेट करे में सक्षम बनावेला. तीनो में योजना बनावल सबसे कठिन काम होला. कठिनाई पर्यावरण (पहचान) आउर एकर गतिशीलता (पूर्वानुमान) के समझे के मॉडल के क्षमता के अइसन तरीका से एकीकृत करे में निहित बा जे एकरा भविष्य के कार्रवाई के योजना बनावे में सक्षम बनावेला ताकि इ अवांछित स्थिति (दंड) से बचे आउर सुरक्षित रूप से आपन गंतव्य (इनाम) तक चले. चित्र 1: उच्च स्तर के स्वायत्त ड्राइविंग कार्य रिइनफोर्समेंट लर्निंग (आरएल) फ्रेमवर्क [17] [20] के उपयोग लंबा समय से नियंत्रण कार्य में कइल जाला. आरएल के डीएल के साथ मिश्रण के मानव स्तर के नियंत्रण प्राप्त करे खातिर सबसे आशाजनक दृष्टिकोण में से एक के रूप में इंगित कइल गइल रहे [9]. [12] और [11] में, डीप क्यू नेटवर्क (डीक्यूएन) मॉडल के उपयोग करके एटारी गेम पर इ मानव स्तर के नियंत्रण के प्रदर्शन कइल गइल रहे, जेमे आरएल योजना के हिस्सा खातिर जिम्मेदार रहे जबकि डीएल प्रतिनिधित्व सीखने के हिस्सा खातिर जिम्मेदार रहे. बाद में, आंशिक अवलोकन योग्य परिदृश्य के ध्यान में रखे खातिर आरएनएन के मिश्रण में एकीकृत कइल गइल रहे [4]. स्वायत्त ड्राइविंग खातिर सूचना के एकीकरण के जरूरत होला. 02 53 2v 1 [ st at .M L] 8 A pr 2 01 7 कई सेंसर से कुछ त कम आयामी होला, जइसे कि लीडर, जबकि कुछ उच्च आयामी होला, जइसे कि कैमरा। हालांकि, इ विशेष उदाहरण में ध्यान देवे योग्य बा कि यद्यपि कच्चा कैमरा छवियन के आयाम बड़ होला, स्वायत्त ड्राइविंग कार्य के प्राप्त करे खातिर आवश्यक उपयोगी जानकारी बहुत कम आयाम के होला. उदाहरण खातिर, ड्राइविंग निर्णय के प्रभावित करे वाला दृश्य के महत्वपूर्ण हिस्सा चले वाला वाहन, आगे के सड़क पर खाली जगह, कर्ब के स्थिति आदि तक ही सीमित बा. वाहन के सूक्ष्म विवरण भी महत्वपूर्ण नइखे, काहे कि समस्या के समाधान खातिर खाली ओकर स्थानिक स्थिति जरूरी बा. एही से संबंधित जानकारी खातिर मेमोरी बैंडविड्थ बहुत कम बा. अगर ई प्रासंगिक जानकारी निकालल जा सके, जबकि बाकी गैर-प्रासंगिक हिस्सा के फ़िल्टर कइल जा सके, त ई स्वायत्त ड्राइविंग सिस्टम के सटीकता आ दक्षता दुनों में सुधार करी. एकरे अलावा, इ सिस्टम के गणना आउर मेमोरी आवश्यकता के कम कर देई, जवन कि एम्बेडेड सिस्टम पर महत्वपूर्ण बाधा हव जउने में स्वायत्त ड्राइविंग नियंत्रण इकाई शामिल होई. ध्यान मॉडल अइसन सूचना फ़िल्टरिंग प्रक्रिया खातिर एगो स्वाभाविक फिट बाटे. हाल ही में, इ मॉडल के छवि मान्यता खातिर [23] आउर [10] में सफलतापूर्वक तैनात कइल गइल रहे, जउने में आरएल के आरएनएन के साथ मिला के छवि के भाग के प्राप्त करे खातिर ध्यान दिहल गइल रहे. अइसन मॉडल के आसानी से डीक्यूएन [11] आ डीप रिकर्सिव क्यू नेटवर्क (डीआरक्यूएन) [4] मॉडल में बिस्तार कइल जा सके ला आ इनहन के एकट्ठा कइल जा सके ला। इ एकीकरण [16] में करल गइल रहे. ध्यान मॉडल के सफलता हमनी के एकरा के प्रस्तावित करे खातिर प्रेरित करेला कि स्वायत्त ड्राइविंग करे खातिर कच्चा संवेदी जानकारी से निम्न स्तर के जानकारी के निकाले खातिर. इ पत्र में, हम एगो अंत-अंत स्वायत्त ड्राइविंग मॉडल खातिर एगो ढांचा प्रस्तावित करत बानी जवन कच्चा सेंसर इनपुट में ले ला आउर ड्राइविंग क्रिया के आउटपुट करेला. मॉडल आंशिक रूप से देखे लायक परिदृश्य के संभाले में सक्षम बा. एकरे अलावा, हमनी के ध्यान मॉडल में हाल के प्रगति के एकीकृत करे के प्रस्ताव बा ताकि प्राप्त सेंसर डेटा से केवल प्रासंगिक जानकारी निकाला जा सके, आ ई तरीका से ई रियल-टाइम एम्बेडेड सिस्टम खातिर उपयुक्त हो सके। एह लेख में मुख्य योगदानः 1) डीप रेम्फर्सेशन लर्निंग के हाल के प्रगति के समीक्षा कइल गइल बा आ 2) ऑटोमोटिव समुदाय के डीप रेम्फर्सेशन लर्निंग के इस्तेमाल से अंततः स्वायत्त ड्राइविंग के बारे में जानकारी दिहल गइल बा। बाकी के पेपर के दू भाग में बाँटल गइल बा. पहिला भाग में डीप रेनफॉर्सेशन लर्निंग एल्गोरिदम के एगो सर्वेक्षण दिहल गइल बा, जेकर शुरुआत पारंपरिक एमडीपी ढांचा आ क्यू-लर्निंग से भइल बा, एकरे बाद डीक्यूएन, डीआरक्यूएन आ डीप अटेंशन रिकर्सिव क्यू नेटवर्क (डीएआरक्यूएन) के अध्ययन कइल गइल बा। पेपर के दूसर भाग में प्रस्तावित ढांचा के वर्णन कइल गइल बा जे गहरा सुदृढीकरण सीख के हाल के प्रगति के एकीकृत करेला. अंत में, हम निष्कर्ष निकालल चाहत बानी आउर भविष्य के काम खातिर दिशा-निर्देश सुझावे चाहत बानी. सुदृढीकरण सीख के समीक्षा सुदृढीकरण सीख के व्यापक अवलोकन खातिर, कृपया रिच सटन के पाठ्यपुस्तक के दूसरका संस्करण के देखल जाय [18]. एह खंड में कुछ महत्वपूर्ण विषय के संछेप में बर्णन कइल गइल बा। सुदृढीकरण सीख के ढाँचा के [17] में एगो मॉडल के रूप में तैयार कइल गइल रहे जे एगो एजेंट के द्वारा अनुसरण कइल जाए वाला सभसे बढ़िया नीति (बिसेस स्थिति में करे खातिर सभसे बढ़िया क्रिया) प्रदान करे खातिर बा, अइसन कि कुल संचित इनाम के अधिकतम रूप से तब हासिल कइल जाय जब एजेंट वर्तमान स्थिति से ले के टर्मिनल स्थिति तक ऊ नीति के पालन करे ला। आरएल पैराडिग्म ड्राइविंग खातिर प्रेरणा एगो बहु-एजेंट बातचीत समस्या बा. एगो मानव चालक के रूप में, भारी यातायात में लेन बदले के बजाय दोसर कार के साथे कौनो बातचीत के बिना लेन के भीतर रहे के बहुत आसान बा. बाद वाला आउर कठिन बा काहे कि दोसर चालक के व्यवहार में अंतर्निहित अनिश्चितता बा. परस्पर क्रिया करे वाला वाहनन के संख्या, उनकर ज्यामितीय विन्यास आउर ड्राइवर के व्यवहार में बड़हन भिन्नता हो सकेला आउर सब परिदृश्य के संपूर्ण कवरेज के साथे पर्यवेक्षित सीख डेटासेट के डिजाइन कइल चुनौतीपूर्ण बा. मानव चालक लोग दोसर चालक लोग के व्यवहार के समझे खातिर ऑनलाइन सुदृढीकरण सीख के काम करेला जइसे कि ऊ लोग रक्षात्मक या आक्रामक, अनुभवी या अनुभवहीन बा, आदि. ई अइसन परिदृश्य में बिसेस रूप से उपयोगी होला जेह में बातचीत के जरूरत होखे, जइसे कि गोल चक्कर में घुसे के, बिना ट्रैफिक लाइट के जंक्शन में नेविगेट करे के, भारी यातायात के दौरान लेन बदले के इत्यादि। स्वायत्त ड्राइविंग में मुख्य चुनौती अइसन कोने के मामला से निपटे के बा जे मनुष्य ड्राइवर खातिर भी अप्रत्याशित होला, जइसे कि बिना जीपीएस के अज्ञात क्षेत्र में खो जाए से उबरल या आपदा के स्थिति से निपटे के जइसे कि बाढ़ या जमीन पर सिंकहोल के उपस्थिति। आरएल प्रतिमान अनचिन्हार क्षेत्र के मॉडल बनावेला आउर कार्रवाई करके आपन अनुभव से सीखेलें. एकरे अलावा, आरएल गैर-विभेदी लागत फलन के संभाले में सक्षम हो सकेला जे पर्यवेक्षित सीख के समस्या खातिर चुनौती पैदा कर सकेला. वर्तमान में, स्वायत्त ड्राइविंग खातिर मानक दृष्टिकोण इ बा कि सिस्टम के अलग-अलग उप-समस्या में अलग कइल जाए, आमतौर पर पर्यवेक्षित-सीखने वाला ऑब्जेक्ट डिटेक्शन, विजुअल ओडोमेट्री इत्यादि आउर फिर पिछला चरण के सभी परिणाम के संयोजित करे खातिर पोस्ट प्रोसेसिंग परत होखे. इ दृष्टिकोण के साथे दु मुख्य समस्या बा: पहिला, जवन उप-समस्या के हल करल जाला उ स्वायत्त ड्राइविंग से जादा कठिन हो सकेला. उदाहरण खातिर, एगो व्यक्ति अर्थ संबंधी विभाजन द्वारा वस्तु के पता लगावे के समस्या के हल कर सकेला जवन कि चुनौतीपूर्ण आउर अनावश्यक दुनों बा. ड्राइविंग के दौरान मानव चालक सभ दृश्य वस्तु के ना खोजेला आ ना वर्गीकृत करे ला, खाली सबसे प्रासंगिक चीज के खोजेला आ वर्गीकृत करे ला। दूसर, अलग-थलग उप-समस्या के सुसंगत रूप से संयोजित ना कइल जा सकेला ताकि लक्ष्य के प्राप्ति कइल जा सके. सुदृढीकरण सीख के एगो मजबूत एआई प्रतिमान मानल जाला जेकर उपयोग मशीन के पर्यावरण के साथे बातचीत आउर ओकर गलतियन से सीख के सिखावे खातिर कइल जा सकेला. एकर कथित उपयोगिता के बावजूद, एकर ऑटोमोटिव अनुप्रयोग में सफलतापूर्वक उपयोग ना कइल गइल बाटे. अटारी गेम आ गूगल दीपमाइंड द्वारा गो के सफल प्रदर्शन से प्रेरित होके, हमनी के डीप रिइनफोर्समेंट लर्निंग के इस्तेमाल क के ऑटोनोमस ड्राइविंग खातिर एगो ढांचा प्रस्तावित कइले बानी जा। ई विशेष रूप से प्रासंगिक बा काहे कि अन्य वाहन, पैदल यात्री आउर सड़क निर्माण सहित पर्यावरण के साथे मजबूत बातचीत के चलते स्वायत्त ड्राइविंग के पर्यवेक्षित सीखने के समस्या के रूप में पेश कइल मुश्किल बा. चूंकि ई स्वायत्त ड्राइविंग खातिर शोध के अपेक्षाकृत नया क्षेत्र हवे, हम गहरी सुदृढीकरण सीख के एगो संक्षिप्त अवलोकन प्रदान करब आउर फेर हमनी के प्रस्तावित ढांचा के वर्णन करब. इ सूचना एकीकरण खातिर पुनरावर्ती तंत्रिका नेटवर्क के शामिल करेला, जे कार के आंशिक रूप से देखे योग्य परिदृश्य के संभाले में सक्षम बनावेला. |
a4d513cfc9d4902ef1a80198582f29b8ba46ac28 | इ रिपोर्ट एआई के दुर्भावनापूर्ण उपयोग से संभावित सुरक्षा खतरा के परिदृश्य के सर्वेक्षण करेला, आउर इ खतरा के बेहतर भविष्यवाणी, रोकथाम आउर कम करे के तरीका के प्रस्ताव करेला. एआई के डिजिटल, भौतिक आउर राजनीतिक डोमेन में खतरा परिदृश्य के प्रभावित करे के तरीका के विश्लेषण करे के बाद, हम एआई शोधकर्ता आउर अन्य हितधारक खातिर चार उच्च-स्तरीय सिफारिश करिला. हम आगे के शोध खातिर कई आशाजनक क्षेत्र के भी सुझाव देले बानी जे रक्षा के पोर्टफोलियो के बढ़ा सकेला, या हमला के कम प्रभावी या निष्पादित करे में कठिन बना सकेला. अंत में, हम चर्चा करब, लेकिन अंतिम रूप से हमलावरन आउर रक्षक लोगन के दीर्घकालिक संतुलन के समाधान ना करब. |
b5a047dffc3d70dce19de61257605dfc8c69535c | डीप न्यूरल नेटवर्क जटिल, वास्तविक दुनिया के समस्या से निपटे खातिर व्यापक रूप से उपयोग आउर प्रभावी साधन के रूप में उभरेला. हालांकि, सुरक्षा-महत्वपूर्ण प्रणालियन पर लागू करे में एगो प्रमुख बाधा उनकर व्यवहार के बारे में औपचारिक गारंटी प्रदान करे में बहुत कठिनाई बाटे. हम गहिरा तंत्रिका नेटवर्क के गुण के सत्यापित करे खातिर एगो उपन्यास, स्केलेबल आउर कुशल तकनीक प्रस्तुत करत बानी (चाहे प्रति-उदाहरण प्रदान करत बानी). ई तकनीक सिंप्लेक्स विधि पर आधारित बा, जे गैर-उपमंडल सुधारल रैखिक इकाई (ReLU) सक्रियण कार्य के संभाले खातिर विस्तारित बा, जे कई आधुनिक तंत्रिका नेटवर्क में एगो महत्वपूर्ण घटक बा. सत्यापन प्रक्रिया तंत्रिका नेटवर्क के पूरा के पूरा संबोधित करेला, बिना कउनो सरलीकृत धारणा के. हमनी के अपना तकनीक के मूल्यांकन एगो प्रोटोटाइप डीप न्यूरल नेटवर्क पर कइल गइल जे अगिला पीढ़ी के मानव रहित विमानन खातिर हवाई टकराव से बचाव प्रणाली (एसीएएस एक्सयू) के लागू करे ला। परिणाम ई देखावेला कि हमनी के तकनीक सफलतापूर्वक अइसन नेटवर्क के गुण के साबित कर सकेला जवन मौजूदा तरीका के उपयोग करके सत्यापित सबसे बड़ नेटवर्क के तुलना में परिमाण के एगो क्रम से बड़ होला. |
b4bd9fab8439da4939a980a950838d1299a9b030 | उपयोग के पूरा नियम आ शर्तेंः http://pubsonline.informs.org/page/terms-and-conditions इ लेख के उपयोग केवल शोध, शिक्षण, आ/या निजी अध्ययन खातिर कइल जा सकेला। अगर अलग से बतावल ना गइल होखे, तब तक बिना प्रकाशक के स्पष्ट अनुमति के व्यावसायिक उपयोग या व्यवस्थित डाउनलोडिंग (रोबोट या अन्य स्वचालित प्रक्रिया द्वारा) मना बा। अधिक जानकारी खातिर, [email protected] से संपर्क करीं। प्रकाशक लेख के सटीकता, पूर्णता, व्यापारिकता, कउनो खास उद्देश्य खातिर उपयुक्तता या गैर-उल्लंघन के गारंटी ना देवेला. एह लेख में उत्पाद चाहे प्रकाशन के वर्णन, या ओकर संदर्भ, या विज्ञापन के शामिल कइल, न त गारंटी के रूप में बा, न ही एह उत्पाद, प्रकाशन, या सेवा के बारे में दावा के समर्थन या समर्थन के रूप में बा। © 1990 सूचना प्रौद्योगिकी सूचना प्रौद्योगिकी |
5288d14f6a3937df5e10109d4e23d79b7ddf080f | |
c9946fedf333df0c6404765ba6ccbf8006779753 | स्वायत्त ड्राइविंग चालक के सुविधा प्रदान करे आउर सुरक्षा बढ़ावे के क्षमता देखवले बा. हमनी के वर्तमान यातायात प्रणाली में स्वायत्त ड्राइविंग के लागू करे के समय, एगो महत्वपूर्ण मुद्दा इ बा कि स्वायत्त वाहन के वास्तविक मानव ड्राइवर के समान प्रतिक्रिया करे में सक्षम बनावल जाए. ई सुनिश्चित करे खातिर कि भविष्य के एगो स्वायत्त वाहन मानव चालक के जइसन काम करी, इ पेपर एगो वाहन गति योजना मॉडल के प्रस्ताव करेला, जवन ई दर्शावेला कि ड्राइवर वास्तविक सिग्नल वाले चौराहे में यातायात वातावरण के आकलन के आधार पर वाहन के कइसे नियंत्रित करेलन. प्रस्तावित गति नियोजन मॉडल में पैदल यात्री के इरादा के पता लगावे, अंतराल के पता लगावे आउर वाहन गतिशील नियंत्रण के कार्य शामिल बा. तीनो फंक्शन वास्तविक यातायात वातावरण से एकत्रित वास्तविक डेटा के विश्लेषण के आधार पर बनावल गइल बा. अंत में, इ पत्र वास्तविक पैदल यात्री लोगन आउर मानव ड्राइवर लोगन के व्यवहार के साथे हमार मॉडल के व्यवहार के तुलना करके प्रस्तावित विधि के प्रदर्शन के प्रदर्शित करेला. प्रयोगात्मक परिणाम से पता चलल कि हमनी के प्रस्तावित मॉडल पैदल यात्री के पार करे के इरादा के 85% तक पहचान दर हासिल कर सकेला. एकरे अलावा, प्रस्तावित गति नियोजन मॉडल द्वारा नियंत्रित वाहन आउर वास्तविक मानव-चालित वाहन चौराहा पर अंतराल स्वीकृति के संबंध में बहुत समान हव. |
061356704ec86334dbbc073985375fe13cd39088 | इ काम में हम बड़ पैमाना पर छवि मान्यता सेटिंग में एकर सटीकता पर संवहन नेटवर्क गहराई के प्रभाव के जांच करेनी. हमनी के मुख्य योगदान बढ़त गहराई के नेटवर्क के गहन मूल्यांकन हवे, जवन ई देखावेला कि पहिले के कला विन्यास पर एगो महत्वपूर्ण सुधार गहराई के 16-19 वजन परत तक बढ़ाके हासिल कइल जा सकेला. इ निष्कर्ष हमनी के इमेजनेट चैलेंज 2014 के प्रस्तुति के आधार रहे, जहां हमनी के टीम क्रमशः स्थानीयकरण आ वर्गीकरण ट्रैक में पहिला आ दूसरा स्थान हासिल कइलस. हम इ भी देखावत बानी कि हमार निरूपण अन्य डेटासेट के खातिर अच्छा सामान्यीकरण करेला, जेमे अत्याधुनिक परिणाम प्राप्त होला. महत्वपूर्ण रूप से, हमनी के आपन दू गो बेहतरीन प्रदर्शन करे वाला कॉनवेट मॉडल के सार्वजनिक रूप से उपलब्ध करा दिहले बानी जा ताकि कंप्यूटर विजन में गहराई से दृश्य प्रतिनिधित्व के उपयोग पर आगे के शोध के सुविधा मिल सके। |
14318685b5959b51d0f1e3db34643eb2855dc6d9 | हम एगो डीप कन्वॉल्यूशनल न्यूरल नेटवर्क आर्किटेक्चर के प्रस्ताव देले बानी जेकर कोड नाम इनिशिएशन बा जे इमेजनेट लार्ज-स्केल विजुअल रिकग्निशन चैलेंज 2014 (आईएलएसवीआरसी 14) में वर्गीकरण आउर पता लगावे खातिर कला के नया स्थिति प्राप्त करेला. इ वास्तुकला क मुख्य पहचान नेटवर्क के भीतर कंप्यूटिंग संसाधनन क बेहतर उपयोग होखेला. सावधानी से तैयार कइल गइल डिजाइन के द्वारा, हम गणना के बजट के स्थिर रखत समय नेटवर्क के गहराई आ चौड़ाई बढ़ा देनी. गुणवत्ता के अनुकूलित करे खातिर, स्थापत्य निर्णय हेबियन सिद्धांत आउर बहु-मानक प्रसंस्करण के अंतर्ज्ञान पर आधारित रहे. ILSVRC14 खातिर हमनी के प्रस्तुति में उपयोग कइल गइल एगो खास अवतार के GoogLeNet कहल जाला, जे 22 परत के गहिरा नेटवर्क हवे, जेकर गुणवत्ता के वर्गीकरण आउर पता लगावे के संदर्भ में मूल्यांकन कइल जाला. |
1827de6fa9c9c1b3d647a9d707042e89cf94abf0 | डीप न्यूरल नेटवर्क के प्रशिक्षण ई तथ्य से जटिल होला कि प्रशिक्षण के दौरान प्रत्येक परत के इनपुट के वितरण में बदलाव होला, काहे कि पिछला परत के पैरामीटर बदल जाला. इ कम सीखने के दर आउर सावधानीपूर्वक पैरामीटर आरंभिकरण के आवश्यकता के कारण प्रशिक्षण के धीमा कर देवेला, आउर संतृप्त गैर-रैखिकता के साथ मॉडल के प्रशिक्षित करल बहुत कठिन बनावेला. हम इ घटना के आंतरिक सह-परिवर्तनीय बदलाव के रूप में संदर्भित कर तानी आउर परत इनपुट के सामान्यीकरण द्वारा समस्या के संबोधित कर तानी. हमार तरीका एकर ताकत सामान्यीकरण के मॉडल आर्किटेक्चर के हिस्सा बनावे आउर प्रत्येक प्रशिक्षण मिनी-बैच खातिर सामान्यीकरण करे से प्राप्त करेला. बैच सामान्यीकरण हमनी के ज्यादा उच्च शिक्षा दर के उपयोग करे के अनुमति देवेला आउर आरंभिकरण के बारे में कम सावधान रहे के अनुमति देवेला, आउर कुछ मामला में ड्रॉप आउट के आवश्यकता के समाप्त कर देवेला. अत्याधुनिक छवि वर्गीकरण मॉडल पर लागू कइल गइल, बैच सामान्यीकरण 14 गुना कम प्रशिक्षण चरण के साथ समान सटीकता प्राप्त करेला, आउर मूल मॉडल के काफी हद तक हरावेला. बैच-सामान्यीकृत नेटवर्क के एगो समूह के उपयोग करके, हम इमेजनेट वर्गीकरण पर सबसे अच्छा प्रकाशित परिणाम में सुधार कइल जा: 4.82% शीर्ष-5 परीक्षण त्रुटि तक पहुँचल, जे मानव रेटर के सटीकता से अधिक बा. |
6e80768219b2ab5a3247444cfb280e8d33d369f0 | इ पेपर में अल्ट्रा-वाइडबैंड (UWB) पावर डिवाइडर डिजाइन करल गईल बा. इ पावर डिवाइडर के यूडब्ल्यूबी परफॉरमेंस एगो कॉनफ्रेटेड माइक्रोस्ट्रिप लाइन के उपयोग करके प्राप्त कइल जाला जेमे घातीय आउर अण्डाकार खंड शामिल होला. मोटाई के साथ समानांतर सूक्ष्म आनुवंशिक एल्गोरिथ्म (पीएमजीए) आउर सीएसटी माइक्रोवेव स्टूडियो के स्वचालित समानांतर डिजाइन प्रक्रिया प्राप्त करे खातिर जोड़ल गइल बा. इ विधि के उपयोग यूडब्ल्यूबी पावर डिवाइडर के अनुकूलित करे खातिर कइल जाला. अनुकूलित बिजली विभाजक के निर्माण कइल गइल आउर नापल गइल. मापल गइल परिणाम अपेक्षाकृत कम सम्मिलन हानि, अच्छा वापसी हानि, आउर पूरा यूडब्ल्यूबी (3.1-10.6 गीगाहर्ट्ज) पर आउटपुट पोर्ट के बीच उच्च अलगाव देखावलन. |
2532d0567c8334e4cadf282a73ffe399c1c32476 | परिणाम के माप तब प्राप्त पुरस्कार के योग होला. उदाहरण खातिर, जब एगो भैंस भोजन खोजत होखे, त प्रत्येक समय चरण में इनाम फलन उड़ल गइल दूरी (ऋणात्मक रूप से वजनित) आउर निगल गइल अमृत के कुछ संयोजन हो सकेला. सुदृढीकरण सीखल (आरएल) विधि मूल रूप से मार्कोव निर्णय प्रक्रिया (एमडीपी) के हल करे खातिर ऑनलाइन एल्गोरिदम हवे. एगो एमडीपी के परिभाषा इनाम फलन आउर एगो मॉडल द्वारा कइल जाला, अर्थात, प्रत्येक संभावित क्रिया पर सशर्त राज्य संक्रमण संभावना. आरएल एल्गोरिदम मॉडल-आधारित हो सकेला, जहां एजेंट एगो मॉडल सीखले रहेला, या मॉडल-मुक्त-उदाहरण खातिर, क्यू-लर्निंग वाटकिन्स के उद्धृत करेला: 1989, जे खाली एगो फलन क्यू ((s) के सीखले रहेला, ए) राज्य में कार्रवाई करे के दीर्घकालिक मूल्य निर्दिष्ट करेला आउर ओकर बाद इष्टतम रूप से काम करेला. आपन सफलता के बावजूद, आरएल विधि के काफी हद तक पूर्ण रूप से देखे योग्य एमडीपी तक ही सीमित रखल गयल ह, जउने में प्रत्येक अवस्था में संवेदी इनपुट राज्य के पहचान करे खातिर पर्याप्त होला. जाहिर बा, वास्तविक दुनिया में, हमनी के अक्सर आंशिक रूप से देखे लायक एमडीपी (पीओएमडीपी) से निपटे के पड़ेला. एस्ट्रोम (1965) साबित कइलन कि पीओएमडीपी में इष्टतम निर्णय समय के प्रत्येक बिंदु पर विश्वास स्थिति बी पर निर्भर करेला, अर्थात, वर्तमान तक के सभे साक्ष्य के देखते हुए, सभी संभावित वास्तविक अवस्था में बाद के संभावना वितरण. परर आउर रसेल (1995) बी के संभावना के वेक्टर के रूप में स्पष्ट प्रतिनिधित्व के उपयोग करके एगो बहुत सरल पीओएमडीपी आरएल एल्गोरिथ्म के वर्णन करेलन, आउर मैककालम (1993) हाल के धारणा अनुक्रम के उपयोग करके विश्वास राज्य के अनुमान लगावे के एगो तरीका देखावलन. कौनो भी दृष्टिकोण के स्थिति के बड़ संख्या आउर दीर्घकालिक काल संबंधी निर्भरता के स्थिति तक विस्तारित करे के संभावना नइखे. मॉडल के कॉम्पैक्ट रूप से प्रतिनिधित्व करे आउर मॉडल आउर प्रत्येक नया अवलोकन के देखते हुए विश्वास के स्थिति के कुशलता से अपडेट करे के एगो तरीका के जरूरत बा. डायनामिक बेयज़ियन नेटवर्क (डीन आउर कानाज़ावा, 1989) में कुछ जरूरी गुण हो सकेला; विशेष रूप से, उनके पास कल्मान फिल्टर आउर छिपल मार्कोव मॉडल जइसन अन्य दृष्टिकोण के तुलना में महत्वपूर्ण लाभ होला. चित्र 1 में देखावल गइल हमनी के आधारभूत आर्किटेक्चर, डीबीएन के उपयोग नईका सेंसर जानकारी के आवे पर विश्वास के स्थिति के दर्शावे आ अपडेट करे खातिर करेला. बी के एगो निरूपण के देख के, इनाम संकेत के उपयोग क्यू-फंक्शन के सीखे खातिर कइल जाला जेकरा के कुछ ब्लैक-बॉक्स फंक्शन अनुमानक जइसे कि तंत्रिका नेटवर्क द्वारा निरूपित कइल जाला. जब तक हम हाइब्रिड (डिस्- इ व्याख्यान एगो सीखत एजेंट खातिर एगो बहुत सरल "आधार रेखा आर्किटेक्चर" प्रस्तावित करेला जे स्टोकास्टिक, आंशिक रूप से देखे योग्य वातावरण के संभाल सकेला. आर्किटेक्चर समय के प्रक्रिया के ग्राफिकल मॉडल के रूप में प्रदर्शित करे खातिर एगो विधि के साथे-साथे सुदृढीकरण सीख के उपयोग करेला. हम संवेदी इनपुट से अइसन निरूपण के पैरामीटर आउर संरचना के लियमिंग आउर पछाड़ी के संभावना के गणना करे खातिर विधि पर चर्चा करब. पूरा एजेंट के परखले से पहिले कुछ खुला समस्या बनल रहेला; जब हम पैमाना बढ़ावे पर विचार करब त आउर अधिक उत्पन्न होई. भाषण के दूसरका विषय इ होई कि का सुदृढीकरण सीखना जानवरन आउर मानव के सीख के एगो अच्छा मॉडल प्रदान कर सकेला. इ सवाल के जवाब देवे खातिर, हमनी के उलटा सुदृढीकरण सीखल चाही: देखल गइल व्यवहार के देखते, कौनों इनाम संकेत, अगर कउनो बा, अनुकूलित कइल जा रहल बा? ई सीओएलटी, यूएआई, आउर एमएल समुदाय खातिर एगो बहुत ही दिलचस्प समस्या प्रतीत होत ह, आउर मार्कोव निर्णय प्रक्रिया के संरचनात्मक अनुमान के शीर्षक के तहत अर्थसास्त्र में संबोधित कइल गइल बा. 1 अनिश्चित वातावरण में सीखना एआई बुद्धिमान एजेंट के निर्माण के बारे में बा, अर्थात, अइसन प्रणाली जवन एगो वातावरण में प्रभावी ढंग से (कुछ प्रदर्शन माप के अनुसार) समझत आउर काम करेला. हम कहीं आउर तर्क देले बानी Russell and Norvig (1995) कि जादातर एआई अनुसंधान अइसन वातावरण पर केंद्रित रहेला जवन स्थिर, निर्धारक, असतत आउर पूरा तरह से अवलोकन योग्य बा. जब वास्तविक दुनिया में, पर्यावरण गतिशील, स्थैतिक, निरंतर आउर आंशिक रूप से अवलोकन योग्य होला तब का कइल जाय? इ पेपर एनएसएफ @I-9634215), ओएनआर (N00014-97-l-0941) आउर एआर0 (DAAH04-96-1-0341) द्वारा समर्थित कई प्रकार के शोध प्रयास पर आधारित बा. एह काम के सगरी आ कुछ हिस्सा के डिजिटल आ हार्ड कॉपी निजी इस्तेमाल खातिर भा क्लास रूम में इस्तेमाल खातिर बिना कौनों शुल्क के जारी कइल जा सके ला बशर्ते कि कॉपी के निर्माण या वितरण के उद्देश्य व्यावसायिक भा व्यावसायिक लाभ के होखे आ कॉपी पर ई नोटिस आ पूरा उद्धरण पहिलका पन्ना पर लिखल होखे। अगर न होखे त कॉपी करीं. फिर से प्रकाशित करे, सर्वर पर पोस्ट करे या लिस्ट में बाँटे खातिर, पहिले से अनुमति आ/या शुल्क के जरूरत होला। COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 हाल के साल में, सुदृढीकरण सीखल (जवन के न्यूरोडायनामिक प्रोग्रामिंग भी कहल जाला) एगो तरीका के रूप में तेजी से प्रगति कइलस ह जेवना से एजेंट के स्वचालित रूप से बनावल जा सके (सटन, 1988; केलब्लिंग एट अल., 1996; बर्टसेकास एंड त्सिकलिस, 1996) । मूल विचार ई बा कि प्रदर्शन माप एजेंट के एगो इनाम फलन के रूप में उपलब्ध करावल जाला जे कि एजेंट द्वारा पारित हर राज्य खातिर इनाम निर्दिष्ट करेला. |
6f20506ce955b7f82f587a14301213c08e79463b | |
d14ddc01cff72066c6655aa39f3e207e34fb8591 | इ पत्र माइक्रोइलेक्ट्रोमैकेनिकल सिस्टम (एमईएमएस) पर आधारित रेडियो-फ्रिक्वेन्सी (आरएफ) प्रौद्योगिकी के एगो अपेक्षाकृत नया क्षेत्र से संबंधित बा. आरएफ एमईएमएस नया उपकरन आउर घटक के एगो वर्ग प्रदान करेला जे पारंपरिक (आमतौर पर अर्धचालक) उपकरन के सापेक्ष बेहतर उच्च आवृत्ति प्रदर्शन प्रदर्शित करेला, आउर जे नया सिस्टम क्षमता के सक्षम करेला. एकरे अलावा, एमईएमएस उपकरन के डिजाइन आउर निर्माण बहुत बड़ पैमाना पर एकीकरण के समान तकनीक द्वारा कइल जाला, आउर पारंपरिक बैच-प्रसंस्करण विधि द्वारा बनावल जा सकेला. इ पेपर में, एकमात्र उपकरण जवन संबोधित कइल गइल बा ऊ बा इलेक्ट्रोस्टैटिक माइक्रोस्विच-शायद प्रतिमान आरएफ-एमईएमएस उपकरण. एकर बेहतर परफॉरमेंस बिसेसता के चलते, माइक्रोस्विच के कई मौजूदा सर्किट आ सिस्टम में विकसित कइल जा रहल बा, जेह में रेडियो फ्रंट-एंड, कैपेसिटर बैंक, आ टाइम-डेलैट नेटवर्क शामिल बा। अल्ट्रा-लो-पावर डिसीपशन आउर बड़ पैमाना पर एकीकरण के साथ संयुक्त बेहतर प्रदर्शन के नया सिस्टम कार्यक्षमता के भी सक्षम बनावे के चाही. इ दुगो संभावना के बारे में कहल गइल बा कि अर्ध-ऑप्टिकल बीम स्टीयरिंग आउर विद्युत रूप से पुनः विन्यास योग्य एंटीना. |
9d5f36b92ac155fccdae6730660ab44d46ad501a | जोखिम समता एगो आवंटन तरीका ह जेकर उपयोग विविध पोर्टफोलियो बनावे खातिर कइल जाला जे अपेक्षित रिटर्न के कौनो भी धारणा पर निर्भर ना होला, एही से जोखिम प्रबंधन के रणनीति के केंद्र में रखल जाला. ई बतावेला कि 2008 में वैश्विक वित्तीय संकट के बाद जोखिम समानता एगो लोकप्रिय निवेश मॉडल काहे बन गइल. हालांकि, जोखिम समानता के भी आलोचना कइल गइल बा काहे कि ई पोर्टफोलियो परफॉरमेंस के बजाय जोखिम सांद्रता के प्रबंधन पर ध्यान केंद्रित करेला, आउर एही खातिर सक्रिय प्रबंधन के तुलना में निष्क्रिय प्रबंधन के करीब मानल जाला. इ लेख में, हम देखब कि जोखिम-समता पोर्टफोलियो में अपेक्षित रिटर्न के धारणा के कइसे पेश कइल जाय. एकरा खातिर, हम एगो सामान्यीकृत जोखिम माप पर विचार करब जवन पोर्टफोलियो रिटर्न आउर अस्थिरता दुनों के ध्यान में रखेला. हालांकि, परफॉरमेंस आउर अस्थिरता योगदान के बीच व्यापार-बंद कुछ कठिनाई पैदा करेला, जबकि जोखिम बजटिंग समस्या के स्पष्ट रूप से परिभाषित करल जरूरी बाटे. अइसन जोखिम के बजट बनावे वाला पोर्टफोलियो के सैद्धांतिक गुण के पता लगावे के बाद, हम लोग ए नया मॉडल के परिसंपत्ति आवंटन पर लागू करब। सबसे पहिले, हम दीर्घकालिक निवेश नीति आउर रणनीतिक परिसंपत्ति आवंटन के निर्धारण पर विचार करब. फेर हम गतिशील आवंटन पर विचार करब आउर देखइब कि कइसे जोखिम समता निधि के निर्माण कइल जा सकेला जे अपेक्षित रिटर्न पर निर्भर करेला. |
006df3db364f2a6d7cc23f46d22cc63081dd70db | एड हॉक नेटवर्क वायरलेस मोबाइल होस्ट सभ के एगो समूह होला जे बिना कौनों स्थापित इंफ्रास्ट्रक्चर या सेंट्रलाइज्ड एडमिनिस्ट्रेशन के मदद के अस्थायी नेटवर्क बनावे ला। अइसन माहौल में, एगो मोबाइल होस्ट के खातिर जरूरी हो सकेला कि ऊ आपन गंतव्य तक पैकेट के अग्रेषित करे में अन्य होस्ट के मदद ले, काहे कि प्रत्येक मोबाइल होस्ट के वायरलेस ट्रांसमिशन के सीमित सीमा होला. ई पेपर एड हॉक नेटवर्क में रूटिंग खातिर एगो प्रोटोकॉल प्रस्तुत करेला जे डायनामिक सोर्स रूटिंग के उपयोग करेला. प्रोटोकॉल रूटिंग परिवर्तन के खातिर जल्दी से अनुकूलित होला जब होस्ट आवाजाही अक्सर होला, तबो कम या कौनो ओवरहेड के आवस्यकता ना होला जब होस्ट कम बार चलेला. एगो तदर्थ नेटवर्क में काम करे वाला मोबाइल होस्ट के पैकेट-स्तर के सिमुलेशन के परिणाम के आधार पर, प्रोटोकॉल विभिन्न प्रकार के पर्यावरणीय परिस्थिति जइसे कि होस्ट घनत्व आउर आंदोलन दर पर अच्छा प्रदर्शन करेला. सिमुलेटेड मेजबान आवागमन के सभसे उच्च दर के अलावा, प्रोटोकॉल के ओवरहेड काफी कम बा, 24 मोबाइल मेजबान के नेटवर्क में मध्यम आवागमन दर खातिर प्रेषित कुल डेटा पैकेट के खाली 1% तक गिर जाला. सब मामला में, इस्तेमाल कइल गइल मार्ग आउर इष्टतम मार्ग लंबाई के बीच लंबाई में अंतर नगण्य बा, आउर ज्यादातर मामला में, मार्ग लंबाई औसत पर इष्टतम के 1.01 के कारक के भीतर बा. |
25a26b86f4a2ebca2b154effbaf894aef690c03c | हाल में पर्यवेक्षित सीख के एल्गोरिदम में महत्वपूर्ण रुचि रहल बा जे टेक्स्ट लर्निंग कार्य खातिर लेबल कइल गइल आउर बिना लेबल वाला डेटा के संयोजन करेला. सह-प्रशिक्षण सेटिंग [1] अइसन डेटासेट पर लागू होला जिनहन के विशेषता के प्राकृतिक रूप से दू गो असंबद्ध सेट में अलग कइल जाला. हम देखवईब कि लेबल कइल आउर बिना लेबल के डेटा से सीखत समय, एल्गोरिदम स्पष्ट रूप से विसेसता के प्राकृतिक स्वतंत्र विभाजन के लाभ उठावे वाला एल्गोरिदम से बेहतर प्रदर्शन करेला जे ना करेला. जब प्राकृतिक विभाजन मौजूद ना होला, त सह-प्रशिक्षण एल्गोरिदम जे एगो सुविधा विभाजन के निर्माण करेला, विभाजन के उपयोग ना करे वाला एल्गोरिदम से बेहतर प्रदर्शन कर सकेला. ई परिणाम इ समझावे में मदद करेला कि सह-प्रशिक्षण एल्गोरिदम प्रकृति में भेदभावपूर्ण काहे होला आउर उनकर एम्बेडेड वर्गीकरन के धारणा खातिर मजबूत काहे होला. |
78beead3a05f7e8f2dc812298f813c5bacdc3061 | |
1d6889c44e11141cc82ef28bba1afe07f3c0a2b4 | पिछला कुछ साल में इंटरनेट ऑफ थिंग्स (आईओटी) के व्यापक रूप से इस्तेमाल भइल बा आ ई हर क्षेत्र में पावल जा सकेला। आईओटी के संदर्भ में यंत्रन के बीच सुरक्षित संचार के सक्षम बनावे खातिर प्रमाणीकरण आउर अभिगम नियंत्रण महत्वपूर्ण आउर महत्वपूर्ण कार्यक्षमता ह. आईओटी नेटवर्क में कम बिजली वाला उपकरण के गतिशीलता, गतिशील नेटवर्क टोपोलॉजी आउर कमजोर भौतिक सुरक्षा सुरक्षा के संभावित स्रोत हव. ई एगो संसाधन सीमित आ वितरित आईओटी वातावरण में प्रमाणीकरण आ पहुँच नियंत्रण हमला प्रतिरोधी आ हल्का बनावे के वादा करेला. इ पत्र प्रोटोकॉल मूल्यांकन आउर प्रदर्शन विश्लेषण के साथ पहचान प्रमाणीकरण आउर क्षमता आधारित एक्सेस कंट्रोल (IACAC) मॉडल प्रस्तुत करेला. म्यान-इन-द-मिडिल, रिप्ले आ सेवा से इंकार (डीओएस) हमला से आईओटी के बचावे खातिर, एक्सेस कंट्रोल के क्षमता के अवधारणा के शुरुआत कइल गइल बा। एह मॉडल के नयापन ई बा कि ई आईओटी डिवाइस खातिर प्रामाणिकता आ एक्सेस कंट्रोल के एगो एकीकृत तरीका प्रस्तुत करेला। अन्य संबंधित अध्ययन के परिणाम के भी हमनी के निष्कर्ष के मान्य करे आउर समर्थन करे खातिर विश्लेषण कइल गइल बा. अंत में, प्रस्तावित प्रोटोकॉल के मूल्यांकन सुरक्षा प्रोटोकॉल सत्यापन उपकरण के उपयोग करके कइल गइल आउर सत्यापन परिणाम से पता चलल कि आईएसीएसी उपरोक्त हमलन से सुरक्षित बा. इ पत्र में अन्य जर्नल ऑफ साइबर सिक्योरिटी एंड मोबिलिटी, वॉल्यूम, के तुलना में कम्प्यूटेशनल समय के संदर्भ में प्रोटोकॉल के प्रदर्शन विश्लेषण पर भी चर्चा कइल गइल बा. 1, 309-348 के बारे में अउरी जानकारी © 2013 रिवर पब्लिशर्स. सब अधिकार सुरक्षित. 310 पी. एन. महल एट अल. मौजूदा समाधान खातिर एकरे अलावा, ई पेपर आईओटी में चुनौतियन के संबोधित करेला आ आईओटी नेटवर्क के वास्तविक दृश्य देवे खातिर उपयोग के मामला के साथ सुरक्षा हमला के मॉडलिंग कइल गइल बा. |
310b72fbc3d384ca88ca994b33476b8a2be2e27f | हम भावना विश्लेषण (एसए) प्रस्तुत करत बानी जे ऑनलाइन पाठ दस्तावेजन से एगो विषय के बारे में भावना (या राय) निकालल जा सकेला. कौनो विषय के बारे में पूरा दस्तावेज़ के भावना के वर्गीकृत करे के बजाय, एसए दिहल गइल विषय के सब संदर्भ के पता लगावेला, आउर प्राकृतिक भाषा प्रसंस्करण (एनएलपी) तकनीक के उपयोग करके प्रत्येक संदर्भ में भावना के निर्धारित करेला. हमार भावना विश्लेषण में 1) एगो विषय-विशिष्ट विशेषता शब्द निष्कर्षण, 2) भावना निष्कर्षण, आउर 3) संबंध विश्लेषण द्वारा (विषय, भावना) संघ शामिल बा. एसए विश्लेषण खातिर दू गो भाषाई संसाधन के उपयोग करेलाः भावना शब्दकोश आउर भावना पैटर्न डेटाबेस. एल्गोरिदम के परफॉर्मेंस के ऑनलाइन उत्पाद समीक्षा लेख (डिजिटल कैमरा समीक्षा आउर संगीत समीक्षा) आउर सामान्य वेबपेज आउर समाचार लेख सहित अधिक सामान्य दस्तावेज पर सत्यापित कइल गइल रहे. |
59d9160780bf3eac8c621983a36ff332a3497219 | स्वचालित भावना विश्लेषण के कई दृष्टिकोण शब्द के एगो बड़ शब्दकोश के साथे शुरू होला जे उनके पहिले के ध्रुवीयता (जेके अर्थ संबंधी अभिविन्यास भी कहल जाला) से चिह्नित होला. हालाँकि, वाक्यांश के प्रासंगिक ध्रुवीयता जेमें एगो शब्द के एगो विशेष उदाहरण लउकेला, ऊ शब्द के पहिले के ध्रुवीयता से काफी अलग हो सकेला. सकारात्मक सब्द के उपयोग नकारात्मक भावना के व्यक्त करे वाला वाक्यांश में कइल जाला, या उल्टा. साथ ही, अक्सरहा जवन शब्द सकारात्मक या नकारात्मक होला उ संदर्भ से बाहर हो जाला, संदर्भ में तटस्थ रहेला, मतलब कि उ भावना व्यक्त करे खातिर भी उपयोग ना कइल जाला. ई काम के लक्ष्य पहिले के आ संदर्भ के ध्रुवीयता के बीच स्वचालित रूप से अंतर कइल बा, एह काम में कौन कौन सी विशेषता महत्वपूर्ण बा, एकरा पर ध्यान केंद्रित कइल बा. चूंकि समस्या के एगो महत्वपूर्ण पहलू ई पहचान रहल बा कि ध्रुवीय शब्द के उपयोग तटस्थ संदर्भ में कब कइल जा रहल बा, तटस्थ आउर ध्रुवीय उदाहरण के बीच अंतर करे खातिर विशेषता के मूल्यांकन कइल गइल बा, साथ ही सकारात्मक आउर नकारात्मक प्रासंगिक ध्रुवीयता के बीच अंतर करे खातिर विशेषता के भी मूल्यांकन कइल गइल बा. मूल्यांकन में कई मशीन लर्निंग एल्गोरिदम में सुविधा के प्रदर्शन के मूल्यांकन शामिल बा. एगो के छोड़ के बाकी सब सीखल जाए वाला एल्गोरिदम खातिर, सभ सुविधा के संयोजन एक साथ सबसे अच्छा प्रदर्शन देवेला. मूल्यांकन के एगो आउर पहलू ई मानल जाला कि तटस्थ उदाहरन के उपस्थिति सकारात्मक आउर नकारात्मक ध्रुवीयता के बीच अंतर करे खातिर विसेसता के प्रदर्शन के कइसे प्रभावित करेला. इ प्रयोग से पता चलेला कि तटस्थ उदाहरण के उपस्थिति इ सब सुविधा के प्रदर्शन के बहुत कम कर देले, आउर शायद सब ध्रुवीयता वर्ग में प्रदर्शन में सुधार करे के सबसे अच्छा तरीका इ बा कि सिस्टम के पहचान करे के क्षमता में सुधार कइल जाए कि कब एगो उदाहरण तटस्थ बा. |
7c89cbf5d860819c9b5e5217d079dc8aafcba336 | इ पत्र में, हम वाक्य-स्तर वर्गीकरण के एगो मामला के अध्ययन के वर्णन करत बानी जेह में चार न्यायाधीश द्वारा वॉल स्ट्रीट जर्नल के खंड के व्यक्तिपरक या उद्देश्य के रूप में वर्गीकृत करे खातिर टैगिंग निर्देश विकसित आउर उपयोग कइल जाला. चार गो न्यायाधीसन के बीच सहमति के विश्लेषण कइल गइल, आ ओह विश्लेषण के आधार पर हर खंड के अंतिम वर्गीकरण कइल गइल। वर्गीकरण खातिर अनुभवजन्य समर्थन प्रदान करे खातिर, व्यक्तिपरक श्रेणी आउर क्वर्क एट अल द्वारा निर्धारित एगो मूलभूत अर्थसास्त्रीय वर्ग के बीच डेटा में सहसंबंध के मूल्यांकन कइल जाला. (1985). एगो |
9141d85998eadb1bca5cca027ae07670cfafb015 | भावना (मत के भावनात्मक हिस्सा) के पहचानल एगो चुनौतीपूर्ण समस्या बाटे. हमनी के एगो अइसन सिस्टम प्रस्तुत करत बानी जा जे, कवनो विषय के देख के, स्वचालित रूप से ओह लोगन के खोज लेवेला जे ओ विषय के बारे में राय रखेला आ हर राय के भावना के खोज लेवेला। एह सिस्टम में शब्द भावना के निर्धारण करे खातिर एगो मॉड्यूल बा आ वाक्य में भावना के जोड़ के लिखे खातिर एगो मॉड्यूल बा। हम शब्द आ वाक्य स्तर पर भावना के वर्गीकरण आ संयोजन के विभिन्न मॉडल के प्रयोग कइनी, जेकर परिणाम आशाजनक रहल. |
c2ac213982e189e4ad4c7f60608914a489ec9051 | एनोटेटेड अरबी पाठ के एगो बड़ पैमाना पर कॉर्पस विकसित करे के तीन साल के अनुभव से, हमार लेख नीचे दिहल चीज के संबोधित करी: (ए) प्रासंगिक अरबी भाषा के मुद्दा के समीक्षा जवन कि पद्धति के चुनाव से संबंधित बा, (बी) पेन इंग्लिश ट्रीबैंक शैली के दिशानिर्देश के उपयोग करे के हमनी के विकल्प के व्याख्या, (अरबी बोले वाला एनोटेटर के एगो नया व्याकरणिक समस्या से निपटे खातिर आवश्यक) (c) कई तरह से देखावल जाय जेह में मानव एनोटेशन महत्वपूर्ण बा आउर स्वचालित विश्लेषण मुश्किल बा, जेमे मॉर्फोलॉजिकल एनालाइजर आउर मानव एनोटेटर दुनों द्वारा वर्तनी संबंधी अस्पष्टता के संभालल शामिल बा; (d) एकर एगो चित्रणात्मक उदाहरण दीं अरबी ट्रीबैंक पद्धति, जवन कि आकृति बिज्ञान के विश्लेषण आ टैगिंग आ वाक्य रचना के विश्लेषण दुनों में एगो खास रचना पर ध्यान केंद्रित करे ले आ पूरा एनोटेशन प्रक्रिया के दौरान एकर विस्तार से पालन करे ले, आ अंत में, (ई) एह बात पर निष्कर्ष निकाले ले कि अब तक का हासिल भइल बा आ का कइल बाकी बा। |
e33a3487f9b656631159186db4b2aebaed230b36 | डिजिटल प्लेटफार्म आज लगभग हर उद्योग के बदल रहल बा, धीरे-धीरे ई मुख्यधारा के सूचना प्रणाली (आईएस) साहित्य में आपन रास्ता खोज रहल बा. डिजिटल प्लेटफार्म एगो चुनौतीपूर्ण अनुसंधान वस्तु बाटे काहे कि ई वितरित प्रकृति के होला आउर संस्थान, बाजार आउर प्रौद्योगिकी के साथे आपस में जुड़ल होला. प्लेटफार्म नवाचार के तेजी से बढ़त पैमाना, प्लेटफार्म आर्किटेक्चर के बढ़त जटिलता, आउर कई अलग-अलग उद्योग में डिजिटल प्लेटफार्म के प्रसार के परिणामस्वरूप नया अनुसंधान चुनौती उत्पन्न होला. ई पेपर आईएस में डिजिटल प्लेटफार्म के शोध खातिर एगो शोध एजेंडा विकसित करेला. हम शोधकर्ता लोग के सलाह देले कि (1) विश्लेषण के इकाई, डिजिटलीकरण के डिग्री आउर डिजिटल प्लेटफॉर्म के सामाजिक-तकनीकी प्रकृति के निर्दिष्ट करे वाली स्पष्ट परिभाषा के प्रदान करके वैचारिक स्पष्टता के आगे बढ़ावे के प्रयास कइल जाव; (2) अलग-अलग आर्किटेक्चरल स्तर पर आउर अलग-अलग उद्योग सेटिंग में प्लेटफॉर्म के अध्ययन करके डिजिटल प्लेटफॉर्म अवधारणा के उचित स्कोपिंग के परिभाषित कइल जाव; आउर (3) एम्बेडेड केस स्टडी, अनुदैर्ध्य अध्ययन, डिजाइन अनुसंधान, डेटा-संचालित मॉडलिंग आउर दृश्य तकनीकन के नियोजित करके पद्धतिगत कठोरता के आगे बढ़ावे के प्रयास कइल जाव. व्यवसाय के क्षेत्र में वर्तमान विकास के ध्यान में रख के, हमनी के आगे के शोध खातिर छह गो सवाल सुझावे के बा: (1) का प्लेटफार्म इहाँ रहे खातिर बा? ; (2) प्लेटफार्म के डिजाइन कइसे कइल जाय? ; (3) डिजिटल प्लेटफार्म उद्योग के कइसे बदल देला? ; (4) कइसे डेटा-संचालित दृष्टिकोण डिजिटल प्लेटफार्म अनुसंधान के सूचित कर सकेला? ; (5) शोधकर्ता डिजिटल प्लेटफार्म खातिर सिद्धांत कइसे विकसित कर सकेला? ; आ (6) डिजिटल प्लेटफार्म रोजमर्रा के जिनगी के कइसे प्रभावित करेला? |
1be8cab8701586e751d6ed6d186ca0b6f58a54e7 | सिस्टम विनिर्देश के उपयोगिता आंशिक रूप से आवश्यकता के पूर्णता पर निर्भर करेला. हालाँकि, सब जरूरी आवश्यकता के सूचीबद्ध कइल कठिन बा, खासकर जब आवश्यकता अप्रत्याशित वातावरण के साथे बातचीत करेले. एगो आदर्श पर्यावरणीय दृस्य के साथे बनावल गइल विनिर्देश अपूर्ण होला अगर ऐमे गैर-आदर्श व्यवहार के संभाले खातिर आवश्यकता शामिल ना होला. अक्सर अपूर्ण आवश्यकता के तब तक पता ना चलेला जब तक कि कार्यान्वयन, परीक्षण, या खराब, तैनाती के बाद. आवश्यकता विश्लेषण के दौरान पूरा ना होखे वाला आवश्यकता के पता लगावल आम तौर पर त्रुटि के संभावना वाला, कठिन आ मैनुअल काम होला। ई पेपर एरेस के परिचय देला, जे अनुक्रमिक आवश्यकता मॉडल के प्रतीकात्मक विश्लेषण के उपयोग करके अपूर्ण आवश्यकता अपघटन के पता लगावे खातिर एगो डिजाइन-समय दृष्टिकोण ह. हम एरेस के उद्योग आधारित ऑटोमोटिव अनुकूली क्रूज कंट्रोल सिस्टम के एगो आवश्यकता मॉडल पर लागू करके आपन दृष्टिकोण के चित्रित करब. एरेस डिजाइन-समय पर अपूर्ण आवश्यकता के अपघटन के विशिष्ट उदाहरण के स्वचालित रूप से पता लगावे में सक्षम बा, जेमें से कई सूक्ष्म बा आउर मैन्युअल रूप से चाहे परीक्षण द्वारा पता लगावल मुश्किल होई. |
155ed7834a8a44a195b80719985a8b4ca11e6fdc | बहु-इनपुट बहु-आउटपुट (MIMO) रडार पारंपरिक चरणबद्ध-सरणी रडार सिस्टम के तुलना में तरंगरूप विविधता के माध्यम से बेहतर प्रदर्शन प्राप्त कर सकेला. जब एमआईएमओ रडार ऑर्थोगोनल तरंगरूपन के प्रेषित करेला, तब बिखेरने से परावर्तित संकेत एक दूसरे से रैखिक रूप से स्वतंत्र होला. एही से, अनुकूलित प्राप्त फिल्टर, जइसे कि कैपोन आउर आयाम आउर चरण अनुमान (एपीईएस) फिल्टर, के सीधे एमआईएमओ रडार अनुप्रयोग में नियोजित कइल जा सकेला. उच्च स्तर के शोर आउर मजबूत गंदगी, हालांकि, स्नैपशॉट के कमी के कारण डेटा-निर्भर बीमफॉर्मर के पता लगावे के प्रदर्शन के खराब कर देला. पुनरावर्ती अनुकूली दृष्टिकोण (आईएए), एगो गैर-पैरामीटरिक आउर उपयोगकर्ता पैरामीटर-मुक्त भारित सबसे कम-वर्ग एल्गोरिथ्म, हाल ही में कई निष्क्रिय आउर सक्रिय संवेदन अनुप्रयोग में बेहतर रिज़ॉल्यूशन आउर हस्तक्षेप अस्वीकृति प्रदर्शन प्रदान करे खातिर देखावल गइल रहे. इ पत्र में, हम देखब कि कइसे आईएए के एमआईएमओ रडार इमेजिंग में बढ़ावल जा सकेला, दुनों मामूली आउर गैर-महत्वपूर्ण इंट्रापल्स डॉपलर मामला में, आउर हम आईएए के कुछ सैद्धांतिक अभिसरण गुण भी स्थापित कर सकिला. एकरे अलावा, हम एगो नियमित आईएए एल्गोरिथ्म के प्रस्तावित कर रहल बानी, जेकरा के आईएए-आर के रूप में जानल जाला, जे सिग्नल मॉडल में गैर-प्रतिनिधित्व वाला योगात्मक शोर शब्द के हिसाब से आईएए से बेहतर प्रदर्शन कर सकेला. एकल-इनपुट बहु-आउटपुट (एसआईएमओ) रडार के तुलना में एमआईएमओ रडार के बेहतर प्रदर्शन के प्रदर्शित करे खातिर संख्यात्मक उदाहरण प्रस्तुत कइल गइल बा, आउर आगे लक्ष्य इमेजिंग खातिर प्रस्तावित आईएए-आर विधि के साथ प्राप्त बेहतर प्रदर्शन के उजागर कइल गइल बा. |
0cfe588996f1bc319f87c6f75160d1cf1542d9a9 | |
20efcba63a0d9f12251a5e5dda745ac75a6a84a9 | |
ccaab0cee02fe1e5ffde33b79274b66aedeccc65 | परिवहन के एगो अनुमानित भविष्य के रूप में, स्व-ड्राइविंग कार के सामाजिक, आर्थिक, इंजीनियरिंग, कंप्यूटर विज्ञान, डिजाइन आउर नैतिकता सहित विभिन्न दृष्टिकोण से चर्चा कइल जा रहल बा. एक ओर, सेल्फ ड्राइविंग कार नया इंजीनियरिंग समस्या के प्रस्तुत करेला जवन धीरे-धीरे सफलतापूर्वक हल करल जा रहल बा. दोसरा ओर, सामाजिक आ नैतिक समस्या के एगो आदर्श निर्णय लेवे के समस्या के रूप में प्रस्तुत कइल जा रहल बा, जेकरा के ट्रॉली समस्या कहल जाला, जवन कि बहुते भ्रामक बा। हमार तर्क बा कि नया तकनीक के विकास खातिर एगो एप्लाइड इंजीनियरिंग नैतिक दृष्टिकोण के जरूरत बा; दृष्टिकोण के लागू कइल जाए के चाहीं, जेकर मतलब बा कि एकरा जटिल वास्तविक दुनिया के इंजीनियरिंग समस्या के विश्लेषण पर ध्यान केंद्रित करे के चाहीं. सॉफ्टवेयर सेल्फ ड्राइविंग कार के नियंत्रण खातिर बहुत महत्व के भूमिका निभावेला; एही से सॉफ्टवेयर इंजीनियरिंग समाधान के नैतिक आ सामाजिक विचारन के गंभीरता से ध्यान में रखे के चाहीं। इ पत्र में हम नियामक साधन, मानक, डिजाइन, आउर घटक, प्रणाली आउर सेवा के कार्यान्वयन पर करीब से नजर डालल जा आउर व्यावहारिक सामाजिक आउर नैतिक चुनौती के प्रस्तुत कइल जा जेके पूरा करे के बा, साथे ही सॉफ्टवेयर इंजीनियरिंग खातिर नया उम्मीद के भी प्रस्तुत कइल जा. |
288c67457f09c0c30cadd7439040114e9c377bc3 | एसोसिएशन नियम, जे कि अग्रवाल, इमीलिंस्की आउर स्वामी द्वारा पेश कइल गइल रहे, रिश्ता के 90% पंक्तियन खातिर फार्म के नियम होला, अगर पंक्ति में सेट W में स्तंभ में 1 मान होला, त एकर कॉलम B में भी 1 होला. बड़ डेटा संग्रह से संघ नियम के खोजे खातिर कुशल तरीका मौजूद बा. हालाँकि, खोजल गइल नियम के संख्या एतना बड़ हो सकेला कि नियम सेट के ब्राउज़ कइल आ एह में से रोचक नियम खोजल प्रयोगकर्ता खातिर बहुत कठिन हो सकेला. हम देखब कि नियम टेम्पलेट के एगो सरल औपचारिकता दिलचस्प नियम के संरचना के आसानी से बतावे के कइसे संभव बनावेला. हम नियम के दृश्यता के उदाहरण भी देलीं, अउर देखावल कि कइसे एगो दृश्यता उपकरण नियम टेम्पलेट के साथ इंटरफेस करेला. |
384bb3944abe9441dcd2cede5e7cd7353e9ee5f7 | |
47f0f6a2fd518932734cc90936292775cc95aa5d | |
b336f946d34cb427452517f503ada4bbe0181d3c | वीडियो समझ में हाल के प्रगति के बावजूद आउर समय के क्रिया स्थानीयकरण में निरंतर दर से सुधार के बावजूद, इ अभी भी स्पष्ट नइखे कि केतना दूर (या करीब? हम लोग आपन समस्या के समाधान करे के कोशिश करब. एही खातिर, हम विडियो में समसामयिक क्रिया डिटेक्टर के प्रदर्शन के विश्लेषण करे खातिर एगो नया निदान उपकरण के परिचय देत बानी आउर एकल स्केलर मीट्रिक से परे विभिन्न विधि के तुलना करत बानी. हमनी के आपन औजार के उपयोग के उदाहरण के रूप में, नवीनतम एक्टिविटीनेट एक्शन लोकलाइजेशन चैलेंज में सबसे ज्यादा पुरस्कृत प्रविष्टियन के प्रदर्शन के विश्लेषण कइल जा रहल बा. हमार विश्लेषण से पता चलल बा कि सबसे ज्यादा असर करे वाला क्षेत्र इ बा: उदाहरण के आसपास समय के संदर्भ के बेहतर ढंग से संभाले के रणनीति, w.r.t. के मजबूती में सुधार. उदाहरण के निरपेक्ष आउर सापेक्ष आकार, आउर स्थानीयकरण त्रुटि के कम करे के रणनीति. एकरे अलावा, हमार प्रयोगात्मक विश्लेषण ई पावेला कि एनोटेटर के बीच सहमति के कमी क्षेत्र में प्रगति के प्राप्त करे खातिर कउनो प्रमुख बाधा ना हवे. हमनी के निदान उपकरण सार्वजनिक रूप से उपलब्ध बा ताकि दोसर शोधकर्ता के दिमाग के उनकर एल्गोरिदम के बारे में अतिरिक्त अंतर्दृष्टि के साथे ईंधन दिहल जा सके. |
160404fb0d05a1a2efa593c448fcb8796c24b873 | प्रतिनिधित्व के अनुकरण सिद्धांत के एगो अइसन ढांचा के रूप में विकसित आउर खोजल गइल बा जे कि मस्तिष्क के प्रतिनिधित्व संबंधी कार्य के एगो विस्तृत विविधता के संश्लेषित कर सकेला. ई फ्रेमवर्क नियंत्रण सिद्धांत (फॉरवर्ड मॉडल) आउर सिग्नल प्रोसेसिंग (कल्मन फिल्टर) के निर्माण पर आधारित बा. इ विचार ई बा कि शरीर आ पर्यावरण के साथे जुड़ले के अलावा, दिमाग तंत्रिका सर्किट बनावेला जवन शरीर आ पर्यावरण के मॉडल के रूप में काम करेला. खुल्लम खुल्ला संवेदी-मोटर जुड़ाव के दौरान, इ मॉडल संवेदी प्रतिक्रिया के उम्मीद प्रदान करे आउर संवेदी जानकारी के बढ़ावे आउर संसाधित करे खातिर शरीर आउर पर्यावरण के समानांतर में प्रभाव प्रतिलिपि द्वारा संचालित होला. इ मॉडल के बिबिध क्रिया के परिणाम के अनुमान लगावे, आ मोटर योजना के मूल्यांकन करे आ विकसित करे खातिर इमेजरी के उत्पादन करे खातिर ऑफ-लाइन भी चलावल जा सकेला. ढांचा शुरू में मोटर नियंत्रण के संदर्भ में विकसित कइल गइल रहे, जहवां ई देखावल गइल रहे कि शरीर के समानांतर चलल आंतरिक मॉडल प्रतिक्रिया देरी के समस्या के प्रभाव के कम कर सकेला. समान तंत्र मोटर इमेजरी के खातिर इमेलेटर के ऑफ-लाइन ड्राइविंग के इफेरेन्स कॉपी के माध्यम से जिम्मेदार ठहरा सकेला. फ्रेमवर्क के बढ़ा के मोटर-विजुअल लूप के एमुलेटर के ऑफ-लाइन ड्राइविंग के रूप में दृश्य इमेजरी के ध्यान में रखल गइल बा. हम इहो देखावल चाहब कि अइसन सिस्टम अमोडल स्पेसियल इमेजिंग के कइसे प्रदान कर सकेला. दृश्य धारणा सहित धारणा, इ तरह के मॉडल से संवेदी इनपुट के अपेक्षा बनावे आउर ओकर व्याख्या करे खातिर उपयोग कइल जाला. हम संक्षेप में अन्य संज्ञानात्मक कार्य के रूपरेखा प्रस्तुत करके समाप्त करब जवन कि एह ढाँचा के भीतर संश्लेषित भी कइल जा सकेला, जेमे तर्क, मन के घटना के सिद्धांत, आउर भाषा शामिल बा. |
65c85498be307ee940976db668dae4546943a4c8 | |
761f2288b1b0cea385b0b9a89bb068593d94d6bd | 3डी चेहरा पहचान उद्योग आ शिक्षा दुनों क्षेत्र में एगो रुझान वाला अनुसंधान दिशा बन गइल बा. इ पारंपरिक 2 डी चेहरा पहचान से फायदा उठावेला, जइसे कि प्राकृतिक पहचान प्रक्रिया आउर अनुप्रयोग के एगो विस्तृत श्रृंखला. एकरे अलावा, 3 डी चेहरा पहचान प्रणाली मंद रोशनी में भी सही रूप से मनुष्य के चेहरा के पहिचान कर सके लीं आ चेहरा के अलग-अलग स्थिति आ भाव के साथ, अइसन परिस्थिति में 2 डी चेहरा पहचान प्रणाली के काम करे में बहुत दिक्कत होखी। ई पेपर 3डी फेस रिकग्निशन रिसर्च डोमेन में इतिहास आ सभसे हाल के प्रगति के सारांश देला। सीमा अनुसंधान परिणाम तीन श्रेणिन में प्रस्तुत करल जालाः मुद्रा-अपरिवर्तनीय मान्यता, अभिव्यक्ति-अपरिवर्तनीय मान्यता, आउर आवरण-अपरिवर्तनीय मान्यता. भविष्य के शोध के बढ़ावा देवे खातिर, इ पत्र सार्वजनिक रूप से उपलब्ध 3 डी चेहरा डेटाबेस के बारे में जानकारी एकत्र करेला. ई पेपर महत्वपूर्ण खुला समस्या के भी सूचीबद्ध करेला. |
2d2b1f9446e9b4cdb46327cda32a8d9621944e29 | हाल के बरस में सोशल नेटवर्किंग साइटन पर भागीदारी नाटकीय रूप से बढ़ गइल बा. फ्रेंडस्टर, ट्राइब, या फेसबुक जइसन सेवा लाखों लोगन के ऑनलाइन प्रोफाइल बनावे आउर दोस्तन के विशाल नेटवर्क - आउर अक्सर अनजान लोग के अज्ञात संख्या के साथे व्यक्तिगत जानकारी साझा करे के अनुमति देवेला. एह लेख में हमनी के ऑनलाइन सोशल नेटवर्क में जानकारी के खुलासा के पैटर्न आ ओकरा प्राइवेसी पर असर के अध्ययन करे के बा। हमनी के चार हजार से बेसी कार्नेगी मेलन विश्वविद्यालय के छात्रन के ऑनलाइन व्यवहार के विश्लेषण कइल गइल जे लोग एगो लोकप्रिय सोशल नेटवर्किंग साइट में शामिल भइल जे कॉलेज खातिर बनावल गइल बा। हमनी के एह बात के मूल्यांकन करे के बा कि ऊ लोग केतना जानकारी देला आ साइट के प्राइवेसी सेटिंग के इस्तेमाल करे ला। हमनी के उनकर निजता के विभिन्न पहलु पर संभावित हमला के उजागर करेनी, अउर हमनी के देखावल बा कि केवल बहुत कम प्रतिशत उपयोगकर्ता ही अत्यधिक पारगम्य निजता प्राथमिकता के बदललन. |
e9c525679fed4dad85699d09b5ce1ccaffe8f11d | |
192687300b76bca25d06744b6586f2826c722645 | इ लेख में हम गहरी गॉसियन प्रक्रिया (जीपी) मॉडल के परिचय देत बानी. डीप जीपी गॉसियन प्रक्रिया मैपिंग पर आधारित एगो गहिरा विश्वास नेटवर्क बाटे. डेटा के बहु-उपक्रम वाला जीपी के आउटपुट के रूप में मॉडलिंग कइल गइल बा. उ गॉसियन प्रक्रिया के इनपुट के तब एगो दूसर जीपी द्वारा नियंत्रित कइल जाला. एगो एकल परत मॉडल मानक जीपी या जीपी लुप्त चर मॉडल (जीपी-एलवीएम) के बराबर होला. हम अनुमानित भिन्नता मार्जिनल द्वारा मॉडल में अनुमान लगावेला. इ मॉडल के सीमांत संभावना पर एगो सख्त निचला सीमा में परिणत होला जेकर उपयोग हम मॉडल चयन खातिर कर तानी (प्रति परत परत आउर नोड के संख्या). गहरी विश्वास नेटवर्क आमतौर पर अनुकूलन खातिर स्टोचैस्टिक ग्रेडिएंट वंश के उपयोग करे वाला अपेक्षाकृत बड़ डेटा सेट पर लागू कइल जाला. हमार पूरा बेयसियन उपचार गहन मॉडल के अनुप्रयोग के अनुमति देवेला जब डेटा दुर्लभ होखे. हमार भिन्नता के सीमा द्वारा मॉडल चयन से पता चलल कि पांच परत के पदानुक्रम के औचित्य तब भी बा जब केवल 150 उदाहरण वाला अंक डेटा सेट के मॉडलिंग कइल जाला. |
2cac0942a692c3dbb46bcf826d71d202ab0f2e02 | हम गहरी गॉसीयन प्रक्रिया के एगो मान्यता मॉडल के साथ बढ़ाके एगो स्केलेबल गहन गैर-पैरामीटर जनरेटिव मॉडल विकसित कर रहल बानी. अनुमान एगो नया स्केलेबल वैरिएशनल फ्रेमवर्क में करल जाला जहवाँ वैरिएशनल पाश्चरियर वितरण के बहुपरत पर्सेप्ट्रॉन के माध्यम से पुनर्मूल्यांकन करल जाला. इ पुनर्गठन के मुख्य पहलू इ बा कि इ भिन्नता पैरामीटर के प्रसार के रोकत बा जे अन्यथा नमूना आकार के अनुपात में रैखिक रूप से बढ़त रहे. हम भिन्नता के निचला सीमा के एगो नया सूत्र निकालल जालीं जे हमनी के ज्यादातर गणना के अइसन तरीका से वितरित करे के अनुमति देला जे मुख्यधारा के गहन सीख के काम के आकार के डेटासेट के संभाले में सक्षम बनावेला. हम कई तरह के चुनौती पर विधि के प्रभावशीलता देखावत बानी, जेमे गहरा बिना देखरेख के सीखल अउर गहरा बेयज़ियन अनुकूलन शामिल बा. |
722fcc35def20cfcca3ada76c8dd7a585d6de386 | कैफे मल्टीमीडिया वैज्ञानिकन आ प्रैक्टिशनर लोगन के अत्याधुनिक डीप लर्निंग एल्गोरिदम खातिर एगो साफ आ संशोधित ढांचा आ संदर्भ मॉडल के संग्रह उपलब्ध करावे ला। ई फ्रेमवर्क बीएसडी-लाइसेंस वाला सी++ लाइब्रेरी हवे जेह में पायथन आ मैटलाब बाइंडिंग के साथ ट्रेनिंग दिहल जाला आ कॉमडटी आर्किटेक्चर पर जनरल-पर्पस कन्वॉल्यूशनल न्यूरल नेटवर्क आ अउरी डीप मॉडल सभ के परसारण कइल जाला। कैफे इंडस्ट्री आ इंटरनेट-स्केल मीडिया के जरूरत के पूरा करे ला, क्यूडीए जीपीयू कंप्यूटेशन द्वारा, एके के40 या टाइटन जीपीयू (लगभग 2 एमएस प्रति इमेज) पर रोजाना 40 मिलियन से ढेर इमेज के प्रोसेस करे ला। मॉडल के वास्तविक कार्यान्वयन से अलग करके, कैफे प्रयोग के अनुमति देला आउर विकास के आसानी खातिर प्लेटफ़ॉर्म के बीच सहज स्विचिंग आउर प्रोटोटाइप मशीन से क्लाउड वातावरण में तैनाती के अनुमति देला. कैफे के रखरखाव बर्कले विजन एंड लर्निंग सेंटर (बीवीएलसी) द्वारा कइल जाला आ गिटहब पर योगदानकर्ता लोग के सक्रिय समुदाय के मदद से ई विकसित कइल जाला। ई चल रहल अनुसंधान परियोजना, बड़ पैमाना के औद्योगिक अनुप्रयोग, आ विजन, भाषण, आ मल्टीमीडिया में स्टार्ट-अप प्रोटोटाइप के शक्ति प्रदान करेला। |
fd50fa6954e1f6f78ca66f43346e7e86b196b137 | लगातार बढ़त शहरीकरण प्रक्रिया के साथ, शहरी क्षेत्र में लोगन के गतिविधि के व्यवस्थित रूप से मॉडलिंग के एगो महत्वपूर्ण सामाजिक आर्थिक कार्य के रूप में मान्यता दिहल जा रहल बा. ई काम कई साल पहिले लगभग असंभव रहे काहे कि विश्वसनीय डेटा स्रोत के कमी रहे, फिर भी जियो-टैग्ड सोशल मीडिया (जीटीएसएम) के डेटा के उदय एकरा पर नया प्रकाश डाललस. हाल में, जीटीएसएम डेटा से भौगोलिक विषय के खोज पर उपयोगी अध्ययन भइल बा. हालाँकि, इनहन के उच्च गणना लागत आ लैंटेंट बिसय सभ के बारे में मजबूत वितरण संबंधी धारणा इनहन के जीटीएसएम के शक्ति के पूरा तरीका से इस्तेमाल करे से रोकत बा। एह अंतर के कम करे खातिर, हमनी के क्रॉसमैप प्रस्तुत करे के बा, एगो नया क्रॉसमोडल प्रतिनिधित्व सीखने के तरीका जवन कि विशाल जीटीएसएम डेटा के साथ शहरी गतिशीलता के उजागर करेला. क्रॉसमैप पहिले एगो तेज गति से खोज करे वाली प्रक्रिया के इस्तेमाल करे ला ताकि लोग के गतिविधि के आधार पर मौजूद जगह-समय के हॉटस्पॉट के पता लगावल जा सके। ई पता लगावल गइल हॉटस्पॉट खाली स्थानिक-समयिक भिन्नता के संबोधित ना करेला, बल्कि जीटीएसएम डेटा के विरलता के भी काफी हद तक कम करेला. पता लगावल गइल हॉटस्पॉट के साथ, क्रॉसमैप फेर मिल के दुगो अलग-अलग रणनीति के उपयोग करके सभे स्थानिक, काल संबंधी, आउर पाठ संबंधी इकाई के एके स्थान में एम्बेड करेला: एगो पुनर्निर्माण-आधारित आउर दूसर ग्राफ-आधारित. दुनों रणनीति इकाई कुल के बीच संबंध के उनके सह-घटना आउर पड़ोस संबंध के एन्कोडिंग करके कैप्चर करेली, आउर अइसन संबंध के संरक्षित करे खातिर निम्न आयामी निरूपण के सीखले. हमार प्रयोग से पता चलल बा कि क्रॉसमैप न केवल गतिविधि वसूली आउर वर्गीकरण खातिर अत्याधुनिक तरीका से बेहतर काम करेला, बल्कि इ बहुत बेहतर दक्षता भी प्राप्त करेला. |
ce8d99e5b270d15dc09422c08c500c5d86ed3703 | मानव चाल के विश्लेषण से एगो अंतर्निहित चाल के हस्ताक्षर के खोज करे में मदद मिलेला जेकरे माध्यम से व्यापक स्पेक्ट्रम में सर्वव्यापी मानव पहचान आउर चिकित्सा विकार समस्या के जांच कइल जा सकेला. पैदल जैवमीट्रिक एगो अइसन सुविधा प्रदान करेला जेकर उपयोग वीडियो पैदल डेटा के कैप्चर करे खातिर कइल जा सकेला जे बिना विषय के जानकारी के ज्यादा दूरी पर कइल जा सकेला. इ पेपर में, मानव पैदल के विश्लेषण के अध्ययन करे खातिर एगो नया तकनीक के संबोधित कइल गइल बा जेकरा में किनेक्ट एक्सबॉक्स डिवाइस के उपयोग कइल गइल बा. ई सुनिश्चित करेला कि हम स्वचालित पृष्ठभूमि घटाव तकनीक के साथ विभाजन त्रुटि के कम कर सकीला. निकट से समान मानव कंकाल मॉडल के पृष्ठभूमि से घटाए गए पैदल चित्रों से उत्पन्न करल जा सकेला, जे कोवेरिएट स्थितियों द्वारा बदलल जाला, जैसे कि चलने की गति में परिवर्तन औरु कपड़ों के प्रकार में भिन्नता. पैदल चिन्ह के बायाँ कूल्हि, बायाँ गोड के, दाहिना कूल्हि आ दाहिना गोड के संयुक्त कोण के प्रक्षेपवक्र से कैप्चर कइल जाला. किनेक्ट पैदल गति डेटा पर प्रयोगात्मक सत्यापन के तुलना सेंसर आधारित बायोमेट्रिक सूट, इंटेलिजेंट पैदल गति ऑसिलेशन डिटेक्टर (आईजीओडी) के हमनी के आंतरिक विकास से कइल गइल बा. एगो प्रयास कइल गइल बा कि जांच कइल जाव कि का इ सेंसर आधारित बायोमेट्रिक सूट के किनेक्ट डिवाइस के साथ बदलल जा सकेला ताकि मजबूत चाल पहचान प्रणाली के प्रसार हो सके। फीचर वेक्टर के विभेदक शक्ति के देखे खातिर फिशर विभेदक विश्लेषण के प्रशिक्षण चाल के हस्ताक्षर पर लागू कइल गइल बा. नेव बेयसन वर्गीकरणकर्ता किनेक्ट सेंसर द्वारा कैप्चर कइल सीमित डेटासेट पर त्रुटि के अनुमान के साथ एगो उत्साहजनक वर्गीकरण परिणाम प्रदर्शित करेला. |
582ea307db25c5764e7d2ed82c4846757f4e95d7 | फलन के सन्निकटन के पैरामीटर स्थान के बजाय फलन स्थान में संख्यात्मक अनुकूलन के परिप्रेक्ष्य से देखल जाला. चरणबद्ध योगात्मक विस्तार आउर सबसे खड़ी (निचला) न्यूनीकरण के बीच एगो संबंध बनावल गइल बा. कौनो भी मानदंड के आधार पर योगात्मक विस्तार खातिर एगो सामान्य ढाल (अवतरण) बढ़ावे वाला प्रतिमान विकसित कइल गइल बा. लघुतम वर्ग, लघुतम पूर्ण विचलन आउर प्रतिगमन खातिर ह्यूबर एम हानि फलन आउर वर्गीकरण खातिर बहु-वर्ग लॉजिस्टिक संभावना खातिर विशिष्ट एल्गोरिदम प्रस्तुत कइल गइल बा. विशेष संवर्द्धन विशेष मामला खातिर प्राप्त कइल गइल बा जहवां व्यक्तिगत योजक घटक निर्णय के पेड़ होला, आउर अइसन "ट्रीबूस्ट" मॉडल के व्याख्या करे खातिर उपकरण प्रस्तुत कइल गइल बा. निर्णय के पेड़ के ढाल के बढ़ावे से प्रतिगमन आउर वर्गीकरण खातिर प्रतिस्पर्धी, अत्यधिक मजबूत, व्याख्या योग्य प्रक्रिया उत्पन्न होला, जवन कि साफ डेटा से कम खनन खातिर विशेष रूप से उपयुक्त होला. इ दृष्टिकोण आउर फ्रॉइड आउर शेपियर 1996 के बढ़ावा देवे के तरीका आउर फ्रेडमैन, हैस्टी आउर टिबशिरानी 1998 के बीच संबंध पर चर्चा कइल गइल बा. फलन अनुमान समस्या में एगो अइसन प्रणाली बा जेमे एगो यादृच्छिक \output" या \response" चर y आउर यादृच्छिक \input" या \explanatory" चर x = fx1;; xng के एगो समुच्चय होला. ज्ञात (y;x) { मान के एगो \training" नमूना fyi;xig N 1 के दिहल जाय, लक्ष्य एगो फलन F (x) के प्राप्त करल बा जे x से y के मैप करे, अइसन कि सब (y;x) { मान के संयुक्त वितरण पर, कौनो निर्दिष्ट हानि फलन (y; F (x)) के अपेक्षित मान कम से कम कइल जाय F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) अक्सर उपयोग कइल जाए वाला हानि फलन (y; F) में y 2 R (रिग्रेशन) खातिर squared error (y F ) आउर निरपेक्ष त्रुटि jy F j शामिल बा, आउर ऋणात्मक द्विपद लॉगोमी { likelihood, log1 + e 2y F), जब y 2 f 1 g (वर्गीकरण 1) बा. एगो आम प्रक्रिया ई होला कि F (x) के फलन F (x;P) के एगो पैरामीटरित वर्ग के सदस्य मानल जाय, जहवाँ P = fP1; P2; g पैरामीटर के एगो समुच्चय होला. इ लेख में हमनी के ध्यान ए प्रकार के "संकलन" पर बा |
6a7c63a73724c0ca68b1675e256bb8b9a35c94f4 | जेस्टोर संग्रह के आपके उपयोग से जेस्टोर के उपयोग के नियम आ शर्त के आपके स्वीकृति के संकेत मिलेला, जवन कि http://www.jstor.org/about/terms.html पर उपलब्ध बा। जेस्टोर के उपयोग के नियम आ शर्त में ई प्रावधान बा कि अगर रउआ के पहिले से अनुमति ना मिलल होखे, त रउआ पत्रिका के पूरा अंक या लेख के कई गो कॉपी डाउनलोड ना कर सकीं, आ रउआ जेस्टोर संग्रह में मौजूद सामग्री के इस्तेमाल खाली अपना निजी, गैर-वाणिज्यिक इस्तेमाल खातिर कर सकीं। कृपया एह काम के आगे के उपयोग के बारे में प्रकाशक से संपर्क करीं। प्रकाशक लोग के संपर्क जानकारी http://www.jstor.org/journals/econosoc.html पर लिहल जा सकेला। जेएसटीओआर प्रसारण के कौनो हिस्सा के हर प्रति में ओही कॉपीराइट नोटिस के शामिल कइल जाए के चाहीं जे अइसन प्रसारण के स्क्रीन या छपल पन्ना पर लउकेला। |
8eca169f19425c76fa72078824e6a91a5b37f470 | कम लागत आउर उच्च-प्रदर्शन रडार सिस्टम के सफल डिजाइन खातिर सटीक आउर कुशल सिस्टम सिमुलेशन एगो प्रमुख आवश्यकता बा. इ पत्र में हम आवृत्ति-संयोजित निरंतर-तरंग रडार प्रणालियन खातिर एगो नया बहुमुखी सिमुलेशन वातावरण प्रस्तुत करत बानी. सामान्य हार्डवेयर सिमुलेशन के अलावा ई एकीकृत सिस्टम सिमुलेशन आ सिग्नल सिंथेसिस से बेसबैंड तक के कांसेप्ट विश्लेषण के भी कवर करे ला। एहमें एगो लचीला परिदृश्य जनरेटर, सटीक शोर मॉडलिंग शामिल बा, आ सिग्नल प्रोसेसिंग एल्गोरिदम के विकास आ परीक्षण खातिर सिमुलेशन डेटा के कुशलता से उपलब्ध करावल जाला। एकीकृत 77-जीएचजेड रडार प्रोटोटाइप खातिर सिमुलेशन आउर माप परिणाम के तुलना में दू अलग-अलग परिदृश्य पर सिमुलेटर के क्षमता के देखावल जाला. |
71337276460b50a2cb37959a2d843e593dc4fdcc | एगो नया गैर-पृथक तीन-पोर्ट कनवर्टर (एनआई-टीपीसी) प्रस्तावित बा जे एगो पीवी पोर्ट, एगो द्विदिश बैटरी पोर्ट आउर एगो लोड पोर्ट के इंटरफेस करेला. तीनों पोर्ट में से कौनो दू के बीच एकल चरण के बिजली रूपांतरण प्राप्त करल जाला. टोपॉलजी पारंपरिक संरचना के द्विदिशात्मक बिजली प्रवाह पथ के दू गो एकदिशात्मक में विघटित करके प्राप्त कइल जाला. तीनों पोर्ट में से दू के फ्लोरोएक्टिव या बैटरी के चार्ज कंट्रोल खातिर अधिकतम पावर हार्वेस्टिंग प्राप्त करे खातिर कस के विनियमित कइल जा सकेला, आउर साथ ही लोड वोल्टेज के स्थिर रखल जा सकेला, जबकि तीसरा पोर्ट कनवर्टर के पावर असंतुलन के भरपाई करे खातिर लचीला छोड़ल जाला. संचालन स्थिति के विश्लेषण कइल जाला. बहु-नियामक प्रतियोगिता नियंत्रण रणनीति के प्रस्तुत कइल गइल बा ताकि सौर ऊर्जा इनपुट शक्ति के उतार-चढ़ाव के समय स्वायत्त आउर सुचारू रूप से स्थिति स्विचिंग प्राप्त कइल जा सके. प्रयोगात्मक परिनाम द्वारा विश्लेषण के सत्यापित करल जाला. |
ac8877b0e87625e26f52ab75e84c534a576b1e77 | डिजिटल दुनिया में, बिजनेस एक्जीक्यूटिव के आपन कंपनी के मूल्य सृजन खातिर सूचना आ सूचना प्रबंधन के रणनीतिक महत्व के बारे में जागरूकता बढ़ल बा। ई सीआईओ लोग खातिर नेतृत्व के अवसर आ चुनौती दुनों पेश करेला। सीआईओ के पद के हाशिए पर ना रहे के आ बिजनेस में मूल्य सृजन में सीआईओ के योगदान बढ़ावे खातिर, सीआईओ के सक्षम आईटी यूटिलिटी मैनेजर होखला के अलावा, अपने कंपनी में सूचना के मजबूत उपयोग के संस्कृति बनावे में मदद करे में सक्रिय भूमिका निभावल जरूरी बा। एह लेख के मकसद ई बा कि सीआईओ आ बिजनेस एग्जीक्यूटिव लोग के नेतृत्व के कौनों तरीका के बेहतर ढंग से समझल जा सके जेवना से ऊ लोग अपना कंपनी के सूचना के ओर रुझान बढ़ा सके। चार गो केस स्टडी से मिलल जानकारी के आधार पर हमनी के चार गो क्वाड्रंट में नेतृत्व के स्थिति तय करे के एगो तरीका बनवले बानी जा। ई ढाँचा सीआईओ के नजरिया से बनावल गइल बा आ ई बतावेला कि सीआईओ एगो नेता, अनुयायी या गैर-खेलाडी के रूप में कंपनी के सूचना संबंधी रुझान के विकास में आपन रणनीतिक फोकस हासिल करे खातिर काम कर सके ला। लेख के अंत में अइसन दिशानिर्देश दिहल गइल बा जिनहन के इस्तेमाल से सीआईओ लोग आपन कंपनी के सूचना-उन्मुख पहल के लागू करे में या ओकरा के जारी राखे में नेतृत्व के चुनौती के सामना कर सके लें। |
5c6b51bb44c9b2297733b58daaf26af01c98fe09 | ई पेपर व्यवस्थित रूप से दू गो फीचर एक्सट्रैक्शन एल्गोरिदम के तुलना क के खनन उत्पाद के फीचर के तुलना करेला जेकरा पर ग्राहक समीक्षा में टिप्पणी कइल गइल बा. पहिला तरीका [17] पीओएस पैटर्न के एगो सेट के लागू करके उम्मीदवार विशेषता के पहचान करेला आउर लॉग संभावना अनुपात परीक्षण के आधार पर उम्मीदवार सेट के छँटाई करेला. दूसर तरीका [11] में, अक्सर होखे वाली चीजन के पहिचान करे खातिर एसोसिएशन नियम खनन के इस्तेमाल कइल जाला आ अक्सर न होखे वाली चीजन के पहिचान करे खातिर सनेस शब्द के उपस्थिति पर आधारित एगो युक्ति के इस्तेमाल कइल जाला। हम उपभोक्ता इलेक्ट्रॉनिक उपकरन के संबंध में पांच उत्पाद-विशिष्ट दस्तावेज़ संग्रह पर एल्गोरिदम के प्रदर्शन के मूल्यांकन कर रहल बानी. हम त्रुटि के विश्लेषण करब आउर एल्गोरिदम के लाभ आउर सीमा के चर्चा करब. |
623fd6adaa5585707d8d7339b5125185af6e3bf1 | वर्तमान अध्ययन इंटरनेट गेमिंग डिसऑर्डर (IGD) खातिर हस्तक्षेप के एगो अर्ध-प्रयोगात्मक, संभावित अध्ययन बाटे. एक सौ चार माता-पिता आउर उनकर किशोर बच्चा के चार उपचार समूह में से एगो में नामांकित आउर आवंटित कइल गइल; 7-दिन के सिरिराज थेरेप्यूटिक रेजिडेंशियल कैंप (एस-टीआरसी) अकेले, 8-सप्ताह के पेरेंट मैनेजमेंट ट्रेनिंग फॉर गेम एडिक्शन (पीएमटी-जी) अकेले, संयुक्त एस-टीआरसी आउर पीएमटी-जी, आउर बुनियादी मनोशिक्षा (नियंत्रण). आईजीडी के गंभीरता के गेमिंग एडिक्शन स्क्रीनिंग टेस्ट (जीएएसटी) द्वारा नापल गइल. GAST स्कोर में समूह के बीच औसत अंतर सांख्यिकीय रूप से महत्वपूर्ण रहे, क्रमशः हस्तक्षेप के बाद 1, 3, और 6 महीने में P मान < 0. 001, 0. 002, और 0. 005 के साथ. सभी समूह नियंत्रण समूह के तुलना में सुधार देखवलस. नशा के लत या शायद नशा के लत वाला समूह में रहे वाला किशोर लोग के प्रतिशत एस-टीआरसी, पीएमटी-जी, आउर संयुक्त समूह में 50% से कम रहल. निष्कर्ष में, एस-टीआरसी आउर पीएमटी-जी दुनु आईजीडी खातिर प्रभावी मनोसामाजिक हस्तक्षेप रहे आउर अकेले बुनियादी मनोशिक्षा से बेहतर रहे. |
aca437e9e2a453c84a38d716ca9a7a7683ae58b6 | इ पत्र सहज ज्ञान युक्त यांत्रिकी क उपयोग कइके वस्तु स्थिरता औरु सुरक्षा क तर्क द्वारा 3 डी दृश्य समझ खातिर एगो नया परिप्रेक्ष्य प्रस्तुत करेला. हमार दृष्टिकोण एगो सरल अवलोकन क उपयोग करेला, जवन मानव डिजाइन द्वारा स्थिर दृश्यन में वस्तुअन के गुरुत्वाकर्षण क्षेत्र में स्थिर होखे के चाही औरु मानव गतिविधि के जईसन विभिन्न भौतिक व्यवधान के संबंध में सुरक्षित होखे के चाही. ई धारणा सब दृश्य श्रेणी पर लागू होला आउर दृश्य समझ में संभावित व्याख्या (पार्स) खातिर उपयोगी बाधा देवेला. गहराई कैमरा द्वारा स्थिर दृश्य खातिर कैप्चर कइल गइल 3 डी बिंदु बादल के देखते हुए, हमनी के विधि में तीन चरण होला: (i) वोक्सल से ठोस 3 डी आयतन आदिम के पुनर्प्राप्त कइल; (ii) स्थिरता के अनुकूलित करके अस्थिर आदिम के भौतिक रूप से स्थिर वस्तु में समूहीकृत करके तर्कसंगत स्थिरता; आउर (iii) मानव गतिविधि, हवा या भूकंप जइसन भौतिक गड़बड़ी के तहत वस्तु खातिर भौतिक जोखिम के मूल्यांकन करके तर्कसंगत सुरक्षा. हम एगो नया सहज भौतिक मॉडल के अपनाई आउर दृश्य में प्रत्येक आदिम आउर वस्तु के ऊर्जा परिदृश्य के विच्छेदन ग्राफ (डीजी) द्वारा प्रतिनिधित्व करी. हम एगो संपर्क ग्राफ बनावेनी जेकर नोड 3 डी आयतन संबंधी आदिम आ किनारा समर्थन संबंध के प्रतिनिधित्व करे लें. तब हम स्वेन्डेसन-वांग कट एल्गोरिथ्म के उपयोग संपर्क ग्राफ के समूह में बाँटे खातिर करब, जेमे से प्रत्येक स्थिर वस्तु बा. स्थिर दृश्य में असुरक्षित वस्तु के पता लगावे खातिर, हमार विधि दृश्य में छिपल आउर स्थित कारण (परेशानी) के अनुमान लगावेला, आउर फेर गड़बड़ी के परिणाम के रूप में संभावित प्रभाव (जैसे, गिरना) के भविष्यवाणी करे खातिर सहज भौतिक यांत्रिकी के परिचय देवेला. प्रयोग में, हम देखब कि एल्गोरिथ्म (i) ऑब्जेक्ट सेगमेंटेशन, (ii) 3 डी वॉल्यूमेट्रिक रिकवरी, आउर (iii) दृश्य समझ के संबंध में अन्य अत्याधुनिक विधि के सापेक्ष काफी बेहतर प्रदर्शन प्राप्त करेला. हम लोग सहज मशीनी मॉडल से सुरक्षा पूर्वानुमान के तुलना मानव निर्णय से भी करेनी. |
7e9507924ceebd784503fd25128218a7119ff722 | हमार तरीका एगो विषय ग्राफ के रूप में हर पाठ के मॉडल बनावेला. फेर ई ग्राफ के सुसंगत ग्राफ मिलान विधि के उपयोग करके मिलान कइल जाला. अगला, हम एगो स्तर-विवरण (एलओडी) विज़ुअलाइज़ेशन विकसित करत बानी जवन पठनीयता अउरी स्थिरता दुनों के संतुलन में रखत बा. एही अनुसार, परिणामी दृश्य उपयोगकर्ता के कई दृष्टिकोण से मिलान कइल गइल ग्राफ के समझे आउर ओकर विश्लेषण करे के क्षमता के बढ़ावेला. मेट्रिक लर्निंग आ फीचर सिलेक्शन के ग्राफ मिलान एल्गोरिथ्म में शामिल क के, हम प्रयोगकर्ता लोग के जानकारी के जरूरत के आधार पर ग्राफ मिलान परिणाम के इंटरैक्टिव रूप से संशोधित करे के अनुमति देला. हम आपन तरीका के कई तरह के डेटा पर लागू कइनी, जेह में समाचार लेख, ट्वीट आ ब्लॉग डेटा शामिल बा। मात्रात्मक मूल्यांकन आउर वास्तविक दुनिया के मामला अध्ययन हमनी के दृष्टिकोण के वादा के प्रदर्शन करेला, खासकर विषय-ग्राफ-आधारित पूर्ण तस्वीर के विस्तार के विभिन्न स्तर पर जांच के समर्थन में. ई पेपर कई स्रोत में चर्चा कइल गइल प्रासंगिक बिसय के पूरा तस्वीर के विश्लेषण करे खातिर विजुअल एनालिटिक्स के एगो तरीका प्रस्तुत करेला, जइसे कि समाचार, ब्लॉग, या माइक्रो-ब्लॉग. पूरा तस्वीर में कई स्रोत से कवर कइल गइल कई ठे आम बिसय के साथे-साथे हर स्रोत से अलग बिसय भी सामिल बा। |
b04a503487bc6505aa8972fd690da573f771badb | गहरी तंत्रिका संवेदन आउर नियंत्रण नेटवर्क के स्व-चालित वाहन के एगो प्रमुख घटक होवे के संभावना बा. इ सब मॉडल के व्याख्या योग्य होखे के चाही - उ सब के आपन व्यवहार के तर्क के व्याख्या करे में आसान होखे के चाही - ताकि यात्री, बीमा कंपनी, कानून लागू करे वाला, डेवलपर आदि, समझ सके कि कौन कौन सा व्यवहार शुरू भईल. इहाँ हम दृश्य व्याख्या के उपयोग के खोज करब. इ स्पष्टीकरण एगो छवि के वास्तविक समय पर हाइलाइट कइल गइल क्षेत्र के रूप में होला जवन नेटवर्क के आउटपुट (स्टीयरिंग कंट्रोल) के कारण प्रभावित करेला. हमार दृष्टिकोण दू-चरणीय बा. पहिला चरण में, हम विजुअल एटेन्शन मॉडल के उपयोग कर के एगो कन्वॉल्यूशन नेटवर्क के इमेज से स्टीयरिंग एंगल तक के अंत-से-अंत तक प्रशिक्षित करब. ध्यान मॉडल अइसन छवि क्षेत्रन के उजागर करेला जे संभावित रूप से नेटवर्क के आउटपुट के प्रभावित करेला. एहमें से कुछ सही बा, बाकि कुछ गलत बा. तब हम इ निर्धारित करे खातिर एगो कारण-परक फ़िल्टरिंग चरण लागू करब कि कौनों इनपुट क्षेत्र वास्तव में आउटपुट के प्रभावित करेला. इ जादे संक्षिप्त दृश्य व्याख्या के उत्पादन करेला आउर नेटवर्क के व्यवहार के जादे सटीक रूप से उजागर करेला. हमनी के मॉडल के प्रभावकारिता के प्रदर्शन तीन गो डेटा सेट पर कुल 16 घंटा के ड्राइविंग पर कइल गइल. पहिले हम इ देखब कि ध्यान के साथे प्रशिक्षण अंत-से-अंत नेटवर्क के प्रदर्शन के नीचा ना लेवेला. तब हमनी के देखावल कि नेटवर्क कारण से कई तरह के सुविधा के संकेत देला जवन कि ड्राइविंग के दौरान मनुष्य द्वारा उपयोग कइल जाला. |
4954bb26107d69eb79bb32ffa247c8731cf20fcf | एट्रिब्यूट बेस्ड एन्क्रिप्शन (एबीई) [13] प्रयोगकर्ता के एट्रिब्यूट के आधार पर डिक्रिप्शन क्षमता के निर्धारित करेला। बहु-प्राधिकरण एबीई योजना में, कईगो विशेषता-प्राधिकरण विशेषता के अलग-अलग सेट के निगरानी करेले आउर उपयोगकर्ता के संबंधित डिक्रिप्शन कुंजी जारी करेले, आउर एन्क्रिप्टर के ई आवश्यकता हो सकेला कि उपयोगकर्ता संदेश के डिक्रिप्ट करे से पहिले प्रत्येक प्राधिकारी से उचित विशेषता खातिर कुंजी प्राप्त करे. चेस [5] एगो बहु-प्राधिकरण एबीई योजना दिहलस जे एगो भरोसेमंद केंद्रीय प्राधिकरण (सीए) आउर वैश्विक पहचानकर्ता (जीआईडी) के अवधारणा के उपयोग करेला. हालाँकि, ए निर्माण में सीए के हर सिफरटेक्स्ट के डिक्रिप्ट करे के शक्ति होला, जवन कि कई संभावित रूप से अविश्वसनीय प्राधिकरण पर नियंत्रण वितरित करे के मूल लक्ष्य के विपरीत बा. एकरे अलावा, ई बिस्लेसन में, एक समान जीआईडी के उपयोग से अधिकारी लोगन के आपन जानकारी के जोड़ के एगो पूरा प्रोफ़ाइल बनावे के अनुमति मिलेला, जे में उपयोगकर्ता के सभ विशेषता शामिल रहेला, जे कि उपयोगकर्ता के गोपनीयता के खतरा में डाल देला. ई समाधान विश्वसनीय केंद्रीय प्राधिकरण के हटावेला आ प्रयोगकर्ता लोग के प्राइवेसी के बचावे ला, ई रोक देला कि ऊ लोग कौनों खास प्रयोगकर्ता के बारे में आपन जानकारी साझा कर सके, आ ई तरीका से ई ईबीई के इस्तेमाल आसान हो जाला। |
25098861749fe9eab62fbe90c1ebeaed58c211bb | एह लेख में हमनी के नया नजरिया से बूस्टिंग के तरीका के अध्ययन करे के बा। इफ्रोन आ अन्य लोगन के हाल के काम पर आधारित बा. इ देखावे खातिर कि लगभग (आऊ कुछ मामला में बिल्कुल) बढ़ावे से गुणांक वेक्टर पर l1 बाधा के साथे एकर हानि मानदंड कम हो जाला. ई नुकसान के मापदंड के नियमित रूप से फिट करे के रूप में जल्दी से रोक के साथ बढ़ावा देवे के सफलता के समझे में मदद करेला. दुगो सबसे अधिक उपयोग कइल जाए वाला मानदंड (अभिव्यक्तिगत आउर द्विपद लॉग-समानता) खातिर, हम आगे देखवईला कि जब बाधा ढीला हो जाला-या समतुल्य रूप से जब बढ़े वाला पुनरावृत्ति आगे बढ़ेला-तब समाधान एगो l1-उत्तम अलगाव हाइपर-प्लेन में (पृथक करे योग्य मामला में) अभिसरण करेला. हम साबित करब कि इ l1- इष्टतम अलगाव हाइपर-प्लेन में प्रशिक्षण डेटा के न्यूनतम l1- मार्जिन के अधिकतम करे के गुण होला, जइसन कि बूस्टिंग साहित्य में परिभाषित कइल गइल बा. बूस्टिंग आउर कर्नेल सपोर्ट वेक्टर मशीन के बीच एगो दिलचस्प मौलिक समानता सामने आवेला, काहे कि दुनों के उच्च-आयामी भविष्यवानी अंतरिक्ष में नियमित अनुकूलन खातिर विधि के रूप में वर्णित कइल जा सकेला, गणना के व्यावहारिक बनावे खातिर कम्प्यूटेशनल चाल के उपयोग करके, आउर मार्जिन-अधिकतम समाधान में अभिसरण. जबकि इ कथन एसवीएम के ठीक से वर्णन करेला, इ केवल लगभग बढ़ावे पर लागू होला. |
0825788b9b5a18e3dfea5b0af123b5e939a4f564 | शब्द के वेक्टर स्पेस निरूपण के सीखे के हाल के तरीका वेक्टर अंकगणित के उपयोग से बारीक-कण के अर्थिक आउर वाक्य रचना संबंधी नियमितता के कैप्चर करे में सफल भइल बा, लेकिन इ नियमितता के उत्पत्ति अपारदर्शी बनल बा. हम शब्द वेक्टर में अइसन नियम के उभरल खातिर जरूरी मॉडल गुण के विश्लेषण आउर स्पष्ट कर रहल बानी. परिणाम एगो नया वैश्विक लॉगबिलिनियर प्रतिगमन मॉडल बा जे साहित्य में दु प्रमुख मॉडल परिवार के लाभ के जोड़त बा: वैश्विक मैट्रिक्स फैक्टराइजेशन आउर स्थानीय संदर्भ विंडो विधि. हमार मॉडल पूरा बिसाल मैट्रिक्स या बड़ कॉर्पस में अलग-अलग संदर्भ विंडो के बजाय खाली शब्द-शब्द सह-घटना मैट्रिक्स में गैर-शून्य तत्वन पर प्रशिक्षण दे के सांख्यिकीय जानकारी के कुशलता से उपयोग करेला. मॉडल सार्थक उपसंरचना के साथे एगो वेक्टर स्थान उत्पन्न करेला, जइसन कि हाल के शब्द सादृश्य कार्य पर 75% के प्रदर्शन से प्रमाणित होला. इ समानता कार्य आउर नामित इकाई मान्यता पर संबंधित मॉडल के भी बेहतर प्रदर्शन करेला. |
326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5 | हमनी के दूगो वितरण के बीच एगो मीट्रिक के गुण के जांच करेनी, अर्थ मूवर के दूरी (ईएमडी), सामग्री-आधारित छवि पुनर्प्राप्ति खातिर. ईएमडी उ न्यूनतम लागत पर आधारित बा जवन एगो वितरण के दूसर में बदले खातिर भुगतान कइल जाए के चाहीं, सटीक अर्थ में, आउर पहिला बेर पेलेग, वेर्मन आउर रोम द्वारा कुछ दृष्टि समस्या खातिर प्रस्तावित कइल गइल रहे. छवि पुनर्प्राप्ति खातिर, हम इ विचार के वितरण खातिर एगो प्रतिनिधित्व योजना के साथे जोड़ल जा सकेला जे वेक्टर क्वांटिजेशन पर आधारित बा. इ संयोजन एगो छवि तुलना ढांचा के तरफ ले जाला जवन पहिले से प्रस्तावित अन्य तरीका के तुलना में अक्सर अवधारणात्मक समानता के हिसाब से बेहतर होला. ईएमडी रैखिक अनुकूलन से परिवहन समस्या के समाधान पर आधारित बा, जेकरे खातिर कुशल एल्गोरिदम उपलब्ध बा, आउर आंशिक मिलान के खातिर स्वाभाविक रूप से अनुमति देवेला. ई हिस्टोग्राम मिलान तकनीक से जादे मजबूत बा, काहे कि ई वितरण के परिवर्तनीय-लम्बाई के निरूपण पर काम कर सकेला जे क्वान्टिज़ेशन आउर हिस्टोग्राम के विशिष्ट अन्य बंडल समस्या से बचेला. जब एके कुल द्रव्यमान के साथे वितरण के तुलना करे खातिर उपयोग कइल जाला, त ईएमडी एगो सही मीट्रिक होला. इ पेपर में हम रंग आउर बनावट के अनुप्रयोग पर ध्यान केंद्रित करब, आउर हम EMD के पुनर्प्राप्ति प्रदर्शन के तुलना अन्य दूरी के साथ करब. |
508d8c1dbc250732bd2067689565a8225013292f | स्थानीय पल्स वेव वेल्सिटी (पीडब्लूवी) खातिर एगो नया डुअल फोटोपलेटिसमोग्राफ (पीपीजी) जांच आउर माप प्रणाली के प्रस्ताव आउर प्रदर्शन कइल गइल बा. विकसित जांच डिजाइन में दो आसन्न माप बिंदु (28 मिमी दूर) से रक्त धड़कन प्रसार तरंगरूप के गैर-आक्रामक पता लगावे खातिर प्रतिबिंब PPG ट्रांसड्यूसर के उपयोग कइल गइल बा. बीट-टू-बीट स्थानीय पीडब्लूवी माप खातिर लगातार प्राप्त डबल पल्स तरंगरूप के बीच पारगमन समय विलंब के उपयोग कइल गइल रहे. पीपीजी जांच डिजाइन के मान्य करे खातिर आउर स्थानीय पीडब्लूवी माप प्रणाली विकसित करे खातिर 10 स्वस्थ स्वयंसेवकन (8 पुरुष आउर 2 महिला, 21 से 33 वर्ष के आयु) पर इन-विवो प्रयोगात्मक सत्यापन अध्ययन करल गइल रहे. प्रस्तावित प्रणाली कैरोटिड स्थानीय पीडब्लूवी के कईगो विषय से नापे में सक्षम रहे. अध्ययन के दौरान 10 में से 7 लोगन में बेसलाइन कैरोटिड पीडब्ल्यूवी के बीट-टू-बीट भिन्नता 7. 5% से कम रहल, 16% के अधिकतम बीट-टू-बीट भिन्नता देखल गइल रहल. अभ्यास के बाद के रिकवरी अवधि के दौरान बीट-टू-बीट कैरोटिड स्थानीय पीडब्लूवी आउर ब्रैचियल रक्तचाप (बीपी) मान में भिन्नता के भी जांच कइल गइल रहे. एगो सांख्यिकीय रूप से महत्वपूर्ण संबंध इंट्रा- सब्जेक्ट स्थानीय पीडब्लूवी भिन्नता आउर ब्रेसियल बीपी पैरामीटर के बीच देखल गइल रहे (आर > 0. 85, पी < 0. 001). परिणाम ने कैरोटिड धमनी से निरंतर बीट-टू-बीट स्थानीय पीडब्लूवी माप क खातिर प्रस्तावित पीपीजी जांच क व्यवहार्यता के प्रदर्शित कईने. अइसन गैर-आक्रामक स्थानीय पीडब्लूवी माप इकाई के उपयोग संभावित रूप से निरंतर एम्बुलेटरी बीपी माप खातिर कइल जा सकेला. |
79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6 | ई पेपर गहराई मानचित्रन के अनुक्रम से मानव क्रिया के पहचान करे के एगो तरीका प्रस्तुत करेला. विशेष रूप से, हम एक्शन ग्राफ के इस्तेमाल कइ के एक्शन के गतिशीलता के स्पष्ट रूप से मॉडल कइनी आ एक्शन ग्राफ में नोड्स के अनुरूप प्रमुख मुद्रा के सेट के चिह्नित करे खातिर 3 डी बिंदु के बैग के इस्तेमाल कइनी. एकरे अलावा, हम गहराई मानचित्रन से 3D बिंदुअन के नमूना लेवे खातिर एगो सरल, लेकिन प्रभावी प्रक्षेपण आधारित नमूना योजना के प्रस्ताव देले बानी. प्रयोगात्मक परिणाम से पता चलल बा कि 90% से अधिक पहचान सटीकता केवल 1% 3 डी बिंदु के नमूनाकरण द्वारा गहराई मानचित्र से प्राप्त कइल गइल रहे. 2D सिल्हूट आधारित मान्यता के तुलना में, मान्यता त्रुटि आधा हो गइल रहे. एकरे अलावा, हम सिमुलेशन के माध्यम से ऑक्ल्यूशन से निपटे खातिर पॉइंट्स पोस्चर मॉडल के बैग के क्षमता के देखावल जा रहल बा. |
46fd85775cab39ecb32cf2e41642ed2d0984c760 | ई पेपर एआई रोबोट के कानूनी स्थिति पर आज के बहस के जांच करेला, आउर केतना बार विद्वान आउर नीति निर्माता इ कृत्रिम एजेंट के कानूनी एजेंट के कानूनी व्यक्ति के स्थिति के साथ भ्रमित करेलन. क्षेत्र में वर्तमान रुझान के ध्यान में रख के, ई पेपर दुगो रुख के सुझाव देला. सबसे पहिले, नीति निर्माता लोगन के कॉन्ट्रैक्ट्स आउर बिजनेस लॉ में एआई रोबोट के गतिविधि खातिर जवाबदेही आउर दायित्व के नया रूप के स्थापना के संभावना पर गंभीरता से विचार करे के चाहीं, उदाहरण खातिर, जटिल वितरित जिम्मेदारी के मामला में कानूनी एजेंसी के नया रूप. दूसर, एआई रोबोट के पूर्ण कानूनी व्यक्तित्व देवे के कौनो परिकल्पना के निकट भविष्य में छोड़ देवल जाए के चाही. हालाँकि, सोफिया के साथ हमनी के कइसे व्यवहार करे के चाही, जवन कि अक्टूबर 2017 में सऊदी अरब जइसन कौनो देश के नागरिकता प्राप्त करे वाला पहिला एआई आवेदन बन गइल? सही में, केहू के, या कुछ के, कानूनी व्यक्तित्व देवे के बात हमेशा से एगो बहुत संवेदनशील राजनीतिक मुद्दा रहल बा जवन कि खाली तर्कसंगत विकल्प आउर अनुभवजन्य साक्ष्य पर निर्भर ना रहेला. एह संदर्भ में विवेक, मनमानी, आ विचित्र निर्णय लेवे के भूमिका बा. हालाँकि, कानूनी प्रणाली मानव आउर कृत्रिम संस्था जइसे निगम के दर्जा देवेले, इ कानूनी कारण ह जवन कि हमनी के एआई रोबोट के कानूनी व्यक्तित्व के खोज में पक्षपात करे में मदद करेला. का नागरिक सोफिया सच में सचेत बा, या उ विद्वान लोगन के तीर आ कूंछ से पीड़ित हो सकेला? |
0943ed739c909d17f8686280d43d50769fe2c2f8 | हम मानव व्यवहार के विश्लेषण आउर संश्लेषण खातिर एगो दृष्टिकोण के रूप में एक्शन-रिऐक्शन लर्निंग के प्रस्ताव देले बानी. इ प्रतिमान समय के क्रम के देख के अतीत आउर भविष्य के घटना के बीच या एगो क्रिया आउर ओकर प्रतिक्रिया के बीच कारण-संबंधी मैपिंग के उजागर करेला. हम इ तरीका के इस्तेमाल मानव संपर्क के विश्लेषण करे खातिर करेनी आउर बाद में मानव व्यवहार के संश्लेषण करेनी. अवधारणात्मक माप के समय श्रृंखला के उपयोग करके, एगो प्रणाली स्वचालित रूप से एगो मानव प्रतिभागी (एक क्रिया) से इशारा आउर दुसर प्रतिभागी से बाद के इशारा (एक प्रतिक्रिया) के बीच एगो मानचित्रण के उजागर करेला. एगो संभाव्य मॉडल के मानव संपर्क के डेटा से एगो उपन्यास अनुमान तकनीक, सशर्त अपेक्षा अधिकतम (सीईएम) के उपयोग करके प्रशिक्षित कइल जाला. सिस्टम एगो ग्राफिकल इंटरैक्टिव चरित्र चलावेला जवन प्रयोगकर्ता के व्यवहार के सबसे संभावित प्रतिक्रिया के भविष्यवाणी करेला आउर एकरा के इंटरैक्टिव रूप से करेला. इ प्रकार, प्रतिभागी लोगन के जोड़ी में मानव संपर्क के विश्लेषण करे के बाद, सिस्टम उनमे से एगो के प्रतिस्थापित करे में सक्षम होला आउर एकल शेष उपयोगकर्ता के साथ बातचीत करेला. |
272216c1f097706721096669d85b2843c23fa77d | हम एडम के परिचय दे रहल बानी, जे कि पहिला क्रम के ढाल आधारित अनुकूलन खातिर एगो एल्गोरिथ्म बा, जे कि निचला क्रम के क्षण के अनुकूली अनुमान पर आधारित स्टोचैस्टिक उद्देश्य फलन के अनुकूलन करे खातिर बा. इ विधि के लागू करल आसान बा, इ गणनात्मक रूप से कुशल बा, एकर मेमोरी के आवश्यकता कम बा, ई ढाल के विकर्ण पुनरुत्थान खातिर अपरिवर्तनीय बा, आउर इ समस्या खातिर उपयुक्त बा जवन डेटा आउर/या पैरामीटर के संदर्भ में बड़ बा. इ विधि गैर-स्थिर उद्देश्य आउर बहुत शोर आउर/या विरल ढाल के समस्या खातिर भी उपयुक्त बा. हाइपर-पैरामीटर के सहज व्याख्या होला आ आमतौर पर एकरा के ठीक करे के जरूरत ना पड़े ला। संबंधित एल्गोरिदम से कुछ संबंध पर चर्चा कइल गइल बा, जेकरा पर एडम के प्रेरणा मिलल रहे. हम एल्गोरिथ्म के सैद्धांतिक अभिसरण गुण के भी विश्लेषण करब आउर अभिसरण दर पर एगो अफसोस के प्रदान करब जे ऑनलाइन उत्तोलन ढांचे के तहत सबसे अच्छा ज्ञात परिणाम के तुलना में तुलनात्मक बा. अनुभवजन्य परिणाम ई दर्शावेला कि एडम अभ्यास में अच्छा काम करेला आउर दुसर स्थिरांक अनुकूलन विधियन से अनुकूल तुलना करेला. अंत में, हम अडामैक्स पर चर्चा करब, जवन कि अनंतता के मानदंड पर आधारित एडम के एगो रूप ह. |
05aba481e8a221df5d8775a3bb749001e7f2525e | हमनी के एगो नया परिवार के उप-वर्गीकरण विधि प्रस्तुत करत बानी जा जे पहिले के पुनरावृत्ति में देखल गइल डेटा के ज्यामिति के ज्ञान के गतिशील रूप से शामिल करे ला ताकि अधिक जानकारीपूर्ण ग्रेडिएंट-आधारित सीखल जा सके। रूपक रूप से, अनुकूलन हमनी के बहुत भविष्यवाणी वाला लेकिन शायद ही कभी देखल जाए वाला विशेषता के रूप में भूसा के ढेर में नीडल के खोजे के अनुमति देवेला. हमार प्रतिमान स्टोचैस्टिक अनुकूलन में हाल के प्रगति से उपजल बा आउर ऑनलाइन सीखना जवन एल्गोरिथ्म के ढाल चरण के नियंत्रित करे खातिर निकटवर्ती फलन के नियोजित करेला. हम निकटवर्ती फलन के अनुकूलनशील रूप से संशोधित करे खातिर एगो उपकरण के वर्णन आउर विश्लेषण करीलें, जे सीखने के दर के सेट करे के काफी सरल करेला आउर परिणाम में उ गारन्टी के पुनरावृत्ति करेला जे बाद में चुनल जा सके वाला सर्वोत्तम निकटवर्ती फलन के रूप में साबित रूप से अच्छा होला. सामान्य आउर महत्वपूर्ण नियमितकरण फलन आउर डोमेन बाधा के साथे अनुभवजन्य जोखिम कम करे के समस्या खातिर हम कई दक्ष एल्गोरिदम देले बानी. हम प्रयोगात्मक रूप से आपन सैद्धांतिक विश्लेषण के अध्ययन कइनी आउर देखवनी कि अनुकूली उप-वर्गीकरण विधि सब-ऑफ-द-आर्ट, फिर भी गैर-अनुकूली, उप-वर्गीकरण एल्गोरिदम से बेहतर बा. |
f2bc77fdcea85738d1062da83d84dfa3371d378d | ई पेपर चिप-टू-चिप अनुप्रयोगन खातिर 90 एनएम सीएमओएस में 6.25-जीबी/एस 14-एमडब्ल्यू ट्रांसीवर के वर्णन करेला. ट्रांससीवर में बिजली के खपत कम करे खातिर कईगो सुविधा बा, जेमे एगो साझा एलसी-पीएलएल घड़ी गुणक, एगो इंडक्टर-लोड रेज़ोनेंट घड़ी वितरण नेटवर्क, एगो कम-अउरी प्रोग्राम योग्य-स्विंग वोल्टेज-मोड ट्रांसमीटर, सॉफ्टवेयर-नियंत्रित घड़ी और डेटा रिकवरी (सीडीआर) और रिसीवर के भीतर अनुकूली समकक्षन, और सीडीआर खातिर एगो नया पीएलएल-आधारित चरण रोटेटर शामिल बा. ई डिज़ाइन चैनल के कम से कम -15 डीबी या एकरा से ढेर के बिट-त्रुटि दर 10-15 या कम के साथ काम कर सकेला, जबकि 2.25 एमडब्ल्यू/जीबी/एस से कम के उपभोग करे ला. |
9da870dbbc32c23013ef92dd9b30db60a3cd7628 | 3 डी आकृतियन के गैर-कठोर पंजीकरण एगो जरूरी काम बा जेकर महत्व बढ़ रहल बा काहे कि गतिशील दृश्यन के स्कैन करे खातिर कमोडिटी डेप्थ सेंसर अधिक व्यापक रूप से उपलब्ध हो रहल बा. गैर-कठोर पंजीकरण कठोर पंजीकरण के तुलना में बहुत अधिक चुनौतीपूर्ण होला काहे कि ई एगो एकल वैश्विक परिवर्तन के बजाय स्थानीय परिवर्तन के एगो सेट के अनुमान लगावेला, आउर एही खातिर कम निर्धारण के कारण ओवरफिटिंग मुद्दा के खतरा होला. पिछला तरीका में सामान्य बुद्धि स्थानीय परिवर्तन अंतर पर l2-मानक नियमितकरण लगावे के बा. हालांकि, l2-मानक नियमन समाधान के भारी-पूंछ वाला वितरण के साथ आउटलाइर्स आउर शोर के ओर झुकावेला, जे परिवर्तन अंतर पर गॉसियन वितरण के खराब अच्छाई-फिट द्वारा सत्यापित कइल जाला. एकरे उल्टा, लाप्लासियन वितरण रूपांतरण अंतर के साथ ठीक से मेल खाला, जे एगो विरलता पूर्व के उपयोग के सुझाव देवेला. हम रूपांतरण अनुमान खातिर एगो सघन गैर-कठोर पंजीकरण (एसएनआर) विधि के प्रस्ताव देले बानी जेमे एगो एल 1-मानक नियमित मॉडल होला, जेके प्रभावी रूप से संवर्धित लैग्रेंजियन ढांचे के तहत वैकल्पिक दिशा विधि (एडीएम) द्वारा हल कइल जाला. हम एगो मजबूत आउर प्रगतिशील पंजीकरण खातिर बहु-संकल्प योजना भी तैयार कर रहल बानी. सार्वजनिक डेटासेट आउर हमनी के स्कैन कइल डेटासेट दुनों पर परिणाम हमनी के तरीका के श्रेष्ठता देखावेला, बिसेस रूप से बड़ पैमाना पर विरूपण के साथ-साथ आउटलाइर आउर शोर के संभाले में. |
e36ecd4250fac29cc990330e01c9abee4c67a9d6 | इ पत्र में एगो नया का-बैंड डबल-बैंड डबल-सर्कलरी-ध्रुवीकृत एंटीना सरणी प्रस्तुत कइल गइल बा. एगो ड्यूल-बैंड एंटीना जेकर बायां हाथ के गोलाकार ध्रुवीकरण Ka-बैंड डाउनलिंक आवृत्तियन खातिर बा आउर दहिने हाथ के गोलाकार ध्रुवीकरण Ka-बैंड अपलिंक आवृत्तियन खातिर कॉम्पैक्ट एनुलर रिंग स्लॉट के साथ महसूस कइल जाला. क्रमिक घूर्णन तकनीक के लागू करके, अच्छा प्रदर्शन वाला 2 × 2 सब-अरे प्राप्त कइल जाला. इ पत्र डिजाइन प्रक्रिया क वर्णन करेला औरु सिमुलेशन औरु माप परिणाम प्रस्तुत करेला. |
0bb71e91b29cf9739c0e1334f905baad01b663e6 | ई पेपर में एलटीई नेटवर्क में इस्तेमाल होखे वाला बैटरी से चले वाला यंत्रन खातिर ऊर्जा के खपत कम करे खातिर अनुसूची बनावे आ ट्रांसमिट पावर कंट्रोल के जाँच कइल गइल बा। मशीन-प्रकार के ग्राहक के भारी संख्या खातिर कुशल शेड्यूलिंग के सक्षम करे खातिर, एगो उपन्यास वितरित योजना के प्रस्ताव दिहल गइल बा ताकि मशीन नोड्स स्थानीय क्लस्टर बनावे आउर क्लस्टर-हेड्स के माध्यम से बेस-स्टेशन से संवाद कर सके. एकरे बाद, एलटीई नेटवर्क में अपलिंक शेड्यूलिंग आ पावर कंट्रोल के शुरुआत कइल गइल आ लाइफटाइम-अवेयर समाधान के इस्तेमाल कइल गइल जे क्लस्टर-हेड्स आ बेस-स्टेशन के बीच संचार खातिर इस्तेमाल कइल जा सके। सटीक समाधान के अलावा, कम जटिलता के उप-उत्तम समाधान इ काम में प्रस्तुत कइल गइल बा जे कि बहुत कम कम्प्यूटेशनल जटिलता के साथ निकटतम प्रदर्शन प्राप्त कर सकेला. परफार्मेंस के मूल्यांकन से पता चलल कि प्रस्तावित प्रोटोकॉल के उपयोग क के नेटवर्क के जीवनकाल के काफी विस्तार कइल गइल बा. |
6dc4be33a07c277ee68d42c151b4ee866108281f | संपीड़न माप से सह-विचलन मैट्रिक्स के अनुमान हाल ही में विज्ञान आउर इंजीनियरिंग के विभिन्न क्षेत्र में काफी शोध प्रयास के आकर्षित कइले बा. छोट संख्या में अवलोकन के कारण, सह-विचलन मैट्रिक्स के अनुमान एगो गंभीर रूप से गलत समस्या बा. इ सह-विचलन मैट्रिक्स के संरचना के बारे में पहिले के जानकारी के उपयोग करके दूर करल जा सकेला. ई पेपर संपीड़ित माप के तहत उच्च-आयामी सह-विचलन मैट्रिक्स अनुमान समस्या के उत्तल सूत्र अउर संबंधित समाधान के एगो वर्ग प्रस्तुत करेला, जे सकारात्मक अर्ध-परिभाषितता के अलावा समाधान पर टोप्लित्ज़, विरलता, शून्य-पैटर्न, निम्न श्रेणी, या निम्न अनुक्रमित श्रेणी संरचना लगावेला. अनुकूलन समस्या के हल करे खातिर, हम बढ़ावल गइल लैग्रेंजियन सिकुड़न एल्गोरिथ्म (सीओवीएएलएसए) द्वारा सह-भिन्नता के परिचय देलीं, जे स्प्लिट बढ़ावल गइल लैग्रेंजियन सिकुड़न एल्गोरिथ्म (एसएएलएसए) के एगो उदाहरण बा. हम आपन दृष्टिकोण के प्रभावशीलता के अत्याधुनिक एल्गोरिदम के तुलना में देखावल चाहत बानी. |
05357314fe2da7c2248b03d89b7ab9e358cbf01e | सब अधिकार सुरक्षित. एह किताब के कवनो हिस्सा के प्रकाशन के लिखित अनुमति के बिना कवनो इलेक्ट्रॉनिक या मैकेनिकल तरीका से (फोटो कॉपी, रिकॉर्डिंग, या जानकारी के भंडारण आ पुनःप्राप्ति सहित) दोबारा प्रकाशित ना कइल जा सके। |
06d0a9697a0f0242dbdeeff08ec5266b74bfe457 | हम प्राकृतिक भाषा के पेड़ के संरचना खातिर एगो नया पीढ़ी के मॉडल प्रस्तुत कइले बानी, जवना में सिमेंटिक (लेक्सिकल निर्भरता) आउर वाक्यविन्यास संरचना के अलग-अलग मॉडल के साथ स्कोरिंग कइल जाला. इ फैक्टराइजेशन वैचारिक सरलता प्रदान करेला, घटक मॉडल के अलग-अलग सुधार करे के सीधा अवसर, आउर समान, गैर-फैक्टर मॉडल के समान प्रदर्शन के स्तर. सबसे महत्वपूर्ण बात इ बा कि अन्य आधुनिक पार्सिंग मॉडल के विपरीत, फैक्टराइज्ड मॉडल में एगो अत्यधिक प्रभावी पार्सिंग एल्गोरिथ्म शामिल बा, जे कि कुशल, सटीक अनुमान के संभव बनावेला. |
8f76334bd276a2b92bd79203774f292318f42dc6 | इ पेपर एगो गोलाकार सींग एंटीना से संबंधित बा जेके एल-आकार के जांच द्वारा खिलावल जाला. 50 ओमेगा समाक्षीय केबल के साथ ब्रॉडबैंड मिलान खातिर डिजाइन प्रक्रिया, आउर अक्षीय अनुपात आउर लाभ में एंटीना प्रदर्शन प्रस्तुत कइल गइल बा. इ पेपर के सिमुलेशन परिणाम एनसॉफ्ट एचएफएसएस 9.2 के उपयोग करके प्राप्त कइल गइल रहे. |
41c987b8a7e916d56fed2ea7311397e0f2286f3b | पारंपरिक दृष्टिकोण के विपरीत जे नेटवर्क स्तर पर क्वांटिज़ेशन पर ध्यान केंद्रित करेला, इ काम में हम टेंसर स्तर पर क्वांटिज़ेशन प्रभाव के कम करे के प्रस्ताव देले बानी. हम लोग क्वांटिज़ेशन शोर आ कम सटीकता वाला नेटवर्क में कटिंग विकृति के बीच के समझौता के विश्लेषण कइल जा रहल बा. हम विभिन्न टेन्सर के सांख्यिकी के पहिचान करब, आउर क्लिपिंग के कारण माध्य-वर्ग-त्रुटि गिरावट खातिर सटीक अभिव्यक्ति प्राप्त करब. इ सब अभिव्यक्ति के अनुकूलित करके, हम मानक क्वांटिज़ेशन योजना के तुलना में उल्लेखनीय सुधार देखावल जा सकेला जे सामान्य रूप से क्लिपिंग से बचल जाला. उदाहरण खातिर, सटीक क्लिपिंग मान के चुनला से, VGG16-BN के क्वांटिज़ेशन के सटीकता में 40% से अधिक सुधार प्राप्त होला. हमार परिणाम के प्रशिक्षण आउर अनुमान दुनों समय में तंत्रिका नेटवर्क के क्वांटिज़ेशन खातिर कई अनुप्रयोग बा. एगो तात्कालिक अनुप्रयोग कम सटीकता वाला त्वरक में तंत्रिका नेटवर्क के तेजी से तैनाती खातिर समय-उपभोगी ठीक ट्यूनिंग या पूरा डेटासेट के उपलब्धता के बिना बा. |
1bde4205a9f1395390c451a37f9014c8bea32a8a | रेंज इमेज में क्वेरी कइल गइल ऑब्जेक्ट के पहचानल आउर स्थानीयकरण रोबोटिक हेरफेर आउर नेविगेशन खातिर महत्वपूर्ण भूमिका निभावेला. भले ही एकर लगातार अध्ययन कइल गइल बा, फिर भी ई एगो चुनौतीपूर्ण काम बा जब दृश्य में जाम आ गड़बड़ी होले. |
242caa8e04b73f56a8d4adae36028cc176364540 | हम प्रस्तावित करत बानी कि वोटिंग आधारित पोज एस्टीमेशन एल्गोरिथ्म लागू होखे 3 डी सेंसर पर, जवन तेजी से कई रोबोटिक्स, कंप्यूटर विजन, आ गेमिंग एप्लीकेशन में आपन 2 डी समकक्षन के बदल रहल बा. हाल में ई देखावल गइल बा कि एगो वोटिंग फ्रेमवर्क में ऑर्इंटेड 3 डी पॉइंट्स के जोड़ी, जे ऑब्जेक्ट के सतह पर पॉइंट्स बा, तेज आ मजबूत पोजीशन अनुमान के सक्षम बनावेला. यद्यपि उन्मुख सतह बिंदु पर्याप्त वक्रता परिवर्तन के साथ वस्तुअन खातिर विभेदक होला, ऊ ढेर औद्योगिक आउर वास्तविक दुनिया के वस्तुअन खातिर पर्याप्त रूप से कॉम्पैक्ट आउर विभेदक ना होला जे ज्यादातर समतल होला. चूंकि किनारा 2 डी पंजीकरण में मुख्य भूमिका निभावेला, 3 डी में गहराई विसंगति महत्वपूर्ण बा. इ पत्र में, हम पोस अनुमान एल्गोरिदम के एगो परिवार के जांच आउर विकास करल चाहब जउन इ सीमा जानकारी के बेहतर उपयोग करेला. उन्मुख सतह बिंदुअन के अलावा, हम दू गो दूसर आदिम उपयोग करेनी: दिसा के साथे सीमा बिंदुअन आउर सीमा रेखा खंडन. हमनी के प्रयोग से पता चलल बा कि इ सावधानी से चुनल गइल आदिम सभ अधिक जानकारी के संकुचित रूप से एन्कोड कर सके लें आ एह तरह से औद्योगिक भाग के एगो विस्तृत वर्ग खातिर उच्च सटीकता प्रदान कर सके लें आ तेजी से गणना कर सके लें। हम प्रस्तावित एल्गोरिथ्म आउर 3 डी सेंसर के उपयोग करके एगो व्यावहारिक रोबोटिक कचरा-छान प्रणाली के प्रदर्शन करब. |
5df318e4aac5313124571ecc7e186cba9e84a264 | आधिकारिक मोबाइल एप बाजार में बार-बार मैलवेयर घुसपैठ के बढ़त संख्या अंतिम उपयोगकर्ता के व्यक्तिगत आउर संवेदनशील जानकारी के गोपनीयता आउर गोपनीयता खातिर एगो उच्च सुरक्षा खतरा पैदा करेला. अंत उपयोगकर्ता यंत्रन के विरोधी अनुप्रयोगन के शिकार होखे से बचावे खातिर अकादमिक अउरी उद्योग में सुरक्षा शोधकर्ता/इंजीनियर के खातिर तकनीकी अउरी अनुसंधान चुनौती प्रस्तुत करत बाटे. एप बाजार में सुरक्षा प्रथा आउर विश्लेषण जांच के बावजूद, मैलवेयर सुरक्षा के माध्यम से घुस जाला आउर उपयोगकर्ता के डिवाइस के संक्रमित करेला. मालवेयर के विकास के चलते ई जटिल आ गतिशील रूप से बदलल जाए वाला सॉफ्टवेयर बन गइल बा जवन आमतौर पर वैध एप के रूप में भेस बदल लेला। अत्यधिक उन्नत भटकल तकनीक के उपयोग, जइसे कि एन्क्रिप्टेड कोड, ओफसकेशन आउर डायनामिक कोड अपडेट इत्यादि, नया मैलवेयर में पावल जाए वाला सामान्य प्रथा ह. डायनामिक कोड अपडेट के भटकल उपयोग के साथ, एक मैलवेयर सौम्य ऐप के रूप में दिखावे वाला विश्लेषण जांच के दरकिनार करेला आउर उपयोगकर्ता के डिवाइस पर स्थापित होवे पर ही एकर दुर्भावनापूर्ण कार्यक्षमता के प्रकट करेला. इ शोध प्रबंध एंड्रॉइड एप्प में डायनामिक कोड अपडेट के उपयोग आउर उपयोग के तरीका पर पूरा अध्ययन प्रदान करेला. एकरे अलावा, हम हाइब्रिड विश्लेषण के तरीका, स्टैडार्ट, प्रस्तावित करे के चाहत बानी जे कि स्टेटिक आ डायनामिक विश्लेषण के जोड़ के काम करे ला ताकि गतिशील कोड अपडेट के मौजूदगी में एप्लिकेशन के विश्लेषण करे खातिर स्टेटिक विश्लेषण तकनीक के अंतर्निहित कमजोरी के दूर कइल जा सके। वास्तविक दुनिया के एप्स पर हमनी के मूल्यांकन परिणाम स्टैडार्ट के प्रभावकारिता के प्रदर्शित करेला. हालाँकि, आमतौर पर गतिशील विश्लेषण, आउर ए मामला खातिर हाइब्रिड विश्लेषण भी, एप्लिकेशन व्यवहार के प्रोत्साहित करे के समस्या लावेला जवन स्वचालित विश्लेषण उपकरण खातिर एगो गैर-तुच्छ चुनौती बा. एकरा खातिर, हम एगो बैकवर्ड स्लाइसिंग आधारित टारगेटेड इंटर-कम्पोनेंट कोड पाथ एक्जीक्यूशन तकनीक, टीआईसीसी के प्रस्तावित कर तानी. TeICC एप्लिकेशन में एगो लक्ष्य बिंदु से शुरू होखे वाला कोड पथ निकाले खातिर एगो बैकवर्ड स्लाइसिंग तंत्र के उपयोग करेला. ई सिस्टम निर्भरता ग्राफ के उपयोग कोड पथ निकाले खातिर करेला जेमे इंटर-कम्पोनेंट संचार शामिल होला. निकाले वाला कोड पथ के तब इंस्ट्रूमेंट कइल जाला आ एप्प के संदर्भ में निष्पादित कइल जाला ताकि संवेदनशील गतिशील व्यवहार के पकड़ल जा सके, गतिशील कोड अपडेट आ ओफसकेशन के हल कइल जा सके। TeICC के हमनी के मूल्यांकन से पता चलल कि एकर उपयोग अवरूद्ध Android अनुप्रयोग में इंटर-कम्पोनेंट कोड पथ के लक्षित निष्पादन खातिर प्रभावी रूप से कइल जा सकेला. साथ ही, हम ई भी ना बता सकीं कि उपयोगकर्ता के डिवाइस तक पहुँचल जा सके, हम प्रस्तावित फोन पर एपीआई हुकिंग |
5ed4b57999d2a6c28c66341179e2888c9ca96a25 | इ लेख में, हमनी के अइसन एजेंट विकसित करे के लक्ष्य पर काम करे के बा जे जटिल दुनिया में काम करे के सीख सके. हम एगो संभाव्यतावादी, संबंधपरक नियोजन नियम प्रतिनिधित्व विकसित करब जवन छोट-छोट तरह से शोर, गैर-निर्धारक क्रिया प्रभाव के मॉडल बनावेला, आउर देखावेला कि ऐसन नियम के प्रभावी ढंग से कइसे सीखल जा सकेला. सरल योजना डोमेन में प्रयोग के माध्यम से आउर यथार्थवादी भौतिकी के साथ 3 डी अनुकरण ब्लॉक दुनिया के माध्यम से, हम इ प्रदर्शित करब कि इ सीखने के एल्गोरिथ्म एजेंट के दुनिया के गतिशीलता के प्रभावी ढंग से मॉडल करे के अनुमति देवेला. |
55c769b5829ca88ba940e0050497f4956c233445 | दृश्य ओडोमीटर के गहराई के जानकारी से बढ़ावल जा सकेला जइसे कि आरजीबी-डी कैमरा द्वारा दिहल गइल, या कैमरा से जुड़ल लिडार से. हालांकि, इ तरह के गहराई जानकारी सेंसर द्वारा सीमित करल जा सकेला, विजुअल छवियन में बड़ क्षेत्र छोड़के जहां गहराई उपलब्ध नइखे. इहा, हम कैमरा गति के पुनर्प्राप्ति में गहराई के उपयोग करे खातिर एगो तरीका प्रस्तावित करत बानी, भले ही ई बहुत कम उपलब्ध होखे. एकरे अलावा, ई तरीका पहिले से अनुमानित गति के उपयोग करके गति से संरचना द्वारा गहराई के उपयोग करेला, आउर प्रमुख दृश्य सुविधा जेकर गहराई उपलब्ध ना होला. एही से, इ विधि आरजीबीडी दृश्य ओडोमीटर के बड़ पैमाना पर, खुला वातावरण में बढ़ावे में सक्षम होला जहवाँ गहराई अक्सर पर्याप्त रूप से प्राप्त ना कइल जा सकेला. हमनी के तरीका के मूल एगो बंडल समायोजन चरण ह जवन कि बैच अनुकूलन में छवियन के क्रम के संसाधित करके गति अनुमान के समानांतर में परिष्कृत करेला. हम आपन तरीका के तीन गो सेंसर सेटअप में परखले बानी, एगो आरजीबी-डी कैमरा के इस्तेमाल करत, आ दू गो कैमरा आ थ्री डी लीडर के इस्तेमाल करत। हमनी के तरीका के केआईटीटीआई ओडोमेट्री बेंचमार्क पर #4 रेटिंग दिहल गइल बा, चाहे सेंसर के तरीका के तुलना स्टीरियो विजुअल ओडोमेट्री तरीका से कइल जाय, जवन त्रिभुज द्वारा गहराई के पता लगावेला। परिणामी औसत स्थिति त्रुटि यात्रा करल गइल दूरी के 1.14% बा. |
0c668ee24d58ecca165f788d40765e79ed615471 | |
9cccd211c9208f790d71fa5b3499d8f827744aa0 | शिक्षा संबंधी कई समस्या के समाधान शिक्षा संबंधी डेटा माइनिंग के माध्यम से कइल जाला, जवन कि डेटा माइनिंग के सभसे प्रचलित अनुप्रयोग हवे। ई पेपर के एगो महत्वपूर्ण लक्ष्य ई बा कि ईडीएम पर भइल सभसे हाल के काम के अध्ययन कइल जाय आ एकर फायदा आ नुकसान के विश्लेषण कइल जाय। ई पेपर सर्वेक्षण में शामिल लेख सभ में इस्तेमाल कइल गइल बिबिध डेटा माइनिंग प्रथा आ तकनीक सभ के संचयी परिणाम पर भी प्रकाश डालत बा आ ई तरीका से ईडीएम के बारे में भविष्य के दिशा के बारे में शोधकर्ता लोग के सुझाव देत बा। एकरे अलावा, भविष्य के शोध खातिर सबसे विश्वसनीय एल्गोरिदम के देखे खातिर कुछ वर्गीकरण आउर क्लस्टरिंग एल्गोरिदम के मूल्यांकन करे खातिर एगो प्रयोग भी कइल गइल रहे. |
197a7fc2f8d57d93727b348851b59b34ce990afd | एसआरआईएलएम सी++ लाइब्रेरी, एक्जीक्यूटेबल प्रोग्राम आ हेल्पर स्क्रिप्ट सभ के संग्रह हवे जे भाषण पहिचान आ अन्य एप्लीकेशन सभ खातिर स्टैटिस्टिकल लैंग्वेज मॉडल के निर्माण आ एकरे प्रयोग के अनुमति देवे खातिर बनावल गइल बा। गैर-वाणिज्यिक उद्देश्य खातिर एसआरआईएलएम मुफ्त में उपलब्ध बा. ई टूलकिट एन-ग्राम आँकड़ा सभ के आधार पर कई किसिम के भाषा मॉडल सभ के निर्माण आ मूल्यांकन के साथ-साथ कई ठो संबंधित काम, जइसे कि आँकड़ा संबंधी टैगिंग आ एन-बेस्ट लिस्ट आ वर्ड ग्रिड के हेरफेर के भी समर्थन करे ले। ई पेपर टूलकिट के कार्यक्षमता के सारांशित करेला आउर एकर डिजाइन आउर कार्यान्वयन पर चर्चा करेला, तेजी से प्रोटोटाइप, पुनः प्रयोज्य आउर उपकरण के संयोजन के आसानी पर प्रकाश डालता. |
12f661171799cbd899e1ff4ae0a7e2170c3d547b | सांख्यिकीय भाषा मॉडल भाषण मान्यता आउर दोसर भाषा प्रौद्योगिकी के उद्देश्य से विभिन्न प्राकृतिक भाषा घटना के वितरण के अनुमान लगावेला. 1980 में पहिला महत्वपूर्ण मॉडल के प्रस्तावित भइला के बाद से, कला के स्थिति में सुधार खातिर कई प्रयास कइल गइल बा. हम उनकर समीक्षा करीं, कुछ आशाजनक दिसा के ओर इशारा करीं, अउर डेटा के साथे भासाई सिद्धांत के एकीकरण खातिर बेयसन दृष्टिकोण के तर्क करीं. |
395f4b41578c3ff5139ddcf9e90eb60801b50394 | सीएमयू स्टैटिस्टिकल लैंग्वेज मॉडलिंग टूलकिट के निर्माण आ परीक्षण के सुगम बनावे खातिर बिग्राम आ ट्रिग्राम लैंग्वेज मॉडल के दोबारा से लीज पर लिहल गइल ई वर्तमान में दुनिया के 100 से ज्यादा देश में अकादमिक, सरकारी आ औद्योगिक प्रयोगशाला में इस्तेमाल हो रहल बा। ई पेपर टूलकिट के नया वर्जन के प्रस्तुत करे ला। टूलकिट में लागू परंपरागत लैंग्वेज मॉडलिंग टेक्नोलॉजी के रूपरेखा दिहल गइल बा आ एह टूलकिट के पहिले के सॉफ्टवेयर के तुलना में ई नया टूलकिट के दिहल अतिरिक्त क्षमता आ कार्यक्षमता के वर्णन कइल गइल बा। अंत में, एगो सरल लैंग्वेज मॉडल के निर्माण आ परीक्षण में टूलकिट के इस्तेमाल के समीक्षा कइल गइल बा। |
0b8f4edf1a7b4d19d47d419f41cde432b9708ab7 | हम सिलिकॉन से भरल एकीकृत वेव गाइड के निर्माण खातिर एगो तकनीक प्रस्तुत करत बानी जे कम नुकसान वाला उच्च-प्रदर्शन वाला मिलीमीटर-तरंग निष्क्रिय घटक आउर उच्च लाभ वाला सरणी एंटीना के प्राप्ति के सक्षम करेला, इ प्रकार अत्यधिक एकीकृत मिलीमीटर-तरंग सिस्टम के प्राप्ति के सुविधा प्रदान करेला. प्रस्तावित तकनीक में एल्युमिनियम धातुकरण के चरण के साथे गहरी प्रतिक्रियाशील आयन-एचिंग (डीआरआईई) तकनीक के उपयोग कइल जाला ताकि उच्च ज्यामितीय सटीकता आउर निरंतर धातु के किनार के दीवार के साथ आयताकार वेवगाइड के एकीकृत कइल जा सके. एकीकृत आयताकार वेव गाइड के माप परिणाम के 0. 15 डीबी/ एलजी के नुकसान के 105 गीगाहर्ट्ज पर देखावत बतावल गइल बा. एकरे अलावा, अल्ट्रा वाइडबैंड कॉप्लेनार से वेव गाइड के संक्रमण के वर्णन आ लक्षणिकरण कइल गइल बा जेवना में 105 गीगाहर्ट्ज पर 0.6 डीबी के सम्मिलन हानि होला आ 80 से 110 गीगाहर्ट्ज पर 15 डीबी से बेहतर रिटर्न हानि होला। एगो आवृत्ति स्कैनिंग स्लॉटेड-वेवगाइड एरे एंटीना के डिजाइन, एकीकरण आउर मापल गइल प्रदर्शन के रिपोर्ट कइल गइल बा, जे 23 गीगाहर्ट्ज के बैंड के भीतर 82 डिग्री के मापल गइल बीम स्टीयरिंग क्षमता आउर 96 गीगाहर्ट्ज पर 8.5 डिग्री के आधा-शक्ति बीम-चौड़ाई (एचपीबीडब्ल्यू) प्राप्त करेला. अंत में, कम लागत वाला मिमी-वेव सिस्टम लेवल एकीकरण के सुविधा प्रदान करे खातिर इ तकनीक के क्षमता के प्रदर्शित करे खातिर, इमेजिंग रडार अनुप्रयोग खातिर आवृत्ति-संयोजित निरंतर तरंग (एफएमसीडब्ल्यू) ट्रांसमिट-रिसीव आईसी सीधे एकीकृत सरणी पर फ्लिप-चिप लगावल जाला आउर प्रयोगात्मक रूप से विशेषता दिहल जाला. |
31864e13a9b3473ebb07b4f991f0ae3363517244 | इ पत्र किनारा के पता लगावे खातिर एगो कम्प्यूटेशनल दृष्टिकोण के वर्णन करेला. दृष्टिकोण के सफलता किनारा बिंदु के गणना खातिर लक्ष्य के एगो व्यापक सेट के परिभासा पर निर्भर करेला. इ लक्षन के समाधान के रूप के बारे में न्यूनतम धारणा बनावत समय डिटेक्टर के वांछित व्यवहार के सीमांकित करे खातिर पर्याप्त सटीक होवे के चाही. हम किनारन के एगो वर्ग खातिर पता लगावे आउर स्थानीयकरण मानदंड के परिभाषित करिला आउर ऑपरेटर आवेग प्रतिक्रिया पर कार्यात्मक के रूप में इ मानदंड खातिर गणितीय रूप के प्रस्तुत करिला. तब एगो तीसरका मानदंड जोड़ल जाला ताकि इ सुनिश्चित हो सके कि डिटेक्टर के एगो किनारा पर केवल एगो प्रतिक्रिया होखे. हम संख्यात्मक अनुकूलन में मानदंड के उपयोग कई सामान्य छवि सुविधा खातिर डिटेक्टर प्राप्त करे खातिर करेनी, जेमे चरण किनार शामिल बा. विश्लेषण के चरण किनारन में विशेषज्ञ बनावे पर, हमनी के पावेला कि पता लगावे आउर स्थानीयकरण प्रदर्शन के बीच एगो प्राकृतिक अनिश्चितता सिद्धांत बा, जे दु मुख्य लक्ष्य बा. इ सिद्धांत के साथ हम एगो एकल संचालक आकार प्राप्त कर सकिला जे कौनो भी पैमाना पर इष्टतम होला. इष्टतम डिटेक्टर में एगो साधारण अनुमानित कार्यान्वयन होला जेमे गॉसियन-सुथरा छवि के ग्रेडिएंट परिमाण में किनारन के अधिकतम पर चिह्नित कइल जाला. हम इ सरल डिटेक्टर के बिस्तार कई गो चौड़ाई के ऑपरेटर के उपयोग कइ के कई सिग्नल-टू-शोर अनुपात के चित्र में समायोजित करे खातिर कइनी. हम एगो सामान्य तरीका प्रस्तुत करब, जेकर विशेषता संश्लेषण कहल जाला, जे अलग-अलग पैमाना पर ऑपरेटर से सूचना के सूक्ष्म से मोटे एकीकरण खातिर होला. अंत में हम देखब कि चरण किनारा डिटेक्टर के प्रदर्शन में काफी सुधार होला काहे कि ऑपरेटर बिंदु फैलाव फलन के किनारा के साथे बढ़ा दिहल जाला. |
b41c45b2ca0c38a4514f0779395ebdf3d34cecc0 | |
7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e | चेहरा जटिल, बहुआयामी, अर्थपूर्ण दृश्य उत्तेजना के प्रतिनिधित्व करेला आउर चेहरा के पहचान खातिर कम्प्यूटेशनल मॉडल विकसित कइल मुश्किल बा [42]. हम एगो हाइब्रिड न्यूरल नेटवर्क समाधान प्रस्तुत करत बानी जवन कि अन्य विधियन के साथ अनुकूल तुलना करेला. ई प्रणाली स्थानीय छवि नमूनाकरण, एगो स्व-संगठित मानचित्र तंत्रिका नेटवर्क, आउर एगो संकुचन तंत्रिका नेटवर्क के संयोजन करेला. स्व-संगठित मानचित्र छवि नमूना के एगो स्थलीय स्थान में मात्रिकीकरण प्रदान करेला जहवाँ मूल स्थान में निकट के इनपुट आउटपुट स्थान में भी पास में होला, इ प्रकार छवि नमूना में मामूली परिवर्तन के आयामीकरण प्रतिबिंब आउर अपरिवर्तनीयता प्रदान करेला, आउर संवहन तंत्रिका नेटवर्क अनुवाद, घूर्णन, पैमाना आउर विरूपण के आंशिक अपरिवर्तनीयता प्रदान करेला. संवहन जाल काम परत के एगो पदानुक्रमित सेट में क्रमिक रूप से बड़हन विशेषता के निकालल जाला. हम आत्म-संगठित मानचित्र के जगह पर कारुनेन-लोएव परिवर्तन के उपयोग करके आउर संवर्तन नेटवर्क के जगह पर बहु-परत के परसेप्ट्रॉन के उपयोग करके परिणाम प्रस्तुत कर रहल बानी. कारुनेन-लोएव रूपांतरण लगभग भी अच्छा प्रदर्शन करेला (5.3% त्रुटि बनाम 3.8%). बहु-परत पर्सेप्ट्रोन बहुत खराब प्रदर्शन करेला (40% त्रुटि बनाम 3.8%). इ तरीका तेजी से वर्गीकरण क क्षमता बा, केवल तेज, अनुमानित सामान्यीकरण औरु पूर्व-प्रसंस्करण क आवश्यकता होखेला, औरु लगातार डेटाबेस पे इजेनफेस दृष्टिकोण [42] की तुलना में बेहतर वर्गीकरण प्रदर्शन प्रदर्शित करेला काहे से की प्रशिक्षण डेटाबेस में प्रति व्यक्ति छवियन क संख्या 1 से 5 तक भिन्न होखेला. प्रति व्यक्ति 5 इमेज के साथ प्रस्तावित विधि आउर एजेनफेस के परिणाम क्रमशः 3.8% आउर 10.5% त्रुटि में होला. मान्यता एकर आउटपुट में एगो आत्मविश्वास के माप प्रदान करेला आउर वर्गीकरण त्रुटि शून्य के करीब जाला जब केवल 10% उदाहरण के अस्वीकार कर देला. हमनी के ४० आदमी के ४०० तस्वीर के डेटाबेस के उपयोग करेनी जा जेमें व्यक्तित्व, मुद्रा, आ चेहरा के विवरण में काफी भिन्नता पावल जाले। हम गणनात्मक जटिलता के विश्लेषण करब आउर चर्चा करब कि प्रशिक्षित मान्यता में नया वर्ग कइसे जोड़ल जा सकेला. |
5dd9dc47c4acc9ea3e597751194db52119398ac6 | शिफ्ट रजिस्टर एगो प्रकार के अनुक्रमिक तर्क सर्किट होला जेकर उपयोग ज्यादातर डिजिटल डेटा के संग्रहीत करे या सिस्टम के सुरक्षा में सुधार खातिर रेडियो फ्रीक्वेंसी आइडेंटिफिकेशन (आरएफआईडी) अनुप्रयोग में बाइनरी नंबर के रूप में डेटा के स्थानांतरण खातिर कइल जाला. इ लेख में एगो नया फ्लिप-फ्लॉप के उपयोग करे वाला एगो बिजली-कुशल पल्स-ट्रिगर संरचना के उपयोग करे वाला एगो पावर-कुशल पारी के रजिस्टर प्रस्तुत कइल गइल बा. प्रस्तावित फ्लिप-फ्लॉप में उच्च प्रदर्शन आउर कम बिजली के विशेषता बा. ई पांच गो ट्रांजिस्टर, एगो सी-एलिमेंट, जे ऊपर-नीचे के रास्ता बनावे खातिर बा, आ एगो रखवाला स्टेज से बनल नमूना सर्किट हवे। गति के चारगो घडी वाला ट्रांजिस्टर के साथ-साथ एगो संक्रमण स्थिति तकनीक के निष्पादित करके बढ़ाल जाला. सिमुलेशन परिणाम इ बात के पुष्टि करेला कि प्रस्तावित टोपोलॉजी क्रमशः 22.7071 एनडब्ल्यू आउर 30.1997 एनडब्ल्यू के सबसे कम मात्रा में क्रमशः 22 μm2 चिप क्षेत्र के कवर करे वाला समानांतर-समानांतर में-बाहर (पीआईपीओ) आउर सीरियल-सीरियल-बाहर (एसआईएसओ) शिफ्ट रजिस्टर के खातिर बिजली के खपत करेला. कुल डिजाइन में खाली 16 ट्रांजिस्टर होला आउर इ 1.2 V बिजली आपूर्ति के साथ 130 एनएम पूरक-धातु-ऑक्साइड-सेमीकंडक्टर (सीएमओएस) तकनीक में अनुकरण कइल जाला. |
d76beb59a23c01c9bec1940c4cec1ca26e00480a | वायुसेना अनुसंधान प्रयोगशाला में दू गो ब्रेन-कंप्यूटर इंटरफेस (बीसीआई) के लागू कइल गइल बा जे स्थिर-स्थिति में दृश्य प्रतिक्रिया के कंप्यूटर प्रोग्राम या भौतिक उपकरण के संचालन खातिर नियंत्रण संकेत में बदल देवेला. एगो दृष्टिकोण में, संचालक मस्तिष्क प्रतिक्रिया के स्वयं-नियंत्रित करेलें; दूसर दृष्टिकोण कई गो प्रेरित प्रतिक्रिया के उपयोग करेला. |
8a65dc637d39c14323dccd5cbcc08eed2553880e | ई लेख दक्षिण अफ्रीका में जिला प्रबंधन के समर्थन खातिर स्वास्थ्य सूचना प्रणाली विकसित करे खातिर चल रहल एक्शन रिसर्च प्रोजेक्ट के प्रारंभिक अवधि (1994-2001) के वर्णन करे ला। बाद के रंगभेद वाला दक्षिण अफ्रीका में स्वास्थ्य क्षेत्र के पुनर्निर्माण स्वास्थ्य सेवा वितरण में समानता खातिर प्रयास कइल जा रहल बा आउर स्वास्थ्य जिला के आधार पर एगो विकेन्द्रीकृत संरचना के निर्माण कइल जा रहल बा. सूचना प्रणाली (आईएस) विकास के संदर्भ में, ई सुधार प्रक्रिया सूचना के संभाल के स्थानीय नियंत्रण आउर एकीकरण के बढ़ाके नया दक्षिण अफ्रीका के लक्ष्य के प्रतिबिंबित करे वाला तरीका से स्वास्थ्य डेटा के मानकीकरण में अनुवाद करेला. हम कार्रवाई अनुसंधान के आपन दृष्टिकोण के वर्णन करब आउर मामला के सामग्री के विश्लेषण करे में अभिनेता-नेटवर्क आउर संरचना सिद्धांत से अवधारणा के उपयोग करब. आईएस विकास के प्रक्रिया के विस्तृत विवरण आउर विश्लेषण में, हम मानकीकरण आउर स्थानीय लचीलापन (स्थानीयकरण) के संतुलन के जरूरत पर ध्यान केंद्रित करब; मानकीकरण के अतने देखल जाला कि नीचे से ऊपर तक असमान अभिनेता के एगो सरणी के संरेखण. सूचना प्रणाली के सामाजिक प्रणाली मॉडल पर आधारित, हमनी के आईएस डिजाइन रणनीति के अवधारणा के रूप में विकसित आउर उपयोग करल जाला, जे प्रक्रिया के खेती के रूप में उपयोग करल जाला, जउने से ई अभिनेता आपन हित के अनुवाद आउर संरेखित कर रहल बाड़ें. हमनी के वैश्विक आ स्थानीय डेटासेट के एगो मॉड्यूलर पदानुक्रम के विकास करे के बा जेकरा के एगो अइसन ढांचा के रूप में इस्तेमाल कइल जा सके ला जेह में मानकीकरण आ स्थानीयकरण के बीच के तनाव के समझल जा सके आ ओकर समाधान कइल जा सके। अंत में, दोसर देश में अनुसंधान के परिणाम के संभावित प्रासंगिकता पर चर्चा करल जाला. |
600434c6255c160b53ad26912c1c0b96f0d48ce6 | रैंडम फ़ॉरेस्ट एगो कम्प्यूटेशनल रूप से कुशल तकनीक बा जे बड़ डेटासेट पर तेजी से काम कर सकेला. एकर उपयोग हाल के कई रिसर्च प्रोजेक्ट में आ कई तरह के क्षेत्र में वास्तविक दुनिया के अनुप्रयोग में कइल गइल बाटे। हालाँकि, संबंधित साहित्य लगभग कौनो दिशानिर्देश प्रदान ना करेला कि यादृच्छिक वन बनावे खातिर केतना पेड़ के उपयोग कइल जाए के चाहीं. इ रिसर्च में इ बात के विश्लेषण कइल गइल बा कि का रैंडम फॉरेस्ट के भीतर पेड़न के इष्टतम संख्या बा, यानी एगो सीमा जेकरा से पेड़न के संख्या में वृद्धि से प्रदर्शन में कौनो महत्वपूर्ण लाभ ना होई, आउर केवल गणना लागत में वृद्धि होई. हमनी के मुख्य निष्कर्ष ई बा कि पेड़न के संख्या में बढ़ोतरी के मतलब हमेशा ई ना होला कि जंगल के प्रदर्शन पहिले के जंगल (कम पेड़) के तुलना में काफी बेहतर बा, आउर पेड़न के संख्या के दोगुना करे के कौनो मतलब नइखे. ई भी कहल संभव बा कि एगो सीमा बा जेकरा से आगे कौनो महत्वपूर्ण लाभ ना होला, जब तक कि एगो बड़हन संगणनात्मक वातावरण उपलब्ध ना होखे. एकरे अलावा, कौनो भी जंगल में पेड़न के संख्या के दोगुना करे पर एयूसी लाभ खातिर प्रयोगात्मक संबंध पावल गइल रहे. एकरे अलावा, जइसे-जइसे पेड़न क संख्या बढ़त जाला, एट्रिब्यूट क पूरा सेट एगो रैंडम फॉरेस्ट के भीतर उपयोग करल जाला, जवन जैव चिकित्सा डोमेन में दिलचस्प नाही हो सकेला. एकरे अलावा, डेटासेट में घनत्व-आधारित मैट्रिक्स के कैप्चर कइल जा सके ला, जे कि निर्णय के पेड़ पर वीसी आयाम के कुछ पहलु के कैप्चर करे ला, आ कम घनत्व वाला डेटासेट में बड़हन क्षमता वाला मशीन के जरूरत हो सके ला जबकि एकर उल्टा भी सही लउके ला। |
4cbadc5f4afe9ac178fd14a6875ef1956a528313 | पिछला कई साल में प्रौद्योगिकी में भइल प्रगति से छोट सेंसर नोड्स के बाकी इंटरनेट से वायरलेस संचार संभव हो गइल. एह उपलब्धि के साथ अइसन आईपी-सक्षम वायरलेस सेंसर नेटवर्क (आईपी-डब्ल्यूएसएन) के सुरक्षित करे के सवाल उभरल आउर तब से ई एगो महत्वपूर्ण शोध विषय रहल बा. ई थीसिस में हम कॉन्टिकी ऑपरेटिंग सिस्टम खातिर एगो पूर्व-साझा कुंजी सिफर सूट (टीएलएस पीएसके विथ एईएस 128 सीसीएम 8) के उपयोग करके टीएलएस आउर डीटीएलएस प्रोटोकॉल के कार्यान्वयन के चर्चा करब. कॉन्टिकी ओएस द्वारा समर्थित प्रोटोकॉल के सेट में एगो नया प्रोटोकॉल जोड़ले के अलावा, इ परियोजना हमनी के इ मूल्यांकन करे के अनुमति देवेला कि आईपी-डब्ल्यूएसएन खातिर परिवहन-स्तर सुरक्षा आउर पूर्व-साझा कुंजी प्रबंधन योजना कतना उपयुक्त बा. |
0ab99aa04e3a8340a7552355fb547374a5604b24 | कई निदान कार्य में असामान्यता के पता लगावे आउर समय के साथे माप आउर परिवर्तन के मात्रा के मापे खातिर प्रारंभिक खोज प्रक्रिया के आवश्यकता होला. कम्प्यूटरीकृत उपकरण, विसेस रूप से छवि विश्लेषण आउर मशीन लर्निंग, निदान के सुधारे खातिर महत्वपूर्ण समर्थक हवें, जउने निदान के पहचान के सुविधा देवे के खातिर उपचार के आवश्यकता होला आउर विशेषज्ञ के कार्यप्रवाह के समर्थन करे खातिर. एह सब उपकरणन में, गहन सीख तेजी से अत्याधुनिक आधार साबित हो रहल बा, जवन कि बेहतर सटीकता के ओर ले जा रहल बा. एहसे डेटा के विश्लेषण में भी नया सीमा खोलल गइल बा, जेकर पहिले कभी दर ना रहे। ईईपी सीखल सामान्य डेटा विश्लेषण में एगो बढ़त प्रवृत्ति ह आउर एकरा के 2013 के 10 क्रांतिकारी तकनीक में से एक कहल गइल बा [1]। डीप लर्निंग आर्टिफिशियल न्यूरल नेटवर्क के एगो सुधार ह, जेमे अधिक परत होला जे उच्च स्तर के अमूर्तता आउर डेटा से बेहतर भविष्यवाणी के अनुमति देवेला [2]. आज तक, इ सामान्य इमेजिंग आउर कंप्यूटर विजन डोमेन में अग्रणी मशीन-लर्निंग उपकरण के रूप में उभर रहल बा. विसेस रूप से, संवहन तंत्रिका नेटवर्क (सीएनएन) कंप्यूटर विजन कार्य के एगो विस्तृत श्रृंखला खातिर शक्तिशाली उपकरण साबित भइल बा. डीप सीएनएन स्वचालित रूप से कच्चा डेटा (जइसे, छवियों) से प्राप्त मध्य-स्तर आउर उच्च-स्तर के अमूर्तता सीखेलन. हाल के नतीजा ई बतावेला कि सीएनएन से निकालल गइल जेनेरिक डिस्क्रिप्टर प्राकृतिक छवियन में वस्तु मान्यता आउर स्थानीयकरण में बहुत प्रभावी बा. दुनिया भर में चिकित्सा चित्र विश्लेषण समूह तेजी से क्षेत्र में प्रवेश कर रहल बा आउर सीएनएन आउर अन्य गहरी सीखने के पद्धति के कई प्रकार के अनुप्रयोग में लागू कर रहल बा. आशाजनक परिणाम सामने आ रहल बा। चिकित्सा इमेजिंग में, रोग के सही निदान आउर/या आकलन इमेज अधिग्रहण आउर इमेज व्याख्या दुनों पर निर्भर करेला. हाल के साल में इमेज अधिग्रहण में काफी सुधार भइल बा, डिवाइस सभ तेजी से डेटा हासिल करे लें आ रिज़ॉल्यूशन बढ़ावल जा सके ला। हालाँकि, हाल में ही कंप्यूटर तकनीक से छवि व्याख्या के प्रक्रिया के लाभ मिले के शुरुआत भइल बा. चिकित्सा छवियन के जादातर व्याख्या चिकित्सक द्वारा कइल जाला; हालांकि, मानव द्वारा छवियन के व्याख्या एकर व्यक्तिपरकता, दुभाषियन में बड़ अंतर आउर थकान के कारण सीमित बा. |
5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70 | बिना देखरेख वाला छवि अनुवाद, जेकर उद्देश्य छवियन के दू गो स्वतंत्र सेट के अनुवाद कइल बा, बिना जोड़े वाला डेटा के सही पत्राचार के खोज में चुनौती बा. वर्तमान में बनल रचना सभ उत्पत्ती विरोधी नेटवर्क (GAN) पर आधारित बाड़ी सऽ, जेह में अनुवादित छवियन के वितरण लक्ष्य समूह के वितरण से अलग नइखे। हालाँकि, अइसन सेट-स्तर के बाधा इंस्टेंस-स्तर के पत्राचार (जइसे कि ऑब्जेक्ट ट्रांसफिगरेशन कार्य में समन्वित अर्थिक भाग). इ सीमा के परिणामस्वरूप अक्सर गलत सकारात्मक (जैसे कि ज्यामितीय या अर्थ संबंधी कलाकृतियाँ), आउर आगे मोड पतन समस्या के तरफ ले जाला. उपरोक्त मुद्दा के संबोधित करे खातिर, हम डीप अटेंशन गैन (डीए-गैन) द्वारा उदाहरण-स्तर के छवि अनुवाद खातिर एगो नया ढांचा प्रस्तावित कर रहल बानी. अइसन डिजाइन डीए-जीएएन के दू सेट से नमूना के अनुवाद के कार्य के एगो उच्च-संरचित लुप्त स्थान में अनुवाद के उदाहरण में विघटित करे में सक्षम बनावेला. विशेष रूप से, हमनी के मिल के एगो गहिरा ध्यान एन्कोडर सीखनी, आउर उदाहरण-स्तर के पत्राचार के नतीजा के रूप में सीखे गए उदाहरण पर भाग ले के खोजल जा सकेला. एही से, सेट-स्तर आउर उदाहरण-स्तर दुनों पर प्रतिबंध के फायदा उठावल जा सकेला. कई अत्याधुनिक प्रथा के तुलना से हमनी के दृष्टिकोण के श्रेष्ठता के प्रदर्शन होला, आउर व्यापक अनुप्रयोग क्षमता, उदाहरन खातिर, पोज मॉर्फिंग, डेटा एग्मेंटेशन, आदि, डोमेन अनुवाद समस्या के सीमा के धकेल देला. |
f1526054914997591ffdb8cd523bea219ce7a26e | एह साल मार्च में, अमेरिकन स्टैटिस्टिकल एसोसिएशन (एएसए) पी-वैल्यू के सही उपयोग पर एगो बयान जारी कइलस, एह बात के जवाब में कि पी-वैल्यू के गलत इस्तेमाल कइल जा रहल बा आ गलत व्याख्या कइल जा रहल बा। हमार मकसद एएसए द्वारा दिहल गइल इ चेतावनी के भाषा में अनुवाद कइल बा जेकर उपयोग क्लिनिकियन आउर शोधकर्ता द्वारा सांख्यिकी में गहन पृष्ठभूमि के बिना आसानी से समझल जा सके। एकरे अलावा, हम पी-मान के सीमा के स्पष्ट करे के इरादा रखले बानी, भले ही एकर उपयोग आउर व्याख्या सही तरह से कइल गइल होखे, आउर उदाहरण के रूप में हाल ही में रिपोर्ट कइल गइल दुगो अध्ययन के उपयोग करके अध्ययन के निष्कर्ष के नैदानिक प्रासंगिकता पर जादा ध्यान आकर्षित करे के इरादा रखले बानी. हमार तर्क बा कि पी-वैल्यू के अक्सर गलत व्याख्या कइल जाला. एगो आम गलती ई कहे के बा कि P < 0.05 के मतलब बा कि शून्य परिकल्पना गलत बा, आउर P ≥0.05 के मतलब बा कि शून्य परिकल्पना सत्य बा. 0.05 के पी-मान के सही व्याख्या इ बा कि अगर शून्य परिकल्पना वास्तव में सत्य रहे, त समान या अधिक चरम परिणाम समान नमूना में अध्ययन के दोहरावे पर 5% समय में होई. दूसर शब्द में, पी-मान शून्य परिकल्पना के आधार पर डेटा के संभावना के बारे में सूचित करेला आउर दूसर तरीका से ना. पी-मान से संबंधित एगो संभावित विकल्प विश्वास अंतराल (सीआई) होला. इ प्रभाव के परिमाण आउर अनिश्चितता पर अधिक जानकारी प्रदान करेला जेकर साथ इ प्रभाव के अनुमान लगावल गइल रहे. हालाँकि, पी-वैल्यू के बदले आउर वैज्ञानिक परिनाम के गलत व्याख्या के रोके खातिर कउनो जादुई गोली ना होला. वैज्ञानिकन आउर पाठक लोगन के समान रूप से सांख्यिकीय परीक्षण, पी-मूल्य आउर सीआई के सही, बारीक व्याख्या से खुद के परिचित करे के चाही. |
50ca90bc847694a7a2d9a291f0d903a15e408481 | हम लोग मानव इशारा के पहिचान खातिर एगो सामान्यीकृत दृष्टिकोण के प्रस्ताव करत बानी जे कई गो डेटा तरीका पर आधारित बा जइसे कि गहराई वाला वीडियो, स्पष्ट मुद्रा आ भाषण। हमनी के प्रणाली में, हर इशारा के बड़ पैमाना पर शरीर के गति में विघटित कइल जाला आउर स्थानीय सूक्ष्म गति जइसे हाथ के अभिव्यक्ति. बहु-मानक पर सीखे के विचार के समसामयिक आयाम पर भी लागू कइल जाला, जइसे कि एगो इशारा के विशेषता गति आवेग, या गतिशील मुद्रा के सेट के रूप में मानल जाला. प्रत्येक मोडलिटी के पहिले छोट स्थानिक-समयिक ब्लॉक में अलग से संसाधित कइल जाला, जहां विभेदक डेटा-विशिष्ट विशेषता के या त मैन्युअल रूप से निकालल जाला या सीखा जाला. अंत में, हम एगो आवर्ती तंत्रिका नेटवर्क के उपयोग कर के बड़ पैमाना पर काल संबंधी निर्भरता, डेटा संलयन आउर अंततः इशारा वर्गीकरण के मॉडलिंग करे खातिर करीलें. 2013 के मल्टीमोडल जेश्चर रिकग्निशन डेटासेट पर हमनी के प्रयोग से ई पता चलल बा कि कई स्थानिक आ समय संबंधी पैमाना पर कई गो तरीका के इस्तेमाल से परफॉर्मेंस में काफी बढ़ोतरी होला, जवन कि मॉडल के अलग-अलग वर्गीकरण के गलतियन के साथ-साथ अलग-अलग चैनल में शोर के भरपाई करे के अनुमति देला. |
586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6 | हम विरल विशेषता डिटेक्टरन के एगो पदानुक्रम के सीखे खातिर एगो अनसुरीक्षित विधि प्रस्तुत करत बानी जे छोट बदलाव आउर विकृति के खातिर अपरिवर्तनीय होला. परिणामी सुविधा निकाले वाला में कई गो गोलन फिल्टर होला, एकरे बाद एगो सुविधा-पूलिंग परत होला जे कि समीप खिड़की के भीतर प्रत्येक फिल्टर आउटपुट के अधिकतम के गणना करेला, आउर एगो बिंदु-वार सिग्मोइड गैर-रैखिकता होला. पहिला स्तर से विसेसता के पैच पर समान एल्गोरिथ्म के प्रशिक्षण देके बड़ आउर अधिक अपरिवर्तनीय विसेसता के दूसर स्तर प्राप्त कइल जाला. इ सुविधा पर एगो पर्यवेक्षित वर्गीकरन के प्रशिक्षण MNIST पर 0.64% त्रुटि आउर कैल्टेक 101 पर प्रति श्रेणी 30 प्रशिक्षण नमूना के साथ 54% औसत मान्यता दर देवेला. जबकि परिणामी आर्किटेक्चर कन्वॉल्यूशनल नेटवर्क के समान बा, लेयर-वाइज अनसुपरवाइज्ड ट्रेनिंग प्रक्रिया विशुद्ध रूप से पर्यवेक्षित लर्निंग प्रक्रिया के परेशान करे वाला ओवर-पैरामेट्रिकेशन समस्या के कम करेला, आउर बहुत कम लेबल कइल गइल प्रशिक्षण नमूना के साथ अच्छा प्रदर्शन करेला. |
80bcfbb1a30149e636ff1a08aeb715dad6dd9285 | 0.15μm GaN HEMT प्रक्रिया प्रौद्योगिकी क उपयोग करत दु उच्च दक्षता Ka-बैंड पावर एम्पलीफायर MMIC क डिजाइन औरु प्रदर्शन प्रस्तुत कईल गयल रहे. तीन चरण के संतुलित एम्पलीफायर खातिर मापल गइल इन-फिक्स्चर कंटीन्यूअस वेव (सीडब्ल्यू) परिणाम 30 गीगाहर्ट्ज पर 11 वाट आउटपुट पावर आउर 30% पावर एडेड एफिशिएंसी (पीएई) के प्रदर्शन करेला. तीन-चरण के एकल-अंत डिजाइन 6W से अधिक आउटपुट पावर आउर 34% तक पीएई उत्पन्न कइलस. संतुलित आउर एकल-अंत MMICs खातिर मरहम के आकार क्रमशः 3.24 × 3.60mm2 आउर 1.74 × 3.24mm2 बा. |
284de726e700a6c52f9f8fb9f3de4d4b0ff778bb | पुनरावर्ती तंत्रिका नेटवर्क (आरएनएन) स्वाभाविक रूप से भाषण मान्यता खातिर उपयुक्त बा काहे कि ऊ गतिशील रूप से बदलल जाए वाली समसामयिक जानकारी के उपयोग करे के क्षमता रखेलें. डीप आरएनएन के बारे में तर्क दिहल गइल बा कि ऊ अलग-अलग समय के बारीकियन पर समसामयिक संबंधन के मॉडल करे में सक्षम होला, लेकिन गायब होखे वाली ढाल के समस्या से ग्रस्त होला. इ पेपर में, हम ग्रिड LSTM ब्लॉक क उपयोग कइके स्टैक्ड लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) RNNs क विस्तार करेने जवन कि गणना क फार्मूला न केवल समसामयिक आयाम, बल्कि गहराई आयाम के साथे भी करेले, ताकि इ समस्या के कम कईल जा सके. एकरे अलावा, हम गहराई के आयाम के समय के आयाम से ऊपर प्राथमिकता देले बानी ताकि गहराई के आयाम के बारे में अधिक अद्यतन जानकारी मिल सके, काहे कि एकरे आउटपुट के उपयोग वर्गीकरण खातिर कइल जाई। हम इ मॉडल के प्राथमिकता वाला ग्रिड LSTM (pGLSTM) कहल जाला. चार गो बड़ डेटासेट (एएमआई, एचकेयूएसटी, गेल आउर एमजीबी) पर व्यापक प्रयोग से पता चलेला कि पीजीएलएसटीएम वैकल्पिक डीप एलएसटीएम मॉडल के बेहतर करेला, स्टैक्ड एलएसटीएम के 4% से 7% सापेक्ष सुधार के साथ हरावेला, आउर सभी डेटासेट पर एक-दिशात्मक मॉडल के बीच नया बेंचमार्क प्राप्त करेला. |
Subsets and Splits