_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
2f991be8d35e4c1a45bfb0d646673b1ef5239a1f | মেশিন লার্নিং মডেলগুলি কেন তাদের মতো আচরণ করে তা বোঝা সিস্টেম ডিজাইনার এবং শেষ ব্যবহারকারীদের উভয়কেই অনেক উপায়ে ক্ষমতায়ন করেঃ মডেল নির্বাচন, বৈশিষ্ট্য প্রকৌশল, ভবিষ্যদ্বাণীগুলিকে বিশ্বাস করতে এবং কাজ করার জন্য এবং আরও স্বজ্ঞাত ব্যবহারকারী ইন্টারফেসে। এইভাবে, মেশিন লার্নিংয়ের ক্ষেত্রে ব্যাখ্যাযোগ্যতা একটি গুরুত্বপূর্ণ উদ্বেগের বিষয় হয়ে উঠেছে এবং ব্যাখ্যাযোগ্য মডেলের ক্ষেত্রে কাজ নতুন আগ্রহের সন্ধান পেয়েছে। কিছু অ্যাপ্লিকেশনে, এই ধরনের মডেলগুলি অ-অনুবাদযোগ্যগুলির মতোই সঠিক এবং তাই তাদের স্বচ্ছতার জন্য পছন্দ করা হয়। এমনকি যখন তারা সঠিক না হয়, তখনও তারা পছন্দ করতে পারে যখন ব্যাখ্যাযোগ্যতা সর্বাধিক গুরুত্বপূর্ণ। তবে মেশিন লার্নিংকে ব্যাখ্যাযোগ্য মডেলের মধ্যে সীমাবদ্ধ করা প্রায়শই একটি গুরুতর সীমাবদ্ধতা। এই গবেষণাপত্রে আমরা মডেল-অজ্ঞান পদ্ধতি ব্যবহার করে মেশিন লার্নিং ভবিষ্যদ্বাণী ব্যাখ্যা করার পক্ষে যুক্তি দিচ্ছি। মেশিন লার্নিং মডেলগুলিকে ব্ল্যাকবক্স ফাংশন হিসাবে বিবেচনা করে, এই পদ্ধতিগুলি মডেল, ব্যাখ্যা এবং উপস্থাপনাগুলির পছন্দ, ডিবাগিং, তুলনা এবং বিভিন্ন ব্যবহারকারী এবং মডেলের জন্য ইন্টারফেসগুলির উন্নতিতে গুরুত্বপূর্ণ নমনীয়তা সরবরাহ করে। আমরা এই ধরনের পদ্ধতির প্রধান চ্যালেঞ্জগুলিও তুলে ধরছি এবং সম্প্রতি চালু হওয়া মডেল-অজ্ঞাত ব্যাখ্যা পদ্ধতি (এলআইএমই) পর্যালোচনা করি যা এই চ্যালেঞ্জগুলি মোকাবেলা করে। |
546add32740ac350dda44bab06f56d4e206622ab | ডিপ নিউরাল নেটওয়ার্ক ইমেজ শ্রেণীবিভাগের ক্ষেত্রে চিত্তাকর্ষক পরীক্ষামূলক ফলাফল অর্জন করেছে, কিন্তু বিরোধী বিভ্রান্তির সাথে বিস্ময়করভাবে অস্থির হতে পারে, অর্থাৎ ইনপুট ইমেজে ন্যূনতম পরিবর্তন যা নেটওয়ার্কটিকে ভুল শ্রেণীবিভাগ করতে পারে। এই সম্ভাব্য অ্যাপ্লিকেশনগুলির মধ্যে রয়েছে স্বয়ংচালিত গাড়িগুলির জন্য উপলব্ধি মডিউল এবং এন্ড-টু-এন্ড কন্ট্রোলার, এটি তাদের সুরক্ষার বিষয়ে উদ্বেগ উত্থাপন করে। আমরা সন্তুষ্টি মডিউল তত্ত্ব (এসএমটি) এর উপর ভিত্তি করে ফিড-ফরওয়ার্ড মাল্টি-লেয়ার নিউরাল নেটওয়ার্কগুলির জন্য একটি নতুন স্বয়ংক্রিয় যাচাইকরণ কাঠামো বিকাশ করি। আমরা চিত্রের ম্যানিপুলেশনের উপর ফোকাস করি, যেমন স্ক্র্যাচ বা ক্যামেরা কোণ বা আলোর অবস্থার পরিবর্তন, এবং চিত্রের শ্রেণিবদ্ধকরণের সিদ্ধান্তের জন্য নিরাপত্তা সংজ্ঞায়িত করি যা মূল চিত্রের ম্যানিপুলেশনের সাথে সম্পর্কিত শ্রেণিবদ্ধকরণের অস্থিরতার ক্ষেত্রে চিত্রের কাছাকাছি চিত্রের অঞ্চলে। আমরা ডিসক্রিটাইজেশন ব্যবহার করে এই অঞ্চলের অনুসন্ধান করতে সক্ষম হয়েছি এবং স্তর দ্বারা স্তর বিশ্লেষণ প্রসারিত করেছি। আমাদের পদ্ধতি সরাসরি নেটওয়ার্ক কোডের সাথে কাজ করে এবং বিদ্যমান পদ্ধতির বিপরীতে, এটি নিশ্চিত করতে পারে যে প্রতিপক্ষের উদাহরণগুলি, যদি তারা বিদ্যমান থাকে, তবে প্রদত্ত অঞ্চল এবং ম্যানিপুলেশন পরিবারের জন্য পাওয়া যায়। যদি পাওয়া যায়, তাহলে প্রতিদ্বন্দ্বিতামূলক উদাহরণগুলি মানব পরীক্ষকদের দেখানো যেতে পারে এবং/অথবা নেটওয়ার্কটি সূক্ষ্ম-টুন করতে ব্যবহৃত হতে পারে। আমরা Z3 ব্যবহার করে এই কৌশলগুলি বাস্তবায়ন করি এবং নিয়মিত ও গভীর শিক্ষণ নেটওয়ার্ক সহ অত্যাধুনিক নেটওয়ার্কগুলিতে তাদের মূল্যায়ন করি। আমরা বিদ্যমান কৌশলগুলির সাথেও তুলনা করি যাতে বিরোধী উদাহরণগুলি অনুসন্ধান করতে এবং নেটওয়ার্কের দৃঢ়তা অনুমান করতে পারি। |
8db9df2eadea654f128c1887722c677c708e8a47 | এটি অন্তর্নির্মিত হার্ডওয়্যারে স্থাপনের জন্য কম্পিউটেশনাল জটিলতা হ্রাস করার জন্য প্রাসঙ্গিক তথ্যের উপর ফোকাস করার জন্য মনোযোগ মডেলের সাম্প্রতিক কাজকে একীভূত করে। ফ্রেমওয়ার্কটি TORCS নামে একটি ওপেন সোর্স 3D কার রেসিং সিমুলেটর দিয়ে পরীক্ষা করা হয়েছিল। আমাদের সিমুলেশন ফলাফলগুলি জটিল রাস্তার বক্রতা এবং অন্যান্য যানবাহনের সহজ মিথস্ক্রিয়া সহ একটি পরিস্থিতিতে স্বায়ত্তশাসিত চালনা শেখার প্রদর্শন করে। কৃত্রিম বুদ্ধিমত্তার দীর্ঘদিনের লক্ষ্য হচ্ছে একটি স্বয়ংক্রিয়ভাবে গাড়ি চালানো রোবট গাড়ি তৈরি করা। গাড়ি চালানো এমন একটি কাজ যার জন্য একজন চালকের উচ্চ দক্ষতা, মনোযোগ এবং অভিজ্ঞতা প্রয়োজন। যদিও কম্পিউটার মানুষের চেয়ে বেশি মনোযোগ দিতে এবং মনোযোগ কেন্দ্রীভূত করতে সক্ষম, তবে সম্পূর্ণ স্বয়ংক্রিয় ড্রাইভিংয়ের জন্য এমন এক স্তরের বুদ্ধি প্রয়োজন যা এ পর্যন্ত এআই এজেন্টদের দ্বারা অর্জিত হয়েছে। একটি স্বয়ংক্রিয় ড্রাইভিং এজেন্ট তৈরির সাথে জড়িত কাজগুলিকে 3 টি বিভাগে ভাগ করা যেতে পারে, যেমন চিত্র 1: 1 এ দেখানো হয়েছে। এর উদাহরণ হল পথচারী সনাক্তকরণ, ট্রাফিক সাইন স্বীকৃতি ইত্যাদি। যদিও তুচ্ছ বিষয় থেকে অনেক দূরে, ডিপ লার্নিং (ডিএল) অ্যালগরিদমের অগ্রগতির জন্য আজকাল স্বীকৃতি একটি তুলনামূলক সহজ কাজ, যা বিভিন্ন বস্তুর সনাক্তকরণ এবং শ্রেণিবদ্ধকরণ সমস্যার ক্ষেত্রে মানব স্তরের স্বীকৃতি বা তার উপরে পৌঁছেছে [1] [2]। গভীর শিক্ষণ মডেলগুলি কাঁচা ইনপুট ডেটা থেকে জটিল বৈশিষ্ট্য উপস্থাপনাগুলি শিখতে সক্ষম, হস্তনির্মিত বৈশিষ্ট্যগুলির প্রয়োজন বাদ দিয়ে [১৫] [২] [৭] । এই ক্ষেত্রে, কনভোলুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) সম্ভবত সবচেয়ে সফল গভীর শিক্ষার মডেল, এবং অ্যালেক্সনেট [8] এর পর থেকে ইমেজনেট চ্যালেঞ্জের প্রতিটি বিজয়ী প্রবেশের ভিত্তি গঠন করেছে। এই সাফল্যটি স্বয়ংক্রিয় ড্রাইভিংয়ের জন্য লেন এবং যানবাহন সনাক্তকরণে প্রতিলিপি করা হয়েছে। 2) ভবিষ্যদ্বাণীঃ একটি স্বয়ংক্রিয় ড্রাইভিং এজেন্টের জন্য তার পরিবেশকে চিনতে যথেষ্ট নয়; এটি অবশ্যই অভ্যন্তরীণ মডেলগুলি তৈরি করতে সক্ষম হতে হবে যা পরিবেশের ভবিষ্যতের অবস্থা পূর্বাভাস দেয়। এই শ্রেণীর সমস্যার উদাহরণগুলির মধ্যে রয়েছে পরিবেশের একটি মানচিত্র তৈরি করা বা কোনও বস্তুর সন্ধান করা। ভবিষ্যৎ সম্পর্কে ভবিষ্যদ্বাণী করতে হলে অতীতের তথ্যকে একত্রিত করা জরুরি। এই ধরনের সমস্যা সমাধানে পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) অত্যন্ত গুরুত্বপূর্ণ। লং-শর্ট টার্ম মেমরি (এলএসটিএম) নেটওয়ার্ক [5] এমন একটি শ্রেণীর আরএনএন যা এন্ড-টু-এন্ড দৃশ্য লেবেলিং সিস্টেমে ব্যবহৃত হয়েছে [14]। সম্প্রতি, ডিপট্র্যাকিং মডেলের অবজেক্ট ট্র্যাকিং পারফরম্যান্স উন্নত করতে আরএনএন ব্যবহার করা হয়েছে [13]। ৩) পরিকল্পনাঃ একটি দক্ষ মডেল তৈরি করা যা ভবিষ্যতে ড্রাইভিং ক্রিয়াকলাপের ক্রম পরিকল্পনা করার জন্য স্বীকৃতি এবং পূর্বাভাসকে অন্তর্ভুক্ত করে যা যানবাহনকে সফলভাবে নেভিগেট করতে সক্ষম করবে। পরিকল্পনা করা এই তিনটির মধ্যে সবচেয়ে কঠিন কাজ। সমস্যাটি হল, মডেলের পরিবেশ (পরিচয়) এবং এর গতিশীলতা (প্রাক্কলন) বুঝতে সক্ষমতাকে এমনভাবে একত্রিত করা যাতে এটি ভবিষ্যতে এমন কর্ম পরিকল্পনা করতে পারে যাতে এটি অবাঞ্ছিত পরিস্থিতি (জরিমানা) এড়াতে পারে এবং নিরাপদে তার গন্তব্যে (পুরস্কার) চালাতে পারে। চিত্র 1: উচ্চ স্তরের স্বয়ংক্রিয় ড্রাইভিং কাজগুলি রেইনফোর্সমেন্ট লার্নিং (আরএল) ফ্রেমওয়ার্ক [17] [20] দীর্ঘদিন ধরে নিয়ন্ত্রণের কাজে ব্যবহৃত হয়েছে। [৯] এই গবেষণায় RL এবং DL মিশ্রণকে মানুষের স্তরের নিয়ন্ত্রণ অর্জনের সবচেয়ে আশাব্যঞ্জক পদ্ধতি হিসেবে চিহ্নিত করা হয়েছে। [12] এবং [11] এ এই মানব স্তরের নিয়ন্ত্রণটি ডিপ কিউ নেটওয়ার্ক (ডিকিউএন) মডেল ব্যবহার করে আটারি গেমগুলিতে প্রদর্শিত হয়েছিল, যেখানে আরএল পরিকল্পনা অংশের জন্য দায়ী এবং ডিএল প্রতিনিধিত্ব শেখার অংশের জন্য দায়ী। পরে, আংশিক পর্যবেক্ষণযোগ্য দৃশ্যকল্পের জন্য অ্যাকাউন্টের জন্য মিশ্রণে RNNs সংহত করা হয়েছিল [4]। স্বয়ংক্রিয় ড্রাইভিং তথ্যের সমন্বয় প্রয়োজন ar X iv: 70 4. 02 53 2v 1 [ সেন্ট এ .M L ] 8 A pr 2 01 7 একাধিক সেন্সর থেকে. এর মধ্যে কিছু স্বল্প মাত্রিক, যেমন LIDAR, অন্যগুলো উচ্চ মাত্রিক, যেমন ক্যামেরা। এই বিশেষ উদাহরণে এটি লক্ষণীয় যে, যদিও কাঁচা ক্যামেরা চিত্রগুলি উচ্চ মাত্রিক, স্বয়ংক্রিয় ড্রাইভিংয়ের কাজটি অর্জনের জন্য প্রয়োজনীয় দরকারী তথ্য অনেক কম মাত্রার। উদাহরণস্বরূপ, দৃশ্যের গুরুত্বপূর্ণ অংশগুলি যা ড্রাইভিং সিদ্ধান্তগুলিকে প্রভাবিত করে তা চলন্ত যানবাহন, সামনের রাস্তায় মুক্ত স্থান, কার্বসের অবস্থান ইত্যাদিতে সীমাবদ্ধ। এমনকি যানবাহনের সূক্ষ্ম বিবরণও গুরুত্বপূর্ণ নয়, কারণ সমস্যাটির জন্য কেবল তাদের স্থানিক অবস্থানই সত্যই প্রয়োজনীয়। তাই প্রাসঙ্গিক তথ্যের জন্য মেমরি ব্যান্ডউইথ অনেক কম। যদি এই প্রাসঙ্গিক তথ্য বের করা যায়, অন্য অপ্রাসঙ্গিক অংশগুলো ফিল্টার করে ফেলা হয়, তাহলে এটি স্বয়ংক্রিয় ড্রাইভিং সিস্টেমের সঠিকতা এবং দক্ষতা উভয়ই উন্নত করবে। এর ফলে সিস্টেমের কম্পিউটিং এবং মেমরির প্রয়োজনীয়তা হ্রাস পাবে, যা স্বয়ংক্রিয় ড্রাইভিং কন্ট্রোল ইউনিটকে অন্তর্ভুক্ত করবে এমন এমবেডেড সিস্টেমের উপর গুরুত্বপূর্ণ সীমাবদ্ধতা। মনোযোগের মডেলগুলি এই ধরনের তথ্য ফিল্টারিং প্রক্রিয়ার জন্য একটি প্রাকৃতিক ফিট। সম্প্রতি, এই মডেলগুলি সফলভাবে [23] এবং [10]-এ চিত্রের স্বীকৃতির জন্য স্থাপন করা হয়েছিল, যেখানে RL-কে RNN-এর সাথে মিশ্রিত করা হয়েছিল যাতে চিত্রের অংশগুলি যত্ন নিতে হয়। এই ধরনের মডেলগুলি সহজেই DQN [11] এবং ডিপ রিকারন্ট Q নেটওয়ার্ক (DRQN) [4] মডেলগুলিতে প্রসারিত এবং সংহত করা হয়। এই একীকরণ [16]-এ সম্পন্ন করা হয়েছে। মনোযোগের মডেলের সাফল্য আমাদেরকে স্বয়ংক্রিয় ড্রাইভিং করার জন্য কাঁচা সংবেদনশীল তথ্য থেকে নিম্ন স্তরের তথ্য বের করার জন্য প্রস্তাব করতে বাধ্য করে। এই গবেষণাপত্রে আমরা একটি শেষ-শেষ স্বয়ংক্রিয় ড্রাইভিং মডেলের জন্য একটি কাঠামো প্রস্তাব করছি যা কাঁচা সেন্সর ইনপুট এবং ড্রাইভিং অ্যাকশন আউটপুট গ্রহণ করে। মডেলটি আংশিকভাবে পর্যবেক্ষণযোগ্য দৃশ্যকল্প পরিচালনা করতে সক্ষম। আমরা মনোযোগের মডেলের সাম্প্রতিক অগ্রগতিকে সংহত করার প্রস্তাব দিই যাতে সেন্সর থেকে প্রাপ্ত তথ্য থেকে শুধুমাত্র প্রাসঙ্গিক তথ্য বের করা যায়, যার ফলে এটি রিয়েল টাইম এমবেডেড সিস্টেমের জন্য উপযুক্ত হয়ে ওঠে। এই গবেষণাপত্রের মূল অবদানগুলো হল: ১) গভীর পুনর্বহাল শেখার সাম্প্রতিক অগ্রগতির একটি সমীক্ষা উপস্থাপন করা এবং ২) স্বয়ংক্রিয় ড্রাইভিংয়ের জন্য একটি কাঠামো প্রবর্তন করা। বাকি অংশ দুটি ভাগে বিভক্ত। প্রথম অংশে ডিপ রিইনফোর্সমেন্ট লার্নিং অ্যালগরিদমের একটি সমীক্ষা প্রদান করা হয়েছে, যার শুরু ঐতিহ্যবাহী এমডিপি ফ্রেমওয়ার্ক এবং কিউ-লার্নিং দিয়ে, তারপরে ডিকিউএন, ডিআরকিউএন এবং ডিপ এটেন্সন রিকার্টিং কিউ নেটওয়ার্ক (ডিএআরকিউএন) । গবেষণাপত্রের দ্বিতীয় অংশে প্রস্তাবিত কাঠামোর বর্ণনা দেওয়া হয়েছে যা গভীর পুনর্বহাল শেখার সাম্প্রতিক অগ্রগতিকে সংহত করে। শেষ পর্যন্ত, আমরা উপসংহারে ভবিষ্যতের কাজের দিকনির্দেশনা দিই। রিইনফোর্সমেন্ট লার্নিং এর সার্বিক বর্ণনার জন্য, রিচ সটনের পাঠ্যপুস্তকের দ্বিতীয় সংস্করণ দেখুন [১৮]। এই বিভাগে আমরা গুরুত্বপূর্ণ বিষয়গুলির একটি সংক্ষিপ্ত পর্যালোচনা প্রদান করি। রেইনফোর্সমেন্ট লার্নিং ফ্রেমওয়ার্কটি [17] এ একটি মডেল হিসাবে তৈরি করা হয়েছিল যাতে কোনও এজেন্ট অনুসরণ করতে পারে এমন সর্বোত্তম নীতি (একটি নির্দিষ্ট অবস্থায় নেওয়া সেরা পদক্ষেপ) সরবরাহ করতে পারে, যাতে এজেন্টটি বর্তমান থেকে এবং একটি টার্মিনাল স্টেট না হওয়া পর্যন্ত সেই নীতি অনুসরণ করলে মোট জমা পুরষ্কার সর্বাধিক হয়। RL প্যারাডাইম ড্রাইভিং এর জন্য প্রেরণা একটি মাল্টি-এজেন্ট ইন্টারঅ্যাকশন সমস্যা। একজন মানব চালক হিসেবে, ভারী ট্রাফিকের মধ্যে লেন পরিবর্তন করার চেয়ে অন্য গাড়ির সাথে কোন ধরনের যোগাযোগ না করে লেনের মধ্যে থাকা অনেক সহজ। অন্য চালকদের আচরণের অনিশ্চয়তার কারণে শেষটি আরও কঠিন। ইন্টারেক্টিভ যানবাহন সংখ্যা, তাদের জ্যামিতিক কনফিগারেশন এবং ড্রাইভারদের আচরণে বড় পরিবর্তনশীলতা থাকতে পারে এবং সমস্ত দৃশ্যের সম্পূর্ণ কভারেজের সাথে তত্ত্বাবধানে শেখার ডেটাসেট ডিজাইন করা চ্যালেঞ্জিং। মানব চালকরা অন্য চালকদের আচরণ বুঝতে কিছু ধরণের অনলাইন রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে যেমন তারা প্রতিরক্ষামূলক বা আক্রমণাত্মক, অভিজ্ঞ বা অনভিজ্ঞ ইত্যাদি। এটি বিশেষভাবে এমন পরিস্থিতিতে দরকারী যেখানে আলোচনা প্রয়োজন, যেমন একটি রাউন্ডআপে প্রবেশ করা, ট্র্যাফিক লাইট ছাড়াই ন্যাভিগেশন জংশন, ভারী ট্র্যাফিকের সময় লেন পরিবর্তন ইত্যাদি। স্বয়ংক্রিয় ড্রাইভিংয়ের প্রধান চ্যালেঞ্জ হল এমন কিছু ক্ষেত্রে কাজ করা যা একজন মানুষের জন্যও অপ্রত্যাশিত, যেমন জিপিএস ছাড়াই অজানা এলাকায় হারিয়ে যাওয়ার পর বা বন্যা বা মাটিতে একটি সিনকহোলের উপস্থিতির মতো দুর্যোগের পরিস্থিতি মোকাবেলা করা। আরএল প্যারাডাইম অজানা ভূখণ্ডের মডেল তৈরি করে এবং পদক্ষেপ গ্রহণের মাধ্যমে নিজের অভিজ্ঞতা থেকে শিখতে পারে। এছাড়াও, RL-এর মাধ্যমে অ-বিভিন্ন ব্যয় ফাংশনগুলি পরিচালনা করা সম্ভব যা তত্ত্বাবধানে শিক্ষার সমস্যাগুলির জন্য চ্যালেঞ্জ তৈরি করতে পারে। বর্তমানে, স্বয়ংক্রিয় ড্রাইভিংয়ের জন্য স্ট্যান্ডার্ড পদ্ধতিটি সিস্টেমটিকে বিচ্ছিন্ন উপ-সমস্যাগুলিতে বিচ্ছিন্ন করা, সাধারণত তত্ত্বাবধানে শেখার মতো অবজেক্ট সনাক্তকরণ, ভিজ্যুয়াল ওডোমেট্রি ইত্যাদি এবং তারপরে পূর্ববর্তী পদক্ষেপের সমস্ত ফলাফলকে একত্রিত করার জন্য একটি পোস্ট প্রসেসিং স্তর থাকা। এই পদ্ধতির সাথে দুটি প্রধান সমস্যা রয়েছে: প্রথমত, যে উপ-সমস্যাগুলি সমাধান করা হয় সেগুলি স্বয়ংক্রিয় ড্রাইভিংয়ের চেয়ে আরও কঠিন হতে পারে। উদাহরণস্বরূপ, কেউ অর্থবিভাজন দ্বারা অবজেক্ট সনাক্তকরণ সমাধান করতে পারে যা চ্যালেঞ্জিং এবং অপ্রয়োজনীয় উভয়ই। ড্রাইভিংয়ের সময় সব দৃশ্যমান বস্তুকে মানুষ সনাক্ত করে শ্রেণীবদ্ধ করে না, শুধুমাত্র সবচেয়ে গুরুত্বপূর্ণ বস্তুকেই। দ্বিতীয়ত, বিচ্ছিন্ন উপ-সমস্যাগুলিকে একত্রিতভাবে সংযুক্ত না করে রিইনফোর্সমেন্ট লার্নিংকে একটি শক্তিশালী এআই প্যারাডাইম হিসেবে বিবেচনা করা হয় যা পরিবেশের সাথে মিথস্ক্রিয়া এবং তাদের ভুল থেকে শেখার মাধ্যমে মেশিনগুলিকে শেখাতে ব্যবহার করা যেতে পারে। এর কার্যকারিতা সত্ত্বেও, এটি এখনও সফলভাবে অটোমোটিভ অ্যাপ্লিকেশনগুলিতে প্রয়োগ করা হয়নি। অ্যাটারি গেমস এবং গুগল ডিপমাইন্ডের গো-এর সফল শিক্ষণ প্রদর্শনীর দ্বারা অনুপ্রাণিত হয়ে আমরা গভীর পুনর্বহাল শেখার মাধ্যমে স্বয়ংক্রিয় ড্রাইভিংয়ের জন্য একটি কাঠামোর প্রস্তাব দিচ্ছি। এটি বিশেষভাবে প্রাসঙ্গিক কারণ অন্যান্য যানবাহন, পথচারী এবং রাস্তা নির্মাণ সহ পরিবেশের সাথে দৃ strong় মিথস্ক্রিয়া কারণে স্বায়ত্তশাসিত ড্রাইভিংকে তত্ত্বাবধানে শেখার সমস্যা হিসাবে উপস্থাপন করা কঠিন। যেহেতু এটি স্বয়ংক্রিয় ড্রাইভিংয়ের জন্য গবেষণার একটি অপেক্ষাকৃত নতুন ক্ষেত্র, আমরা গভীর পুনর্বহাল শেখার একটি সংক্ষিপ্ত ওভারভিউ প্রদান করি এবং তারপরে আমাদের প্রস্তাবিত কাঠামোর বর্ণনা করি। এটি তথ্য সংহতকরণের জন্য পুনরাবৃত্ত নিউরাল নেটওয়ার্ক অন্তর্ভুক্ত করে, যা গাড়িটিকে আংশিকভাবে পর্যবেক্ষণযোগ্য পরিস্থিতি পরিচালনা করতে সক্ষম করে। |
a4d513cfc9d4902ef1a80198582f29b8ba46ac28 | এই প্রতিবেদনে এআই-এর ক্ষতিকারক ব্যবহারের ফলে সম্ভাব্য নিরাপত্তা হুমকির পরিপ্রেক্ষিতে সমীক্ষা করা হয়েছে এবং এই হুমকিগুলির আরও ভাল পূর্বাভাস, প্রতিরোধ এবং প্রশমনের উপায় প্রস্তাব করা হয়েছে। ডিজিটাল, শারীরিক এবং রাজনৈতিক ক্ষেত্রে যেভাবে এআই হুমকির প্রভাব ফেলতে পারে তা বিশ্লেষণ করার পর, আমরা এআই গবেষক এবং অন্যান্য স্টেকহোল্ডারদের জন্য চারটি উচ্চ পর্যায়ের সুপারিশ করি। আমরা আরও গবেষণার জন্য বেশ কয়েকটি প্রতিশ্রুতিবদ্ধ ক্ষেত্রের পরামর্শ দিচ্ছি যা প্রতিরক্ষা পোর্টফোলিও প্রসারিত করতে পারে, বা আক্রমণগুলি কম কার্যকর বা কার্যকর করা কঠিন করে তুলতে পারে। অবশেষে, আমরা আলোচনা করি, কিন্তু চূড়ান্তভাবে সমাধান করি না, আক্রমণকারী এবং রক্ষাকারীদের দীর্ঘমেয়াদী ভারসাম্য। |
b5a047dffc3d70dce19de61257605dfc8c69535c | গভীর নিউরাল নেটওয়ার্কগুলি জটিল, বাস্তব-বিশ্বের সমস্যা মোকাবেলায় ব্যাপকভাবে ব্যবহৃত এবং কার্যকর উপায় হিসাবে আবির্ভূত হয়েছে। তবে, নিরাপত্তা-সমালোচনামূলক সিস্টেমে তাদের প্রয়োগের ক্ষেত্রে একটি প্রধান বাধা হল তাদের আচরণ সম্পর্কে আনুষ্ঠানিক গ্যারান্টি প্রদানের দুর্দান্ত অসুবিধা। আমরা গভীর নিউরাল নেটওয়ার্কগুলির বৈশিষ্ট্য যাচাই করার জন্য একটি নতুন, স্কেলযোগ্য এবং দক্ষ কৌশল উপস্থাপন করি (বা কাউন্টার-উদাহরণ সরবরাহ করি) । এই কৌশলটি সিম্প্লেক্স পদ্ধতির উপর ভিত্তি করে তৈরি করা হয়েছে, যা অ-উল্লম্ব সংশোধিত লিনিয়ার ইউনিট (ReLU) অ্যাক্টিভেশন ফাংশন পরিচালনা করতে প্রসারিত করা হয়েছে, যা অনেক আধুনিক নিউরাল নেটওয়ার্কের একটি গুরুত্বপূর্ণ উপাদান। এই যাচাইকরণ পদ্ধতিতে কোন সরলীকরণমূলক অনুমান ছাড়াই সম্পূর্ণ নিউরাল নেটওয়ার্ককে বিবেচনা করা হয়। আমরা আমাদের প্রযুক্তির মূল্যায়ন করেছি একটি প্রোটোটাইপ গভীর নিউরাল নেটওয়ার্ক বাস্তবায়নের উপর পরবর্তী প্রজন্মের বিমানে সংঘর্ষ এড়ানোর সিস্টেম জন্য অমানবিক বিমান (এসিএএস Xu) । ফলাফল দেখায় যে আমাদের কৌশল সফলভাবে নেটওয়ার্কগুলির বৈশিষ্ট্যগুলি প্রমাণ করতে পারে যা বিদ্যমান পদ্ধতিগুলি ব্যবহার করে যাচাই করা বৃহত্তম নেটওয়ার্কগুলির চেয়ে আকারের একটি অর্ডার বড়। |
b4bd9fab8439da4939a980a950838d1299a9b030 | ব্যবহারের সম্পূর্ণ শর্তাবলীঃ http://pubsonline.informs.org/page/terms-and-conditions এই নিবন্ধটি শুধুমাত্র গবেষণা, শিক্ষা এবং/অথবা ব্যক্তিগত অধ্যয়নের উদ্দেশ্যে ব্যবহার করা যেতে পারে। বাণিজ্যিক ব্যবহার বা পদ্ধতিগত ডাউনলোড (রোবট বা অন্যান্য স্বয়ংক্রিয় প্রক্রিয়া দ্বারা) প্রকাশকের স্পষ্ট অনুমোদন ব্যতীত নিষিদ্ধ, যদি না অন্যথায় উল্লেখ করা হয়। আরও তথ্যের জন্য, [email protected] এ যোগাযোগ করুন। প্রকাশক নিবন্ধটির সঠিকতা, সম্পূর্ণতা, বিক্রয়ের যোগ্যতা, নির্দিষ্ট উদ্দেশ্যে উপযুক্ততা বা লঙ্ঘন না করার নিশ্চয়তা বা গ্যারান্টি দেয় না। এই নিবন্ধে পণ্য বা প্রকাশনাগুলির বর্ণনা বা উল্লেখ বা কোনও বিজ্ঞাপন অন্তর্ভুক্ত করা, সেই পণ্য, প্রকাশনা বা পরিষেবা সম্পর্কে করা দাবির কোনও গ্যারান্টি, অনুমোদন বা সমর্থন গঠন করে না বা বোঝায় না। © ১৯৯০ ইনফরমস |
5288d14f6a3937df5e10109d4e23d79b7ddf080f | |
c9946fedf333df0c6404765ba6ccbf8006779753 | স্বয়ংক্রিয়ভাবে গাড়ি চালানো চালকদের সুবিধা প্রদান এবং নিরাপত্তা বাড়ানোর ক্ষমতা প্রদর্শন করেছে। আমাদের বর্তমান ট্রাফিক ব্যবস্থায় স্বয়ংক্রিয় গাড়ি চালানো প্রবর্তনের সময়, একটি গুরুত্বপূর্ণ বিষয় হল স্বয়ংক্রিয় গাড়িকে প্রকৃত মানুষের মতো একইভাবে প্রতিক্রিয়া জানাতে সক্ষম করা। ভবিষ্যতের স্বয়ংক্রিয় যানবাহন মানুষের ড্রাইভারের মতো কাজ করবে তা নিশ্চিত করার জন্য, এই কাগজে একটি যানবাহন গতি পরিকল্পনা মডেলের প্রস্তাব দেওয়া হয়েছে, যা প্রকৃত সিগন্যালাইজড চক্রান্তে ট্র্যাফিক পরিবেশের মূল্যায়নের উপর ভিত্তি করে ড্রাইভাররা কীভাবে যানবাহন নিয়ন্ত্রণ করে তা উপস্থাপন করতে পারে। প্রস্তাবিত গতি পরিকল্পনা মডেলটিতে পথচারীদের উদ্দেশ্য সনাক্তকরণ, ফাঁক সনাক্তকরণ এবং গাড়ির গতিশীল নিয়ন্ত্রণের ফাংশন রয়েছে। এই তিনটি ফাংশন বাস্তব ট্রাফিক পরিবেশ থেকে সংগৃহীত প্রকৃত তথ্য বিশ্লেষণের উপর ভিত্তি করে নির্মিত হয়। শেষ পর্যন্ত, এই কাগজটি আমাদের মডেলের আচরণের সাথে বাস্তব পথচারী এবং মানব ড্রাইভারদের আচরণের সাথে তুলনা করে প্রস্তাবিত পদ্ধতির কার্যকারিতা প্রদর্শন করে। পরীক্ষামূলক ফলাফল দেখায় যে আমাদের প্রস্তাবিত মডেলটি 85% স্বীকৃতি হার অর্জন করতে পারে পথচারী ক্রসিংয়ের অভিপ্রায়ের জন্য। এছাড়াও, প্রস্তাবিত গতি পরিকল্পনা মডেল দ্বারা নিয়ন্ত্রিত যানবাহন এবং প্রকৃত মানবচালিত যানবাহনটি ছেদগুলিতে ফাঁক গ্রহণের ক্ষেত্রে অত্যন্ত অনুরূপ। |
061356704ec86334dbbc073985375fe13cd39088 | এই গবেষণায় আমরা বড় আকারের ইমেজ রিকগনিশন সেটিং এর সঠিকতা উপর কনভোলুশনাল নেটওয়ার্ক গভীরতার প্রভাব তদন্ত। আমাদের মূল অবদান হচ্ছে ক্রমবর্ধমান গভীরতার নেটওয়ার্কগুলির একটি পুঙ্খানুপুঙ্খ মূল্যায়ন, যা দেখায় যে পূর্ববর্তী শিল্পের কনফিগারেশনগুলির উপর একটি উল্লেখযোগ্য উন্নতি গভীরতাকে 16-19 ওজন স্তরগুলিতে ঠেলে দিয়ে অর্জন করা যেতে পারে। এই ফলাফলগুলোই ছিল আমাদের ইমেজনেট চ্যালেঞ্জ ২০১৪-এর ভিত্তি, যেখানে আমাদের দল স্থানীয়করণ এবং শ্রেণীবিভাগের ট্র্যাকগুলিতে প্রথম এবং দ্বিতীয় স্থান অর্জন করেছে। আমরা দেখিয়েছি যে আমাদের উপস্থাপনাগুলি অন্যান্য ডেটাসেটগুলিতে ভালভাবে সাধারণীকরণ করে, যখন আমরা সর্বশেষ ফলাফলগুলি অর্জন করি। গুরুত্বপূর্ণ বিষয় হল, আমরা আমাদের দুটি সেরা কনভনেট মডেলকে জনসাধারণের কাছে উপলব্ধ করেছি যাতে কম্পিউটার ভিশনে গভীর ভিজ্যুয়াল উপস্থাপনা ব্যবহারের বিষয়ে আরও গবেষণা করা যায়। |
14318685b5959b51d0f1e3db34643eb2855dc6d9 | আমরা একটি গভীর কনভলুশনাল নিউরাল নেটওয়ার্ক আর্কিটেকচারের প্রস্তাব দিচ্ছি যার কোড নাম ইনসেপশন যা ইমেজনেট লার্জ-স্কেল ভিজ্যুয়াল রিকগনিশন চ্যালেঞ্জ ২০১৪ (আইএলএসভিআরসি১৪) এ শ্রেণিবদ্ধকরণ এবং সনাক্তকরণের জন্য শিল্পের নতুন অবস্থা অর্জন করে। এই আর্কিটেকচারের প্রধান বৈশিষ্ট্য হল নেটওয়ার্কের মধ্যে কম্পিউটিং রিসোর্সগুলির উন্নত ব্যবহার। একটি সাবধানে তৈরি নকশা দ্বারা, আমরা কম্পিউটেশনাল বাজেটকে ধ্রুবক রেখে নেটওয়ার্কের গভীরতা এবং প্রস্থ বৃদ্ধি করেছি। গুণমানের উন্নতির জন্য, স্থাপত্যগত সিদ্ধান্তগুলি হেববিয়ান নীতি এবং বহু-স্কেল প্রক্রিয়াকরণের স্বজ্ঞার উপর ভিত্তি করে তৈরি করা হয়েছিল। আইএলএসভিআরসি১৪ এর জন্য আমাদের জমা দেওয়ার জন্য ব্যবহৃত একটি বিশেষ রূপকে গুগললনেট বলা হয়, এটি ২২ স্তরের গভীর নেটওয়ার্ক, যার গুণমান শ্রেণিবদ্ধকরণ এবং সনাক্তকরণের প্রসঙ্গে মূল্যায়ন করা হয়। |
1827de6fa9c9c1b3d647a9d707042e89cf94abf0 | ডিপ নিউরাল নেটওয়ার্ক প্রশিক্ষণ জটিল হয় কারণ প্রশিক্ষণের সময় প্রতিটি স্তরের ইনপুটগুলির বন্টন পরিবর্তিত হয়, কারণ পূর্ববর্তী স্তরগুলির পরামিতিগুলি পরিবর্তিত হয়। এটি প্রশিক্ষণের গতি কমিয়ে দেয় কারণ এটির জন্য কম শেখার হার এবং সতর্কতার সাথে প্যারামিটার প্রাথমিককরণ প্রয়োজন, এবং এটি অপ্রতিম অ-রৈখিকতার সাথে মডেলগুলিকে প্রশিক্ষণ দেওয়া অত্যন্ত কঠিন করে তোলে। আমরা এই ঘটনাকে অভ্যন্তরীণ কোভারিয়েট শিফট বলে উল্লেখ করি এবং লেয়ার ইনপুটকে স্বাভাবিক করে সমস্যাটির সমাধান করি। আমাদের পদ্ধতিটি মডেল আর্কিটেকচারের একটি অংশ হিসাবে স্বাভাবিককরণ এবং প্রতিটি প্রশিক্ষণ মিনি-ব্যাচের জন্য স্বাভাবিককরণ সম্পাদন করে তার শক্তি অর্জন করে। ব্যাচ নর্মালাইজেশন আমাদের অনেক বেশি উচ্চতর শেখার হার ব্যবহার করতে দেয় এবং প্রাথমিকীকরণ সম্পর্কে কম সতর্ক হতে দেয় এবং কিছু ক্ষেত্রে ড্রপআউট এর প্রয়োজন দূর করে। একটি অত্যাধুনিক চিত্র শ্রেণীবিভাগ মডেলের উপর প্রয়োগ করা হলে, ব্যাচ নর্মালাইজেশন 14 গুণ কম প্রশিক্ষণ ধাপের সাথে একই নির্ভুলতা অর্জন করে এবং মূল মডেলকে উল্লেখযোগ্য মার্জিনের দ্বারা পরাজিত করে। ব্যাচ-নরমালাইজড নেটওয়ার্কগুলির একটি সমষ্টি ব্যবহার করে, আমরা ইমেজনেট শ্রেণিবিন্যাসে সেরা প্রকাশিত ফলাফলের উন্নতি করিঃ 4.82% শীর্ষ 5 পরীক্ষার ত্রুটি অর্জন করে, যা মানুষের রেটারের নির্ভুলতা অতিক্রম করে। |
6e80768219b2ab5a3247444cfb280e8d33d369f0 | এই গবেষণাপত্রে একটি অতি-বিস্তৃত-ব্যান্ড (ইউডাব্লুবি) পাওয়ার ডিভাইডার ডিজাইন করা হয়েছে। এই পাওয়ার ডিভাইডারটির ইউডব্লিউবি পারফরম্যান্সটি একটি কনফারড মাইক্রোস্ট্রিপ লাইন ব্যবহার করে প্রাপ্ত হয় যা এক্সপোনেন্সিয়াল এবং অক্ষীয় বিভাগগুলি নিয়ে গঠিত। সমান্তরাল মাইক্রো-জেনেটিক অ্যালগরিদম (পিএমজিএ) এবং সিএসটি মাইক্রোওয়েভ স্টুডিও একত্রিত হয়ে একটি স্বয়ংক্রিয় সমান্তরাল নকশা প্রক্রিয়া অর্জন করে। এই পদ্ধতিটি ইউডব্লিউবি পাওয়ার ডিভাইডারকে অপ্টিমাইজ করার জন্য প্রয়োগ করা হয়। অপ্টিমাইজড পাওয়ার ডিভাইডারটি তৈরি এবং পরিমাপ করা হয়। পরিমাপ করা ফলাফলগুলি তুলনামূলকভাবে কম সন্নিবেশ ক্ষতি, ভাল রিটার্ন ক্ষতি এবং পুরো ইউডাব্লুবি (3,1-10,6 গিগাহার্টজ) জুড়ে আউটপুট পোর্টের মধ্যে উচ্চ বিচ্ছিন্নতা দেখায়। |
2532d0567c8334e4cadf282a73ffe399c1c32476 | পারফরম্যান্সের পরিমাপ হল প্রাপ্ত পুরস্কারের সমষ্টি। উদাহরণস্বরূপ, যখন একটি বাম্বল মৌমাছি খাদ্য সংগ্রহ করে, প্রতিটি সময় ধাপে পুরষ্কার ফাংশনটি উড়ে যাওয়া দূরত্ব (নেতিবাচকভাবে ওজনযুক্ত) এবং নিমজ্জিত মধুগুলির কিছু সংমিশ্রণ হতে পারে। রেইনফোর্সমেন্ট লার্নিং (আরএল) পদ্ধতি মূলত মার্কভ সিদ্ধান্ত গ্রহণের প্রক্রিয়া (এমডিপি) সমাধানের জন্য অনলাইন অ্যালগরিদম। একটি এমডিপি পুরস্কার ফাংশন এবং একটি মডেল দ্বারা সংজ্ঞায়িত করা হয়, অর্থাৎ, প্রতিটি সম্ভাব্য কর্মের উপর নির্ভরশীল রাষ্ট্রীয় ট্রানজিশন সম্ভাবনা। RL অ্যালগরিদম মডেল-ভিত্তিক হতে পারে, যেখানে এজেন্ট একটি মডেল শিখতে পারে, বা মডেল-মুক্ত-যেমন, Q-learning citeWatkins: 1989, যা কেবল একটি ফাংশন Q ((s) শিখতে পারে, a) রাষ্ট্রের মধ্যে কর্ম গ্রহণের দীর্ঘমেয়াদী মান নির্দিষ্ট করে এবং এর পরে সর্বোত্তমভাবে কাজ করে। তাদের সাফল্য সত্ত্বেও, RL পদ্ধতিগুলি মূলত সম্পূর্ণরূপে পর্যবেক্ষণযোগ্য এমডিপিগুলিতে সীমাবদ্ধ ছিল, যেখানে প্রতিটি রাজ্যে সংবেদনশীল ইনপুট রাষ্ট্রটি সনাক্ত করতে যথেষ্ট। স্পষ্টতই, বাস্তব জগতে, আমাদের প্রায়শই আংশিকভাবে পর্যবেক্ষণযোগ্য এমডিপি (পিওএমডিপি) নিয়ে কাজ করতে হয়। অ্যাস্ট্রম (১৯৬৫) প্রমাণ করেন যে POMDP-এর সর্বোত্তম সিদ্ধান্তগুলি সময়ের প্রতিটি পয়েন্টে বিশ্বাসের অবস্থার উপর নির্ভর করে, অর্থাৎ, সমস্ত সম্ভাব্য প্রকৃত অবস্থার উপর পশ্চাৎপদ সম্ভাব্যতা বন্টন, আজ পর্যন্ত সমস্ত প্রমাণ দেওয়া হয়েছে। Parr and Russell (1995) একটি খুব সহজ POMDP RL অ্যালগরিদম বর্ণনা করে যা b এর একটি স্পষ্ট উপস্থাপনাকে সম্ভাবনার ভেক্টর হিসাবে ব্যবহার করে এবং McCallum (1993) সাম্প্রতিক উপলব্ধি ক্রম ব্যবহার করে বিশ্বাসের অবস্থাকে আনুমানিক করার একটি উপায় দেখায়। কোন পদ্ধতিরই বড় সংখ্যক রাষ্ট্রের ভেরিয়েবল এবং দীর্ঘমেয়াদী সময় নির্ভরতার সাথে পরিস্থিতিতে স্কেল আপ করার সম্ভাবনা নেই। মডেলকে কমপ্যাক্টভাবে উপস্থাপনের এবং মডেল এবং প্রতিটি নতুন পর্যবেক্ষণের ভিত্তিতে বিশ্বাসের অবস্থাকে দক্ষতার সাথে আপডেট করার একটি উপায় প্রয়োজন। ডায়নামিক বেইসিয়ান নেটওয়ার্ক (ডিন ও কানাজাওয়া, ১৯৮৯) এর কিছু প্রয়োজনীয় বৈশিষ্ট্য রয়েছে বলে মনে হয়; বিশেষত, তাদের অন্যান্য পদ্ধতির যেমন কালমান ফিল্টার এবং লুকানো মার্কভ মডেলের তুলনায় উল্লেখযোগ্য সুবিধা রয়েছে। আমাদের বেসলাইন আর্কিটেকচার, চিত্র ১ তে দেখানো হয়েছে, নতুন সেন্সর তথ্য আসার সাথে সাথে বিশ্বাসের অবস্থা উপস্থাপন এবং আপডেট করার জন্য DBN ব্যবহার করে। b এর একটি উপস্থাপনা দেওয়া হলে, পুরস্কার সংকেতটি একটি Q-ফাংশন শেখার জন্য ব্যবহৃত হয় যা কিছু কালো বাক্স ফাংশন আনুমানিক যেমন একটি নিউরাল নেটওয়ার্ক দ্বারা প্রতিনিধিত্ব করা হয়। আমরা হাইব্রিড (বিচ্ছিন্নতা) সামলাতে পারলে এই বক্তৃতাটি একটি শেখার এজেন্টের জন্য একটি খুব সহজ "বেসলাইন আর্কিটেকচার" প্রস্তাব করে যা স্টোক্যাস্টিক, আংশিকভাবে পর্যবেক্ষণযোগ্য পরিবেশগুলি পরিচালনা করতে পারে। স্থাপত্যটি গ্রাফিকাল মডেল হিসাবে সময়কালীন প্রক্রিয়াগুলি উপস্থাপনের জন্য একটি পদ্ধতির সাথে একসাথে পুনর্বহাল শেখার ব্যবহার করে। আমি সংবেদনশীল ইনপুট থেকে এই ধরনের উপস্থাপনাগুলির পরামিতি এবং কাঠামো এবং পিছিয়ে সম্ভাব্যতা গণনা করার পদ্ধতিগুলি নিয়ে আলোচনা করব। সম্পূর্ণ এজেন্টের পরীক্ষা করার আগে কিছু খোলা সমস্যা রয়েছে; যখন আমরা স্কেল আপ করার কথা বিবেচনা করি তখন আরও বেশি দেখা যায়। বক্তৃতার দ্বিতীয় বিষয় হল, পুনর্বহাল শিক্ষা কি প্রাণী ও মানুষের শেখার একটি ভালো মডেল প্রদান করতে পারে? এই প্রশ্নের উত্তর দিতে, আমাদের বিপরীত পুনর্বহাল শেখার কাজ করতে হবে: পর্যবেক্ষণ করা আচরণ দেওয়া হলে, কোন পুরস্কার সংকেত, যদি থাকে, অনুকূলিতকরণ করা হচ্ছে? এটি COLT, UAI, এবং ML সম্প্রদায়ের জন্য একটি খুব আকর্ষণীয় সমস্যা বলে মনে হচ্ছে, এবং মার্কভ সিদ্ধান্ত প্রক্রিয়ার কাঠামোগত অনুমানের শিরোনামের অধীনে ইকোনোম্যাট্রিক্সের মধ্যে এটি মোকাবেলা করা হয়েছে। 1 অনিশ্চিত পরিবেশে শেখা এআই হল বুদ্ধিমান এজেন্টদের নির্মাণ, অর্থাৎ, এমন সিস্টেমগুলি যা একটি পরিবেশে কার্যকরভাবে (কিছু কর্মক্ষমতা পরিমাপ অনুযায়ী) উপলব্ধি করে এবং কাজ করে। আমি অন্য কোথাও যুক্তি দিয়েছি Russell and Norvig (1995) যে বেশিরভাগ এআই গবেষণা স্থির, নির্ধারক, বিচ্ছিন্ন এবং সম্পূর্ণরূপে পর্যবেক্ষণযোগ্য পরিবেশের উপর দৃষ্টি নিবদ্ধ করেছে। বাস্তব জগতে যেমন পরিবেশ গতিশীল, স্থির, অবিচ্ছিন্ন এবং আংশিকভাবে পর্যবেক্ষণযোগ্য, তখন কী করা উচিত? এই গবেষণাপত্রটি এনএসএফ @I-9634215), ওএনআর (এন00014-97-l-0941) এবং এআর0 (DAAH04-96-1-0341) দ্বারা সমর্থিত বিভিন্ন গবেষণা প্রচেষ্টার উপর ভিত্তি করে তৈরি করা হয়েছে। ব্যক্তিগত বা শ্রেণীকক্ষ ব্যবহারের জন্য এই কাজের সমস্ত বা অংশের ডিজিটাল বা মুদ্রিত কপি তৈরি করার অনুমতি বিনা মূল্যে দেওয়া হয় তবে এই কপিগুলি প্রলিট বা বাণিজ্যিক উপকারের জন্য তৈরি বা বিতরণ করা হয় না এবং কপিগুলিতে এই বিজ্ঞপ্তি এবং প্রথম পৃষ্ঠায় সম্পূর্ণ উদ্ধৃতি দেওয়া হয়। অন্যথায় কপি করতে. পুনঃপ্রকাশ, সার্ভারে পোস্ট বা তালিকায় পুনঃবিতরণ করার জন্য, পূর্ববর্তী নির্দিষ্ট অনুমতি এবং/অথবা একটি ফি প্রয়োজন। COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 সাম্প্রতিক বছরগুলোতে, রিনফোর্সমেন্ট লার্নিং (যা নিউরোডাইনামিক প্রোগ্রামিং নামেও পরিচিত) স্বয়ংক্রিয়ভাবে এজেন্ট তৈরির একটি পদ্ধতি হিসেবে দ্রুত অগ্রগতি লাভ করেছে (সটন, 1988; কেলব্লিং এবং অন্যান্য, 1996; বার্টেসকাস এবং সিটসিক্লিস, 1996) । মূল ধারণাটি হল যে পারফরম্যান্স পরিমাপটি এজেন্টকে একটি পুরষ্কার ফাংশন আকারে উপলব্ধ করা হয় যা এজেন্টের মধ্য দিয়ে যাওয়া প্রতিটি রাষ্ট্রের জন্য পুরষ্কার নির্দিষ্ট করে। |
6f20506ce955b7f82f587a14301213c08e79463b | |
d14ddc01cff72066c6655aa39f3e207e34fb8591 | এই গবেষণাপত্রটি মাইক্রো ইলেক্ট্রোম্যাকানিক্যাল সিস্টেম (এমইএমএস) এর উপর ভিত্তি করে রেডিও ফ্রিকোয়েন্সি (আরএফ) প্রযুক্তির একটি অপেক্ষাকৃত নতুন ক্ষেত্র নিয়ে আলোচনা করেছে। আরএফ এমইএমএস নতুন ডিভাইস এবং উপাদানগুলির একটি শ্রেণী সরবরাহ করে যা প্রচলিত (সাধারণত সেমিকন্ডাক্টর) ডিভাইসের তুলনায় উচ্চতর উচ্চ-ফ্রিকোয়েন্সি পারফরম্যান্স প্রদর্শন করে এবং যা নতুন সিস্টেম ক্ষমতা সক্ষম করে। এছাড়াও, এমইএমএস ডিভাইসগুলি খুব বড় আকারের ইন্টিগ্রেশনের মতো কৌশলগুলি দ্বারা ডিজাইন এবং তৈরি করা হয় এবং এটি প্রচলিত ব্যাচ-প্রসেসিং পদ্ধতি দ্বারা উত্পাদিত হতে পারে। এই গবেষণাপত্রে, একমাত্র যন্ত্রটি ইলেক্ট্রোস্ট্যাটিক মাইক্রোসুইচ-সম্ভবত প্যারাডাইম আরএফ-এমইএমএস ডিভাইস। এর উচ্চতর পারফরম্যান্স বৈশিষ্ট্যগুলির মাধ্যমে, মাইক্রোসুইচটি বেশ কয়েকটি বিদ্যমান সার্কিট এবং সিস্টেমে বিকাশ করা হচ্ছে, যার মধ্যে রেডিও ফ্রন্ট-এন্ডস, ক্যাপাসিটার ব্যাংক এবং টাইম-বিলম্ব নেটওয়ার্ক রয়েছে। অতি-নিম্ন শক্তি অপচয় এবং বড় আকারের একীকরণের সাথে মিলিত উচ্চতর পারফরম্যান্স নতুন সিস্টেম কার্যকারিতাও সক্ষম করবে। এখানে দুটি সম্ভাব্য বিষয় হল, ক্যাসি-অপটিক্যাল বিম স্টিয়ারিং এবং বৈদ্যুতিকভাবে পুনরায় কনফিগারযোগ্য অ্যান্টেনা। |
9d5f36b92ac155fccdae6730660ab44d46ad501a | ঝুঁকি সমতা হচ্ছে একটি বন্টন পদ্ধতি যা বিভিন্ন ধরণের পোর্টফোলিও তৈরির জন্য ব্যবহৃত হয়, যা প্রত্যাশিত রিটার্নের কোনো অনুমানের উপর নির্ভর করে না, এইভাবে ঝুঁকি ব্যবস্থাপনাকে কৌশলটির কেন্দ্রবিন্দুতে রাখে। ২০০৮ সালে বিশ্বব্যাপী আর্থিক সংকটের পর কেন ঝুঁকি সমতা জনপ্রিয় বিনিয়োগের মডেল হয়ে উঠেছে, তা এই কারণে ব্যাখ্যা করা যায়। তবে, ঝুঁকি সমতা সমালোচনা করা হয়েছে কারণ এটি পোর্টফোলিও পারফরম্যান্সের চেয়ে ঝুঁকি ঘনত্ব পরিচালনার দিকে মনোনিবেশ করে এবং তাই সক্রিয় ব্যবস্থাপনার চেয়ে প্যাসিভ ব্যবস্থাপনার আরও কাছাকাছি বলে মনে করা হয়। এই নিবন্ধে, আমরা দেখাবো কিভাবে ঝুঁকিপূর্ণ সমতা পোর্টফোলিওতে প্রত্যাশিত রিটার্নের অনুমানগুলি প্রবর্তন করা যায়। এই কাজ করার জন্য, আমরা একটি সাধারণ ঝুঁকি পরিমাপ বিবেচনা করি যা পোর্টফোলিও রিটার্ন এবং অস্থিরতা উভয়ই বিবেচনা করে। তবে, পারফরম্যান্স এবং অস্থিরতার অবদানের মধ্যে বাণিজ্য-অফ কিছু অসুবিধা সৃষ্টি করে, যখন ঝুঁকি বাজেটিং সমস্যাটি স্পষ্টভাবে সংজ্ঞায়িত করা আবশ্যক। এই ধরনের ঝুঁকি বাজেট পোর্টফোলিওগুলির তাত্ত্বিক বৈশিষ্ট্যগুলি বের করার পরে, আমরা এই নতুন মডেলটি সম্পদ বরাদ্দের জন্য প্রয়োগ করি। প্রথমত, আমরা দীর্ঘমেয়াদী বিনিয়োগ নীতি এবং কৌশলগত সম্পদ বরাদ্দের সিদ্ধান্ত গ্রহণের বিষয়টি বিবেচনা করি। আমরা তারপর গতিশীল বরাদ্দ বিবেচনা এবং দেখান কিভাবে প্রত্যাশিত রিটার্ন উপর নির্ভর করে ঝুঁকি সমতা তহবিল নির্মাণ করতে। |
006df3db364f2a6d7cc23f46d22cc63081dd70db | একটি অ্যাড-হক নেটওয়ার্ক হল ওয়্যারলেস মোবাইল হোস্টের একটি সংগ্রহ যা কোনও প্রতিষ্ঠিত অবকাঠামো বা কেন্দ্রীভূত প্রশাসনের সহায়তা ছাড়াই একটি অস্থায়ী নেটওয়ার্ক গঠন করে। এই ধরনের পরিবেশে, প্রতিটি মোবাইল হোস্টের ওয়্যারলেস ট্রান্সমিশনের সীমিত পরিসরের কারণে, একটি প্যাকেটকে তার গন্তব্যে প্রেরণ করার জন্য অন্য হোস্টের সাহায্য নেওয়া প্রয়োজন হতে পারে। এই কাগজটি অ্যাড হোক নেটওয়ার্কগুলিতে রাউটিংয়ের জন্য একটি প্রোটোকল উপস্থাপন করে যা গতিশীল উত্স রাউটিং ব্যবহার করে। হোস্টের চলাচল ঘন ঘন হলে প্রোটোকলটি দ্রুত রাউটিং পরিবর্তনের সাথে খাপ খায়, তবে হোস্টগুলি কম ঘন ঘন চলাচল করার সময়কালে সামান্য বা কোনও ওভারহেডের প্রয়োজন হয় না। একটি বিশেষ নেটওয়ার্কে কাজ করা মোবাইল হোস্টের প্যাকেট-স্তরের সিমুলেশন থেকে প্রাপ্ত ফলাফলের উপর ভিত্তি করে, প্রোটোকলটি হোস্ট ঘনত্ব এবং গতির হারগুলির মতো বিভিন্ন পরিবেশগত অবস্থার উপর ভালভাবে কাজ করে। সর্বাধিক গতির হোস্টের গতির জন্য, প্রোটোকলের ওভারহেড বেশ কম, 24 টি মোবাইল হোস্টের নেটওয়ার্কে মাঝারি গতির গতিতে প্রেরিত মোট ডেটা প্যাকেটের মাত্র 1% এ পড়ে। সব ক্ষেত্রে, ব্যবহৃত রুট এবং সর্বোত্তম রুট দৈর্ঘ্যের মধ্যে দৈর্ঘ্যের পার্থক্য তুচ্ছ, এবং বেশিরভাগ ক্ষেত্রে, রুট দৈর্ঘ্য গড় 1.01 এর একটি ফ্যাক্টর মধ্যে সর্বোত্তম। |
25a26b86f4a2ebca2b154effbaf894aef690c03c | সম্প্রতি সুপারভাইজড লার্নিং অ্যালগরিদমের প্রতি আগ্রহ দেখা দিয়েছে যা টেক্সট লার্নিংয়ের কাজগুলোতে লেবেলযুক্ত এবং লেবেলহীন ডেটা একত্রিত করে। সম-প্রশিক্ষণ সেটিং [1] এমন ডেটাসেটগুলির জন্য প্রযোজ্য যা তাদের বৈশিষ্ট্যগুলির দুটি বিচ্ছিন্ন সেটগুলিতে প্রাকৃতিকভাবে পৃথক থাকে। আমরা দেখিয়েছি যে লেবেলযুক্ত এবং লেবেলহীন তথ্য থেকে শেখার সময়, অ্যালগরিদমগুলি স্পষ্টভাবে বৈশিষ্ট্যগুলির একটি প্রাকৃতিক স্বাধীন বিভাজনকে প্রভাবিত করে এমন অ্যালগরিদমগুলিকে ছাড়িয়ে যায় যা তা করে না। যখন একটি প্রাকৃতিক বিভাজন বিদ্যমান থাকে না, তখন বৈশিষ্ট্য বিভাজন তৈরি করে এমন সহ-প্রশিক্ষণ অ্যালগরিদমগুলি বিভাজন ব্যবহার না করে অ্যালগরিদমগুলিকে ছাড়িয়ে যেতে পারে। এই ফলাফলগুলি ব্যাখ্যা করতে সাহায্য করে যে কেন সহ-প্রশিক্ষণ অ্যালগরিদমগুলি প্রকৃতির বৈষম্যমূলক এবং তাদের এমবেডেড শ্রেণিবদ্ধকরণের অনুমানগুলির জন্য শক্তিশালী। |
78beead3a05f7e8f2dc812298f813c5bacdc3061 | |
1d6889c44e11141cc82ef28bba1afe07f3c0a2b4 | গত কয়েক বছরে ইন্টারনেট অব থিংস (আইওটি) ব্যাপকভাবে প্রয়োগ হয়েছে এবং এটি প্রতিটি ক্ষেত্রে পাওয়া যায়। ডিভাইসগুলির মধ্যে সুরক্ষিত যোগাযোগের জন্য আইওটি প্রসঙ্গে প্রমাণীকরণ এবং অ্যাক্সেস নিয়ন্ত্রণ গুরুত্বপূর্ণ এবং সমালোচনামূলক কার্যকারিতা। আইওটি নেটওয়ার্কে কম শক্তি ব্যবহারকারী ডিভাইসের গতিশীলতা, গতিশীল নেটওয়ার্ক টপোলজি এবং দুর্বল শারীরিক নিরাপত্তা নিরাপত্তা সুরক্ষা দুর্বলতার সম্ভাব্য উৎস। এটি একটি সংস্থান সীমিত এবং বিতরণ আইওটি পরিবেশে একটি প্রমাণীকরণ এবং অ্যাক্সেস নিয়ন্ত্রণ আক্রমণ প্রতিরোধী এবং হালকা ওজন করতে প্রতিশ্রুতিবদ্ধ। এই কাগজটি প্রোটোকল মূল্যায়ন এবং পারফরম্যান্স বিশ্লেষণের সাথে পরিচয় প্রমাণীকরণ এবং ক্ষমতা ভিত্তিক অ্যাক্সেস কন্ট্রোল (আইএসিএসি) মডেল উপস্থাপন করে। ম্যান-ইন-মিডল, রিপ্লে এবং ডিনিয়েল অফ সার্ভিস (ডিওএস) আক্রমণ থেকে আইওটি রক্ষা করার জন্য, অ্যাক্সেস কন্ট্রোলের জন্য সক্ষমতার ধারণাটি চালু করা হয়েছে। এই মডেলের নতুনত্ব হল, এটি আইওটি ডিভাইসের জন্য প্রমাণীকরণ এবং অ্যাক্সেস নিয়ন্ত্রণের একটি সমন্বিত পদ্ধতি উপস্থাপন করে। আমাদের এই গবেষণার ফলাফলকে সমর্থন করার জন্য অন্যান্য গবেষণার ফলাফলও বিশ্লেষণ করা হয়েছে। অবশেষে, প্রস্তাবিত প্রোটোকলটি নিরাপত্তা প্রোটোকল যাচাইকরণ সরঞ্জাম ব্যবহার করে মূল্যায়ন করা হয় এবং যাচাইকরণের ফলাফলগুলি দেখায় যে আইএসিএসি পূর্বোক্ত আক্রমণের বিরুদ্ধে সুরক্ষিত। এই গবেষণাপত্রে কম্পিউটেশনাল সময়ের ক্ষেত্রে প্রোটোকলের পারফরম্যান্স বিশ্লেষণের বিষয়ে আলোচনা করা হয়েছে। ১, ৩০৯-৩৪৮। c © ২০১৩ রিভার পাবলিশার্স। সমস্ত অধিকার সংরক্ষিত। ৩১০ পি.এন. মাহালে এট আল। বিদ্যমান সমাধান। এছাড়াও, এই কাগজে আইওটি এবং নিরাপত্তা আক্রমণের চ্যালেঞ্জগুলি মোকাবেলা করা হয়েছে যাতে আইওটি নেটওয়ার্কগুলির একটি বাস্তব দৃশ্য দেওয়া যায়। |
310b72fbc3d384ca88ca994b33476b8a2be2e27f | আমরা আপনাদের কাছে সেন্টিমেন্ট অ্যানালাইজার (এসএ) উপস্থাপন করছি যা অনলাইন টেক্সট ডকুমেন্ট থেকে একটি বিষয় সম্পর্কে সেন্টিমেন্ট (বা মতামত) বের করে। একটি বিষয় সম্পর্কে একটি সম্পূর্ণ নথির অনুভূতি শ্রেণীবদ্ধ করার পরিবর্তে, এসএ প্রদত্ত বিষয়ের সমস্ত রেফারেন্স সনাক্ত করে এবং প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (এনএলপি) কৌশল ব্যবহার করে প্রতিটি রেফারেন্সে অনুভূতি নির্ধারণ করে। আমাদের অনুভূতি বিশ্লেষণের মধ্যে রয়েছে 1) একটি বিষয় নির্দিষ্ট বৈশিষ্ট্য শব্দ নিষ্কাশন, 2) অনুভূতি নিষ্কাশন, এবং 3) (বিষয়, অনুভূতি) সম্পর্ক বিশ্লেষণ দ্বারা সমিতি। এসএ বিশ্লেষণের জন্য দুটি ভাষাগত সম্পদ ব্যবহার করেঃ অনুভূতি শব্দকোষ এবং অনুভূতি প্যাটার্ন ডাটাবেস। অ্যালগরিদমের কার্যকারিতা অনলাইন পণ্য পর্যালোচনা নিবন্ধ (ডিজিটাল ক্যামেরা এবং সঙ্গীত পর্যালোচনা) এবং সাধারণ ওয়েব পেজ এবং সংবাদ নিবন্ধ সহ আরও সাধারণ নথিগুলিতে যাচাই করা হয়েছিল। |
59d9160780bf3eac8c621983a36ff332a3497219 | স্বয়ংক্রিয় অনুভূতি বিশ্লেষণের অনেক পদ্ধতি তাদের পূর্ববর্তী ধ্রুবতার সাথে চিহ্নিত শব্দের একটি বৃহত শব্দকোষ দিয়ে শুরু হয় (এটিকে শব্দার্থিক দিকনির্দেশনাও বলা হয়) । যাইহোক, বাক্যাংশের প্রসঙ্গগত ধ্রুবতা যেখানে একটি শব্দ একটি নির্দিষ্ট উদাহরণ প্রদর্শিত হয় শব্দটির পূর্ববর্তী ধ্রুবতার থেকে বেশ ভিন্ন হতে পারে। ইতিবাচক শব্দগুলো নেতিবাচক অনুভূতি প্রকাশকারী বাক্যে ব্যবহার করা হয়, অথবা বিপরীতভাবে। এছাড়াও, প্রায়শই এমন শব্দ যা ইতিবাচক বা নেতিবাচক হয় তা প্রসঙ্গের বাইরে প্রসঙ্গের মধ্যে নিরপেক্ষ, যার অর্থ তারা এমনকি একটি অনুভূতি প্রকাশ করতে ব্যবহৃত হয় না। এই কাজের লক্ষ্য হল পূর্ববর্তী এবং প্রসঙ্গগত ধ্রুবতার মধ্যে স্বয়ংক্রিয়ভাবে পার্থক্য করা, এই কাজের জন্য কোন বৈশিষ্ট্যগুলি গুরুত্বপূর্ণ তা বোঝার উপর মনোযোগ দিয়ে। যেহেতু সমস্যার একটি গুরুত্বপূর্ণ দিক হল যখন পোলার পদগুলি নিরপেক্ষ প্রসঙ্গে ব্যবহৃত হয় তখন চিহ্নিত করা হয়, তখন নিরপেক্ষ এবং পোলার দৃষ্টান্তগুলির মধ্যে পার্থক্য করার জন্য বৈশিষ্ট্যগুলি মূল্যায়ন করা হয়, সেইসাথে ইতিবাচক এবং নেতিবাচক প্রাসঙ্গিক পোলারিটির মধ্যে পার্থক্য করার জন্য বৈশিষ্ট্যগুলি। মূল্যায়ন একাধিক মেশিন লার্নিং অ্যালগরিদম জুড়ে বৈশিষ্ট্যগুলির কার্যকারিতা মূল্যায়ন অন্তর্ভুক্ত। একটি ছাড়া সব লার্নিং অ্যালগরিদমের জন্য, সব বৈশিষ্ট্য একসাথে সমন্বয় সেরা কর্মক্ষমতা দেয়। মূল্যায়নের আরেকটি দিক বিবেচনা করে যে, নিরপেক্ষ দৃষ্টান্তের উপস্থিতি কীভাবে ইতিবাচক এবং নেতিবাচক মেরুকরণের মধ্যে পার্থক্য করার জন্য বৈশিষ্ট্যগুলির কার্যকারিতা প্রভাবিত করে। এই পরীক্ষাগুলি দেখায় যে নিরপেক্ষ দৃষ্টান্তের উপস্থিতি এই বৈশিষ্ট্যগুলির কার্যকারিতাকে ব্যাপকভাবে হ্রাস করে এবং সম্ভবত সমস্ত ধ্রুবতা শ্রেণীর মধ্যে কার্যকারিতা উন্নত করার সর্বোত্তম উপায় হ ল কোনও দৃষ্টান্ত নিরপেক্ষ হলে সনাক্ত করার সিস্টেমের দক্ষতা উন্নত করা। |
7c89cbf5d860819c9b5e5217d079dc8aafcba336 | এই গবেষণাপত্রে আমরা একটি কেস স্টাডি বর্ণনা করছি যেখানে চারজন বিচারক ওয়াল স্ট্রিট জার্নালের ধারাকে বিষয়গত বা উদ্দেশ্যমূলক হিসেবে শ্রেণীবদ্ধ করার জন্য ট্যাগিং নির্দেশাবলী তৈরি করেছেন। চার বিচারকের মধ্যে চুক্তি বিশ্লেষণ করা হয়, এবং সেই বিশ্লেষণের ভিত্তিতে, প্রতিটি ক্লজকে একটি চূড়ান্ত শ্রেণিবদ্ধকরণ দেওয়া হয়। শ্রেণীবিভাগের জন্য অভিজ্ঞতার সমর্থন প্রদানের জন্য, বিষয়গত বিভাগ এবং কুইর্ক এবং অন্যান্যদের দ্বারা প্রস্তাবিত একটি মৌলিক শব্দার্থক শ্রেণীর মধ্যে সম্পর্কগুলি মূল্যায়ন করা হয়। (১৯৮৫) |
9141d85998eadb1bca5cca027ae07670cfafb015 | অনুভূতি (মতামতের আবেগময় অংশ) চিহ্নিত করা একটি চ্যালেঞ্জিং সমস্যা। আমরা এমন একটি সিস্টেম উপস্থাপন করছি যা একটি বিষয়ের উপর ভিত্তি করে, স্বয়ংক্রিয়ভাবে সেই বিষয়ের উপর মতামত এবং প্রতিটি মতামতের অনুভূতি রাখে এমন ব্যক্তিদের খুঁজে বের করে। এই সিস্টেমে শব্দ সংবেদন নির্ধারণের জন্য একটি মডিউল এবং একটি বাক্যের মধ্যে সংবেদনগুলি একত্রিত করার জন্য অন্য একটি মডিউল রয়েছে। আমরা শব্দ এবং বাক্য স্তরে অনুভূতি শ্রেণীবদ্ধ এবং একত্রিত করার বিভিন্ন মডেলের সাথে পরীক্ষা-নিরীক্ষা করি, আশাব্যঞ্জক ফলাফলের সাথে। |
c2ac213982e189e4ad4c7f60608914a489ec9051 | আমাদের তিন বছরের অভিজ্ঞতা থেকে একটি বড় আকারের corpus উন্নয়নশীল annotated আরবি টেক্সট, আমাদের কাগজ নিম্নলিখিত মোকাবেলা করবেঃ (ক) প্রাসঙ্গিক আরবি ভাষা বিষয় পর্যালোচনা হিসাবে তারা পদ্ধতিগত পছন্দ সম্পর্কিত, (খ) আমাদের পছন্দ ব্যাখ্যা ব্যবহার করার জন্য Penn ইংরেজি Treebank শৈলী নির্দেশিকা, (আরবি ভাষী annotators প্রয়োজন একটি নতুন ব্যাকরণগত সমস্যা মোকাবেলা করতে) (গ) এমন কিছু উপায় দেখান যার মাধ্যমে মানুষের দ্বারা বানান বিশ্লেষণ করা গুরুত্বপূর্ণ এবং স্বয়ংক্রিয় বিশ্লেষণ করা কঠিন, যার মধ্যে রয়েছে রুপবিজ্ঞান বিশ্লেষক এবং মানুষের দ্বারা বানান বিশ্লেষক উভয়ের দ্বারা বানান সংশ্লেষণের ব্যবস্থাপনা; (ঘ) এর একটি চিত্রণীয় উদাহরণ দিন আরবি ট্রিব্যাঙ্ক পদ্ধতি, যা একটি নির্দিষ্ট নির্মাণের উপর দৃষ্টি নিবদ্ধ করে, উভয়ই রূপবিজ্ঞান বিশ্লেষণ এবং ট্যাগিং এবং সিনট্যাক্সিক বিশ্লেষণ এবং এটি সম্পূর্ণ টীকাকরণ প্রক্রিয়াটির মাধ্যমে বিস্তারিতভাবে অনুসরণ করে এবং শেষ পর্যন্ত, (ঙ) এখন পর্যন্ত যা অর্জন করা হয়েছে এবং কী করা বাকি রয়েছে তা দিয়ে শেষ করুন। |
e33a3487f9b656631159186db4b2aebaed230b36 | ডিজিটাল প্ল্যাটফর্মগুলি আজ প্রায় প্রতিটি শিল্পকে রূপান্তরিত করছে, তারা ধীরে ধীরে মূলধারার তথ্য সিস্টেম (আইএস) সাহিত্যে তাদের পথ খুঁজে পাচ্ছে। ডিজিটাল প্ল্যাটফর্মগুলি একটি চ্যালেঞ্জিং গবেষণা বিষয় কারণ তাদের বিতরণ প্রকৃতি এবং প্রতিষ্ঠান, বাজার এবং প্রযুক্তির সাথে আন্তঃসংযোগ। নতুন নতুন গবেষণা চ্যালেঞ্জ উদ্ভূত হয়েছে প্ল্যাটফর্ম উদ্ভাবনের ক্রমবর্ধমান স্কেল, প্ল্যাটফর্ম আর্কিটেকচারের ক্রমবর্ধমান জটিলতা এবং বিভিন্ন শিল্পে ডিজিটাল প্ল্যাটফর্মের বিস্তারের ফলে। এই গবেষণাপত্রটি আইএস-এর ডিজিটাল প্ল্যাটফর্ম গবেষণার জন্য একটি গবেষণা এজেন্ডা তৈরি করে। আমরা গবেষকদের পরামর্শ দিচ্ছি যে তারা (1) বিশ্লেষণের একক, ডিজিটালতার ডিগ্রি এবং ডিজিটাল প্ল্যাটফর্মগুলির সামাজিক-প্রযুক্তিগত প্রকৃতি নির্দিষ্ট করে এমন স্পষ্ট সংজ্ঞা প্রদান করে ধারণাগত স্পষ্টতা বাড়ানোর চেষ্টা করুন; (2) বিভিন্ন স্থাপত্য স্তরে এবং বিভিন্ন শিল্প সেটিংসে প্ল্যাটফর্মগুলি অধ্যয়ন করে ডিজিটাল প্ল্যাটফর্ম ধারণাগুলির সঠিক স্কোপিং নির্ধারণ করুন; এবং (3) এমবেডেড কেস স্টাডি, লংটিগুডিনাল স্টাডি, ডিজাইন গবেষণা, ডেটা-চালিত মডেলিং এবং ভিজ্যুয়ালাইজেশন কৌশল ব্যবহার করে পদ্ধতিগত কঠোরতা বাড়ান। ব্যবসায়ের ক্ষেত্রে বর্তমান উন্নয়ন বিবেচনা করে আমরা আরও গবেষণার জন্য ছয়টি প্রশ্নের পরামর্শ দিচ্ছি: (1) প্ল্যাটফর্মগুলি কি এখানে থাকবে? ২) প্ল্যাটফর্মগুলি কীভাবে ডিজাইন করা উচিত? ৩) ডিজিটাল প্ল্যাটফর্মগুলি কীভাবে শিল্পকে রূপান্তরিত করে? ৪) কিভাবে তথ্যভিত্তিক পদ্ধতি ডিজিটাল প্ল্যাটফর্মের গবেষণার জন্য সহায়ক হতে পারে? ডিজিটাল প্ল্যাটফর্মের জন্য গবেষকদের কিভাবে তত্ত্ব তৈরি করা উচিত? এবং (6) ডিজিটাল প্ল্যাটফর্মগুলি দৈনন্দিন জীবনে কীভাবে প্রভাব ফেলে? |
1be8cab8701586e751d6ed6d186ca0b6f58a54e7 | সিস্টেম স্পেসিফিকেশনের উপযোগিতা কিছু অংশে নির্ভর করে প্রয়োজনীয়তার সম্পূর্ণতার উপর। তবে, প্রয়োজনীয় সকল প্রয়োজনীয়তা তালিকাভুক্ত করা কঠিন, বিশেষ করে যখন প্রয়োজনীয়তাগুলি অপ্রত্যাশিত পরিবেশে ইন্টারঅ্যাক্ট করে। একটি আদর্শ পরিবেশগত দৃষ্টিভঙ্গি দিয়ে নির্মিত একটি স্পেসিফিকেশন অসম্পূর্ণ যদি এটি অ-আদর্শিত আচরণ পরিচালনা করার প্রয়োজনীয়তা অন্তর্ভুক্ত না করে। প্রায়শই অসম্পূর্ণ প্রয়োজনীয়তা বাস্তবায়ন, পরীক্ষা বা তার চেয়েও খারাপ, স্থাপনার পরে সনাক্ত করা হয় না। এমনকি যখন প্রয়োজনীয়তা বিশ্লেষণের সময় সম্পন্ন করা হয়, তখন অসম্পূর্ণ প্রয়োজনীয়তাগুলি সনাক্ত করা সাধারণত একটি ত্রুটিযুক্ত, ক্লান্তিকর এবং ম্যানুয়াল কাজ। এই কাগজটি এআরএস, শ্রেণিবদ্ধ প্রয়োজনীয়তা মডেলগুলির প্রতীকী বিশ্লেষণ ব্যবহার করে অসম্পূর্ণ প্রয়োজনীয়তা বিভাজন সনাক্ত করার জন্য একটি নকশা-সময় পদ্ধতির পরিচয় দেয়। আমরা আমাদের পদ্ধতির একটি শিল্প ভিত্তিক অটোমোটিভ অভিযোজিত ক্রুজ নিয়ন্ত্রণ সিস্টেমের একটি প্রয়োজনীয়তা মডেলের Ares প্রয়োগ করে চিত্রিত। এরেস স্বয়ংক্রিয়ভাবে ডিজাইন-সময় অসম্পূর্ণ প্রয়োজনীয়তা বিভাজন নির্দিষ্ট ক্ষেত্রে সনাক্ত করতে সক্ষম, যার মধ্যে অনেক সূক্ষ্ম এবং সনাক্ত করা কঠিন হবে, ম্যানুয়ালি বা পরীক্ষার মাধ্যমে। |
155ed7834a8a44a195b80719985a8b4ca11e6fdc | মাল্টিপল-ইনপুট-মাল্টিপল-আউটপুট (এমআইএমও) রাডার প্রচলিত ফেজড-অ্যারে রাডার সিস্টেমের চেয়ে তরঙ্গ আকৃতির বৈচিত্র্যের মাধ্যমে উচ্চতর পারফরম্যান্স অর্জন করতে পারে। যখন একটি এমআইএমও রাডার অক্ষীয় তরঙ্গরূপ প্রেরণ করে, তখন বিচ্ছুরক থেকে প্রতিফলিত সংকেতগুলি একে অপরের থেকে রৈখিকভাবে স্বাধীন হয়। তাই, কাপন এবং এম্প্লিট্যুড এন্ড ফেজ এস্টিমেটেশন (এপিইএস) ফিল্টারগুলির মতো অভিযোজিত রিসিভ ফিল্টারগুলি সরাসরি এমআইএমও রাডার অ্যাপ্লিকেশনগুলিতে ব্যবহার করা যেতে পারে। উচ্চ মাত্রার শব্দ এবং প্রচণ্ড গোলমালের কারণে তথ্য নির্ভর বিম ফর্মারগুলির সনাক্তকরণ কার্যকারিতা উল্লেখযোগ্যভাবে খারাপ হয়। পুনরাবৃত্তিমূলক অভিযোজিত পদ্ধতি (আইএএ), একটি অ-প্যারামিটারিক এবং ব্যবহারকারী প্যারামিটার-মুক্ত ওজনের সর্বনিম্ন-স্কোয়ার অ্যালগরিদম, সম্প্রতি বেশ কয়েকটি প্যাসিভ এবং সক্রিয় সেন্সিং অ্যাপ্লিকেশনগুলিতে উন্নত রেজোলিউশন এবং হস্তক্ষেপ প্রত্যাখ্যানের পারফরম্যান্স সরবরাহ করার জন্য প্রদর্শিত হয়েছিল। এই গবেষণাপত্রে আমরা দেখাবো কিভাবে IAA-কে MIMO রাডার ইমেজিং-এ প্রসারিত করা যায়, উভয় ক্ষেত্রেই অবহেলিত এবং অ-অবহেলিত ইনট্রাপলস ডপলার ক্ষেত্রে, এবং আমরা IAA-এর কিছু তাত্ত্বিক সংযোজন বৈশিষ্ট্যও প্রতিষ্ঠা করি। উপরন্তু, আমরা একটি নিয়ন্ত্রিত আইএএ অ্যালগরিদম প্রস্তাব করি, যা আইএএ-আর নামে পরিচিত, যা সংকেত মডেলের অপ্রতিষ্ঠিত সংযোজনীয় শব্দ শর্তাবলীকে হিসাব করে আইএএ-র চেয়ে ভাল পারফরম্যান্স করতে পারে। একক-ইনপুট মাল্টিপল-আউটপুট (এসআইএমও) রাডারগুলির তুলনায় এমআইএমও রাডারের উচ্চতর পারফরম্যান্স প্রদর্শন করার জন্য সংখ্যাসূচক উদাহরণ উপস্থাপন করা হয়েছে এবং লক্ষ্যবস্তু চিত্রের জন্য প্রস্তাবিত আইএএ-আর পদ্ধতির সাথে অর্জিত উন্নত পারফরম্যান্সকে আরও তুলে ধরেছে। |
0cfe588996f1bc319f87c6f75160d1cf1542d9a9 | |
20efcba63a0d9f12251a5e5dda745ac75a6a84a9 | |
ccaab0cee02fe1e5ffde33b79274b66aedeccc65 | পরিবহনের ভবিষ্যৎ হিসাবে, স্বয়ংচালিত গাড়িগুলি সামাজিক, অর্থনৈতিক, প্রকৌশল, কম্পিউটার বিজ্ঞান, নকশা এবং নৈতিকতা সহ বিভিন্ন দৃষ্টিকোণ থেকে আলোচনা করা হচ্ছে। একদিকে, স্বয়ংচালিত গাড়িগুলি নতুন প্রকৌশল সমস্যা উপস্থাপন করে যা ধীরে ধীরে সফলভাবে সমাধান করা হচ্ছে। অন্যদিকে, সামাজিক এবং নৈতিক সমস্যাগুলি সাধারণত একটি আদর্শযুক্ত অনির্ধারিত সিদ্ধান্ত গ্রহণের সমস্যা, তথাকথিত ট্রলি সমস্যা, যা অত্যন্ত বিভ্রান্তিকর আকারে উপস্থাপিত হয়। আমরা যুক্তি দিচ্ছি যে নতুন প্রযুক্তির বিকাশের জন্য একটি প্রয়োগকৃত প্রকৌশল নৈতিক পদ্ধতির প্রয়োজন; পদ্ধতির প্রয়োগ করা উচিত, যার অর্থ এটি জটিল বাস্তব-বিশ্বের প্রকৌশল সমস্যাগুলির বিশ্লেষণে মনোনিবেশ করা উচিত। স্বয়ংচালিত গাড়ি নিয়ন্ত্রণে সফটওয়্যার গুরুত্বপূর্ণ ভূমিকা পালন করে। তাই সফটওয়্যার ইঞ্জিনিয়ারিং সমাধানগুলি নৈতিক ও সামাজিক বিবেচনার সাথে গুরুত্ব সহকারে মোকাবিলা করা উচিত। এই গবেষণাপত্রে আমরা নিয়ন্ত্রক যন্ত্র, মান, নকশা এবং উপাদান, সিস্টেম এবং পরিষেবাদির বাস্তবায়ন সম্পর্কে আরও ঘনিষ্ঠভাবে দেখব এবং আমরা বাস্তব সামাজিক এবং নৈতিক চ্যালেঞ্জগুলি উপস্থাপন করব যা সফ্টওয়্যার ইঞ্জিনিয়ারিংয়ের জন্য নতুন প্রত্যাশা হিসাবে দেখা উচিত। |
288c67457f09c0c30cadd7439040114e9c377bc3 | অ্যাগরাওয়াল, ইমিলেলিনস্কি এবং স্বামী কর্তৃক প্রবর্তিত সমিতি নিয়মগুলি হল ফর্মের নিয়ম, যা সম্পর্কিত 90% সারিগুলির জন্য, যদি সারিটির সেট W এর কলামগুলিতে 1 মান থাকে, তবে এটির কলাম B তেও 1 রয়েছে। তথ্যের বৃহৎ সংগ্রহ থেকে সমিতির নিয়ম আবিষ্কারের জন্য দক্ষ পদ্ধতি রয়েছে। তবে, আবিষ্কৃত নিয়মের সংখ্যা এত বেশি হতে পারে যে, নিয়মের সেট ব্রাউজ করা এবং এর থেকে আকর্ষণীয় নিয়ম খুঁজে পাওয়া ব্যবহারকারীর পক্ষে বেশ কঠিন হতে পারে। আমরা দেখাবো কিভাবে নিয়মের টেমপ্লেটগুলির একটি সহজ ফর্মালিজম সহজেই আকর্ষণীয় নিয়মের কাঠামো বর্ণনা করা সম্ভব করে। আমরা নিয়মের ভিজ্যুয়ালাইজেশনের উদাহরণও দিই, এবং দেখাই যে কিভাবে একটি ভিজ্যুয়ালাইজেশন টুল নিয়মের টেমপ্লেটগুলির সাথে ইন্টারফেস করে। |
384bb3944abe9441dcd2cede5e7cd7353e9ee5f7 | |
47f0f6a2fd518932734cc90936292775cc95aa5d | |
b336f946d34cb427452517f503ada4bbe0181d3c | ভিডিও বোঝার ক্ষেত্রে সাম্প্রতিক অগ্রগতি এবং বছরের পর বছর ধরে টাইমোরাল অ্যাকশন স্থানীয়করণের উন্নতির ধারাবাহিক হার সত্ত্বেও, এটি এখনও কতদূর (বা কাছাকাছি? আমরা সমস্যা সমাধানের জন্য প্রস্তুত। এই লক্ষ্যে, আমরা ভিডিওতে টাইমোরাল অ্যাকশন ডিটেক্টরগুলির কার্যকারিতা বিশ্লেষণ করতে এবং একটি একক স্কেলার মেট্রিকের বাইরে বিভিন্ন পদ্ধতির তুলনা করার জন্য একটি নতুন ডায়াগনস্টিক সরঞ্জাম প্রবর্তন করি। আমরা আমাদের টুলের ব্যবহারের উদাহরণ হিসেবে সর্বশেষ ActivityNet অ্যাকশন স্থানীয়করণ চ্যালেঞ্জের শীর্ষ পুরস্কৃত এন্ট্রিগুলির পারফরম্যান্স বিশ্লেষণ করছি। আমাদের বিশ্লেষণ দেখায় যে সবচেয়ে প্রভাবশালী ক্ষেত্রগুলি কাজ করার জন্য হলঃ কৌশলগুলিকে আরও ভালভাবে পরিচালনা করার জন্য সময়কালীন প্রসঙ্গের চারপাশে, দৃঢ়তা উন্নত করা w.r.t. ইনস্ট্যান্সের পরম এবং আপেক্ষিক আকার, এবং স্থানীয়করণ ত্রুটিগুলি হ্রাস করার কৌশলগুলি। উপরন্তু, আমাদের পরীক্ষামূলক বিশ্লেষণে দেখা গেছে যে, এন্টোটারদের মধ্যে মতানৈক্যের অভাব এই ক্ষেত্রে অগ্রগতির ক্ষেত্রে বড় বাধা নয়। আমাদের ডায়াগনস্টিক টুল জনসাধারণের জন্য উন্মুক্ত যাতে অন্যান্য গবেষকদের তাদের অ্যালগরিদম সম্পর্কে অতিরিক্ত অন্তর্দৃষ্টি দিয়ে তাদের মনকে জ্বালানী দেওয়া যায়। |
160404fb0d05a1a2efa593c448fcb8796c24b873 | প্রতিনিধিত্বের অনুকরণ তত্ত্বটি এমন একটি কাঠামো হিসাবে বিকাশিত এবং অনুসন্ধান করা হয়েছে যা মস্তিষ্কের বিভিন্ন ধরণের প্রতিনিধিত্বমূলক ফাংশনকে প্রকাশ করতে পারে। এই কাঠামো নিয়ন্ত্রণ তত্ত্ব (ফরওয়ার্ড মডেল) এবং সংকেত প্রক্রিয়াকরণ (কলমান ফিল্টার) থেকে নির্মিত। ধারণা হচ্ছে, শরীর ও পরিবেশের সাথে যুক্ত হওয়ার পাশাপাশি মস্তিষ্ক নিউরাল সার্কিট তৈরি করে যা শরীর ও পরিবেশের মডেল হিসেবে কাজ করে। এই মডেলগুলিকে শরীর ও পরিবেশের সমান্তরালভাবে ইফারেনস কপি দ্বারা চালিত করা হয়, যাতে সেন্সর ফিডব্যাকের প্রত্যাশা প্রদান করা যায় এবং সেন্সর তথ্যকে উন্নত ও প্রক্রিয়া করা যায়। এই মডেলগুলি চিত্র তৈরি করতে, বিভিন্ন ক্রিয়াকলাপের ফলাফল অনুমান করতে এবং মোটর পরিকল্পনাগুলি মূল্যায়ন ও বিকাশ করতে অফলাইনেও চালিত হতে পারে। এই কাঠামোটি প্রথমে মোটর কন্ট্রোলের প্রসঙ্গে তৈরি করা হয়েছিল, যেখানে দেখা গেছে যে শরীরের সাথে সমান্তরালভাবে চলমান অভ্যন্তরীণ মডেলগুলি প্রতিক্রিয়া বিলম্বের সমস্যার প্রভাব হ্রাস করতে পারে। একই প্রক্রিয়াগুলি ইফারেনস কপিগুলির মাধ্যমে এমুলেটরের অফলাইন ড্রাইভিং হিসাবে মোটর চিত্রের জন্য অ্যাকাউন্ট করতে পারে। এই কাঠামোটি মটো-ভিজ্যুয়াল লুপের একটি এমুলেটরের অফলাইন ড্রাইভিং হিসাবে ভিজ্যুয়াল চিত্রের জন্য অ্যাকাউন্ট বাড়ানো হয়। আমি দেখাবো কিভাবে এই ধরনের সিস্টেমগুলি অ্যামোডাল স্প্যাটিয়াল ইমেজিং প্রদান করতে পারে। দৃশ্যমান উপলব্ধি সহ উপলব্ধি, এই ধরনের মডেলগুলি থেকে সেন্সর ইনপুটের প্রত্যাশা তৈরি করতে এবং ব্যাখ্যা করতে ব্যবহৃত হয়। আমি সংক্ষেপে অন্যান্য জ্ঞানীয় কার্যাবলী উল্লেখ করে শেষ করছি যেগুলো এই কাঠামোর মধ্যে সংশ্লেষিত হতে পারে, যার মধ্যে যুক্তি, মনের ঘটনা তত্ত্ব এবং ভাষা অন্তর্ভুক্ত। |
65c85498be307ee940976db668dae4546943a4c8 | |
761f2288b1b0cea385b0b9a89bb068593d94d6bd | 3D মুখের স্বীকৃতি শিল্প এবং একাডেমিক উভয় ক্ষেত্রেই একটি ট্রেন্ডিং গবেষণা দিক হয়ে উঠেছে। এটি প্রচলিত ২ ডি মুখের স্বীকৃতি থেকে সুবিধা অর্জন করে, যেমন প্রাকৃতিক স্বীকৃতি প্রক্রিয়া এবং বিস্তৃত অ্যাপ্লিকেশন। তদুপরি, 3 ডি মুখের স্বীকৃতি সিস্টেমগুলি এমনকি দুর্বল আলোর অধীনে এবং মুখের বিভিন্ন অবস্থান এবং অভিব্যক্তি সহ মানুষের মুখগুলি সঠিকভাবে সনাক্ত করতে পারে, এই জাতীয় পরিস্থিতিতে 2 ডি মুখের স্বীকৃতি সিস্টেমগুলি পরিচালনা করা অত্যন্ত কঠিন হবে। এই গবেষণাপত্রটি 3D মুখের স্বীকৃতি গবেষণা ক্ষেত্রে ইতিহাস এবং সাম্প্রতিক অগ্রগতির সংক্ষিপ্তসার দেয়। এই গবেষণার ফলাফল তিনটি বিভাগে বিভক্ত করা হয়েছেঃ পজ-ইনভ্যারিয়েন্ট স্বীকৃতি, এক্সপ্রেশন-ইনভ্যারিয়েন্ট স্বীকৃতি এবং আটক-ইনভ্যারিয়েন্ট স্বীকৃতি। ভবিষ্যতে গবেষণা চালিয়ে যাওয়ার জন্য, এই কাগজটি সর্বজনীনভাবে উপলব্ধ 3 ডি মুখের ডাটাবেস সম্পর্কে তথ্য সংগ্রহ করে। এই পত্রিকায় গুরুত্বপূর্ণ উন্মুক্ত সমস্যাগুলির তালিকাও রয়েছে। |
2d2b1f9446e9b4cdb46327cda32a8d9621944e29 | সাম্প্রতিক বছরগুলোতে সামাজিক যোগাযোগের সাইটগুলোতে অংশগ্রহণের সংখ্যা ব্যাপকভাবে বেড়েছে। ফ্রেন্ডস্টার, ট্রাইব বা ফেসবুকের মতো পরিষেবাগুলি লক্ষ লক্ষ ব্যক্তিকে অনলাইন প্রোফাইল তৈরি করতে এবং বন্ধুদের বিশাল নেটওয়ার্কের সাথে ব্যক্তিগত তথ্য ভাগ করে নেওয়ার অনুমতি দেয় - এবং প্রায়শই অজানা অজানা অজানা। এই গবেষণাপত্রে আমরা অনলাইন সামাজিক নেটওয়ার্কগুলিতে তথ্য প্রকাশের নিদর্শন এবং তাদের গোপনীয়তার প্রভাবগুলি অধ্যয়ন করি। আমরা চার হাজারেরও বেশি কার্নেগি মেলন বিশ্ববিদ্যালয়ের শিক্ষার্থীদের অনলাইন আচরণ বিশ্লেষণ করেছি যারা কলেজগুলোকে সরবরাহ করা একটি জনপ্রিয় সামাজিক যোগাযোগের সাইটে যোগদান করেছে। আমরা তাদের প্রকাশিত তথ্যের পরিমাণ মূল্যায়ন করি এবং সাইটের গোপনীয়তা সেটিংসের ব্যবহার অধ্যয়ন করি। আমরা তাদের গোপনীয়তার বিভিন্ন দিকের সম্ভাব্য আক্রমণকে তুলে ধরছি, এবং আমরা দেখিয়েছি যে ব্যবহারকারীদের মাত্র একটি ক্ষুদ্র শতাংশ অত্যন্ত অনুপ্রবেশযোগ্য গোপনীয়তা পছন্দ পরিবর্তন করে। |
e9c525679fed4dad85699d09b5ce1ccaffe8f11d | |
192687300b76bca25d06744b6586f2826c722645 | এই গবেষণাপত্রে আমরা গভীর গাউসিয়ান প্রক্রিয়া (জিপি) মডেলের সাথে পরিচয় করিয়ে দিচ্ছি। গভীর জিপি একটি গভীর বিশ্বাস নেটওয়ার্ক গাউসিয়ান প্রক্রিয়া ম্যাপিং উপর ভিত্তি করে. তথ্য একটি মাল্টিভ্যারিয়েট জিপি আউটপুট হিসাবে মডেল করা হয়। এই গাউসিয়ান প্রক্রিয়ার ইনপুটগুলি অন্য জিপি দ্বারা নিয়ন্ত্রিত হয়। একটি একক স্তর মডেল একটি স্ট্যান্ডার্ড জিপি বা জিপি ল্যাটেন্ট ভেরিয়েবল মডেল (জিপি-এলভিএম) এর সমতুল্য। আমরা মডেলের মধ্যে অনুমান করি আনুমানিক বৈচিত্র্যপূর্ণ প্রান্তিককরণ দ্বারা। এর ফলে মডেলের প্রান্তিক সম্ভাবনার উপর একটি কঠোর নিম্নসীমা তৈরি হয় যা আমরা মডেল নির্বাচনের জন্য ব্যবহার করি (প্রতি স্তর এবং নোডের সংখ্যা) । গভীর বিশ্বাসের নেটওয়ার্কগুলি সাধারণত অপ্টিমাইজেশনের জন্য স্টোকস্টিক গ্রেডিয়েন্ট অবতরণ ব্যবহার করে তুলনামূলকভাবে বড় ডেটা সেটগুলিতে প্রয়োগ করা হয়। আমাদের সম্পূর্ণ বেয়েসিয়ান পদ্ধতির সাহায্যে গভীর মডেল প্রয়োগ করা যায় এমনকি যখন তথ্য কম থাকে। আমাদের ভেরিয়েশনাল বন্ড দ্বারা মডেল নির্বাচন দেখায় যে মাত্র ১৫০ টি উদাহরণ ধারণকারী একটি অঙ্ক তথ্য সেট মডেলিং করার সময়ও পাঁচ স্তরের শ্রেণিবিন্যাস ন্যায়সঙ্গত। |
2cac0942a692c3dbb46bcf826d71d202ab0f2e02 | আমরা একটি স্কেলযোগ্য গভীর অ-প্যারামেট্রিক জেনারেটিভ মডেল তৈরি করি গভীর গাউসিয়ান প্রক্রিয়াগুলিকে একটি স্বীকৃতি মডেলের সাথে বাড়িয়ে। উপসংহারটি একটি নতুন স্কেলযোগ্য ভেরিয়েবল ফ্রেমওয়ার্কে সঞ্চালিত হয় যেখানে ভেরিয়েবল পশুরিয়ার ডিস্ট্রিবিউশনগুলি একটি মাল্টিলেয়ার পার্সপ্ট্রনের মাধ্যমে পুনরায় প্যারামিটারাইজ করা হয়। এই পুনরায় সূত্রের মূল দিকটি হল এটি পরিবর্তিত পরামিতিগুলির প্রজননকে বাধা দেয় যা অন্যথায় নমুনা আকারের অনুপাতে রৈখিকভাবে বৃদ্ধি পায়। আমরা ভেরিয়েশনাল নিম্নসীমার একটি নতুন সূত্র বের করেছি যা আমাদের বেশিরভাগ গণনাকে এমনভাবে বিতরণ করতে দেয় যা মূলধারার গভীর শিক্ষার কাজগুলির আকারের ডেটাসেটগুলি পরিচালনা করতে সক্ষম করে। আমরা বিভিন্ন চ্যালেঞ্জের ক্ষেত্রে পদ্ধতির কার্যকারিতা দেখিয়েছি যার মধ্যে রয়েছে গভীর অনিয়ন্ত্রিত শিক্ষা এবং গভীর বেজিয়ান অপ্টিমাইজেশন। |
722fcc35def20cfcca3ada76c8dd7a585d6de386 | ক্যাফে মাল্টিমিডিয়া বিজ্ঞানী এবং অনুশীলনকারীদের অত্যাধুনিক গভীর শিক্ষণ অ্যালগরিদম এবং রেফারেন্স মডেলগুলির একটি সংগ্রহের জন্য একটি পরিষ্কার এবং পরিবর্তনযোগ্য কাঠামো সরবরাহ করে। ফ্রেমওয়ার্কটি হল বিএসডি-লাইসেন্সযুক্ত সি++ লাইব্রেরি যা পাইথন এবং ম্যাটল্যাব বাইন্ডিংয়ের সাথে প্রশিক্ষণ এবং সাধারণ-উদ্দেশ্যযুক্ত কনভলুশনাল নিউরাল নেটওয়ার্ক এবং অন্যান্য গভীর মডেলগুলিকে কমোডিটি আর্কিটেকচারে দক্ষতার সাথে স্থাপন করার জন্য। ক্যাফে সিইউডিএ জিপিইউ গণনার মাধ্যমে শিল্প এবং ইন্টারনেট-স্কেল মিডিয়া চাহিদা পূরণ করে, একক কে 40 বা টাইটান জিপিইউতে প্রতিদিন 40 মিলিয়নেরও বেশি চিত্র প্রক্রিয়াকরণ করে (প্রতিটি চিত্র প্রায় 2 এমএস) । প্রকৃত বাস্তবায়ন থেকে মডেল প্রতিনিধিত্বকে পৃথক করে, ক্যাফে পরীক্ষামূলক এবং প্ল্যাটফর্মগুলির মধ্যে নির্বিঘ্নে স্যুইচিংয়ের অনুমতি দেয় যাতে প্রোটোটাইপিং মেশিন থেকে ক্লাউড পরিবেশে বিকাশ এবং স্থাপনার সহজতা থাকে। ক্যাফেটি বার্কলে ভিজন অ্যান্ড লার্নিং সেন্টার (বিভিএলসি) দ্বারা GitHub-এ অবদানকারীদের একটি সক্রিয় সম্প্রদায়ের সাহায্যে বজায় রাখা এবং বিকাশ করা হয়। এটি চলমান গবেষণা প্রকল্প, বৃহত আকারের শিল্প অ্যাপ্লিকেশন এবং দৃষ্টি, বক্তৃতা এবং মাল্টিমিডিয়াতে প্রারম্ভিক প্রোটোটাইপগুলিকে শক্তি দেয়। |
fd50fa6954e1f6f78ca66f43346e7e86b196b137 | ক্রমবর্ধমান নগরায়ন প্রক্রিয়ার সাথে সাথে নগরীয় স্থানে মানুষের কার্যকলাপের পদ্ধতিগত মডেলিং একটি গুরুত্বপূর্ণ আর্থ-সামাজিক কাজ হিসাবে স্বীকৃত হচ্ছে। কয়েক বছর আগে নির্ভরযোগ্য তথ্যের উৎস না থাকায় এই কাজটি প্রায় অসম্ভব ছিল, কিন্তু জিও-ট্যাগযুক্ত সামাজিক মিডিয়া (জিটিএসএম) এর ডেটা এর উপর নতুন আলোকপাত করেছে। সম্প্রতি, জিটিএসএম ডেটা থেকে ভৌগলিক বিষয়গুলি আবিষ্কারের বিষয়ে ফলপ্রসূ গবেষণা হয়েছে। তবে, তাদের উচ্চ গণনা খরচ এবং ল্যাটিন্ট বিষয় সম্পর্কে শক্তিশালী বিতরণ অনুমানগুলি তাদের সম্পূর্ণরূপে জিটিএসএমের শক্তি প্রকাশ করতে বাধা দেয়। এই ব্যবধানটি পূরণ করতে, আমরা ক্রসম্যাপ উপস্থাপন করছি, একটি নতুন ক্রসমডাল প্রতিনিধিত্ব শেখার পদ্ধতি যা বিশাল জিটিএসএম ডেটা দিয়ে শহুরে গতিশীলতা প্রকাশ করে। ক্রসম্যাপ প্রথমে মানুষের কার্যকলাপের অন্তর্নিহিত স্থানিক-সময়ের হটস্পটগুলি সনাক্ত করতে একটি ত্বরিত মোড অনুসন্ধান পদ্ধতি ব্যবহার করে। এই সনাক্ত হটস্পটগুলি কেবল স্থানিক-সময়ের বৈচিত্র্যকে সম্বোধন করে না, তবে জিটিএসএম ডেটার ক্ষুদ্রতাকেও প্রশমিত করে। সনাক্ত করা হটস্পটগুলির সাথে, ক্রসম্যাপ দুটি ভিন্ন কৌশল ব্যবহার করে একই স্থানে সমস্ত স্থানিক, সময়গত এবং পাঠ্য ইউনিটকে একত্রিত করেঃ একটি পুনর্গঠন ভিত্তিক এবং অন্যটি গ্রাফ ভিত্তিক। উভয় কৌশলই তাদের সহ-অবস্থিতি এবং প্রতিবেশী সম্পর্ককে এনকোড করে ইউনিটগুলির মধ্যে সম্পর্ককে ক্যাপচার করে এবং এই ধরনের সম্পর্ক সংরক্ষণের জন্য নিম্ন মাত্রিক উপস্থাপনাগুলি শিখতে পারে। আমাদের পরীক্ষাগুলি দেখায় যে ক্রসম্যাপ কেবলমাত্র ক্রিয়াকলাপ পুনরুদ্ধার এবং শ্রেণিবদ্ধকরণের জন্য অত্যাধুনিক পদ্ধতিগুলিকে উল্লেখযোগ্যভাবে ছাড়িয়ে যায় না, তবে আরও অনেক বেশি দক্ষতা অর্জন করে। |
ce8d99e5b270d15dc09422c08c500c5d86ed3703 | মানুষের পদচারনার বিশ্লেষণ একটি অভ্যন্তরীণ পদচারনার স্বাক্ষর খুঁজে পেতে সাহায্য করে যার মাধ্যমে সর্বব্যাপী মানব সনাক্তকরণ এবং চিকিৎসা ব্যাধি সমস্যাগুলি বিস্তৃত বর্ণালীতে তদন্ত করা যেতে পারে। পদচারণা বায়োমেট্রিক একটি অনভিজ্ঞ বৈশিষ্ট্য প্রদান করে যার মাধ্যমে ভিডিও পদচারণা তথ্য একটি বৃহত্তর দূরত্ব থেকে ধরা যেতে পারে বিষয়টির পূর্ব সচেতনতা ছাড়া। এই গবেষণাপত্রে, কিনেক্ট এক্সবক্স ডিভাইসের সাহায্যে মানুষের পদচারণা বিশ্লেষণের জন্য একটি নতুন কৌশলকে সম্বোধন করা হয়েছে। এটি আমাদের স্বয়ংক্রিয় ব্যাকগ্রাউন্ড বিয়োগ কৌশল দিয়ে বিভাজন ত্রুটিগুলিকে কমিয়ে আনার নিশ্চয়তা দেয়। ব্যাকগ্রাউন্ড থেকে বাদ দেওয়া হাট-চলা চিত্র থেকে খুব অনুরূপ মানব কাঠামোর মডেল তৈরি করা যেতে পারে, যা কোভারিয়েট শর্ত দ্বারা পরিবর্তিত হয়, যেমন হাঁটার গতির পরিবর্তন এবং পোশাকের ধরণের বৈচিত্র্য। হাঁটার চিহ্নগুলো বাম হিপ, বাম হাঁটু, ডান হিপ এবং ডান হাঁটু এর যৌথ কোণ থেকে ধরা হয়। কাইনেক্টের হেঁটে চলা তথ্যের পরীক্ষামূলক যাচাইকরণকে আমাদের নিজস্ব সেন্সর ভিত্তিক বায়োমেট্রিক স্যুট, ইন্টেলিজেন্ট হেঁটে চলা অস্কিলেশন ডিটেক্টর (আইজিওডি) এর সাথে তুলনা করা হয়েছে। এই সেন্সর ভিত্তিক বায়োমেট্রিক স্যুটটি কিনেক্ট ডিভাইস দিয়ে শক্তিশালী হাঁটার সনাক্তকরণ সিস্টেমের প্রসারের জন্য পরিবর্তন করা যায় কিনা তা তদন্ত করার চেষ্টা করা হয়েছে। ফিচার ডিসক্রিমিনেন্ট বিশ্লেষণটি প্রশিক্ষণ পদচারণা স্বাক্ষরটিতে বৈশিষ্ট্য ভেক্টরের বৈষম্যমূলক শক্তিটি দেখার জন্য প্রয়োগ করা হয়েছে। নেভ বেইসিয়ান শ্রেণীবিভাগকারী একটি উৎসাহজনক শ্রেণীবিভাগের ফলাফল প্রদর্শন করে যা কিনেক্ট সেন্সর দ্বারা ক্যাপচার করা সীমিত ডেটাসেটের ত্রুটিগুলির অনুমান করে। |
582ea307db25c5764e7d2ed82c4846757f4e95d7 | ফাংশন আনুমানিককরণকে প্যারামিটার স্পেসের পরিবর্তে ফাংশন স্পেসে সংখ্যাসূচক অপ্টিমাইজেশনের দৃষ্টিকোণ থেকে দেখা হয়। ধাপে ধাপে সংযোজনীয় সম্প্রসারণ এবং সবচেয়ে উঁচুতে নেমে যাওয়ার সংক্ষিপ্তীকরণের মধ্যে একটি সংযোগ তৈরি করা হয়। যেকোনও মানদণ্ডের উপর ভিত্তি করে অ্যাডিটিভ এক্সপেনশনের জন্য একটি সাধারণ গ্রেডিয়েন্ট{ডসেন্ট \ বুস্টিং" প্যারাডিগম তৈরি করা হয়। নির্দিষ্ট অ্যালগরিদমগুলি সর্বনিম্ন {স্কোয়ারস, সর্বনিম্ন {নির্দিষ্ট} বিচ্যুতি এবং হাবার {এম) ক্ষতি ফাংশনগুলির জন্য রেগ্রিশনের জন্য এবং শ্রেণিবদ্ধকরণের জন্য মাল্টি {ক্লাস লজিস্টিক সম্ভাব্যতার জন্য উপস্থাপিত হয়। বিশেষ উন্নতিগুলি বিশেষ ক্ষেত্রে প্রাপ্ত হয় যেখানে পৃথক সংযোজন উপাদানগুলি সিদ্ধান্ত গাছ হয় এবং এই ধরনের "ট্রি বুস্ট" মডেলগুলি ব্যাখ্যা করার জন্য সরঞ্জামগুলি উপস্থাপন করা হয়। সিদ্ধান্ত গাছের গ্রেডিয়েন্ট বর্ধন প্রতিযোগিতামূলক, অত্যন্ত শক্তিশালী, ব্যাখ্যাযোগ্য পদ্ধতির জন্য রেগ্রিশন এবং শ্রেণীবিভাগের জন্য, বিশেষ করে পরিষ্কার তথ্যের চেয়ে কম খনির জন্য উপযুক্ত। এই পদ্ধতির মধ্যে সম্পর্ক এবং ফ্রেন্ড এবং শাপাইয়ারের 1996 এবং ফ্রিডম্যান, হাস্টি এবং টিবিশিরানি 1998 এর বর্ধিত পদ্ধতিগুলি নিয়ে আলোচনা করা হয়েছে। 1 ফাংশন অনুমান ফাংশন অনুমান সমস্যায় একজনের একটি সিস্টেম রয়েছে যা একটি র্যান্ডম "আউটপুট" বা "প্রতিক্রিয়া" পরিবর্তনশীল y এবং একটি র্যান্ডম "ইনপুট" বা "ব্যাখ্যামূলক" পরিবর্তনশীল x = fx1; ; xng। একটি \training" নমুনা fyi;xig N 1 এর পরিচিত (y;x) {মান, লক্ষ্য হল একটি ফাংশন F (x) যা x থেকে y ম্যাপ করে, যেমন সব (y;x) {মানের যৌথ বন্টন, কিছু নির্দিষ্ট ক্ষতি ফাংশন (y; F (x)) এর প্রত্যাশিত মান হ্রাস করা হয় F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) প্রায়শই ব্যবহৃত ক্ষতি ফাংশন (y; F) এর মধ্যে রয়েছে squared error (y F ) এবং absolute error jy F for y 2 R (regression), এবং negative binal logomial {likelihood, log1 + e 2y F), যখন y 2 f 1 (classification); একটি সাধারণ পদ্ধতি হল F (x) কে ফাংশন F (x;P) এর একটি প্যারামিটারাইজড শ্রেণীর সদস্য হিসাবে নেওয়া, যেখানে P = fP1; P2; g হল প্যারামিটারগুলির একটি সেট। এই গবেষণায় আমরা ফর্মের "অ্যাডিটিভ" এক্সপেনশনগুলিতে ফোকাস করি |
6a7c63a73724c0ca68b1675e256bb8b9a35c94f4 | JSTOR আর্কাইভের আপনার ব্যবহারের অর্থ হল আপনি JSTOR এর ব্যবহারের শর্তাবলী এবং শর্তাবলী গ্রহণ করেছেন, যা http://www.jstor.org/about/terms.html এ উপলব্ধ। JSTOR-এর ব্যবহারের শর্তাবলী এবং শর্তাবলী আংশিকভাবে প্রদান করে যে আপনি যদি পূর্বের অনুমতি না পান তবে আপনি কোনও জার্নালের পুরো সংখ্যা বা নিবন্ধগুলির একাধিক অনুলিপি ডাউনলোড করতে পারবেন না এবং আপনি কেবলমাত্র আপনার ব্যক্তিগত, অ-বাণিজ্যিক ব্যবহারের জন্য JSTOR সংরক্ষণাগারের সামগ্রী ব্যবহার করতে পারেন। এই কাজটি ব্যবহারের বিষয়ে দয়া করে প্রকাশকের সাথে যোগাযোগ করুন। প্রকাশকদের যোগাযোগের তথ্য পাওয়া যাবে http://www.jstor.org/journals/econosoc.html JSTOR-এর যেকোনো অংশের প্রতি কপিতে অবশ্যই সেই একই কপিরাইট নোটিশ থাকতে হবে যা এই ধরনের সম্প্রচারের পর্দায় বা মুদ্রিত পৃষ্ঠায় প্রদর্শিত হয়। |
8eca169f19425c76fa72078824e6a91a5b37f470 | স্বল্প খরচে এবং উচ্চ পারফরম্যান্সের রাডার সিস্টেমগুলির সফল নকশার জন্য সঠিক এবং দক্ষ সিস্টেম সিমুলেশন একটি মূল প্রয়োজনীয়তা। এই গবেষণাপত্রে আমরা ফ্রিকোয়েন্সি-মোডুলেটেড ক্রমাগত-তরঙ্গ রাডার সিস্টেমের জন্য একটি নতুন বহুমুখী সিমুলেশন পরিবেশ উপস্থাপন করছি। সাধারণ হার্ডওয়্যার সিমুলেশন ছাড়াও এটি সংহত সিস্টেম সিমুলেশন এবং সিগন্যাল সংশ্লেষণ থেকে বেসব্যান্ড পর্যন্ত ধারণা বিশ্লেষণকে অন্তর্ভুক্ত করে। এটিতে একটি নমনীয় দৃশ্যপট জেনারেটর, সঠিক গোলমাল মডেলিং এবং সিগন্যাল প্রসেসিং অ্যালগরিদমের বিকাশ ও পরীক্ষার জন্য দক্ষতার সাথে সিমুলেশন ডেটা সরবরাহ করে। একটি সমন্বিত ৭৭ গিগাহার্জ রাডার প্রোটোটাইপের সিমুলেশন এবং পরিমাপের ফলাফলের তুলনা দুটি ভিন্ন পরিস্থিতিতে সিমুলেটরের ক্ষমতা দেখায়। |
71337276460b50a2cb37959a2d843e593dc4fdcc | একটি নতুন নন-আইসোলেটেড থ্রি-পোর্ট কনভার্টার (এনআই-টিপিসি) প্রস্তাবিত হয়েছে যা একটি পিভি পোর্ট, একটি দ্বি-মুখী ব্যাটারি পোর্ট এবং একটি লোড পোর্টকে সংযুক্ত করে। তিনটি পোর্টের মধ্যে যেকোন দুটির মধ্যে একক পর্যায়ের শক্তি রূপান্তর অর্জন করা হয়। টপোলজিটি প্রচলিত কাঠামোর দ্বি-নির্দেশক শক্তি প্রবাহের পথকে দুটি একমুখী মধ্যে বিচ্ছিন্ন করে প্রাপ্ত হয়। তিনটি পোর্টের মধ্যে দুটিকে ফোল্টার ওয়াল বা ব্যাটারির চার্জ নিয়ন্ত্রণের জন্য সর্বোচ্চ পাওয়ার হার্ভেস্টিং অর্জনের জন্য কঠোরভাবে নিয়ন্ত্রিত করা যেতে পারে এবং একই সময়ে লোড ভোল্টেজ ধ্রুবক রাখতে পারে, যখন তৃতীয় পোর্টটি রূপান্তরকারীর পাওয়ার ভারসাম্যহীনতার ক্ষতিপূরণ দেওয়ার জন্য নমনীয় থাকে। অপারেশন স্টেট বিশ্লেষণ করা হয়। মাল্টি-রেগুলেটর প্রতিযোগিতা নিয়ন্ত্রণ কৌশলটি উপস্থাপিত হয় যাতে PV ইনপুট পাওয়ারের ওঠানামা হলে স্বয়ংক্রিয় এবং মসৃণ রাষ্ট্র স্যুইচিং অর্জন করা যায়। পরীক্ষার ফলাফলের মাধ্যমে বিশ্লেষণটি যাচাই করা হয়। |
ac8877b0e87625e26f52ab75e84c534a576b1e77 | ডিজিটাল বিশ্বে, ব্যবসায়িক নির্বাহীদের তাদের কোম্পানির মূল্য সৃষ্টির জন্য তথ্য এবং তথ্য পরিচালনার কৌশলগত গুরুত্ব সম্পর্কে একটি উচ্চতর সচেতনতা রয়েছে। এই পরিস্থিতিতে সিআইওদের জন্য নেতৃত্বের সুযোগ এবং চ্যালেঞ্জ উভয়ই রয়েছে। সিআইও পদের অবক্ষয় রোধ করতে এবং ব্যবসায়িক মূল্য সৃষ্টিতে সিআইওদের অবদান বাড়াতে, তাদের অবশ্যই দক্ষ আইটি ইউটিলিটি ম্যানেজার হওয়ার বাইরে চলে যেতে হবে এবং তাদের সংস্থাগুলিকে একটি শক্তিশালী তথ্য ব্যবহারের সংস্কৃতি গড়ে তুলতে সহায়তা করার জন্য সক্রিয় ভূমিকা পালন করতে হবে। এই প্রবন্ধের উদ্দেশ্য হল, সিআইও এবং ব্যবসায়িক নির্বাহীরা তাদের কোম্পানির তথ্যের দিকনির্দেশনা উন্নত করতে যে নেতৃত্বের পদ্ধতি অবলম্বন করতে পারেন, সে সম্পর্কে আরও ভাল ধারণা প্রদান করা। চারটি কেস স্টাডি থেকে পাওয়া তথ্যের ভিত্তিতে আমরা চারটি কোয়ার্টার নিয়ে একটি নেতৃত্বের অবস্থান নির্ধারণের কাঠামো তৈরি করেছি। এই কাঠামোটি সিআইওর দৃষ্টিকোণ থেকে তৈরি করা হয়েছে এবং নির্দেশ করে যে সিআইও তার কৌশলগত ফোকাস অর্জনের জন্য কোম্পানির তথ্যের দিকনির্দেশনা বিকাশের ক্ষেত্রে নেতা, অনুসারী বা নন-প্লেয়ার হিসাবে কাজ করতে পারে। এই নিবন্ধটি এমন নির্দেশিকাগুলি দিয়ে শেষ হয় যা সিআইওরা তাদের নেতৃত্বের চ্যালেঞ্জগুলি তাদের সংস্থাগুলির তথ্যের দিকনির্দেশের উদ্যোগগুলি প্রবর্তন বা বজায় রাখতে সহায়তা করতে পারে এবং সিআইওদের নির্দিষ্ট পরিস্থিতির উপর নির্ভর করে নির্দিষ্ট নেতৃত্বের পদ্ধতির সুপারিশ করে। |
5c6b51bb44c9b2297733b58daaf26af01c98fe09 | এই কাগজটি গ্রাহক পর্যালোচনাগুলিতে মন্তব্য করা পণ্যের বৈশিষ্ট্যগুলি খনির সাথে দুটি বৈশিষ্ট্য নিষ্কাশন অ্যালগরিদমের পদ্ধতিগতভাবে তুলনা করে। প্রথম পদ্ধতিতে [17] পস প্যাটার্নের একটি সেট প্রয়োগ করে এবং লগ সম্ভাব্যতা অনুপাত পরীক্ষার উপর ভিত্তি করে প্রার্থী সেটটি ছাঁটাই করে প্রার্থী বৈশিষ্ট্যগুলি চিহ্নিত করে। দ্বিতীয় পদ্ধতিতে [11] ঘন ঘন বৈশিষ্ট্যগুলি সনাক্ত করার জন্য সমিতি নিয়ম খনন এবং বিরল বৈশিষ্ট্যগুলি সনাক্ত করার জন্য অনুভূতি পদগুলির উপস্থিতির উপর ভিত্তি করে একটি হিউরিস্টিক প্রয়োগ করা হয়। আমরা গ্রাহক ইলেকট্রনিক ডিভাইস সম্পর্কিত পাঁচটি পণ্য নির্দিষ্ট নথি সংগ্রহের উপর অ্যালগরিদমের কর্মক্ষমতা মূল্যায়ন করি। আমরা ত্রুটিগুলির বিশ্লেষণ করি এবং অ্যালগরিদমগুলির সুবিধা এবং সীমাবদ্ধতাগুলি নিয়ে আলোচনা করি। |
623fd6adaa5585707d8d7339b5125185af6e3bf1 | এই গবেষণাটি ইন্টারনেট গেমিং ডিসঅর্ডারের (আইজিডি) জন্য হস্তক্ষেপের একটি প্রায় পরীক্ষামূলক, সম্ভাব্য গবেষণা। একশো চারজন অভিভাবক এবং তাদের কিশোর-কিশোরীদের চারটি চিকিত্সা গোষ্ঠীর মধ্যে একটিতে তালিকাভুক্ত করা হয়; সাত দিনের সিরিরাজ থেরাপিউটিক রেসিডেন্সিয়াল ক্যাম্প (এস-টিআরসি) একা, গেম আসক্তির জন্য আট সপ্তাহের অভিভাবক পরিচালনা প্রশিক্ষণ (পিএমটি-জি) একা, এস-টিআরসি এবং পিএমটি-জি সংযুক্ত এবং মৌলিক মানসিক শিক্ষা (নিয়ন্ত্রণ) । আইজিডি এর তীব্রতা গেম অ্যাডিকশন স্ক্রিনিং টেস্ট (জিএএসটি) দ্বারা পরিমাপ করা হয়। গ্রুপের মধ্যে গড় পার্থক্য ছিল পরিসংখ্যানগতভাবে উল্লেখযোগ্য, P মান ছিল < 0. 001, 0. 002, এবং 0. 005 1, 3, এবং 6 মাস পরে হস্তক্ষেপ, যথাক্রমে। সব গ্রুপেরই কন্ট্রোল গ্রুপের তুলনায় উন্নতি হয়েছে। আসক্ত বা সম্ভবত আসক্ত গ্রুপে থাকা কিশোর-কিশোরীদের শতাংশ S-TRC, PMT-G এবং সমন্বিত গ্রুপে 50% এরও কম ছিল। উপসংহারে, এস-টিআরসি এবং পিএমটি-জি উভয়ই আইজিডি-র জন্য কার্যকর মনস্তাত্ত্বিক হস্তক্ষেপ ছিল এবং এটি একা মৌলিক মনস্তাত্ত্বিক শিক্ষার চেয়ে উন্নত ছিল। |
aca437e9e2a453c84a38d716ca9a7a7683ae58b6 | এই কাগজটি স্বজ্ঞাত যান্ত্রিকতা ব্যবহার করে বস্তুর স্থায়িত্ব এবং সুরক্ষার যুক্তি দিয়ে 3 ডি দৃশ্য বোঝার জন্য একটি নতুন দৃষ্টিকোণ উপস্থাপন করে। আমাদের পদ্ধতিতে একটি সহজ পর্যবেক্ষণ ব্যবহার করা হয় যে, মানুষের নকশা দ্বারা, স্থির দৃশ্যের বস্তুগুলি মহাকর্ষ ক্ষেত্রে স্থিতিশীল হওয়া উচিত এবং মানুষের কার্যকলাপের মতো বিভিন্ন শারীরিক ব্যাঘাতের ক্ষেত্রে নিরাপদ হওয়া উচিত। এই অনুমানটি সমস্ত দৃশ্যের শ্রেণীর জন্য প্রযোজ্য এবং দৃশ্যের বোঝার ক্ষেত্রে যুক্তিসঙ্গত ব্যাখ্যা (পার্স) এর জন্য দরকারী সীমাবদ্ধতা সৃষ্টি করে। গভীরতার ক্যামেরাগুলি দ্বারা স্থির দৃশ্যের জন্য ধরা পড়ে একটি 3 ডি পয়েন্ট ক্লাউড দেওয়া হলে, আমাদের পদ্ধতিতে তিনটি ধাপ রয়েছেঃ (i) ভক্সেল থেকে কঠিন 3 ডি ভলিউমেট্রিক প্রাইমাইটিস পুনরুদ্ধার করা; (ii) অস্থির প্রাইমাইটিসকে শারীরিকভাবে স্থিতিশীল বস্তুগুলিতে গোষ্ঠীভুক্ত করে স্থিতিশীলতা এবং দৃশ্যের পূর্বে অনুকূলিত করে স্থায়িত্বের যুক্তিযুক্ত স্থায়িত্ব; এবং (iii) মানব ক্রিয়াকলাপ, বাতাস বা ভূমিকম্পের মতো শারীরিক ব্যাঘাতের অধীনে বস্তুগুলির জন্য শারীরিক ঝুঁকিগুলি মূল্যায়ন করে যুক্তিযুক্ত সুরক্ষা। আমরা একটি নতুন স্বজ্ঞাত পদার্থবিজ্ঞান মডেল গ্রহণ করি এবং দৃশ্যের প্রতিটি আদিম এবং বস্তুর শক্তির আড়াআড়িকে একটি সংযোগ বিচ্ছিন্নতার গ্রাফ (ডিজি) দ্বারা উপস্থাপন করি। আমরা একটি যোগাযোগের গ্রাফ তৈরি করি যার নোডগুলো হচ্ছে 3D ভলিউম্যাট্রিক প্রাইমাইটিভ এবং প্রান্তগুলো হচ্ছে সমর্থনকারী সম্পর্কগুলো। তারপর আমরা একটি সুয়েন্ডসন-ওয়াং কাটস অ্যালগরিদম গ্রহণ করি যাতে কন্টাক্ট গ্রাফকে গ্রুপে ভাগ করা যায়, যার প্রত্যেকটিই একটি স্থিতিশীল বস্তু। স্থির দৃশ্যের মধ্যে অনিরাপদ বস্তু সনাক্ত করার জন্য, আমাদের পদ্ধতিটি দৃশ্যের মধ্যে লুকানো এবং অবস্থিত কারণগুলি (বিঘ্ন) উপসংহারে আনে এবং তারপরে ব্যাঘাতের পরিণতি হিসাবে সম্ভাব্য প্রভাবগুলি (যেমন, পতন) পূর্বাভাস দেওয়ার জন্য স্বজ্ঞাত শারীরিক যান্ত্রিকতা প্রবর্তন করে। পরীক্ষায় আমরা দেখিয়েছি যে অ্যালগরিদমটি (i) অবজেক্ট সেগমেন্টেশন, (ii) থ্রিডি ভলিউমেট্রিক রিকভারি এবং (iii) দৃশ্যের বোঝার ক্ষেত্রে অন্যান্য অত্যাধুনিক পদ্ধতির তুলনায় উল্লেখযোগ্যভাবে ভাল পারফরম্যান্স অর্জন করে। আমরা স্বজ্ঞাত যান্ত্রিক মডেল থেকে মানুষের বিচারের সাথে নিরাপত্তা পূর্বাভাস তুলনা করি। |
7e9507924ceebd784503fd25128218a7119ff722 | আমাদের পদ্ধতিতে প্রতিটি পাঠ্যকে একটি বিষয় গ্রাফ হিসাবে মডেল করা হয়। এই গ্রাফগুলিকে তারপর একটি ধারাবাহিক গ্রাফ মিলানোর পদ্ধতি ব্যবহার করে মিলিয়ে নেওয়া হয়। এরপর আমরা একটি বিস্তারিত স্তরের (LOD) ভিজ্যুয়ালাইজেশন তৈরি করি যা পাঠযোগ্যতা এবং স্থায়িত্ব উভয়ই ভারসাম্য করে। এইভাবে, ফলাফলের ভিজ্যুয়ালাইজেশন ব্যবহারকারীদের একাধিক দৃষ্টিকোণ থেকে মিলিত গ্রাফটি বোঝার এবং বিশ্লেষণ করার ক্ষমতা বাড়ায়। মেট্রিক লার্নিং এবং ফিচার সেলেকশনকে গ্রাফ ম্যাচিং অ্যালগরিদমের সাথে যুক্ত করে, আমরা ব্যবহারকারীদের তাদের তথ্যের প্রয়োজনের ভিত্তিতে গ্রাফ ম্যাচিং ফলাফলকে ইন্টারেক্টিভভাবে পরিবর্তন করতে দিই। আমরা বিভিন্ন ধরনের তথ্যের উপর আমাদের পদ্ধতি প্রয়োগ করেছি, যার মধ্যে রয়েছে সংবাদ নিবন্ধ, টুইট এবং ব্লগ তথ্য। পরিমাণগত মূল্যায়ন এবং বাস্তব বিশ্বের কেস স্টাডি আমাদের পদ্ধতির প্রতিশ্রুতি প্রদর্শন করে, বিশেষত বিভিন্ন স্তরের বিশদ বিশদে একটি বিষয়-গ্রাফ-ভিত্তিক সম্পূর্ণ চিত্রের পরীক্ষা করার সমর্থনে। এই গবেষণাপত্রটি সংবাদ, ব্লগ বা মাইক্রো-ব্লগগুলির মতো একাধিক উত্সগুলিতে আলোচিত প্রাসঙ্গিক বিষয়গুলির একটি সম্পূর্ণ চিত্র বিশ্লেষণের জন্য একটি ভিজ্যুয়াল বিশ্লেষণ পদ্ধতির উপস্থাপন করে। এই সম্পূর্ণ চিত্রটি একাধিক উৎস থেকে কভার করা বেশ কয়েকটি সাধারণ বিষয়ের পাশাপাশি প্রতিটি উৎস থেকে স্বতন্ত্র বিষয় নিয়ে গঠিত। |
b04a503487bc6505aa8972fd690da573f771badb | স্বয়ংচালিত যানবাহনগুলির একটি গুরুত্বপূর্ণ উপাদান হতে পারে গভীর স্নায়ুগত উপলব্ধি এবং নিয়ন্ত্রণ নেটওয়ার্ক। এই মডেলগুলোকে ব্যাখ্যাযোগ্য হতে হবে - তাদের আচরণের জন্য সহজেই ব্যাখ্যাযোগ্য যুক্তি প্রদান করা উচিত - যাতে যাত্রী, বীমা কোম্পানি, আইন প্রয়োগকারী, ডেভেলপার ইত্যাদি, বুঝতে পারে যে কোন নির্দিষ্ট আচরণকে কী সূচনা করেছে। এখানে আমরা দৃশ্য ব্যাখ্যা ব্যবহারের অন্বেষণ। এই ব্যাখ্যাগুলি একটি চিত্রের রিয়েল-টাইম হাইলাইট করা অঞ্চলগুলির আকারে গ্রহণ করে যা নেটওয়ার্কের আউটপুটকে (স্টিয়ারিং নিয়ন্ত্রণ) প্রভাবিত করে। আমাদের পদ্ধতি দুটি ধাপে। প্রথম পর্যায়ে, আমরা একটি ভিজ্যুয়াল মনোযোগ মডেল ব্যবহার করি একটি কনভোলশন নেটওয়ার্ককে ইমেজ থেকে স্টিয়ারিং এঙ্গেল পর্যন্ত প্রশিক্ষণ দেওয়ার জন্য। মনোযোগ মডেল এমন চিত্রের অঞ্চলগুলিকে তুলে ধরে যা নেটওয়ার্কের আউটপুটকে প্রভাবিত করতে পারে। এর মধ্যে কিছু সত্যিকারের প্রভাব, কিন্তু কিছু ভুয়া। এরপর আমরা একটি কারণগত ফিল্টারিং ধাপ প্রয়োগ করি কোন ইনপুট অঞ্চলগুলি আসলে আউটপুটকে প্রভাবিত করে তা নির্ধারণ করতে। এটি আরও সংক্ষিপ্ত ভিজ্যুয়াল ব্যাখ্যা তৈরি করে এবং নেটওয়ার্কের আচরণকে আরও সঠিকভাবে প্রকাশ করে। আমরা আমাদের মডেলের কার্যকারিতা দেখিয়েছি মোট ১৬ ঘন্টার ড্রাইভিংয়ের তিনটি ডেটাসেটে। আমরা প্রথমে দেখাব যে মনোযোগ দিয়ে প্রশিক্ষণ শেষ থেকে শেষ নেটওয়ার্কের কার্যকারিতা হ্রাস করে না। তারপর আমরা দেখিয়েছি যে নেটওয়ার্কটি বিভিন্ন বৈশিষ্ট্যকে নির্দেশ করে যা মানুষ গাড়ি চালানোর সময় ব্যবহার করে। |
4954bb26107d69eb79bb32ffa247c8731cf20fcf | অ্যাট্রিবিউট ভিত্তিক এনক্রিপশন (এবিই) [13] ব্যবহারকারীর বৈশিষ্ট্যগুলির উপর ভিত্তি করে ডিক্রিপশন ক্ষমতা নির্ধারণ করে। একটি মাল্টি-অথরিতী ABE স্কিমে, একাধিক বৈশিষ্ট্য-অথরিতীগুলি বিভিন্ন বৈশিষ্ট্যগুলির সেটগুলি পর্যবেক্ষণ করে এবং ব্যবহারকারীদের জন্য সংশ্লিষ্ট ডিক্রিপশন কীগুলি জারি করে এবং এনক্রিপ্টরগুলি একটি বার্তা ডিক্রিপ্ট করার আগে প্রতিটি কর্তৃপক্ষের কাছ থেকে উপযুক্ত বৈশিষ্ট্যগুলির জন্য কীগুলি পাওয়ার জন্য ব্যবহারকারীকে প্রয়োজন হতে পারে। চেজ [5] একটি বহু-কর্তৃপক্ষ ABE স্কিম একটি বিশ্বস্ত কেন্দ্রীয় কর্তৃপক্ষ (সিএ) এবং বিশ্বব্যাপী শনাক্তকারী (জিআইডি) এর ধারণাগুলি ব্যবহার করে। যাইহোক, এই নির্মাণের সিএ প্রতিটি সিফার টেক্সট ডিক্রিপ্ট করার ক্ষমতা রাখে, যা অনেক সম্ভাব্য অবিশ্বাস্য কর্তৃপক্ষের উপর নিয়ন্ত্রণ বিতরণের মূল লক্ষ্যের সাথে কিছুটা বিরোধী বলে মনে হয়। উপরন্তু, এই নির্মাণে, একটি সুসংগত GID ব্যবহার কর্তৃপক্ষ তাদের তথ্য একত্রিত একটি ব্যবহারকারীর সমস্ত বৈশিষ্ট্য সঙ্গে একটি সম্পূর্ণ প্রোফাইল নির্মাণ করতে অনুমতি দেয়, যা অপ্রয়োজনীয়ভাবে ব্যবহারকারীর গোপনীয়তা আপোষ করে। এই গবেষণাপত্রে আমরা এমন একটি সমাধানের প্রস্তাব দিচ্ছি যা বিশ্বস্ত কেন্দ্রীয় কর্তৃপক্ষকে সরিয়ে দেয় এবং কর্তৃপক্ষকে নির্দিষ্ট ব্যবহারকারীদের তথ্য একত্রিত করতে বাধা দিয়ে ব্যবহারকারীদের গোপনীয়তা রক্ষা করে, এইভাবে এটি ব্যবহারে আরও বেশি ব্যবহারযোগ্য করে তোলে। |
25098861749fe9eab62fbe90c1ebeaed58c211bb | এই গবেষণাপত্রে আমরা নতুন দৃষ্টিকোণ থেকে বুস্টিং পদ্ধতি নিয়ে আলোচনা করব। আমরা ইফ্রন এবং অন্যান্যদের সাম্প্রতিক কাজের উপর ভিত্তি করে তৈরি করেছি। দেখানোর জন্য যে boosting প্রায় (এবং কিছু ক্ষেত্রে ঠিক) তার ক্ষতি মানদণ্ডকে কমাতে পারে কোয়েফিশেন্ট ভেক্টরের উপর l1 সীমাবদ্ধতার সাথে। এই হার মানদণ্ডের নিয়মিত ফিটিং হিসাবে প্রাথমিক স্টপ সঙ্গে boosting সাফল্য বুঝতে সাহায্য করে। দুটি সর্বাধিক ব্যবহৃত মানদণ্ডের জন্য (অতিমাত্রিক এবং দ্বিপদী লগ-সম্ভাব্যতা), আমরা আরও দেখাই যে সীমাবদ্ধতা শিথিল করা হয়-বা সমতুল্যভাবে যেমন বাড়ানো পুনরাবৃত্তিগুলি এগিয়ে যায়-সমাধানটি (বিচ্ছিন্ন ক্ষেত্রে) একটি l1-অপ্টিমাল বিচ্ছেদ হাইপার-প্লেনের দিকে ঘনিষ্ঠ হয়। আমরা প্রমাণ করি যে এই l1-অপ্টিমাল বিচ্ছিন্ন হাইপার-প্লেনের প্রশিক্ষণ ডেটার সর্বনিম্ন l1-মার্জিনকে সর্বাধিক করার বৈশিষ্ট্য রয়েছে, যেমনটি বুস্টিং সাহিত্যে সংজ্ঞায়িত করা হয়েছে। বুস্টিং এবং কার্নেল সাপোর্ট ভেক্টর মেশিনের মধ্যে একটি আকর্ষণীয় মৌলিক সাদৃশ্য দেখা যায়, কারণ উভয়ই উচ্চ-মাত্রিক ভবিষ্যদ্বাণী স্থানগুলিতে নিয়মিত অপ্টিমাইজেশনের পদ্ধতি হিসাবে বর্ণনা করা যেতে পারে, গণনাকে ব্যবহারিক করার জন্য একটি কম্পিউটেশনাল কৌশল ব্যবহার করে এবং মার্জিন-সর্বোচ্চ সমাধানগুলিতে সংযুক্ত হয়। যদিও এই বিবৃতিটি এসভিএমকে সঠিকভাবে বর্ণনা করে, এটি কেবলমাত্র প্রায়শই বাড়ানোর ক্ষেত্রে প্রযোজ্য। |
0825788b9b5a18e3dfea5b0af123b5e939a4f564 | ভেক্টর অ্যারিথম্যাটিক ব্যবহার করে শব্দগুলির ভেক্টর স্পেস উপস্থাপনা শেখার সাম্প্রতিক পদ্ধতিগুলি সূক্ষ্ম-গ্রানযুক্ত শব্দার্থিক এবং সিনট্যাক্সিক নিয়মিততা ক্যাপচার করতে সফল হয়েছে, তবে এই নিয়মিততার উত্সটি অস্পষ্ট রয়ে গেছে। আমরা বিশ্লেষণ করি এবং শব্দ ভেক্টরগুলিতে এই ধরনের নিয়মাবলী উদ্ভূত হওয়ার জন্য প্রয়োজনীয় মডেল বৈশিষ্ট্যগুলিকে স্পষ্ট করে তুলি। এর ফলে একটি নতুন গ্লোবাল লগবিলিনিয়ার রিগ্রেশন মডেল তৈরি হয় যা সাহিত্যে দুটি প্রধান মডেল পরিবারের সুবিধাগুলিকে একত্রিত করেঃ গ্লোবাল ম্যাট্রিক্স ফ্যাক্টরাইজেশন এবং স্থানীয় প্রসঙ্গ উইন্ডো পদ্ধতি। আমাদের মডেলটি কার্যকরভাবে পরিসংখ্যানগত তথ্যকে প্রশিক্ষণ দেয় শুধুমাত্র শূন্য নয় এমন উপাদানগুলোতে একটি শব্দ-শব্দ সহ-প্রদর্শিত ম্যাট্রিক্সের পরিবর্তে পুরো বিচ্ছিন্ন ম্যাট্রিক্স বা একটি বড় কর্পাসের পৃথক প্রসঙ্গ উইন্ডোগুলিতে। মডেলটি একটি অর্থপূর্ণ উপ-কাঠামো সহ একটি ভেক্টর স্থান তৈরি করে, যেমনটি সাম্প্রতিক শব্দ সমান্তরাল কাজের উপর 75% এর পারফরম্যান্স দ্বারা প্রমাণিত। এটি অনুরূপতা কাজ এবং নামযুক্ত সত্তা স্বীকৃতি সম্পর্কিত সম্পর্কিত মডেলগুলিকে ছাড়িয়ে যায়। |
326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5 | আমরা দুটি বন্টনের মধ্যে একটি মেট্রিকের বৈশিষ্ট্যগুলি তদন্ত করি, আর্থ মুভারের দূরত্ব (ইএমডি), বিষয়বস্তু-ভিত্তিক চিত্র পুনরুদ্ধারের জন্য। ইএমডি একটি ন্যূনতম খরচের উপর ভিত্তি করে যা একটি বিতরণকে অন্যের মধ্যে রূপান্তর করতে হবে, একটি সুনির্দিষ্ট অর্থে, এবং প্রথমবারের মতো নির্দিষ্ট দৃষ্টি সমস্যাগুলির জন্য পেলগ, ওয়ার্মান এবং রোম দ্বারা প্রস্তাবিত হয়েছিল। ইমেজ পুনরুদ্ধারের জন্য, আমরা এই ধারণাটি একটি প্রতিনিধিত্বমূলক স্কিমের সাথে একত্রিত করি যা ভেক্টর কোয়ান্টাইজেশনের উপর ভিত্তি করে। এই সংমিশ্রণটি একটি চিত্র তুলনা কাঠামোর দিকে নিয়ে যায় যা প্রায়শই অন্যান্য পূর্বে প্রস্তাবিত পদ্ধতির চেয়ে ভালভাবে উপলব্ধিগত সাদৃশ্যের জন্য দায়ী। ইএমডি লিনিয়ার অপ্টিমাইজেশনের মাধ্যমে পরিবহন সমস্যার সমাধানের উপর ভিত্তি করে তৈরি, যার জন্য দক্ষ অ্যালগরিদম পাওয়া যায়, এবং এটি আংশিক মিলের জন্যও প্রাকৃতিকভাবে অনুমতি দেয়। এটি হিস্টোগ্রাম মিলনের কৌশলগুলির চেয়ে আরও শক্তিশালী, যেহেতু এটি বিতরণগুলির পরিবর্তনশীল দৈর্ঘ্যের উপস্থাপনাগুলিতে কাজ করতে পারে যা হিস্টোগ্রামের জন্য সাধারণ কোয়ান্টাইজেশন এবং অন্যান্য বাইনিং সমস্যাগুলি এড়ায়। যখন একই সামগ্রিক ভর সহ বন্টনগুলি তুলনা করতে ব্যবহৃত হয়, ইএমডি একটি সত্যিকারের মেট্রিক। এই গবেষণায় আমরা রঙ এবং টেক্সচারের প্রয়োগের উপর ফোকাস করব এবং ইএমডি এর পুনরুদ্ধারের পারফরম্যান্সকে অন্যান্য দূরত্বের সাথে তুলনা করব। |
508d8c1dbc250732bd2067689565a8225013292f | স্থানীয় পালস ওয়েভ ভেলোসিটি (পিডব্লিউভি) এর জন্য একটি নতুন ডুয়াল ফটোপ্লেটিস্মোগ্রাফ (পিপিজি) প্রোব এবং পরিমাপ সিস্টেম প্রস্তাবিত এবং প্রদর্শিত হয়। এই প্রোবটির ডিজাইনে প্রতিফলন পিপিজি ট্রান্সডুসার ব্যবহার করা হয়েছে যাতে দুটি সংলগ্ন পরিমাপ পয়েন্ট থেকে রক্তের স্পন্দন ছড়িয়ে পড়ার তরঙ্গের আকৃতি সনাক্ত করা যায় (২৮ মিমি দূরত্ব) । ধারাবাহিকভাবে অর্জিত দ্বৈত পালস তরঙ্গ আকৃতির মধ্যে ট্রানজিট সময় বিলম্ব বিট-টু-বিট স্থানীয় পিডব্লিউভি পরিমাপের জন্য ব্যবহৃত হয়েছিল। পিপিজি স্যান্ড ডিজাইন এবং স্থানীয় পিডব্লিউভি পরিমাপ পদ্ধতির বৈধতা যাচাই করার জন্য ১০ জন সুস্থ স্বেচ্ছাসেবক (৮ জন পুরুষ এবং ২ জন মহিলা, ২১ থেকে ৩৩ বছর বয়সী) নিয়ে একটি ইন-ভিভো পরীক্ষামূলক বৈধতা অধ্যয়ন পরিচালনা করা হয়েছিল। প্রস্তাবিত পদ্ধতিতে একাধিক ব্যক্তির ক্যারোটাইড স্থানীয় পিডব্লিউভি পরিমাপ করা সম্ভব হয়েছে। গবেষণার সময় ১০ জনের মধ্যে ৭ জনের ক্ষেত্রে বেসলাইন ক্যারোটাইড পিডব্লিউভি- এর বিট- টু- বিট ভ্যারিয়েশন ৭. ৫% এর কম ছিল, সর্বাধিক বিট- টু- বিট ভ্যারিয়েশন ১৬% ছিল। ব্যায়াম পরবর্তী পুনরুদ্ধারের সময়কালে ক্যারোটাইড স্থানীয় পিডব্লিউভি এবং ব্র্যাচিয়াল রক্তচাপ (বিপি) মানের বিট-টু-বিট পরিবর্তনেরও পরীক্ষা করা হয়েছিল। ইনট্রা- সাবজেক্ট স্থানীয় পিডব্লিউভি ভ্যারিয়েশন এবং ব্র্যাচিয়াল BP প্যারামিটারগুলির মধ্যে একটি পরিসংখ্যানগতভাবে উল্লেখযোগ্য সম্পর্ক দেখা গেছে (r > 0. 85, p < 0. 001) । ফলাফলগুলি ক্যারোটাইড ধমনী থেকে ধারাবাহিক বিট-টু-বিট স্থানীয় পিডব্লিউভি পরিমাপের জন্য প্রস্তাবিত পিপিজি প্রোবের কার্যকারিতা প্রদর্শন করেছে। এই ধরনের অ-আক্রমণাত্মক স্থানীয় পিডব্লিউভি পরিমাপ ইউনিটটি ক্রমাগত অ্যাম্বুলেটরি BP পরিমাপের জন্য ব্যবহার করা যেতে পারে। |
79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6 | এই গবেষণাপত্রটি গভীরতার মানচিত্রের ক্রম থেকে মানুষের কর্মকে চিনতে একটি পদ্ধতি উপস্থাপন করে। বিশেষ করে, আমরা একটি অ্যাকশন গ্রাফ ব্যবহার করি অ্যাকশন গ্রাফের গতিশীলতা মডেল করার জন্য এবং 3D পয়েন্টের একটি ব্যাগ ব্যবহার করি অ্যাকশন গ্রাফের নোডের সাথে সামঞ্জস্যপূর্ণ একটি সেট বিশিষ্ট অবস্থানকে চিহ্নিত করার জন্য। উপরন্তু, আমরা একটি সহজ, কিন্তু কার্যকর প্রক্ষেপণ ভিত্তিক নমুনা স্কিম প্রস্তাব গভীরতা মানচিত্র থেকে 3D পয়েন্ট ব্যাগ নমুনা। পরীক্ষামূলক ফলাফলগুলি দেখায় যে গভীরতার মানচিত্র থেকে মাত্র ১% 3D পয়েন্টের নমুনা গ্রহণ করে 90% এরও বেশি স্বীকৃতি নির্ভুলতা অর্জন করা হয়েছিল। ২ ডি সিলুয়েট ভিত্তিক স্বীকৃতির তুলনায় স্বীকৃতি ত্রুটি অর্ধেক কমেছে। এছাড়াও, আমরা সিমুলেশন মাধ্যমে ব্যাগ অফ পয়েন্টস পোজ মডেলের সম্ভাব্যতা প্রদর্শন করি। |
46fd85775cab39ecb32cf2e41642ed2d0984c760 | এই গবেষণাপত্রে এআই রোবটের আইনি মর্যাদা নিয়ে আজকের বিতর্ক এবং কতবার পণ্ডিত এবং নীতি নির্ধারকরা এই কৃত্রিম এজেন্টদের আইনি এজেন্টকে আইনি ব্যক্তির মর্যাদার সাথে বিভ্রান্ত করে তা পরীক্ষা করা হয়েছে। এই ক্ষেত্রে বর্তমান প্রবণতা বিবেচনা করে, এই কাগজটি একটি দ্বিগুণ অবস্থান প্রস্তাব করে। প্রথমত, নীতি নির্ধারকদের চুক্তি এবং ব্যবসায়িক আইনে এআই রোবটগুলির কার্যক্রমের জন্য জবাবদিহিতা এবং দায়বদ্ধতার নতুন রূপগুলি প্রতিষ্ঠার সম্ভাবনা সম্পর্কে গুরুত্ব সহকারে বিবেচনা করা উচিত, উদাহরণস্বরূপ, জটিল বিতরণকৃত দায়বদ্ধতার ক্ষেত্রে আইনী এজেন্টের নতুন রূপ। দ্বিতীয়ত, ভবিষ্যতে এআই রোবটকে সম্পূর্ণ আইনি ব্যক্তিত্ব প্রদানের যে কোন অনুমানকে বাতিল করতে হবে। কিন্তু, সোফিয়াকে কিভাবে মোকাবিলা করা উচিত, যেটা ২০১৭ সালের অক্টোবরে সৌদি আরবের নাগরিকত্ব প্রাপ্ত প্রথম এআই অ্যাপ্লিকেশন হয়ে উঠেছে? এটা স্বীকার করা যায় যে, কাউকে বা কিছুকে আইনি ব্যক্তির মর্যাদা প্রদান করা - যেমনটা সবসময় হয়েছে - একটি অত্যন্ত সংবেদনশীল রাজনৈতিক বিষয় যা কেবল যুক্তিসঙ্গত পছন্দ এবং অভিজ্ঞতার প্রমাণের উপর নির্ভর করে না। এই ক্ষেত্রে বিচক্ষণতা, নির্বিচারে, এমনকি অদ্ভুত সিদ্ধান্তগুলিও ভূমিকা পালন করে। কিন্তু আইনি ব্যবস্থা যেসব কারণে মানবিক ও কৃত্রিম সত্তাকে যেমন কর্পোরেশনকে তাদের মর্যাদা দেয়, সেসবই আমাদেরকে এ বিষয়ে কোন পক্ষ নিতে সাহায্য করে যে, কৃত্রিম বুদ্ধিমত্তা সম্পন্ন রোবটকে আইনি ব্যক্তি হিসেবে স্বীকৃতি দেওয়া কি ঠিক। নাগরিক সোফিয়া কি সত্যিই সচেতন, নাকি অসভ্য পণ্ডিতদের তীর ও তীরের আঘাত সহ্য করতে সক্ষম? |
0943ed739c909d17f8686280d43d50769fe2c2f8 | আমরা মানব আচরণ বিশ্লেষণ ও সংশ্লেষণের জন্য একটি পদ্ধতির হিসাবে অ্যাকশন-প্রতিক্রিয়া লার্নিং প্রস্তাব করি। এই প্যারাডাইম অতীত ও ভবিষ্যতের ঘটনা বা একটি ক্রিয়া এবং তার প্রতিক্রিয়া মধ্যে সময়ের ক্রম পর্যবেক্ষণ করে কারণগত ম্যাপিং প্রকাশ করে। আমরা এই পদ্ধতিটি ব্যবহার করি মানুষের সাথে মানুষের সম্পর্ক বিশ্লেষণ করতে এবং পরবর্তীতে মানুষের আচরণকে সংকলন করতে। একটি সিস্টেম স্বয়ংক্রিয়ভাবে একটি মানব অংশগ্রহণকারীর ইশারার (একটি কর্ম) এবং পরবর্তী অংশগ্রহণকারীর ইশারার (একটি প্রতিক্রিয়া) মধ্যে একটি ম্যাপিং আবিষ্কার করে। একটি সম্ভাব্যতা মডেল একটি নতুন অনুমান কৌশল, শর্তসাপেক্ষ প্রত্যাশা সর্বাধিকীকরণ (সিইএম) ব্যবহার করে মানুষের মিথস্ক্রিয়া তথ্য থেকে প্রশিক্ষিত হয়। সিস্টেমটি একটি গ্রাফিকাল ইন্টারেক্টিভ চরিত্র চালায় যা সম্ভাব্যভাবে ব্যবহারকারীর আচরণের সবচেয়ে সম্ভাব্য প্রতিক্রিয়া পূর্বাভাস দেয় এবং এটি ইন্টারেক্টিভভাবে সম্পাদন করে। এইভাবে, অংশগ্রহণকারীদের একটি জোড়া মানুষের মিথস্ক্রিয়া বিশ্লেষণ করার পরে, সিস্টেম তাদের একজনকে প্রতিস্থাপন করতে এবং একটি একক অবশিষ্ট ব্যবহারকারীর সাথে ইন্টারঅ্যাক্ট করতে সক্ষম হয়। |
272216c1f097706721096669d85b2843c23fa77d | আমরা অ্যাডামকে পরিচয় করিয়ে দিচ্ছি, যা স্টোচ্যাস্টিক অবজেক্ট ফাংশনগুলির প্রথম-অর্ডার গ্রেডিয়েন্ট-ভিত্তিক অপ্টিমাইজেশনের জন্য একটি অ্যালগরিদম, যা নিম্ন-অর্ডার মুহুর্তগুলির অভিযোজিত অনুমানের উপর ভিত্তি করে। পদ্ধতিটি বাস্তবায়নের জন্য সহজ, গণনাগতভাবে দক্ষ, এর মেমরির প্রয়োজনীয়তা কম, গ্রেডিয়েন্টগুলির ডায়াগনাল পুনরায় স্কেলিংয়ের জন্য অপরিবর্তনীয় এবং ডেটা এবং / অথবা পরামিতিগুলির ক্ষেত্রে বড় সমস্যাগুলির জন্য উপযুক্ত। এই পদ্ধতিটি অস্থির লক্ষ্য এবং খুব শব্দ এবং/অথবা সামান্য গ্রেডিয়েন্টের সমস্যার জন্যও উপযুক্ত। হাইপার-প্যারামিটারগুলির স্বজ্ঞাত ব্যাখ্যা রয়েছে এবং সাধারণত সামান্য টিউনিংয়ের প্রয়োজন হয়। সম্পর্কিত অ্যালগরিদমের সাথে কিছু সংযোগ, যা অ্যাডামকে অনুপ্রাণিত করেছিল, আলোচনা করা হয়েছে। আমরা অ্যালগরিদমের তাত্ত্বিক ঘনিষ্ঠতা বৈশিষ্ট্য বিশ্লেষণ করি এবং ঘনিষ্ঠতা হারের উপর একটি অনুশোচনা প্রদান করি যা অনলাইন কনভেক্স অপ্টিমাইজেশন কাঠামোর অধীনে সর্বাধিক পরিচিত ফলাফলের সাথে তুলনীয়। পরীক্ষামূলক ফলাফলগুলি দেখায় যে অ্যাডাম অনুশীলনে ভাল কাজ করে এবং অন্যান্য স্টোকস্টিক অপ্টিমাইজেশান পদ্ধতিগুলির সাথে অনুকূলভাবে তুলনা করে। অবশেষে, আমরা অ্যাডাম্যাক্স নিয়ে আলোচনা করব, যা অ্যাডামের একটি রূপ যা অসীমতার নিয়মের উপর ভিত্তি করে। |
05aba481e8a221df5d8775a3bb749001e7f2525e | আমরা উপস্থাপন করছি একটি নতুন পরিবার অব গ্রেডিয়েন্ট পদ্ধতি যা গতিশীলভাবে অন্তর্ভুক্ত করে জ্যামিতির জ্ঞান পূর্ববর্তী পুনরাবৃত্তির মধ্যে পর্যবেক্ষণ করা তথ্য আরও তথ্যবহুল গ্রেডিয়েন্ট ভিত্তিক শেখার জন্য। রূপকভাবে, এই অভিযোজন আমাদেরকে খুব ভবিষ্যদ্বাণীমূলক কিন্তু খুব কমই দেখা যায় এমন বৈশিষ্ট্যগুলির আকারে শস্যের গাদাতে ন-ইডল খুঁজে পেতে দেয়। আমাদের প্যারাডাইম স্টোক্যাস্টিক অপ্টিমাইজেশান এবং অনলাইন লার্নিং এর সাম্প্রতিক অগ্রগতি থেকে উদ্ভূত যা অ্যালগরিদমের গ্রেডিয়েন্ট ধাপগুলি নিয়ন্ত্রণ করতে প্রক্সিমাল ফাংশন ব্যবহার করে। আমরা প্রক্সিমাল ফাংশনকে অভিযোজিতভাবে সংশোধন করার জন্য একটি যন্ত্রের বর্ণনা এবং বিশ্লেষণ করি, যা একটি শেখার হার নির্ধারণকে উল্লেখযোগ্যভাবে সহজ করে তোলে এবং ফলাফলগুলি অনুশোচনা গ্যারান্টি দেয় যা প্রমাণিতভাবে সেরা প্রক্সিমাল ফাংশন হিসাবে ভাল যা পিছনে নির্বাচিত হতে পারে। আমরা সাধারণ এবং গুরুত্বপূর্ণ নিয়মীয়াকরণ ফাংশন এবং ডোমেন সীমাবদ্ধতার সাথে অভিজ্ঞতার ঝুঁকি হ্রাস সমস্যাগুলির জন্য বেশ কয়েকটি দক্ষ অ্যালগরিদম সরবরাহ করি। আমরা পরীক্ষামূলকভাবে আমাদের তাত্ত্বিক বিশ্লেষণ অধ্যয়ন করি এবং দেখি যে অভিযোজিত উপ-ক্রম পদ্ধতিগুলি অত্যাধুনিক, তবুও অ-অনুকূলিতকরণ, উপ-ক্রম অ্যালগরিদমকে ছাড়িয়ে যায়। |
f2bc77fdcea85738d1062da83d84dfa3371d378d | এই কাগজটি চিপ-টু-চিপ অ্যাপ্লিকেশনের জন্য 90nm CMOS-এ 6.25-Gb/s 14-mW ট্রান্সসিভার বর্ণনা করে। ট্রান্সসিভারটি বিদ্যুতের খরচ কমানোর জন্য বেশ কয়েকটি বৈশিষ্ট্য ব্যবহার করে, যার মধ্যে একটি ভাগ করা এলসি-পিএলএল ক্লক মাল্টিপ্লায়ার, একটি ইন্ডাক্টর-লোড রেজোন্যান্ট ক্লক বিতরণ নেটওয়ার্ক, একটি নিম্ন- এবং প্রোগ্রামযোগ্য-স্উইং ভোল্টেজ-মোড ট্রান্সমিটার, সফ্টওয়্যার-নিয়ন্ত্রিত ক্লক এবং ডেটা পুনরুদ্ধার (সিডিআর) এবং রিসিভারের মধ্যে অভিযোজিত সমীকরণ এবং সিডিআর জন্য একটি নতুন পিএলএল-ভিত্তিক ফেজ রোটার রয়েছে। এই নকশাটি -15 ডিসি বা তার বেশি চ্যানেল ক্ষয়প্রাপ্তির সাথে 10-15 বা তার কম বিট-ত্রুটি হারে কাজ করতে পারে, যখন প্রতি ট্রান্সসিভারে 2.25 mW / Gb / s এর কম খরচ হয়। |
9da870dbbc32c23013ef92dd9b30db60a3cd7628 | 3D আকারের অ-কঠোর নিবন্ধন একটি অপরিহার্য কাজ যা ক্রমবর্ধমান গুরুত্বের সাথে সাথে পণ্য গভীরতা সেন্সরগুলি গতিশীল দৃশ্যের স্ক্যানিংয়ের জন্য আরও ব্যাপকভাবে উপলব্ধ হয়ে ওঠে। অ-কঠোর নিবন্ধন কঠোর নিবন্ধনের চেয়ে অনেক বেশি চ্যালেঞ্জিং কারণ এটি একক বিশ্বব্যাপী রূপান্তরের পরিবর্তে স্থানীয় রূপান্তরগুলির একটি সেট অনুমান করে এবং তাই আন্ডারডিটার্মিনেশনের কারণে ওভারফিটিং ইস্যুতে প্রবণ। পূর্ববর্তী পদ্ধতিতে সাধারণ জ্ঞান স্থানীয় রূপান্তর পার্থক্যের উপর একটি l2-মানক নিয়মিতকরণ আরোপ করা। যাইহোক, l2-normalization সমাধানকে outliers এবং heavy-tailed বন্টনের সাথে noise এর দিকে বিভ্রান্ত করে, যা রূপান্তর পার্থক্যের উপর Gaussian বন্টনের দুর্বল goodness-of-fit দ্বারা যাচাই করা হয়। বিপরীতভাবে, ল্যাপ্লাসিয়ান বন্টন রূপান্তর পার্থক্যের সাথে ভালভাবে ফিট করে, যা একটি ক্ষুদ্রতার আগে ব্যবহারের পরামর্শ দেয়। আমরা একটি বিচ্ছিন্ন অ-কঠোর নিবন্ধকরণ (এসএনআর) পদ্ধতির প্রস্তাব দিচ্ছি যা রূপান্তর অনুমানের জন্য একটি আই-নর্ম নিয়মিত মডেলের সাথে কার্যকরভাবে সমাধান করা হয় যা বর্ধিত ল্যাগ্রেজিয়ান কাঠামোর অধীনে একটি বিকল্প দিক পদ্ধতি (এডিএম) দ্বারা কার্যকরভাবে সমাধান করা হয়। আমরা একটি শক্তিশালী এবং ধীরে ধীরে নিবন্ধনের জন্য একটি মাল্টি-রেজোলিউশন স্কিমও তৈরি করেছি। পাবলিক ডেটাসেট এবং আমাদের স্ক্যান করা ডেটাসেট উভয় ক্ষেত্রেই পাওয়া ফলাফল আমাদের পদ্ধতির শ্রেষ্ঠত্ব দেখায়, বিশেষ করে বড় আকারের বিকৃতির পাশাপাশি অস্বাভাবিক এবং গোলমালের ক্ষেত্রে। |
e36ecd4250fac29cc990330e01c9abee4c67a9d6 | এই চিঠিতে একটি নতুন কা-ব্যান্ড ডুয়াল-ব্যান্ড ডুয়াল-সার্কিকেল-পোলারাইজড অ্যান্টেনা অ্যারে উপস্থাপন করা হয়েছে। একটি ডুয়াল-ব্যান্ড অ্যান্টেনা যা Ka-band ডাউনলিংক ফ্রিকোয়েন্সিগুলির জন্য বাম-হাতের বৃত্তাকার পোলারাইজেশন এবং Ka-band আপলিংক ফ্রিকোয়েন্সিগুলির জন্য ডান-হাতের বৃত্তাকার পোলারাইজেশন সহ কমপ্যাক্ট রিং রিং স্লটগুলির সাথে উপলব্ধি করা হয়। ক্রমিক ঘূর্ণন কৌশল প্রয়োগ করে, একটি 2 × 2 সাব-অ্যারে ভাল পারফরম্যান্সের সাথে প্রাপ্ত হয়। এই চিঠিতে নকশা প্রক্রিয়া বর্ণনা করা হয়েছে এবং সিমুলেশন এবং পরিমাপের ফলাফল উপস্থাপন করা হয়েছে। |
0bb71e91b29cf9739c0e1334f905baad01b663e6 | এই গবেষণাপত্রে এলটিই নেটওয়ার্কে ব্যবহৃত ব্যাটারি চালিত ডিভাইসের শক্তি খরচ কমানোর জন্য সময়সূচী এবং প্রেরণ ক্ষমতা নিয়ন্ত্রণের বিষয়টি নিয়ে গবেষণা করা হয়েছে। বিপুল সংখ্যক মেশিন-টাইপ গ্রাহকদের জন্য দক্ষ সময়সূচী সক্ষম করার জন্য, একটি নতুন বিতরণ প্রকল্প প্রস্তাব করা হয়েছে যাতে মেশিন নোডগুলি স্থানীয় ক্লাস্টার গঠন করে এবং ক্লাস্টার-হেডগুলির মাধ্যমে বেস-স্টেশনের সাথে যোগাযোগ করে। এরপর এলটিই নেটওয়ার্কে আপলিংক শিডিউলিং এবং পাওয়ার কন্ট্রোল চালু করা হয় এবং ক্লাসটার হেড এবং বেস স্টেশনের মধ্যে যোগাযোগের জন্য ব্যবহারের জন্য লাইফটাইম-সচেতন সমাধানগুলি তদন্ত করা হয়। সঠিক সমাধানের পাশাপাশি, কম জটিলতার উপ-সর্বোত্তম সমাধানগুলি এই কাজটিতে উপস্থাপিত হয়েছে যা অনেক কম কম্পিউটেশনাল জটিলতার সাথে সর্বোত্তম পারফরম্যান্সের কাছাকাছি অর্জন করতে পারে। পারফরম্যান্স মূল্যায়ন দেখায় যে প্রস্তাবিত প্রোটোকল ব্যবহার করে নেটওয়ার্কের জীবনকাল উল্লেখযোগ্যভাবে বাড়ানো হয়। |
6dc4be33a07c277ee68d42c151b4ee866108281f | সাম্প্রতিককালে, কম্প্রেসিভ পরিমাপ থেকে কোভ্যারিয়েন্স ম্যাট্রিক্সের অনুমান বিজ্ঞান ও প্রকৌশলের বিভিন্ন ক্ষেত্রে যথেষ্ট গবেষণা প্রচেষ্টাকে আকর্ষণ করেছে। অল্প সংখ্যক পর্যবেক্ষণের কারণে, সহ-বৈকল্পিকতা ম্যাট্রিক্সের অনুমান একটি মারাত্মকভাবে খারাপ সমস্যা। কোভ্যারিয়েন্স ম্যাট্রিক্সের কাঠামো সম্পর্কে পূর্বের তথ্যের ব্যবহার করে এটি কাটিয়ে উঠতে পারে। এই কাগজটি একটি শ্রেণীর কনভেক্স ফর্মুলেশন এবং সংশ্লিষ্ট সমাধানগুলিকে সংক্ষেপণীয় পরিমাপের অধীনে উচ্চ-মাত্রিক সহ-বৈচিত্র্য ম্যাট্রিক্সের অনুমান সমস্যার জন্য উপস্থাপন করে, সমাধানের উপর Toeplitz, sparse, null-pattern, নিম্ন র্যাঙ্ক, বা নিম্ন permuted র্যাঙ্ক কাঠামো চাপিয়ে দেয়, ইতিবাচক আধা-নির্দিষ্টতার পাশাপাশি। অপ্টিমাইজেশনের সমস্যা সমাধানের জন্য, আমরা কো-ভ্যারিয়েন্স বাই অগমেন্টেড ল্যাগ্রেঞ্জিয়ান শ্রিঙ্কেজ অ্যালগরিদম (কোভালসা) প্রবর্তন করি, যা স্প্লিট অগমেন্টেড ল্যাগ্রেঞ্জিয়ান শ্রিঙ্কেজ অ্যালগরিদম (সালসা) এর একটি উদাহরণ। আমরা আমাদের পদ্ধতির কার্যকারিতা অত্যাধুনিক অ্যালগরিদমের সাথে তুলনা করে দেখি। |
05357314fe2da7c2248b03d89b7ab9e358cbf01e | সমস্ত অধিকার সংরক্ষিত। প্রকাশকের লিখিত অনুমতি ছাড়া এই বইয়ের কোন অংশই কোন বৈদ্যুতিন বা যান্ত্রিক উপায়ে (ফটোকপি, রেকর্ডিং, বা তথ্য সংরক্ষণ এবং পুনরুদ্ধার সহ) কোনও আকারে পুনরুত্পাদন করা যাবে না। |
06d0a9697a0f0242dbdeeff08ec5266b74bfe457 | আমরা প্রাকৃতিক ভাষার গাছের কাঠামোর জন্য একটি নতুন জেনারেটর মডেল উপস্থাপন করেছি, যেখানে শব্দার্থিক (শব্দার্থিক নির্ভরতা) এবং সিনট্যাক্সিক কাঠামোগুলি পৃথক মডেলগুলির সাথে স্কোর করা হয়। এই ফ্যাক্টরাইজেশনটি ধারণাগত সরলতা, উপাদান মডেলগুলিকে পৃথকভাবে উন্নত করার সহজ সুযোগ সরবরাহ করে এবং অনুরূপ, অ-ফ্যাক্টরযুক্ত মডেলগুলির কার্যকারিতা স্তরের সাথে ইতিমধ্যে ঘনিষ্ঠ। সবচেয়ে গুরুত্বপূর্ণ বিষয় হ ল, অন্যান্য আধুনিক পার্সিং মডেলের বিপরীতে, ফ্যাক্টরযুক্ত মডেলটি একটি অত্যন্ত কার্যকর পার্সিং অ্যালগরিদম সরবরাহ করে, যা দক্ষ, সঠিক অনুমানকে সম্ভব করে। |
8f76334bd276a2b92bd79203774f292318f42dc6 | এই কাগজটি একটি বৃত্তাকার শিং অ্যান্টেনা নিয়ে আলোচনা করেছে যা একটি এল-আকৃতির প্রোব দ্বারা খাওয়ানো হয়। ব্রডব্যান্ডের জন্য ডিজাইন প্রক্রিয়াটি 50 ওমেগা সমাক্ষ ক্যাবল এবং অক্ষীয় অনুপাত এবং লাভের অ্যান্টেনার পারফরম্যান্স উপস্থাপন করা হয়। এই গবেষণাপত্রের সিমুলেশন ফলাফল Ansoft HFSS 9.2 ব্যবহার করে প্রাপ্ত করা হয়েছে |
41c987b8a7e916d56fed2ea7311397e0f2286f3b | ঐতিহ্যগত পদ্ধতির বিপরীতে যা নেটওয়ার্ক স্তরে কোয়ান্টাইজেশনের উপর ফোকাস করে, এই কাজটিতে আমরা টেনসর স্তরে কোয়ান্টাইজেশন প্রভাবকে কমিয়ে আনার প্রস্তাব দিই। আমরা কোয়ান্টাইজেশন গোলমাল এবং কম নির্ভুলতার নেটওয়ার্কে ক্লিপিং বিকৃতির মধ্যে বাণিজ্য-অফ বিশ্লেষণ করি। আমরা বিভিন্ন টেনসর এর পরিসংখ্যান চিহ্নিত করি, এবং ক্লিপিং এর কারণে গড়-বর্গক্ষেত্র-ত্রুটি অবনতির জন্য সঠিক অভিব্যক্তিগুলি বের করি। এই এক্সপ্রেশনগুলিকে অপ্টিমাইজ করে, আমরা স্ট্যান্ডার্ড কোয়ান্টাইজেশন স্কিমগুলির তুলনায় উল্লেখযোগ্য উন্নতি দেখি যা সাধারণত ক্লিপিং এড়ায়। উদাহরণস্বরূপ, সঠিক ক্লিপিং মান নির্বাচন করে, VGG16-BN এর কোয়ান্টাইজেশনের জন্য 40% এরও বেশি নির্ভুলতা উন্নতি পাওয়া যায় 4-বিট নির্ভুলতার জন্য। আমাদের ফলাফলগুলি প্রশিক্ষণ এবং অনুমান উভয় সময়েই নিউরাল নেটওয়ার্কগুলির কোয়ান্টাইজেশনের জন্য অনেকগুলি অ্যাপ্লিকেশন রয়েছে। একটি তাত্ক্ষণিক অ্যাপ্লিকেশন হ ল সময়সাপেক্ষ সূক্ষ্ম-টুনিং বা সম্পূর্ণ ডেটাসেটের উপলব্ধতা ছাড়াই কম নির্ভুলতা ত্বরণকারীদের জন্য নিউরাল নেটওয়ার্কগুলির দ্রুত প্রবর্তন। |
1bde4205a9f1395390c451a37f9014c8bea32a8a | রোবট ম্যানিপুলেশন এবং নেভিগেশনের জন্য রেঞ্জ ইমেজে অনুসন্ধান করা বস্তুগুলিকে চিনতে এবং স্থানীয়করণে গুরুত্বপূর্ণ ভূমিকা পালন করে। যদিও এটি ধারাবাহিকভাবে অধ্যয়ন করা হয়েছে, তবুও এটি একটি চ্যালেঞ্জিং কাজ। |
242caa8e04b73f56a8d4adae36028cc176364540 | আমরা প্রস্তাব করছি একটি ভোটের ভিত্তিতে পোজ অনুমান অ্যালগরিদম যা 3D সেন্সরগুলিতে প্রযোজ্য, যা দ্রুত তাদের 2D প্রতিরূপকে অনেক রোবোটিক্স, কম্পিউটার ভিশন এবং গেমিং অ্যাপ্লিকেশনে প্রতিস্থাপন করছে। সম্প্রতি দেখা গেছে যে একটি ভোটের কাঠামোর মধ্যে একটি জোড়া ওরিয়েন্টেড থ্রিডি পয়েন্ট, যা স্বাভাবিকের সাথে বস্তুর পৃষ্ঠের পয়েন্টগুলি দ্রুত এবং শক্তিশালী পোজ অনুমান করতে সক্ষম করে। যদিও ওরিয়েন্টেড পৃষ্ঠ পয়েন্টগুলি যথেষ্ট বক্রতা পরিবর্তন সহ বস্তুর জন্য বৈষম্যমূলক, তবে তারা বেশিরভাগ শিল্প এবং বাস্তব-বিশ্বের বস্তুর জন্য যথেষ্ট কমপ্যাক্ট এবং বৈষম্যমূলক নয় যা বেশিরভাগই সমতল। যেহেতু 2D রেজিস্ট্রেশনে প্রান্তগুলি মূল ভূমিকা পালন করে, তাই 3D-তে গভীরতার বিচ্ছিন্নতা অত্যন্ত গুরুত্বপূর্ণ। এই গবেষণাপত্রে আমরা একটি পরিবারকে গবেষণা এবং বিকাশ করেছি যা এই সীমান্ত তথ্যকে আরও ভালভাবে কাজে লাগাতে পারে। ওরিয়েন্টেড সারফেস পয়েন্ট ছাড়াও, আমরা অন্য দুটি প্রাইমাইটিভ ব্যবহার করিঃ দিকনির্দেশ সহ সীমানা পয়েন্ট এবং সীমানা লাইন বিভাগ। আমাদের পরীক্ষাগুলি দেখায় যে এই সাবধানে নির্বাচিত প্রাইমাইটিভগুলি কমপ্যাক্টভাবে আরও তথ্য এনকোড করে এবং এইভাবে শিল্পের অংশগুলির বিস্তৃত শ্রেণীর জন্য উচ্চতর নির্ভুলতা সরবরাহ করে এবং দ্রুত গণনা সক্ষম করে। আমরা প্রস্তাবিত অ্যালগরিদম এবং একটি 3D সেন্সর ব্যবহার করে একটি বাস্তব রোবোটিক আবর্জনা-পিকিং সিস্টেম প্রদর্শন করি। |
5df318e4aac5313124571ecc7e186cba9e84a264 | সরকারি মোবাইল অ্যাপ বাজারে বারবার ম্যালওয়্যার প্রবেশের ক্রমবর্ধমান সংখ্যা শেষ ব্যবহারকারীর ব্যক্তিগত ও সংবেদনশীল তথ্যের গোপনীয়তা ও গোপনীয়তার জন্য একটি উচ্চ নিরাপত্তা হুমকি তৈরি করে। শিক্ষা ও শিল্পে নিরাপত্তা গবেষক/প্রকৌশলীদের জন্য বিপজ্জনক অ্যাপ্লিকেশনের শিকার হওয়ার থেকে শেষ ব্যবহারকারীর ডিভাইসগুলিকে রক্ষা করা একটি প্রযুক্তিগত এবং গবেষণা চ্যালেঞ্জ। অ্যাপ মার্কেটে যে সব নিরাপত্তা ব্যবস্থা এবং বিশ্লেষণ পরীক্ষা করা হয়, তা সত্ত্বেও, ম্যালওয়্যারগুলি প্রতিরক্ষা ব্যবস্থা অতিক্রম করে ব্যবহারকারীর ডিভাইসগুলিকে সংক্রামিত করে। ম্যালওয়্যারের বিবর্তন দেখেছে যে এটি পরিশীলিত এবং গতিশীল পরিবর্তনশীল সফ্টওয়্যার হয়ে উঠেছে যা সাধারণত বৈধ অ্যাপ্লিকেশন হিসাবে ছদ্মবেশ ধারণ করে। অত্যন্ত উন্নত এড়ানো কৌশল যেমন এনক্রিপ্ট করা কোড, অস্পষ্টতা এবং গতিশীল কোড আপডেট ইত্যাদির ব্যবহার নতুন ম্যালওয়্যারগুলিতে পাওয়া সাধারণ অনুশীলন। ডায়নামিক কোড আপডেট এর এড়ানো ব্যবহারের মাধ্যমে, একটি ম্যালওয়্যার একটি মঙ্গলের অ্যাপ্লিকেশন হিসাবে ভান করে বিশ্লেষণ চেকগুলি বাইপাস করে এবং ব্যবহারকারীর ডিভাইসে ইনস্টল করা হলেই তার ক্ষতিকারক কার্যকারিতা প্রকাশ করে। এই গবেষণাপত্রটি অ্যান্ড্রয়েড অ্যাপ্লিকেশনে ডায়নামিক কোড আপডেটের ব্যবহার এবং ব্যবহারের পদ্ধতি সম্পর্কে একটি পুঙ্খানুপুঙ্খ গবেষণা প্রদান করে। এছাড়াও, আমরা একটি হাইব্রিড বিশ্লেষণ পদ্ধতির প্রস্তাব দিচ্ছি, StaDART, যা স্থির এবং গতিশীল বিশ্লেষণকে একত্রিত করে গতিশীল কোড আপডেটের উপস্থিতিতে অ্যাপ্লিকেশন বিশ্লেষণের জন্য স্থির বিশ্লেষণ কৌশলগুলির অন্তর্নিহিত ত্রুটিগুলি কভার করতে। বাস্তব বিশ্বের অ্যাপ্লিকেশনগুলির উপর আমাদের মূল্যায়নের ফলাফলগুলি স্টাডার্ট এর কার্যকারিতা প্রদর্শন করে। যাইহোক, সাধারণত গতিশীল বিশ্লেষণ, এবং হাইব্রিড বিশ্লেষণও সেই বিষয়ের জন্য, অ্যাপ্লিকেশনটির আচরণকে উদ্দীপিত করার সমস্যা নিয়ে আসে যা স্বয়ংক্রিয় বিশ্লেষণ সরঞ্জামগুলির জন্য একটি অ-বিষয়মূলক চ্যালেঞ্জ। এই লক্ষ্যে, আমরা একটি ব্যাকওয়ার্ড স্লাইসিং ভিত্তিক লক্ষ্যযুক্ত আন্তঃ উপাদান কোড পাথ এক্সিকিউশন কৌশল, টিআইসিসি প্রস্তাব করি। TeICC অ্যাপের একটি লক্ষ্য বিন্দু থেকে শুরু করে কোড পাথগুলি বের করার জন্য একটি ব্যাকওয়ার্ড স্লাইসিং প্রক্রিয়া ব্যবহার করে। এটি একটি সিস্টেম নির্ভরতা গ্রাফ ব্যবহার করে কোড পাথগুলি বের করে যা আন্তঃ উপাদান যোগাযোগ জড়িত। এক্সট্রাক্ট করা কোড পাথগুলিকে তারপর ইনস্ট্রুমেন্টেড করা হয় এবং সংবেদনশীল গতিশীল আচরণ ক্যাপচার করতে, গতিশীল কোড আপডেট এবং অস্পষ্টতা সমাধানের জন্য অ্যাপ্লিকেশন প্রসঙ্গে কার্যকর করা হয়। আমাদের TeICC এর মূল্যায়ন দেখায় যে এটি অ্যান্ড্রয়েড অ্যাপ্লিকেশনের মধ্যে আন্তঃ-উপাদান কোড পাথের লক্ষ্যবস্তু সম্পাদনের জন্য কার্যকরভাবে ব্যবহার করা যেতে পারে। এছাড়াও, এখনও প্রতিপক্ষের ব্যবহারকারীর ডিভাইস পৌঁছানোর সম্ভাবনা বাদ না, আমরা একটি অন ফোন এপিআই হুকিং প্রস্তাব |
5ed4b57999d2a6c28c66341179e2888c9ca96a25 | এই প্রবন্ধে, আমরা এমন এজেন্ট তৈরির লক্ষ্যে কাজ করছি যা জটিল জগতে কাজ করতে শিখতে পারে। আমরা একটি সম্ভাব্যতাবাদী, সম্পর্কীয় পরিকল্পনা নিয়ম প্রতিনিধিত্ব বিকাশ করি যা কম্প্যাক্টভাবে শব্দযুক্ত, নন-ডিটার্মিনিস্টিক অ্যাকশন প্রভাবগুলি মডেল করে এবং দেখায় যে এই জাতীয় নিয়মগুলি কীভাবে কার্যকরভাবে শিখতে পারে। সহজ পরিকল্পনা ডোমেইন এবং বাস্তবসম্মত পদার্থবিজ্ঞানের সাথে একটি 3D সিমুলেটেড ব্লক বিশ্বের মাধ্যমে আমরা পরীক্ষা-নিরীক্ষা করে দেখি যে এই শেখার অ্যালগরিদম এজেন্টদের কার্যকরভাবে বিশ্বের গতিশীলতা মডেল করতে দেয়। |
55c769b5829ca88ba940e0050497f4956c233445 | ভিজ্যুয়াল ওডোমেট্রিকে গভীরতার তথ্য দ্বারা বাড়ানো যেতে পারে যেমন RGB-D ক্যামেরা দ্বারা সরবরাহ করা হয়, অথবা ক্যামেরার সাথে যুক্ত লিডার থেকে। তবে, এই ধরনের গভীরতার তথ্য সেন্সর দ্বারা সীমাবদ্ধ করা যেতে পারে, দৃশ্যমান চিত্রগুলিতে বড় অঞ্চলগুলি ছেড়ে চলে যায় যেখানে গভীরতা পাওয়া যায় না। এখানে, আমরা ক্যামেরা মোশন পুনরুদ্ধারে গভীরতা ব্যবহার করার একটি পদ্ধতি প্রস্তাব করছি, যদিও এটি খুব কমই উপলব্ধ। উপরন্তু, পদ্ধতিটি পূর্বে অনুমান করা গতি ব্যবহার করে গতি থেকে কাঠামোর দ্বারা গভীরতা ব্যবহার করে এবং বিশিষ্ট ভিজ্যুয়াল বৈশিষ্ট্য যা গভীরতা অনুপলব্ধ। এই পদ্ধতিটি RGBD ভিজ্যুয়াল ওডোমেট্রিকে বড় আকারের, খোলা পরিবেশে প্রসারিত করতে সক্ষম যেখানে গভীরতা প্রায়শই পর্যাপ্তভাবে অর্জন করা যায় না। আমাদের পদ্ধতির মূল অংশ হল একটি বান্ডেল অ্যাডজাস্টমেন্ট ধাপ যা একটি ব্যাচ অপ্টিমাইজেশনে ইমেজগুলির একটি ক্রম প্রক্রিয়াকরণের মাধ্যমে সমান্তরালভাবে গতির অনুমানকে পরিমার্জন করে। আমরা আমাদের পদ্ধতিকে তিনটি সেন্সর সেটআপের মধ্যে মূল্যায়ন করেছি, একটি RGB-D ক্যামেরা ব্যবহার করে, এবং দুটি ক্যামেরা এবং একটি 3D লিডার সমন্বয় ব্যবহার করে। আমাদের পদ্ধতিটি স্টেরিও ভিজ্যুয়াল ওডোমেট্রি পদ্ধতির তুলনায়, যা ত্রিভুজবিজ্ঞানের মাধ্যমে গভীরতা পুনরুদ্ধার করে, সেন্সর মোডালিটি নির্বিশেষে কিটিআই ওডোমেট্রি বেঞ্চমার্কে # 4 রেট দেওয়া হয়েছে। এর ফলে গড় অবস্থান ত্রুটিটি ভ্রমণ করা দূরত্বের ১.১৪%। |
0c668ee24d58ecca165f788d40765e79ed615471 | |
9cccd211c9208f790d71fa5b3499d8f827744aa0 | বিভিন্ন শিক্ষাগত সমস্যাগুলি শিক্ষাগত ডেটা মাইনিংয়ের মাধ্যমে সমাধান করা হয়, যা ডেটা মাইনিংয়ের সর্বাধিক প্রচলিত অ্যাপ্লিকেশন। এই গবেষণাপত্রের অন্যতম প্রধান লক্ষ্য হচ্ছে ইডিএম নিয়ে সাম্প্রতিক কাজগুলো অধ্যয়ন করা এবং তাদের সুবিধা ও অসুবিধাগুলো বিশ্লেষণ করা। এই গবেষণাপত্রটি বিভিন্ন ডেটা মাইনিং পদ্ধতি এবং কৌশলগুলির সমষ্টিগত ফলাফলগুলিও তুলে ধরেছে যা জরিপকৃত নিবন্ধগুলিতে প্রয়োগ করা হয়েছে এবং এইভাবে গবেষকদের ইডিএম-এর ভবিষ্যতের দিকনির্দেশের বিষয়ে পরামর্শ দেয়। এছাড়াও, ভবিষ্যতে গবেষণার জন্য সবচেয়ে নির্ভরযোগ্য অ্যালগরিদম পর্যবেক্ষণ করার জন্য একটি পরীক্ষা-নিরীক্ষা করা হয়েছিল। |
197a7fc2f8d57d93727b348851b59b34ce990afd | এসআরআইএলএম হল সি++ লাইব্রেরি, এক্সিকিউটেবল প্রোগ্রাম এবং হেল্পার স্ক্রিপ্টের একটি সংগ্রহ যা বক্তৃতা স্বীকৃতি এবং অন্যান্য অ্যাপ্লিকেশনের জন্য পরিসংখ্যানগত ভাষা মডেলের উত্পাদন এবং পরীক্ষা-নিরীক্ষা উভয়ই করার জন্য ডিজাইন করা হয়েছে। এসআরআইএলএম অ-বাণিজ্যিক উদ্দেশ্যে অবাধে পাওয়া যায়। এই টুলকিটটি এন-গ্রাম পরিসংখ্যানের উপর ভিত্তি করে বিভিন্ন ধরণের ভাষা মডেলের তৈরি এবং মূল্যায়নকে সমর্থন করে, পাশাপাশি বেশ কয়েকটি সম্পর্কিত কাজ যেমন এন-সেরা তালিকা এবং শব্দ গ্রিডের পরিসংখ্যানগত ট্যাগিং এবং ম্যানিপুলেশন। এই কাগজটি টুলকিটের কার্যকারিতা সংক্ষিপ্ত করে এবং এর নকশা এবং বাস্তবায়ন নিয়ে আলোচনা করে, দ্রুত প্রোটোটাইপিংয়ের সহজতা, পুনরায় ব্যবহারযোগ্যতা এবং সরঞ্জামগুলির সংমিশ্রণযোগ্যতার উপর আলোকপাত করে। |
12f661171799cbd899e1ff4ae0a7e2170c3d547b | পরিসংখ্যানগত ভাষার মডেলগুলি বক্তৃতা স্বীকৃতি এবং অন্যান্য ভাষা প্রযুক্তির উদ্দেশ্যে বিভিন্ন প্রাকৃতিক ভাষার ঘটনাগুলির বিতরণ অনুমান করে। ১৯৮০ সালে প্রথম উল্লেখযোগ্য মডেল প্রস্তাবিত হওয়ার পর থেকে, শিল্পের অবস্থা উন্নত করার জন্য অনেক প্রচেষ্টা করা হয়েছে। আমরা তাদের পর্যালোচনা করি, কয়েকটি আশাব্যঞ্জক দিকনির্দেশনা দেখাই এবং তথ্যের সাথে ভাষাগত তত্ত্বের সংহতকরণের জন্য একটি বেয়েসিয়ান পদ্ধতির পক্ষে যুক্তি দেখি। |
395f4b41578c3ff5139ddcf9e90eb60801b50394 | সিএমইউ স্ট্যাটিস্টিক্যাল ল্যাঙ্গুয়েজ মডেলিং টুলকিটটি বিগ্রাম এবং ট্রিগ্রাম ল্যাঙ্গুয়েজ মডেলগুলির নির্মাণ এবং পরীক্ষার সুবিধার্থে পুনরায় ভাড়া দেওয়া হয়েছিল এটি বর্তমানে বিশ্বের বিভিন্ন দেশে একাডেমিক সরকারী এবং শিল্প পরীক্ষাগারে ব্যবহৃত হচ্ছে এই কাগজটি টুলকিটের একটি নতুন সংস্করণ উপস্থাপন করে আমরা টুলকিটে প্রয়োগ করা প্রচলিত ভাষা মডেলিং প্রযুক্তির রূপরেখা দিই এবং এই কাজের জন্য পূর্ববর্তী সফ্টওয়্যারের তুলনায় নতুন টুলকিটটি যে অতিরিক্ত দক্ষতা এবং কার্যকারিতা সরবরাহ করে তা বর্ণনা করি অবশেষে আমরা একটি সহজ ভাষা মডেল নির্মাণ এবং পরীক্ষার জন্য টুলকিটটির ব্যবহারের একটি পরীক্ষা দিই |
0b8f4edf1a7b4d19d47d419f41cde432b9708ab7 | আমরা সিলিকন ভরা সমন্বিত ওয়েভগাইড তৈরির জন্য একটি প্রযুক্তি উপস্থাপন করছি যা কম ক্ষতির উচ্চ-পারফরম্যান্স মিলিমিটার-ওয়েভ প্যাসিভ উপাদান এবং উচ্চ লাভ অ্যারে অ্যান্টেনাগুলিকে উপলব্ধি করতে সক্ষম করে, এইভাবে অত্যন্ত সমন্বিত মিলিমিটার-ওয়েভ সিস্টেমগুলি উপলব্ধি করা সহজ করে তোলে। প্রস্তাবিত প্রযুক্তিতে অ্যালুমিনিয়াম ধাতবীকরণ ধাপের সাথে গভীর প্রতিক্রিয়াশীল-আয়ন-এচটিং (ডিআরআইই) কৌশল ব্যবহার করা হয় যাতে উচ্চ জ্যামিতিক নির্ভুলতা এবং ধ্রুবক ধাতব পাশের দেয়ালের সাথে আয়তক্ষেত্রাকার ওয়েভগাইডগুলিকে একীভূত করা যায়। সমন্বিত আয়তক্ষেত্রাকার ওয়েভগাইডের পরিমাপের ফলাফলগুলি 105 গিগাহার্জেডে 0. 15 ডিবি / এলজি ক্ষতির প্রদর্শন করে। এছাড়াও, অতি-বিশালবন্দর কোপ্লানার থেকে ওয়েভগাইড রূপান্তরগুলি 105 গিগাহার্জেসে 0.6 ডিবি ইনসার্শন ক্ষতি এবং 80 থেকে 110 গিগাহার্জেসে 15 ডিবি এর চেয়ে ভাল রিটার্ন ক্ষতির সাথে বর্ণনা করা হয়েছে এবং বৈশিষ্ট্যযুক্ত করা হয়েছে। একটি ফ্রিকোয়েন্সি স্ক্যানিং স্লটড ওয়েভগাইড অ্যারে অ্যান্টেনার নকশা, ইন্টিগ্রেশন এবং পরিমাপ করা পারফরম্যান্সের প্রতিবেদন দেওয়া হয়েছে, যা 23 গিগাহার্টজ ব্যান্ডের মধ্যে 82 ° এর পরিমাপিত বিম স্টিয়ারিং ক্ষমতা এবং 96 গিগাহার্টজে 8.5 ° এর অর্ধ-ক্ষমতা বিম-প্রস্থ (এইচপিবিডাব্লু) অর্জন করে। অবশেষে, এই প্রযুক্তির ক্ষমতার প্রদর্শন করার জন্য স্বল্প খরচে মিমি-ওয়েভ সিস্টেম স্তরের একীকরণ সহজতর করার জন্য, ইমেজিং রাডার অ্যাপ্লিকেশনগুলির জন্য একটি ফ্রিকোয়েন্সি মডিউলড ক্রমাগত তরঙ্গ (এফএমসিডব্লিউ) ট্রান্সমিটার-রিসিভ আইসি সরাসরি ইন্টিগ্রেটেড অ্যারেতে ফ্লিপ-চিপ মাউন্ট করা হয় এবং পরীক্ষামূলকভাবে বৈশিষ্ট্যযুক্ত। |
31864e13a9b3473ebb07b4f991f0ae3363517244 | এই কাগজটি প্রান্ত সনাক্তকরণের একটি কম্পিউটেশনাল পদ্ধতির বর্ণনা করে। এই পদ্ধতির সাফল্য নির্ভর করে প্রান্তের পয়েন্ট গণনার জন্য একটি বিস্তৃত লক্ষ্যের সংজ্ঞা দেওয়ার উপর। এই লক্ষ্যগুলি সমাধানের ফর্ম সম্পর্কে ন্যূনতম অনুমান করার সময় ডিটেক্টরের পছন্দসই আচরণকে সীমাবদ্ধ করার জন্য যথেষ্ট নির্ভুল হতে হবে। আমরা প্রান্তের একটি শ্রেণীর জন্য সনাক্তকরণ এবং স্থানীয়করণ মানদণ্ড সংজ্ঞায়িত করি এবং অপারেটর ইমপ্লাস প্রতিক্রিয়াতে ফাংশনাল হিসাবে এই মানদণ্ডের জন্য গাণিতিক ফর্মগুলি উপস্থাপন করি। তৃতীয় মানদণ্ডটি যোগ করা হয় যাতে নিশ্চিত করা যায় যে ডিটেক্টরটি একটি একক প্রান্তে শুধুমাত্র একটি প্রতিক্রিয়া দেয়। আমরা সংখ্যাসূচক অপ্টিমাইজেশনের মানদণ্ড ব্যবহার করি বিভিন্ন সাধারণ চিত্রের বৈশিষ্ট্যগুলির জন্য সনাক্তকারীগুলি বের করতে, যার মধ্যে ধাপের প্রান্তগুলি অন্তর্ভুক্ত রয়েছে। বিশ্লেষণকে স্টেপ এজগুলিতে বিশেষীকরণ করার সময়, আমরা দেখতে পাই যে সনাক্তকরণ এবং স্থানীয়করণের পারফরম্যান্সের মধ্যে একটি প্রাকৃতিক অনিশ্চয়তা নীতি রয়েছে, যা দুটি প্রধান লক্ষ্য। এই নীতির সাহায্যে আমরা একটি একক অপারেটর আকৃতি অর্জন করি যা যেকোন স্কেলে সর্বোত্তম। সর্বোত্তম ডিটেক্টরের একটি সহজ আনুমানিক বাস্তবায়ন রয়েছে যেখানে গাউসিয়ান-সমতল চিত্রের গ্রেডিয়েন্ট পরিমাণে প্রান্তগুলি সর্বাধিক চিহ্নিত করা হয়। আমরা এই সহজ ডিটেক্টরকে বিভিন্ন প্রস্থের অপারেটর ব্যবহার করে সম্প্রসারণ করি যাতে ছবিতে সিগন্যাল-টু-শব্দ অনুপাতের পার্থক্য সামলাতে পারি। আমরা একটি সাধারণ পদ্ধতি উপস্থাপন করছি, যাকে বলা হয় বৈশিষ্ট্য সংশ্লেষণ, বিভিন্ন স্কেলে অপারেটরদের কাছ থেকে তথ্যের সূক্ষ্ম থেকে রুক্ষ সংহতকরণের জন্য। শেষ পর্যন্ত আমরা দেখিয়েছি যে, স্টেপ এজ ডিটেক্টরের পারফরম্যান্স যথেষ্ট উন্নতি করে যখন অপারেটর পয়েন্ট স্প্রেড ফাংশনটি প্রান্তে প্রসারিত হয়। |
b41c45b2ca0c38a4514f0779395ebdf3d34cecc0 | |
7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e | মুখগুলো জটিল, বহুমাত্রিক, অর্থপূর্ণ চাক্ষুষ উদ্দীপনার প্রতিনিধিত্ব করে এবং মুখের স্বীকৃতির জন্য একটি কম্পিউটেশনাল মডেল তৈরি করা কঠিন [৪২]। আমরা একটি হাইব্রিড নিউরাল নেটওয়ার্ক সমাধান উপস্থাপন করছি যা অন্যান্য পদ্ধতির সাথে অনুকূলভাবে তুলনা করে। এই সিস্টেমটি স্থানীয় চিত্রের নমুনা, একটি স্ব-সংগঠিত মানচিত্র নিউরাল নেটওয়ার্ক এবং একটি কনভোলুশনাল নিউরাল নেটওয়ার্ককে একত্রিত করে। স্ব-সংগঠিত মানচিত্রটি একটি টপোলজিকাল স্পেসে ইমেজ নমুনার একটি কোয়ান্টাইজেশন প্রদান করে যেখানে মূল স্পেসে থাকা ইনপুটগুলি আউটপুট স্পেসেও কাছাকাছি থাকে, যার ফলে ইমেজ নমুনার ক্ষুদ্র পরিবর্তনগুলিতে মাত্রা সংযোজন এবং অস্থিরতা প্রদান করে এবং কনভোলুশনাল নিউরাল নেটওয়ার্ক অনুবাদ, ঘূর্ণন, স্কেল এবং বিকৃতিতে আংশিক অস্থিরতা সরবরাহ করে। কনভোলুশনাল নেটওয়ার্ক লেয়ারের একটি শ্রেণিবদ্ধ সেটে ধারাবাহিকভাবে বড় বৈশিষ্ট্যগুলি বের করে। আমরা স্বয়ং-সংগঠিত মানচিত্রের পরিবর্তে কারহুনেন-লোয়েভ ট্রান্সফর্ম ব্যবহার করে এবং কনভলুশনাল নেটওয়ার্কের পরিবর্তে একটি মাল্টি-লেয়ার পার্সপ্ট্রন ব্যবহার করে ফলাফল উপস্থাপন করি। কারহুনেন-লোয়েভ ট্রান্সফর্মার প্রায় একই রকম কাজ করে (৫.৩% ত্রুটি বনাম ৩.৮%) । মাল্টি-লেয়ার পার্সপ্ট্রন খুব খারাপভাবে কাজ করে (৩.৮% এর বিপরীতে ৪০% ত্রুটি) । এই পদ্ধতিটি দ্রুত শ্রেণীবিভাগের জন্য সক্ষম, শুধুমাত্র দ্রুত, আনুমানিক নরমালাইজেশন এবং প্রাক প্রক্রিয়াকরণের প্রয়োজন, এবং নিয়মিতভাবে ডেটাবেসে স্বতন্ত্র মুখের পদ্ধতির তুলনায় শ্রেণীবিভাগের ভাল পারফরম্যান্স প্রদর্শন করে [42] বিবেচনা করা হয় যেহেতু প্রশিক্ষণ ডাটাবেসে প্রতি ব্যক্তির চিত্রের সংখ্যা 1 থেকে 5 পর্যন্ত পরিবর্তিত হয়। প্রতি ব্যক্তির ৫ টি ইমেজ সহ প্রস্তাবিত পদ্ধতি এবং স্বতন্ত্র পৃষ্ঠের ফলস্বরূপ যথাক্রমে ৩.৮% এবং ১০.৫% ত্রুটি হয়। এই স্বীকৃতি তার আউটপুটের উপর আস্থা প্রদান করে এবং শ্রেণীবিভাগের ত্রুটি শূন্যের কাছাকাছি যখন 10% উদাহরণ প্রত্যাখ্যান করা হয়। আমরা ৪০ জন ব্যক্তির ৪০০টি ছবির একটি ডাটাবেস ব্যবহার করি যার মধ্যে উচ্চ মাত্রার পরিবর্তনশীলতা রয়েছে, যেমন মুখের ভাব, ভঙ্গি এবং মুখের বিবরণ। আমরা কম্পিউটেশনাল জটিলতা বিশ্লেষণ করি এবং প্রশিক্ষিত স্বীকৃতিতে নতুন শ্রেণি কীভাবে যুক্ত করা যায় তা নিয়ে আলোচনা করি। |
5dd9dc47c4acc9ea3e597751194db52119398ac6 | শিফট রেজিস্টার হল এক ধরনের ক্রমিক লজিক সার্কিট যা মূলত ডিজিটাল ডেটা সংরক্ষণ বা সিস্টেমের নিরাপত্তা উন্নত করতে রেডিও ফ্রিকোয়েন্সি আইডেন্টিফিকেশন (আরএফআইডি) অ্যাপ্লিকেশনে বাইনারি নম্বর আকারে ডেটা স্থানান্তর করার জন্য ব্যবহৃত হয়। এই নিবন্ধে একটি নতুন ফ্লিপ-ফ্লপ ব্যবহার করে একটি শক্তি-দক্ষ শিফট রেজিস্টার উপস্থাপন করা হয়েছে যার সাথে একটি অন্তর্নিহিত পালস-ট্রিগারড কাঠামো রয়েছে। প্রস্তাবিত ফ্লিপ-ফ্লপের উচ্চ কার্যকারিতা এবং কম শক্তির বৈশিষ্ট্য রয়েছে। এটি পাঁচটি ট্রানজিস্টর দ্বারা বাস্তবায়িত একটি নমুনা সার্কিট, উত্থান এবং পতনের পথের জন্য একটি সি-এলিমেন্ট এবং একটি রক্ষক পর্যায় নিয়ে গঠিত। একটি ট্রানজিশন কন্ডিশন টেকনিকের সাথে চারটি ক্লকড ট্রানজিস্টর একসাথে চালিয়ে গতি বাড়ানো হয়। সিমুলেশন ফলাফল নিশ্চিত করে যে প্রস্তাবিত টপোলজিটি যথাক্রমে 22.97 এবং 22.7071 nW এর সর্বনিম্ন শক্তি খরচ করে যা যথাক্রমে 22 μm2 চিপ এলাকা জুড়ে সমান্তরাল ইন-সমান্তরাল আউট (পিআইপিও) এবং সিরিয়াল ইন-সিরিয়াল আউট (এসআইএসও) শিফট রেজিস্টারের জন্য। সামগ্রিক নকশাটি মাত্র ১৬ টি ট্রানজিস্টর নিয়ে গঠিত এবং ১.২ ভি পাওয়ার সাপ্লাই সহ ১৩০ এনএম কম্প্লিমেন্টারি-মেটাল-অক্সাইড-সেমিকন্ডাক্টর (সিএমওএস) প্রযুক্তিতে সিমুলেট করা হয়েছে। |
d76beb59a23c01c9bec1940c4cec1ca26e00480a | বায়ুসেনা গবেষণা পরীক্ষাগার দুটি ব্রেইন-কম্পিউটার ইন্টারফেস (বিসিআই) বাস্তবায়ন ও মূল্যায়ন করেছে যা স্থির-রাষ্ট্রের চাক্ষুষ উত্তোলিত প্রতিক্রিয়াকে একটি শারীরিক ডিভাইস বা কম্পিউটার প্রোগ্রাম পরিচালনার জন্য একটি নিয়ন্ত্রণ সংকেতে অনুবাদ করে। এক পদ্ধতিতে, অপারেটররা মস্তিষ্কের প্রতিক্রিয়া স্ব-নিয়ন্ত্রিত করে; অন্য পদ্ধতিতে একাধিক উদ্দীপিত প্রতিক্রিয়া ব্যবহার করা হয়। |
8a65dc637d39c14323dccd5cbcc08eed2553880e | এই নিবন্ধে দক্ষিণ আফ্রিকার জেলা ব্যবস্থাপনার জন্য স্বাস্থ্য তথ্য ব্যবস্থা গড়ে তোলার জন্য চলমান একটি অ্যাকশন রিসার্চ প্রকল্পের প্রাথমিক সময়কাল (১৯৯৪-২০০১) বর্ণনা করা হয়েছে। দক্ষিণ আফ্রিকার স্বাস্থ্য খাতের পুনর্গঠন, স্বাস্থ্যসেবা প্রদানের ক্ষেত্রে ন্যায়বিচারের জন্য এবং স্বাস্থ্য জেলার উপর ভিত্তি করে একটি বিকেন্দ্রীভূত কাঠামো তৈরির জন্য সংগ্রাম করা। তথ্য ব্যবস্থা (আইএস) উন্নয়নের ক্ষেত্রে, এই সংস্কার প্রক্রিয়াটি স্বাস্থ্য তথ্যের মানকীকরণে অনুবাদ করে যা স্থানীয় নিয়ন্ত্রণ এবং তথ্য পরিচালনার একীকরণকে উন্নত করে নতুন দক্ষিণ আফ্রিকার লক্ষ্যগুলিকে অন্তর্ভুক্ত করে। আমরা কর্ম গবেষণা আমাদের পদ্ধতির বর্ণনা এবং কেস উপাদান বিশ্লেষণ এ অভিনেতা-নেটওয়ার্ক এবং কাঠামোগত তত্ত্ব থেকে ধারণা ব্যবহার। আইএস বিকাশের প্রক্রিয়াটির বিস্তারিত বর্ণনা এবং বিশ্লেষণে আমরা মানকীকরণ এবং স্থানীয় স্থিতিশীলতা (স্থানীয়করণ) এর ভারসাম্য বজায় রাখার প্রয়োজনীয়তার উপর জোর দিয়েছি; মানকীকরণকে এইভাবে বৈষম্যপূর্ণ অভিনেতাদের একটি অ্যারে নীচে থেকে সারিবদ্ধ হিসাবে দেখা হয়। তথ্য ব্যবস্থাগুলির একটি সামাজিক সিস্টেম মডেলের উপর ভিত্তি করে, আমরা আইএস ডিজাইন কৌশলটি বিকাশ ও ব্যবহার করি এমন প্রক্রিয়াগুলির চাষ হিসাবে যা এই অভিনেতাদের অনুবাদ এবং তাদের স্বার্থকে সারিবদ্ধ করে। আমরা একটি কাঠামো হিসাবে বিশ্বব্যাপী এবং স্থানীয় ডেটাসেটের একটি মডুলার শ্রেণিবিন্যাস বিকাশ করি যার মধ্যে মানককরণ এবং স্থানীয়করণের মধ্যে উত্তেজনা বোঝা এবং সম্বোধন করা যেতে পারে। অবশেষে, আমরা অন্যান্য দেশে গবেষণার ফলাফলের সম্ভাব্য প্রাসঙ্গিকতা নিয়ে আলোচনা করি। |
600434c6255c160b53ad26912c1c0b96f0d48ce6 | র্যান্ডম ফরেস্ট একটি কম্পিউটেশনাল দক্ষ কৌশল যা বড় ডেটাসেটে দ্রুত কাজ করতে পারে। এটি বিভিন্ন ক্ষেত্রে সাম্প্রতিক অনেক গবেষণা প্রকল্প এবং বাস্তব-বিশ্বের অ্যাপ্লিকেশনগুলিতে ব্যবহৃত হয়েছে। তবে, এলোমেলো বন তৈরি করতে কত গাছ ব্যবহার করা উচিত সে সম্পর্কে সম্পর্কিত সাহিত্যে প্রায় কোনও নির্দেশনা নেই। এখানে রিপোর্ট করা গবেষণায় বিশ্লেষণ করা হয়েছে যে র্যান্ডম ফরেস্টের মধ্যে সর্বোত্তম সংখ্যক গাছ আছে কিনা, অর্থাৎ, একটি প্রান্তিক যার থেকে গাছের সংখ্যা বৃদ্ধি করা কোনও উল্লেখযোগ্য পারফরম্যান্স লাভ আনবে না, এবং কেবলমাত্র গণনা ব্যয় বাড়িয়ে তুলবে। আমাদের মূল সিদ্ধান্তগুলো হচ্ছে: গাছের সংখ্যা বাড়ার সাথে সাথে এর অর্থ এই নয় যে, আগের বনের তুলনায় বনের পারফরম্যান্স অনেকটাই ভালো (কম গাছ) এবং গাছের সংখ্যা দ্বিগুণ করার কোন মূল্য নেই। এটিও বলা সম্ভব যে একটি প্রান্তিক আছে যার বাইরে কোন উল্লেখযোগ্য লাভ নেই, যদি না একটি বিশাল কম্পিউটেশনাল পরিবেশ পাওয়া যায়। এছাড়া, কোন বনে গাছের সংখ্যা দ্বিগুণ করার সময় AUC বৃদ্ধিতে একটি পরীক্ষামূলক সম্পর্ক পাওয়া গেছে। উপরন্তু, গাছের সংখ্যা বাড়ার সাথে সাথে, এলোমেলো বনের মধ্যে বৈশিষ্ট্যগুলির সম্পূর্ণ সেট ব্যবহার করা হয়, যা বায়োমেডিক্যাল ডোমেইনে আকর্ষণীয় নাও হতে পারে। এছাড়াও, ডেটাসেটগুলি এখানে প্রস্তাবিত ঘনত্ব-ভিত্তিক মেট্রিকগুলি সম্ভবত সিদ্ধান্তের গাছগুলিতে ভিসি মাত্রার কিছু দিক ক্যাপচার করে এবং কম ঘনত্বের ডেটাসেটগুলির জন্য বড় ক্ষমতা মেশিনের প্রয়োজন হতে পারে, যখন বিপরীতটিও সত্য বলে মনে হয়। |
4cbadc5f4afe9ac178fd14a6875ef1956a528313 | গত কয়েক বছরে প্রযুক্তির অগ্রগতিতে ছোট ছোট সেন্সর নোডগুলিকে ইন্টারনেটের বাকি অংশের সাথে ওয়্যারলেস যোগাযোগ করা সম্ভব হয়েছে। এই সাফল্যের সাথে সাথে আইপি-সক্ষম ওয়্যারলেস সেন্সর নেটওয়ার্ক (আইপি-ডব্লিউএসএন) সুরক্ষিত করার প্রশ্নটি উঠে আসে এবং তখন থেকেই এটি একটি গুরুত্বপূর্ণ গবেষণা বিষয় হয়ে দাঁড়িয়েছে। এই থিসিসে আমরা কনটিকি অপারেটিং সিস্টেমের জন্য প্রি-শেয়ারড কী সিফার স্যুট (TLS PSK WITH AES 128 CCM 8) ব্যবহার করে TLS এবং DTLS প্রোটোকলগুলির আমাদের বাস্তবায়ন নিয়ে আলোচনা করব। কনটিকো অপারেটিং সিস্টেম দ্বারা সমর্থিত প্রোটোকলগুলির সেটটিতে একটি নতুন প্রোটোকল যোগ করার পাশাপাশি, এই প্রকল্পটি আমাদেরকে ট্রান্সপোর্ট-লেয়ার নিরাপত্তা এবং প্রাক-ভাগ করা কী ম্যানেজমেন্ট স্কিমগুলি আইপি-ডাব্লুএসএনগুলির জন্য কতটা উপযুক্ত তা মূল্যায়ন করতে দেয়। |
0ab99aa04e3a8340a7552355fb547374a5604b24 | অনেক নির্ণয়ের কাজগুলোতে অস্বাভাবিকতা সনাক্তকরণ এবং সময়ের সাথে সাথে পরিমাপ ও পরিবর্তনগুলি পরিমাপ করার জন্য প্রাথমিক অনুসন্ধান প্রক্রিয়া প্রয়োজন। কম্পিউটারাইজড সরঞ্জাম, বিশেষ করে ইমেজ অ্যানালিসিস এবং মেশিন লার্নিং, রোগ নির্ণয়ের উন্নতিতে সহায়ক, কারণ এটি চিকিত্সার প্রয়োজন এমন ফলাফলগুলি সনাক্তকরণ এবং বিশেষজ্ঞের কাজের প্রবাহকে সহায়তা করে। এই সরঞ্জামগুলির মধ্যে, গভীর শিক্ষা দ্রুত প্রমাণিত হচ্ছে যে এটিই সর্বশেষতম ভিত্তি, যা উন্নত নির্ভুলতার দিকে পরিচালিত করে। তথ্য বিশ্লেষণের ক্ষেত্রেও নতুন নতুন পথ উন্মুক্ত হয়েছে, যা এর আগে কখনো হয়নি। সাধারণ তথ্য বিশ্লেষণে ইইপি শেখার প্রবণতা ক্রমবর্ধমান এবং এটিকে ২০১৩ সালের ১০ টি যুগান্তকারী প্রযুক্তির মধ্যে একটি হিসাবে অভিহিত করা হয়েছে। [1] গভীর শিক্ষা হল কৃত্রিম নিউরাল নেটওয়ার্কগুলির একটি উন্নতি, যা আরও স্তর নিয়ে গঠিত যা উচ্চ স্তরের বিমূর্ততা এবং ডেটা থেকে উন্নত ভবিষ্যদ্বাণী করার অনুমতি দেয় [2]। আজ পর্যন্ত, এটি সাধারণ ইমেজিং এবং কম্পিউটার ভিশন ডোমেনগুলিতে শীর্ষস্থানীয় মেশিন লার্নিং সরঞ্জাম হিসাবে আবির্ভূত হচ্ছে। বিশেষ করে, কনভলুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) কম্পিউটার ভিশন কাজের বিস্তৃত পরিসরের জন্য শক্তিশালী সরঞ্জাম হিসাবে প্রমাণিত হয়েছে। গভীর সিএনএন স্বয়ংক্রিয়ভাবে কাঁচা তথ্য (যেমন, চিত্র) থেকে প্রাপ্ত মধ্য-স্তর এবং উচ্চ-স্তরের বিমূর্ততা শিখতে পারে। সাম্প্রতিক ফলাফলগুলো থেকে জানা যায় যে, সিএনএন থেকে প্রাপ্ত সাধারণ বর্ণনাকারীগুলো প্রাকৃতিক চিত্রের মধ্যে বস্তু স্বীকৃতি এবং স্থানীয়করণে অত্যন্ত কার্যকর। সারা বিশ্বের চিকিৎসা চিত্র বিশ্লেষণ দল দ্রুত এই ক্ষেত্রে প্রবেশ করছে এবং বিভিন্ন অ্যাপ্লিকেশনে সিএনএন এবং অন্যান্য গভীর শিক্ষণ পদ্ধতি প্রয়োগ করছে। আশাব্যঞ্জক ফলাফল পাওয়া যাচ্ছে। মেডিকেল ইমেজিংয়ের ক্ষেত্রে, রোগের সঠিক নির্ণয় এবং/অথবা মূল্যায়ন ইমেজ অধিগ্রহণ এবং ইমেজ ব্যাখ্যা উভয়ের উপর নির্ভর করে। সাম্প্রতিক বছরগুলোতে ইমেজ অধিগ্রহণের ক্ষেত্রে উল্লেখযোগ্য উন্নতি হয়েছে, যেখানে ডিভাইসগুলো দ্রুত গতিতে এবং বর্ধিত রেজোলিউশনে তথ্য সংগ্রহ করছে। তবে ছবি ব্যাখ্যা করার প্রক্রিয়াটি সম্প্রতি কম্পিউটার প্রযুক্তির সুবিধা নিতে শুরু করেছে। চিকিৎসা বিষয়ক চিত্রের বেশিরভাগ ব্যাখ্যা চিকিৎসক দ্বারা করা হয়; তবে, মানুষের দ্বারা চিত্রের ব্যাখ্যা তার বিষয়গততা, দোভাষীদের মধ্যে বড় বৈচিত্র্য এবং ক্লান্তির কারণে সীমাবদ্ধ। |
5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70 | অনিয়ন্ত্রিত চিত্র অনুবাদ, যার লক্ষ্য দুটি স্বাধীন চিত্রের সেট অনুবাদ করা, জোড়া তথ্য ছাড়া সঠিক চিঠিপত্র আবিষ্কারে চ্যালেঞ্জিং। বিদ্যমান কাজগুলি জেনারেটিভ অ্যাডভার্সারিয়াল নেটওয়ার্ক (জিএএন) এর উপর ভিত্তি করে তৈরি করা হয় যাতে অনুবাদিত চিত্রগুলির বিতরণ লক্ষ্য সেটের বিতরণ থেকে আলাদা না হয়। যাইহোক, এই ধরনের সেট-স্তরের সীমাবদ্ধতা ইনস্ট্যান্স-স্তরের চিঠিপত্রগুলি (যেমন বস্তুর রূপান্তর কার্যের মধ্যে সমন্বিত শব্দার্থিক অংশ) । এই সীমাবদ্ধতা প্রায়ই মিথ্যা ইতিবাচক ফলাফল (যেমন জ্যামিতিক বা শব্দার্থিক নিদর্শন), এবং আরও মোড পতন সমস্যা বাড়ে। উপরের সমস্যাগুলি সমাধানের জন্য, আমরা ডিপ এটেন্সন গ্যান (ডিএ-গ্যান) দ্বারা উদাহরণ-স্তরের চিত্র অনুবাদের জন্য একটি নতুন কাঠামো প্রস্তাব করি। এই ধরনের নকশা DA-GAN কে দুটি সেট থেকে নমুনা অনুবাদ করার কাজকে একটি অত্যন্ত কাঠামোগত ল্যাটিন স্পেসে অনুবাদ করার ক্ষেত্রে বিভাজন করতে সক্ষম করে। বিশেষ করে, আমরা যৌথভাবে একটি গভীর মনোযোগ এনকোডার শিখতে, এবং দৃষ্টান্ত-স্তরের চিঠিপত্রের ফলে শিখেছি দৃষ্টান্তের উপর অংশগ্রহণের মাধ্যমে আবিষ্কৃত হতে পারে। সুতরাং, এই সীমাবদ্ধতা সেট-স্তর এবং ইনস্ট্যান্স-স্তর উভয় ক্ষেত্রেই ব্যবহার করা যেতে পারে। বিভিন্ন অত্যাধুনিক প্রযুক্তির সাথে তুলনা আমাদের পদ্ধতির শ্রেষ্ঠত্বের প্রমাণ দেয় এবং এর ব্যাপক প্রয়োগের ক্ষমতা যেমন পোজ মর্ফিং, ডেটা এগমেন্টেশন ইত্যাদি ডোমেইন ট্রান্সলেশন সমস্যার প্রান্তিকতাকে আরও বাড়িয়ে তোলে। |
f1526054914997591ffdb8cd523bea219ce7a26e | চলতি বছরের মার্চ মাসে আমেরিকান স্ট্যাটিস্টিক্যাল অ্যাসোসিয়েশন (এএসএ) পি-মানের সঠিক ব্যবহারের বিষয়ে একটি বিবৃতি প্রকাশ করেছে, যেহেতু পি-মানটি সাধারণত ভুলভাবে ব্যবহার করা হয় এবং ভুল ব্যাখ্যা করা হয়। আমাদের লক্ষ্য হচ্ছে এএসএ কর্তৃক প্রদত্ত এই সতর্কবাণীগুলোকে এমন ভাষায় অনুবাদ করা যা পরিসংখ্যানের গভীর ব্যাকগ্রাউন্ড ছাড়া ক্লিনিকাল ও গবেষকরা সহজেই বুঝতে পারবেন। এছাড়াও, আমরা পি-মানের সীমাবদ্ধতা তুলে ধরতে চাই, এমনকি যখন সঠিকভাবে ব্যবহার এবং ব্যাখ্যা করা হয়, এবং দুটি সম্প্রতি রিপোর্ট করা গবেষণার উদাহরণ হিসাবে গবেষণার ফলাফলের ক্লিনিকাল প্রাসঙ্গিকতার দিকে আরও মনোযোগ দিতে চাই। আমরা যুক্তি দিচ্ছি যে পি-মান প্রায়ই ভুল ব্যাখ্যা করা হয়। একটি সাধারণ ভুল হল P < 0.05 মানে হল যে শূন্য অনুমানটি মিথ্যা, এবং P ≥0.05 মানে শূন্য অনুমানটি সত্য। 0.05 এর একটি পি-মানের সঠিক ব্যাখ্যা হল যে যদি শূন্য অনুমানটি সত্যই সত্য হয়, তবে একই নমুনায় অধ্যয়ন পুনরাবৃত্তি করার সময় 5% সময় একই বা আরও চরম ফলাফল দেখা দেবে। অন্য কথায়, পি-মান শূন্য অনুমান দেওয়া তথ্যের সম্ভাব্যতা সম্পর্কে অবহিত করে এবং অন্যভাবে নয়। P-মানের সাথে সম্পর্কিত একটি সম্ভাব্য বিকল্প হল আস্থা ব্যবধান (CI) । এটি একটি প্রভাবের মাত্রা এবং যে প্রভাবটি অনুমান করা হয়েছিল তার অনিশ্চয়তা সম্পর্কে আরও তথ্য সরবরাহ করে। তবে, পি-মানের পরিবর্তে আর কোন যাদুকরী উপায় নেই এবং বৈজ্ঞানিক ফলাফলের ভুল ব্যাখ্যা বন্ধ করা যায় না। বিজ্ঞানী এবং পাঠকদের উভয়কেই পরিসংখ্যানগত পরীক্ষা, পি-মান এবং সিআই এর সঠিক, সূক্ষ্ম ব্যাখ্যা সম্পর্কে নিজেদের পরিচিত করা উচিত। |
50ca90bc847694a7a2d9a291f0d903a15e408481 | আমরা মানুষের অঙ্গভঙ্গি স্বীকৃতির জন্য একটি সাধারণ পদ্ধতির প্রস্তাব দিচ্ছি যা একাধিক ডেটা মোডালাইজেশনের উপর ভিত্তি করে যেমন গভীরতার ভিডিও, সুস্পষ্ট পোজ এবং বক্তৃতা। আমাদের সিস্টেমে, প্রতিটি অঙ্গভঙ্গিকে বড় আকারের শরীরের গতি এবং স্থানীয় সূক্ষ্ম গতির মধ্যে বিভক্ত করা হয় যেমন হাতের আঙ্গুলের মতো। একাধিক স্কেলে শেখার ধারণাটি সময়ের মাত্রায়ও প্রয়োগ করা হয়, যেমন একটি অঙ্গভঙ্গিকে বৈশিষ্ট্যযুক্ত গতির প্রেরণাগুলির একটি সেট বা গতিশীল পোজ হিসাবে বিবেচনা করা হয়। প্রতিটি মোডালিটি প্রথমে স্বল্পস্থায়ী-সময়ের ব্লকে পৃথকভাবে প্রক্রিয়া করা হয়, যেখানে বৈষম্যমূলক ডেটা-নির্দিষ্ট বৈশিষ্ট্যগুলি হয় ম্যানুয়ালি বের করা হয় বা শিখে নেওয়া হয়। অবশেষে, আমরা একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক ব্যবহার করি বড় আকারের টাইমোরাল নির্ভরতা মডেলিং, ডেটা ফিউশন এবং শেষ পর্যন্ত অঙ্গভঙ্গি শ্রেণীবিভাগের জন্য। মাল্টিমোডাল জেস্ট রিকগনিশন ডেটাসেটের উপর ২০১৩ সালের চ্যালেঞ্জের উপর আমাদের পরীক্ষা-নিরীক্ষা দেখিয়েছে যে বেশ কয়েকটি স্থানিক এবং সময়কালীন স্কেলে একাধিক মোডাল ব্যবহারের ফলে পারফরম্যান্সের উল্লেখযোগ্য বৃদ্ধি ঘটে যা মডেলকে পৃথক শ্রেণিবদ্ধকরণের ত্রুটিগুলির পাশাপাশি পৃথক চ্যানেলে গোলমালের ক্ষতিপূরণ দিতে দেয়। |
586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6 | আমরা একটি সুপারভাইজড পদ্ধতি উপস্থাপন করছি যা ক্ষুদ্র বৈশিষ্ট্য সনাক্তকারীগুলির একটি শ্রেণিবিন্যাস শেখার জন্য যা ছোট স্থানান্তর এবং বিকৃতিতে অপরিবর্তনীয়। ফলস্বরূপ বৈশিষ্ট্য এক্সট্রাক্টরটি একাধিক কনভোলশন ফিল্টার নিয়ে গঠিত, তারপরে একটি বৈশিষ্ট্য-পুলিং স্তর যা সংলগ্ন উইন্ডোগুলির মধ্যে প্রতিটি ফিল্টার আউটপুটের সর্বোচ্চ গণনা করে এবং একটি পয়েন্ট-ওয়াইস সিগময়েড অ-রেখার। প্রথম স্তরের বৈশিষ্ট্যগুলির প্যাচগুলিতে একই অ্যালগরিদমকে প্রশিক্ষণ দিয়ে বৃহত্তর এবং আরও অপরিবর্তনীয় বৈশিষ্ট্যগুলির একটি দ্বিতীয় স্তর পাওয়া যায়। এই বৈশিষ্ট্যগুলির উপর তত্ত্বাবধানে শ্রেণিবদ্ধকরণকারীকে প্রশিক্ষণ দেওয়া এমএনআইএসটি-তে 0.64% ত্রুটি এবং ক্যালটেক 101 এ গড় স্বীকৃতি হার 54% প্রদান করে যার মধ্যে প্রতি বিভাগে 30 টি প্রশিক্ষণ নমুনা রয়েছে। যদিও এর ফলে যে আর্কিটেকচারটি তৈরি হয় তা কনভোলুশনাল নেটওয়ার্কের মতো, স্তর-বুদ্ধিমান অনিয়ন্ত্রিত প্রশিক্ষণ পদ্ধতিটি বিশুদ্ধভাবে তত্ত্বাবধানে শেখার পদ্ধতিগুলিকে আক্রান্ত করে এমন অতিরিক্ত-প্যারামিটারাইজেশন সমস্যাগুলিকে সহজ করে দেয় এবং খুব কম লেবেলযুক্ত প্রশিক্ষণ নমুনার সাথে ভাল পারফরম্যান্স দেয়। |
80bcfbb1a30149e636ff1a08aeb715dad6dd9285 | এই গবেষণায় দুটি উচ্চ দক্ষতাসম্পন্ন কা-ব্যান্ড পাওয়ার এম্প্লিফায়ার এমএমআইসি-র নকশা ও কার্যকারিতা উপস্থাপন করা হয়েছে। ৩-পর্যায়ের সুষম পরিবর্ধকটির জন্য পরিমাপ করা ইন-ফিক্সচার ক্রমাগত তরঙ্গ (সিডব্লিউ) ফলাফলগুলি ১১ গিগাহার্টজ এ 30W পর্যন্ত আউটপুট শক্তি এবং 30% পাওয়ার অ্যাডড এফিশিয়েন্সি (পিএই) প্রদর্শন করে। তিন স্তরের একক-শেষ নকশা 6W এর বেশি আউটপুট শক্তি এবং 34% পর্যন্ত PAE উত্পাদিত। ভারসাম্যপূর্ণ এবং একক-শেষ MMICs জন্য ডাই আকার যথাক্রমে 3.24 × 3.60mm2 এবং 1.74 × 3.24mm2 হয়। |
284de726e700a6c52f9f8fb9f3de4d4b0ff778bb | পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) স্বাভাবিকভাবেই বক্তৃতা স্বীকৃতির জন্য উপযুক্ত কারণ তাদের গতিশীল পরিবর্তনশীল সাময়িক তথ্য ব্যবহার করার ক্ষমতা রয়েছে। ডিপ আরএনএনগুলিকে বিভিন্ন সময়সূচীতে আংশিক সম্পর্ক মডেল করতে সক্ষম বলে যুক্তিযুক্ত করা হয়েছে, তবে অদৃশ্য হয়ে যাওয়া গ্রেডিয়েন্ট সমস্যা রয়েছে। এই গবেষণাপত্রে, আমরা স্ট্যাকড লং শর্ট-টার্ম মেমরি (এলএসটিএম) আরএনএনগুলিকে গ্রিড এলএসটিএম ব্লক ব্যবহার করে প্রসারিত করি যা কেবলমাত্র সাময়িক মাত্রা নয়, গভীরতার মাত্রা সহ গণনাগুলিকে সূত্রপাত করে, এই সমস্যাটি হ্রাস করার জন্য। উপরন্তু, আমরা গভীরতা মাত্রা একটি সময়গত এক উপর অগ্রাধিকার গভীরতা মাত্রা আরো আপডেট তথ্য প্রদান, যেহেতু এটি থেকে আউটপুট শ্রেণীবিভাগ জন্য ব্যবহার করা হবে। আমরা এই মডেলকে অগ্রাধিকারযুক্ত গ্রিড এলএসটিএম (পিজিএলএসটিএম) বলি। চারটি বড় ডেটাসেট (এএমআই, এইচকিউএসটি, গ্যাল এবং এমজিবি) এর উপর বিস্তৃত পরীক্ষাগুলি ইঙ্গিত দেয় যে পিজিএলএসটিএম বিকল্প গভীর এলএসটিএম মডেলগুলিকে ছাড়িয়ে যায়, স্ট্যাকড এলএসটিএমগুলিকে 4% থেকে 7% আপেক্ষিক উন্নতি দিয়ে পরাজিত করে এবং সমস্ত ডেটাসেটে এক-দিকনির্দেশমূলক মডেলগুলির মধ্যে নতুন মানদণ্ড অর্জন করে। |
Subsets and Splits