_id
stringlengths 40
40
| text
stringlengths 0
9.62k
|
|---|---|
45c56dc268a04c5fc7ca04d7edb985caf2a25093 | अलग-अलग संभावना वितरण के साथ सामान्य पैरामीटर अनुमान विधि प्रस्तुत करेला, जे पाठ मॉडलिंग में विशेष रुचि के बाटे. अधिकतम संभावना, बाद में आउर बेयसन अनुमान से शुरू होके, संयुग्मित वितरण आउर बेयसन नेटवर्क जइसन केंद्रीय अवधारणा के समीक्षा कइल जाला. एगो अनुप्रयोग के रूप में, लुप्त डायरिचलेट आवंटन (एलडीए) के मॉडल के गिब्स नमूनाकरण पर आधारित अनुमानित अनुमान एल्गोरिथ्म के पूर्ण व्युत्पन्न के साथ विस्तार से समझावल गइल बा, जेमे डायरिचलेट हाइपरपैरामीटर अनुमान के चर्चा शामिल बा. इतिहासः संस्करण 1: मई 2005, संस्करण 2.4: अगस्त 2008 में भइल. |
9e463eefadbcd336c69270a299666e4104d50159 | |
2e268b70c7dcae58de2c8ff7bed1e58a5e58109a | ई लेखक के डायनामिक प्रोग्रामिंग एंड ऑप्टिमाइज़्ड कंट्रोल, वॉल्यूम, के अध्याय 4 के अद्यतन संस्करण बाटे. II, चौथा संस्करण, एथेना साइंटिफिक, 2012 एहमें नया सामग्री सामिल बा, आ ई काफी हद तक संशोधित आ बिस्तारित बा (इकर आकार दुगुना से भी ज्यादा हो गइल बा). नया सामग्री के उद्देश्य कई मॉडल के एकीकृत उपचार प्रदान करल बा, जेकरा में से सभे में अनुबंधात्मक संरचना के कमी बा जवन अध्याय 1 आउर 2 के छूटित समस्या के विशेषता बा: सकारात्मक आउर नकारात्मक लागत मॉडल, निर्धारक इष्टतम नियंत्रण (अनुकूली डीपी सहित), स्टोकास्टिक सबसे कम पथ मॉडल, आउर जोखिम-संवेदनशील मॉडल. एमें नया सामग्री के सारांश दिहल जा रहल बाः |
6d596cb55d99eae216840090b46bc5e49d7aeea5 | हम रैखिक प्रणालियन के हल खातिर प्रासंगिक घन मैट्रिक्स गुणनखंडन में तथाकथित लुक-आउट तंत्र के लागू करे पर मिलल भार असंतुलन के दूर करे खातिर दू गो उपन्यास तकनीक के प्रस्ताव देले बानी. दुनों तकनीक अइसन परिदृश्य के लक्षित करेली जहवां दो धागा टीम के फैक्टरिंग के दौरान बनावल/सक्रिय कइल जाला, जहवां प्रत्येक टीम निष्पादन के एगो स्वतंत्र कार्य/शाखा के करे के प्रभारी होला. पहिला तकनीक दु कार्य के बीच कार्यकर्ता साझाकरण (डब्ल्यूएस) के बढ़ावा देवेला, जे काम के धागा के अनुमति देवेला जवन पहिला काम के पूरा करेला, ओकर उपयोग महंगे काम द्वारा करे खातिर पुनर्वितरित कइल जा सकेला. दूसर तकनीक एगो तेज कार्य के पूरा करे के धीमा कार्य के सचेत करे के अनुमति देवेला, दूसर कार्य के प्रारंभिक समापन (ईटी) के लागू करेला, आउर अगला पुनरावृत्ति में कारककरण प्रक्रिया के सुचारू संक्रमण करेला. दुनो तंत्र के उदाहरण के रूप में मूल रैखिक बीजगणित उपप्रोग्राम के एगो नया निम्मन धागा-स्तर के कार्यान्वयन के माध्यम से दिहल गइल बा आउर ओकर लाभ के आंशिक धुरीकरण के साथ LU गुणनखंडन के कार्यान्वयन के माध्यम से देखावल गइल बा. ठोस रूप से, 12 कोर के साथ इंटेल-एक्सियन सिस्टम पर हमनी के प्रयोगात्मक परिणाम WS+ET के संयोजन के लाभ के देखावत बा, जवन कि टास्क-समानांतर रनटाइम-आधारित समाधान के तुलना में प्रतिस्पर्धी प्रदर्शन के रिपोर्ट करत बा. |
7157dda72073ff66cc2de6ec5db056a3e8b326d7 | 25 26 27 28 29 30 31 32 33 34 35 36 लेख के इतिहासः 13 फरवरी 2012 के प्राप्त भइल 18 मार्च 2013 के संशोधित रूप में प्राप्त भइल 4 अप्रैल 2013 के स्वीकार कइल गइल ऑनलाइन उपलब्ध xxxx |
66903e95f84767a31beef430b2367492ac9cc750 | ई लेख 18 साल के उमिर तक के 1,000 से ढेर न्यूजीलैंड के लइकन के जन्म के समय के अध्ययन में बाल यौन शोषण (सीएसए) के प्रसार, संबंध, आ परिणाम के बारे में बतावे वाला लेख के श्रृंखला में दुसरका बा। इ लेख 18 साल की उमर में सीएसए के रिपोर्ट आउर 18 साल की उमर में डीएसएम-IV नैदानिक वर्गीकरण के बीच संघन के जांच करेला. विधि न्यूजीलैंड के बच्चा कुल के एगो जन्म समूह के जन्म से लेके 16 साल के उमर तक के सालाना अंतराल पर अध्ययन कइल गइल. 18 साल के उमर में 16 साल के उमर से पहिले के सीएसए के पीछे के रिपोर्ट आउर एक साथ मनोवैज्ञानिक लक्षण के मापल गइल रहे. परिणाम जे लोग सीएसए के रिपोर्ट कइलन, ऊ लोग के तुलना में गंभीर अवसाद, चिंता विकार, व्यवहार विकार, मादक पदार्थ के सेवन के विकार, आउर आत्महत्या व्यवहार के दर जादा रहे (पी <. 002). सीएसए के सीमा आउर विकार के जोखिम के बीच सुसंगत संबंध रहल, जउने में संभोग से संबंधित सीएसए के रिपोर्ट करे वालन के विकार के सबसे अधिक जोखिम रहे. जब परिनाम के भविष्य के मापल बाल्यकाल के परिवार आउर संबंधित कारक के खातिर समायोजित कइल गइल त ई परिनाम बनल रहल. सीएसए आउर गैर-समान रूप से मापल गयल विकार के बीच समान लेकिन कम स्पष्ट संबंध पावल गयल रहे. निष्कर्ष ई बतावेला कि सीएसए, आउर विशेष रूप से गंभीर सीएसए, युवा वयस्कों में मनोवैज्ञानिक विकार के बढ़ल जोखिम से जुड़ल रहे, भले ही संभावित रूप से मापल गइल भ्रमित कारक के खातिर समुचित भत्ता दिहल गइल रहे. |
8df383aae16ce1003d57184d8e4bf729f265ab40 | एगो नया माइक्रोस्ट्रिप-लाइन-फीड वाइडबैंड सर्कुलरली पोलराइज्ड (सीपी) एनुलर-रिंग स्लॉट एंटीना (एआरएसए) के डिजाइन के प्रस्ताव दिहल गइल बा. मौजूदा रिंग स्लॉट एंटेना के तुलना में, इहाँ डिजाइन कइल गइल एआरएसए में बहुत बड़ सीपी बैंडविड्थ होला. प्रस्तावित डिजाइन के मुख्य विशेषता में एगो चौड़ा रिंग स्लॉट, एक जोड़ी ग्राउंडेड टोपी के आकार के पैच, आउर एगो विकृत घुमावदार फीडिंग माइक्रोस्ट्रिप लाइन शामिल बा. एल और एस बैंड में एफआर4 सब्सट्रेट क उपयोग कईके डिजाइन कईल गईल एआरएसए में 3-डीबी अक्षीय-अनुपात बैंडविड्थ (एआरबीडब्ल्यू) क्रमशः 46% और 56% तक बड़ होला, जबकि एल बैंड में आरटी5880 सब्सट्रेट क उपयोग करे वाला में 65% होला. इ 3-डीबी अक्षीय-अनुपात बैंड में, वीएसडब्ल्यूआर ≤ 2 के साथ प्रतिबाधा मिलान भी प्राप्त होला. |
95e873c3f64a9bd8346f5b5da2e4f14774536834 | एगो सब्सट्रेट इंटीग्रेटेड वेव गाइड (SIW) एच-प्लेन सेक्टोरल हॉर्न एंटीना, जेकर बैंडविड्थ में काफी सुधार भइल बा, प्रस्तुत कइल गइल बा. परिचालन बैंडविड्थ के बढ़ावे खातिर बहुपरत सब्सट्रेट के अंदर साइड फ्लेयरड दीवार पर वीआस के एगो सरल व्यवस्था से बनल एगो कॉनफ्रेड रिज के लगावल जाला. एंटीना संरचना खातिर प्रसारित तरंग प्रदान करे खातिर एगो सरल फीड कॉन्फ़िगरेशन के सुझाव दिहल गइल बा. प्रस्तावित एंटीना के अनुकरण दू गो प्रसिद्ध फुल-वेव पैकेज, एनसॉफ्ट एचएफएसएस आउर सीएसटी माइक्रोवेव स्टूडियो द्वारा कइल गइल बा, जे अलग-अलग संख्यात्मक विधि पर आधारित बा. सिमुलेशन परिणाम के बीच घनिष्ठ समझौता प्राप्त कइल गइल बा. डिजाइन कइल गइल एंटीना में अच्छा विकिरण विशेषता हवे आ 18-40 गीगाहर्ट्ज के पूरा फ्रीक्वेंसी रेंज में कम वीएसडब्ल्यूआर, 2.5 से कम के दर से काम करेला। |
12a376e621d690f3e94bce14cd03c2798a626a38 | इ पेपर विजुअल ऑब्जेक्ट डिटेक्शन खातिर एगो मशीन लर्निंग दृष्टिकोण के वर्णन करेला जवन छवियन के बहुत तेजी से संसाधित करे में सक्षम होला आउर उच्च डिटेक्शन दर प्राप्त करेला. ई काम तीन गो मुख्य योगदान से अलग बाटे। पहिला इ बा कि एगो नया चित्र के प्रतिनिधित्व के परिचय दिहल गइल जेकरा के इंटीग्रल इमेज कहल जाला जवन हमनी के डिटेक्टर द्वारा उपयोग कइल जाए वाला सुविधा के बहुत जल्दी से गणना करे के अनुमति देवेला. दूसरा एगो सीखल जाए वाला एल्गोरिथ्म बा, जवन कि AdaBoost पर आधारित बा, जवन कि बड़हन सेट से कम संख्या में महत्वपूर्ण दृश्य सुविधा के चुनले बा आउर अत्यधिक कुशल वर्गीकरण करे वाला पैदा करेला. तीसर योगदान एगो कैस्केड में तेजी से जादे जटिल वर्गीकरन के संयोजन के एगो तरीका बा जे प्रतिबिंब के पृष्ठभूमि क्षेत्र के जल्दी से छोड़ देवे के अनुमति देवेला जबकि आशाजनक वस्तु-जैसन क्षेत्र पर अधिक गणना खर्च करेला. कैस्केड के वस्तु-विशिष्ट फोकस-ऑफ-एटेंशन तंत्र के रूप में देखल जा सकेला जवन पिछला दृष्टिकोण के विपरीत सांख्यिकीय गारंटी प्रदान करेला कि छोड़ल गइल क्षेत्र में रुचि के वस्तु के होखे के संभावना ना होला. चेहरा के पता लगावे के क्षेत्र में इ प्रणाली पिछला सबसे बढ़िया प्रणालियन के तुलना में पता लगावे के दर प्रदान करेला. वास्तविक समय के अनुप्रयोग में इस्तेमाल होखे वाला डिटेक्टर प्रति सेकंड 15 फ्रेम पर काम करेला, बिना इमेज डिफरेंसिंग या त्वचा के रंग के पता लगावे के जरूरत होला. |
51f0e3fe5335e2c3a55e673a6adae646f0ad6e11 | समाजशास्त्री लोग अक्सर सामाजिक प्रक्रिया के चर के बीच के अंतःक्रिया के रूप में मॉडल करेलन. हम एगो वैकल्पिक दृष्टिकोण के समीक्षा करेनी जवन सामाजिक जीवन के अनुकूली एजेंट के बीच बातचीत के रूप में मॉडल करेला जे एक दूसरे के प्रभावित करेला जवन कि उनकरा द्वारा प्राप्त प्रभाव के जवाब में होला. ई एजेंट-आधारित मॉडल (एबीएम) देखावलन कि कइसे सरल आउर अनुमानित स्थानीय बातचीत परिचित लेकिन रहस्यमय वैश्विक पैटर्न उत्पन्न कर सकेला, जइसे कि सूचना के प्रसार, मानदंड के उद्भव, सम्मेलन के समन्वय, या सामूहिक कार्रवाई में भागीदारी. उभरल सामाजिक पैटर्न भी अप्रत्याशित रूप से दिखाई दे सकेला आउर फिर बस नाटकीय रूप से बदल सकेला या गायब हो सकेला, जइसन कि क्रांति, बाजार में गिरावट, फैशन, आउर भोजन के उन्माद में होला. एबीएम सैद्धांतिक लाभ प्रदान करेला जहां रुचि के वैश्विक पैटर्न व्यक्तिगत गुण के एकत्रीकरण से अधिक होला, लेकिन साथ ही, उभरता हुआ पैटर्न संबंधात्मक स्तर पर माइक्रोफाउंडेशन के नीचे से ऊपरी गतिशील मॉडल के बिना समझ में ना आवेला. हम कम्प्यूटेशनल समाजशास्त्र में कारकों से अभिनेताओं में बदलाव के एगो संक्षिप्त ऐतिहासिक स्केच से शुरू करब जवन ई देखावेला कि एजेंट-आधारित मॉडलिंग कंप्यूटर सिमुलेशन के पहिले के समाजशास्त्रीय उपयोग से मौलिक रूप से कइसे अलग बा. फेर हमनी के हाल के योगदान के समीक्षा करब जा जे सामाजिक संरचना आ सामाजिक व्यवस्था के स्थानीय संपर्क से बाहर निकलले पर केंद्रित बा. हालाँकि समाजसास्त्र एह नया पद्धति के सराहे में अन्य सामाजिक विज्ञान से पीछे बा, हमनी के द्वारा समीक्षा कइल गइल लेख में एगो विशिष्ट समाजसास्त्र के योगदान स्पष्ट बा। पहिले, सैद्धांतिक रुचि गतिशील सामाजिक नेटवर्क पर केंद्रित बा जे एजेंट बातचीत द्वारा आकार आउर आकार देला. दूसर, एबीएम क उपयोग आभासी प्रयोग करे क खातिर करल जाला जवन मैक्रोसोशियोलॉजिकल सिद्धांतों के नेटवर्क टोपोलॉजी, सामाजिक स्तरीकरण, या स्थानिक गतिशीलता जैसन संरचनात्मक कारकन के हेरफेर करके परीक्षण करेला. हम आपन समीक्षा के समापन एह दृष्टिकोण के समृद्ध समाजशास्त्रीय क्षमता के महसूस करे खातिर कई गो सिफारिश के साथे करत बानी. |
b73cdb60b2fe9fb317fca4fb9f5e1106e13c2345 | |
aa0c01e553d0a1ab40c204725d13fe528c514bba | मनुष्य आउर रोबोट के सुचारू आउर सुरक्षित बातचीत में दुनों भागीदार के दूसर के कार्रवाई के अनुमान लगावे के आवश्यकता होला. मानव इरादा अनुमान के एगो सामान्य दृष्टिकोण पर्यवेक्षित वर्गीकरणकर्ता के साथ ज्ञात लक्ष्य के ओर विशिष्ट प्रक्षेपवक्र के मॉडल बनावल बा. हालांकि, इ सब दृष्टिकोण संभावित भविष्य के गति के ध्यान में ना रखेला आउर ना ही ऊ गतिज संकेत के उपयोग करेले, जइसे कि पठनीय आउर अनुमानित गति. इ विधियन क बाधा सामान्य मानव गति क सटीक मॉडल क कमी हौवे. एह काम में, हमनी के एगो सशर्त भिन्नता ऑटोएनकोडर प्रस्तुत करत बानी जा जे पिछला फ्रेम के एगो विंडो के देखते हुए भविष्य में मनुष्य के गति के एगो विंडो के भविष्यवाणी करे खातिर प्रशिक्षित बा. आरजीबी गहराई छवियन से प्राप्त कंकाल डेटा के उपयोग करके, हम देखावल जा रहल बा कि कइसे ई अनसुअरवेज दृष्टिकोण के उपयोग 1660 ms तक के ऑनलाइन गति भविष्यवाणी खातिर कइल जा सकेला. एकरे अलावा, हम लक्ष्य-विशिष्ट प्रशिक्षण डेटा के उपयोग के बिना गति शुरू होए के बाद पहले 300-500 ms के भीतर ऑनलाइन लक्ष्य भविष्यवाणी के प्रदर्शन कर रहल बानी. हमार संभाव्य दृष्टिकोण के लाभ इ बा कि भविष्य में होखे वाला गति के नमूना खींचल जा सकेला. अंत में, हम जांच करब कि सीखल गइल निम्न आयामी विविधता पर आंदोलन आउर गतिज संकेत के कइसे प्रतिनिधित्व कइल जाला. |
cbbf72d487f5b645d50d7d3d94b264f6a881c96f | ई पेपर 65 एनएम सीएमओएस तकनीक में डब्ल्यू-बैंड में पहिला पूरा तरह से ऑन-चिप एकीकृत ऊर्जा हार्वेस्टर आउर रेक्टिना प्रस्तुत करेला. डिजाइन 1 चरण के डिकसन वोल्टेज गुणक पर आधारित बाटे. रेक्टिना में ऑन-चिप इंटीग्रेटेड डाइपोल एंटीना होला जेमें सब्सट्रेट के नीचे रिफ्लेक्टर होला जे दिशा के बढ़ावे आ लाभ के प्राप्त करे ला। ऊर्जा कटाई करे वाला आ रेक्टिना 94 गीगाहर्ट्ज पर क्रमशः 10% आ 2% के पावर रूपांतरण दक्षता हासिल करेला. स्टैंड-अलोन हार्वेस्टर पैड सहित केवल 0.0945mm2 पर कब्जा करेला, जबकि पूरी तरह से एकीकृत रेक्टिना 0.48mm2 के न्यूनतम चिप क्षेत्र पर कब्जा करेला. |
30667550901b9420e02c7d61cdf8fa7d5db207af | |
6cdb6ba83bfaca7b2865a53341106a71e1b3d2dd | सोशल मीडिया हर जगह मौजूद हो रहल बा आ एकरा के प्रबंधित करे के जरूरत बा जइसे कि मीडिया के बाकी सगरी रूप के प्रबंधित करे के जरूरत बा जेवन कि संगठन आपन लक्ष्य हासिल करे खातिर इस्तेमाल करे लें। हालाँकि, सोशल मीडिया मूल रूप से कौनों पारंपरिक या अन्य ऑनलाइन मीडिया से अलग बा काहे कि ई सामाजिक नेटवर्क संरचना आ समतावादी प्रकृति के हवे। इ अंतर के उचित विश्लेषण आउर बाद के प्रबंधन के पूर्व शर्त के रूप में एगो अलग माप दृष्टिकोण के आवश्यकता होला. सही सोशल मीडिया मेट्रिक्स विकसित करे खातिर आ बाद में उचित डैशबोर्ड बनावे खातिर, हमनी के तीन गो नया घटक से बनल एगो टूल किट उपलब्ध करावल जा रहल बा। सबसे पहिले, हम सैद्धांतिक रूप से एगो समग्र ढांचा के प्रस्तावित करत बानी जवन विपणन, मनोविज्ञान, आ समाजशास्त्र के सिद्धांतन पर आधारित होके सोशल मीडिया के मुख्य तत्वन के कवर करे ला। हमनी के ई तत्वन के - मोटिव, सामग्री, नेटवर्क संरचना, अउर सामाजिक भूमिका अउरी बातचीत - के समर्थन अउरी विस्तार के हाल के शोध अध्ययन से जारी रखल बानी. दूसरा, हमनी के सैद्धांतिक ढांचा, साहित्य समीक्षा, आ व्यावहारिक अनुभव के आधार पर, हमनी के नौ गो दिशानिर्देश सुझावे के बा जे उचित सोशल मीडिया मेट्रिक्स डिजाइन करे आ समझदार सोशल मीडिया डैशबोर्ड बनावे खातिर मूल्यवान साबित हो सकेला। तीसर, फ्रेमवर्क आ दिशानिर्देश के आधार पर हम प्रबंधकीय निहितार्थ निकालल जा सके लें आ भविष्य के रिसर्च खातिर एगो एजेंडा के सुझाव दिहल जा सके ला। © 2013 डायरेक्ट मार्केटिंग एजुकेशनल फाउंडेशन, इंक. एसेवियर इंक द्वारा प्रकाशित. सभ अधिकार सुरक्षित बा। |
3c9598a2be80a88fccecde80e6f266af7907d7e7 | |
ab3d0ea202b2641eeb66f1d6a391a43598ba22b9 | सुदृढीकरण सीख (आरएल) के इहा मशीन के तंत्रिका नियंत्रक के अनुकूलन तकनीक के रूप में मानल जाला. एकर लक्ष्य ई बा कि एक्टर-क्रिटिक एल्गोरिदम के समान गुणवत्ता के नीति प्राप्त करे खातिर अतिरिक्त पृष्ठभूमि गणना के कीमत पर एजेंट-पर्यावरण बातचीत के कम आवश्यकता होखे. हम अनुभव के दोहरावे के भावना में इ लक्ष्य के प्राप्त करे के प्रस्ताव देले बानी. एगो बदलल नीति के सुधार के दिशा के अनुमान के तरीका, जवन कि पहिले के अनुभव पर आधारित बा, इहाँ जरूरी बा. हम एगो अइसन प्रस्ताव रखल चाहत बानी जेह में छोट महत्व के नमूना के इस्तेमाल कइल गइल होखे। हम उ प्रकार के अनुमान के पूर्वाग्रह के सीमा निकालल जा आउर ई साबित कइल जा कि इ पूर्वाग्रह असममित रूप से गायब हो जाला. प्रयोगात्मक अध्ययन में हम लोग क्लासिक एक्टर क्रिटिक के आपन दृष्टिकोण लागू कइनी आ सीखे के गति में बीस गुना वृद्धि भइल। |
71e258b1aeea7a0e2b2076a4fddb0679ad2ecf9f | "इंटरनेट ऑफ थिंग्स" (आईओटी) उपकरणन आ सॉफ्टवेयर खातिर अभूतपूर्व पैमाना पर सूचना साझा करे के अवसर खोल देला। हालाँकि, एतना बड़ अंतर-संलग्न नेटवर्क सिस्टम डेवलपर्स आउर उपयोगकर्ता लोगन खातिर नया चुनौती खड़ा करेला. इ लेख में, हम आईओटी सिस्टम के एगो स्तरीय आर्किटेक्चर के प्रस्ताव देत बानी. एह मॉडल के इस्तेमाल क के, हमनी के हर परत के चुनौतियन के पहिचान करे आ ओकर मूल्यांकन करे के कोशिश करेनी जा। हम कई गो मौजूदा तकनीक पर भी चर्चा करब जेकर उपयोग एह आर्किटेक्चर के सुरक्षित बनावे खातिर कइल जा सकेला. |
61f4f67fc0e73fa3aef8628aae53a4d9b502d381 | सूचना अधिकतमीकरण गान (इन्फोगान) जनरेटर के आउटपुट के इनपुट के एगो घटक से जोड़त बा जेकरा के लैंटेंट कोड कहल जाला. आउटपुट के इनपुट घटक से जोड़ के रखे के मजबूर कइला से, हम आउटपुट निरूपण के कुछ गुणन के नियंत्रित कर सकत बानी. ई ज्ञात बा कि GAN में विभेदक आउर जनरेटर के संयुक्त रूप से प्रशिक्षित करे पर नैश संतुलन खोजल बहुत कठिन बा. हमनी के इन्फोगैन के उपयोग से छवियन के बनावे खातिर कुछ सफल आ असफल कॉन्फ़िगरेशन के पता चलल. व्याख्या योग्य चर जनरेटिव मॉडल में उपयोगी होला. जनरेटिव एडवर्सियल नेटवर्क (जीएएन) अइसन जनरेटिव मॉडल हवें जे आपन इनपुट में लचीला होलें। |
41289566ac0176dced2312f813328ad4c0552618 | मोबाइल प्लेटफार्म के प्रचलन, एंड्राइड के बड़हन बाजार हिस्सेदारी, अउरी एंड्राइड मार्केट के खुलापन एकरा के मैलवेयर हमला के एगो गरम लक्ष्य बना देला. एक बेर जब मैलवेयर नमूना के पहचान हो जाला, त एकर दुर्भावनापूर्ण इरादा आ भितरी कामकाज के जल्दी से उजागर कइल बहुत जरूरी हो जाला। ए लेख में हम DroidScope, एगो एंड्रॉइड विश्लेषण मंच प्रस्तुत करत बानी जे वर्चुअलाइजेशन-आधारित मैलवेयर विश्लेषण के परंपरा के जारी रखत बा. वर्तमान डेस्कटॉप मैलवेयर विश्लेषण प्लेटफार्म के विपरीत, ड्राइडस्कोप ओएस लेवल आउर जावा-लेवल सिमेंटिक्स दुनों के एक साथ आउर निर्बाध रूप से पुनर्निर्माण करेला. कस्टम विश्लेषण के सुबिधा खातिर, ड्रोइडस्कोप तीन स्तरीय एपीआई निर्यात करेला जे एंड्रॉइड डिवाइस के तीन स्तर के दर्पण करेला: हार्डवेयर, ओएस आउर डेल्विक वर्चुअल मशीन. ड्रॉइडस्कोप के ऊपर, हमनी के अउरी कई गो विश्लेषण उपकरण विकसित कईनी जा जेमे विस्तृत देशी आ डलविक निर्देश ट्रेस, प्रोफाइल एपीआई-स्तर गतिविधि, आ जावा आ देशी दुनों घटक के माध्यम से सूचना लीक के ट्रेस करे खातिर टेंट विश्लेषण के उपयोग कइल जा सके ला। ई उपकरण वास्तविक दुनिया के मैलवेयर नमूना के विश्लेषण करे में प्रभावी साबित भइल बा आउर उचित रूप से कम प्रदर्शन ओवरहेड में आवेला. |
05ca17ffa777f64991a8da04f2fd03880ac51236 | इ पत्र में हम कमजोरियन के सिग्नेचर बनावे के समस्या के खोज करब. एगो कमजोर जगह के चिन्ह एगो दिहल गइल कमजोर जगह के सगरी फायदा के मेल खाला, इहाँ तक कि बहुरूपी या रूपान्तरित रूप के भी। हमार काम पहिले के तरीका से अलग होला प्रोग्राम के सिमेंटिक्स पर ध्यान केंद्रित करे से आ एक्स्पलोइट के सिंटैक्स के बजाय एक्स्पलोइट के नमूना द्वारा इस्तेमाल कइल जाए वाला कमजोरियन पर ध्यान केंद्रित करे से। हम देखब कि कमजोर जगह के अर्थशास्त्र एगो अइसन भाषा के परिभाषित करेला जे में सब आ खाली ऊ सब इनपुट होला जे कमजोर जगह के फायदा उठावेला. भेद्यता हस्ताक्षर भेद्यता भाषा के एगो प्रतिनिधित्व (जइसे, एगो नियमित अभिव्यक्ति) होला. एक्सप्लोइट-आधारित सिग्नेचर के विपरीत जेकर त्रुटि दर के केवल ज्ञात परीक्षण मामला खातिर अनुभवजन्य रूप से मापल जा सकेला, कमजोर सिग्नेचर के गुणवत्ता के औपचारिक रूप से सभ संभावित इनपुट खातिर मात्रिकृत कइल जा सकेला. हम एगो कमजोर जगह के औपचारिक परिभाषा देले बानी आ कमजोर जगह के बनावे आ मेल करे के कम्प्यूटेशनल जटिलता के जांच करेनी. हम लोग कमजोर जगहन के डिजाइन के जगह के भी व्यवस्थित रूप से खोजे लन. हम लोग तीन गो मुख्य मुद्दा के पहिचान कइल जा रहल बानी जे कि कइसे कमजोरियन के पहिचान कइल जा सके ला, कमजोरियन के कवरेज (अर्थात कमजोर प्रोग्राम पथ के संख्या) के विश्लेषण कइल जा रहल बा, आ कइसे कमजोरियन के पहिचान कइल जा रहल बा। हमनी के नया डेटा-फ्लो विश्लेषण अउर मौजूदा तकनीक के नया तरीका से अपनावे के प्रस्ताव बा जइसे कि स्वचालित रूप से कमजोरियन के पहिचान करे खातिर बाधा के समाधान। हम लोग आपन तकनीक के परीक्षण करे खातिर एगो प्रोटोटाइप प्रणाली बनइले बानी. हमनी के प्रयोग से पता चलल बा कि हमनी के स्वचालित रूप से एगो एकल एक्सप्लोइट के उपयोग करके कमजोर जगह के हस्ताक्षर उत्पन्न कर सकत बानी जे पहिले के एक्सप्लोइट-आधारित हस्ताक्षर के तुलना में बहुत उच्च गुणवत्ता के बा. एकरे अलावा, हमनी के तकनीक में कई गो अउरी सुरक्षा अनुप्रयोग बा, आउर एही से स्वतंत्र रुचि के हो सकेला |
6fece3ef2da2c2f13a66407615f2c9a5b3737c88 | इ पेपर में एक गतिशील नियंत्रक संरचना आउर असतत समय हाइब्रिड सिस्टम के स्थिर करे खातिर एक व्यवस्थित डिजाइन प्रक्रिया के प्रस्ताव दिहल गइल बा. प्रस्तावित दृष्टिकोण नियंत्रण ल्यपुनोव फलन (सीएलएफ) के अवधारणा पर आधारित बा, जवन उपलब्ध होवे पर स्थिरता-राज्य-प्रतिक्रिया नियंत्रण नियम के डिजाइन करे खातिर उपयोग कइल जा सकेला. सामान्य तौर पर, संकर गतिशील प्रणालियन खातिर सीएलएफ के निर्माण में निरंतर आउर असतत अवस्था दुनों सामिल होला, खासकर गैर-तुच्छ असतत गतिशीलता के उपस्थिति में इ बहुत जटिल होला. एही से, हम संकर नियंत्रण ल्यपुनोव फलन के उपन्यास अवधारणा के परिचय देले बानी, जे सीएलएफ के एगो असतत आउर एगो निरंतर भाग के संरचनात्मक डिजाइन के अनुमति देवेला, आउर हम औपचारिक रूप से साबित करिला कि संकर सीएलएफ के अस्तित्व क्लासिकल सीएलएफ के अस्तित्व के गारंटी देवेला. हाइब्रिड सीएलएफ के संश्लेषित करे खातिर एगो रचनात्मक प्रक्रिया दिहल गइल बा, जेकरा में हाइब्रिड सिस्टम के गतिशीलता के एगो विशिष्ट नियंत्रक गतिशीलता से बढ़ा दिहल गइल बा. हम देखवईब कि इ संश्लेषण प्रक्रिया एगो गतिशील नियंत्रक के तरफ ले जाला जेकरा के एगो पीछे हटत क्षितिज नियंत्रण रणनीति द्वारा लागू करल जा सकेला, आउर संबंधित अनुकूलन समस्या संकेतन रूप से संकरित प्रणाली के एगो सामान्य वर्ग खातिर व्यवहार्य होला, जे वास्तविक दुनिया के अनुप्रयोग में उपयोगी होला. क्लासिक हाइब्रिड रिसीडिंग होराइजन कंट्रोल एल्गोरिदम के तुलना में, प्रस्तावित दृष्टिकोण में आमतौर पर क्लोज्ड-लूप सिस्टम के असीम स्थिरता के गारंटी देवे खातिर छोट भविष्यवाणी क्षितिज के आवश्यकता होला, जवन कि कम्प्यूटेशनल भार के कम करेला, जइसन कि दू उदाहरण से देखावल गइल बा. |
3b3c153b09495e2f79dd973253f9d2ee763940a5 | मशीन लर्निंग विधि के अनुप्रयोग अक्सर उपलब्ध लेबल डेटा के मात्रा से सीमित होला, आउर इनपुट डेटा वैक्टर खातिर अच्छा आंतरिक प्रतिनिधित्व आउर अच्छा समानता माप उत्पन्न करे खातिर डी सिग्नर के क्षमता (या अक्षमता) द्वारा. एह थीसिस के उद्देश्य ई बा कि एह दुनो सीमा के दूर करे खातिर एगो एल्गोरिथम के प्रस्ताव दिहल जाय जे में आंतरिक प्रतिनिधित्व के सीखल जा सके आ बिना लेबल वाला डेटा के आधार पर एगो अपरिवर्तनीय फीचर श्रेणीबद्ध कइल जा सके। ई तरीका पारंपरिक पर्यवेक्षित लर्निंग एल्गोरिदम से आगे बढ़ेलन आउर अनसुअरवेज्ड आउर अर्ध-पर्यवेक्षित लर्निंग पर निर्भर करेलन. खासतौर पर, ई काम "डीप लर्निंग" पद्धति पर केंद्रित बा, जे पदानुक्रमित मॉडल के प्रशिक्षित करे खातिर तकनीक आउर सिद्धांत के एगो सेट बा. पदानुक्रमित मॉडल सुविधा पदानुक्रम उत्पन्न करेला जवन संक्षिप्त आउर कुशल तरीका से देखल गइल डेटा चर के बीच जटिल गैर-रैखिक निर्भरता के कैप्चर कर सकेला. प्रशिक्षण के बाद, इ मोड के वास्तविक समय प्रणाली में उपयोग करल जा सकेला काहे से की ऊ गैर-रैखिक परिवर्तन के क्रम के माध्यम से इनपुट के बहुत तेजी से आगे प्रसार द्वारा प्रतिनिधित्व के गणना करेला. जब लेबल वाला डेटा के कमी पारंपरिक सुपरवाइज़्ड एल्गोरिदम के उपयोग के अनुमति ना देवेला, तब निचला स्तर से शुरू होके अनुक्रम में पदानुक्रम के प्रत्येक परत के अनसुपरवाइज़्ड या अर्ध-सुपरवाइज़्ड एल्गोरिदम के उपयोग करके प्रशिक्षित कइल जा सकेला. एक बार जब हर परत के प्रशिक्षित कइल गइल बा, त पूरा सिस्टम के अंत-से-अंत फैशन में ठीक कइल जा सकेला. हम कई गो असुविधाजनक एल्गोरिदम के प्रस्ताव देले बानी जे अइसन सुविधा पदानुक्रम के प्रशिक्षित करे खातिर बिल्डिंग ब्लॉक के रूप में इस्तेमाल कइल जा सकेला. हम अइसन एल्गोरिदम के जांच करेनी जे विरल अतिपूर्ण निरूपण आउर कुछ अइसन रूप के उत्पन्न करेली जे ज्ञात आउर सीखे गए रूपांतरण के प्रति अपरिवर्तनीय होला. ई एल्गोरिदम के डिजाइन एनर्जी- |
447ce2aecdf742cf96137f8bf7355a7404489178 | इ पत्र में, मिलीमीटर तरंग (mmW) खातिर एगो नया प्रकार के वाइडबैंड सब्सट्रेट इंटीग्रेटेड वेव गाइड (SIW) गुहा-समर्थित पैच एंटीना आउर सरणी के जांच आउर कार्यान्वयन कइल गइल बा. प्रस्तावित एंटीना में एगो आयताकार पैच होला जेकरा पीछे एसआईडब्ल्यू गुहा होला. बैंडविड्थ आउर विकिरण दक्षता के बढ़ावे खातिर, गुहा के ई ईटी 210 मोड पर प्रतिध्वनित करे खातिर डिजाइन कइल गइल बा. प्रस्तावित एंटीना के आधार पर, 4 × 4 सरणी के भी डिजाइन कइल गइल बा. प्रस्तावित एंटीना आ सरणी दुनों के मानक प्रिंटेड सर्किट बोर्ड (पीसीबी) प्रक्रिया से बनावल गइल बा, जेकरा में प्लैनर सर्किट के साथ आसान एकीकरण के फायदा बा. मापल गइल बैंडविड्थ (gadS11gad ≤ -10 dB) एंटीना तत्व के 15% से बड़ बा, आउर एंटीना सरणी के लगभग 8.7% बा. मापल गइल शिखर लाभ तत्व खातिर 6.5 dBi आउर सरणी खातिर 17.8 dBi बा, आउर संबंधित अनुकरणित विकिरण दक्षता क्रमशः 83.9% आउर 74.9% बा. प्रस्तावित एंटीना आउर सरणी मिलिमीटर-वेव अनुप्रयोग खातिर आशाजनक बा काहे कि एकर व्यापक बैंड, उच्च दक्षता, कम लागत, कम प्रोफ़ाइल, आदि के गुण बा. |
429d0dd7192450e2a52a8ae7f658a5d99222946e | इ पेपर में कॉम्पैक्ट, कम लागत आउर उच्च विकिरण दक्षता एंटीना संरचना, समतल वेव गाइड, सब्सट्रेट एकीकृत वेव गाइड (एसआईडब्ल्यू), डाइलेक्ट्रिक रेजोनेटर एंटीना (डीआरए) प्रस्तुत कइल गइल बा. चूंकि एसआईडब्ल्यू एगो उच्च क्यू-वेव गाइड ह आउर डीआरए एगो कम नुकसान वाला रेडिएटर ह, त एसआईडब्ल्यू-डीआरए मिलीमीटर-वेव बैंड पर उच्च विकिरण दक्षता के साथे एगो उत्कृष्ट एंटीना प्रणाली बनावेला, जहां कंडक्टर नुकसान हावी होला. एंटीना परफॉर्मेंस पर अलग-अलग एंटीना पैरामीटर के प्रभाव के अध्ययन कइल जाला. SIW-DRA खातिर प्रयोगात्मक डेटा, दू गो अलग-अलग स्लॉट ओरिएंटेशन पर आधारित, मिलीमीटर-वेव बैंड पर पेश कइल गइल आउर हमार प्रस्तावित एंटीना मॉडल के मान्य करे खातिर सिमुलेटेड एचएफएसएस परिणाम के साथ तुलना कइल गइल. एगो नीमन समझौता भइल बा. एसआईडब्ल्यू-डीआरए एकल तत्व खातिर मापल गइल लाभ 5.51 डीबी के एगो ब्रॉडसाइड लाभ, -19 डीबी अधिकतम क्रॉस पोलराइज्ड विकिरण स्तर, आउर कुल मिलाके गणना कइल गइल (एचएफएसएस के उपयोग से अनुकरण कइल गइल) विकिरण दक्षता 95% से जादा के देखवलस. |
0cb2e8605a7b5ddb5f3006f71d19cb9da960db98 | आधुनिक गहिरा तंत्रिका नेटवर्क में बड़ी संख्या में पैरामीटर होला, जेकरा के प्रशिक्षित कइल बहुत कठिन होला. हम डीएसडी, एगो घन-छोट-घन प्रशिक्षण प्रवाह, के प्रस्तावित करत बानी, जे गहिरा तंत्रिका नेटवर्क के नियमित करे खातिर आउर बेहतर अनुकूलन प्रदर्शन प्राप्त करे खातिर बा. पहिला डी (डेंसे) चरण में, हमनी के कनेक्शन के वजन आ महत्व जाने खातिर एगो घन नेटवर्क के प्रशिक्षित करेनी जा. एस (स्पार्स) चरण में, हम छोट भार के साथ महत्वहीन कनेक्शन के छँटाई करके आउर स्परसिटी बाधा के देखते हुए नेटवर्क के फिर से प्रशिक्षित करके नेटवर्क के नियमित करिला. अंतिम डी (री-डेन्से) चरण में, हम विरलता बाधा के हटा के मॉडल क्षमता बढ़ावेनी, शून्य से छँटाई कइल गइल पैरामीटर के फिर से आरंभ करेनी आउर पूरा घन नेटवर्क के फिर से प्रशिक्षित करेनी. प्रयोग से पता चलल बा कि डीएसडी प्रशिक्षण सीएनएन, आरएनएन आउर एलएसटीएम के एगो विस्तृत श्रृंखला खातिर छवि वर्गीकरण, कैप्शन पीढ़ी आउर भाषण मान्यता के कार्य पर प्रदर्शन में सुधार कर सकेला. इमेजनेट पर, डीएसडी क्रमशः गुगलनेट के टॉप 1 सटीकता में 1.1%, वीजीजी -16 4.3%, रेसनेट -18 1.2% आउर रेसनेट -50 में 1.1% सुधार कइलस. WSJ93 डेटासेट पर, डीएसडी डीपस्पीच आउर डीपस्पीच2 डब्ल्यूईआर में 2.0% आउर 1.1% सुधार कइलस. फ़्लिकर-8K डेटासेट पर, डीएसडी ने न्यूरल टॉक BLEU स्कोर में 1.7 से अधिक के सुधार कइलस. डीएसडी के प्रयोग अभ्यास में आसान बा: प्रशिक्षण के समय, डीएसडी में खाली एगो अतिरिक्त हाइपर-पैरामीटर होला: एस चरण में स्परसिटी अनुपात. परीक्षण समय पर, डीएसडी नेटवर्क आर्किटेक्चर के ना बदलेला चाहे कौनो अनुमान लगावेला. डीएसडी प्रयोग के सुसंगत आउर महत्वपूर्ण प्रदर्शन लाभ इ दर्शावेला कि सबसे अच्छा स्थानीय इष्टतम खोजे खातिर वर्तमान प्रशिक्षण विधि के अपर्याप्तता, जबकि डीएसडी प्रभावी रूप से बेहतर समाधान खोजे खातिर बेहतर अनुकूलन प्रदर्शन प्राप्त करेला. डीएसडी मॉडल डाउनलोड करे खातिर उपलब्ध बाटे https://songhan.github.io/DSD. |
6fd329a1e7f513745e5fc462f146aa80c6090a1d | पहिरल जा सके वाला सेंसर के उपयोग से प्राप्त रिकार्डिंग में अवैध डेटा के पहचान विशेष महत्व के बा काहे कि मोबाइल रोगी से प्राप्त डेटा, सामान्य रूप से, गैर-मोबाइल रोगी से प्राप्त डेटा के तुलना में अधिक शोर भरल होला. इ पत्र में, हम एगो सिग्नल क्वालिटी इंडेक्स (एसक्यूआई) प्रस्तुत करत बानी, जेकर उद्देश्य इ आकलन कइल बा कि का पहनल जा सके वाला सेंसर के उपयोग से इकट्ठा कइल गइल इलेक्ट्रोकार्डियोग्राम (ईसीजी) आउर फोटोप्लेटिसमोग्राम (पीपीजी) सिग्नल से विश्वसनीय हृदय गति (एचआर) प्राप्त कइल जा सकेला. एल्गोरिदम के मैन्युअल रूप से लेबल कइल गइल डेटा पर मान्य कइल गइल रहे. ईसीजी खातिर 94% आउर पीपीजी खातिर 91% आउर 95% के संवेदनशीलता आउर विशिष्ठता प्राप्त कइल गइल रहे. एकरे अलावा, हम एसक्यूआई के दू गो अनुप्रयोग प्रस्तावित करे के चाहत बानी. सबसे पहिले, हम ई देखावत बानी कि, बिजली बचत रणनीति खातिर ट्रिगर के रूप में एसक्यूआई के उपयोग करके, ईसीजी खातिर 94% तक रिकॉर्डिंग समय कम कइल संभव बा आउर पीपीजी खातिर 93% तक वैध महत्वपूर्ण संकेत डेटा के केवल न्यूनतम नुकसान के साथे. दूसरा, हम देखब कि पीपीजी से श्वसन दर (आरआर) के अनुमान में त्रुटि के कम करे खातिर एसक्यूआई के उपयोग कइसे कइल जा सकेला. दुनो अनुप्रयोग के परफॉर्मेंस के मूल्यांकन अस्पतालन के मरीजन पर एगो नैदानिक अध्ययन से एकत्रित डेटा पर कइल गइल रहे जे बिना सहायता के चले में सक्षम रहे. |
ef8070a37fb6f0959acfcee9d40f0b3cb912ba9f | पिछला तीन दशक में, सूचना प्रणाली (आईएस) अनुसंधान के भीतर एगो पद्धतिगत बहुलवाद विकसित भइल बा. कई तरह के बिज्ञान आ कई शोध समुदाय भी एह चर्चा में आपन योगदान देले बाड़े। हालांकि, एके शोध विषय पर काम करे या एके घटना के अध्ययन करे से जरूरी नइखे कि आपसी समझदारी सुनिश्चित होखे. विसेस रूप से इ बहु-विषयक आउर अंतर्राष्ट्रीय संदर्भ के भीतर, विभिन्न शोधकर्ता द्वारा कइल गइल ज्ञानमीमांसा संबंधी धारणा मूल रूप से भिन्न हो सकेला. इ धारणा के काफी प्रभाव पड़ेला कि वैधता, विश्वसनीयता, गुणवत्ता आउर अनुसंधान के कठोरता जइसन अवधारणा के कइसे समझल जाला. इ प्रकार, ज्ञानमीमांसा संबंधी धारणा के व्यापक प्रकाशन, वास्तव में, लगभग अनिवार्य बा. एही से, इ पत्र के उद्देश्य एगो ज्ञानमीमांसा संबंधी ढांचा के विकसित करल बा जेकर उपयोग आईएस अनुसंधान में ज्ञानमीमांसा संबंधी धारणा के व्यवस्थित रूप से विश्लेषण करे खातिर कइल जा सकेला. आईएस अनुसंधान प्रतिमान के पहचान आउर वर्गीकरण करे के प्रयास के बजाय, इ अनुसंधान के उद्देश्य आईएस के संदर्भ में ज्ञानमीमांसा के व्यापक चर्चा बा. एकर उद्देश्य अलग-अलग आइएस दृष्टिकोण आउर विधि के बीच समानता के साथे-साथे अंतर के पहचान करे खातिर आधार बनावे में योगदान देवे के बा. ज्ञानमीमांसा संबंधी ढांचा के प्रदर्शित करे खातिर, वैचारिक मॉडलिंग खातिर आम सहमति-उन्मुख व्याख्यावादी दृष्टिकोण के एगो उदाहरण के रूप में उपयोग कइल जाला. |
25e989b45de04c6086364b376d29ec11008360a3 | मनुष्य आपन विकास के सुरुआत में ही आपन सबसे बुनियादी भौतिक अवधारणा के प्राप्त करेला, आउर आपन सहज भौतिक के जीवन भर समृद्ध आउर विस्तारित करेला काहे कि ऊ जादे आउर विविध गतिशील वातावरण के संपर्क में रहेला. हम लोग कई स्तर पर भौतिक मानदंडन के कइसे सीख सकऽ ही, इ समझावे खातिर एगो पदानुक्रमित बेयज़ियन ढांचा के परिचय देत बानी. सिद्धांत अधिग्रहण के पहिले के बेयसन मॉडल (टेनेनबाउम, केम्प, ग्रिफिथ्स, आउर गुडमैन, 2011) के विपरीत, हम जादा अभिव्यंजक संभाव्य प्रोग्राम निरूपण के साथे काम करिला जे समय के साथ विकसित होखे वाला गतिशील दृश्य में वस्तुअन के बातचीत करे के तरीका के नियंत्रित करे वाला ताकत आउर गुण के सीखे खातिर उपयुक्त होला. हम आपन मॉडल के तुलना मानव शिक्षार्थियन से कलीं जे छोट फिल्म के समय में कई भौतिक मापदंडन के अनुमान लगावे के चुनौतीपूर्ण काम करत बाड़े. इ काम में लोगन के एक साथ कई परस्पर क्रियाशील भौतिक नियम आउर गुणन के बारे में तर्क करे के आवश्यकता होला. लोग आमतौर पर एह तरह के माहौल में सीख सकेलन आउर आपन फैसला में सुसंगत हो जालन. फिर भी ऊ लोग व्यवस्थित त्रुटि भी बनावेला जे अनुमान के संकेत देला कि लोग सीमित संगणनात्मक संसाधन के साथे ई गणनात्मक रूप से मांग वाला समस्या के हल करे में कर सकेला. हम दू गो अनुमान प्रस्तावित कर तानी जवन ऊपर से नीचे तक के बेयसन दृष्टिकोण के पूरक बा. एगो अनुमान मॉडल अधिक नीचे-ऊपर सुविधा-आधारित अनुमान योजना पर निर्भर करेला. दूसर अनुमान भौतिक-पैरामीटर स्थान में खोज खातिर सुविधा-आधारित अनुमान के आपन प्रारंभिक बिंदु के रूप में ले के, नीचे-ऊपर आउर ऊपर-नीचे दृष्टिकोण के ताकत के संयोजन करेला. |
6f0144dc7ba19123ddce8cdd4ad0f6dc36dd4ef2 | अंतरराष्ट्रीय दिशानिर्देश यौवन के दमन करे खातिर लिंग डिस्फोरिया (जीडी) के साथ किशोर के गोनाडोट्रोपिन- रिलीज़िंग हार्मोन (जीएनआरएच) एगोनिस्ट के उपयोग के सिफारिश करेला. लैंगिक विषमता से ग्रस्त किशोर लोग के खुद के एह शुरुआती चिकित्सा हस्तक्षेप के बारे में सोच के तरीका के बारे में बहुत कम जानकारी बा. वर्तमान अध्ययन के उद्देश्य (1) किशोरावस्था के दमन के उपयोग के संबंध में नीदरलैंड में लिंग विघटनकारी किशोर के विचार के स्पष्ट करे के रहल; (2) इ पता लगावे के कि लिंग विघटनकारी किशोर के विचार उपचार टीम में काम करे वाला पेशेवर लोगन से अलग बा, आउर अगर ऐसन बा त कवना अर्थ में. इ एगो गुणात्मक अध्ययन रहे जवन प्रारंभिक उपचार के बारे में लिंग डिस्फोरिक किशोर के विचार के पहचान करे खातिर डिज़ाइन कइल गइल रहे. एगो के छोड़ के सभ 13 किशोर के यौवन दमन के साथे इलाज कइल गइल; पांच किशोर ट्रांस लड़की रहलें आऊ आठ ट्रांस लड़का रहलें. उनकर उमिर 13 से 18 बरिस के बीच रहल, जेकर औसत उमिर 16 बरिस आ 11 महीना रहल, आ औसत उमिर 17 बरिस आ 4 महीना रहल। बाद में, किशोर लोग के विचार के तुलना जीडी के साथे युवा लोगन के इलाज करे वाला चिकित्सकन के विचार से कइल गइल. लिंग विसंगति वाला किशोर के साथ साक्षात्कार से, तीन विषय सामने आएलः (1) किशोरावस्था के दमन शुरू करे खातिर उचित निचला आयु सीमा का ह इ निर्धारित करे में कठिनाई. अधिकांश किशोर लोग के एगो उचित आयु सीमा के परिभाषित करे में कठिनाई भइल आउर उ एकरा एगो दुविधा के रूप में देखलस; (2) यौवन दमन के दीर्घकालिक प्रभाव पर डेटा के कमी. अधिकांश किशोर लोग बतवलें कि दीर्घकालिक डेटा के कमी उनका के किशोरावस्था के दमन करे से ना रोकलस आउर ना ही रोक सकी; (3) सामाजिक संदर्भ के भूमिका, जेकरा खातिर दुगो उपविषय रहेः (ए) मीडिया में, टेलीविजन पर आउर इंटरनेट पर बढ़ल ध्यान; (बी) एगो थोपल गइल रूढ़िवादी. कुछ किशोर सामाजिक संदर्भ के भूमिका के बारे में सकारात्मक रहलें, बाकि दुसर लोग एकरा बारे में संदेह जतवलें. चिकित्सकन के तुलना में, किशोर लोग अक्सर आपन इलाज के दृष्टिकोण में अधिक सतर्क रहेलन. जीडी में यौवन दमन के उपयोग पर चर्चा करत समय लिंग डिसफोरिक किशोर के आवाज देवल महत्वपूर्ण बाटे. अन्यथा, पेशेवर लोग वास्तविक विचार के बजाय किशोर लोग के राय के बारे में धारणा के आधार पर काम कर सकेला. हम लोग दोसर देसन में लिंग संबंधी समस्या से पीड़ित किशोर के बारे में अधिक गुणात्मक शोध डेटा एकत्र करे के प्रोत्साहित करत बानी. |
446573a346acdbd2eb8f0527c5d73fc707f04527 | |
6e6f47c4b2109e7824cd475336c3676faf9b113e | हमनी के अनुमान बा कि दृश्य रूप से वर्णनात्मक भाषा कंप्यूटर दृष्टि शोधकर्ता के दुनो जानकारी देला दुनिया के बारे में, आ जानकारी कि लोग दुनिया के कइसे वर्णन करेला. आज आसानी से उपलब्ध भाषा डेटा के भारी मात्रा के कारण एह स्रोत से संभावित लाभ के अउर महत्व दिहल जाला. हमनी के एगो अइसन सिस्टम प्रस्तुत करत बानी जा जे स्वचालित रूप से प्राकृतिक भाषा के बिबरन के चित्र से उत्पन्न करे ला जे बड़ मात्रा में टेक्स्ट डेटा के विश्लेषण से प्राप्त आँकड़ा आ कंप्यूटर विजन से पहिचान एल्गोरिदम दुनों के फायदा उठावे ला। इ प्रणाली छवियन खातिर प्रासंगिक वाक्य बनावे में बहुत प्रभावी बा. इ पहिले के काम के तुलना में विशिष्ट छवि सामग्री के खातिर विशेष रूप से अधिक सही विवरण भी उत्पन्न करेला. |
9a0fff9611832cd78a82a32f47b8ca917fbd4077 | |
9e5a13f3bc2580fd16bab15e31dc632148021f5d | ई पेपर में कम प्रोफ़ाइल सब्सट्रेट इंटीग्रेटेड वेव गाइड (SIW) कैविटी-बैक स्लॉट एंटीना के बैंडविड्थ बढ़ावे के तरीका प्रस्तुत कइल गइल बा. बैंडविड्थ वृद्धि एक साथ एसआईडब्ल्यू-समर्थित गुहा में दु हाइब्रिड मोड के उत्तेजित करके आउर आवश्यक आवृत्ति सीमा के भीतर ओकरा के विलय करके प्राप्त करल जाला. इ दु हाइब्रिड मोड, जेकर प्रमुख क्षेत्र एसआईडब्ल्यू गुहा के अलग-अलग आधा भाग में स्थित बा, उ और अनुनाद के दु अलग-अलग संयोजन बा. इ डिजाइन पद्धति के प्रयोग द्वारा मान्य करल गइल बा. पहिले से प्रस्तुत एसआईडब्ल्यू गुहा-समर्थित स्लॉट एंटीना के तुलना में, प्रस्तावित एंटीना के आंशिक प्रतिरोध बैंडविड्थ के 1.4% से बढ़ा के 6.3% कइल गइल बा, एकर लाभ आउर विकिरण दक्षता में भी मामूली सुधार भइल बा 6.0 डीबीआई आउर 90% तक, आउर एकर एसआईडब्ल्यू गुहा के आकार लगभग 30% कम हो गइल बा. प्रस्तावित एंटीना में कम क्रॉस पोलराइजेशन स्तर आउर आगे से पीछे के अनुपात में उच्च प्रदर्शन होला. ई अभी भी कम प्रोफ़ाइल, कम निर्माण लागत, आउर समतल सर्किट के साथ आसान एकीकरण के लाभ के बरकरार रखत ह. |
4c68e7eff1da14003cc7efbfbd9a0a0a3d5d4968 | कार्यान्वयन विज्ञान सैद्धांतिक दृष्टिकोण के बढ़ल उपयोग की ओर प्रगति कइलस ह ताकि बेहतर समझ आउर व्याख्या प्रदान कइल जा सके कि कार्यान्वयन कइसे आउर काहें सफल होला या असफल होला. एह लेख के मकसद एक ठो अइसन वर्गीकरण के प्रस्ताव कइल बा जे कार्यान्वयन विज्ञान में सिद्धांत, मॉडल आ फ्रेमवर्क के बिबिध श्रेणी के बीच अंतर करे, कार्यान्वयन अनुसंधान आ अभ्यास में उचित तरीका के चयन आ लागू करे में मदद करे आ कार्यान्वयन शोधकर्ता लोग के बीच अंतर-विषयक बातचीत के बढ़ावा देवे। कार्यान्वयन विज्ञान में प्रयुक्त सैद्धांतिक दृष्टिकोण के तीन गो मुख्य उद्देश्य होलाः अनुसंधान के अभ्यास में बदले के प्रक्रिया के वर्णन कइल आउर/या निर्देशित कइल (प्रक्रिया मॉडल); कार्यान्वयन के परिणाम के प्रभावित करे वाला चीज के समझल आउर/या समझावल (निर्धारक ढांचा, क्लासिक सिद्धांत, कार्यान्वयन सिद्धांत); आउर कार्यान्वयन के मूल्यांकन (मूल्यांकन ढांचा). ई लेख तीन गो मुख्य उद्देश्य के प्राप्त करे खातिर सैद्धांतिक दृष्टिकोण के पांच श्रेणी के प्रस्ताव देला। इ श्रेणिन के हमेशा साहित्य में अलग-अलग प्रकार के दृष्टिकोण के रूप में मान्यता ना दिहल जाला. जबकि कुछ सिद्धांत, मॉडल आउर ढांचे के बीच ओवरलैप होला, प्रासंगिक दृष्टिकोण के चयन के सुविधाजनक बनावे खातिर अंतर के बारे में जागरूकता महत्वपूर्ण बाटे. अधिकांश निर्धारक ढाँचा कार्यान्वयन प्रयास के पूरा करे खातिर सीमित "कैसे करे" समर्थन प्रदान करेला काहे कि निर्धारक आमतौर पर कार्यान्वयन प्रक्रिया के निर्देशित करे खातिर पर्याप्त विवरण प्रदान करे खातिर बहुत सामान्य होला. आउर जबकि अनुसंधान के अभ्यास में अनुवाद करे खातिर बाधा आउर सक्षम करे के प्रासंगिकता के कई प्रक्रिया मॉडल में उल्लेख कइल गइल बा, इ मॉडल कार्यान्वयन सफलता से जुड़ल विशिष्ट निर्धारक के पहचान या व्यवस्थित रूप से संरचना ना करेला. एकरे अलावा, प्रक्रिया मॉडल कार्यान्वयन के प्रयास के समय के क्रम के पहिचान करे लें, जबकि निर्धारक ढाँचा स्पष्ट रूप से कार्यान्वयन के प्रक्रिया के परिप्रेक्ष्य ना लेवे लें। |
00a7370518a6174e078df1c22ad366a2188313b5 | ऑप्टिकल प्रवाह के स्थानीय रूप से गणना ना कइल जा सकेला, काहे कि एगो बिंदु पर छवि अनुक्रम से खाली एगो स्वतंत्र माप उपलब्ध होला, जबकि प्रवाह वेग के दुगो घटक होला. एगो दूसर बाधा के जरूरत बा. ऑप्टिकल प्रवाह पैटर्न के खोजे खातिर एगो विधि प्रस्तुत कइल गइल बा जे इ मान लेला कि चमक पैटर्न के स्पष्ट वेग छवि में लगभग हर जगह सुचारू रूप से भिन्न होला. एगो पुनरावर्ती कार्यान्वयन देखावल गइल बा जे कई सिंथेटिक छवि अनुक्रम खातिर ऑप्टिकल प्रवाह के सफलतापूर्वक गणना करेला. एल्गोरिथ्म मजबूत बा काहे कि इ अइसन छवि अनुक्रम के संभाल सकेला जे जगह आउर समय में बहुत मोट रूप से क्वांटिज़ेड होला. इ चमक स्तर आउर अतिरिक्त शोर के मात्रिकीकरण खातिर भी असंवेदनशील होला. उदाहरणन के शामिल कइल गइल बा जहाँ चित्र में सिंगल बिंदुअन या रेखाअन के साथे चिकनाई के धारणा के उल्लंघन कइल गइल बा. |
2315fc6c2c0c4abd2443e26a26e7bb86df8e24cc | इमेजनेट LSVRC-2010 प्रतियोगिता में 1.2 मिलियन उच्च-रिज़ॉल्यूशन छवियन के 1000 अलग-अलग वर्ग में वर्गीकृत करे खातिर हमनी के एगो बड़, गहिरा संकुचन तंत्रिका नेटवर्क के प्रशिक्षित कइलस. परीक्षण डेटा पर, हम क्रमशः 37.5% आउर 17.0% के शीर्ष-1 आउर शीर्ष-5 त्रुटि दर प्राप्त कइलें, जे कि पिछला अत्याधुनिक स्थिति से काफी बेहतर बा. तंत्रिका नेटवर्क, जेमे 60 मिलियन पैरामीटर आउर 650,000 न्यूरॉन्स होला, में पांच गो संवहन परत होला, जेमे से कुछ के बाद अधिकतम-पूलिंग परत होला, आउर अंतिम 1000-तरफा सॉफ्टमैक्स के साथे तीन गो पूरा से जुड़ल परत होला. प्रशिक्षण के तेज करे खातिर, हम गैर-संतृप्त न्यूरॉन्स के उपयोग कइनी आउर संकुचन संचालन के एगो बहुत ही कुशल जीपीयू कार्यान्वयन कइनी. पूर्ण रूप से जुड़ल परत में अति-समायोजन के कम करे खातिर हम हाल में विकसित एगो नियमितकरण विधि के इस्तेमाल कइनी जेकरा के "ड्रॉप आउट" कहल जाला जे बहुत प्रभावी साबित भइल. हमनी के इ मॉडल के एगो संस्करण भी आईएलएसवीआरसी-2012 प्रतियोगिता में दर्ज कइलें आउर 15.3% के शीर्ष-5 परीक्षण त्रुटि दर के प्राप्त कइलें, जबकि दुसरका सबसे अच्छा प्रविष्टि द्वारा प्राप्त 26.2% के तुलना में. |
1bc49abe5145055f1fa259bd4e700b1eb6b7f08d | हम संक्षेप में प्रस्तुत करे खातिर एगो रिकर्सिव न्यूरल नेटवर्क (आरएनएन) आधारित अनुक्रम मॉडल सुम्मारुनर के प्रस्तुत करत बानी आउर देखावत बानी कि ई अत्याधुनिक से बेहतर या तुलनीय प्रदर्शन प्राप्त करेला. हमार मॉडल के एगो अतिरिक्त फायदा बा कि इ बहुत व्याख्या योग्य बा, काहे कि इ सूचना सामग्री, प्रमुखता आउर नवीनता जइसन अमूर्त विशेषता द्वारा खंडित एकर भविष्यवाणी के दृश्य के अनुमति देवेला. हमनी के काम के एगो अउर नया योगदान हमनी के निकाले वाला मॉडल के अमूर्त प्रशिक्षण ह जवन अकेले मानव द्वारा उत्पन्न संदर्भ सारांश पर प्रशिक्षण दे सकेला, वाक्य-स्तर के निकाले वाला लेबल के जरूरत के समाप्त करेला. |
3e4bd583795875c6550026fc02fb111daee763b4 | इ पेपर में, हम चेहरा के स्केच के उल्टा करे खातिर गहिरा तंत्रिका नेटवर्क के उपयोग फोटो यथार्थवादी चेहरा के छवियन के संश्लेषण करे खातिर कइलें. पहिले हमनी के एगो अर्ध-अनुकरनित डेटासेट बनावेनी जा जेमे कंप्यूटर द्वारा बनावल बहुत बड़ संख्या में चेहरा के स्केच अलग-अलग स्टाइल में आ ओही तरह के चेहरा के तस्वीर के साथ मौजूद चेहरा के डेटासेट के बिस्तार क के बनावल जाई. तब हमनी के कंप्यूटर द्वारा तैयार स्केच आ हाथ से तैयार स्केच दुनों पर अत्याधुनिक परिणाम प्राप्त करे वाला मॉडल के प्रशिक्षण देले बानी जा, डीप लर्निंग में हाल के प्रगति के उपयोग करके जइसे कि बैच सामान्यीकरण, डीप रिज़िड्यूअल लर्निंग, परसेप्टिव लॉस आ स्टोकेस्टिक ऑप्टिमाइजेशन, हमनी के नया डेटासेट के संयोजन में। हम अंततः आपन मॉडल के संभावित अनुप्रयोग के ललित कला आउर फोरेंसिक कला में प्रदर्शित कइनी. मौजूदा पैच-आधारित दृष्टिकोण के विपरीत, हमार डीप-न्यूरलनेटवर्क-आधारित दृष्टिकोण के उपयोग फोटो-यथार्थवादी चेहरा छवियन के संश्लेषण खातिर कइल जा सकेला, जवन कि जंगली में चेहरा स्केच के उल्टा करे खातिर कइल जाला. |
2fd9f4d331d144f71baf2c66628b12c8c65d3ffb | वर्गीकरण पद्धति में हाल के सबसे महत्वपूर्ण विकास में से एगो होला. प्रशिक्षण डेटा के पुनः भारित संस्करण पर क्रमशः वर्गीकरण एल्गोरिथ्म लागू करके आउर फिर वर्गीकरणकर्ता के क्रम के भारित बहुमत वोट के उपयोग करके काम के बढ़ावा दिहल जाला. कई वर्गीकरण एल्गोरिदम खातिर, इ सरल रणनीति के परिणाम प्रदर्शन में नाटकीय सुधार होला. हम देखब कि इ रहस्यमय घटना के सुपरिचित सांख्यिकीय सिद्धांत के संदर्भ में समझल जा सकेला, अर्थात् जोड़ के मॉडलिंग आउर अधिकतम संभावना. दुगो-वर्ग के समस्या खातिर, अधिकतम बर्नौली संभावना के मानदंड के रूप में उपयोग करके लॉजिस्टिक पैमाना पर योजक मॉडलिंग के अनुमान के रूप में बूस्टिंग के देखल जा सकेला. हम अधिक सीधा अनुमान विकसित कइनी आउर देखनी कि ऊ लगभग समान परिणाम के बढ़ावा देवे के प्रदर्शन करेलन. बहुपद संभावना पर आधारित प्रत्यक्ष बहुवर्गीय सामान्यीकरण प्राप्त कइल जाला जे कि हाल में प्रस्तावित बहुवर्गीय सामान्यीकरण के तुलनात्मक प्रदर्शन देखावेला. हम सुझाव दे तानी कि बूस्टिंग में एगो मामूली बदलाव कइल जाय जे गणना के कम कर सके, अक्सर 10 से 50 के गुणक द्वारा. अंत में, हमनी के ई सब जानकारी के उपयोग निर्णय के पेड़ के बढ़ावे खातिर एगो वैकल्पिक सूत्र बनावे खातिर कइल जा । इ दृष्टिकोण, सबसे अच्छा-पहिला टंकित पेड़ प्रेरण पर आधारित होला, अक्सर बेहतर प्रदर्शन के तरफ ले जाला, आउर समग्र निर्णय नियम के व्याख्या योग्य विवरण प्रदान कर सकेला. ई गणना के हिसाब से भी बहुत तेज बा, एकरा के बड़ पैमाना पर डेटा माइनिंग एप्लीकेशन खातिर अधिक उपयुक्त बनावेला। |
573ae3286d050281ffe4f6c973b64df171c9d5a5 | हम ढेर गन्दा दृश्यन में ढेर संख्या में अलग-अलग वर्ग के वस्तु के पता लगावे के समस्या पर विचार करब. पारंपरिक दृष्टिकोण में छवि के विभिन्न वर्गीकरणकर्ता के बैटरी के कई स्थान आउर पैमाना पर लागू करे के आवश्यकता होला. ई धीमा हो सकेला आउर बहुत सारा प्रशिक्षण डेटा के आवश्यकता हो सकेला काहे कि प्रत्येक वर्गीकरन के खातिर कई अलग-अलग छवि विसेसताओं के गणना के आवश्यकता होखेला. विशेष रूप से, स्वतंत्र रूप से प्रशिक्षित डिटेक्टरन खातिर, (रनटाइम) कम्प्यूटेशनल जटिलता आउर (ट्रेनिंग-टाइम) नमूना जटिलता स्केल के पता लगावे के वर्ग के संख्या के साथे रैखिक रूप से. हम एगो मल्टीटास्क लर्निंग प्रोसीजर प्रस्तुत करब, जवन बूस्ट निर्णय स्टंप पर आधारित बा, जवन कि सामान्य विशेषता के खोज के कम्प्यूटेशनल आउर नमूना जटिलता के कम करेला जे कि कक्षा (आऊ / या दृश्य) में साझा कइल जा सकेला. हर वर्ग खातिर डिटेक्टर के स्वतंत्र रूप से प्रशिक्षित करे के बजाय संयुक्त रूप से प्रशिक्षित कइल जाला. एगो दिहल गइल प्रदर्शन स्तर खातिर, कुल संख्या में आवश्यक सुविधा आउर, इ प्रकार, वर्गीकरणकर्ता के रनटाइम लागत, कक्षा के संख्या के साथ लगभग लॉगरिदमिक रूप से स्केल करे खातिर देखल जाला. संयुक्त प्रशिक्षण द्वारा चुनल गइल विशेषता सामान्य किनारा-जैसन विशेषता ह, जबकि प्रत्येक वर्ग के अलग से प्रशिक्षण द्वारा चुनल गइल विशेषता अधिक वस्तु-विशिष्ट होखेला. जेनेरिक विशेषता बेहतर सामान्यीकरण करेला आउर बहु-वर्ग वस्तु के पता लगावे के कम्प्यूटेशनल लागत के काफी कम कर देवेला |
1e75a3bc8bdd942b683cf0b27d1e1ed97fa3b4c3 | गॉसियन प्रक्रिया राज्य के स्थान मॉडल में अज्ञात गतिशीलता के पहिले के धारणा के लचीला विनिर्देश के अनुमति देवेला. हम गॉसियन प्रक्रिया राज्य अंतरिक्ष मॉडल में कुशल बेजियन सीख के एगो प्रक्रिया प्रस्तुत कर रहल बानी, जहाँ परावर्तन के निर्माण समस्या के अनुमानित इजेनफंक्शन के सेट पर प्रोजेक्ट करके कइल जाला जे पहिले के सह-विचलन संरचना से प्राप्त होला. मॉडल के इ परिवार के तहत सीखल एगो सावधानी से तैयार कण एमसीएमसी एल्गोरिथ्म के उपयोग करके करल जा सकेला. ई योजना कम्प्यूटेशनल रूप से कुशल बा आउर फिर भी समस्या के पूरा तरह से बेयसन उपचार के अनुमति देवेला. परंपरागत सिस्टम पहचान उपकरण या मौजूदा सिखे के तरीका के तुलना में, हमनी के प्रतिस्पर्धी परफॉर्मेंस अउर मॉडल में अनिश्चितता के विश्वसनीय मात्रिकरण देखावल जा सकेला. |
142a799aac35f3b47df9fbfdc7547ddbebba0a91 | हम रंगाई डेटा में मॉडल आधारित 6 डी पोज रिफाइनिंग खातिर एगो नया तरीका प्रस्तुत करत बानी. समोच्च आधारित मुद्रा ट्रैकिंग के स्थापित विचार पर आधारित, हम एगो गहिरा तंत्रिका नेटवर्क के अनुवादात्मक आउर घूर्णन अपडेट के भविष्यवाणी करे खातिर सिखवनी. मूल रूप से, हम एगो नया दृश्य हानि के प्रस्ताव देले बानी जवन वस्तु के आकृति के संरेखित करके मुद्रा अद्यतन के चलावेला, इ प्रकार कौनो स्पष्ट उपस्थिति मॉडल के परिभासा से बचेला. पिछला काम के विपरीत हमार तरीका पत्राचार-मुक्त, खंडन-मुक्त बा, आक्ल्यूजन के संभाल सकेला आउर ज्यामितीय समरूपता के साथे-साथे दृश्य अस्पष्टता खातिर अज्ञेयवादी बा. एकरे अलावा, हम मोटा प्रारंभिक रूप के ओर मजबूत मजबूती के देखऽ ही. ई दृष्टिकोण वास्तविक समय में चल सकेला आउर बिना गहराई डेटा के आवश्यकता के 3 डी आईसीपी के करीब आवे वाला मुद्रा सटीकता उत्पन्न करेला. एकरे अलावा, हमनी के नेटवर्क के प्रशिक्षण विशुद्ध रूप से सिंथेटिक डेटा से होला आ ई सुधार कोड के साथ http://campar.in.tum पर प्रकाशित कइल जाई। de/Main/FabianManhardt के पुनरुत्पादन क्षमता सुनिश्चित करे खातिर. |
046bf6fb90438335eaee07594855efbf541a8aba | शहरीकरण के तेजी से बढ़त विकास से बहुत लोग के जीवन में सुधार भइल बा, लेकिन ई भी बहुत समस्या पैदा कइलस, जइसे कि यातायात जाम, ऊर्जा खपत, अउरी प्रदूषण. शहरी कंप्यूटिंग के उद्देश्य शहर में उत्पन्न डेटा (जैसे, यातायात प्रवाह, मानव गतिशीलता आउर भौगोलिक डेटा) के उपयोग करके इ मुद्दा के संबोधित कइल बा. शहरी कंप्यूटिंग शहरी संवेदन, डेटा प्रबंधन, डेटा विश्लेषण, आउर सेवा प्रदान करे के एगो आवर्ती प्रक्रिया में लोगन के जीवन, शहर संचालन प्रणाली आउर पर्यावरण के एगो अप्रत्यक्ष आउर निरंतर सुधार खातिर जोड़त ह. शहरी कंप्यूटिंग एगो अंतःविषय क्षेत्र बाटे जहवां कंप्यूटर विज्ञान पारंपरिक शहर-संबंधित क्षेत्रन के पूरा करेला, जइसे कि परिवहन, सिविल इंजीनियरिंग, पर्यावरण, अर्थव्यवस्था, पारिस्थितिकी आउर समाजशास्त्र शहरी स्थान के संदर्भ में. ई लेख पहिले शहरी कंप्यूटिंग के अवधारणा के परिचय देत बा, एकर सामान्य ढांचा आ मुख्य चुनौती सभ के कंप्यूटर बिज्ञान के नजरिया से देख के चर्चा करत बा। दूसरा, हमनी के शहरी कंप्यूटिंग के अनुप्रयोग के सात श्रेणी में वर्गीकृत करेनी जा, जे में शहरी नियोजन, परिवहन, पर्यावरण, ऊर्जा, सामाजिक, अर्थव्यवस्था, आ सार्वजनिक सुरक्षा आ सुरक्षो शामिल बा, हर श्रेणी में प्रतिनिधि परिदृश्य प्रस्तुत करेनी जा। तीसर, हमनी के शहरी कंप्यूटिंग में जरूरी तकनीक के चार गो में बाँट के देखब, शहरी संवेदन, शहरी डेटा प्रबंधन, विविधीकृत डेटा में ज्ञान के संलयन, आ शहरी डेटा विज़ुअलाइज़ेशन। अंत में, हम शहरी कंप्यूटिंग के भविष्य के बारे में एगो दृष्टिकोण देत बानी, कुछ शोध विषय के सुझाव देत बानी जवन कि समुदाय में गायब बा. |
970b4d2ed1249af97cdf2fffdc7b4beae458db89 | हर दिन करीबन एक अरब ऑनलाइन वीडियो देखल जा रहल बा, कंप्यूटर विजन रिसर्च में एगो नया सीमा के उभरल बा वीडियो में पहचान आउर खोज. जबकि हजारन छवि श्रेणिन के बड़हन स्केलेबल स्थिर छवि डेटासेट के संग्रह आउर एनोटेशन खातिर बहुत प्रयास कइल गइल बा, मानव क्रिया डेटासेट बहुत पिछड़ल बा. वर्तमान में क्रिया के पहिचान के डेटाबेस में दस गो अलग-अलग क्रिया श्रेणी के क्रम में पर्याप्त रूप से नियंत्रित परिस्थिति में एकत्र कइल गइल बा. एह डेटा सेट पर अत्याधुनिक प्रदर्शन अब अधिकतम सीमा के करीब बा, एही से नया बेंचमार्क के डिजाइन आ निर्माण के जरूरत बा। एह मुद्दा के निपटावे खातिर हमनी के अब तक के सभसे बड़हन एक्शन वीडियो डेटाबेस के 51 एक्शन श्रेणी के साथ इकट्ठा कइल गइल बा, जे कुल मिला के लगभग 7,000 मैन्युअल रूप से एनोटेट कइल क्लिप के सम्मिलित करे ले, जे अलग-अलग स्रोत से लिहल गइल बा, जे कि डिजिटाइज्ड फिलिम से ले के यूट्यूब तक ले बा। हम एह डेटाबेस के उपयोग एक्शन मान्यता खातिर दू गो प्रतिनिधि कंप्यूटर विजन सिस्टम के प्रदर्शन के मूल्यांकन करे खातिर कइल जा रहल बा आउर कैमरा गति, व्यूपॉइंट, वीडियो गुणवत्ता आउर ऑक्ल्यूजन जइसन विभिन्न परिस्थिति में इ तरीका के मजबूती के पता लगावे खातिर कइल जा रहल बा. |
3087289229146fc344560478aac366e4977749c0 | सूचना सिद्धांत के हाल में इशारा कइल गइल बा कि कुछ संवेदी, अवधारणात्मक आउर अवधारणात्मक-गतिशील कार्य में आदमी के क्षमता के अबले संभव से अधिक सटीक रूप से बतावे खातिर (5, 10, 13, 15, 17, 18) । वर्तमान पेपर में रिपोर्ट कइल गइल प्रयोग मानव मोटर प्रणाली खातिर सिद्धांत के विस्तार करेला. ए समय खाली मूलभूत अवधारना, सूचना के मात्रा, शोर, चैनल क्षमता, आउर सूचना प्रसारण के दर के लागू होए के जांच कइल जाई. हाल के लेखक (4,11, 20, 22) द्वारा तैयार इ सब अवधारणा के साथ सामान्य परिचितता मानल जाला. सख्ती से कहल जाय त, हम मनुष्य के गति तंत्र के व्यवहारिक स्तर पर एकर संबद्ध संवेदी तंत्र से अलग से अध्ययन ना कर सकीं. हम खाली पूरा रिसेप्टर-न्यूरल-इफेक्टर सिस्टम के व्यवहार के विश्लेषण कर सकत बानी. कइसे- |
64305508a53cc99e62e6ff73592016d0b994afd4 | आरडीएफ के उपयोग अर्थ संबंधी वेब आउर डेटा विनिमय खातिर डेटा के एन्कोड करे खातिर तेजी से कइल जा रहल बा. आरडीएफ डेटा प्रबंधन के अलग-अलग दृष्टिकोण के अनुसरण करे वाला काम के एगो बड़ संख्या रहल बाटे. एह लेख में हमनी के एह काम के बारे में एगो सिंहावलोकन दिहल जा रहल बा। इ समीक्षा केंद्रीकृत समाधान (जेके गोदाम दृष्टिकोण के रूप में संदर्भित कइल जाला), वितरित समाधान, आउर लिंक कइल गइल डेटा क्वेरी खातिर विकसित तकनीक के विचार करेला. हर श्रेणी में अउरी वर्गीकरण दिहल गइल बा जे पाठक लोग के अलग-अलग दृष्टिकोण के पहिचान करे वाला विशेषता के समझे में मदद करी. |
6162ab446003a91fc5d53c3b82739631c2e66d0f | |
29f5ecc324e934d21fe8ddde814fca36cfe8eaea | परिचय स्तन कैंसर (बीसी) महिला लोग में सबसे आम कैंसर हवे, जवन कि लगभग 10% महिला लोग के जीवन के कुछ चरण में होला। हाल के साल में, रोग के दर बढ़त रहेला आउर आंकड़ा बतावेला कि निदान के पांच साल बाद जीवित रहे के दर 88% आउर निदान के 10 साल बाद 80% बा [1]. स्तन कैंसर के प्रारंभिक भविष्यवाणी अनुवर्ती प्रक्रिया में सबसे महत्वपूर्ण काम में से एगो ह. डेटा खनन विधि गलत सकारात्मक आउर गलत नकारात्मक निर्णय के संख्या के कम करे में मदद कर सकेला [2,3]। नतीजतन, नया तरीका जइसे कि डेटाबेस में ज्ञान खोज (केडीडी) चिकित्सा शोधकर्ता लोग खातिर एगो लोकप्रिय शोध उपकरण बन गइल बा जे ढेर संख्या में चर के बीच पैटर्न आउर संबंध के पहचान आउर शोषण करे के कोशिश करेला, आउर डेटासेट में संग्रहीत ऐतिहासिक मामला के उपयोग करके बीमारी के परिणाम के भविष्यवाणी करेला [4]. |
261e841c8e0175586fb193b1a199cefaa8ecf169 | एगो व्यक्ति के गहरी सीख के कार्य में कइसे लागू करे के चाही जइसे कि रूपात्मक पुनर्व्यवस्था, जे एगो स्ट्रिंग के दूसर स्ट्रिंग प्राप्त करे खातिर स्टोकास्टिक रूप से संपादित करेला? अइसन अनुक्रम-से-अनुक्रम कार्य खातिर एगो हालिया दृष्टिकोण इनपुट स्ट्रिंग के एगो वेक्टर में संकुचित करे के बा जेकर उपयोग पुनरावर्ती तंत्रिका नेटवर्क के उपयोग करके आउटपुट स्ट्रिंग उत्पन्न करे खातिर कइल जाला. एकरे विपरीत, हम पारंपरिक आर्किटेक्चर के रखे के प्रस्ताव देला, जे कि एगो सीमित-राज्य ट्रांसड्यूसर के उपयोग करे ला ताकि सब संभावित आउटपुट स्ट्रिंग के स्कोरिंग कइल जा सके, लेकिन आवर्ती नेटवर्क के मदद से स्कोरिंग फंक्शन के बढ़ावे खातिर. द्विदिशात्मक LSTM के ढेर इनपुट स्ट्रिंग के बाएँ से दाएँ आउर दाएँ से बाएँ से पढ़ले बा, ताकि इनपुट संदर्भ के सारांशित कइल जा सके जेकरा में एगो ट्रांसड्यूसर आर्क लागू कइल जाला. हम इ सीखे वालन सुविधा के ट्रांसड्यूसर के साथे जोड़ के, एगो भारित परिमित-राज्य ऑटोमैटन के रूप में, संरेखित आउटपुट स्ट्रिंग पर एगो संभावना वितरण के परिभाषित कर तानी. इ सुविधा के हाथ से इंजीनियर करल कम कर देवेला, सीखे वाला सुविधा के इनपुट स्ट्रिंग में असीमित संदर्भ के जांच करे के अनुमति देवेला, आउर फिर भी गतिशील प्रोग्रामिंग के माध्यम से सटीक अनुमान लगावे के अनुमति देवेला. हम आकृति विज्ञान के पुनः झुकन आउर लेमिटाइजेशन के कार्य पर आपन विधि के चित्रित करब. |
8f69384b197a424dfbd0f60d7c48c110faf2b982 | |
014b191f412f8496813d7c358ddd11d8512f2005 | उच्च-रिज़ॉल्यूशन छवि रडार एगो एकल अवलोकन से विस्तारित वस्तु के गति आउर गति के दिशा के अनुमान लगावे खातिर नया अवसर खोलल जाला. चूंकि रडार सेंसर केवल रेडियल वेग के नापने, एगो ट्रैकिंग प्रणाली के उपयोग सामान्य रूप से वस्तु के वेग वेक्टर के निर्धारित करे खातिर कइल जाला. स्थिर वेग के अनुमान सबसे पहिले कई फ्रेम के बाद लगावल जाला, जेकर परिणाम कुछ स्थिति में प्रतिक्रिया करे खातिर महत्वपूर्ण समय के नुकसान होला जइसे कि क्रॉस-ट्राफिक. निम्नलिखित पेपर एगो विस्तारित लक्ष्य के वेग वेक्टर के निर्धारित करे खातिर एगो मजबूत आउर मॉडल-मुक्त दृष्टिकोण प्रस्तुत करेला. कलमैन फ़िल्टर के उल्टा, एकरा खातिर समय आउर जगह में डेटा एसोसिएशन के आवश्यकता ना होला. एकर वेग वेक्टर के एगो तात्कालिक (~ 50 ms) आउर पूर्वाग्रह मुक्त अनुमान संभव बा. हमार तरीका से सिग्नल में शोर आउर व्यवस्थित भिन्नता (जइसे, पहियों के माइक्रो-डॉपलर) के संभाल सकेला. इ ना केवल रेडियल वेग में बल्कि अज़ीमुथ स्थिति में भी रडार सेंसर के माप त्रुटि से निपटे खातिर अनुकूलित करल गइल बा. इ विधि के सटीकता कई राडार सेंसर के संलयन से बढ़ावल जाला. |
ad6d5e4545c60ec559d27a09fbef13fa538172e1 | उन्नत ड्राइवर सहायता प्रणाली आउर स्वायत्त ड्राइविंग में, रडार पर आधारित विश्वसनीय पर्यावरण धारणा आउर ऑब्जेक्ट ट्रैकिंग मौलिक बाटे. उच्च-रिज़ॉल्यूशन वाला रडार सेंसर अक्सर प्रति ऑब्जेक्ट कई माप प्रदान करेला. चूंकि इ मामला में पारंपरिक बिंदु ट्रैकिंग एल्गोरिदम अब लागू ना होला, विस्तारित ऑब्जेक्ट ट्रैकिंग खातिर उपन्यास दृष्टिकोण पिछला कुछ साल में उभरेला. हालाँकि, ई मुख्य रूप से लीडर अनुप्रयोगन खातिर डिज़ाइन कइल गइल बा या रडार के अतिरिक्त डॉपलर जानकारी के छोड़ देला. डोप्लर सूचना क उपयोग करे वाले क्लासिक रडार आधारित ट्रैकिंग विधि ज्यादातर समानांतर यातायात क बिंदु ट्रैकिंग क खातिर डिज़ाइन कईल गयल हव. इ पेपर में प्रस्तुत माप मॉडल के समानांतर आउर क्रॉस ट्रैफिक सहित मनमाने यातायात परिदृश्य में लगभग आयताकार आकार के वाहन के ट्रैक करे खातिर विकसित कइल गइल बा. गतिज अवस्था के अलावा, इ वस्तु के ज्यामितीय अवस्था के निर्धारित आउर ट्रैक करे के अनुमति देवेला. डॉपलर सूचना के उपयोग मॉडल में एगो महत्वपूर्ण घटक बा. एकरे अलावा, एकरा खातिर ना त माप के पूर्व-प्रसंस्करण के जरूरत बा, ना डेटा क्लस्टरिंग के, ना ही स्पष्ट डेटा एसोसिएशन के. वस्तु ट्रैकिंग खातिर, माप मॉडल के अनुकूल एगो राओ-ब्लैकवेललाइज्ड पार्टिकल फिल्टर (आरबीपीएफ) प्रस्तुत कइल गइल बा. |
965f8bb9a467ce9538dec6bef57438964976d6d9 | मेकअप आउर छुपावल गइल उपस्थिति के तहत समान विषय के पहचानते समय स्वचालित मानव चेहरा पहचान एल्गोरिदम के सटीकता काफी हद तक कम हो सकेला. बढ़ल सुरक्षा आ निगरानी पर बढ़त बाधा के चलते चेहरा के पहिचान करे वाला एल्गोरिदम के चेहरा के सही पहिचान करे के जरूरत बा जे चेहरा के मुखौटा आ/या मेकअप में देखावल जा रहल होखे। ई पेपर चेहरा के छवियन खातिर एगो नया डेटाबेस प्रस्तुत करेला जे मुखौटा आ मेकअप के रूप में लउकेला. एह डेटाबेस में 410 अलग-अलग विषय के 2460 तस्वीर बाड़ी स आ ई असली माहौल में लिहल गइल बा, मेकअप पर फोकस करे ला आ को-वेरिएट के छिपावे ला आ हर तस्वीर खातिर आधारभूत सच्चाई (आंख के चश्मा, चश्मा, मूंछ, दाढ़ी) भी उपलब्ध करावे ला। इ विकसित एल्गोरिदम के स्वचालित रूप से चेहरा के पहचान के दौरान अइसन महत्वपूर्ण भेस विशेषता के पहचान करे के क्षमता के मापने में सक्षम कर सकेला. हम दू लोकप्रिय वाणिज्यिक मिलानकर्ता आउर हाल के प्रकाशन से तुलनात्मक प्रयोगात्मक परिणाम भी प्रस्तुत करब. हमनी के प्रयोगात्मक परिणाम ई बतावेला कि एह मिलानकर्ता लोग के क्षमता में ई चेहरा के स्वचालित रूप से पहचानले में महत्वपूर्ण प्रदर्शन गिरावट आईल बा. हम इ मिलान से चेहरा पहचान के सटीकता के भी विश्लेषण करब. प्रयोगात्मक परिणाम इ सब सह-परिवर्तकों के तहत चेहरा के पहचान में चुनौतियन के रेखांकित करेला. सार्वजनिक डोमेन में एह नया डेटाबेस के उपलब्धता मेकअप आ मुखौटा पहिनले चेहरा के पहिचान करे के बहुते जरूरी शोध आ विकास के आगे बढ़ावे में मदद करी। |
f8e32c5707df46bfcd683f723ad27d410e7ff37d | |
32c8c7949a6efa2c114e482c830321428ee58d70 | ई लेख अत्याधुनिक GPU-आधारित हाई-थ्रूपुट कंप्यूटिंग सिस्टम के क्षमता पर चर्चा करे ला आ सिंगल-चिप समानांतर-कंप्यूटिंग सिस्टम के बढ़ावे के चुनौती पर विचार करे ला, हाई-इम्पैक्ट एरिया सभ पर प्रकाश डालत बा जिनहन के कंप्यूटिंग रिसर्च समुदाय संबोधित कर सके ला। एनवीडिया रिसर्च एगो विषम उच्च-प्रदर्शन कंप्यूटिंग सिस्टम खातिर एगो आर्किटेक्चर के जांच कर रहल बा जे इ सब चुनौती के संबोधित करे के मांग करेला. |
8890bb44abb89601c950eb5e56172bb58d5beea8 | लक्ष्य-उन्मुख संवाद नीति के सीखल आम तौर पर पर्यवेक्षित सीख एल्गोरिदम के साथ ऑफ़लाइन या सुदृढीकरण सीख (आरएल) के साथ ऑनलाइन कइल जाला. एकरे अलावा, जइसे-जइसे कंपनी ग्राहक लोग आ प्रशिक्षित मानव एजेंट लोग के बीच बातचीत के भारी मात्रा में ट्रांसक्रिप्ट जमा करे लीं, एनकोडर-डेकोडर के तरीका लोकप्रिय भइल बा काहे कि एजेंट के कथन के सीधे निगरानी के रूप में मानल जा सके ला, बिना कथन-स्तर के एनोटेशन के जरूरत के। हालांकि, अइसन दृष्टिकोण के एगो संभावित दोष ई बा कि ऊ संवाद-स्तर के विचार के बिना अगला एजेंट कथन के उत्पन्न करेला. इ चिंता के हल करे खातिर, इ पत्र बिना टिप्पणी के निकाय से सीखे खातिर एगो ऑफ़लाइन आरएल विधि के वर्णन करेला जवन कथन आउर संवाद दुनों स्तर पर लक्ष्य-उन्मुख नीति के अनुकूलित कर सकेला. हमनी के एगो नया इनाम फलन के परिचय देले बानी जा आ नीति पर आधारित आ नीति से बाहर के दुनों तरीका के इस्तेमाल क के नीति के ऑफलाइन सीखे के कोशिश कइल जा रहल बा बिना ऑनलाइन उपयोगकर्ता के बातचीत या स्पष्ट स्टेट स्पेस परिभाषा के जरूरत के। |
589d84d528d353a382a42e5b58dc48a57d332be8 | रटगर्स एंकल एगो स्टीवर्ट प्लेटफार्म-प्रकार के हैप्टिक इंटरफेस बा जे पुनर्वास में उपयोग खातिर डिजाइन कइल गइल बा. इ प्रणाली रोगी के पैर पर छ डिग्री-ऑफ-फ्रीडम (डीओएफ) प्रतिरोधक बल प्रदान करेला, आभासी वास्तविकता-आधारित अभ्यास के जवाब में. रटगर्स एंकल कंट्रोलर में एगो एम्बेडेड पेंटियम बोर्ड, वायवीय सोलेनोइड वाल्व, वाल्व कंट्रोलर, आउर संबंधित सिग्नल कंडीशनिंग इलेक्ट्रॉनिक्स होला. हमनी के केस स्टडी में इस्तेमाल होखे वाला पुनर्वास अभ्यास में लूप के माध्यम से एगो आभासी विमान के पायलट करे के होला. अभ्यास के कठिनाई के चुनल जा सकेला जे लूप के संख्या आउर स्थान, आभासी वातावरण में विमान के गति आउर स्पर्श इंटरफ़ेस द्वारा प्रदान करल गइल प्रतिरोध के डिग्री के आधार पर कइल जा सकेला. अभ्यास डेटा पारदर्शी रूप से, वास्तविक समय में, एगो ओरेकल डेटाबेस में संग्रहीत करल जाला. इ आंकड़ा में व्यायाम के दौरान, आउर बाद के पुनर्वास सत्र के दौरान टखने के स्थिति, बल, आउर यांत्रिक कार्य शामिल होला. पूरा कइल गइल लूप के संख्या आ पूरा होखे में लगने वाला समय भी ऑनलाइन स्टोर कइल जाला. एगो मरीज के केस स्टडी प्रस्तुत कइल गइल बा जे स्ट्रोक के बाद नौ महीना के रहल आ ई सिस्टम के इस्तेमाल कइलस। परिणाम देखावलन कि, छह पुनर्वास सत्र के दौरान, रोगी के ताकत आउर धीरज के नैदानिक माप में सुधार भइल, जे रटगर्स एंकल द्वारा मापल गइल टॉर्क आउर बिजली उत्पादन में वृद्धि के साथे ठीक से मेल खाइलस. सिमुलेशन के दौरान कार्य सटीकता आउर समन्वय में आउर मरीज के पैदल चलल आउर सीढ़ी चढ़े के क्षमता में भी पर्याप्त सुधार भइल रहे. |
67161d331d496ad5255ad8982759a1c853856932 | ई पेपर बाढ़ के आपदा के बारे में जनता के सचेत करे खातिर एगो जल्दी चेतावनी प्रणाली के वास्तुकला के प्रस्ताव देला. चार तत्व के बीच संबंध के साथ एगो प्रभावी प्रारंभिक चेतावनी प्रणाली विकसित कइल जाए के चाही, जवन कि जोखिम के आकलन करे खातिर सटीक डेटा संग्रह, खतरा निगरानी सेवा के विकास, जोखिम से संबंधित जानकारी पर संचार आउर सामुदायिक प्रतिक्रिया क्षमता के अस्तित्व ह. ई परियोजना वायरलेस सेंसर नेटवर्क के उपयोग क के पानी के स्तर के दूर से निगरानी पर केंद्रित बा. एह परियोजना में ग्लोबल सिस्टम फॉर मोबाइल कम्युनिकेशन (जीएसएम) आ शॉर्ट मैसेज सर्विस (एसएमएस) के इस्तेमाल कइल गइल बा जेह में सेंसर से डेटा कंप्यूटर तक पहुँचावल जा सके ला या फिर सीधे पीड़ित के मोबाइल फोन से सूचना दिहल जा सके ला। आशा बा कि प्रस्तावित वास्तुकला के आगे बढ़ावल जा सके आ ई एगो काम करे वाली प्रणाली बन सके, जवन समुदाय खातिर फायदेमंद होई आ बाढ़ के आपदा में लोग के जान बचावे खातिर एहतियाती कार्रवाई के रूप में काम करी। |
a5de09243b4b12fc4bcf4db56c8e38fc3beddf4f | हाल के अध्ययन से पता चलल बा कि उद्यम सामाजिक प्रणाली (ईएसएस) के लागू करे से संगठन सामाजिक व्यवसाय के नया प्रतिमान में बदल जइहें जेकरा चलते भारी आर्थिक लाभ आ प्रतिस्पर्धात्मक लाभ होई। सामाजिक उद्यम सामाजिक सहयोग, अंतर्निहित ज्ञान साझा करे, स्वेच्छा से सामूहिक भागीदारी, कुछ नाम बतावे खातिर काम करे आउर आयोजन के एगो पूरा तरह से नया तरीका बनावेला. एहसे, ईएसएस के कार्यान्वयन के काम करे के नया तरीका आ संगठन के अनोखेपन से निपटे के चाहीं। हालाँकि, बड़ उद्यम के इ सब प्रणाली के लागू करे के बारे में जानकारी के कमी बा। ई पेपर के उद्देश्य ईएसएस के कार्यान्वयन के शासन मॉडल के अध्ययन कइल बा. नॉर्वे में एगो विश्व-प्रमुख ऊर्जा कंपनी स्टेटक्राफ्ट में स्ट्रीम नामक सामाजिक इंट्रानेट के कार्यान्वयन के जांच करे खातिर एगो केस स्टडी कइल गइल बा. Stream के शासन मॉडल कॉर्पोरेट संचार, मानव संसाधन आउर आईटी के बीच घनिष्ठ सहयोग आउर जवाबदेही पर जोर देवेला, जे ईएसएस के कार्यान्वयन के शासन में प्रतिमान बदलाव के मतलब बा. एकरा कार्यान्वयन में लाभ आउर चुनौती के भी पहचान कइल गइल बा. अध्ययन में प्राप्त ज्ञान आउर अंतर्दृष्टि के आधार पर, ईएसएस कार्यान्वयन के शासन में सुधार करे में कंपनी के सहायता खातिर सिफारिश कइल गइल बा. ई अध्ययन ईएसएस कार्यान्वयन के शासन पर ज्ञान/कौशल प्रदान करेला. |
5ca6217b3e8353778d05fe58bcc5a9ea79707287 | ई-शासन हर सरकार के एजेंडा के हिस्सा बन गइल बा. कई गो सरकार एकर महत्वपूर्ण प्रभाव आ सरकारी संचालन पर एकर प्रभाव के अपना लिहले बाड़ी सऽ। प्रौद्योगिकी के मंत्र के अधिका प्रचलित होखला के बाद से सरकार आपन एजेंसिन आ विभागन में ई-गवर्नेंस नीति शुरू करे के फैसला कइले बिया ताकि सेवा के गुणवत्ता, बेहतर पारदर्शिता आ अधिका जवाबदेही के बढ़ावा दिहल जा सके। मलेशिया के बारे में, सरकार ई-सरकार के लहर से प्रेरित बा, काहे कि एकर स्थापना सार्वजनिक सेवा वितरण के गुणवत्ता में सुधार कर सकेला, आउर एकर आंतरिक संचालन भी कर सकेला. ई गुणात्मक अध्ययन ई-सरकार पहल के कार्यान्वयन के स्थिति के एगो केस स्टडी के रूप में खोज करी, अउर ई निष्कर्ष के तुलनात्मक मूल्यांकन भी प्रदान करी, दक्षिण कोरियाई सरकार के एगो बेंचमार्क अध्ययन के रूप में उपयोग करके, ई-सरकार में एकर उत्कृष्ट प्रदर्शन के देखते हुए. एह अध्ययन के नतीजा से सार्वजनिक प्रशासन के नजरिया से सुधार के संभावना वाला क्षेत्र के उजागर होई आ एह तुलनात्मक दृष्टिकोण से भी मलेशिया ई-सरकार परियोजना के सफलता सुनिश्चित करे खातिर दक्षिण कोरिया के प्रथा से कुछ सीख सकेला। |
2b2c30dfd3968c5d9418bb2c14b2382d3ccc64b2 | डीबीपीडिया विकिपीडिया से संरचित जानकारी निकाले आ ई जानकारी वेब पर उपलब्ध करावे खातिर एगो सामुदायिक प्रयास बा। डीबीपीडिया आपके विकिपीडिया से लिहल गइल डेटासेट के बारे में जटिल सवाल करे आ वेब पर मौजूद अन्य डेटासेट के विकिपीडिया के डेटा से जोड़ के पूछे के अनुमति देला। हम DBpedia डेटासेट के निकाले के तरीका के बारे में बताईं, आ ई कि कइसे एह से मिलल जानकारी के वेब पर मानव आ मशीन खातिर प्रकाशित कइल जाला। हमनी के कुछ उभरल अनुप्रयोग के बारे में बतइब जे डीबीपीडिया समुदाय के ह अउर देखइब कि कइसे वेबसाइट लेखक लोग आपन साइट में डीबीपीडिया सामग्री के सुविधा दे सकेला. अंत में, हमनी के वेब पर अन्य खुला डेटासेट के साथ डीबीपीडिया के आपस में जोड़ के वर्तमान स्थिति प्रस्तुत करब आउर खुला डेटा के उभरत वेब खातिर डीबीपीडिया के एगो नाभिक के रूप में कइसे काम कर सकेला, एकर रूपरेखा प्रस्तुत करब. |
92930f4279b48f7e4e8ec2edc24e8aa65c5954fd | हम बैंक के ग्राहक लोग के प्रोफाइल बनावे खातिर डेटा माइनिंग के एगो तरीका प्रस्तुत करत बानी ताकि मनी लॉन्ड्रिंग रोके के काम के पता लगावे के प्रक्रिया में मदद मिल सके। पहिले हमनी के समग्र सिस्टम आर्किटेक्चर के प्रस्तुत करब, आउर फेर इ पेपर खातिर प्रासंगिक घटक पर ध्यान केंद्रित करब. हम एगो वित्तीय संस्थान से वास्तविक दुनिया के डेटा पर कइल गइल प्रयोग के ब्यौरा देलीं, जवन हमरा के क्लाइंट के समूह में बाँटे के आ तब वर्गीकरण नियम के एगो सेट बनावे के अनुमति दिहलस. हम स्थापित ग्राहक प्रोफाइल आउर उत्पन्न वर्गीकरण नियम के प्रासंगिकता पर चर्चा करब. परिभाषित समग्र एजेंट-आधारित आर्किटेक्चर के अनुसार, इ सब नियम संदिग्ध लेनदेन के संकेत देवे खातिर जिम्मेदार बुद्धिमान एजेंट के ज्ञान के आधार में शामिल कइल जाई. |
8985000860dbb88a80736cac8efe30516e69ee3f | स्मार्ट होम सेंसर क उपयोग कईके मानव गतिविधि मान्यता स्मार्ट वातावरण में सर्वव्यापी कंप्यूटिंग क आधार में से एगो होला औरु परिवेश सहायता प्राप्त रहने क छेत्र में गहन शोध क विषय होखेला. डेटा सेट के बढ़त मात्रा मशीन लर्निंग विधि के मांग करेला. इ पेपर में, हम एगो गहरी सीख के मॉडल प्रस्तुत करत बानी जवन बिना कौनो पूर्व ज्ञान के मानव गतिविधि के वर्गीकृत करे के सीखत बा. इ उद्देस्य खातिर, एगो लॉन्ग शॉर्ट टर्म मेमोरी (एल एस टी एम) रिकर्सिव न्यूरल नेटवर्क के तीन वास्तविक दुनिया के स्मार्ट होम डेटासेट पर लागू कइल गइल रहे. इ प्रयोग के परिणाम से पता चलल कि प्रस्तावित दृष्टिकोण सटीकता आउर प्रदर्शन के संदर्भ में मौजूदा लोगन से बेहतर बा. |
b31f0085b7dd24bdde1e5cec003589ce4bf4238c | डोमेन अनुकूलन (डीए) ट्रांसफर लर्निंग होला जेकर उद्देश्य स्रोत डेटा से डेटा वितरण के बीच स्रोत आउर लक्ष्य के बीच बेमेल होए के बावजूद लक्ष्य डेटा पर एगो प्रभावी भविष्यवक्ता सीखल बा. हम इ पेपर में क्रॉस-डोमेन विजुअल रिकग्निशन खातिर एगो उपन्यास अनसुपरवाइज्ड डीए विधि प्रस्तुत करत बानी जे एक साथ सैद्धांतिक रूप से स्थापित त्रुटि बाउंड के तीनों शर्त के अनुकूलित करेला. विशेष रूप से, प्रस्तावित डीए विधि एगो गुप्त साझा सुविधा उप-स्थान के पुनरावर्ती रूप से खोजेला जहां स्रोत डोमेन आउर लक्ष्य डोमेन के बीच डेटा वितरण के विचलन न केवल कम हो जाला जइसन कि अधिकांश अत्याधुनिक डीए विधि करेला, बल्कि अंतर-वर्ग दूरी के भी बढ़ावेला ताकि भेदभावपूर्ण सीख के सुविधा मिल सके. एकरे अलावा, प्रस्तावित डीए विधि साझा उप-स्थान में प्राप्त सुविधा से वर्ग लेबल के बहुत कम रिग्रेस करेला जबकि स्रोत डेटा पर भविष्यवाणी त्रुटि के कम से कम करे ला आउर स्रोत आउर लक्ष्य के बीच लेबल कंसिस्टेंसी सुनिश्चित करेला. नकारात्मक ज्ञान के हस्तांतरण से बचे खातिर डेटा आउटलियर के भी ध्यान में रखल जाला. व्यापक प्रयोग आउर गहन विश्लेषण प्रस्तावित डीए विधि के प्रभावकारिता के सत्यापित करेला जे मानक डीए बेंचमार्क, यानी 12 क्रॉस-डोमेन छवि वर्गीकरण कार्य पर लगातार अत्याधुनिक डीए विधि के बेहतर करेला. |
b9bc9a32791dba1fc85bb9d4bfb9c52e6f052d2e | उच्च-आयामी विन्यास स्थान में एकल-क्वेरी पथ योजना समस्या के हल करे खातिर एगो सरल आउर कुशल यादृच्छिक एल्गोरिथ्म प्रस्तुत कइल गइल बा. इ तरीका दू गो तेजी से खोज करे वाला रैंडम ट्री (आरआरटी) के निर्माण द्वारा काम करेला जे सुरुआत में जड़ से जुड़ल होला आ लक्ष्य विन्यास होला. पेड़न में से प्रत्येक आपन चारो ओर के जगह के खोज करेला आउर एगो सरल लालची युरेस्टिक के उपयोग के माध्यम से एक दूसरे की ओर भी आगे बढ़ेला. यद्यपि मूल रूप से मानव हाथ के खातिर गति के योजना बनावे खातिर डिज़ाइन कइल गइल रहे (जेकरा के 7-डीओएफ गतिज श्रृंखला के रूप में मॉडल कइल गइल रहे) टकराव-मुक्त पकड़ आउर हेरफेर कार्य के स्वचालित ग्राफिक एनीमेशन खातिर, एल्गोरिथ्म के सफलतापूर्वक कई प्रकार के पथ योजना समस्या पर लागू कइल गइल बा. संगणित उदाहरन में 2 डी आउर 3 डी में कठोर वस्तुअन खातिर टक्कर-मुक्त गति उत्पन्न करे आउर 3 डी कार्यक्षेत्र में 6-डीओएफ पुमा बांह खातिर टक्कर-मुक्त हेरफेर गति शामिल बा. कुछ बुनियादी सैद्धांतिक विश्लेषण भी प्रस्तुत कइल गइल बा. |
d967d9550f831a8b3f5cb00f8835a4c866da60ad | |
6a686b525a84a87ca3e4d90a6704da8588e84344 | ई संचार एगो क्रमिक-चरण फ़ीडिंग नेटवर्क के उपयोग करे वाला ब्रॉडबैंड सर्कुलरली पोलराइज्ड (सीपी) 2 × 2 पैच सरणी प्रस्तुत करेला. तीन ऑपरेटिंग मोड के संयोजन से, अक्षीय अनुपात (एआर) आउर प्रतिबाधा बैंडविड्थ दुनों के बढ़ा दिहल गइल आउर पहिले से प्रकाशित अनुक्रमिक-खाद्य एकल-परत पैच सरणी के तुलना में व्यापक हो गइल. इ तीनों सीपी संचालन मोड के पैच तत्वन के टंकित कोना आउर अनुक्रमिक-चरण फ़ीडिंग नेटवर्क के अनुकूलित करके ट्यून आउर मिलान कइल जाला. प्रयोगात्मक रूप से डिजाइन के मान्य करे खातिर प्रस्तावित पैच सरणी के एगो प्रोटोटाइप बनावल गइल बा. मापल गइल -10-डीबी प्रतिबाधा बैंडविड्थ 1.03 गीगाहर्ट्ज (5.20-6.23 गीगाहर्ट्ज) बा, आउर मापल गइल 3-डीबी एआर बैंडविड्थ 0.7 गीगाहर्ट्ज (5.25-5.95 गीगाहर्ट्ज) बा, या 12.7% 5.5 गीगाहर्ट्ज के केंद्र आवृत्ति के अनुरूप बा. मापल गइल चोटी लाभ लगभग 12 dBic बा आउर लाभ भिन्नता एआर बैंडविड्थ के भीतर 3 dB से कम बा. |
d97e3655f50ee9b679ac395b2637f6fa66af98c7 | 30 साल से भी जादा समय से ऊर्जा संरक्षण के बढ़ावा देवे खातिर एगो रणनीति के रूप में फीडबैक के अध्ययन कइल गइल बा, अध्ययन के परिणाम के व्यापक रूप से भिन्न-भिन्न रिपोर्ट कइल गइल बा. साहित्य समीक्षा से पता चलल बा कि प्रतिक्रिया के प्रभावकारिता एह बात पर निर्भर करेला कि ई कइसे आ केकरा के दिहल जाला; फिर भी, दिहल गइल प्रतिक्रिया के प्रकार आ अध्ययन पद्धति दुनों में अंतर के चलते निष्कर्ष निकाले में दिक्कत भइल बा. वर्तमान लेख में असंगत मुद्दा के पहिचान करे खातिर प्रतिक्रिया आउर पर्यावरणीय व्यवहार दुनों पर पहिले के सैद्धांतिक आउर अनुभवजन्य शोध के विश्लेषण कइल गइल बा, आउर 1976 से 2010 के बीच प्रकाशित 42 प्रतिक्रिया अध्ययन के मेटा-विश्लेषण के उपयोग ऊर्जा उपयोग के बारे में कब आउर कइसे प्रतिक्रिया के बारे में परिकल्पना के परीक्षण करे खातिर कइल गइल बा. परिणाम इ दर्शावेला कि प्रतिक्रिया कुल मिला के प्रभावी होला, r = .071, p < .001, लेकिन प्रभाव में महत्वपूर्ण भिन्नता के साथे (r -.080 से .480 तक भिन्न रहे). कई उपचार चर इ संबंध के नियंत्रित करे खातिर पावल गइल रहे, जेमे आवृत्ति, माध्यम, तुलना संदेश, अवधि, आउर अन्य हस्तक्षेप के साथ संयोजन (जैसे, लक्ष्य, प्रोत्साहन) शामिल रहे. कुल मिला के, परिणाम ऊर्जा संरक्षण के बढ़ावा देवे खातिर एगो आशाजनक रणनीति के रूप में प्रतिक्रिया के अउर प्रमाण प्रदान करेला आउर अइसन क्षेत्र के सुझाव देवेला जहवां भविष्य के शोध के इ पता लगावे खातिर ध्यान केंद्रित कइल जाए के चाहीं कि कइसे आउर केकरा खातिर प्रतिक्रिया सबसे प्रभावी बा. |
697754f7e62236f6a2a069134cbc62e3138ac89f | |
ee654db227dcb7b39d26bec7cc06e2b43b525826 | |
54e7e6348fc8eb27dd6c34e0afbe8881eeb0debd | विज्ञान, कला, आ संस्कृति के सीमा से बाहर बढ़त सामग्री आधारित मल्टीमीडिया सूचना पुनर्प्राप्ति दुनिया भर के मीडिया के असंख्य विविधता के खोज करे खातिर नया प्रतिमान आ तरीका उपलब्ध करावत बा। ई सर्वेक्षण सामग्री आधारित मल्टीमीडिया सूचना पुनर्प्राप्ति पर 100 से अधिक हाल के लेख के समीक्षा करेला आउर वर्तमान शोध दिशा में उनकर भूमिका पर चर्चा करेला, जेकरा में ब्राउज़िंग आउर खोज प्रतिमान, उपयोगकर्ता अध्ययन, प्रभावशाली कंप्यूटिंग, सीखना, अर्थ संबंधी क्वेरी, नया सुविधा आउर मीडिया प्रकार, उच्च प्रदर्शन अनुक्रमण आउर मूल्यांकन तकनीक शामिल बा. वर्तमान तकनीक के आधार पर, हमनी के भविष्य के प्रमुख चुनौती पर चर्चा करब. |
2902e0a4b12cf8269bb32ef6a4ebb3f054cd087e | कार्य-संबंधित गणितीय मॉडल के अनुकूलन सांख्यिकी आउर सीख के क्षेत्र में सबसे मौलिक पद्धति में से एगो बा. हालांकि, सामान्य रूप से डिजाइन कयल गयल योजनाबद्ध पुनरावृत्तियन के वास्तविक दुनिया के अनुप्रयोग में जटिल डेटा वितरण के जांच करल कठिन हो सकेला. हाल में, गहन प्रसार (यानी, नेटवर्क) के प्रशिक्षण से कुछ खास काम में आशाजनक प्रदर्शन मिलल बा. दुर्भाग्य से, मौजूदा नेटवर्क अक्सर भू-राजनीतिक तरीका से बनावल जालें, एही से सिद्धांत आधारित व्याख्या आउर ठोस सैद्धांतिक समर्थन के कमी होला. इ काम में, हम इ अलग-अलग तंत्र (यानी, मॉडल अनुकूलन आउर गहरी प्रसार) के बीच अंतर के पाट करे खातिर एगो नया प्रतिमान प्रदान करिला, जेकर नाम प्रसार आउर अनुकूलन आधारित गहरी मॉडल (पीओडीएम) बा. एक ओर, हम लोग मॉडल अनुकूलन खातिर पीओडीएम के एगो गहिरा से प्रशिक्षित सॉल्वर के रूप में उपयोग करीलें. ई मौजूदा नेटवर्क आधारित पुनरावृत्ति से अलग, जेकरा में अक्सर सैद्धांतिक जांच के कमी होला, हम पीओडीएम खातिर चुनौतीपूर्ण गैर-उभारित आउर गैर-सुथरा परिदृश्य में सख्त अभिसरण विश्लेषण प्रदान करेलें. दूसरी ओर, मॉडल के बाधा में ढील देके आउर एंड-टू-एंड प्रशिक्षण के पूरा करके, हम डोमेन ज्ञान (मॉडल के रूप में तैयार) आउर वास्तविक डेटा वितरण (नेटवर्क द्वारा सीखा) के एकीकृत करे खातिर एक पीओडीएम आधारित रणनीति भी विकसित कर रहल बानी, जेकर परिणामस्वरूप वास्तविक दुनिया के अनुप्रयोग के चुनौती देवे खातिर एगो सामान्य एंसम्बल ढांचा तैयार भइल बा. व्यापक प्रयोग से हमार सैद्धांतिक परिणाम के सत्यापन होला आउर ई अत्याधुनिक दृष्टिकोण के खिलाफ पीओडीएम के श्रेष्ठता के प्रदर्शित करेला. |
5dca5aa024f513801a53d9738161b8a01730d395 | अज्ञात वातावरण के नक्शा बनावे के काम आउर साथ ही साथ नेविगेट करे खातिर उ नक्शा के उपयोग मोबाइल रोबोटिक्स अनुसंधान में एगो केंद्रीय समस्या बा. इ पेपर में सोनर के उपयोग करके समवर्ती मानचित्रण आउर स्थानीयकरण (सीएमएल) के अनुकूलन करे के समस्या के संबोधित कइल गइल बा. स्टोचैस्टिक मैपिंग सीएमएल के एगो फीचर-आधारित तरीका हवे जे वाहन स्थानीयकरण आ पर्यावरण मैपिंग के शामिल करे खातिर विस्तारित कलमैन इथर के सामान्यीकृत करेला. हम स्टोचैस्टिक मैपिंग के एगो कार्यान्वयन के वर्णन करब जे नक्शा में नया सुविधा के सुरुआत करे खातिर, माप के नक्शा सुविधा से मेल करे खातिर, आउर पुरान सुविधा के हटावे खातिर विलंबित निकटतम पड़ोसी डेटा एसोसिएशन रणनीति के उपयोग करेला. हम अनुकूली संवेदन खातिर एगो मीट्रिक के परिचय देले बानी जवन फिशर सूचना के संदर्भ में परिभाषित बा आउर मानचित्र में वाहन के त्रुटि दीर्घवृत्त आउर सुविधा अनुमान के क्षेत्र के योग के प्रतिनिधित्व करेला. अनुमानित सेंसर रीडिंग आउर अपेक्षित डेड-रेकथिंग त्रुटि के उपयोग रोबोट के प्रत्येक संभावित कार्रवाई खातिर मीट्रिक के अनुमान लगावे खातिर कइल जाला, आउर ऊ कार्रवाई के चयन कइल जाला जे सबसे कम लागत (यानी, अधिकतम जानकारी) प्रदान करेला. इ तकनीक के सिमुलेशन, इन-एयर सोनार प्रयोग, आउर पानी के नीचे सोनार प्रयोग के माध्यम से प्रदर्शित करल जाला. परिणाम 1) गति के अनुकूली नियंत्रण आउर 2) गति के अनुकूली नियंत्रण आउर स्कैनिंग खातिर देखावल गइल बा. ई वाहन पर्यावरण में अलग-अलग वस्तु के चयनपूर्वक खोजे खातिर प्रवृत्त होला. इ अनुकूली एल्गोरिथ्म के प्रदर्शन सीधा-लाइन गति आउर यादृच्छिक गति से बेहतर देखावल गइल बा. |
5eb1e4bb87b0d99d62f171f1eede90c98bf266ab | वायरलेस पावर ट्रांसफर वायरलेस सेंसर नेटवर्क में ऊर्जा समस्या के मूल रूप से दूर करे खातिर एगो आशाजनक तकनीक बा. अइसन तकनीक के प्रभावी ढंग से काम करे खातिर, नेटवर्क के भीतर यात्रा करे खातिर चार्जर ले जाए वाला वाहन के जरूरत होला. दूसरी ओर, ई बात पर पूरा भरोसा बा कि मोबाइल बेस स्टेशन के तुलना में निश्चित बेस स्टेशन के फायदा बहुत होला। इ पेपर में, हम वायरलेस चार्जिंग वाहन पर मोबाइल बेस स्टेशन के सह-स्थापना के एगो दिलचस्प समस्या के जांच करत बानी. हम एगो अनुकूलन समस्या के अध्ययन कर तानी जवन संयुक्त रूप से यात्रा पथ, रूकने के बिंदु, चार्ज करे के अनुसूची, आउर प्रवाह रूटिंग के अनुकूलित करेला. हमार पढ़ाई दू खण्ड में होला. पहिले, हम एगो आदर्श समस्या के अध्ययन करब जवन शून्य यात्रा समय के मान लेला, आउर इ आदर्श समस्या खातिर एगो सिद्ध-योग्य निकट-उत्तम समाधान विकसित करेला. दुसरका चरण में, हम देखाई कि कइसे एगो व्यावहारिक समाधान के विकास कइल जा सकेला जे शून्य यात्रा समय के साथे बा आउर इ समाधान आउर मूल समस्या के अज्ञात इष्टतम समाधान के बीच प्रदर्शन अंतर के मात्राबद्ध कइल जा सकेला. |
229547ed3312ee6195104cdec7ce47578f92c2c6 | ई पेपर इ पता लगावेला कि कइसे फर्म के गतिशील क्षमता एगो उद्योग के भीतर अंतर फर्म प्रदर्शन के उद्भव के हिसाब से हो सकेला. रणनीतिक आउर संगठनात्मक सिद्धांत दुनों से अंतर्दृष्टि के संश्लेषण करत, गतिशील क्षमता के चार प्रदर्शन-प्रासंगिक विशेषता के प्रस्ताव दिहल गइल बाः गतिशील क्षमता तैनाती के समय, वैकल्पिक संसाधन विन्यास के खोज के हिस्सा के रूप में नकल, गतिशील क्षमता तैनाती के लागत, आउर गतिशील क्षमता के तैनात करे के सीख. सैद्धांतिक प्रस्ताव विकसित कइल गइल बा जे सुझाव देला कि इ सब गुण अंतर फर्म प्रदर्शन के उदय में कइसे योगदान देवेला. एगो औपचारिक मॉडल प्रस्तुत कइल गइल बा जेमे गतिशील क्षमता के एगो फर्म के विकासवादी परिवर्तन प्रक्रिया के निर्देशित करे वाला दिनचर्या के सेट के रूप में मॉडलिंग कइल गइल बा. मॉडल के अनुकरण गतिशील क्षमता तैनाती के माध्यम से परिवर्तन के प्रक्रिया में अंतर्दृष्टि प्रदान करेला, आउर सैद्धांतिक प्रस्तावन के परिष्कृत करे के अनुमति देवेला. ए अध्ययन के एगो दिलचस्प निष्कर्ष इ बा कि भले ही गतिशील क्षमता फर्म के बीच समान होखे, फर्म के बीच मजबूत प्रदर्शन अंतर हो सकेला अगर गतिशील क्षमता के तैनाती के लागत आउर समय अलग-अलग फर्म में भिन्न होखे. |
b533b13910cc0de21054116715988783fbea87cc | आज के समय में इंटरनेट के माध्यम से अधिका से अधिका सार्वजनिक आ व्यावसायिक सेवा के इस्तेमाल हो रहल बा, जवना से सूचना के सुरक्षा के मुद्दा समाज में अधिका से अधिका महत्व पा रहल बा। दूसर तरीका से, कुछ डेटा माइनिंग तकनीक भी घुसपैठ के पता लगावे में योगदान देले. घुसपैठ के पता लगावे खातिर इस्तेमाल होखे वाला कुछ डेटा माइनिंग तकनीक के दू गो वर्ग में बाँटल जा सकेलाः गलत तरीका से घुसपैठ के पता लगावल आ गलत तरीका से घुसपैठ के पता लगावल। गलत उपयोग हमेशा ज्ञात हमला आउर हानिकारक गतिविधि के संदर्भित करेला जे सिस्टम के ज्ञात संवेदनशीलता के शोषण करेला. विसंगति के मतलब सामान्य रूप से अइसन गतिविधि होला जवन घुसपैठ के संकेत दे सकेला. एह पेपर में, घुसपैठ के पता लगावे खातिर डेटा माइनिंग तकनीक के इस्तेमाल करे के 23 गो संबंधित पेपर के तुलना कइल गइल बा। हमार काम डेटा माइनिंग आउर सॉफ्ट कंप्यूटिंग तकनीक जइसे कि आर्टिफिशियल न्यूरल नेटवर्क (एएनएन), सपोर्ट वेक्टर मशीन (एसवीएम) आउर मल्टीवेरिएट एडाप्टिव रिग्रेशन स्पाइन (एमएआरएस), आदि पर एगो अवलोकन प्रदान करेला. इ पेपर में आईडीएस डेटा माइनिंग तकनीक आउर घुसपैठ के पता लगावे खातिर उपयोग कइल जाए वाला ट्यूपल के बीच तुलना देखावल गइल बा. उ 23 संबंधित पत्र में, 7 शोध पत्र एएनएन क उपयोग करेला आउर 4 एसवीएम क उपयोग करेला, काहे से की एएनएन आउर एसवीएम अन्य मॉडल आउर संरचना के तुलना में अधिक विश्वसनीय होला. एकरे अलावा, 8 रिसर्च DARPA1998 के ट्यूपल्स के इस्तेमाल करे लीं आ 13 रिसर्च KDDCup1999 के इस्तेमाल करे लीं, काहें से कि मानक ट्यूपल्स बाकी के तुलना में बहुत विश्वसनीय होलें। वर्तमान समय में घुसपैठ के पता लगावे के कौनो सबसे अच्छा मॉडल नइखे. हालांकि, घुसपैठ के पता लगावे खातिर भविष्य के अनुसंधान दिशा के इ पत्र में खोजल जाए के चाही. कीवर्ड- घुसपैठ के पता लगावल, डेटा माइनिंग, एएनएन |
a69fd2ad66791ad9fa8722a3b2916092d0f37967 | एकरे अलावा, उदाहरण के रूप में शहरी लेआउट के टुकड़न के मिलावे के क्षमता नया सिंथेटिक सामग्री उत्पन्न करे के एगो शक्तिशाली तरीका प्रदान करेला. हम आपन प्रणाली के प्रदर्शित करे खातिर कईगो वास्तविक शहर के उदाहरण के उपयोग करके शहरी लेआउट बना के शहर के ब्लॉक आ पार्सल के सैकड़ों से लेके हजारों तक के शहर के खंडन के उदाहरण के उपयोग करेनी. हम उदाहरण के रूप में शहरी लेआउट के संश्लेषण खातिर एगो इंटरैक्टिव प्रणाली प्रस्तुत करब. हमार तरीका एके साथे संरचना आधारित संश्लेषण आ छवि आधारित संश्लेषण दुनों के पूरा करे ला ताकि पूरा शहरी लेआउट के निर्माण कइल जा सके जेह में सड़कन के एगो सही नेटवर्क आ हवाई दृश्य के चित्र होखे। हमार तरीका वास्तविक दुनिया के शहरी क्षेत्र के संरचना आउर छवि डेटा आउर एगो संश्लेषण एल्गोरिथ्म के उपयोग कई उच्च-स्तरीय संचालन प्रदान करे खातिर उदाहरण द्वारा आसानी से आउर इंटरैक्टिव रूप से जटिल लेआउट उत्पन्न करे खातिर करेला. प्रयोगकर्ता नया शहरी लेआउट बना सकेलन जइसे कि जुड़ल, विस्तारित, आउर मिश्रित करे के क्रम के द्वारा बिना निचला स्तर के संरचनात्मक विवरण के बारे में चिंतित होले. |
9b8be6c3ebd7a79975067214e5eaea05d4ac2384 | हम देखब कि ढाल के अवतरण एगो स्थानीय लघुकरणकर्ता के साथे अभिसरण करेला, लगभग निश्चित रूप से यादृच्छिक आरंभिकरण के साथ. इ गतिशील प्रणालियन के सिद्धांत से स्थिर बहुपद प्रमेय के लागू करके सिद्ध कइल गइल बा. |
75235e03ac0ec643e8a784f432e6d1567eea81b7 | पिछला दस साल में खनन डेटा स्ट्रीम अनुसंधान के केंद्र बिंदु रहल बा. हार्डवेयर आउर सॉफ्टवेयर में प्रगति पहिले से कहीं जादा तेजी से डेटा उत्पादन के शुरू करके अनुसंधान के इ क्षेत्र के महत्व में योगदान देहले हव. इ तेजी से उत्पन्न डेटा के डेटा स्ट्रीम कहल जाला. क्रेडिट कार्ड लेनदेन, गूगल खोज, शहर में टेलीफोन कॉल, आ अउरी कई गो डेटा स्ट्रीम बा। कई महत्वपूर्ण अनुप्रयोग में, इ स्ट्रीमिंग डेटा के वास्तविक समय में विश्लेषण करल अपरिहार्य बा. डेटा स्ट्रीम माइनिंग के जरूरत के पूरा करे में पारंपरिक डेटा माइनिंग तकनीक कम बा. नया तकनीक के विकसित करे या मौजूदा तकनीक के अपनावे में बेतरतीब ढंग से उपयोग करे खातिर, अनुमान लगावे आ अनुकूलन के व्यापक रूप से उपयोग कइल गइल बा ताकि स्ट्रीमिंग वातावरण में काम करे में सक्षम हो सके। ई पेपर डेटा स्ट्रीम माइनिंग क्षेत्र में मुख्य मील के पत्थर आ कला के स्थिति के समीक्षा करेला. भविष्य के अंतर्दृष्टि भी प्रस्तुत कइल जाई. © 2011 विली पेरीडिकल, इंक. |
2327ad6f237b37150e84f0d745a05565ebf0b24d | बिटकोइन पहिला डिजिटल मुद्रा बा जेकरा के व्यापक रूप से अपनावल गइल बा। जबकि भुगतान छद्मनाम के बीच कइल जाला, बिटकोइन मजबूत गोपनीयता गारंटी प्रदान ना कर सकेला: भुगतान लेनदेन के सार्वजनिक विकेन्द्रीकृत खाता में दर्ज कइल जाला, जेकरा से बहुत जानकारी निकालल जा सकेला. जीरो सिक्का (मिअर्स एट अल., आईईईई एस एंड पी 2013) भुगतान के उत्पत्ति से लेनदेन के अलग करके इ सभ गोपनीयता मुद्दा के संबोधित करेला. तबो, ई भुगतान के गंतव्य आउर राशि के खुलासा करेला, आउर कार्यक्षमता में सीमित बा. एह लेख में, हमनी के एगो पूरा तरह से डिजिटल मुद्रा बनावे के बा जे प्राइवेसी के मजबूत गारंटी के साथ लेजर-आधारित होखी। हमार परिणाम शून्य-ज्ञान संक्षिप्त गैर-परस्पर क्रियाशील ज्ञान के तर्क (जेके-एसएनएआरके) में हाल के प्रगति के लाभ उठावें. सबसे पहिले, हमनी के विकेन्द्रीकृत गुमनाम भुगतान योजना (डीएपी योजना) के निर्माण करेनी जा. डीएपी योजना प्रयोगकर्ता लोग के एक-दूसरे के निजी तौर पर भुगतान करे में सक्षम बनावे ले: संबंधित लेनदेन भुगतान के उत्पत्ति, गंतव्य, आ ट्रांसफर कइल गइल राशि के छिपावे ला। हम औपचारिक परिभाषा अउर प्रमाण के निर्माण के सुरक्षा प्रदान करब. दूसरा, हमनी के शून्य नकदी बनावेनी, हमनी के डीएपी योजना के व्यावहारिक उदाहरण. जीरो कैश में, लेन-देन 1 केबी से कम होला आ सत्यापन में 6 एमएस से कम समय लागे ला - जीरो सिक्का के तुलना में ई बहुत ज्यादा कारगर होला आ सादा बिट सिक्का के तुलना में ई प्रतिस्पर्धी होला। |
3d08280ae82c2044c8dcc66d2be5a72c738e9cf9 | हम एगो हाइब्रिड मैट्रिक्स फैक्टराइजेशन मॉडल प्रस्तुत कर रहल बानी जे प्रयोगकर्ता लोग आ आइटम के उनके सामग्री के फीचर के रैखिक संयोजन के रूप में देखावत बा। ई मॉडल कोल्ड स्टार्ट या कम इंटरैक्शन डेटा परिदृश्य में (उपयोगकर्ता आ आइटम मेटाडेटा दुनों के इस्तेमाल करे वाला) सहयोगी आ सामग्री-आधारित मॉडल दुनों से बेहतर प्रदर्शन करेला, आ खाली सहयोगी मैट्रिक्स फैक्टराइजेशन मॉडल के तुलना में कम से कम एतना अच्छा प्रदर्शन करेला जहवाँ इंटरैक्शन डेटा भरपूर मात्रा में होला। एकरे अलावा, मॉडल द्वारा निर्मित फीचर एम्बेडिंग शब्द एम्बेडिंग दृष्टिकोण के याद दिलावे वाला तरीका से सिमेंटिक जानकारी के एन्कोड करेले, जे ओकरा के संबंधित कार्य जइसे कि टैग अनुशंसा के श्रेणी खातिर उपयोगी बनावेला. |
25d1a2c364b05e0db056846ec397fbf0eacdca5c | मैट्रिक्स फैक्टरिज़ेशन-आधारित विधि डायडिक डेटा विश्लेषण में लोकप्रिय हो जाले, जहां एगो मौलिक समस्या, उदाहरण खातिर, शब्द आउर दस्तावेज के क्लस्टरिंग या सह-क्लस्टरिंग शब्द आउर दस्तावेज के एगो शब्द-दस्तावेज मैट्रिक्स दिहल गइल बा. गैर-ऋणात्मक मैट्रिक्स त्रि-कारककरण (एनएमटीएफ) सह-समूह के खातिर एगो आशाजनक उपकरण के रूप में उभरल, जे 3-कारक अपघटन एक्स यूएसवी के खोज करेला, जेकरा में सभी कारक मैट्रिक्स गैरऋणात्मक होखे खातिर प्रतिबंधित होला, अर्थात, यू पी 0; एस पी 0; वी पी 0: इ पेपर में हम ऑर्थोगोनल एनएमटीएफ खातिर गुणक अद्यतन विकसित कर रहल बानी जहवां एक्स यूएसवी के ऑर्थोगोनैलिटी बाधा के साथ पीछा कइल जाला, यू यू 1⁄4 आई; आउर वी वी 1⁄4 आई, स्टीफेल मल्टीफॉल्ड्स पर सही ढाल के शोषण करेला. विभिन्न दस्तावेज डेटा सेट पर प्रयोग से पता चलल बा कि हमनी के तरीका दस्तावेज के क्लस्टरिंग खातिर बढ़िया काम करेला आ ई शब्द आ दस्तावेज के क्लस्टरिंग के माध्यम से बहुल शब्द के खोजे में उपयोगी होला। 2010 एल्सवियर लिमिटेड. सब अधिकार सुरक्षित बा. |
461ac81b6ce10d48a6c342e64c59f86d7566fa68 | एह प्रकाशन में अइसन लेख बाने जिनहन के कॉपीराइट आईईईई के ना हवे। ई लेख कुल के पूरा पाठ IEEE Xplore पर उपलब्ध नइखे। |
c03fb606432af6637d9d7d31f447e62a855b77a0 | हालाँकि, ई बात के सबूत बा कि अकादमिक रूप से सफल छात्र आपन पढ़ाई में लागल रहे लें, छात्रन के जुड़ाव के स्पष्ट रूप से परिभाषित कइल मुश्किल बा। छात्रन के जुड़ाव के आम तौर पर दूगो आयाम, सामाजिक आउर शैक्षणिक के रूप में देखल जाला. सोशल मीडिया आ डिजिटल तकनीक के तेजी से अपनावल छात्रन के जुड़ाव बढ़ावे खातिर एह सब के इस्तेमाल करे में रुचि बढ़ा दिहलसि। ई पेपर पहिला साल के मनोविज्ञान छात्र के समूह में फेसबुक के उपयोग के जांच करेला आउर रिपोर्ट करेला कि भले ही अधिकांश छात्र (94%) के फेसबुक खाता रहल आउर फेसबुक पर प्रति दिन औसतन एक घंटा बितावल, उपयोग मुख्य रूप से सामाजिक पावल गइल. व्यक्तित्व कारक उपयोग पैटर्न के प्रभावित कइलस, जादे सचेत छात्र कम सचेत छात्र के तुलना में फेसबुक के कम उपयोग करे के प्रवृत्ति रखलन. इ पत्र में तर्क दिहल गइल बा कि, सामाजिक जुड़ाव के बढ़ावा देवे के बजाय जे अकादमिक जुड़ाव के बढ़ा सकेला, अइसन लागत बा कि फेसबुक के ध्यान भटकाने वाला प्रभाव के रूप में काम करे के अधिक संभावना बा. |
171071069cb3b58cfe8e38232c25bfa99f1fbdf5 | ऑनलाइन सोशल नेटवर्किंग साइट खुद के पेश करे के एगो पूरा तरह से नया तरीका सामने ले आइल बा. ई साइबर सामाजिक औजार व्यक्तित्व आ पहचान के जाँच करे खातिर एगो नया जगह उपलब्ध करावत बा। वर्तमान अध्ययन में इ बात के जाँच कइल गइल बा कि सामाजिक नेटवर्किंग वेबसाइट फेसबुक.कॉम पर नार्सिसिज्म आ आत्मसम्मान के अभिव्यक्ति कइसे होला . यॉर्क विश्वविद्यालय में आत्मसम्मान आ आत्मघाती व्यक्तित्व के आत्म-रिपोर्ट 100 फेसबुक प्रयोगकर्ता लोग से एकत्र कइल गइल. प्रतिभागी वेब पेज के भी स्व-प्रचार सामग्री सुविधा के आधार पर कोडित कइल गइल रहे. सहसंबंध विश्लेषण से पता चलल कि व्यक्ति लोग में अधिक नार्सिज्म आउर कम आत्मसम्मान अधिक ऑनलाइन गतिविधि के साथे-साथे कुछ आत्म-प्रचार सामग्री से जुड़ल रहे. लैंगिक अंतर व्यक्तिगत फेसबुक उपयोगकर्ता द्वारा प्रस्तुत आत्म-प्रचार सामग्री के प्रकार के प्रभावित करे खातिर पावल गइल रहे. सामाजिक नेटवर्किंग वेब साइट पर नार्सिसिज्म आ आत्मसम्मान के परभाव आ भविष्य के शोध दिशा पर चर्चा कइल गइल बा। |
5e30227914559ce088a750885761adbb7d2edbbf | किशोर लोग इंटरनेट पर सामाजिक नेटवर्क में शामिल होखे खातिर आपन निजी जानकारी छोड़ देई. बाद में, उ लोग हैरान हो जालन जब उनकर माई-बाप उनकर पत्रिका पढ़ेलन. समुदाय युवा लोग द्वारा ऑनलाइन पोस्ट कइल गइल व्यक्तिगत जानकारी से नाराज बा आउर कॉलेज छात्रन के गतिविधि के परिसर में आउर बाहर ट्रैक करत रहेला. किशोर लोग आ छात्र लोग द्वारा निजी जानकारी पोस्ट करे के परिणाम होला। ई लेख गोपनीयता विरोधाभास के वर्णन करके सामाजिक नेटवर्क में गोपनीयता मुद्दा पर उपद्रव पर चर्चा करी; निजी बनाम सार्वजनिक स्थान; आउर, सामाजिक नेटवर्किंग गोपनीयता मुद्दा. अंत में ई प्रस्तावित गोपनीयता समाधान आ अइसन कदम सभ पर चर्चा करी जिनहन से निजता के विरोधाभास के समाधान करे में मदद मिल सके। |
6c394f5eecc0371b43331b54ed118c8637b8b60d | व्यापक अलगाव प्रदर्शन प्राप्त करे खातिर बहु-अनुभाग शक्ति विभाजक के एगो उपन्यास डिजाइन सूत्र प्राप्त कइल गइल बा. व्युत्पन्न डिजाइन सूत्र एकल समाप्त फिल्टर डिजाइन सिद्धांत पर आधारित है. ई पेपर प्रस्तावित डिजाइन सूत्र के वैधता देखावे खातिर बहु-खंड शक्ति विभाजक के कई सिमुलेशन आउर प्रयोगात्मक परिणाम प्रस्तुत करेला. प्रयोग से पता चलल बा कि बहु-अष्टक अलगाव विशेषता के साथ बहु-खंड शक्ति विभाजक के उत्कृष्ट प्रदर्शन बा. |
d12e3606d94050d382306761eb43b58c042ac390 | छात्रन के प्लेसमेंट टेस्ट में सफलता (या असफलता) के कारन के कारन के समझल एगो दिलचस्प आउर चुनौतीपूर्ण समस्या बा. चूंकि केंद्रीकृत प्लेसमेंट टेस्ट आउर भविष्य के अकादमिक उपलब्धि के संबंधित अवधारणा मानल जाला, प्लेसमेंट टेस्ट के पीछे सफलता के कारक के विश्लेषण अकादमिक उपलब्धि के समझे आउर संभावित रूप से बेहतर करे में मदद कर सकेला. एह अध्ययन में तुर्की में माध्यमिक शिक्षा संक्रमण प्रणाली से एगो बड़हन आ सुविधा संपन्न डेटासेट के उपयोग करत हम माध्यमिक शिक्षा प्लेसमेंट टेस्ट परिणाम के भविष्यवाणी करे खातिर मॉडल विकसित कइनी, आउर ऊ भविष्यवाणी मॉडल पर संवेदनशीलता विश्लेषण के उपयोग करत सबसे महत्वपूर्ण भविष्यवक्ता के पहचान कइनी. परिनाम से पता चलल कि सी5 निर्णय वृक्ष एल्गोरिथ्म 95% सटीकता के साथ होल्ड-आउट नमूना पर सबसे अच्छा भविष्यवक्ता बा, एकरे बाद समर्थन वेक्टर मशीन (91% सटीकता के साथ) आउर कृत्रिम तंत्रिका नेटवर्क (89% सटीकता के साथ) बा. लॉजिस्टिक प्रतिगमन मॉडल कुल 82 प्रतिशत सटीकता के साथ चार में से सबसे कम सटीक निकले. संवेदनशीलता विश्लेषण से पता चलल कि पिछला परीक्षा के अनुभव, छात्र के छात्रवृत्ति बा कि ना, छात्र के भाई-बहन के संख्या, पिछला साल के ग्रेड पॉइंट औसत प्लेसमेंट टेस्ट के स्कोर के सबसे महत्वपूर्ण भविष्यवाणी करे वाला चीज में से एगो बाटे. 2012 एल्सवियर लिमिटेड. सब अधिकार सुरक्षित बा. |
75859ac30f5444f0d9acfeff618444ae280d661d | बहु-जैविक प्रणाली के कई बड़ पैमाना पर बायोमेट्रिक अनुप्रयोग में तेजी से उपयोग कइल जा रहल बा (जइसे कि, एफबीआई-आईएएफआईएस, भारत में यूआईडीएआई प्रणाली) काहे कि एकर कई लाभ बा जइसे कि कम त्रुटि दर आउर बड़ आबादी कवरेज यूनिबायोमेट्रिक सिस्टम के तुलना में. हालाँकि, मल्टीबायोमेट्रिक सिस्टम में हर प्रयोगकर्ता खातिर कई बायोमेट्रिक टेम्पलेट (जइसे, फिंगरप्रिंट, आइरिस, आ चेहरा) के भंडारण के जरूरत होला, जेकरा चलते प्रयोगकर्ता के प्राइवेसी आ सिस्टम सुरक्षा खातिर खतरा बढ़ जाला। अलग-अलग टेम्पलेट के बचावे के एगो तरीका बायोमेट्रिक क्रिप्टो सिस्टम के इस्तेमाल से संबंधित टेम्पलेट से बनल सुरक्षित स्केच के सहेजे के बा। एकरा खातिर कई स्केच के भंडारण के जरुरत होला. ई लेख में, हम एगो फीचर-लेवल फ्यूजन फ्रेमवर्क के प्रस्ताव देलीं जेवना से एक साथ कई टेम्पलेट सभ के सुरक्षा कइल जा सके। हमनी के मुख्य योगदान में शामिल बा: (1) दू गो प्रसिद्ध बायोमेट्रिक क्रिप्टो सिस्टम, नामरी, फजी वॉल्ट आउर फजी प्रतिबद्धता के उपयोग करके प्रस्तावित फीचर-लेवल फ्यूजन फ्रेमवर्क के व्यावहारिक कार्यान्वयन, आउर (2) दू अलग-अलग डेटाबेस (एगो वास्तविक आउर एगो आभासी मल्टीमोडल डेटाबेस) के आधार पर प्रस्तावित बहु-बायोमेट्रिक क्रिप्टो सिस्टम में मिलान सटीकता आउर सुरक्षा के बीच व्यापार-ऑफ के विस्तृत विश्लेषण, जेमें से प्रत्येक में तीन सबसे लोकप्रिय बायोमेट्रिक मोडलिटी शामिल बा, अर्थात्, फिंगरप्रिंट, आइरिस आउर चेहरा. प्रायोगिक परिणाम से पता चलल बा कि इहाँ प्रस्तावित बहु-बायोमेट्रिक क्रिप्टो सिस्टम में उच्च सुरक्षा आउर मिलान प्रदर्शन बा, जवन कि एकर एक-बायोमेट्रिक समकक्ष के तुलना में बा. |
98e03d35857f66c34fa79f3ea0dd2b4e3b670044 | |
65227ddbbd12015ba8a45a81122b1fa540e79890 | वेब पन्ना के महत्व मूल रूप से एगो व्यक्तिपरक मामला ह, जवन पाठक लोग के रुचि, ज्ञान आउर दृष्टिकोण पर निर्भर करेला. लेकिन अभी भी बहुत कुछ बा जे वेब पेज के सापेक्ष महत्व के बारे में निष्पक्ष रूप से कहल जा सकेला. ई पेपर पेजरैंक के बारे में बतावेला, जवन वेब पेज के रेटिंग के एगो तरीका ह, जेवना से ई पता चलेला कि ओह पर लोग के केतना रुचि बा आ ई कइसे देखल जा रहल बा। हमनी के पेजरैंक के तुलना एगो आदर्श यादृच्छिक वेब सर्फर से कइल जा. हमनी के देखावल जाई कि कई पन्ना सभ के पेज रैंक के गणना कइसे कइल जाय। आउर, हम देखब कि कइसे पेज रैंक के खोज आउर उपयोगकर्ता नेविगेशन पर लागू कइल जाय. |
0a202f1dfc6991a6a204eaa5e6b46d6223a4d98a | कौनो भी फीचर-आधारित विजन सिस्टम तब तक काम ना कर सकेला जब तक कि अच्छा फीचर के फ्रेम से फ्रेम में पहचानल आउर ट्रैक ना कइल जा सके. हालांकि खुद के ट्रेसिंग बड़ पैमाने पर एगो हल करल गईल समस्या बा, अइसन विसेसता के चुनल जवन के ट्रैक करल जा सकेला औरु दुनिया में भौतिक बिंदुअन से मेल खाला. हम एगो सुविधा चयन मानदंड प्रस्तावित कर तानी जवन निर्माण द्वारा इष्टतम बा काहे कि इ इ ट्रैकर काम करे पर आधारित बा, आउर एगो सुविधा निगरानी विधि जवन दुनिया में बिंदुअन से मेल न खाए वाला ऑक्लूजन, डिस्क्लोजर आउर सुविधा के पता लगा सकेला. ई तरीका एगो नया ट्रैकिंग एल्गोरिथ्म पर आधारित बा जे पिछला न्यूटन-रैफसन शैली के खोज विधि के एगो नया छवि परिवर्तन के तहत काम करे खातिर बढ़ावेला. हम कई सिमुलेशन आउर प्रयोग के साथ प्रदर्शन के परीक्षण करत बानी. |
4f640c1338840f3740187352531dfeca9381b5c3 | खनन अनुक्रमिक पैटर्न के समस्या हाल ही में [एएस 95] में पेश कइल गइल रहे. हमनी के क्रम के एगो डेटाबेस दिहल गइल बा, जहाँ हर क्रम लेन-देन के समय के अनुसार क्रमबद्ध लेन-देन के सूची बा, आ हर लेन-देन वस्तु के एगो सेट बा. समस्या इ बा कि उपयोगकर्ता द्वारा निर्दिष्ट न्यूनतम समर्थन के साथे सभे अनुक्रमिक पैटर्न के खोजल जाए, जहवां एगो पैटर्न के समर्थन डेटा-अनुक्रम के संख्या होला जेमे पैटर्न होला. एगो अनुक्रमिक पैटर्न के उदाहरण बा कि "5% ग्राहक एगो लेनदेन में "फाउंडेशन" आउर "रिंगवर्ल्ड" खरीदेलन, एकरे बाद बाद के लेनदेन में "सेकंड फाउंडेशन" के बाद. हम इ समस्या के आउर सामान्यीकृत करेनी. पहिले, हम समय के बाधा के जोड़ल जाला जे एगो पैटर्न में अगल-बगल के तत्व के बीच न्यूनतम आउर/या अधिकतम समय अवधि के निर्दिष्ट करेला. दूसरा, हम एह प्रतिबंध के कम कर देनी कि अनुक्रमिक पैटर्न के तत्व में मौजूद आइटम सभ के एक्के लेनदेन से आवे के चाहीं, एकरे बजाय ई अनुमति दिहल जाई कि ई आइटम लेनदेन के सेट में मौजूद होखें जिनहन के लेनदेन के समय प्रयोगकर्ता द्वारा निर्दिष्ट समय विंडो के भीतर होखे। तीसर, वस्तु पर एगो उपयोगकर्ता-परिभाषित टैक्सोनोमी (एगो पदानुक्रम बा) के देखते हुए, हम अनुक्रमिक पैटर्न के टैक्सोनोमी के सभी स्तरों पर वस्तु के शामिल करे के अनुमति देला. हमनी के जीएसपी प्रस्तुत करत बानी जा, एगो नया एल्गोरिथ्म जे ई सामान्यीकृत अनुक्रमिक पैटर्न के खोज करेला. सिंथेटिक आउर वास्तविक जीवन डेटा के उपयोग करके अनुभवजन्य मूल्यांकन इंगित करेला कि जीएसपी [AS95] में प्रस्तुत अप्रियोरीऑल एल्गोरिथ्म के तुलना में बहुत तेज बा. जीएसपी डेटा अनुक्रम के संख्या के साथ रैखिक रूप से स्केल करेला, आउर औसत डेटा अनुक्रम आकार के संबंध में बहुत अच्छा स्केल-अप गुण होखेला. संगही, कंप्यूटर विज्ञान विभाग, विस्कॉन्सिन विश्वविद्यालय, मैडिसन. |
4282abe7e08bcfb2d282c063428fb187b2802e9c | भरने के उपयोग के मामलन में धीरे-धीरे वृद्धि के साथ, गैर-चिकित्सा पेशेवरों या अनुभवहीन चिकित्सकों द्वारा इलाज के गयल मरीजन के मामलन में भी जटिलताएं बढ़ रहल बा. हम इहा 2 मरीजन के बारे में बतावे के चाहत बानी जे फिलर इंजेक्शन के बाद गंभीर जटिलता के अनुभव कइलन आउर एडिपोज- व्युत्पन्न स्टेम सेल (एडीएससी) थेरेपी से सफलतापूर्वक इलाज कइल गइल. केस 1 एगो 23 साल के महिला मरीज रहल जेकरा के एगो गैर-चिकित्सा पेशेवर द्वारा उनकर माथे, ग्लाबेला, आउर नाक में फिलर (रेस्टिलाने) इंजेक्शन दिहल गइल रहे. इंजेक्शन के एक दिन बाद, सूजन के 3x3 सेंटीमीटर के त्वचा के नेक्रोसिस के साथ देखल गइल रहे. केस 2 एगो 30 साल के महिला रहे जेके एगो निजी क्लिनिक में अपने नाक के पीठ औरु नोक पे हाइलूरोनिक एसिड जेल (जुवेडरम) के फिलर इंजेक्शन देवल गईल रहे. ओकरा फुलर इंजेक्शन लगावल गइल जगह पर एरिथेमा आ सूजन के विकास भइल. हर मरीज के पेट के उप- त्वचीय ऊतक से लेवल गइल एडीएससी वाला घोल के उप- त्वचीय आ डर्मिस स्तर पर घाव में इंजेक्शन लगावल गइल. बिना कउनो अतिरिक्त इलाज के घाव ठीक हो गइल. लगातार अनुवर्ती के साथ, दुनो मरीजन के 6 महीने के बाद केवल बारीक रैखिक निशान मिलल. एडिपस-व्युत्पन्न स्टेम सेल के उपयोग करके, हम फिलर इंजेक्शन के बाद त्वचा के नेक्रोसिस के तीव्र जटिलता के सफलतापूर्वक इलाज कइलें, जेकर परिणाम बहुत कम घाव पैदा कइल, आउर न केवल घाव भरले में, बल्कि सौंदर्यशास्त्र में भी अधिक संतोषजनक परिणाम प्राप्त कइल गइल. |
3198e5de8eb9edfd92e5f9c2cb325846e25f22aa | |
bdf434f475654ee0a99fe11fd63405b038244f69 | पुनरावृत्ति पूर्वानुमान स्कोर के उपयोग सैकड़ों हजार कैदियन के सजा आउर पर्यवेक्षण निर्धारित करे खातिर पूरा अमेरिका में कइल जाला. पुनरावृत्ति पूर्वानुमान स्कोर के एगो अइसन जनरेटर नॉर्थपॉइंट के सुधारात्मक अपराधी प्रबंधन प्रोफाइलिंग फॉर अल्टरनेटिव सैंक्शंस (कॉम्पस) स्कोर ह, जेकर उपयोग कैलिफोर्निया आउर फ्लोरिडा जइसन राज्य में कइल जाला, जवन कि पिछला शोध में कुछ निष्पक्षता के उपाय के अनुसार काला कैदी के खिलाफ पूर्वाग्रह देखावल गइल बा. एह नस्लीय पूर्वाग्रह के दूर करे खातिर, हमनी के एगो विरोधी रूप से प्रशिक्षित तंत्रिका नेटवर्क प्रस्तुत करेनी जा जे कि पुनरावृत्ति के भविष्यवाणी करेला आ नस्लीय पूर्वाग्रह के दूर करे खातिर प्रशिक्षित होला. जब हमनी के मॉडल के परिणाम के तुलना कंपास से कइल जाई, त हमनी के भविष्यवाणी के सटीकता मिली आउर निष्पक्षता के तीन में से दू उपाय के प्राप्त करे के करीब पहुंच जाईः समानता आउर बाधा के समानता. हमार मॉडल के कौनो भी भविष्यवाणी आ जनसांख्यिकी खातिर सामान्यीकृत कइल जा सकेला. ई शोध के टुकड़ा पुनरावृत्ति के भविष्यवाणी जइसन वास्तविक दुनिया के अनुप्रयोग में वैज्ञानिक प्रतिकृति आउर सरलीकरण के एगो उदाहरण प्रदान करेला. |
33fad977a6b317cfd6ecd43d978687e0df8a7338 | ई पेपर सैद्धांतिक रूप से बहुत सरल, फिर भी कुशल, बहु-रिज़ॉल्यूशन दृष्टिकोण प्रस्तुत करेला जे ग्रे-स्केल आउर रोटेशन इन्वर्टेंट बनावट वर्गीकरण के स्थानीय बाइनरी पैटर्न आउर नमूना आउर प्रोटोटाइप वितरण के गैर-पैरामीटर भेदभाव पर आधारित होला. इ तरीका ई मान्यता पर आधारित बा कि कुछ स्थानीय द्विआधारी पैटर्न, जेके एक समान कहल जाला, स्थानीय छवि बनावट के मूलभूत गुण होला आउर उनकर घटना हिस्टोग्राम एगो बहुत शक्तिशाली बनावट विशेषता साबित होला. हम एगो सामान्यीकृत ग्रे-स्केल आउर रोटेशन अपरिवर्तनीय ऑपरेटर प्रस्तुति प्राप्त कर तानी जे कोणीय स्थान के कौनो भी क्वांटिज़ेशन आउर कौनो भी स्थानिक रिज़ॉल्यूशन खातिर एकसमान पैटर्न के पता लगावे के अनुमति देवेला आउर बहु-रिज़ॉल्यूशन विश्लेषण खातिर कई ऑपरेटर के संयोजन के एगो विधि प्रस्तुत करेला. ग्रे-स्केल के भिन्नता के संदर्भ में प्रस्तावित दृष्टिकोण बहुत मजबूत बा काहे कि संचालक, परिभाषा के अनुसार, ग्रे-स्केल के कौनो भी एकरस परिवर्तन के खिलाफ अपरिवर्तनीय बा. एगो दूसर फायदा कम्प्यूटेशनल सादगी होला काहे कि ऑपरेटर के एगो छोट पड़ोस में कुछ परिचालन आउर लुकअप टेबल के साथ महसूस कइल जा सकेला. घूर्णन अपरिवर्तनीयता के वास्तविक समस्या में प्राप्त उत्कृष्ट प्रयोगात्मक परिणाम, जहां वर्गीकरणकर्ता के एगो विशेष घूर्णन कोण पर प्रशिक्षित कइल जाला आउर अन्य घूर्णन कोण से नमूना के साथ परीक्षण कइल जाला, ई दर्शावेला कि साधारण घूर्णन अपरिवर्तनीय स्थानीय द्विआधारी पैटर्न के घटना के आंकड़ा के साथ अच्छा भेदभाव प्राप्त कइल जा सकेला. इ संचालक स्थानीय छवि बनावट के स्थानिक विन्यास के विशेषता देवेला आउर प्रदर्शन के स्थानीय छवि बनावट के विपरीत के विशेषता देवे वाला घूर्णन अपरिवर्तनीय विचलन उपाय के साथ जोड़के प्रदर्शन में आउर सुधार कइल जा सकेला. इ ऑर्थोगोनल उपाय के संयुक्त वितरण घूर्णन अपरिवर्तनीय बनावट विश्लेषण खातिर बहुत शक्तिशाली उपकरण के रूप में देखावल गइल बा. इंडेक्स शब्द: नॉनपैरामेट्रिक, बनावट विश्लेषण, आउटेक्स, ब्रॉडैट्ज़, वितरण, हिस्टोग्राम, कंट्रास्ट. |
8ade5d29ae9eac7b0980bc6bc1b873d0dd12a486 | |
12a97799334e3a455e278f2a995a93a6e0c034bf | ई पेपर चीनी शब्द खंडन खातिर एगो एम्बेडिंग मिलान दृष्टिकोण के प्रस्ताव करेला, जे पारंपरिक अनुक्रम लेबलिंग ढांचे के सामान्यीकृत करेला आउर वितरित निरूपण के लाभ उठावेला. प्रशिक्षण आउर भविष्यवाणी एल्गोरिदम में रैखिक-समय जटिलता होला. प्रस्तावित मॉडल के आधार पर, एगो लालची सेगमेंटर के बेंचमार्क कॉर्पोरेसन पर विकसित आउर मूल्यांकन कइल जाला. प्रयोग से पता चलल बा कि हमनी के लालची खंडन करे वाला तंत्रिका नेटवर्क आधारित शब्द खंडन करे वाला से बेहतर परिणाम प्राप्त करेला, आउर एकर प्रदर्शन अत्याधुनिक तरीका के साथ प्रतिस्पर्धी बाटे, एकर सरल सुविधा सेट आउर प्रशिक्षण खातिर बाहरी संसाधन के अभाव के बावजूद. |
Subsets and Splits