_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
2f991be8d35e4c1a45bfb0d646673b1ef5239a1f | મશીન લર્નિંગ મોડેલો જે રીતે વર્તે છે તે સમજવું એ સિસ્ટમના ડિઝાઇનર્સ અને અંતિમ વપરાશકર્તાઓને ઘણી રીતે સશક્ત બનાવે છેઃ મોડેલની પસંદગીમાં, સુવિધા એન્જિનિયરિંગમાં, આગાહીઓ પર વિશ્વાસ કરવા અને કાર્ય કરવા માટે, અને વધુ સાહજિક વપરાશકર્તા ઇન્ટરફેસોમાં. આમ, મશીન લર્નિંગમાં અર્થઘટન એક મહત્વપૂર્ણ ચિંતા બની ગયું છે, અને અર્થઘટન મોડેલ્સના ક્ષેત્રમાં કામ કરવા માટે નવીનતમ રસ મળ્યો છે. કેટલીક એપ્લિકેશન્સમાં, આવા મોડેલો બિન-અર્થઘટનક્ષમ છે તેટલા ચોક્કસ છે, અને તેથી તેમની પારદર્શિતા માટે પસંદ કરવામાં આવે છે. જ્યારે તે સચોટ ન હોય ત્યારે પણ, જ્યારે અર્થઘટન સૌથી વધુ મહત્વની હોય ત્યારે તે હજુ પણ પસંદ કરી શકાય છે. જો કે, અર્થઘટન કરી શકાય તેવા મોડેલોમાં મશીન શિક્ષણને મર્યાદિત કરવું એ ઘણી વખત ગંભીર મર્યાદા છે. આ કાગળમાં આપણે મશીન લર્નિંગની આગાહીઓને મોડલ-અજ્ઞાની અભિગમોનો ઉપયોગ કરીને સમજાવવા માટે દલીલ કરીએ છીએ. મશીન લર્નિંગ મોડલ્સને બ્લેકબોક્સ ફંક્શન્સ તરીકે સારવાર કરીને, આ અભિગમો મોડેલ્સ, સમજૂતીઓ અને પ્રતિનિધિત્વની પસંદગીમાં નિર્ણાયક સુગમતા પ્રદાન કરે છે, વિવિધ વપરાશકર્તાઓ અને મોડેલો માટે ડિબગીંગ, સરખામણી અને ઇન્ટરફેસોમાં સુધારો કરે છે. અમે આવી પદ્ધતિઓ માટે મુખ્ય પડકારો પણ દર્શાવે છે, અને તાજેતરમાં રજૂ કરાયેલ મોડેલ-અજ્ઞાની સમજૂતી અભિગમ (LIME) ની સમીક્ષા કરીએ છીએ જે આ પડકારોને સંબોધિત કરે છે. |
546add32740ac350dda44bab06f56d4e206622ab | ડીપ ન્યુરલ નેટવર્કોએ છબી વર્ગીકરણમાં પ્રભાવશાળી પ્રાયોગિક પરિણામો પ્રાપ્ત કર્યા છે, પરંતુ આશ્ચર્યજનક રીતે વિરોધી વિક્ષેપોના સંદર્ભમાં અસ્થિર હોઈ શકે છે, એટલે કે, ઇનપુટ છબીમાં ન્યૂનતમ ફેરફારો કે જે નેટવર્કને તેને ખોટી રીતે વર્ગીકૃત કરે છે. આ સંભવિત એપ્લિકેશન્સમાં સેલ્ફ-ડ્રાઇવિંગ કાર માટે પર્સેપ્શન મોડ્યુલો અને એન્ડ-ટુ-એન્ડ કંટ્રોલર્સનો સમાવેશ થાય છે, જે તેમની સલામતી અંગે ચિંતા ઉભી કરે છે. અમે સંતોષકારકતા મોડ્યુલો થિયરી (એસએમટી) પર આધારિત ફીડ-ફોરવર્ડ મલ્ટી-લેયર ન્યુરલ નેટવર્ક્સ માટે એક નવલકથા સ્વચાલિત ચકાસણી માળખું વિકસાવીએ છીએ. અમે છબી મેનિપ્યુલેશન્સ પર ધ્યાન કેન્દ્રિત કરીએ છીએ, જેમ કે સ્ક્રેચ અથવા કેમેરા એન્ગલ અથવા લાઇટિંગ શરતોમાં ફેરફાર, અને છબી વર્ગીકરણના નિર્ણય માટે સલામતીને વર્ગીકરણના અસ્થિરતાના સંદર્ભમાં વ્યાખ્યાયિત કરીએ છીએ જે મૂળ છબીના મેનિપ્યુલેશન્સના સંદર્ભમાં છે જે છબીઓના પ્રદેશમાં છે જે તેની નજીક છે. અમે ડિસ્ક્રીટેશનનો ઉપયોગ કરીને વિસ્તારની સંપૂર્ણ શોધને સક્ષમ કરીએ છીએ, અને વિશ્લેષણ સ્તર દ્વારા સ્તરને પ્રચાર કરીએ છીએ. અમારી પદ્ધતિ સીધી નેટવર્ક કોડ સાથે કામ કરે છે અને, હાલની પદ્ધતિઓથી વિપરીત, ખાતરી આપી શકે છે કે વિરોધી ઉદાહરણો, જો તે અસ્તિત્વમાં હોય, તો આપેલ પ્રદેશ અને મેનિપ્યુલેશન્સના પરિવાર માટે મળી આવે છે. જો મળે તો, વિરોધાભાસી ઉદાહરણો માનવ પરીક્ષકોને બતાવી શકાય છે અને / અથવા નેટવર્કને ફાઇન-ટ્યુન કરવા માટે ઉપયોગમાં લઈ શકાય છે. અમે Z3નો ઉપયોગ કરીને તકનીકોનો અમલ કરીએ છીએ અને નિયમિત અને ઊંડા શિક્ષણ નેટવર્ક્સ સહિતના રાજ્ય-ઓફ-ધ-આર્ટ નેટવર્ક્સ પર તેનું મૂલ્યાંકન કરીએ છીએ. અમે વિરોધાભાસી ઉદાહરણો શોધવા અને નેટવર્કની મજબૂતાઈનો અંદાજ કાઢવા માટે હાલની તકનીકોની તુલના પણ કરીએ છીએ. |
8db9df2eadea654f128c1887722c677c708e8a47 | તે સંબંધિત માહિતી પર ધ્યાન કેન્દ્રિત કરવા માટે ધ્યાન મોડેલ્સ પરના તાજેતરના કાર્યને પણ એકીકૃત કરે છે, આમ એમ્બેડેડ હાર્ડવેર પર જમાવટ માટે કમ્પ્યુટેશનલ જટિલતાને ઘટાડે છે. આ માળખું TORCS નામના ઓપન સોર્સ 3D કાર રેસિંગ સિમ્યુલેટરમાં પરીક્ષણ કરવામાં આવ્યું હતું. અમારા સિમ્યુલેશન પરિણામો જટિલ માર્ગ વણાંકો અને અન્ય વાહનોની સરળ ક્રિયાપ્રતિક્રિયાના દૃશ્યમાં સ્વાયત્ત મનુવરીંગના શિક્ષણને દર્શાવે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સની લાંબા સમયથી ચાલતી ધ્યેય સ્વયં સંચાલિત રોબોટ કાર છે. વાહન ચલાવવું એ એક એવું કાર્ય છે જેને માનવ ડ્રાઇવર પાસેથી ઉચ્ચ સ્તરની કુશળતા, ધ્યાન અને અનુભવની જરૂર હોય છે. જોકે, કમ્પ્યુટર્સ મનુષ્ય કરતાં સતત ધ્યાન અને ધ્યાન કેન્દ્રિત કરવામાં વધુ સક્ષમ છે, સંપૂર્ણ સ્વયંસંચાલિત ડ્રાઇવિંગ માટે બુદ્ધિનું સ્તર જરૂરી છે જે અત્યાર સુધી એઆઈ એજન્ટો દ્વારા પ્રાપ્ત કરેલ છે. સ્વયં સંચાલિત ડ્રાઇવિંગ એજન્ટ બનાવવા માટે સંકળાયેલા કાર્યોને 3 કેટેગરીમાં વહેંચી શકાય છે, જેમ કે આકૃતિ 1: 1) માન્યતાઃ આસપાસના પર્યાવરણના ઘટકોને ઓળખવા. આનાં ઉદાહરણો છે પદયાત્રીઓ શોધ, ટ્રાફિક સાઇન ઓળખ વગેરે. જોકે તુચ્છતાથી દૂર હોવા છતાં, ડીપ લર્નિંગ (ડીએલ) અલ્ગોરિધમ્સમાં પ્રગતિને કારણે આજે માન્યતા પ્રમાણમાં સરળ કાર્ય છે, જે ઘણી ઓબ્જેક્ટ ડિટેક્શન અને વર્ગીકરણ સમસ્યાઓમાં માનવ સ્તરની માન્યતા અથવા તેનાથી ઉપર પહોંચી ગઈ છે. ડીપ લર્નિંગ મોડેલ કાચા ઇનપુટ ડેટામાંથી જટિલ સુવિધા રજૂઆતો શીખવા માટે સક્ષમ છે, હાથથી બનાવેલી સુવિધાઓની જરૂરિયાત છોડી દે છે. આ સંદર્ભમાં, કન્વૉલ્યુશનલ ન્યુરલ નેટવર્ક્સ (સીએનએન) કદાચ સૌથી સફળ ઊંડા શિક્ષણ મોડેલ છે, અને એલેક્સનેટ [8] થી ઇમેજનેટ પડકાર પર દરેક વિજેતા પ્રવેશનો આધાર છે. આ સફળતાને સ્વયં સંચાલિત ડ્રાઇવિંગ માટે લેન અને વાહન શોધમાં નકલ કરવામાં આવી છે. 2) આગાહીઃ સ્વયં સંચાલિત ડ્રાઇવિંગ એજન્ટને તેના પર્યાવરણને ઓળખવા માટે તે પૂરતું નથી; તે આંતરિક મોડેલો બનાવવાની પણ સક્ષમ હોવી જોઈએ જે પર્યાવરણની ભાવિ સ્થિતિની આગાહી કરે છે. સમસ્યાના આ વર્ગના ઉદાહરણોમાં પર્યાવરણનો નકશો બનાવવો અથવા કોઈ વસ્તુને ટ્રેક કરવો શામેલ છે. ભવિષ્યની આગાહી કરવા માટે, ભૂતકાળની માહિતીને એકીકૃત કરવી મહત્વપૂર્ણ છે. આ પ્રકારની સમસ્યા માટે રિકરન્ટ ન્યુરલ નેટવર્ક્સ (આરએનએન) આવશ્યક છે. લાંબા-ટૂંકા ગાળાની મેમરી (એલએસટીએમ) નેટવર્ક્સ [5] આરએનએનની એક એવી શ્રેણી છે જેનો ઉપયોગ એન્ડ-ટુ-એન્ડ સીન લેબલિંગ સિસ્ટમ્સમાં કરવામાં આવ્યો છે [14]. તાજેતરમાં, ડીપટ્રેકિંગ મોડેલમાં ઓબ્જેક્ટ ટ્રેકિંગ પ્રદર્શનને સુધારવા માટે આરએનએનો ઉપયોગ કરવામાં આવ્યો છે [13]. 3) આયોજનઃ એક કાર્યક્ષમ મોડેલનું નિર્માણ જે ડ્રાઇવિંગ ક્રિયાઓના ભાવિ ક્રમને આયોજન કરવા માટે માન્યતા અને આગાહીને સમાવિષ્ટ કરે છે જે વાહનને સફળતાપૂર્વક નેવિગેટ કરવા માટે સક્ષમ બનાવશે. આયોજન એ ત્રણમાંથી સૌથી મુશ્કેલ કાર્ય છે. મુશ્કેલી એ છે કે પર્યાવરણ (માન્યતા) અને તેની ગતિશીલતા (અનુમાન) ને સમજવા માટે મોડેલની ક્ષમતાને એકીકૃત કરવી જેથી તે ભવિષ્યની ક્રિયાઓનું આયોજન કરી શકે જેથી તે અનિચ્છનીય પરિસ્થિતિઓ (દંડ) ને ટાળી શકે અને સુરક્ષિત રીતે તેના લક્ષ્યસ્થાન (પુરસ્કારો) સુધી ચલાવી શકે. આકૃતિ 1: ઉચ્ચ સ્તરની સ્વાયત્ત ડ્રાઇવિંગ કાર્યો રિઇનફોર્સમેન્ટ લર્નિંગ (આરએલ) ફ્રેમવર્ક [17] [20] નો ઉપયોગ લાંબા સમયથી નિયંત્રણ કાર્યોમાં કરવામાં આવે છે. [૯]માં આરએલ અને ડીએલનું મિશ્રણ માનવ સ્તરના નિયંત્રણને પ્રાપ્ત કરવા માટે સૌથી આશાસ્પદ અભિગમ હોવાનું જણાવાયું હતું. [12] અને [11]માં આ માનવસ્તરનું નિયંત્રણ ડીપ ક્યુ નેટવર્ક્સ (ડીક્યુએન) મોડેલનો ઉપયોગ કરીને એટારી રમતો પર દર્શાવવામાં આવ્યું હતું, જેમાં આરએલ આયોજનના ભાગ માટે જવાબદાર છે જ્યારે ડીએલ પ્રતિનિધિત્વ શીખવાની ભાગ માટે જવાબદાર છે. બાદમાં, આંશિક અવલોકનક્ષમ દૃશ્યોને ધ્યાનમાં લેવા માટે આરએનએનને મિશ્રણમાં એકીકૃત કરવામાં આવ્યા હતા [4]. સ્વયં સંચાલિત ડ્રાઇવિંગ માટે માહિતીને એકીકૃત કરવાની જરૂર છે 02 53 2v 1 [ st at . M L ] 8 A pr 2 01 7 બહુવિધ સેન્સરમાંથી તેમાંના કેટલાક નીચા પરિમાણીય છે, જેમ કે LIDAR, જ્યારે અન્ય ઉચ્ચ પરિમાણીય છે, જેમ કે કેમેરા. આ ખાસ ઉદાહરણમાં નોંધનીય છે કે, જોકે કાચા કેમેરાની છબીઓ ઉચ્ચ પરિમાણીય છે, સ્વયં સંચાલિત ડ્રાઇવિંગ કાર્યને પ્રાપ્ત કરવા માટે જરૂરી ઉપયોગી માહિતી ઘણી ઓછી પરિમાણીય છે. ઉદાહરણ તરીકે, દ્રશ્યના મહત્વપૂર્ણ ભાગો જે ડ્રાઇવિંગ નિર્ણયોને અસર કરે છે તે આગળ વધતા વાહન, આગળના રસ્તા પર મુક્ત જગ્યા, કબરની સ્થિતિ વગેરે સુધી મર્યાદિત છે. વાહનોની સૂક્ષ્મ વિગતો પણ મહત્વની નથી, કારણ કે સમસ્યા માટે માત્ર તેમની અવકાશી સ્થિતિ ખરેખર જરૂરી છે. તેથી સંબંધિત માહિતી માટે મેમરી બેન્ડવિડ્થ ઘણી ઓછી છે. જો આ સંબંધિત માહિતીને કાઢી શકાય છે, જ્યારે અન્ય બિન-સંબંધિત ભાગો ફિલ્ટર કરવામાં આવે છે, તો તે સ્વાયત્ત ડ્રાઇવિંગ સિસ્ટમ્સની ચોકસાઈ અને કાર્યક્ષમતા બંનેમાં સુધારો કરશે. આ ઉપરાંત, આ સિસ્ટમની ગણતરી અને મેમરીની જરૂરિયાતોને ઘટાડશે, જે એમ્બેડેડ સિસ્ટમ્સ પર નિર્ણાયક પ્રતિબંધો છે જેમાં સ્વાયત્ત ડ્રાઇવિંગ કંટ્રોલ યુનિટ હશે. આવા માહિતી ફિલ્ટરિંગ પ્રક્રિયા માટે ધ્યાન મોડેલો કુદરતી રીતે યોગ્ય છે. તાજેતરમાં, આ મોડેલોને સફળતાપૂર્વક [23] અને [10] માં છબી ઓળખ માટે જમાવવામાં આવ્યા હતા, જેમાં આરએલને આરએનએન સાથે મિશ્રિત કરવામાં આવી હતી જેથી છબીના ભાગો પ્રાપ્ત થઈ શકે. આવા મોડલ્સને સરળતાથી વિસ્તૃત અને ડીક્યુએન [11] અને ડીપ રિકરન્ટ ક્યુ નેટવર્ક્સ (ડીઆરક્યુએન) [4] મોડલ્સમાં એકીકૃત કરવામાં આવે છે. આ સંકલન [16] માં કરવામાં આવ્યું હતું. ધ્યાન મોડેલોની સફળતા અમને સ્વયં સંચાલિત ડ્રાઇવિંગ કરવા માટે કાચા સંવેદનાત્મક માહિતીમાંથી નીચા સ્તરની માહિતીના નિષ્કર્ષણ માટે તેમને પ્રસ્તાવિત કરવા માટે દબાણ કરે છે. આ કાગળમાં, અમે અંત-અંત સ્વાયત્ત ડ્રાઇવિંગ મોડેલ માટે એક માળખું પ્રસ્તાવિત કરીએ છીએ જે કાચા સેન્સર ઇનપુટ્સ અને ડ્રાઇવિંગ ક્રિયાઓના આઉટપુટ લે છે. આ મોડેલ આંશિક રીતે અવલોકનક્ષમ દૃશ્યોને નિયંત્રિત કરવામાં સક્ષમ છે. વધુમાં, અમે પ્રાપ્ત સેન્સર ડેટામાંથી માત્ર સંબંધિત માહિતીને બહાર કાઢવા માટે ધ્યાન મોડેલોમાં તાજેતરની પ્રગતિને સંકલિત કરવાની દરખાસ્ત કરીએ છીએ, આમ તે રીઅલ-ટાઇમ એમ્બેડેડ સિસ્ટમ્સ માટે યોગ્ય બનાવે છે. આ કાગળના મુખ્ય યોગદાનઃ 1) ઊંડા રિઇનફોર્સ્ડ લર્નિંગની તાજેતરની પ્રગતિનો એક સર્વેક્ષણ રજૂ કરવો અને 2) ઓટોમોટિવ સમુદાયને ઊંડા રિઇનફોર્સ્ડ લર્નિંગનો ઉપયોગ કરીને ઓટોમોટિવ ડ્રાઇવિંગને સમાપ્ત કરવા માટે એક માળખું રજૂ કરવું. બાકીના કાગળને બે ભાગમાં વહેંચવામાં આવે છે. પ્રથમ ભાગમાં ડીપ રિઇનફોર્સમેન્ટ લર્નિંગ અલ્ગોરિધમ્સનો સર્વેક્ષણ આપવામાં આવ્યો છે, જે પરંપરાગત એમડીપી ફ્રેમવર્ક અને ક્યૂ-લર્નિંગથી શરૂ થાય છે, ત્યારબાદ ડીક્યુએન, ડીઆરક્યુએન અને ડીપ એટેન્શન રિકરન્ટ ક્યુ નેટવર્ક્સ (ડીએઆરક્યુએન) દ્વારા અનુસરવામાં આવે છે. કાગળના બીજા ભાગમાં પ્રસ્તાવિત માળખું વર્ણવવામાં આવ્યું છે જે ઊંડા મજબૂતીકરણ શિક્ષણમાં તાજેતરની પ્રગતિને એકીકૃત કરે છે. છેલ્લે, અમે નિષ્કર્ષ કાઢીએ છીએ અને ભવિષ્યના કાર્ય માટે દિશા નિર્દેશો સૂચવીએ છીએ. રિઇનફોર્સમેન્ટ લર્નિંગની સમીક્ષા રિઇનફોર્સમેન્ટ લર્નિંગની વ્યાપક ઝાંખી માટે, કૃપા કરીને રિચ સટન (Rich Sutton) ની પાઠ્યપુસ્તકની બીજી આવૃત્તિનો સંદર્ભ લો [18]. આ વિભાગમાં અમે મહત્વપૂર્ણ વિષયોની સંક્ષિપ્ત સમીક્ષા કરીએ છીએ. રિઇનફોર્સમેન્ટ લર્નિંગ ફ્રેમવર્કને [17] માં એક મોડેલ તરીકે તૈયાર કરવામાં આવ્યું હતું જે એજન્ટને અનુસરવા માટે શ્રેષ્ઠ નીતિ (આપેલ રાજ્યમાં લેવા માટે શ્રેષ્ઠ ક્રિયા) પૂરી પાડે છે, જેથી જ્યારે એજન્ટ વર્તમાનથી તે નીતિને અનુસરે છે અને ટર્મિનલ રાજ્ય સુધી પહોંચે ત્યાં સુધી કુલ સંચિત પુરસ્કારો મહત્તમ થાય છે. આરએલ પેરાડિગમ ડ્રાઇવિંગ માટે પ્રેરણા એ મલ્ટી-એજન્ટ ક્રિયાપ્રતિક્રિયા સમસ્યા છે. માનવ ડ્રાઇવર તરીકે, ભારે ટ્રાફિકમાં લેન બદલવા કરતાં અન્ય કાર સાથે કોઈ ક્રિયાપ્રતિક્રિયા કર્યા વિના લેનની અંદર રહેવાનું વધુ સરળ છે. બાદમાં અન્ય ડ્રાઇવરોના વર્તનમાં સહજ અનિશ્ચિતતાને કારણે વધુ મુશ્કેલ છે. એકબીજા સાથે જોડાયેલા વાહનોની સંખ્યા, તેમની ભૌમિતિક રૂપરેખા અને ડ્રાઇવરોના વર્તનમાં મોટી વિવિધતા હોઈ શકે છે અને તમામ દૃશ્યોને સંપૂર્ણ રીતે આવરી લેતા દેખરેખવાળા શિક્ષણ ડેટાસેટને ડિઝાઇન કરવું પડકારજનક છે. માનવ ડ્રાઇવરો અન્ય ડ્રાઇવરોના વર્તનને સમજવા માટે ઓનલાઇન રીઇનફોર્સમેન્ટ લર્નિંગનો ઉપયોગ કરે છે જેમ કે તેઓ રક્ષણાત્મક અથવા આક્રમક છે, અનુભવી અથવા બિનઅનુભવી છે, વગેરે. આ ખાસ કરીને એવા કિસ્સાઓમાં ઉપયોગી છે કે જેમાં વાટાઘાટની જરૂર હોય છે, એટલે કે, રાઉન્ડઅબૉટમાં પ્રવેશવું, ટ્રાફિક લાઇટ વિના જંકશન નેવિગેટ કરવું, ભારે ટ્રાફિક દરમિયાન લેન બદલાવ વગેરે. સ્વયંચાલિત ડ્રાઇવિંગમાં મુખ્ય પડકાર એ છે કે તે એવા ખૂણાના કેસોનો સામનો કરે છે જે માનવ ડ્રાઇવર માટે પણ અણધારી હોય છે, જેમ કે જીપીએસ વિના અજાણ્યા વિસ્તારમાં ખોવાઈ જવાથી અથવા પૂર અથવા જમીન પર સિંકહોલના દેખાવ જેવી આપત્તિની પરિસ્થિતિઓનો સામનો કરવો. આરએલ પેરાડિગમ અજાણ્યા પ્રદેશનું મોડેલિંગ કરે છે અને ક્રિયાઓ કરીને તેના પોતાના અનુભવમાંથી શીખે છે. વધુમાં, આરએલ બિન-વિભેદક ખર્ચ કાર્યોને નિયંત્રિત કરવામાં સક્ષમ હોઈ શકે છે જે દેખરેખવાળી શિક્ષણ સમસ્યાઓ માટે પડકારો બનાવી શકે છે. હાલમાં, સ્વાયત્ત ડ્રાઇવિંગ માટેનો માનક અભિગમ એ છે કે સિસ્ટમને અલગ પેટા-સમસ્યાઓમાં અલગ કરવું, ખાસ કરીને દેખરેખ-શીખવાની જેમ ઑબ્જેક્ટ ડિટેક્શન, વિઝ્યુઅલ ઓડોમેટ્રી, વગેરે અને પછી અગાઉના પગલાઓના તમામ પરિણામોને ભેગા કરવા માટે પોસ્ટ પ્રોસેસિંગ લેયર હોય. આ અભિગમ સાથે બે મુખ્ય મુદ્દાઓ છેઃ પ્રથમ, જે પેટા-સમસ્યાઓ ઉકેલી શકાય છે તે સ્વયંસંચાલિત ડ્રાઇવિંગ કરતાં વધુ મુશ્કેલ હોઈ શકે છે. ઉદાહરણ તરીકે, કોઈ વ્યક્તિ અર્થપૂર્ણ વિભાજન દ્વારા ઑબ્જેક્ટ શોધને હલ કરી શકે છે જે પડકારરૂપ અને બિનજરૂરી બંને છે. માનવ ડ્રાઇવરો ડ્રાઇવિંગ કરતી વખતે તમામ દૃશ્યમાન વસ્તુઓને શોધી અને વર્ગીકૃત કરતા નથી, ફક્ત સૌથી વધુ સંબંધિત છે. બીજું, અલગ અલગ પેટા-સમસ્યાઓ સુસંગત રીતે ભેગા થઈ શકે નહીં રિઇનફોર્સમેન્ટ લર્નિંગને એક મજબૂત AI પેરાડિગમ માનવામાં આવે છે જેનો ઉપયોગ પર્યાવરણ સાથેની ક્રિયાપ્રતિક્રિયા દ્વારા મશીનોને શીખવવા અને તેમની ભૂલોથી શીખવા માટે થઈ શકે છે. તેની ઉપયોગીતા હોવા છતાં, તે હજુ સુધી ઓટોમોટિવ એપ્લિકેશન્સમાં સફળતાપૂર્વક લાગુ કરવામાં આવી નથી. એટારી ગેમ્સ અને ગૂગલ ડીપમાઇન્ડ દ્વારા ગોના સફળ પ્રદર્શન દ્વારા પ્રેરિત, અમે ઊંડા મજબૂતીકરણ શિક્ષણનો ઉપયોગ કરીને સ્વાયત્ત ડ્રાઇવિંગ માટે એક માળખું પ્રસ્તાવિત કરીએ છીએ. આ ખાસ કરીને મહત્વનું છે કારણ કે અન્ય વાહનો, રાહદારીઓ અને રસ્તાના કામ સહિત પર્યાવરણ સાથે મજબૂત ક્રિયાપ્રતિક્રિયાઓને કારણે ઓટોનોમસ ડ્રાઇવિંગને દેખરેખવાળી શીખવાની સમસ્યા તરીકે રજૂ કરવું મુશ્કેલ છે. કારણ કે તે સ્વાયત્ત ડ્રાઇવિંગ માટે સંશોધનનું પ્રમાણમાં નવું ક્ષેત્ર છે, અમે ઊંડા મજબૂતીકરણ શિક્ષણની ટૂંકી ઝાંખી પ્રદાન કરીએ છીએ અને પછી અમારા પ્રસ્તાવિત માળખાનું વર્ણન કરીએ છીએ. તે માહિતી એકીકરણ માટે રિકરન્ટ ન્યુરલ નેટવર્ક્સનો સમાવેશ કરે છે, જે કારને આંશિક રીતે અવલોકનક્ષમ દૃશ્યોને નિયંત્રિત કરવા માટે સક્ષમ બનાવે છે. |
a4d513cfc9d4902ef1a80198582f29b8ba46ac28 | આ અહેવાલમાં એઆઈના દુર્ભાવનાપૂર્ણ ઉપયોગથી સંભવિત સુરક્ષા જોખમોની સ્થિતિનું સર્વેક્ષણ કરવામાં આવ્યું છે અને આ જોખમોની વધુ સારી આગાહી, અટકાવવા અને ઘટાડવાની રીતો સૂચવવામાં આવી છે. ડિજિટલ, ભૌતિક અને રાજકીય ક્ષેત્રોમાં એઆઈ ધમકીના લેન્ડસ્કેપને કેવી રીતે પ્રભાવિત કરી શકે છે તેનું વિશ્લેષણ કર્યા પછી, અમે એઆઈ સંશોધકો અને અન્ય હિસ્સેદારો માટે ચાર ઉચ્ચ-સ્તરની ભલામણો કરીએ છીએ. અમે વધુ સંશોધન માટે કેટલાક આશાસ્પદ ક્ષેત્રો પણ સૂચવીએ છીએ જે સંરક્ષણના પોર્ટફોલિયોને વિસ્તૃત કરી શકે છે, અથવા હુમલાઓને ઓછા અસરકારક અથવા અમલ કરવા માટે વધુ મુશ્કેલ બનાવી શકે છે. છેલ્લે, અમે ચર્ચા કરીએ છીએ, પરંતુ નિર્ણાયક રીતે ઉકેલવા નહીં, હુમલાખોરો અને સંરક્ષકોના લાંબા ગાળાના સંતુલન. |
b5a047dffc3d70dce19de61257605dfc8c69535c | ડીપ ન્યુરલ નેટવર્ક્સ જટિલ, વાસ્તવિક દુનિયાની સમસ્યાઓનો સામનો કરવા માટે વ્યાપકપણે ઉપયોગમાં લેવાતા અને અસરકારક સાધન તરીકે ઉભરી આવ્યા છે. જો કે, સલામતી-મહત્વપૂર્ણ પ્રણાલીઓ પર તેમને લાગુ કરવામાં એક મુખ્ય અવરોધ એ છે કે તેમના વર્તન વિશે ઔપચારિક બાંયધરીઓ પૂરી પાડવાની મોટી મુશ્કેલી છે. અમે ઊંડા ન્યુરલ નેટવર્ક્સની મિલકતો (અથવા કાઉન્ટર-ઉદાહરણો પૂરા પાડવા) ની ચકાસણી માટે એક નવલકથા, સ્કેલેબલ અને કાર્યક્ષમ તકનીક રજૂ કરીએ છીએ. આ ટેકનીક સિમ્પલેક્સ પદ્ધતિ પર આધારિત છે, જે બિન-કોન્વેક્સ રિક્ટીફાઇડ લીનિયર યુનિટ (ReLU) સક્રિયકરણ કાર્યને નિયંત્રિત કરવા માટે વિસ્તૃત છે, જે ઘણા આધુનિક ન્યુરલ નેટવર્ક્સમાં નિર્ણાયક ઘટક છે. ચકાસણી પ્રક્રિયા કોઈ પણ સરળ ધારણાઓ કર્યા વિના, સંપૂર્ણ રીતે ન્યુરલ નેટવર્ક્સને સંબોધિત કરે છે. અમે માનવરહિત વિમાન માટે આગલી પેઢીની એરબોર્ન અથડામણ ટાળવાની સિસ્ટમ (એસીએએસ ઝુ) ના પ્રોટોટાઇપ ડીપ ન્યુરલ નેટવર્ક અમલીકરણ પર અમારી તકનીકનું મૂલ્યાંકન કર્યું. પરિણામો દર્શાવે છે કે અમારી તકનીક સફળતાપૂર્વક નેટવર્કની મિલકતો સાબિત કરી શકે છે જે હાલની પદ્ધતિઓનો ઉપયોગ કરીને ચકાસાયેલ સૌથી મોટા નેટવર્ક્સ કરતાં મોટા પ્રમાણમાં મોટા છે. |
b4bd9fab8439da4939a980a950838d1299a9b030 | ઉપયોગની સંપૂર્ણ શરતો અને શરતોઃ http://pubsonline.informs.org/page/terms-and-conditions આ લેખનો ઉપયોગ ફક્ત સંશોધન, શિક્ષણ અને / અથવા ખાનગી અભ્યાસના હેતુઓ માટે થઈ શકે છે. જો અન્યથા સૂચિત ન હોય તો, પ્રકાશકની સ્પષ્ટ મંજૂરી વિના વ્યાપારી ઉપયોગ અથવા વ્યવસ્થિત ડાઉનલોડ (રોબોટ્સ અથવા અન્ય સ્વચાલિત પ્રક્રિયાઓ દ્વારા) પર પ્રતિબંધ છે. વધુ માહિતી માટે, [email protected] પર સંપર્ક કરો. પ્રકાશક લેખની ચોકસાઈ, સંપૂર્ણતા, વેચાણક્ષમતા, કોઈ ચોક્કસ હેતુ માટે યોગ્યતા અથવા ઉલ્લંઘન ન કરવાની બાંયધરી અથવા બાંયધરી આપતું નથી. આ લેખમાં ઉત્પાદનો અથવા પ્રકાશનોના વર્ણનો અથવા સંદર્ભો અથવા જાહેરાતનો સમાવેશ, તે ઉત્પાદન, પ્રકાશન અથવા સેવાના દાવાઓની બાંયધરી, સમર્થન અથવા સમર્થનનો અર્થ નથી. © 1990 ઇન્ફોર્મ્સ |
5288d14f6a3937df5e10109d4e23d79b7ddf080f | |
c9946fedf333df0c6404765ba6ccbf8006779753 | ઓટોનોમસ ડ્રાઇવિંગથી ડ્રાઇવર માટે સુવિધા અને સલામતીમાં વધારો કરવાની ક્ષમતા જોવા મળી છે. આપણી વર્તમાન ટ્રાફિક સિસ્ટમમાં સ્વયં સંચાલિત ડ્રાઇવિંગને રજૂ કરતી વખતે, એક મહત્વપૂર્ણ મુદ્દો એ છે કે સ્વયં સંચાલિત વાહન વાસ્તવિક માનવ ડ્રાઇવરોની જેમ જ પ્રતિક્રિયા આપી શકે. ભવિષ્યના સ્વયં સંચાલિત વાહનો માનવ ડ્રાઇવરોની જેમ કાર્ય કરશે તેની ખાતરી કરવા માટે, આ કાગળ વાહન ગતિ આયોજન મોડેલનો પ્રસ્તાવ આપે છે, જે વાસ્તવિક સંકેતવાળા આંતરછેદમાં ટ્રાફિક વાતાવરણના મૂલ્યાંકનના આધારે ડ્રાઇવરો વાહનોને કેવી રીતે નિયંત્રિત કરે છે તેનું પ્રતિનિધિત્વ કરી શકે છે. પ્રસ્તાવિત ગતિ આયોજન મોડેલમાં પદયાત્રીઓના ઇરાદાની શોધ, અંતર શોધ અને વાહન ગતિશીલ નિયંત્રણના કાર્યોનો સમાવેશ થાય છે. આ ત્રણ કાર્યો વાસ્તવિક ટ્રાફિક વાતાવરણમાંથી એકત્રિત વાસ્તવિક ડેટાના વિશ્લેષણના આધારે બનાવવામાં આવ્યા છે. છેલ્લે, આ કાગળ પ્રસ્તાવિત પદ્ધતિના પ્રદર્શનને વાસ્તવિક પદયાત્રીઓ અને માનવ ડ્રાઇવરોના વર્તન સાથે અમારા મોડેલના વર્તણૂકોની તુલના કરીને દર્શાવે છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે અમારા પ્રસ્તાવિત મોડેલ 85% માન્યતા દર પ્રાપ્ત કરી શકે છે. વધુમાં, સૂચિત ગતિ આયોજન મોડેલ દ્વારા નિયંત્રિત વાહન અને વાસ્તવિક માનવ સંચાલિત વાહન આંતરછેદમાં ગેપ સ્વીકાર્યતાની બાબતમાં ખૂબ સમાન છે. |
061356704ec86334dbbc073985375fe13cd39088 | આ કાર્યમાં અમે મોટા પાયે છબી ઓળખ સેટિંગમાં તેની ચોકસાઈ પર કન્વોલ્યુશનલ નેટવર્ક ઊંડાણની અસરની તપાસ કરી છે. અમારો મુખ્ય યોગદાન વધતી ઊંડાઈના નેટવર્ક્સનું સંપૂર્ણ મૂલ્યાંકન છે, જે દર્શાવે છે કે અગાઉની તકનીકી રૂપરેખાંકનો પર નોંધપાત્ર સુધારો ઊંડાઈને 16-19 વજનના સ્તરો સુધી દબાણ કરીને પ્રાપ્ત કરી શકાય છે. આ તારણો અમારા ઇમેજનેટ ચેલેન્જ 2014ના પ્રસ્તાવનાનો આધાર હતા, જ્યાં અમારી ટીમે અનુક્રમે સ્થાનિકીકરણ અને વર્ગીકરણ ટ્રેક પર પ્રથમ અને બીજા સ્થાનો મેળવ્યા હતા. અમે એ પણ બતાવીએ છીએ કે અમારા પ્રતિનિધિત્વ અન્ય ડેટાસેટ્સમાં સારી રીતે સામાન્ય છે, જ્યારે અમે અદ્યતન પરિણામો પ્રાપ્ત કરીએ છીએ. આમાં સૌથી મહત્ત્વની વાત એ છે કે, અમે કોમ્પ્યુટર વિઝનમાં ઊંડા દ્રશ્ય પ્રતિનિધિત્વના ઉપયોગ પર વધુ સંશોધન કરવા માટે અમારા બે શ્રેષ્ઠ પ્રદર્શન કરનારા કોન્વનેટ મોડેલોને સાર્વજનિક રૂપે ઉપલબ્ધ કરાવ્યા છે. |
14318685b5959b51d0f1e3db34643eb2855dc6d9 | અમે એક ઊંડા સંકલિત ન્યુરલ નેટવર્ક આર્કિટેક્ચર પ્રસ્તાવિત કરીએ છીએ, જેને કોડ નામ ઇન્સેપ્શન છે, જે ઇમેજનેટ લાર્જ-સ્કેલ વિઝ્યુઅલ રેકગ્નિશન ચેલેન્જ 2014 (આઇએલએસવીઆરસી 14) માં વર્ગીકરણ અને શોધ માટે કલાની નવી સ્થિતિ પ્રાપ્ત કરે છે. આ આર્કિટેક્ચરની મુખ્ય ઓળખ નેટવર્કની અંદર કમ્પ્યુટિંગ સંસાધનોનો સુધારેલ ઉપયોગ છે. કાળજીપૂર્વક તૈયાર કરેલી ડિઝાઇન દ્વારા, અમે કમ્પ્યુટેશનલ બજેટને સતત રાખતા નેટવર્કની ઊંડાઈ અને પહોળાઈમાં વધારો કર્યો છે. ગુણવત્તાને શ્રેષ્ઠ બનાવવા માટે, આર્કિટેક્ચરલ નિર્ણયો હેબિયન સિદ્ધાંત અને મલ્ટી-સ્કેલ પ્રોસેસિંગની અંતઃપ્રેરણા પર આધારિત હતા. ILSVRC14 માટે અમારા સબમિશનમાં ઉપયોગમાં લેવાતા એક ખાસ અવતારને GoogLeNet કહેવામાં આવે છે, જે 22 સ્તરોનું ઊંડા નેટવર્ક છે, જેની ગુણવત્તા વર્ગીકરણ અને શોધના સંદર્ભમાં મૂલ્યાંકન કરવામાં આવે છે. |
1827de6fa9c9c1b3d647a9d707042e89cf94abf0 | ડીપ ન્યુરલ નેટવર્ક્સનું તાલીમ એ હકીકત દ્વારા જટિલ છે કે તાલીમ દરમિયાન દરેક સ્તરના ઇનપુટ્સનું વિતરણ બદલાય છે, કારણ કે અગાઉના સ્તરોના પરિમાણો બદલાય છે. આ નીચા શીખવાની દર અને સાવચેત પરિમાણ પ્રારંભિકકરણની આવશ્યકતા દ્વારા તાલીમ ધીમી કરે છે, અને સંતૃપ્ત બિનરેખીયતાવાળા મોડેલોને તાલીમ આપવાનું જાણીતું છે. અમે આ ઘટનાને આંતરિક કોવેરેટ શિફ્ટ તરીકે ઉલ્લેખ કરીએ છીએ, અને સ્તર ઇનપુટ્સને સામાન્ય કરીને સમસ્યાને સંબોધિત કરીએ છીએ. અમારી પદ્ધતિ તેની શક્તિને મોડેલ આર્કિટેક્ચરના ભાગરૂપે સામાન્યીકરણ બનાવવા અને દરેક તાલીમ મીની-બેચ માટે સામાન્યીકરણ કરવાથી મેળવે છે. બેચ નોર્મલાઇઝેશન આપણને વધુ ઉચ્ચ શીખવાની દરનો ઉપયોગ કરવાની અને પ્રારંભિકકરણ વિશે ઓછી સાવચેત રહેવાની મંજૂરી આપે છે, અને કેટલાક કિસ્સાઓમાં ડ્રોપઆઉટની જરૂરિયાતને દૂર કરે છે. એક અદ્યતન છબી વર્ગીકરણ મોડેલ પર લાગુ, બેચ નોર્મલાઇઝેશન 14 ગણી ઓછી તાલીમ પગલાં સાથે સમાન ચોકસાઈ પ્રાપ્ત કરે છે, અને મૂળ મોડેલને નોંધપાત્ર માર્જિનથી હરાવે છે. બેચ-નોર્મલાઇઝ્ડ નેટવર્ક્સના એસેમ્બલનો ઉપયોગ કરીને, અમે ઇમેજનેટ વર્ગીકરણ પર શ્રેષ્ઠ પ્રકાશિત પરિણામ પર સુધારો કરીએ છીએઃ 4.82% ટોપ -5 ટેસ્ટ ભૂલ સુધી પહોંચવું, માનવ રેટર્સની ચોકસાઈ કરતાં વધી જાય છે. |
6e80768219b2ab5a3247444cfb280e8d33d369f0 | આ કાગળમાં અલ્ટ્રા-વ્હાઇડબેન્ડ (યુડબ્લ્યુબી) પાવર ડિવાઇડરની રચના કરવામાં આવી છે. આ પાવર ડિવાઇડરની યુડબ્લ્યુબી કામગીરી કોણીય માઇક્રોસ્ટ્રીપ લાઇનનો ઉપયોગ કરીને પ્રાપ્ત થાય છે જેમાં એક્સ્પોનન્ટલ અને લંબગોળ વિભાગોનો સમાવેશ થાય છે. આ ગાઢ અનાજવાળા સમાંતર માઇક્રો-જેનેટિક અલ્ગોરિધમ (પીએમજીએ) અને સીએસટી માઇક્રોવેવ સ્ટુડિયોને ઓટોમેટેડ સમાંતર ડિઝાઇન પ્રક્રિયા પ્રાપ્ત કરવા માટે જોડવામાં આવે છે. આ પદ્ધતિ યુડબ્લ્યુબી પાવર ડિવાઇડરને શ્રેષ્ઠ બનાવવા માટે લાગુ કરવામાં આવે છે. શ્રેષ્ઠ પાવર ડિવાઇડરનું નિર્માણ અને માપવામાં આવે છે. માપવામાં આવેલા પરિણામોમાં પ્રમાણમાં ઓછા દાખલ નુકશાન, સારા વળતર નુકશાન અને સમગ્ર યુડબ્લ્યુબી (3.1-10.6 ગીગાહર્ટ્ઝ) માં આઉટપુટ પોર્ટ વચ્ચે ઉચ્ચ અલગતા દર્શાવે છે. |
2532d0567c8334e4cadf282a73ffe399c1c32476 | આ પ્રદર્શન માપદંડ પછી પ્રાપ્ત પુરસ્કારોનો સરવાળો છે. ઉદાહરણ તરીકે, જ્યારે એક બમ્પલ મધમાખીઓ, દરેક સમયના પગલામાં પુરસ્કાર કાર્ય ઉડાન ભરેલા અંતર (નકારાત્મક રીતે વજન) અને ગંધના મિશ્રણનું મિશ્રણ હોઈ શકે છે. રિઇનફોર્સમેન્ટ લર્નિંગ (આરએલ) પદ્ધતિઓ માર્કોવ નિર્ણય પ્રક્રિયાઓ (એમડીપી) ને ઉકેલવા માટે આવશ્યકપણે ઓનલાઇન અલ્ગોરિધમનો છે. એમડીપીને પુરસ્કાર કાર્ય અને મોડેલ દ્વારા વ્યાખ્યાયિત કરવામાં આવે છે, એટલે કે, દરેક સંભવિત ક્રિયા પર શરતી રાજ્ય સંક્રમણ સંભાવનાઓ. આરએલ અલ્ગોરિધમ્સ મોડેલ આધારિત હોઈ શકે છે, જ્યાં એજન્ટ મોડેલ શીખે છે, અથવા મોડેલ-ફ્રી-દા. ત. , ક્યૂ-લર્નિંગ ક્વોટકિન્સઃ 1989, જે ફક્ત એક કાર્ય Q ((s) શીખે છે, એ) રાજ્યમાં ક્રિયા કરવા માટે લાંબા ગાળાના મૂલ્યને સ્પષ્ટ કરે છે અને તે પછી શ્રેષ્ઠ રીતે કાર્ય કરે છે. તેમની સફળતા છતાં, આરએલ પદ્ધતિઓ મોટે ભાગે સંપૂર્ણ રીતે અવલોકનક્ષમ એમડીપી સુધી મર્યાદિત છે, જેમાં દરેક રાજ્યમાં સંવેદનાત્મક ઇનપુટ રાજ્યને ઓળખવા માટે પૂરતું છે. દેખીતી રીતે, વાસ્તવિક દુનિયામાં, આપણે ઘણીવાર આંશિક રીતે અવલોકનક્ષમ એમડીપી (પીઓએમડીપી) સાથે વ્યવહાર કરવો પડે છે. એસ્ટ્રોમ (1965) એ સાબિત કર્યું કે POMDPs માં શ્રેષ્ઠ નિર્ણયો સમયના દરેક બિંદુએ માન્યતા રાજ્ય બી પર આધાર રાખે છે, એટલે કે, તમામ સંભવિત વાસ્તવિક રાજ્યો પર પાછળની સંભાવના વિતરણ, અત્યાર સુધીના તમામ પુરાવા આપવામાં આવે છે. V અને Q ફંક્શન્સ પછી s ની જગ્યાએ b ના ફંક્શન્સ બની જાય છે. Parr અને Russell (1995) એ સંભાવનાઓના વેક્ટર તરીકે b ની સ્પષ્ટ રજૂઆતનો ઉપયોગ કરીને ખૂબ જ સરળ POMDP RL અલ્ગોરિધમનો વર્ણવે છે, અને મેકકેલમ (1993) તાજેતરના દ્રષ્ટિ ક્રમનો ઉપયોગ કરીને માન્યતા રાજ્યને આશરે કરવાનો એક માર્ગ દર્શાવે છે. મોટા પ્રમાણમાં રાજ્ય ચલો અને લાંબા ગાળાની સમયની નિર્ભરતા સાથેની પરિસ્થિતિઓમાં કોઈ પણ અભિગમ અપગ્રેડ થવાની શક્યતા નથી. મોડેલને કોમ્પેક્ટ રીતે રજૂ કરવાની અને મોડેલ અને દરેક નવા નિરીક્ષણને ધ્યાનમાં રાખીને માન્યતાની સ્થિતિને અસરકારક રીતે અપડેટ કરવાની રીતની જરૂર છે. ડાયનેમિક બેયસિયન નેટવર્ક્સ (ડીન અને કનાઝાવા, 1989) માં કેટલીક જરૂરી ગુણધર્મો હોય તેવું લાગે છે; ખાસ કરીને, તેઓ અન્ય અભિગમો જેમ કે કેલ્મેન ફિલ્ટર્સ અને છુપાયેલા માર્કોવ મોડેલ્સ પર નોંધપાત્ર લાભ ધરાવે છે. આકૃતિ 1 માં બતાવેલ અમારી બેઝલાઇન આર્કિટેક્ચર, નવી સેન્સર માહિતી આવે ત્યારે માન્યતાની સ્થિતિને રજૂ કરવા અને અપડેટ કરવા માટે ડીબીએનનો ઉપયોગ કરે છે. b માટે રજૂઆત આપવામાં આવે છે, પુરસ્કાર સંકેતનો ઉપયોગ Q-ફંક્શનને શીખવા માટે થાય છે જે કેટલાક બ્લેક-બોક્સ કાર્ય અંદાજક જેમ કે ન્યુરલ નેટવર્ક દ્વારા રજૂ થાય છે. જો આપણે હાઇબ્રિડ (વિ- આ ચર્ચા એક શીખવાની એજન્ટ માટે ખૂબ જ સરળ "બેઝલાઇન આર્કિટેક્ચર" પ્રસ્તાવિત કરે છે જે સ્ટોકાસ્ટિક, આંશિક રીતે અવલોકનક્ષમ વાતાવરણને નિયંત્રિત કરી શકે છે. આર્કિટેક્ચર ગ્રાફિકલ મોડેલો તરીકે સમયની પ્રક્રિયાઓનું પ્રતિનિધિત્વ કરવા માટે એક પદ્ધતિ સાથે રિઇનફોર્સમેન્ટ લર્નિંગનો ઉપયોગ કરે છે. હું સંવેદનાત્મક ઇનપુટ્સમાંથી આવા પ્રતિનિધિત્વના પરિમાણો અને માળખાને લીમ કરવા માટેની પદ્ધતિઓ અને પાછળની સંભાવનાઓની ગણતરી કરવા માટે ચર્ચા કરીશ. સંપૂર્ણ એજન્ટને અજમાવી શકાય તે પહેલાં કેટલીક ખુલ્લી સમસ્યાઓ રહે છે; જ્યારે આપણે સ્કેલિંગ કરવાનું વિચારીએ છીએ ત્યારે વધુ ઉભી થાય છે. આ ભાષણનો બીજો વિષય એ હશે કે શું રિઇનફોર્સમેન્ટ લર્નિંગ પ્રાણી અને માનવ શિક્ષણનું સારું મોડેલ પૂરું પાડી શકે છે. આ પ્રશ્નનો જવાબ આપવા માટે, આપણે વિપરીત મજબૂતીકરણ શીખવું જોઈએ: જોવામાં આવેલ વર્તનને જોતાં, કયા પુરસ્કાર સંકેત, જો કોઈ હોય તો, શ્રેષ્ઠ બનાવવામાં આવે છે? આ COLT, UAI અને ML સમુદાયો માટે ખૂબ જ રસપ્રદ સમસ્યા છે, અને માર્કોવ નિર્ણય પ્રક્રિયાઓના માળખાકીય અંદાજની હેડિંગ હેઠળ ઇકોનોમેટ્રિક્સમાં સંબોધવામાં આવી છે. 1 અનિશ્ચિત વાતાવરણમાં શીખવું એઆઈ એ બુદ્ધિશાળી એજન્ટોના નિર્માણ વિશે છે, એટલે કે, સિસ્ટમો જે પર્યાવરણમાં અસરકારક રીતે (કેટલાક પ્રદર્શન માપદંડ અનુસાર) સાબિત કરે છે અને કાર્ય કરે છે. મેં અન્યત્ર દલીલ કરી છે કે રસેલ અને નોર્વિગ (1995) એ મોટા ભાગના એઆઈ સંશોધન એવા વાતાવરણ પર ધ્યાન કેન્દ્રિત કર્યું છે જે સ્થિર, નિર્ધારિત, અલગ અને સંપૂર્ણ રીતે અવલોકનક્ષમ છે. જ્યારે વાસ્તવિક દુનિયામાં, પર્યાવરણ ગતિશીલ, સ્થિર, સતત અને આંશિક રીતે અવલોકનક્ષમ હોય ત્યારે શું કરવું? આ કાગળ એનએસએફ @I-9634215), ઓએનઆર (N00014-97-l-0941) અને એઆર0 (DAAH04-96-1-0341) દ્વારા સમર્થિત વિવિધ સંશોધન પ્રયાસો પર આધારિત છે. વ્યક્તિગત અથવા વર્ગખંડમાં ઉપયોગ માટે આ કાર્યની તમામ અથવા ભાગની ડિજિટલ અથવા હાર્ડ કોપી બનાવવા માટેની પરવાનગી વિના મૂલ્યે આપવામાં આવે છે, જો કે કોપીઓ પ્રોલિટ અથવા વ્યાપારી લાભ માટે બનાવવામાં અથવા વિતરિત કરવામાં આવતી નથી અને તે નકલો આ નોટિસ અને પ્રથમ પૃષ્ઠ પર સંપૂર્ણ અવતરણ ધરાવે છે. અન્યથા નકલ કરવા માટે. ફરીથી પ્રકાશિત કરવા, સર્વર્સ પર પોસ્ટ કરવા અથવા સૂચિમાં ફરીથી વિતરણ કરવા માટે, અગાઉથી ચોક્કસ પરવાનગી અને / અથવા ફીની જરૂર છે. COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 તાજેતરના વર્ષોમાં, રિઇનફોર્સમેન્ટ લર્નિંગ (જેને ન્યુરોડાયનેમિક પ્રોગ્રામિંગ પણ કહેવાય છે) એ સ્વયંચાલિત રીતે એજન્ટો બનાવવાના અભિગમ તરીકે ઝડપી પ્રગતિ કરી છે (સટન, 1988; કાલ્બલિંગ અને અન્ય, 1996; બર્ટસેકાસ અને ત્સિકલીસ, 1996). મૂળભૂત વિચાર એ છે કે પ્રદર્શન માપદંડ એજન્ટને પુરસ્કારના રૂપમાં ઉપલબ્ધ કરાવવામાં આવે છે જે એજન્ટ પસાર કરે છે તે દરેક રાજ્ય માટે પુરસ્કારને સ્પષ્ટ કરે છે. |
6f20506ce955b7f82f587a14301213c08e79463b | |
d14ddc01cff72066c6655aa39f3e207e34fb8591 | આ કાગળ માઇક્રોઇલેક્ટ્રોમેકેનિકલ સિસ્ટમ્સ (એમઈએમએસ) પર આધારિત રેડિયો-ફ્રીક્વન્સી (આરએફ) ટેકનોલોજીના પ્રમાણમાં નવા ક્ષેત્ર સાથે સંબંધિત છે. આરએફ એમઇએમએસ નવા ઉપકરણો અને ઘટકોનો વર્ગ પૂરો પાડે છે જે પરંપરાગત (સામાન્ય રીતે સેમિકન્ડક્ટર) ઉપકરણોના સંબંધમાં બહેતર હાઇ-ફ્રીક્વન્સી પ્રદર્શન દર્શાવે છે, અને જે નવી સિસ્ટમ ક્ષમતાઓ સક્ષમ કરે છે. વધુમાં, એમઇએમએસ ઉપકરણો ખૂબ મોટા પાયે સંકલનની સમાન તકનીકો દ્વારા ડિઝાઇન અને ઉત્પાદિત કરવામાં આવે છે, અને પરંપરાગત બેચ-પ્રોસેસિંગ પદ્ધતિઓ દ્વારા ઉત્પાદિત કરી શકાય છે. આ કાગળમાં, એકમાત્ર ઉપકરણને સંબોધિત કરવામાં આવે છે તે ઇલેક્ટ્રોસ્ટેટિક માઇક્રોસ્વિચ છે - કદાચ આદર્શ આરએફ-એમઇએમએસ ઉપકરણ. તેની શ્રેષ્ઠ પ્રદર્શન લાક્ષણિકતાઓ દ્વારા, માઇક્રોસ્વિચને રેડિયો ફ્રન્ટ-એન્ડ્સ, કેપેસિટર બેંકો અને સમય-વિલંબ નેટવર્ક્સ સહિતના સંખ્યાબંધ હાલના સર્કિટ અને સિસ્ટમોમાં વિકસાવવામાં આવી રહ્યું છે. અતિ-નીચા-ઉર્જા વિસર્જન અને મોટા પાયે સંકલન સાથે જોડાયેલ ઉત્તમ પ્રદર્શનને નવી સિસ્ટમ કાર્યક્ષમતા પણ સક્ષમ બનાવવી જોઈએ. અહીં બે શક્યતાઓનો ઉલ્લેખ કરવામાં આવ્યો છે, જે અર્ધ-ઓપ્ટિકલ બીમ સ્ટિયરિંગ અને ઇલેક્ટ્રિકલી રીકન્ફિગરેબલ એન્ટેના છે. |
9d5f36b92ac155fccdae6730660ab44d46ad501a | જોખમ સમાનતા એ વિભિન્ન પોર્ટફોલિયો બનાવવા માટે ઉપયોગમાં લેવાતી એક ફાળવણી પદ્ધતિ છે જે અપેક્ષિત વળતરની કોઈપણ ધારણાઓ પર આધાર રાખતી નથી, આમ જોખમ સંચાલનને વ્યૂહરચનાના કેન્દ્રમાં મૂકે છે. આ સમજાવે છે કે શા માટે જોખમ સમાનતા 2008 માં વૈશ્વિક નાણાકીય કટોકટી પછી લોકપ્રિય રોકાણ મોડેલ બની હતી. જો કે, જોખમ સમાનતાની પણ ટીકા કરવામાં આવી છે કારણ કે તે પોર્ટફોલિયોના પ્રદર્શનને બદલે જોખમ એકાગ્રતાના સંચાલન પર ધ્યાન કેન્દ્રિત કરે છે, અને તેથી સક્રિય સંચાલન કરતાં નિષ્ક્રિય સંચાલનની નજીક હોવાનું માનવામાં આવે છે. આ લેખમાં, અમે બતાવીએ છીએ કે જોખમ પારિતા પોર્ટફોલિયોમાં અપેક્ષિત વળતરની ધારણાઓ કેવી રીતે રજૂ કરવી. આ કરવા માટે, અમે એક સામાન્ય જોખમ માપદંડને ધ્યાનમાં લઈએ છીએ જે પોર્ટફોલિયો વળતર અને અસ્થિરતા બંનેને ધ્યાનમાં લે છે. જો કે, પ્રદર્શન અને અસ્થિરતા યોગદાન વચ્ચેના વેપાર-બંધ કેટલાક મુશ્કેલીઓ ઊભી કરે છે, જ્યારે જોખમ બજેટિંગ સમસ્યાને સ્પષ્ટ રીતે વ્યાખ્યાયિત કરવી જોઈએ. આવા જોખમ બજેટિંગ પોર્ટફોલિયોના સૈદ્ધાંતિક ગુણધર્મોને ઉતારી લીધા પછી, અમે આ નવા મોડેલને અસ્કયામતોના ફાળવણી પર લાગુ કરીએ છીએ. પ્રથમ, અમે લાંબા ગાળાની રોકાણ નીતિ અને વ્યૂહાત્મક સંપત્તિ ફાળવણીની વ્યાખ્યાને ધ્યાનમાં લઈએ છીએ. પછી અમે ગતિશીલ ફાળવણીનો વિચાર કરીએ છીએ અને બતાવીએ છીએ કે કેવી રીતે જોખમ પારિતા ભંડોળ બનાવવું કે જે અપેક્ષિત વળતર પર આધારિત છે. |
006df3db364f2a6d7cc23f46d22cc63081dd70db | એક એડ હોક નેટવર્ક એ વાયરલેસ મોબાઇલ હોસ્ટ્સનું એક સંગ્રહ છે જે કોઈ પણ સ્થાપિત ઇન્ફ્રાસ્ટ્રક્ચર અથવા કેન્દ્રિય વહીવટની સહાય વિના કામચલાઉ નેટવર્ક બનાવે છે. આવા વાતાવરણમાં, દરેક મોબાઇલ હોસ્ટના વાયરલેસ ટ્રાન્સમિશનની મર્યાદિત શ્રેણીને કારણે, પેકેટને તેના લક્ષ્યસ્થાન પર મોકલવા માટે અન્ય હોસ્ટ્સની સહાયતા મેળવવી જરૂરી હોઈ શકે છે. આ કાગળ એડ હોક નેટવર્ક્સમાં રૂટીંગ માટે એક પ્રોટોકોલ રજૂ કરે છે જે ગતિશીલ સ્ત્રોત રૂટીંગનો ઉપયોગ કરે છે. પ્રોટોકોલ રૂટીંગ ફેરફારોને ઝડપથી અનુકૂળ કરે છે જ્યારે યજમાન ચળવળ વારંવાર હોય છે, છતાં તે સમયગાળા દરમિયાન થોડું અથવા કોઈ ઓવરહેડની જરૂર નથી જેમાં યજમાનો ઓછી વારંવાર ખસે છે. એડ હોક નેટવર્કમાં કાર્યરત મોબાઇલ યજમાનોના પેકેટ-સ્તરના સિમ્યુલેશનના પરિણામોના આધારે, પ્રોટોકોલ વિવિધ પ્રકારની પર્યાવરણીય પરિસ્થિતિઓ જેમ કે યજમાન ઘનતા અને ચળવળ દર પર સારી કામગીરી કરે છે. સિમ્યુલેટેડ હોસ્ટ ચળવળના તમામ ઉચ્ચતમ દરો સિવાય, પ્રોટોકોલનો ઓવરહેડ તદ્દન નીચો છે, 24 મોબાઇલ હોસ્ટ્સના નેટવર્કમાં મધ્યમ ચળવળ દરો માટે પ્રસારિત કુલ ડેટા પેકેટોના માત્ર 1% જેટલો ઘટાડો થાય છે. તમામ કિસ્સાઓમાં, ઉપયોગમાં લેવાતા રૂટ અને શ્રેષ્ઠ રૂટ લંબાઈ વચ્ચે લંબાઈમાં તફાવત નગણ્ય છે, અને મોટાભાગના કિસ્સાઓમાં, રૂટ લંબાઈ સરેરાશ 1.01 ના પરિબળની અંદર શ્રેષ્ઠ છે. |
25a26b86f4a2ebca2b154effbaf894aef690c03c | તાજેતરમાં સુપરવિઝ્ડ લર્નિંગ અલ્ગોરિધમ્સમાં નોંધપાત્ર રસ છે જે ટેક્સ્ટ લર્નિંગ કાર્યો માટે લેબલવાળા અને લેબલ વગરના ડેટાને જોડે છે. સહ-તાલીમ સેટિંગ [1] ડેટાસેટ્સ પર લાગુ પડે છે કે જે તેમની સુવિધાઓના બે વિખેરાયેલા સેટમાં કુદરતી વિભાજન ધરાવે છે. અમે દર્શાવ્યું છે કે લેબલવાળા અને લેબલ વગરના ડેટામાંથી શીખતી વખતે, અલ્ગોરિધમ્સ સ્પષ્ટપણે લક્ષણોના કુદરતી સ્વતંત્ર વિભાજનને અલ્ગોરિધમ્સ કરતા વધારે છે જે નથી કરતા. જ્યારે કુદરતી વિભાજન અસ્તિત્વમાં નથી, ત્યારે સહ-તાલીમ અલ્ગોરિધમ્સ કે જે લક્ષણ વિભાજનનું ઉત્પાદન કરે છે તે વિભાજનનો ઉપયોગ ન કરતા અલ્ગોરિધમ્સને આગળ કરી શકે છે. આ પરિણામો સમજાવે છે કે સહ-તાલીમ અલ્ગોરિધમ્સ પ્રકૃતિમાં ભેદભાવપૂર્ણ અને તેમના એમ્બેડેડ વર્ગીકરણકારોની ધારણાઓ માટે મજબૂત કેમ છે. |
78beead3a05f7e8f2dc812298f813c5bacdc3061 | |
1d6889c44e11141cc82ef28bba1afe07f3c0a2b4 | છેલ્લા કેટલાક વર્ષોમાં ઈન્ટરનેટ ઓફ થિંગ્સ (આઇઓટી) નો વ્યાપક ઉપયોગ થયો છે અને તે દરેક ક્ષેત્રમાં મળી શકે છે. ઉપકરણો વચ્ચે સુરક્ષિત સંચારને સક્ષમ કરવા માટે ઓથેન્ટિકેશન અને એક્સેસ કંટ્રોલ આઇઓટીના સંદર્ભમાં મહત્વપૂર્ણ અને નિર્ણાયક કાર્યક્ષમતા છે. આઇઓટી નેટવર્કમાં ઓછી શક્તિવાળા ઉપકરણોની ગતિશીલતા, ગતિશીલ નેટવર્ક ટોપોલોજી અને નબળી ભૌતિક સુરક્ષા સુરક્ષા નબળાઈઓના સંભવિત સ્રોત છે. તે સંસાધન મર્યાદિત અને વિતરણ આઇઓટી પર્યાવરણમાં પ્રમાણીકરણ અને ઍક્સેસ નિયંત્રણ હુમલા પ્રતિરોધક અને હળવા બનાવવા માટે આશાસ્પદ છે. આ કાગળ પ્રોટોકોલ મૂલ્યાંકન અને પ્રદર્શન વિશ્લેષણ સાથે ઓળખ પ્રમાણીકરણ અને ક્ષમતા આધારિત ઍક્સેસ નિયંત્રણ (આઇએસીએસી) મોડેલ રજૂ કરે છે. મેન-ઇન-ધ-મિડલ, રિપ્લે અને ડિલિઝ ઓફ સર્વિસ (ડીઓએસ) હુમલાઓથી આઇઓટીને સુરક્ષિત કરવા માટે, ઍક્સેસ નિયંત્રણ માટે ક્ષમતાની વિભાવના રજૂ કરવામાં આવી છે. આ મોડેલની નવીનતા એ છે કે, તે આઇઓટી ઉપકરણો માટે પ્રમાણીકરણ અને પ્રવેશ નિયંત્રણનો એકીકૃત અભિગમ રજૂ કરે છે. અન્ય સંબંધિત અભ્યાસના પરિણામોનું પણ વિશ્લેષણ કરવામાં આવ્યું છે જેથી અમારા તારણોને માન્યતા અને સમર્થન મળી શકે. છેલ્લે, સુરક્ષા પ્રોટોકોલ ચકાસણી સાધનનો ઉપયોગ કરીને પ્રસ્તાવિત પ્રોટોકોલનું મૂલ્યાંકન કરવામાં આવે છે અને ચકાસણી પરિણામો દર્શાવે છે કે આઇએસીએસી ઉપરોક્ત હુમલાઓ સામે સુરક્ષિત છે. આ કાગળમાં અન્ય જર્નલ ઓફ સાયબર સિક્યોરિટી એન્ડ મોબિલિટી, વોલ્યૂમ, 2 ની સરખામણીમાં કમ્પ્યુટેશનલ સમયના સંદર્ભમાં પ્રોટોકોલના પ્રદર્શન વિશ્લેષણની પણ ચર્ચા કરવામાં આવી છે. ૧, ૩૦૯-૩૪૮ સી © 2013 રિવર પબ્લિશર્સ. બધા અધિકારો અનામત છે. 310 પી. એન. મહાલે અને અન્ય વર્તમાન ઉકેલો. આ ઉપરાંત, આ કાગળમાં આઇઓટીમાં પડકારોનો પણ ઉલ્લેખ કરવામાં આવ્યો છે અને આઇઓટી નેટવર્કના વાસ્તવિક દૃશ્યને આપવા માટે ઉપયોગના કેસો સાથે સુરક્ષા હુમલાઓનું મોડેલિંગ કરવામાં આવ્યું છે. |
310b72fbc3d384ca88ca994b33476b8a2be2e27f | અમે સેન્ટીમેન્ટ એનાલિસર (એસએ) રજૂ કરીએ છીએ જે ઓનલાઇન ટેક્સ્ટ દસ્તાવેજોમાંથી કોઈ વિષય વિશેની લાગણી (અથવા અભિપ્રાય) કાઢે છે. કોઈ વિષય વિશેના સમગ્ર દસ્તાવેજની લાગણીને વર્ગીકૃત કરવાને બદલે, એસએ આપેલ વિષયના તમામ સંદર્ભો શોધે છે, અને કુદરતી ભાષા પ્રોસેસિંગ (એનએલપી) તકનીકોનો ઉપયોગ કરીને સંદર્ભોમાંથી દરેકમાં લાગણી નક્કી કરે છે. અમારા લાગણી વિશ્લેષણમાં 1) વિષય વિશિષ્ટ લક્ષણ શબ્દ નિષ્કર્ષણ, 2) લાગણી નિષ્કર્ષણ, અને 3) સંબંધ વિશ્લેષણ દ્વારા (વિષય, લાગણી) જોડાણનો સમાવેશ થાય છે. એસએ વિશ્લેષણ માટે બે ભાષાકીય સંસાધનોનો ઉપયોગ કરે છેઃ સેન્ટીમેન્ટ લેક્સિકોન અને સેન્ટીમેન્ટ પેટર્ન ડેટાબેઝ. આલ્ગોરિધમ્સના પ્રદર્શનને ઓનલાઇન પ્રોડક્ટ રિવ્યૂ લેખો (ડિજિટલ કેમેરા અને મ્યુઝિક રિવ્યૂ) અને સામાન્ય વેબપેજ અને ન્યૂઝ લેખો સહિતના વધુ સામાન્ય દસ્તાવેજો પર ચકાસાયેલ છે. |
59d9160780bf3eac8c621983a36ff332a3497219 | સ્વયંચાલિત લાગણી વિશ્લેષણના ઘણા અભિગમો તેમની અગાઉની ધ્રુવીયતા (જેને અર્થપૂર્ણ અભિગમ પણ કહેવાય છે) સાથે ચિહ્નિત શબ્દોના મોટા લેક્સિકોનથી શરૂ થાય છે. જો કે, શબ્દસમૂહની સંદર્ભિત ધ્રુવીયતા જેમાં શબ્દનો કોઈ ચોક્કસ ઉદાહરણ દેખાય છે તે શબ્દની અગાઉની ધ્રુવીયતાથી તદ્દન અલગ હોઈ શકે છે. સકારાત્મક શબ્દોનો ઉપયોગ નકારાત્મક લાગણીઓ વ્યક્ત કરતા શબ્દસમૂહોમાં થાય છે, અથવા તેનાથી વિપરીત. ઉપરાંત, ઘણી વાર શબ્દો કે જે સકારાત્મક અથવા નકારાત્મક છે તે સંદર્ભમાં તટસ્થ છે, જેનો અર્થ છે કે તેઓ લાગણી વ્યક્ત કરવા માટે પણ ઉપયોગમાં લેવાતા નથી. આ કાર્યનો ઉદ્દેશ્ય એ છે કે આ કાર્ય માટે કયા લક્ષણો મહત્વપૂર્ણ છે તે સમજવા પર ધ્યાન કેન્દ્રિત કરીને, પૂર્વ અને સંદર્ભિત ધ્રુવીયતા વચ્ચે આપમેળે તફાવત કરવો. કારણ કે સમસ્યાનો એક મહત્વપૂર્ણ પાસા એ ઓળખવામાં આવે છે કે જ્યારે તટસ્થ સંદર્ભોમાં ધ્રુવીય શબ્દોનો ઉપયોગ કરવામાં આવે છે, તટસ્થ અને ધ્રુવીય ઉદાહરણો વચ્ચે તફાવત માટે સુવિધાઓનું મૂલ્યાંકન કરવામાં આવે છે, તેમજ હકારાત્મક અને નકારાત્મક સંદર્ભિત ધ્રુવીયતા વચ્ચે તફાવત માટે સુવિધાઓ. આ મૂલ્યાંકનમાં બહુવિધ મશીન લર્નિંગ અલ્ગોરિધમ્સમાં સુવિધાઓના પ્રદર્શનનું મૂલ્યાંકન શામેલ છે. એક સિવાય તમામ શીખવાની અલ્ગોરિધમ્સ માટે, તમામ સુવિધાઓનો સંયોજન શ્રેષ્ઠ પ્રદર્શન આપે છે. મૂલ્યાંકનના અન્ય પાસામાં એ ધ્યાનમાં લેવાય છે કે કેવી રીતે તટસ્થ ઉદાહરણોની હાજરી હકારાત્મક અને નકારાત્મક ધ્રુવીયતા વચ્ચે તફાવત કરવા માટે લક્ષણોના પ્રભાવને અસર કરે છે. આ પ્રયોગો દર્શાવે છે કે તટસ્થ ઉદાહરણોની હાજરી આ સુવિધાઓના પ્રદર્શનને મોટા પ્રમાણમાં ઘટાડે છે, અને કદાચ તમામ ધ્રુવીયતા વર્ગોમાં પ્રદર્શન સુધારવાનો શ્રેષ્ઠ માર્ગ એ છે કે જ્યારે કોઈ ઉદાહરણ તટસ્થ હોય ત્યારે ઓળખવાની સિસ્ટમની ક્ષમતામાં સુધારો કરવો. |
7c89cbf5d860819c9b5e5217d079dc8aafcba336 | આ કાગળમાં, અમે સજા-સ્તરના વર્ગીકરણના કેસ સ્ટડીનું વર્ણન કરીએ છીએ જેમાં ટેગિંગ સૂચનાઓ વિકસાવી છે અને વોલ સ્ટ્રીટ જર્નલમાંથી કલમોને વ્યક્તિલક્ષી અથવા ઉદ્દેશ્ય તરીકે વર્ગીકૃત કરવા માટે ચાર ન્યાયાધીશો દ્વારા ઉપયોગમાં લેવાય છે. ચાર ન્યાયાધીશો વચ્ચેના કરારનું વિશ્લેષણ કરવામાં આવે છે અને તે વિશ્લેષણના આધારે, દરેક કલમને અંતિમ વર્ગીકરણ આપવામાં આવે છે. વર્ગીકરણ માટે પ્રયોગમૂલક આધાર પૂરો પાડવા માટે, વિષયોનું વર્ગીકરણ અને ક્વિર્ક અને સહ દ્વારા પ્રસ્તુત મૂળભૂત અર્થશાસ્ત્ર વર્ગ વચ્ચેના ડેટામાં સહસંબંધનું મૂલ્યાંકન કરવામાં આવે છે. (1985). આ |
9141d85998eadb1bca5cca027ae07670cfafb015 | લાગણીઓ (અભિપ્રાયોના ભાવનાત્મક ભાગો) ને ઓળખવી એક પડકારરૂપ સમસ્યા છે. અમે એક એવી સિસ્ટમ રજૂ કરીએ છીએ જે કોઈ વિષયને આપ્યા પછી, તે વિષય વિશે અભિપ્રાય ધરાવતા લોકો અને દરેક અભિપ્રાયની ભાવનાને આપમેળે શોધે છે. આ પ્રણાલીમાં શબ્દની લાગણી નક્કી કરવા માટે એક મોડ્યુલ અને વાક્યમાં લાગણીઓને જોડવા માટે અન્ય એક મોડ્યુલ છે. અમે શબ્દ અને વાક્ય સ્તરે લાગણીઓને વર્ગીકૃત કરવા અને સંયોજિત કરવાના વિવિધ મોડેલો સાથે પ્રયોગો કરીએ છીએ, આશાસ્પદ પરિણામો સાથે. |
c2ac213982e189e4ad4c7f60608914a489ec9051 | અમારા ત્રણ વર્ષના અનુભવથી અમે મોટા પાયે અરબી લખાણના કોરપસને વિકસિત કરી રહ્યા છીએ, અમારું કાગળ નીચેના મુદ્દાઓને સંબોધિત કરશેઃ (એ) પદ્ધતિની પસંદગીઓ સાથે સંબંધિત અરબી ભાષાના મુદ્દાઓની સમીક્ષા કરો, (બી) માર્ગદર્શિકાઓની પેન ઇંગ્લીશ ટ્રીબેંક શૈલીનો ઉપયોગ કરવાની અમારી પસંદગી સમજાવો, (અરબી બોલતા એનોટેટર્સને નવી વ્યાકરણની સાથે વ્યવહાર કરવાની જરૂર છે) અને (સી) અમારા લેખમાં અમે તમને જણાવીશું કે કેવી રીતે અમે અમારા લેખમાં અરેબિક ભાષાના સંદર્ભમાં અમારા માર્ગદર્શિકાઓ અને સૂચનોનો ઉપયોગ કર્યો છે. (સી) માનવ એનોટેશન મહત્વપૂર્ણ છે અને સ્વયંચાલિત વિશ્લેષણ મુશ્કેલ છે તે કેટલાક માર્ગો દર્શાવે છે, જેમાં મોર્ફોલોજિકલ વિશ્લેષક અને માનવ એનોટેટર્સ બંને દ્વારા ઓર્થોગ્રાફિક અસ્પષ્ટતાનું સંચાલન શામેલ છે; (ડી) આનું એક ઉદાહરણ આપો અરબી ટ્રીબેંક પદ્ધતિ, મોર્ફોલોજિકલ વિશ્લેષણ અને ટેગિંગ અને વાક્યરચના વિશ્લેષણ બંનેમાં ચોક્કસ બાંધકામ પર ધ્યાન કેન્દ્રિત કરે છે અને સમગ્ર એનોટેશન પ્રક્રિયા દ્વારા વિગતવાર તેને અનુસરે છે, અને છેલ્લે, (ઇ) અત્યાર સુધી શું પ્રાપ્ત થયું છે અને શું કરવાનું બાકી છે તે સાથે તારણ કાઢે છે. |
e33a3487f9b656631159186db4b2aebaed230b36 | આજે લગભગ દરેક ઉદ્યોગમાં ડિજિટલ પ્લેટફોર્મ પરિવર્તન લાવી રહ્યા છે, તેઓ ધીમે ધીમે મુખ્ય પ્રવાહની માહિતી પ્રણાલી (આઇએસ) સાહિત્યમાં પ્રવેશ કરી રહ્યા છે. ડિજિટલ પ્લેટફોર્મ તેમના વિતરણ સ્વભાવ અને સંસ્થાઓ, બજારો અને તકનીકો સાથેના આંતરછેદને કારણે એક પડકારરૂપ સંશોધન પદાર્થ છે. પ્લેટફોર્મ ઇનોવેશનના ઝડપથી વધતા સ્કેલ, પ્લેટફોર્મ આર્કિટેક્ચરની વધતી જતી જટિલતા અને ઘણા વિવિધ ઉદ્યોગોમાં ડિજિટલ પ્લેટફોર્મના ફેલાવાને કારણે નવા સંશોધન પડકારો ઉભા થાય છે. આ કાગળ આઈએસમાં ડિજિટલ પ્લેટફોર્મ સંશોધન માટે સંશોધન એજન્ડા વિકસાવે છે. અમે સંશોધકોને ભલામણ કરીએ છીએ કે (1) વિશ્લેષણના એકમ, ડિજિટાલિટીની ડિગ્રી અને ડિજિટલ પ્લેટફોર્મ્સની સામાજિક-તકનીકી પ્રકૃતિને સ્પષ્ટ કરતી સ્પષ્ટ વ્યાખ્યાઓ આપીને વૈચારિક સ્પષ્ટતા વધારવા; (2) વિવિધ આર્કિટેક્ચરલ સ્તરો અને વિવિધ ઉદ્યોગ સેટિંગ્સમાં પ્લેટફોર્મ્સનો અભ્યાસ કરીને ડિજિટલ પ્લેટફોર્મ ખ્યાલોના યોગ્ય અવકાશને વ્યાખ્યાયિત કરવા; અને (3) એમ્બેડેડ કેસ સ્ટડીઝ, લંબાઈના અભ્યાસો, ડિઝાઇન સંશોધન, ડેટા-ડ્રાઇવ્ડ મોડેલિંગ અને વિઝ્યુલાઇઝેશન તકનીકોનો ઉપયોગ કરીને પધ્ધતિગત સખતામાં વધારો કરવા. વ્યવસાયના ક્ષેત્રમાં વર્તમાન વિકાસને ધ્યાનમાં રાખીને, અમે વધુ સંશોધન માટે છ પ્રશ્નો સૂચવીએ છીએ: (1) શું પ્લેટફોર્મ અહીં રહેવા માટે છે? (2) પ્લેટફોર્મ કેવી રીતે ડિઝાઇન કરવા જોઈએ? ; (3) ડિજિટલ પ્લેટફોર્મ ઉદ્યોગોને કેવી રીતે પરિવર્તિત કરે છે? ; (4) ડેટા આધારિત અભિગમો ડિજિટલ પ્લેટફોર્મ સંશોધન માટે કેવી રીતે માહિતી આપી શકે છે? ; (5) સંશોધકોએ ડિજિટલ પ્લેટફોર્મ માટે સિદ્ધાંત કેવી રીતે વિકસાવવો જોઈએ? ; અને (6) ડિજિટલ પ્લેટફોર્મ્સ રોજિંદા જીવનને કેવી રીતે અસર કરે છે? |
1be8cab8701586e751d6ed6d186ca0b6f58a54e7 | સિસ્ટમ સ્પષ્ટીકરણની ઉપયોગીતા આવશ્યકતાઓની સંપૂર્ણતા પર અંશતઃ આધાર રાખે છે. જો કે, તમામ જરૂરી જરૂરિયાતોની યાદી કરવી મુશ્કેલ છે, ખાસ કરીને જ્યારે જરૂરિયાતો અણધારી પર્યાવરણ સાથે ક્રિયાપ્રતિક્રિયા કરે છે. આદર્શ પર્યાવરણીય દૃશ્ય સાથે બાંધવામાં આવેલ સ્પષ્ટીકરણ અપૂર્ણ છે જો તેમાં બિન-આદર્શ વર્તણૂકને નિયંત્રિત કરવાની આવશ્યકતાઓ શામેલ નથી. ઘણી વખત અમલીકરણ, પરીક્ષણ અથવા વધુ ખરાબ, જમાવટ પછી સુધી અપૂર્ણ જરૂરિયાતો શોધી શકાતી નથી. જરૂરિયાતોના વિશ્લેષણ દરમિયાન કરવામાં આવે ત્યારે પણ, અપૂર્ણ જરૂરિયાતો શોધવી એ સામાન્ય રીતે ભૂલ-સંવેદનશીલ, કંટાળાજનક અને મેન્યુઅલ કાર્ય છે. આ કાગળ એરેસ રજૂ કરે છે, જે હાયરાર્કીક જરૂરિયાતોના મોડેલોના પ્રતીકાત્મક વિશ્લેષણનો ઉપયોગ કરીને અપૂર્ણ જરૂરિયાતો વિઘટન શોધવા માટે ડિઝાઇન-ટાઇમ અભિગમ છે. અમે ઉદ્યોગ આધારિત ઓટોમોટિવ અનુકૂલનશીલ ક્રુઝ કંટ્રોલ સિસ્ટમના જરૂરિયાતો મોડેલમાં એરેસને લાગુ કરીને અમારા અભિગમને સમજાવીએ છીએ. એરેસ ડિઝાઇન-સમય પર અપૂર્ણ જરૂરિયાતોના વિઘટનના ચોક્કસ ઉદાહરણોને આપમેળે શોધી શકે છે, જેમાંથી ઘણા સૂક્ષ્મ છે અને તે જાતે અથવા પરીક્ષણ દ્વારા શોધવાનું મુશ્કેલ હશે. |
155ed7834a8a44a195b80719985a8b4ca11e6fdc | મલ્ટીપલ-ઇનપુટ મલ્ટીપલ-આઉટપુટ (એમઆઇએમઓ) રડાર પરંપરાગત તબક્કાવાર-એરે રડાર સિસ્ટમ્સ પર તરંગરૂપ વિવિધતા દ્વારા શ્રેષ્ઠ પ્રદર્શન પ્રાપ્ત કરી શકે છે. જ્યારે MIMO રડાર ઓર્થોગોનલ તરંગાકાર પ્રસારિત કરે છે, ત્યારે સ્કેટરથી પ્રતિબિંબિત સંકેતો એકબીજાથી રેખીય રીતે સ્વતંત્ર હોય છે. તેથી, અનુકૂલનશીલ રીસીવ ફિલ્ટર્સ, જેમ કે કેપોન અને એમ્પ્લીટ્યુડ અને ફેઝ અંદાજ (એપીઇએસ) ફિલ્ટર્સ, સીધા જ એમઆઇએમઓ રડાર એપ્લિકેશન્સમાં ઉપયોગમાં લઈ શકાય છે. જો કે, ઉચ્ચ સ્તરના અવાજ અને મજબૂત ક્લટર, સ્નેપશોટની અછતને કારણે ડેટા-આધારિત બીમફોર્મર્સની શોધ કામગીરીને નોંધપાત્ર રીતે ખરાબ કરે છે. પુનરાવર્તિત અનુકૂલનશીલ અભિગમ (આઇએએ), બિન-પારમેટ્રિક અને વપરાશકર્તા પરિમાણ-મુક્ત વજનવાળા લઘુત્તમ-ચોરસ અલ્ગોરિધમનો, તાજેતરમાં દર્શાવવામાં આવ્યું હતું કે કેટલાક નિષ્ક્રિય અને સક્રિય સેન્સિંગ એપ્લિકેશન્સમાં સુધારેલ રીઝોલ્યુશન અને દખલગીરી અસ્વીકાર કામગીરી પ્રદાન કરે છે. આ કાગળમાં, અમે બતાવીએ છીએ કે કેવી રીતે આઇએએને એમઆઇએમઓ રડાર ઇમેજિંગમાં વિસ્તૃત કરી શકાય છે, બંને નગણ્ય અને બિન-નગણ્ય ઇન્ટ્રાપલ્સ ડોપ્લર કેસોમાં, અને અમે આઇએએના કેટલાક સૈદ્ધાંતિક સંકલન ગુણધર્મો પણ સ્થાપિત કરીએ છીએ. વધુમાં, અમે એક નિયમનકારી આઇએએ અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ, જેને આઇએએ-આર તરીકે ઓળખવામાં આવે છે, જે સિગ્નલ મોડેલમાં બિન-પ્રતિનિધિત્વવાળા એડિટિવ અવાજની શરતોને ધ્યાનમાં રાખીને આઇએએ કરતાં વધુ સારી કામગીરી કરી શકે છે. સિંગલ ઇનપુટ મલ્ટીપલ આઉટપુટ (SIMO) રડાર કરતાં MIMO રડારનું શ્રેષ્ઠ પ્રદર્શન દર્શાવવા માટે સંખ્યાત્મક ઉદાહરણો રજૂ કરવામાં આવ્યા છે, અને લક્ષ્ય ઇમેજિંગ માટે સૂચિત IAA-R પદ્ધતિ સાથે પ્રાપ્ત સુધારેલ પ્રદર્શનને વધુ પ્રકાશિત કરે છે. |
0cfe588996f1bc319f87c6f75160d1cf1542d9a9 | |
20efcba63a0d9f12251a5e5dda745ac75a6a84a9 | |
ccaab0cee02fe1e5ffde33b79274b66aedeccc65 | પરિવહનના અનુમાનિત ભવિષ્ય તરીકે, સ્વયં-ડ્રાઇવિંગ કારની ચર્ચા સામાજિક, આર્થિક, એન્જિનિયરિંગ, કમ્પ્યુટર વિજ્ઞાન, ડિઝાઇન અને નૈતિકતા સહિતના વિવિધ દ્રષ્ટિકોણથી કરવામાં આવી રહી છે. એક તરફ, સ્વયં ડ્રાઇવિંગ કાર નવી એન્જિનિયરિંગ સમસ્યાઓ રજૂ કરે છે જે ધીમે ધીમે સફળતાપૂર્વક ઉકેલી રહી છે. બીજી તરફ, સામાજિક અને નૈતિક સમસ્યાઓ સામાન્ય રીતે આદર્શનીય ઉકેલી ન શકાય તેવી નિર્ણય લેવાની સમસ્યાના રૂપમાં રજૂ કરવામાં આવે છે, જેને ટ્રોલી સમસ્યા કહેવામાં આવે છે, જે ખૂબ જ ગેરમાર્ગે દોરે છે. અમે એવી દલીલ કરીએ છીએ કે નવી ટેકનોલોજીના વિકાસ માટે એક લાગુ ઇજનેરી નૈતિક અભિગમ જરૂરી છે; અભિગમ લાગુ થવો જોઈએ, એટલે કે તે જટિલ વાસ્તવિક દુનિયાની ઇજનેરી સમસ્યાઓના વિશ્લેષણ પર ધ્યાન કેન્દ્રિત કરવું જોઈએ. સ્વયં સંચાલિત કારના નિયંત્રણ માટે સોફ્ટવેર મહત્ત્વની ભૂમિકા ભજવે છે; તેથી, સોફ્ટવેર એન્જિનિયરિંગ સોલ્યુશન્સને નૈતિક અને સામાજિક વિચારણાઓ સાથે ગંભીરતાથી વ્યવહાર કરવો જોઈએ. આ કાગળમાં અમે નિયમનકારી સાધનો, ધોરણો, ડિઝાઇન અને ઘટકો, સિસ્ટમો અને સેવાઓના અમલીકરણ પર નજીકથી નજર કરીએ છીએ અને અમે વ્યવહારુ સામાજિક અને નૈતિક પડકારો રજૂ કરીએ છીએ જે મળવા જોઈએ, તેમજ સોફ્ટવેર એન્જિનિયરિંગ માટે નવી અપેક્ષાઓ. |
288c67457f09c0c30cadd7439040114e9c377bc3 | અગ્રવાલ, ઇમીલીન્સ્કી અને સ્વામી દ્વારા રજૂ કરાયેલા એસોસિએશન નિયમો, સંબંધની 90% પંક્તિઓ માટે ફોર્મ ના નિયમો છે, જો પંક્તિમાં સેટ W માં સ્તંભોમાં 1 મૂલ્ય હોય, તો તે સ્તંભ B માં પણ 1 છે. મોટા ડેટા સંગ્રહોમાંથી એસોસિએશન નિયમો શોધવા માટે કાર્યક્ષમ પદ્ધતિઓ અસ્તિત્વમાં છે. જો કે, શોધાયેલા નિયમોની સંખ્યા એટલી મોટી હોઈ શકે છે કે નિયમ સેટને બ્રાઉઝ કરવું અને તેમાંથી રસપ્રદ નિયમો શોધવું વપરાશકર્તા માટે ખૂબ મુશ્કેલ હોઈ શકે છે. અમે બતાવીએ છીએ કે કેવી રીતે નિયમ નમૂનાઓના સરળ ઔપચારિકતા સરળતાથી રસપ્રદ નિયમોની રચનાનું વર્ણન કરવાનું શક્ય બનાવે છે. અમે નિયમોના વિઝ્યુલાઇઝેશનના ઉદાહરણો પણ આપીએ છીએ, અને બતાવીએ છીએ કે કેવી રીતે વિઝ્યુલાઇઝેશન ટૂલ નિયમ નમૂનાઓ સાથે ઇન્ટરફેસ કરે છે. |
384bb3944abe9441dcd2cede5e7cd7353e9ee5f7 | |
47f0f6a2fd518932734cc90936292775cc95aa5d | |
b336f946d34cb427452517f503ada4bbe0181d3c | વીડિયો સમજણમાં તાજેતરની પ્રગતિ અને વર્ષોથી કાલ ક્રિયા સ્થાનિકીકરણમાં સતત સુધારણાના દર હોવા છતાં, તે હજુ પણ અસ્પષ્ટ છે કે કેવી રીતે દૂર (અથવા નજીક? આપણે સમસ્યાનું સમાધાન કરવા જઈ રહ્યા છીએ. આ અંત માટે, અમે વિડિઓઝમાં ક્ષણિક ક્રિયા ડિટેક્ટર્સના પ્રદર્શનનું વિશ્લેષણ કરવા અને એક સ્કેલર મેટ્રિકથી આગળ વિવિધ પદ્ધતિઓની તુલના કરવા માટે એક નવું ડાયગ્નોસ્ટિક ટૂલ રજૂ કરીએ છીએ. અમે અમારા સાધનનો ઉપયોગનું ઉદાહરણ આપી રહ્યા છીએ, જેમાં અમે તાજેતરની ActivityNet એક્શન લોકેલાઇઝેશન ચેલેન્જમાં ટોચના પુરસ્કાર પ્રાપ્ત એન્ટ્રીઓના પ્રદર્શનનું વિશ્લેષણ કર્યું છે. અમારા વિશ્લેષણ દર્શાવે છે કે કામ કરવા માટે સૌથી વધુ અસર ધરાવતા વિસ્તારો છેઃ ઉદાહરણો આસપાસના સમયના સંદર્ભને વધુ સારી રીતે સંચાલિત કરવાની વ્યૂહરચનાઓ, વ.ર.ટી. ઉદાહરણ ચોક્કસ અને સંબંધિત કદ, અને સ્થાનિકીકરણ ભૂલો ઘટાડવા માટેની વ્યૂહરચનાઓ. વધુમાં, અમારા પ્રાયોગિક વિશ્લેષણમાં જાણવા મળ્યું છે કે એનોટેટર વચ્ચેની અસંમતિ એ ક્ષેત્રમાં પ્રગતિ પ્રાપ્ત કરવા માટે મુખ્ય અવરોધ નથી. અમારું ડાયગ્નોસ્ટિક ટૂલ સાર્વજનિક રૂપે ઉપલબ્ધ છે અન્ય સંશોધકોના મગજને તેમના અલ્ગોરિધમ્સ વિશે વધારાની સમજ સાથે બળતણ આપવાનું ચાલુ રાખવા માટે. |
160404fb0d05a1a2efa593c448fcb8796c24b873 | પ્રતિનિધિત્વની અનુકરણ સિદ્ધાંત વિકસિત અને એક માળખા તરીકે શોધવામાં આવે છે જે મગજના પ્રતિનિધિત્વ કાર્યોની વિશાળ વિવિધતાને સંશ્લેષણ કરી શકે છે. આ માળખું નિયંત્રણ સિદ્ધાંત (ફોરવર્ડ મોડલ્સ) અને સિગ્નલ પ્રોસેસિંગ (કલ્મન ફિલ્ટર્સ) ના નિર્માણ પર આધારિત છે. આ વિચાર એ છે કે શરીર અને પર્યાવરણ સાથે જોડાયેલા હોવા ઉપરાંત, મગજ ન્યુરલ સર્કિટ્સનું નિર્માણ કરે છે જે શરીર અને પર્યાવરણના મોડેલો તરીકે કાર્ય કરે છે. ખુલ્લા સેન્સોમોટર જોડાણ દરમિયાન, આ મોડેલોને શરીર અને પર્યાવરણ સાથે સમાંતર ઇફેરેન્સ નકલો દ્વારા ચલાવવામાં આવે છે, જેથી સંવેદનાત્મક પ્રતિસાદની અપેક્ષાઓ પૂરી પાડવામાં આવે, અને સંવેદનાત્મક માહિતીને વધારવા અને પ્રક્રિયા કરવા માટે. આ મોડેલોને છબીઓ ઉત્પન્ન કરવા, વિવિધ ક્રિયાઓના પરિણામોનો અંદાજ કાઢવા, અને મોટર યોજનાઓનું મૂલ્યાંકન અને વિકાસ કરવા માટે ઑફલાઇન પણ ચલાવી શકાય છે. આ માળખું શરૂઆતમાં મોટર કંટ્રોલના સંદર્ભમાં વિકસાવવામાં આવ્યું છે, જ્યાં તે દર્શાવવામાં આવ્યું છે કે શરીરની સાથે સમાંતર ચાલી રહેલા આંતરિક મોડેલો પ્રતિક્રિયા વિલંબની સમસ્યાઓના પ્રભાવને ઘટાડી શકે છે. એ જ પદ્ધતિઓ મોટર ઇમેજરીને ઇમ્યુલેટરની ઓફલાઇન ડ્રાઇવિંગ તરીકે ઇફેરેન્સ નકલો દ્વારા ગણી શકે છે. મોટર-વિઝ્યુઅલ લૂપના ઇમ્યુલેટરની ઓફલાઇન ડ્રાઇવિંગ તરીકે દ્રશ્ય છબીને ધ્યાનમાં લેવા માટે માળખું વિસ્તૃત કરવામાં આવ્યું છે. હું એ પણ બતાવું છું કે આવી પ્રણાલીઓ કેવી રીતે એમોડલ અવકાશી છબીઓ પ્રદાન કરી શકે છે. દ્રશ્ય દ્રષ્ટિ સહિતની દ્રષ્ટિ, આવા મોડેલોનો ઉપયોગ સેન્સરી ઇનપુટની અપેક્ષાઓ અને અર્થઘટન કરવા માટે કરવામાં આવે છે. હું સંક્ષિપ્તમાં અન્ય જ્ઞાનાત્મક કાર્યોની રૂપરેખા આપીને સમાપ્ત કરું છું જે આ માળખામાં સંશ્લેષણ કરી શકાય છે, જેમાં તર્ક, મનની ઘટનાના સિદ્ધાંત અને ભાષાનો સમાવેશ થાય છે. |
65c85498be307ee940976db668dae4546943a4c8 | |
761f2288b1b0cea385b0b9a89bb068593d94d6bd | 3ડી ચહેરાની ઓળખ ઉદ્યોગ અને શિક્ષણક્ષેત્ર બંનેમાં સંશોધનનું એક ટ્રેન્ડીંગ દિશા બની ગયું છે. તે પરંપરાગત 2D ચહેરાની ઓળખના ફાયદાઓ, જેમ કે કુદરતી ઓળખ પ્રક્રિયા અને એપ્લિકેશનની વિશાળ શ્રેણીને વારસામાં આપે છે. વધુમાં, 3ડી ચહેરાની ઓળખની પ્રણાલીઓ અંધ પ્રકાશમાં પણ અને ચહેરાની સ્થિતિ અને અભિવ્યક્તિઓ સાથે માનવ ચહેરાને ચોક્કસ રીતે ઓળખી શકે છે, આવી પરિસ્થિતિઓમાં 2ડી ચહેરાની ઓળખની પ્રણાલીઓને સંચાલિત કરવામાં ભારે મુશ્કેલી પડશે. આ કાગળ 3D ચહેરાની ઓળખ સંશોધન ક્ષેત્રમાં ઇતિહાસ અને સૌથી તાજેતરની પ્રગતિનો સારાંશ આપે છે. આ સીમાવર્તી સંશોધનનાં પરિણામોને ત્રણ શ્રેણીઓમાં રજૂ કરવામાં આવ્યા છેઃ પોઝ-અનવર્તિત ઓળખ, અભિવ્યક્તિ-અનવર્તિત ઓળખ અને ઓક્લૂઝન-અનવર્તિત ઓળખ. ભવિષ્યના સંશોધનને પ્રોત્સાહન આપવા માટે, આ કાગળ જાહેરમાં ઉપલબ્ધ 3D ચહેરાના ડેટાબેઝ વિશેની માહિતી એકત્રિત કરે છે. આ પેપરમાં મહત્વપૂર્ણ ખુલ્લી સમસ્યાઓની યાદી પણ છે. |
2d2b1f9446e9b4cdb46327cda32a8d9621944e29 | સોશિયલ નેટવર્કિંગ સાઇટ્સમાં ભાગ લેવો એ તાજેતરના વર્ષોમાં નાટ્યાત્મક રીતે વધ્યો છે. ફ્રેન્ડસ્ટર, ટ્રિબ અથવા ફેસબુક જેવી સેવાઓ લાખો લોકોને ઓનલાઇન પ્રોફાઇલ બનાવવા અને મિત્રોના વિશાળ નેટવર્ક સાથે વ્યક્તિગત માહિતી શેર કરવાની મંજૂરી આપે છે - અને, ઘણી વખત, અજાણ્યા લોકોની સંખ્યા. આ પેપરમાં અમે ઓનલાઇન સોશિયલ નેટવર્કમાં માહિતીના પ્રકાશનની પદ્ધતિઓ અને તેમની ગોપનીયતાની અસરોનો અભ્યાસ કરીએ છીએ. અમે 4,000 થી વધુ કાર્નેગી મેલોન યુનિવર્સિટીના વિદ્યાર્થીઓના ઓનલાઇન વર્તનનું વિશ્લેષણ કર્યું છે જે કોલેજોને પૂરી પાડવામાં આવેલ લોકપ્રિય સોશિયલ નેટવર્કિંગ સાઇટમાં જોડાયા છે. અમે તેમની માહિતીની માત્રાનું મૂલ્યાંકન કરીએ છીએ અને સાઇટની ગોપનીયતા સેટિંગ્સના તેમના ઉપયોગનો અભ્યાસ કરીએ છીએ. અમે તેમની ગોપનીયતાના વિવિધ પાસાઓ પર સંભવિત હુમલાઓ પર પ્રકાશ પાડ્યો છે, અને અમે બતાવીએ છીએ કે વપરાશકર્તાઓની માત્ર એક નજીવી ટકાવારી અત્યંત પારદર્શક ગોપનીયતા પસંદગીઓને બદલે છે. |
e9c525679fed4dad85699d09b5ce1ccaffe8f11d | |
192687300b76bca25d06744b6586f2826c722645 | આ કાગળમાં આપણે ડીપ ગૌસિયન પ્રોસેસ (જીપી) મોડેલો રજૂ કરીએ છીએ. ડીપ જી. પી. એ ગૌસિયન પ્રક્રિયા મેપિંગ પર આધારિત એક ઊંડા માન્યતા નેટવર્ક છે. આ ડેટાને મલ્ટીવેરીએટ જીપીના આઉટપુટ તરીકે મોડેલ કરવામાં આવે છે. તે ગૌસિયન પ્રક્રિયામાં ઇનપુટ્સ પછી અન્ય જીપી દ્વારા સંચાલિત થાય છે. એક સ્તરનું મોડેલ પ્રમાણભૂત જીપી અથવા જીપી લેટેન્ટ વેરિયેબલ મોડેલ (જીપી-એલવીએમ) ની સમકક્ષ છે. અમે અંદાજિત વૈવિધ્યસભર માર્જિનિલાઇઝેશન દ્વારા મોડેલમાં નિષ્કર્ષ કરીએ છીએ. આનું પરિણામ મોડેલની સીમાંત સંભાવના પર સખત નીચલા સીમામાં આવે છે જેનો ઉપયોગ આપણે મોડેલ પસંદગી માટે કરીએ છીએ (લેયર્સ અને લેયર દીઠ ગાંઠોની સંખ્યા). ઊંડા માન્યતા નેટવર્ક્સ સામાન્ય રીતે ઑપ્ટિમાઇઝેશન માટે સ્ટોકાસ્ટિક ગ્રૅડિયન્ટ વંશનો ઉપયોગ કરીને પ્રમાણમાં મોટા ડેટા સેટ્સ પર લાગુ થાય છે. અમારી સંપૂર્ણ બેયસિયન સારવાર ઊંડા મોડેલોના ઉપયોગ માટે પરવાનગી આપે છે જ્યારે ડેટા દુર્લભ હોય છે. અમારા વિવિધતાની બાઉન્ડ દ્વારા મોડેલ પસંદગી બતાવે છે કે પાંચ સ્તરની પદાનુક્રમ વાજબી છે, જ્યારે માત્ર 150 ઉદાહરણો ધરાવતી અંક ડેટા સેટને મોડેલિંગ કરતી વખતે. |
2cac0942a692c3dbb46bcf826d71d202ab0f2e02 | અમે એક માન્યતા મોડેલ સાથે ઊંડા ગૌસિયન પ્રક્રિયાઓ વધારીને સ્કેલેબલ ઊંડા બિન-પારમેટ્રિક જનરેટિવ મોડેલ વિકસાવીએ છીએ. અનુમાન એક નવલકથા સ્કેલેબલ વેરિએશનલ ફ્રેમવર્કમાં કરવામાં આવે છે જ્યાં વિવિધતા પશ્ચાદવર્તી વિતરણો મલ્ટીલેયર પર્સેપ્ટ્રોન દ્વારા ફરીથી પરિમાણિત થાય છે. આ પુનરાવર્તનની મુખ્ય બાબત એ છે કે તે વૈવિધ્યસભર પરિમાણોના પ્રસારને અટકાવે છે જે અન્યથા નમૂનાના કદના પ્રમાણમાં રેખીય રીતે વધે છે. અમે વિવિધતાની નીચલી સીમાની નવી રચના મેળવીએ છીએ જે અમને મોટાભાગની ગણતરીને એવી રીતે વિતરિત કરવાની મંજૂરી આપે છે જે મુખ્યપ્રવાહના ઊંડા શિક્ષણ કાર્યોના કદના ડેટાસેટ્સને સંચાલિત કરવા માટે સક્ષમ બનાવે છે. અમે વિવિધ પડકારો પર પદ્ધતિની અસરકારકતા બતાવીએ છીએ જેમાં ઊંડા નિરીક્ષણ વિનાના શિક્ષણ અને ઊંડા બેઝિયન ઑપ્ટિમાઇઝેશનનો સમાવેશ થાય છે. |
722fcc35def20cfcca3ada76c8dd7a585d6de386 | કાફે મલ્ટીમીડિયા વૈજ્ઞાનિકો અને પ્રેક્ટિશનરોને અત્યાધુનિક ડીપ લર્નિંગ અલ્ગોરિધમ્સ માટે સ્વચ્છ અને ફેરફારવાળા માળખા અને સંદર્ભ મોડેલોનો સંગ્રહ પૂરો પાડે છે. આ ફ્રેમવર્ક એ BSD-લાઇસન્સવાળી C++ લાઇબ્રેરી છે જેમાં Python અને MATLAB બાઈન્ડિંગ્સ છે, જે કોમોડિટી આર્કિટેક્ચર્સ પર સામાન્ય હેતુવાળા કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ અને અન્ય ઊંડા મોડેલોને તાલીમ અને જમાવવા માટે કાર્યક્ષમ છે. કૅફે CUDA GPU ગણતરી દ્વારા ઉદ્યોગ અને ઇન્ટરનેટ-સ્કેલ મીડિયા જરૂરિયાતોને પૂર્ણ કરે છે, એક K40 અથવા ટાઇટન GPU પર એક દિવસમાં 40 મિલિયનથી વધુ છબીઓ (આશરે 2 એમએસ પ્રતિ છબી) પર પ્રક્રિયા કરે છે. વાસ્તવિક અમલીકરણથી મોડેલ પ્રતિનિધિત્વને અલગ કરીને, કાફે પ્રયોગો અને પ્લેટફોર્મ્સ વચ્ચે સીમલેસ સ્વિચિંગને વિકાસ અને જમાવટની સરળતા માટે પ્રોટોટાઇપિંગ મશીનોથી ક્લાઉડ વાતાવરણમાં પરવાનગી આપે છે. કાફેનું સંચાલન અને વિકાસ બર્કલે વિઝન એન્ડ લર્નિંગ સેન્ટર (બીવીએલસી) દ્વારા કરવામાં આવે છે. ગિટહબ પર યોગદાન આપનારાઓના સક્રિય સમુદાયની મદદથી. તે ચાલુ સંશોધન પ્રોજેક્ટ્સ, મોટા પાયે ઔદ્યોગિક એપ્લિકેશન્સ અને દ્રષ્ટિ, વાણી અને મલ્ટીમીડિયામાં સ્ટાર્ટઅપ પ્રોટોટાઇપ્સને શક્તિ આપે છે. |
fd50fa6954e1f6f78ca66f43346e7e86b196b137 | શહેરીકરણની સતત વધતી પ્રક્રિયા સાથે શહેરી વિસ્તારમાં લોકોની પ્રવૃત્તિઓનું વ્યવસ્થિત રીતે મોડેલિંગ કરવું એ એક મહત્વપૂર્ણ સામાજિક-આર્થિક કાર્ય તરીકે ઓળખાય છે. વિશ્વસનીય ડેટા સ્ત્રોતોના અભાવને કારણે વર્ષો પહેલા આ કાર્ય લગભગ અશક્ય હતું, તેમ છતાં જીઓ-ટેગ કરેલા સોશિયલ મીડિયા (જીટીએસએમ) ડેટાના ઉદભવથી તેના પર નવો પ્રકાશ પડે છે. તાજેતરમાં, જીટીએસએમ ડેટામાંથી ભૌગોલિક વિષયોની શોધ પર ફળદાયી અભ્યાસો થયા છે. જો કે, તેમના ઉચ્ચ કમ્પ્યુટેશનલ ખર્ચ અને સુપ્ત વિષયો વિશે મજબૂત વિતરણ ધારણાઓ તેમને જીટીએસએમની શક્તિને સંપૂર્ણપણે છૂટા કરવામાં અવરોધે છે. આ અંતરને દૂર કરવા માટે, અમે ક્રોસમેપ રજૂ કરીએ છીએ, એક નવલકથા ક્રોસમોડલ પ્રતિનિધિત્વ શીખવાની પદ્ધતિ જે મોટા પાયે જીટીએસએમ ડેટા સાથે શહેરી ગતિશીલતાને ઉઘાડે છે. ક્રોસમેપ પ્રથમ લોકોની પ્રવૃત્તિઓને આધારે અવકાશી-સમયની હોટસ્પોટ્સને શોધવા માટે એક ઝડપી મોડ શોધ પ્રક્રિયાનો ઉપયોગ કરે છે. આ શોધાયેલા હોટસ્પોટ્સ માત્ર અવકાશી-સમયની વિવિધતાઓને જ સંબોધિત કરતા નથી, પરંતુ મોટા પ્રમાણમાં જીટીએસએમ ડેટાની વિરલતાને પણ ઘટાડે છે. શોધાયેલ હોટસ્પોટ્સ સાથે, ક્રોસમેપ પછી સંયુક્ત રીતે તમામ અવકાશી, સમયસર અને ટેક્સ્ટલ એકમોને એક જ જગ્યામાં બે અલગ અલગ વ્યૂહરચનાઓનો ઉપયોગ કરીને એમ્બેડ કરે છેઃ એક પુનઃનિર્માણ આધારિત છે અને બીજું ગ્રાફ આધારિત છે. બંને વ્યૂહરચનાઓ એકમો વચ્ચેના સહસંબંધોને તેમના સહસંબંધ અને પડોશી સંબંધો કોડ કરીને મેળવે છે, અને આવા સહસંબંધોને જાળવવા માટે નીચા પરિમાણીય રજૂઆતો શીખે છે. અમારા પ્રયોગો દર્શાવે છે કે ક્રોસમેપ માત્ર પ્રવૃત્તિ પુનઃપ્રાપ્તિ અને વર્ગીકરણ માટે રાજ્ય-ઓફ-ધ-આર્ટ પદ્ધતિઓ કરતાં નોંધપાત્ર રીતે વધુ સારી છે, પણ ઘણી સારી કાર્યક્ષમતા પણ પ્રાપ્ત કરે છે. |
ce8d99e5b270d15dc09422c08c500c5d86ed3703 | માનવ ચાલનું વિશ્લેષણ એક આંતરિક ચાલની સહી શોધવામાં મદદ કરે છે જેના દ્વારા સર્વવ્યાપક માનવ ઓળખ અને તબીબી વિકારની સમસ્યાઓની વ્યાપક સ્પેક્ટ્રમમાં તપાસ કરી શકાય છે. આ બાયોમેટ્રિક એક અસ્પષ્ટ સુવિધા પૂરી પાડે છે જેના દ્વારા વિડીયો વોટ ડેટાને વિષયની અગાઉની જાગૃતિ વિના મોટા અંતર પર કેપ્ચર કરી શકાય છે. આ કાગળમાં, કિનેક્ટ એક્સબોક્સ ડિવાઇસ સાથે માનવ ચાલ વિશ્લેષણનો અભ્યાસ કરવા માટે એક નવી તકનીકનો ઉલ્લેખ કરવામાં આવ્યો છે. તે અમને સ્વયંસંચાલિત પૃષ્ઠભૂમિ બાદબાકી તકનીક સાથે સેગ્મેન્ટેશન ભૂલોને ઘટાડવાની ખાતરી આપે છે. માનવ હાડપિંજરનું મોડેલ પૃષ્ઠભૂમિમાંથી કાપવામાં આવેલી ચાલની છબીઓમાંથી પેદા કરી શકાય છે, જે કોવેરેટ શરતો દ્વારા બદલાય છે, જેમ કે વૉકિંગ સ્પીડમાં ફેરફાર અને કપડાંના પ્રકારમાં ભિન્નતા. આ ચાલની સહીઓ વિષયના હાડપિંજર મોડેલના ડાબા હિપ, ડાબા ઘૂંટણ, જમણા હિપ અને જમણા ઘૂંટણના સંયુક્ત ખૂણાના રસ્તાઓમાંથી મેળવવામાં આવે છે. કિનૅક્ટના ચાલ ડેટા પર પ્રાયોગિક ચકાસણીની સરખામણી સેન્સર આધારિત બાયોમેટ્રિક સુટ, ઇન્ટેલિજન્ટ ગેટ ઓસિલેશન ડિટેક્ટર (આઇજીઓડી) ના અમારા ઇન-હાઉસ વિકાસ સાથે કરવામાં આવી છે. આ સેન્સર આધારિત બાયોમેટ્રિક પોશાકને મજબૂત ચાલ ઓળખ પ્રણાલીના પ્રસાર માટે કિનેક્ટ ઉપકરણ સાથે બદલી શકાય છે કે નહીં તે તપાસવાનો પ્રયાસ કરવામાં આવ્યો છે. ફિશર ભેદભાવ વિશ્લેષણને તાલીમ ચાલની સહી પર લાગુ કરવામાં આવી છે જેથી લક્ષણ વેક્ટરની ભેદભાવ શક્તિને જોવામાં આવે. નાઇવ બેયસિયન વર્ગીકરણકર્તા કિનેક્ટ સેન્સર દ્વારા મેળવેલા મર્યાદિત ડેટાસેટ પર ભૂલોના અંદાજ સાથે પ્રોત્સાહક વર્ગીકરણ પરિણામ દર્શાવે છે. |
582ea307db25c5764e7d2ed82c4846757f4e95d7 | ફંક્શનનું અંદાજ ફંક્શન સ્પેસમાં સંખ્યાત્મક ઑપ્ટિમાઇઝેશનના પરિપ્રેક્ષ્યથી જોવામાં આવે છે, પેરામીટર સ્પેસ કરતાં. તબક્કાવાર ઉમેરણ વિસ્તરણ અને સૌથી વધુ ઉતરતા ઘટાડા વચ્ચે જોડાણ કરવામાં આવે છે. કોઈપણ માપદંડ પર આધારિત એડિટિવ વિસ્તરણ માટે એક સામાન્ય ઢાળ {વંશ \વધારો" નમૂનો વિકસાવવામાં આવે છે. લઘુતમ ચોરસ, લઘુતમ સંપૂર્ણ વિચલન અને હ્યુબર એમ નુકશાન કાર્યો માટે ચોક્કસ અલ્ગોરિધમ્સ પ્રસ્તુત કરવામાં આવે છે, અને વર્ગીકરણ માટે બહુવિધ વર્ગ લોજિસ્ટિક સંભાવના. ખાસ સુધારાઓ ખાસ કેસ માટે ઉતરી આવે છે જ્યાં વ્યક્તિગત ઉમેરણ ઘટકો નિર્ણય વૃક્ષો છે, અને આવા "ટ્રીબુસ્ટ" મોડેલોના અર્થઘટન માટે સાધનો રજૂ કરવામાં આવે છે. નિર્ણયના વૃક્ષોના ઢાળવાળી વૃદ્ધિ સ્પર્ધાત્મક, અત્યંત મજબૂત, રીગ્રેસન અને વર્ગીકરણ માટે અર્થઘટન પ્રક્રિયાઓ પેદા કરે છે, ખાસ કરીને શુદ્ધ ડેટા કરતાં ઓછા ખાણકામ માટે યોગ્ય છે. આ અભિગમ અને ફ્રેન્ડ અને શેપાયર 1996 અને ફ્રીડમેન, હસ્ટી અને ટિબિશિરાની 1998 ની બુસ્ટિંગ પદ્ધતિઓ વચ્ચેના જોડાણોની ચર્ચા કરવામાં આવી છે. 1 ફંક્શન અંદાજ ફંક્શન અંદાજ સમસ્યામાં એક સિસ્ટમ છે જેમાં રેન્ડમ \આઉટપુટ" અથવા \પ્રતિભાવ" ચલ y અને રેન્ડમ \ઇનપુટ" અથવા \સ્પષ્ટીકરણ" ચલો x = fx1; ; xng નો સમૂહ છે. જાણીતા (y;x) { મૂલ્યોના \training " નમૂના fyi;xig N 1 ને આપવામાં આવે છે, ધ્યેય એ છે કે ફંક્શન F (x) ને નકશામાં લાવવું કે જે x થી y, જેમ કે બધા (y;x) { મૂલ્યોના સંયુક્ત વિતરણ પર, કેટલાક ચોક્કસ નુકશાન કાર્ય (y; F (x)) ની અપેક્ષિત મૂલ્ય ઘટાડવામાં આવે છે F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) વારંવાર ઉપયોગમાં લેવાતા નુકશાન કાર્યો (y; F) માં y 2 R (પ્રતિક્રિયા) માટે ચોરસ {error (y F ) અને નિરપેક્ષ ભૂલ jy j F અને નકારાત્મક દ્વિસંગી લોગોમી {likelihood, log1 + e 2y F), જ્યારે y 2 f 1 (classification 1;g) નો સમાવેશ થાય છે. એક સામાન્ય પ્રક્રિયા એ છે કે F (x) ને ફંક્શન્સ F (x; P) ના પરિમાણીકિત વર્ગના સભ્ય તરીકે લેવું, જ્યાં P = fP1; P2; g પરિમાણોનો સમૂહ છે. આ લેખમાં આપણે ફોર્મના "ઉમેરા" વિસ્તરણ પર ધ્યાન કેન્દ્રિત કરીશું |
6a7c63a73724c0ca68b1675e256bb8b9a35c94f4 | JSTOR આર્કાઇવનો તમારો ઉપયોગ, http://www.jstor.org/about/terms.html પર ઉપલબ્ધ JSTOR ના ઉપયોગની શરતો અને નિયમોની તમારી સ્વીકૃતિ સૂચવે છે. JSTORના ઉપયોગની શરતો અને નિયમોમાં ભાગરૂપે જણાવાયું છે કે જ્યાં સુધી તમે અગાઉથી પરવાનગી મેળવી ન લો ત્યાં સુધી તમે કોઈ જર્નલનો સંપૂર્ણ અંક અથવા લેખોની બહુવિધ નકલો ડાઉનલોડ કરી શકતા નથી, અને તમે JSTOR આર્કાઇવમાં સમાવિષ્ટ સામગ્રીનો ઉપયોગ ફક્ત તમારા વ્યક્તિગત, બિન-વ્યાવસાયિક ઉપયોગ માટે કરી શકો છો. કૃપા કરીને આ પુસ્તકના પ્રકાશનકર્તાને સંપર્ક કરો. પ્રકાશકોની સંપર્ક માહિતી http://www.jstor.org/journals/econosoc.html પરથી મેળવી શકાય છે. JSTOR પ્રસારણના કોઈપણ ભાગની દરેક નકલમાં તે જ કૉપિરાઇટ નોટિસ હોવી જોઈએ જે આવા પ્રસારણની સ્ક્રીન અથવા પ્રિન્ટેડ પૃષ્ઠ પર દેખાય છે. |
8eca169f19425c76fa72078824e6a91a5b37f470 | ઓછા ખર્ચે અને ઉચ્ચ પ્રદર્શનની રડાર સિસ્ટમોની સફળ ડિઝાઇન માટે ચોક્કસ અને કાર્યક્ષમ સિસ્ટમ સિમ્યુલેશન એક મુખ્ય જરૂરિયાત છે. આ કાગળમાં આપણે આવર્તન-મોડ્યુલેટેડ સતત-તરંગ રડાર સિસ્ટમ્સ માટે એક નવું સર્વતોમુખી સિમ્યુલેશન પર્યાવરણ રજૂ કરીએ છીએ. સામાન્ય હાર્ડવેર સિમ્યુલેશન ઉપરાંત તે સિગ્નલ સિન્થેસિસથી બેઝબેન્ડ સુધી સંકલિત સિસ્ટમ સિમ્યુલેશન અને ખ્યાલ વિશ્લેષણને આવરી લે છે. તેમાં લવચીક દૃશ્ય જનરેટર, ચોક્કસ અવાજ મોડેલિંગ અને સિગ્નલ પ્રોસેસિંગ અલ્ગોરિધમ્સના વિકાસ અને પરીક્ષણ માટે સિમ્યુલેશન ડેટાને અસરકારક રીતે પહોંચાડે છે. એક સંકલિત 77-જીએચઝેડ રડાર પ્રોટોટાઇપ માટે સિમ્યુલેશન અને માપન પરિણામોની સરખામણી બે અલગ અલગ દૃશ્યો પર સિમ્યુલેટરની ક્ષમતાઓ દર્શાવે છે. |
71337276460b50a2cb37959a2d843e593dc4fdcc | એક નવલકથા બિન-અલગ ત્રણ પોર્ટ કન્વર્ટર (NI-TPC) એક PV પોર્ટ, એક દ્વિદિશ બેટરી પોર્ટ અને એક લોડ પોર્ટને ઇન્ટરફેસ કરવા માટે પ્રસ્તાવિત છે. ત્રણ પોર્ટમાંથી કોઈપણ બે વચ્ચે એક તબક્કાની પાવર રૂપાંતર પ્રાપ્ત થાય છે. ટોપોલોજીને પરંપરાગત માળખાના દ્વિદિશ પાવર ફ્લો પાથને બે એકદિશ એકમાં વિભાજીત કરીને મેળવવામાં આવે છે. ત્રણ પોર્ટમાંથી બેને સખત રીતે નિયંત્રિત કરી શકાય છે જેથી PV માટે મહત્તમ પાવર હાર્વેસ્ટિંગ અથવા બેટરી માટે ચાર્જ નિયંત્રણ પ્રાપ્ત કરી શકાય અને તે જ સમયે લોડ વોલ્ટેજને સતત રાખી શકાય, જ્યારે ત્રીજા પોર્ટને કન્વર્ટરના પાવર અસંતુલનને સરભર કરવા માટે લવચીક છોડી દેવામાં આવે છે. ઓપરેશન સ્થિતિનું વિશ્લેષણ કરવામાં આવે છે. મલ્ટી-રેગ્યુલેટર સ્પર્ધા નિયંત્રણ વ્યૂહરચનાને સ્વયં સંચાલિત અને સરળ રાજ્ય સ્વિચિંગ પ્રાપ્ત કરવા માટે રજૂ કરવામાં આવે છે જ્યારે PV ઇનપુટ પાવર વધઘટ થાય છે. વિશ્લેષણ પ્રાયોગિક પરિણામો દ્વારા ચકાસાયેલ છે. |
ac8877b0e87625e26f52ab75e84c534a576b1e77 | ડિજિટલ દુનિયામાં, બિઝનેસ એક્ઝિક્યુટિવ્સ તેમની કંપનીઓની મૂલ્ય નિર્માણ માટે માહિતી અને માહિતી વ્યવસ્થાપનનાં વ્યૂહાત્મક મહત્વની વધુ જાગૃત છે. આ સીઆઈઓ માટે નેતૃત્વની તકો અને પડકારો બંને રજૂ કરે છે. સીઆઈઓ પદને પછાત બનતા અટકાવવા અને વ્યવસાયિક મૂલ્ય નિર્માણમાં સીઆઈઓના યોગદાનને વધારવા માટે, તેમને સક્ષમ આઇટી ઉપયોગિતા મેનેજરો હોવા ઉપરાંત તેમની કંપનીઓને મજબૂત માહિતી ઉપયોગ સંસ્કૃતિ બનાવવામાં મદદ કરવામાં સક્રિય ભૂમિકા ભજવવી જોઈએ. આ લેખનો ઉદ્દેશ્ય એ છે કે સીઆઈઓ અને બિઝનેસ એક્ઝિક્યુટિવ્સ તેમની કંપનીઓની માહિતી લક્ષીતામાં સુધારો કરવા માટે અપનાવી શકે તેવા નેતૃત્વના અભિગમોની વધુ સારી સમજણ પૂરી પાડવી. ચાર કેસ સ્ટડીના તારણોના આધારે અમે ચાર-ક્વાડ્રન્ટ નેતૃત્વ-સ્થાનની રચના કરી છે. આ માળખું સીઆઈઓનાં દ્રષ્ટિકોણથી બનાવવામાં આવ્યું છે અને તે સૂચવે છે કે સીઆઈઓ કંપનીના માહિતી લક્ષ્યને વિકસિત કરવા માટે તેના વ્યૂહાત્મક ધ્યાનને પ્રાપ્ત કરવા માટે નેતા, અનુયાયી અથવા બિન-ખેલાડી તરીકે કાર્ય કરી શકે છે. આ લેખ એવા માર્ગદર્શિકાઓ સાથે સમાપ્ત થાય છે જેનો ઉપયોગ સીઆઈઓ તેમની કંપનીઓની માહિતી લક્ષી પહેલોને રજૂ કરવા અથવા ટકાવી રાખવા માટે તેમના નેતૃત્વના પડકારોને પોઝિશન કરવામાં મદદ માટે કરી શકે છે અને સીઆઈઓના વિશિષ્ટ પરિસ્થિતિઓના આધારે ચોક્કસ નેતૃત્વના અભિગમોની ભલામણ કરે છે. |
5c6b51bb44c9b2297733b58daaf26af01c98fe09 | આ કાગળ વ્યવસ્થિત રીતે બે લક્ષણ નિષ્કર્ષણ અલ્ગોરિધમ્સની તુલના કરે છે જે ગ્રાહક સમીક્ષાઓમાં ટિપ્પણી કરેલા ખાણના ઉત્પાદન સુવિધાઓ માટે છે. પ્રથમ અભિગમ [17] POS પેટર્નનો સમૂહ લાગુ કરીને અને લોગ સંભાવના રેશિયો પરીક્ષણના આધારે ઉમેદવાર સમૂહને કાપવા દ્વારા ઉમેદવાર લક્ષણોને ઓળખે છે. બીજો અભિગમ [11] વારંવાર લક્ષણોની ઓળખ માટે એસોસિયેશન નિયમ માઇનિંગ અને અસામાન્ય લક્ષણોની ઓળખ માટે સેન્ટીમેન્ટ શરતોની હાજરી પર આધારિત એક ઉચ્ચારણ લાગુ કરે છે. અમે ગ્રાહક ઇલેક્ટ્રોનિક ઉપકરણો સંબંધિત પાંચ ઉત્પાદન વિશિષ્ટ દસ્તાવેજ સંગ્રહો પર અલ્ગોરિધમ્સના પ્રદર્શનનું મૂલ્યાંકન કરીએ છીએ. અમે ભૂલોનું વિશ્લેષણ કરીએ છીએ અને અલ્ગોરિધમ્સના ફાયદા અને મર્યાદાઓની ચર્ચા કરીએ છીએ. |
623fd6adaa5585707d8d7339b5125185af6e3bf1 | વર્તમાન અભ્યાસ ઈન્ટરનેટ ગેમિંગ ડિસઓર્ડર (આઇજીડી) માટે હસ્તક્ષેપોનો અર્ધ-પ્રાયોગિક, સંભવિત અભ્યાસ છે. ૧૦૪ માતા-પિતા અને તેમના કિશોર બાળકોની નોંધણી કરવામાં આવી હતી અને તેમને ચાર સારવાર જૂથોમાંથી એકમાં ફાળવવામાં આવ્યા હતા; માત્ર ૭ દિવસનું સિરિયજ થેરાપ્યુટિક રેસિડેન્શિયલ કેમ્પ (એસ-ટીઆરસી), એકલા ગેમ વ્યસન માટે ૮ અઠવાડિયાની પેરેંટ મેનેજમેન્ટ ટ્રેનિંગ (પીએમટી-જી), સંયુક્ત એસ-ટીઆરસી અને પીએમટી-જી, અને મૂળભૂત માનસિક શિક્ષણ (નિયંત્રણ). આઇજીડીની ગંભીરતા ગેમ વ્યસન સ્ક્રીનીંગ ટેસ્ટ (જીએએસટી) દ્વારા માપવામાં આવી હતી. GAST સ્કોર્સમાં જૂથો વચ્ચેનો સરેરાશ તફાવત આંકડાકીય રીતે નોંધપાત્ર હતો, જેમાં અનુક્રમે 1, 3, અને 6 મહિના પછી P મૂલ્યો < 0. 001, 0. 002 અને 0. 005 હતા. બધા જૂથોએ નિયંત્રણ જૂથની સરખામણીમાં સુધારો દર્શાવ્યો હતો. વ્યસનગ્રસ્ત અથવા સંભવિત વ્યસનગ્રસ્ત જૂથોમાં રહેલા કિશોરોની ટકાવારી એસ-ટીઆરસી, પીએમટી-જી અને સંયુક્ત જૂથોમાં 50% કરતા ઓછી હતી. નિષ્કર્ષમાં, એસ-ટીઆરસી અને પીએમટી-જી બંને આઇજીડી માટે અસરકારક મનોસામાજિક હસ્તક્ષેપો હતા અને એકલા મૂળભૂત મનોશિક્ષણથી બહેતર હતા. |
aca437e9e2a453c84a38d716ca9a7a7683ae58b6 | આ કાગળમાં સાહજિક મિકેનિક્સનો ઉપયોગ કરીને ઑબ્જેક્ટ સ્થિરતા અને સલામતીના તર્ક દ્વારા 3D દ્રશ્ય સમજણ માટે એક નવું પરિપ્રેક્ષ્ય રજૂ કરવામાં આવ્યું છે. અમારો અભિગમ એક સરળ અવલોકનનો ઉપયોગ કરે છે, જે માનવ ડિઝાઇન દ્વારા સ્થિર દ્રશ્યોમાં પદાર્થો ગુરુત્વાકર્ષણ ક્ષેત્રમાં સ્થિર હોવા જોઈએ અને માનવ પ્રવૃત્તિઓ જેવા વિવિધ ભૌતિક વિક્ષેપોના સંદર્ભમાં સલામત હોવા જોઈએ. આ ધારણા તમામ દ્રશ્ય કેટેગરીઝ પર લાગુ પડે છે અને દ્રશ્ય સમજણમાં વાજબી અર્થઘટનો (પાર્સ) માટે ઉપયોગી પ્રતિબંધો મૂકે છે. ઊંડાઈ કેમેરા દ્વારા સ્થિર દ્રશ્ય માટે કબજે કરેલા 3D પોઇન્ટ મેઘને ધ્યાનમાં રાખીને, અમારી પદ્ધતિમાં ત્રણ પગલાંનો સમાવેશ થાય છેઃ (i) વોક્સલ્સમાંથી ઘન 3D વોલ્યુમેટ્રિક પ્રાથમિકતાઓને પુનઃપ્રાપ્ત કરવી; (ii) સ્થિરતા અને દ્રશ્ય પહેલાં ઑપ્ટિમાઇઝ કરીને અસ્થિર પ્રાથમિકતાઓને શારીરિક સ્થિર પદાર્થોમાં જૂથબદ્ધ કરીને સ્થિરતાનું કારણ આપવું; અને (iii) માનવીય પ્રવૃત્તિ, પવન અથવા ધરતીકંપ જેવા ભૌતિક વિક્ષેપો હેઠળ પદાર્થો માટે ભૌતિક જોખમોનું મૂલ્યાંકન કરીને સલામતીનું કારણ આપવું. અમે એક નવલકથા સાહજિક ભૌતિકશાસ્ત્ર મોડેલ અપનાવીએ છીએ અને ડિસ્કનેક્ટિવિટી ગ્રાફ (ડીજી) દ્વારા દ્રશ્યમાં દરેક આદિમ અને ઑબ્જેક્ટની ઊર્જા લેન્ડસ્કેપનું પ્રતિનિધિત્વ કરીએ છીએ. અમે એક સંપર્ક ગ્રાફનું નિર્માણ કરીએ છીએ જેમાં ગાંઠો 3D વોલ્યુમેટ્રિક પ્રાથમિકતા છે અને ધાર સહાયક સંબંધોનું પ્રતિનિધિત્વ કરે છે. પછી અમે સ્વીન્ડસન-વાંગ કટ્સ અલ્ગોરિધમનો અપનાવીએ છીએ જૂથોમાં સંપર્ક ગ્રાફને વિભાજીત કરવા માટે, જેમાંથી દરેક સ્થિર પદાર્થ છે. સ્થિર દ્રશ્યમાં અસુરક્ષિત વસ્તુઓને શોધવા માટે, અમારી પદ્ધતિ દ્રશ્યમાં છુપાયેલા અને સ્થિત કારણો (અવરોધ) ને વધુ અનુમાનિત કરે છે, અને પછી સંભવિત અસરો (દા. ત. , પતન) ની આગાહી કરવા માટે સાહજિક ભૌતિક મિકેનિક્સ રજૂ કરે છે. પ્રયોગોમાં, અમે દર્શાવ્યું છે કે અલ્ગોરિધમનો (i) ઑબ્જેક્ટ સેગ્મેન્ટેશન, (ii) 3D વોલ્યુમેટ્રિક પુનઃપ્રાપ્તિ, અને (iii) દ્રશ્ય સમજણ માટે અન્ય રાજ્ય-ઓફ-ધ-આર્ટ પદ્ધતિઓના સંદર્ભમાં નોંધપાત્ર રીતે વધુ સારું પ્રદર્શન પ્રાપ્ત કરે છે. અમે માનવ ચુકાદા સાથે અંતર્ગત મિકેનિક્સ મોડેલમાંથી સલામતીની આગાહીની પણ તુલના કરીએ છીએ. |
7e9507924ceebd784503fd25128218a7119ff722 | અમારો અભિગમ દરેક ટેક્સ્ટલ કોર્પસને વિષય ગ્રાફ તરીકે મોડેલ કરે છે. આ ગ્રાફને પછી સુસંગત ગ્રાફ મેચિંગ પદ્ધતિનો ઉપયોગ કરીને મેળ ખાતા હોય છે. આગળ, અમે વિગતવાર સ્તર (એલઓડી) વિઝ્યુલાઇઝેશન વિકસાવીએ છીએ જે વાંચનીયતા અને સ્થિરતા બંનેને સંતુલિત કરે છે. આ મુજબ, પરિણામી વિઝ્યુલાઇઝેશન વપરાશકર્તાઓને સમકક્ષ ગ્રાફને બહુવિધ દ્રષ્ટિકોણથી સમજવા અને તેનું વિશ્લેષણ કરવાની ક્ષમતામાં વધારો કરે છે. મેટ્રિક લર્નિંગ અને ફીચર સિલેક્શનને ગ્રાફ મેચિંગ અલ્ગોરિધમમાં સામેલ કરીને, અમે વપરાશકર્તાઓને તેમની માહિતીની જરૂરિયાતોને આધારે ગ્રાફ મેચિંગ પરિણામ પર ક્રિયાપ્રતિક્રિયાત્મક રીતે ફેરફાર કરવાની મંજૂરી આપીએ છીએ. અમે અમારા અભિગમને વિવિધ પ્રકારના ડેટા પર લાગુ કર્યા છે, જેમાં સમાચાર લેખ, ટ્વીટ્સ અને બ્લોગ ડેટાનો સમાવેશ થાય છે. જથ્થાત્મક મૂલ્યાંકન અને વાસ્તવિક દુનિયાના કેસ સ્ટડીઝ અમારા અભિગમના વચન દર્શાવે છે, ખાસ કરીને વિવિધ સ્તરે વિગતવાર વિષય-ગ્રાફ આધારિત સંપૂર્ણ ચિત્રની તપાસ કરવા માટે સમર્થન આપે છે. આ કાગળ સમાચાર, બ્લોગ્સ અથવા માઇક્રો-બ્લોગ્સ જેવા બહુવિધ સ્રોતોમાં ચર્ચા કરાયેલા સંબંધિત વિષયોની સંપૂર્ણ ચિત્રનું વિશ્લેષણ કરવા માટે દ્રશ્ય વિશ્લેષણ અભિગમ રજૂ કરે છે. સંપૂર્ણ ચિત્રમાં અનેક સ્રોતો દ્વારા આવરી લેવામાં આવેલા કેટલાક સામાન્ય વિષયો તેમજ દરેક સ્રોતમાંથી વિશિષ્ટ વિષયોનો સમાવેશ થાય છે. |
b04a503487bc6505aa8972fd690da573f771badb | ઊંડા ન્યુરલ દ્રષ્ટિ અને નિયંત્રણ નેટવર્ક્સ સ્વયં-ડ્રાઇવિંગ વાહનોનો મુખ્ય ઘટક હોવાની સંભાવના છે. આ મોડેલોને સમજાવી શકાય તેવું હોવું જોઈએ - તેઓ તેમના વર્તન માટે સરળ અર્થઘટન તર્કસંગતતા પ્રદાન કરે છે - જેથી મુસાફરો, વીમા કંપનીઓ, કાયદાનું અમલીકરણ, વિકાસકર્તાઓ વગેરે, સમજી શકે કે કોઈ ચોક્કસ વર્તનને શું ટ્રિગર કર્યું છે. અહીં આપણે દ્રશ્ય સમજૂતીઓનો ઉપયોગ કરીશું. આ સમજૂતીઓ વાસ્તવિક સમયના પ્રકાશિત વિસ્તારોના રૂપમાં છે જે છબીના નેટવર્કના આઉટપુટ (સ્ટીયરિંગ કંટ્રોલ) પર અસર કરે છે. અમારો અભિગમ બે તબક્કાનો છે. પ્રથમ તબક્કામાં, અમે દ્રશ્ય ધ્યાન મોડેલનો ઉપયોગ કરીએ છીએ, જે છબીઓથી સ્ટિયરીંગ એન્ગલ સુધીના અંતથી અંત સુધીના કન્વોલ્યુશન નેટવર્કને તાલીમ આપવા માટે. ધ્યાન મોડેલ ઇમેજ પ્રદેશોને પ્રકાશિત કરે છે જે સંભવિત રૂપે નેટવર્કના આઉટપુટને પ્રભાવિત કરે છે. આમાંથી કેટલાક સાચા પ્રભાવ છે, પરંતુ કેટલાક નકલી છે. પછી અમે આઉટપુટને ખરેખર પ્રભાવિત કરે છે તે ઇનપુટ પ્રદેશો નક્કી કરવા માટે એક કારણસર ફિલ્ટરિંગ પગલું લાગુ કરીએ છીએ. આ વધુ સંક્ષિપ્ત દ્રશ્ય સમજૂતીઓ ઉત્પન્ન કરે છે અને વધુ ચોક્કસ રીતે નેટવર્કના વર્તનને છતી કરે છે. અમે અમારા મોડેલની અસરકારકતાનું પ્રદર્શન કરીએ છીએ કુલ 16 કલાકના ડ્રાઇવિંગના ત્રણ ડેટા સેટ્સ પર. અમે સૌ પ્રથમ બતાવીએ છીએ કે ધ્યાન સાથે તાલીમ અંતથી અંત નેટવર્કની કામગીરીને ઘટાડતી નથી. પછી અમે બતાવીએ છીએ કે નેટવર્ક કારણભૂત રીતે સંકેતો વિવિધ સુવિધાઓ પર છે જે ડ્રાઇવિંગ કરતી વખતે મનુષ્ય દ્વારા ઉપયોગમાં લેવાય છે. |
4954bb26107d69eb79bb32ffa247c8731cf20fcf | એટ્રિબ્યુટ બેઝ્ડ એન્ક્રિપ્શન (એબીઇ) [13] વપરાશકર્તાની વિશેષતાઓના આધારે ડિક્રિપ્શન ક્ષમતા નક્કી કરે છે. મલ્ટી-અધિકાર ABE યોજનામાં, બહુવિધ એટ્રિબ્યુટ-અધિકાર લક્ષણોના વિવિધ સમૂહોની દેખરેખ રાખે છે અને વપરાશકર્તાઓને અનુરૂપ ડિક્રિપ્શન કીઓ જારી કરે છે, અને એન્ક્રિપ્ટરને આવશ્યકતા હોઈ શકે છે કે વપરાશકર્તા સંદેશાને ડિક્રિપ્ટ કરતા પહેલા દરેક સત્તા પાસેથી યોગ્ય લક્ષણો માટે કીઓ મેળવે. ચેઝ [5] એ વિશ્વસનીય કેન્દ્રીય સત્તા (સીએ) અને વૈશ્વિક ઓળખકર્તાઓ (જીઆઇડી) ના ખ્યાલોનો ઉપયોગ કરીને મલ્ટી-અધિકાર એબીઇ યોજના આપી હતી. જો કે, તે બાંધકામમાં સી. એ. પાસે દરેક સાઇફર ટેક્સ્ટને ડિક્રિપ્ટ કરવાની શક્તિ છે, જે ઘણા સંભવિત અવિશ્વસનીય સત્તાવાળાઓ પર નિયંત્રણનું વિતરણ કરવાના મૂળ ધ્યેયથી કોઈક રીતે વિરોધાભાસી લાગે છે. વધુમાં, તે બાંધકામમાં, સુસંગત જીઆઇડીનો ઉપયોગ સત્તાવાળાઓને તેમની માહિતીને એક સંપૂર્ણ પ્રોફાઇલ બનાવવા માટે વપરાશકર્તાના તમામ લક્ષણો સાથે ભેગા કરવાની મંજૂરી આપે છે, જે બિનજરૂરી રીતે વપરાશકર્તાની ગોપનીયતાને જોખમમાં મૂકે છે. આ કાગળમાં, અમે એક ઉકેલ પ્રસ્તાવિત કરીએ છીએ જે વિશ્વસનીય કેન્દ્રીય સત્તાને દૂર કરે છે, અને સત્તાવાળાઓને ચોક્કસ વપરાશકર્તાઓ પર તેમની માહિતીને એકત્રિત કરવાથી અટકાવીને વપરાશકર્તાઓની ગોપનીયતાનું રક્ષણ કરે છે, આમ વ્યવહારમાં એબીઇને વધુ ઉપયોગી બનાવે છે. |
25098861749fe9eab62fbe90c1ebeaed58c211bb | આ કાગળમાં આપણે નવા પરિપ્રેક્ષ્યમાંથી બુસ્ટિંગ પદ્ધતિઓનો અભ્યાસ કરીએ છીએ. અમે ઇફ્રોન અને અન્ય દ્વારા તાજેતરના કામ પર નિર્માણ કરીએ છીએ. બતાવવા માટે કે આશરે (અને કેટલાક કિસ્સાઓમાં બરાબર) વધારવું એ ગુણાંક વેક્ટર પર l1 પ્રતિબંધ સાથે તેના નુકશાન માપદંડને ઘટાડે છે. આ નુકશાન માપદંડના નિયમિત ફિટિંગ તરીકે પ્રારંભિક સ્ટોપ સાથેના બૂસ્ટિંગની સફળતાને સમજવામાં મદદ કરે છે. બે સૌથી સામાન્ય રીતે ઉપયોગમાં લેવાતા માપદંડ (અવકાશી અને દ્વિપદી લોગ-સંભવિતતા) માટે, અમે વધુ બતાવીએ છીએ કે જ્યારે પ્રતિબંધ હળવા થાય છે- અથવા સમકક્ષ રીતે બુસ્ટિંગ પુનરાવર્તનો ચાલુ રહે છે- ઉકેલ સંલગ્ન થાય છે (અલગ થયેલા કિસ્સામાં) l1-શ્રેષ્ઠ અલગ હાયપર-પ્લેન. અમે સાબિત કરીએ છીએ કે આ l1- શ્રેષ્ઠ વિભાજન હાયપર-પ્લેન પાસે તાલીમ ડેટાના ન્યૂનતમ l1- માર્જિનને મહત્તમ કરવાની મિલકત છે, જેમ કે બુસ્ટિંગ સાહિત્યમાં વ્યાખ્યાયિત છે. બુસ્ટિંગ અને કર્નલ સપોર્ટ વેક્ટર મશીનો વચ્ચે એક રસપ્રદ મૂળભૂત સમાનતા ઉભરી આવે છે, કારણ કે બંનેને ઉચ્ચ-પરિમાણીય આગાહી જગ્યામાં નિયમિત ઑપ્ટિમાઇઝેશન માટેની પદ્ધતિઓ તરીકે વર્ણવી શકાય છે, ગણતરીને વ્યવહારુ બનાવવા માટે કમ્પ્યુટેશનલ યુક્તિનો ઉપયોગ કરીને અને માર્જિન-મહત્તમકરણ ઉકેલોમાં સંકલન કરે છે. જ્યારે આ નિવેદન એસવીએમનું બરાબર વર્ણન કરે છે, તે માત્ર આશરે બુસ્ટિંગ પર લાગુ પડે છે. |
0825788b9b5a18e3dfea5b0af123b5e939a4f564 | શબ્દોના વેક્ટર સ્પેસ પ્રતિનિધિત્વને શીખવા માટેની તાજેતરની પદ્ધતિઓ વેક્ટર અંકગણિતનો ઉપયોગ કરીને ફાઇન-ગ્રાન્યુલેટેડ સિમેન્ટીક અને સિન્ટેક્ટીક નિયમિતતાઓને પકડવામાં સફળ રહી છે, પરંતુ આ નિયમિતતાની ઉત્પત્તિ અસ્પષ્ટ રહી છે. અમે વિશ્લેષણ કરીએ છીએ અને શબ્દોના વેક્ટરોમાં આવી નિયમિતતા માટે જરૂરી મોડેલ ગુણધર્મોને સ્પષ્ટ કરીએ છીએ. આનું પરિણામ એક નવું વૈશ્વિક લોગબિલિનિયર રીગ્રેસન મોડેલ છે જે સાહિત્યમાં બે મુખ્ય મોડેલ પરિવારોના ફાયદાઓને જોડે છેઃ વૈશ્વિક મેટ્રિક્સ ફેક્ટરીઝેશન અને સ્થાનિક સંદર્ભ વિંડો પદ્ધતિઓ. અમારું મોડેલ કાર્યક્ષમ રીતે આંકડાકીય માહિતીને તાલીમ આપે છે, ફક્ત શબ્દ-શબ્દ સહ-ઉપલબ્ધ મેટ્રિક્સમાં બિન-શૂન્ય તત્વો પર, સમગ્ર વિરલ મેટ્રિક્સ પર અથવા મોટા કોર્પસમાં વ્યક્તિગત સંદર્ભ વિંડોઝ પર નહીં. આ મોડેલ અર્થપૂર્ણ સબસ્ટ્રક્ચર સાથે વેક્ટર સ્પેસ ઉત્પન્ન કરે છે, જેમ કે તાજેતરના શબ્દ સામ્યતા કાર્ય પર 75% ની કામગીરી દ્વારા પુરાવા છે. તે સમાનતા કાર્યો અને નામવાળી એન્ટિટી માન્યતા પર સંબંધિત મોડેલો કરતાં પણ વધુ સારી કામગીરી કરે છે. |
326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5 | અમે બે વિતરણો વચ્ચે મેટ્રિકની મિલકતોની તપાસ કરીએ છીએ, પૃથ્વી મોવરની અંતર (ઇએમડી), સામગ્રી આધારિત છબી પુનઃપ્રાપ્તિ માટે. ઇએમડી એ ન્યૂનતમ ખર્ચ પર આધારિત છે જે એક વિતરણને બીજામાં પરિવર્તિત કરવા માટે ચૂકવણી કરવી આવશ્યક છે, ચોક્કસ અર્થમાં, અને પ્રથમ ચોક્કસ દ્રષ્ટિની સમસ્યાઓ માટે પેલેગ, વર્મન અને રોમ દ્વારા પ્રસ્તાવિત કરવામાં આવી હતી. છબી પુનઃપ્રાપ્તિ માટે, અમે આ વિચારને વિતરણ માટે પ્રતિનિધિત્વ યોજના સાથે જોડીએ છીએ જે વેક્ટર ક્વોન્ટીઝેશન પર આધારિત છે. આ સંયોજનથી છબીની તુલનાત્મક માળખું તરફ દોરી જાય છે જે ઘણીવાર અન્ય અગાઉ સૂચિત પદ્ધતિઓ કરતાં વધુ સારી રીતે દ્રષ્ટિની સમાનતા માટે જવાબદાર છે. ઇએમડી રેખીય ઑપ્ટિમાઇઝેશનથી પરિવહન સમસ્યાના ઉકેલ પર આધારિત છે, જેના માટે કાર્યક્ષમ અલ્ગોરિધમનો ઉપલબ્ધ છે, અને તે પણ આંશિક મેચિંગ માટે કુદરતી રીતે પરવાનગી આપે છે. તે હિસ્ટોગ્રામ મેચિંગ તકનીકો કરતાં વધુ મજબૂત છે, જેમાં તે વિતરણના ચલ-લંબાઈના પ્રતિનિધિત્વ પર કામ કરી શકે છે જે ક્વોન્ટિઝેશન અને અન્ય બિંગિંગ સમસ્યાઓથી દૂર રહે છે જે હિસ્ટોગ્રામ્સ માટે વિશિષ્ટ છે. જ્યારે સમાન કુલ સમૂહ સાથેના વિતરણોની તુલના કરવા માટે વપરાય છે, ત્યારે ઇએમડી સાચી મેટ્રિક છે. આ કાગળમાં અમે રંગ અને પોતની એપ્લિકેશન્સ પર ધ્યાન કેન્દ્રિત કરીએ છીએ, અને અમે અન્ય અંતર સાથે ઇએમડીના પુનઃપ્રાપ્તિ પ્રદર્શનની તુલના કરીએ છીએ. |
508d8c1dbc250732bd2067689565a8225013292f | સ્થાનિક પલ્સ વેવ વેલ્યૂટી (પીડબલ્યુવી) માટે એક નવલકથા ડ્યુઅલ ફોટોપ્લેથિસ્મોગ્રાફ (પીપીજી) સોન્ડ અને માપન પ્રણાલીની દરખાસ્ત અને નિદર્શન કરવામાં આવ્યું છે. વિકસિત સોન્ડ ડિઝાઇન બે અડીને આવેલા માપન બિંદુઓ (28 મીમી દૂર) માંથી રક્ત પલ્સ પ્રસાર તરંગ સ્વરૂપોની બિન-આક્રમક શોધ માટે પ્રતિબિંબ પીપીજી ટ્રાન્સડ્યુસર્સનો ઉપયોગ કરે છે. સતત પ્રાપ્ત થયેલ ડ્યુઅલ પલ્સ તરંગરૂપ વચ્ચેના સંક્રમણ સમય વિલંબનો ઉપયોગ બીટ-ટુ-બીટ સ્થાનિક પીડબલ્યુવી માપ માટે કરવામાં આવ્યો હતો. પીપીજી સોન્ડની રચનાને માન્ય કરવા અને સ્થાનિક પીડબલ્યુવી માપન પ્રણાલી વિકસાવવા માટે 10 સ્વસ્થ સ્વયંસેવકો (8 પુરુષ અને 2 સ્ત્રી, 21 થી 33 વર્ષની વય) પર ઇન- વિવો પ્રાયોગિક માન્યતા અભ્યાસ હાથ ધરવામાં આવ્યો હતો. પ્રસ્તાવિત પ્રણાલી બહુવિધ વિષયોમાંથી કેરોટિડ સ્થાનિક પીડબલ્યુવીને માપવા સક્ષમ હતી. અભ્યાસ દરમિયાન 10 માંથી 7 વ્યક્તિઓમાં બેઝલાઇન કેરોટિડ પીડબલ્યુવીના ધબકારાથી ધબકારામાં ફેરફાર 7. 5% કરતા ઓછો હતો, મહત્તમ ધબકારાથી ધબકારામાં 16% નો ફેરફાર જોવા મળ્યો હતો. કસરત પછીના પુનઃપ્રાપ્તિ સમયગાળા દરમિયાન ધબકારાથી ધબકારાના સ્થાનિક પીડબલ્યુવી અને બ્રેકિયલ બ્લડ પ્રેશર (બીપી) મૂલ્યોમાં ફેરફારની પણ તપાસ કરવામાં આવી હતી. ઇન્ટ્રા- સબજેક્ટ સ્થાનિક પીડબલ્યુવી વેરિએશન અને બ્રેકિયલ બીએપી પરિમાણો વચ્ચે આંકડાકીય રીતે નોંધપાત્ર સંબંધ જોવા મળ્યો હતો (r > 0. 85, p < 0. 001). પરિણામોએ કેરોટિડ ધમનીમાંથી સતત બીટ-ટુ-બીટ સ્થાનિક પીડબલ્યુવી માપન માટે સૂચિત પીપીજી ચકાસણીની શક્યતા દર્શાવી. આવા બિન-આક્રમક સ્થાનિક પીડબલ્યુવી માપન એકમનો ઉપયોગ સંભવિત રૂપે સતત આઉટડોર BP માપન માટે થઈ શકે છે. |
79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6 | આ કાગળ ઊંડાણ નકશાના ક્રમમાંથી માનવ ક્રિયાઓને ઓળખવા માટેની પદ્ધતિ રજૂ કરે છે. ખાસ કરીને, અમે ક્રિયાઓના ગતિશીલતાને સ્પષ્ટ રીતે મોડેલ કરવા માટે એક ક્રિયા ગ્રાફ અને 3D પોઇન્ટ્સની બેગનો ઉપયોગ કરીએ છીએ જે ક્રિયા ગ્રાફમાં ગાંઠો સાથે સંકળાયેલા છે તે પ્રભાવી વલણોના સમૂહનું વર્ણન કરે છે. વધુમાં, અમે ઊંડાણ નકશામાંથી 3D બિંદુઓના બેગને નમૂના આપવા માટે એક સરળ, પરંતુ અસરકારક પ્રક્ષેપણ આધારિત નમૂના યોજના પ્રસ્તાવિત કરીએ છીએ. પ્રાયોગિક પરિણામો દર્શાવે છે કે ઊંડાણ નકશામાંથી માત્ર 1% 3D બિંદુઓના નમૂના દ્વારા 90% થી વધુ ઓળખ ચોકસાઈ પ્રાપ્ત થઈ છે. 2D સિલુએટ આધારિત ઓળખની સરખામણીમાં, ઓળખની ભૂલો અડધી થઈ ગઈ હતી. વધુમાં, અમે સિમ્યુલેશન દ્વારા ઓક્લૂશન સાથે વ્યવહાર કરવા માટે પોઈન્ટ પોઝિશન મોડેલની બેગની સંભવિતતા દર્શાવીએ છીએ. |
46fd85775cab39ecb32cf2e41642ed2d0984c760 | આ પેપરમાં એઆઈ રોબોટ્સની કાનૂની સ્થિતિ અંગેની આજની ચર્ચાની તપાસ કરવામાં આવી છે અને કેટલી વાર વિદ્વાનો અને નીતિ ઘડનારાઓ આ કૃત્રિમ એજન્ટોના કાનૂની એજન્ટને કાનૂની વ્યક્તિની સ્થિતિ સાથે ભેળસેળ કરે છે. આ ક્ષેત્રમાં વર્તમાન વલણોને ધ્યાનમાં રાખીને, આ કાગળ બેવડા વલણ સૂચવે છે. પ્રથમ, નીતિ ઘડનારાઓએ કરાર અને વ્યવસાયિક કાયદામાં એઆઈ રોબોટ્સની પ્રવૃત્તિઓ માટે જવાબદારી અને જવાબદારીના નવા સ્વરૂપોની સ્થાપના કરવાની સંભાવના પર ગંભીરતાથી વિચાર કરવો જોઈએ, ઉદાહરણ તરીકે, જટિલ વિતરણ જવાબદારીના કેસોમાં કાનૂની એજન્ટના નવા સ્વરૂપો. બીજું, AI રોબોટ્સને સંપૂર્ણ કાનૂની વ્યક્તિ આપવાની કોઈ પણ ધારણાને નજીકના ભવિષ્યમાં નકારી કાઢવી પડશે. જો કે, સોફિયા સાથે કેવી રીતે વ્યવહાર કરવો, જે ઓક્ટોબર 2017 માં કોઈપણ દેશ, એટલે કે સાઉદી અરેબિયાની નાગરિકતા પ્રાપ્ત કરનારી પ્રથમ AI એપ્લિકેશન બની? કોઇને અથવા કોઇ વસ્તુને કાનૂની વ્યક્તિ તરીકે ઓળખ આપવી એ એક અત્યંત સંવેદનશીલ રાજકીય મુદ્દો છે, જે ફક્ત તર્કસંગત પસંદગીઓ અને પ્રયોગોના પુરાવા પર આધારિત નથી. આ સંદર્ભમાં વિવેકબુદ્ધિ, મનસ્વીતા અને વિચિત્ર નિર્ણયો પણ ભૂમિકા ભજવે છે. જો કે, કાનૂની વ્યવસ્થાઓ માનવ અને કૃત્રિમ સંસ્થાઓને, જેમ કે કોર્પોરેશનો, તેમની સ્થિતિને શા માટે મંજૂર કરે છે તે નૈતિક કારણો, કૃત્રિમ રોબોટ્સની કાનૂની વ્યક્તિની શોધમાં આજે પક્ષ લે છે. શું નાગરિક સોફિયા ખરેખર સભાન છે, અથવા અસંસ્કારી વિદ્વાનોના સ્લિંગ્સ અને તીર સહન કરવા સક્ષમ છે? |
0943ed739c909d17f8686280d43d50769fe2c2f8 | અમે માનવ વર્તણૂંકનું વિશ્લેષણ અને સંશ્લેષણ કરવા માટે એક અભિગમ તરીકે ક્રિયા-પ્રતિક્રિયા શીખવાની દરખાસ્ત કરીએ છીએ. આ પરિચય ભૂતકાળ અને ભવિષ્યની ઘટનાઓ વચ્ચે અથવા સમયની શ્રેણીઓનું નિરીક્ષણ કરીને ક્રિયા અને તેની પ્રતિક્રિયા વચ્ચેના કારણસરના મેપિંગને છતી કરે છે. અમે આ પદ્ધતિનો ઉપયોગ માનવ ક્રિયાપ્રતિક્રિયાનું વિશ્લેષણ કરવા અને ત્યારબાદ માનવ વર્તનનું સંશ્લેષણ કરવા માટે કરીએ છીએ. દ્રષ્ટિ માપનની સમય શ્રેણીનો ઉપયોગ કરીને, એક સિસ્ટમ આપમેળે એક માનવ સહભાગી (એક ક્રિયા) અને બીજા સહભાગીની અનુગામી હાવભાવ (એક પ્રતિક્રિયા) વચ્ચે મેપિંગને છતી કરે છે. સંભાવનાત્મક મોડેલને માનવ ક્રિયાપ્રતિક્રિયાના ડેટામાંથી નવલકથા અંદાજ તકનીક, શરતી અપેક્ષા મહત્તમકરણ (સીઇએમ) નો ઉપયોગ કરીને તાલીમ આપવામાં આવે છે. આ સિસ્ટમ ગ્રાફિકલ ઇન્ટરેક્ટિવ કેરેક્ટર ચલાવે છે જે સંભવતઃ વપરાશકર્તાના વર્તન માટે સૌથી વધુ સંભવિત પ્રતિભાવની આગાહી કરે છે અને તેને ઇન્ટરેક્ટિવ રીતે કરે છે. આમ, સહભાગીઓની જોડીમાં માનવ ક્રિયાપ્રતિક્રિયાનું વિશ્લેષણ કર્યા પછી, સિસ્ટમ તેમાંના એકને બદલવા અને એક જ બાકીના વપરાશકર્તા સાથે ક્રિયાપ્રતિક્રિયા કરવા માટે સક્ષમ છે. |
272216c1f097706721096669d85b2843c23fa77d | અમે આદમ, પ્રથમ ક્રમના ઢાળ આધારિત ઑપ્ટિમાઇઝેશન માટે એક અલ્ગોરિધમનો રજૂ કરીએ છીએ, જે નીચલા ક્રમના ક્ષણોના અનુકૂલનશીલ અંદાજો પર આધારિત છે. આ પદ્ધતિ અમલમાં મૂકવા માટે સીધી છે, તે કમ્પ્યુટેશનલ રીતે કાર્યક્ષમ છે, મેમરીની ઓછી જરૂરિયાતો છે, તે ઢાળના વિકર્ણ રીસ્કેલિંગ માટે અસ્થિર છે, અને તે સમસ્યાઓ માટે સારી રીતે અનુકૂળ છે જે ડેટા અને / અથવા પરિમાણોની દ્રષ્ટિએ મોટી છે. આ પદ્ધતિ બિન-સ્થિર ઉદ્દેશો અને ખૂબ ઘોંઘાટીયા અને/અથવા વિખરાયેલા ઢોળાવની સમસ્યા માટે પણ યોગ્ય છે. હાયપર-પૅરામીટર્સમાં સાહજિક અર્થઘટન હોય છે અને સામાન્ય રીતે થોડું ટ્યુનિંગની જરૂર હોય છે. સંબંધિત અલ્ગોરિધમ્સ સાથેના કેટલાક જોડાણોની ચર્ચા કરવામાં આવી છે, જેના પર આદમ પ્રેરિત હતા. અમે એલ્ગોરિધમનો સૈદ્ધાંતિક સંકલન ગુણધર્મોનું વિશ્લેષણ પણ કરીએ છીએ અને સંકલન દર પર એક દિલગીરી પૂરી પાડીએ છીએ જે ઓનલાઇન કોન્વેક્સ ઓપ્ટિમાઇઝેશન ફ્રેમવર્ક હેઠળના શ્રેષ્ઠ જાણીતા પરિણામો સાથે સરખાવી શકાય છે. પ્રયોગોના પરિણામો દર્શાવે છે કે આદમ વ્યવહારમાં સારી રીતે કામ કરે છે અને અન્ય સ્ટોકાસ્ટિક ઑપ્ટિમાઇઝેશન પદ્ધતિઓ સાથે અનુકૂળ રીતે સરખાવે છે. છેલ્લે, અમે અદામેક્સની ચર્ચા કરીએ છીએ, જે અનંત ધોરણ પર આધારિત આદમના એક પ્રકાર છે. |
05aba481e8a221df5d8775a3bb749001e7f2525e | અમે સબગ્રેડિએન્ટ પદ્ધતિઓના નવા પરિવારને પ્રસ્તુત કરીએ છીએ જે અગાઉના પુનરાવર્તનોમાં અવલોકન કરાયેલા ડેટાના ભૂમિતિના જ્ઞાનને ગતિશીલ રીતે સમાવિષ્ટ કરે છે જેથી વધુ માહિતીપ્રદ ઢાળ આધારિત શિક્ષણને સક્ષમ કરી શકાય. રૂપક રીતે, અનુકૂલન આપણને ખૂબ જ આગાહીશીલ પરંતુ ભાગ્યે જ જોવા મળતા લક્ષણોના સ્વરૂપમાં haystacks માં n eedles શોધવા માટે પરવાનગી આપે છે. અમારા આદર્શનો ઉદ્ભવ સ્ટોકાસ્ટિક ઓપ્ટિમાઇઝેશન અને ઓનલાઇન લર્નિંગમાં તાજેતરની પ્રગતિથી થયો છે, જે અલ્ગોરિધમની ઢાળના પગલાને નિયંત્રિત કરવા માટે નજીકના કાર્યોનો ઉપયોગ કરે છે. અમે અનુકૂલનશીલ રીતે પ્રોક્સીમલ ફંક્શનને સંશોધિત કરવા માટે એક ઉપકરણનું વર્ણન અને વિશ્લેષણ કરીએ છીએ, જે નોંધપાત્ર રીતે શીખવાની દરને સરળ બનાવે છે અને પરિણામ સ્વરૂપે નિરાશાની બાંયધરી આપે છે જે સાબિતી તરીકે શ્રેષ્ઠ પ્રોક્સીમલ ફંક્શન જેટલું જ સારું છે જે પાછળથી પસંદ કરી શકાય છે. અમે સામાન્ય અને મહત્વપૂર્ણ નિયમનકારી કાર્યો અને ડોમેન પ્રતિબંધો સાથે પ્રયોગમૂલક જોખમ ઘટાડવાની સમસ્યાઓ માટે કેટલાક કાર્યક્ષમ અલ્ગોરિધમનો આપીએ છીએ. અમે પ્રયોગોથી અમારા સૈદ્ધાંતિક વિશ્લેષણનો અભ્યાસ કરીએ છીએ અને બતાવીએ છીએ કે અનુકૂલનશીલ સબગ્રેડિએન્ટ પદ્ધતિઓ રાજ્ય-ઓ-ફ-ધ-આર્ટ, હજુ સુધી બિન-અનુકૂલનશીલ, સબગ્રેડિએન્ટ અલ્ગોરિધમ્સ કરતાં વધુ સારી છે. |
f2bc77fdcea85738d1062da83d84dfa3371d378d | આ કાગળ ચિપ-ટુ-ચિપ એપ્લિકેશન્સ માટે 90 એનએમ સીએમઓએસમાં 6.25-જીબી / સે 14-એમડબ્લ્યુ ટ્રાન્સસીવરનું વર્ણન કરે છે. ટ્રાન્સસીવર પાવર વપરાશ ઘટાડવા માટે અનેક સુવિધાઓનો ઉપયોગ કરે છે, જેમાં એક વહેંચાયેલ એલસી-પીએલએલ ઘડિયાળ મલ્ટીપ્લાયર, ઇન્ડક્ટર-લોડેડ રેઝોનન્ટ ઘડિયાળ વિતરણ નેટવર્ક, નીચા અને પ્રોગ્રામેબલ-સ્વિંગ વોલ્ટેજ-મોડ ટ્રાન્સમીટર, સૉફ્ટવેર-નિયંત્રિત ઘડિયાળ અને ડેટા પુનઃપ્રાપ્તિ (સીડીઆર) અને રીસીવરની અંદર અનુકૂલનશીલ ઇક્વાલિઝેશન અને સીડીઆર માટે એક નવલકથા પીએલએલ-આધારિત તબક્કા રોટરનો સમાવેશ થાય છે. આ ડિઝાઇન 10-15 અથવા તેનાથી ઓછી બીટ-ભૂલ દર સાથે -15 ડીબી અથવા વધુ ચેનલ મંદી સાથે કામ કરી શકે છે, જ્યારે ટ્રાન્સસીવર દીઠ 2.25 એમડબ્લ્યુ / જીબી / સેકંડથી ઓછું વપરાશ કરે છે. |
9da870dbbc32c23013ef92dd9b30db60a3cd7628 | 3ડી આકારની બિન-સખત નોંધણી એ એક આવશ્યક કાર્ય છે જે વધતા મહત્વની છે કારણ કે ગતિશીલ દ્રશ્યોને સ્કેન કરવા માટે કોમોડિટી ઊંડાણ સેન્સર વધુ વ્યાપકપણે ઉપલબ્ધ છે. બિન-સખત નોંધણી સખત નોંધણી કરતાં વધુ પડકારરૂપ છે કારણ કે તે એક જ વૈશ્વિક પરિવર્તનને બદલે સ્થાનિક પરિવર્તનનો સમૂહનો અંદાજ આપે છે, અને તેથી અંડરડેટિમેન્ટેશનને કારણે ઓવરફિટિંગ મુદ્દાને સંવેદનશીલ છે. અગાઉની પદ્ધતિઓમાં સામાન્ય શાણપણ એ છે કે સ્થાનિક પરિવર્તન તફાવતો પર 1 - નોર્મ નિયમિતકરણ લાદવું. જો કે, l2-નોર્મ નિયમિતકરણ ઉકેલને ભારે-પૂંછડીવાળા વિતરણ સાથે આઉટલિયર અને ઘોંઘાટ તરફ વળે છે, જે રૂપાંતરણ તફાવતો પર ગૌસિયન વિતરણની નબળી સારી-ફિટ દ્વારા ચકાસાયેલ છે. તેનાથી વિપરીત, લાપ્લેશિયન વિતરણ રૂપાંતરણ તફાવતો સાથે સારી રીતે બંધબેસે છે, જે એક વિરલતા પૂર્વના ઉપયોગની ભલામણ કરે છે. અમે પરિવર્તન અંદાજ માટે એક l1-નિયમ નિયમનકારી મોડેલ સાથે વિખરાયેલા બિન-સખત નોંધણી (એસએનઆર) પદ્ધતિની દરખાસ્ત કરીએ છીએ, જે વિસ્તૃત લેગ્રેજિયન માળખા હેઠળ વૈકલ્પિક દિશા પદ્ધતિ (એડીએમ) દ્વારા અસરકારક રીતે ઉકેલી છે. અમે મજબૂત અને પ્રગતિશીલ નોંધણી માટે બહુવિધ ઠરાવની યોજના પણ ઘડીએ છીએ. જાહેર ડેટાસેટ્સ અને અમારા સ્કેન કરેલા ડેટાસેટ્સ બંનેના પરિણામો અમારી પદ્ધતિની શ્રેષ્ઠતા દર્શાવે છે, ખાસ કરીને મોટા પાયે વિકૃતિઓ તેમજ આઉટલિયર અને ઘોંઘાટને સંભાળવામાં. |
e36ecd4250fac29cc990330e01c9abee4c67a9d6 | આ પત્રમાં એક નવલકથા કા-બેન્ડ ડ્યુઅલ-બેન્ડ ડ્યુઅલ-સર્ક્યુલરલી-પોલરાઇઝ્ડ એન્ટેના એરે રજૂ કરવામાં આવી છે. ડ્યુઅલ-બેન્ડ એન્ટેના કે-બેન્ડ ડાઉનલિંક ફ્રીક્વન્સીઝ માટે ડાબા હાથની પરિપત્ર પોલરાઇઝેશન અને કે-બેન્ડ અપલિંક ફ્રીક્વન્સીઝ માટે જમણા હાથની પરિપત્ર પોલરાઇઝેશન સાથે કોમ્પેક્ટ રિંગ રિંગ સ્લોટ્સ સાથે પરિપૂર્ણ થાય છે. ક્રમિક પરિભ્રમણ તકનીકનો ઉપયોગ કરીને, સારા પ્રદર્શન સાથે 2 × 2 સબરે મેળવવામાં આવે છે. આ પત્રમાં ડિઝાઇન પ્રક્રિયાનું વર્ણન કરવામાં આવ્યું છે અને સિમ્યુલેશન અને માપન પરિણામો રજૂ કરવામાં આવ્યા છે. |
0bb71e91b29cf9739c0e1334f905baad01b663e6 | આ કાગળમાં LTE નેટવર્કમાં ઉપયોગમાં લેવાતા બેટરી સંચાલિત ઉપકરણો માટે ઊર્જા વપરાશને ઘટાડવા માટે શેડ્યૂલિંગ અને ટ્રાન્સમિટ પાવર કંટ્રોલની તપાસ કરવામાં આવી છે. મશીન-પ્રકારના સબ્સ્ક્રાઇબર્સની વિશાળ સંખ્યા માટે કાર્યક્ષમ સુનિશ્ચિત કરવા માટે, એક નવલકથા વિતરણ યોજના પ્રસ્તાવિત કરવામાં આવી છે જેથી મશીન નોડ્સ સ્થાનિક ક્લસ્ટર્સ રચે અને ક્લસ્ટર હેડ્સ દ્વારા બેઝ સ્ટેશન સાથે વાતચીત કરે. ત્યારબાદ, એલટીઇ નેટવર્ક્સમાં અપલિંક શેડ્યૂલિંગ અને પાવર કંટ્રોલ રજૂ કરવામાં આવે છે અને ક્લસ્ટર-હેડ્સ અને બેઝ-સ્ટેશન વચ્ચેના સંચાર માટે ઉપયોગમાં લેવાતા જીવનકાળ-સભાન ઉકેલોની તપાસ કરવામાં આવે છે. ચોક્કસ ઉકેલો ઉપરાંત, ઓછી જટિલતાવાળા સબ-ઓપ્ટિમલ ઉકેલો આ કાર્યમાં રજૂ કરવામાં આવ્યા છે જે ઘણી ઓછી કમ્પ્યુટેશનલ જટિલતા સાથે નજીકના શ્રેષ્ઠ પ્રદર્શનને પ્રાપ્ત કરી શકે છે. પ્રદર્શન મૂલ્યાંકનમાં બતાવવામાં આવ્યું છે કે પ્રસ્તાવિત પ્રોટોકોલનો ઉપયોગ કરીને નેટવર્કનો જીવનકાળ નોંધપાત્ર રીતે લંબાવવામાં આવે છે. |
6dc4be33a07c277ee68d42c151b4ee866108281f | સંકોચન માપનથી કોવેરિયન્સ મેટ્રિક્સના અંદાજમાં તાજેતરમાં વિજ્ઞાન અને એન્જિનિયરિંગના વિવિધ ક્ષેત્રોમાં નોંધપાત્ર સંશોધન પ્રયત્નો આકર્ષિત થયા છે. અવલોકનોની ઓછી સંખ્યાને કારણે, સહવર્તીતા મેટ્રિક્સનો અંદાજ ગંભીર રીતે ખોટી સમસ્યા છે. આને સહવર્તીતા મેટ્રિક્સની રચના વિશે અગાઉની માહિતીનો ઉપયોગ કરીને દૂર કરી શકાય છે. આ કાગળમાં સંકુચિત માપન હેઠળ ઉચ્ચ પરિમાણીય કોવરીયન્સ મેટ્રિક્સ અંદાજ સમસ્યા માટે ઉભી ફોર્મ્યુલેશન અને સંબંધિત ઉકેલોનો એક વર્ગ રજૂ કરવામાં આવ્યો છે, જેમાં હકારાત્મક અર્ધ-નિશ્ચિતતા ઉપરાંત, ઉકેલ પર ટોપલિટ્ઝ, સ્પરસેન, નલ-પેટર્ન, નીચા ક્રમ અથવા નીચા પરમ્યુટેડ ક્રમ માળખું લાદવામાં આવે છે. ઓપ્ટિમાઇઝેશન સમસ્યાઓને ઉકેલવા માટે, અમે કો-વેરિયન્સ દ્વારા એગમેન્ટેડ લેગ્રેજિયન સંકોચન અલ્ગોરિધમ (સીઓવીએએલએસએ) રજૂ કરીએ છીએ, જે સ્પ્લિટ એગમેન્ટેડ લેગ્રેજિયન સંકોચન અલ્ગોરિધમ (સીએએલએસએ) નું ઉદાહરણ છે. અમે અદ્યતન અલ્ગોરિધમ્સની સરખામણીમાં અમારા અભિગમની અસરકારકતાનું ઉદાહરણ આપીએ છીએ. |
05357314fe2da7c2248b03d89b7ab9e358cbf01e | બધા અધિકારો અનામત છે. આ પુસ્તકના કોઈ પણ ભાગને પ્રકાશકની લેખિત પરવાનગી વિના કોઈપણ ઇલેક્ટ્રોનિક અથવા યાંત્રિક માધ્યમથી (ફોટોકોપીંગ, રેકોર્ડિંગ અથવા માહિતી સંગ્રહ અને પુનઃપ્રાપ્તિ સહિત) કોઈપણ સ્વરૂપમાં પ્રજનન કરી શકાતું નથી. |
06d0a9697a0f0242dbdeeff08ec5266b74bfe457 | અમે કુદરતી ભાષાના વૃક્ષ માળખા માટે એક નવલકથા જનરેટિવ મોડેલ રજૂ કરીએ છીએ જેમાં અર્થશાસ્ત્ર (લેક્સિકલ ડિપેન્ડન્સી) અને વાક્યરચના માળખાને અલગ મોડેલો સાથે સ્કોર કરવામાં આવે છે. આ પરિબળકરણ ખ્યાલ સરળતા પૂરી પાડે છે, ઘટક મોડેલોને અલગથી સુધારવા માટે સીધી તકો, અને સમાન, બિન-પરિભાષિત મોડેલોની કામગીરીના સ્તરની નજીક છે. સૌથી અગત્યનું, અન્ય આધુનિક વિશ્લેષણ મોડેલોથી વિપરીત, પરિબળ મોડેલ અત્યંત અસરકારક વિશ્લેષણ અલ્ગોરિધમનો ઉપયોગ કરે છે, જે કાર્યક્ષમ, ચોક્કસ અનુમાનને શક્ય બનાવે છે. |
8f76334bd276a2b92bd79203774f292318f42dc6 | આ કાગળ એક L આકારના ચકાસણી દ્વારા સંચાલિત એક પરિપત્ર હોર્ન એન્ટેના સાથે વહેવાર કરે છે. 50 ઓમેગા કોએક્સિયલ કેબલ સાથે બ્રોડબેન્ડ મેચિંગ માટે ડિઝાઇન પ્રક્રિયા અને એક્સિયલ રેશિયો અને ગેઇનમાં એન્ટેના પ્રદર્શન રજૂ કરવામાં આવે છે. આ કાગળના સિમ્યુલેશન પરિણામો Ansoft HFSS 9.2 નો ઉપયોગ કરીને મેળવવામાં આવ્યા હતા |
41c987b8a7e916d56fed2ea7311397e0f2286f3b | પરંપરાગત અભિગમોથી વિપરીત જે નેટવર્ક સ્તરે ક્વોન્ટિઝેશન પર ધ્યાન કેન્દ્રિત કરે છે, આ કાર્યમાં અમે ટેન્સર સ્તરે ક્વોન્ટિઝેશન અસરને ઘટાડવાનો પ્રસ્તાવ મૂક્યો છે. અમે ઓછી ચોકસાઇવાળા નેટવર્ક્સમાં ક્વોન્ટિઝેશન અવાજ અને ક્લિપિંગ વિકૃતિ વચ્ચેના વેપારનું વિશ્લેષણ કરીએ છીએ. અમે વિવિધ ટેન્સોર્સના આંકડાઓ ઓળખી કાઢીએ છીએ, અને ક્લિપિંગને કારણે સરેરાશ-ચોરસ-ભૂલ ઘટાડા માટે ચોક્કસ સમીકરણો મેળવીએ છીએ. આ અભિવ્યક્તિઓને શ્રેષ્ઠ બનાવીને, અમે પ્રમાણભૂત ક્વોન્ટિઝેશન યોજનાઓ પર નોંધપાત્ર સુધારાઓ બતાવીએ છીએ જે સામાન્ય રીતે ક્લિપિંગને ટાળે છે. ઉદાહરણ તરીકે, માત્ર ચોક્કસ ક્લિપિંગ મૂલ્યોને પસંદ કરીને, VGG16-BN ની ચોકસાઈ 4-બીટની ચોકસાઈ માટે ક્વોન્ટિઝેશન માટે 40% થી વધુ ચોકસાઈ સુધારણા પ્રાપ્ત થાય છે. અમારા પરિણામોમાં તાલીમ અને નિષ્કર્ષ સમય બંનેમાં ન્યુરલ નેટવર્ક્સના ક્વોન્ટિઝેશન માટે ઘણા કાર્યક્રમો છે. એક તાત્કાલિક એપ્લિકેશન એ છે કે સમય માંગી રહેલા ફાઇન ટ્યુનિંગ અથવા સંપૂર્ણ ડેટાસેટ્સની ઉપલબ્ધતા વિના નીચા-ચોકસાઇ એક્સિલરેટર્સમાં ન્યુરલ નેટવર્ક્સની ઝડપી જમાવટ માટે. |
1bde4205a9f1395390c451a37f9014c8bea32a8a | રેન્જ ઈમેજમાં ક્વેરી કરેલી વસ્તુઓને ઓળખવી અને તેનું સ્થાન નક્કી કરવું રોબોટિક મેનિપ્યુલેશન અને નેવિગેશન માટે મહત્વની ભૂમિકા ભજવે છે. તેમ છતાં તેનો સતત અભ્યાસ કરવામાં આવ્યો છે, તે હજુ પણ ઓક્લૂઝન અને ક્લટર સાથેના દ્રશ્યો માટે એક પડકારરૂપ કાર્ય છે. |
242caa8e04b73f56a8d4adae36028cc176364540 | અમે 3D સેન્સર્સ પર લાગુ મતદાન આધારિત પોઝ અંદાજ અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ, જે ઘણા રોબોટિક્સ, કમ્પ્યુટર વિઝન અને ગેમિંગ એપ્લિકેશન્સમાં તેમના 2D સમકક્ષોને ઝડપથી બદલી રહ્યા છે. તાજેતરમાં જ એવું દર્શાવવામાં આવ્યું છે કે, એક મતદાન માળખામાં, ઓરિએન્ટેડ 3D પોઈન્ટની જોડી, જે સામાન્ય સાથે ઑબ્જેક્ટની સપાટી પરના બિંદુઓ છે, ઝડપી અને મજબૂત પોઝ અંદાજને સક્ષમ કરે છે. તેમ છતાં લક્ષી સપાટીના બિંદુઓ પર્યાપ્ત વક્રતા ફેરફારો સાથેના પદાર્થો માટે ભેદભાવ છે, તેઓ ઘણા ઔદ્યોગિક અને વાસ્તવિક દુનિયાના પદાર્થો માટે પૂરતા પ્રમાણમાં કોમ્પેક્ટ અને ભેદભાવ નથી કે જે મોટે ભાગે સપાટ છે. 2D રજિસ્ટ્રેશનમાં ધાર મુખ્ય ભૂમિકા ભજવે છે, 3D માં ઊંડાણની અવિરતતા નિર્ણાયક છે. આ કાગળમાં, અમે પોઝ અંદાજ અલ્ગોરિધમ્સના પરિવારની તપાસ અને વિકાસ કરીએ છીએ જે આ સીમા માહિતીનો વધુ સારી રીતે ઉપયોગ કરે છે. દિશા નિર્દેશિત સપાટી બિંદુઓ ઉપરાંત, અમે અન્ય બે પ્રાથમિકતાઓનો ઉપયોગ કરીએ છીએઃ દિશાઓ અને સીમા રેખા સેગમેન્ટ્સ સાથે સીમા બિંદુઓ. અમારા પ્રયોગો દર્શાવે છે કે આ કાળજીપૂર્વક પસંદ કરેલા પ્રાથમિકતાઓ વધુ માહિતીને કોમ્પેક્ટ રીતે એન્કોડ કરે છે અને આમ ઔદ્યોગિક ભાગોના વિશાળ વર્ગ માટે ઉચ્ચ ચોકસાઈ પૂરી પાડે છે અને ઝડપી ગણતરીને સક્ષમ કરે છે. અમે પ્રસ્તાવિત અલ્ગોરિધમનો અને 3D સેન્સરનો ઉપયોગ કરીને એક વ્યવહારુ રોબોટિક કચરાપેટી સિસ્ટમનું પ્રદર્શન કરીએ છીએ. |
5df318e4aac5313124571ecc7e186cba9e84a264 | સત્તાવાર મોબાઇલ એપ્લિકેશન બજારોમાં વારંવાર થતા માલવેર ઘૂસણખોરીની વધતી સંખ્યા અંતિમ વપરાશકર્તાઓની વ્યક્તિગત અને સંવેદનશીલ માહિતીની ગુપ્તતા અને ગોપનીયતા માટે ઉચ્ચ સુરક્ષા ખતરો છે. વિરોધી એપ્લિકેશન્સના ભોગ બનતા અંતિમ વપરાશકર્તા ઉપકરણોને સુરક્ષિત રાખવાથી શિક્ષણક્ષેત્ર અને ઉદ્યોગમાં સુરક્ષા સંશોધકો/ઇજનેરો માટે તકનીકી અને સંશોધન પડકાર રજૂ કરે છે. એપ માર્કેટમાં સુરક્ષા પ્રથાઓ અને વિશ્લેષણ તપાસો હોવા છતાં, મૉલવેર સંરક્ષણ દ્વારા છૂપાઈ જાય છે અને વપરાશકર્તા ઉપકરણોને સંક્રમિત કરે છે. માલવેરનો વિકાસ તેને સુસંસ્કૃત અને ગતિશીલ રીતે બદલાતા સોફ્ટવેર તરીકે જોવામાં આવ્યો છે જે સામાન્ય રીતે કાયદેસર એપ્લિકેશન્સ તરીકે છૂપાવે છે. અત્યંત અદ્યતન છટકી તકનીકોનો ઉપયોગ, જેમ કે એન્ક્રિપ્ટેડ કોડ, અસ્પષ્ટતા અને ગતિશીલ કોડ અપડેટ્સ, વગેરે, નવીન માલવેર માં જોવા મળેલી સામાન્ય પદ્ધતિઓ છે. ગતિશીલ કોડ અપડેટ્સના છટકું ઉપયોગથી, હાનિકારક એપ્લિકેશન તરીકે ઢોંગ કરતી મૉલવેર વિશ્લેષણ તપાસને બાયપાસ કરે છે અને વપરાશકર્તાના ઉપકરણ પર ઇન્સ્ટોલ કરવામાં આવે ત્યારે જ તેની દૂષિત કાર્યક્ષમતા જાહેર કરે છે. આ નિબંધ એન્ડ્રોઇડ એપ્લિકેશન્સમાં ડાયનેમિક કોડ અપડેટ્સના ઉપયોગ અને ઉપયોગની રીત પર સંપૂર્ણ અભ્યાસ પૂરો પાડે છે. વધુમાં, અમે એક વર્ણસંકર વિશ્લેષણ અભિગમ, સ્ટેડાર્ટનો પ્રસ્તાવ મુકીએ છીએ, જે ગતિશીલ કોડ અપડેટ્સની હાજરીમાં એપ્લિકેશન્સનું વિશ્લેષણ કરવા માટે સ્થિર વિશ્લેષણ તકનીકોની અંતર્ગત ખામીઓને આવરી લેવા માટે સ્થિર અને ગતિશીલ વિશ્લેષણને ઇન્ટરલેઇવે કરે છે. વાસ્તવિક દુનિયાની એપ્લિકેશન્સ પરના અમારા મૂલ્યાંકન પરિણામો સ્ટેડાર્ટની અસરકારકતા દર્શાવે છે. જો કે, સામાન્ય રીતે ગતિશીલ વિશ્લેષણ, અને તે બાબત માટે હાઇબ્રિડ વિશ્લેષણ પણ, એપ્લિકેશનની વર્તણૂકને ઉત્તેજીત કરવાની સમસ્યા લાવે છે જે સ્વયંસંચાલિત વિશ્લેષણ સાધનો માટે બિન-વિશેષ પડકાર છે. આ અંત માટે, અમે એક પછાત સ્લાઇસિંગ આધારિત લક્ષિત ઇન્ટર-કમ્પોનન્ટ કોડ પાથ એક્ઝેક્યુશન ટેકનિક, ટીઆઈસીસીનો પ્રસ્તાવ મૂક્યો છે. TeICC એ એપ્લિકેશનમાં લક્ષ્ય બિંદુથી શરૂ થતાં કોડ પાથને બહાર કાઢવા માટે બેકવર્ડ સ્લાઇસિંગ મિકેનિઝમનો ઉપયોગ કરે છે. તે કોડ પાથને બહાર કાઢવા માટે સિસ્ટમ ડિપેન્ડન્સી ગ્રાફનો ઉપયોગ કરે છે જેમાં ઇન્ટર-કમ્પોનન્ટ કોમ્યુનિકેશનનો સમાવેશ થાય છે. કાઢવામાં આવેલ કોડ પાથને પછી સંવેદનશીલ ગતિશીલ વર્તણૂકને પકડવા, ગતિશીલ કોડ અપડેટ્સ અને અસ્પષ્ટતાને ઉકેલવા માટે એપ્લિકેશન સંદર્ભમાં ઇન્સ્ટ્રુમેન્ટ અને એક્ઝેક્યુટ કરવામાં આવે છે. અમારા TeICCના મૂલ્યાંકનમાં બતાવવામાં આવ્યું છે કે તેનો ઉપયોગ અસરકારક રીતે અસ્પષ્ટ Android એપ્લિકેશન્સમાં ઇન્ટર-કમ્પોનન્ટ કોડ પાથના લક્ષિત અમલ માટે થઈ શકે છે. પણ, હજુ પણ વિરોધીઓ વપરાશકર્તા ઉપકરણો સુધી પહોંચવા શક્યતા બાકાત નથી, અમે એક ફોન પર API હૂક પ્રસ્તાવ |
5ed4b57999d2a6c28c66341179e2888c9ca96a25 | આ લેખમાં, અમે એજન્ટો વિકસાવવાના ધ્યેય તરફ કામ કરીએ છીએ જે જટિલ વિશ્વોમાં કાર્ય કરવાનું શીખી શકે છે. અમે સંભાવનાત્મક, સંબંધવાદી આયોજન નિયમનું પ્રતિનિધિત્વ વિકસાવીએ છીએ જે ઘોંઘાટીયા, બિન-નિર્ધારિત ક્રિયા અસરોને સંક્ષિપ્તમાં મોડેલ કરે છે, અને બતાવે છે કે આવા નિયમો કેવી રીતે અસરકારક રીતે શીખી શકાય છે. સરળ આયોજન ક્ષેત્રોમાં પ્રયોગો અને વાસ્તવિક ભૌતિકશાસ્ત્ર સાથે 3D સિમ્યુલેટેડ બ્લોક્સ વિશ્વ દ્વારા, અમે દર્શાવ્યું છે કે આ શીખવાની અલ્ગોરિધમનો એજન્ટોને વિશ્વ ગતિશીલતાને અસરકારક રીતે મોડેલ કરવાની મંજૂરી આપે છે. |
55c769b5829ca88ba940e0050497f4956c233445 | વિઝ્યુઅલ ઓડોમેટ્રીને RGB-D કેમેરા દ્વારા પૂરી પાડવામાં આવેલી ઊંડાણની માહિતી દ્વારા અથવા કેમેરા સાથે સંકળાયેલા લિડર્સ દ્વારા વિસ્તૃત કરી શકાય છે. જો કે, સેન્સર દ્વારા આવી ઊંડાણની માહિતીને મર્યાદિત કરી શકાય છે, વિઝ્યુઅલ છબીઓમાં મોટા વિસ્તારો છોડી દે છે જ્યાં ઊંડાણ ઉપલબ્ધ નથી. અહીં, અમે એક પદ્ધતિ પ્રસ્તાવ ઊંડાઈ ઉપયોગ કરવા માટે, પણ જો ભાગ્યે જ ઉપલબ્ધ છે, કેમેરા ગતિ પુનઃપ્રાપ્તિ. વધુમાં, પદ્ધતિ અગાઉ અંદાજિત ગતિનો ઉપયોગ કરીને ગતિથી માળખા દ્વારા ઊંડાણનો ઉપયોગ કરે છે, અને જે ઊંડાણ માટે ઉપલબ્ધ નથી તે મુખ્ય દ્રશ્ય સુવિધાઓ. તેથી, આ પદ્ધતિ આરજીબીડી વિઝ્યુઅલ ઓડોમેટ્રીને મોટા પાયે, ખુલ્લા વાતાવરણમાં વિસ્તૃત કરવામાં સક્ષમ છે જ્યાં ઊંડાઈ ઘણીવાર પૂરતી હસ્તગત કરી શકાતી નથી. અમારી પદ્ધતિનો મુખ્ય ભાગ બંડલ એડજસ્ટમેન્ટ પગલું છે જે બેચ ઑપ્ટિમાઇઝેશનમાં છબીઓની શ્રેણીને પ્રક્રિયા કરીને સમાંતર ગતિ અંદાજોને રિફાઇન કરે છે. અમે અમારી પદ્ધતિનું મૂલ્યાંકન ત્રણ સેન્સર સેટઅપમાં કર્યું છે, એક આરજીબી-ડી કેમેરાનો ઉપયોગ કરીને, અને બે કેમેરા અને 3D લીડરનો ઉપયોગ કરીને. અમારી પદ્ધતિને KITTI ઓડોમેટ્રી બેંચમાર્ક પર રેટ કરવામાં આવે છે જે સેન્સિંગ મોડલિટીની તુલનામાં સ્ટીરિયો વિઝ્યુઅલ ઓડોમેટ્રી પદ્ધતિઓ સાથે સરખાવે છે જે ત્રિકોણ દ્વારા ઊંડાઈને પુનઃપ્રાપ્ત કરે છે. પરિણામી સરેરાશ સ્થિતિ ભૂલ મુસાફરી કરેલ અંતરનો 1.14% છે. |
0c668ee24d58ecca165f788d40765e79ed615471 | |
9cccd211c9208f790d71fa5b3499d8f827744aa0 | શૈક્ષણિક ડેટા માઇનિંગ દ્વારા વિવિધ શૈક્ષણિક લક્ષી સમસ્યાઓ હલ કરવામાં આવે છે, જે ડેટા માઇનિંગની સૌથી પ્રચલિત એપ્લિકેશન્સ છે. આ કાગળનો એક મહત્ત્વપૂર્ણ ઉદ્દેશ એ છે કે ઇડીએમ પર કરવામાં આવેલા તાજેતરના કામોનો અભ્યાસ કરવો અને તેમના ગુણદોષોનું વિશ્લેષણ કરવું. આ કાગળમાં વિવિધ ડેટા માઇનિંગ પ્રથાઓ અને સર્વેક્ષણ કરેલા લેખોમાં લાગુ કરાયેલી તકનીકોના સંચિત પરિણામો પર પણ પ્રકાશ પાડવામાં આવ્યો છે, અને આમ સંશોધકોને ઇડીએમ પર ભાવિ દિશાઓ પર સૂચન કર્યું છે. આ ઉપરાંત, ભવિષ્યના સંશોધનો માટે સૌથી વિશ્વસનીય અલ્ગોરિધમ્સનું નિરીક્ષણ કરવા માટે મૂલ્યાંકન, ચોક્કસ વર્ગીકરણ અને ક્લસ્ટરીંગ અલ્ગોરિધમ્સનું પણ એક પ્રયોગ કરવામાં આવ્યો હતો. |
197a7fc2f8d57d93727b348851b59b34ce990afd | એસઆરઆઈએલએમ એ C++ લાઇબ્રેરીઓ, એક્ઝેક્યુટેબલ પ્રોગ્રામ્સ અને હેલ્પર સ્ક્રિપ્ટ્સનો સંગ્રહ છે, જે ભાષણ ઓળખ અને અન્ય એપ્લિકેશન્સ માટે આંકડાકીય ભાષાના મોડેલોનું ઉત્પાદન અને પ્રયોગ બંનેને મંજૂરી આપવા માટે રચાયેલ છે. એસઆરઆઈએલએમ બિન-વ્યાવસાયિક હેતુઓ માટે મુક્તપણે ઉપલબ્ધ છે. આ ટૂલકીટ એન-ગ્રામ આંકડા પર આધારિત વિવિધ ભાષા મોડેલ પ્રકારોના નિર્માણ અને મૂલ્યાંકનને સમર્થન આપે છે, તેમજ કેટલાક સંબંધિત કાર્યો, જેમ કે આંકડાકીય ટેગિંગ અને એન-શ્રેષ્ઠ સૂચિ અને શબ્દ ગ્રીડ્સની ચાલાકી. આ કાગળ ટૂલકીટની કાર્યક્ષમતાનો સારાંશ આપે છે અને તેની ડિઝાઇન અને અમલીકરણની ચર્ચા કરે છે, ઝડપી પ્રોટોટાઇપિંગની સરળતા, ફરીથી ઉપયોગની ક્ષમતા અને ટૂલ્સની સંયોજકતા પર પ્રકાશ પાડે છે. |
12f661171799cbd899e1ff4ae0a7e2170c3d547b | આંકડાકીય ભાષાના મોડેલો ભાષણ ઓળખ અને અન્ય ભાષા તકનીકોના હેતુ માટે વિવિધ કુદરતી ભાષાની ઘટનાઓના વિતરણનો અંદાજ આપે છે. 1980માં પ્રથમ નોંધપાત્ર મોડેલની દરખાસ્ત કરવામાં આવી ત્યારથી, આર્ટની સ્થિતિને સુધારવા માટે ઘણા પ્રયત્નો કરવામાં આવ્યા છે. અમે તેમની સમીક્ષા કરીએ છીએ, કેટલાક આશાસ્પદ દિશાઓ તરફ ધ્યાન દોરીએ છીએ, અને ડેટા સાથે ભાષાકીય સિદ્ધાંતોના એકીકરણ માટે બેયસિયન અભિગમ માટે દલીલ કરીએ છીએ. |
395f4b41578c3ff5139ddcf9e90eb60801b50394 | સીએમયુ સ્ટેટિસ્ટિકલ લેંગ્વેજ મોડેલિંગ ટૂલકીટને બીગ્રામ અને ત્રિગ્રામ ભાષાના મોડેલોના નિર્માણ અને પરીક્ષણને સરળ બનાવવા માટે ફરીથી ભાડે લેવામાં આવી હતી. તે હાલમાં 200 થી વધુ દેશોમાં શૈક્ષણિક સરકારી અને ઔદ્યોગિક પ્રયોગશાળાઓમાં ઉપયોગમાં છે. આ કાગળ ટૂલકીટની નવી આવૃત્તિ રજૂ કરે છે. અમે ટૂલકીટમાં અમલમાં મૂકાયેલ પરંપરાગત ભાષા મોડેલિંગ તકનીકની રૂપરેખા આપીએ છીએ અને આ કાર્ય માટે અગાઉના સોફ્ટવેરની તુલનામાં નવી ટૂલકીટ વધારાની કાર્યક્ષમતા અને કાર્યક્ષમતાનું વર્ણન કરીએ છીએ. છેલ્લે અમે એક સરળ ભાષા મોડેલનું નિર્માણ અને પરીક્ષણ કરવા માટે ટૂલકીટના ઉપયોગની પરીક્ષા આપીએ છીએ. |
0b8f4edf1a7b4d19d47d419f41cde432b9708ab7 | અમે સિલિકોનથી ભરેલા સંકલિત વેવગાઇડ્સના ઉત્પાદન માટે એક ટેકનોલોજી રજૂ કરીએ છીએ જે ઓછી-નુકસાનવાળા ઉચ્ચ-પ્રદર્શન મિલીમીટર-વેવ નિષ્ક્રિય ઘટકો અને ઉચ્ચ ગેઇન એરે એન્ટેનાની અનુભૂતિને સક્ષમ કરે છે, આમ અત્યંત સંકલિત મિલીમીટર-વેવ સિસ્ટમ્સની અનુભૂતિને સરળ બનાવે છે. પ્રસ્તાવિત ટેકનોલોજીમાં ઉચ્ચ ભૌમિતિક ચોકસાઈ અને સતત મેટાલિક બાજુની દિવાલો સાથે લંબચોરસ વેવગાઇડને સંકલિત કરવા માટે એલ્યુમિનિયમ મેટાલિઝેશન પગલાં સાથે ડીપ રિએક્ટિવ-આયન-એચિંગ (ડીઆરઆઈઇ) તકનીકોનો ઉપયોગ કરવામાં આવે છે. 105 ગીગાહર્ટ્ઝ પર 0. 15 ડીબી/ એલજીના નુકશાન દર્શાવતા સંકલિત લંબચોરસ વેવગાઇડ્સના માપન પરિણામોની જાણ કરવામાં આવી છે. વધુમાં, અલ્ટ્રા-વિડબેન્ડ કોપ્લાનરથી વેવગાઇડ સંક્રમણોનું વર્ણન અને લાક્ષણિકતા આપવામાં આવે છે જેમાં 105 ગીગાહર્ટ્ઝ પર 0.6 ડીબી ઇન્સેશન નુકશાન અને 80 થી 110 ગીગાહર્ટ્ઝથી 15 ડીબી કરતા વધુ વળતર નુકશાન હોય છે. ફ્રીક્વન્સી સ્કેનિંગ સ્લોટ-વેવગાઇડ એરે એન્ટેનાની ડિઝાઇન, એકીકરણ અને માપવામાં આવેલ પ્રદર્શનની જાણ કરવામાં આવે છે, જે 23 ગીગાહર્ટ્ઝના બેન્ડમાં 82 ° ની માપવામાં આવેલી બીમ સ્ટિયરિંગ ક્ષમતા અને 96 ગીગાહર્ટ્ઝ પર 8.5 ° ની અડધા પાવર બીમ-વિડ્થ (એચપીબીડબ્લ્યુ) પ્રાપ્ત કરે છે. છેલ્લે, ઓછી કિંમતની એમએમ-વેવ સિસ્ટમ સ્તરના એકીકરણને સરળ બનાવવા માટે આ તકનીકની ક્ષમતા દર્શાવવા માટે, ઇમેજિંગ રડાર એપ્લિકેશન્સ માટે ફ્રીક્વન્સી મોડ્યુલેટેડ કન્ટિન્યુઅસ વેવ (એફએમસીડબલ્યુ) ટ્રાન્સમિટ-રિસીવ આઇસી સીધા જ સંકલિત એરે પર ફ્લિપ-ચિપ માઉન્ટ થયેલ છે અને પ્રાયોગિક રીતે વર્ગીકૃત થયેલ છે. |
31864e13a9b3473ebb07b4f991f0ae3363517244 | આ કાગળ ધાર શોધ માટે કોમ્પ્યુટેશનલ અભિગમ વર્ણવે છે. આ અભિગમની સફળતા ધાર બિંદુઓની ગણતરી માટે લક્ષ્યોના વ્યાપક સમૂહની વ્યાખ્યા પર આધારિત છે. આ ધ્યેયો ઉકેલના સ્વરૂપ વિશે ન્યૂનતમ ધારણાઓ કરતી વખતે ડિટેક્ટરના ઇચ્છિત વર્તનને મર્યાદિત કરવા માટે પૂરતી ચોક્કસ હોવી જોઈએ. અમે ધારના વર્ગ માટે શોધ અને સ્થાનિકીકરણ માપદંડ વ્યાખ્યાયિત કરીએ છીએ, અને ઓપરેટર આવેગ પ્રતિભાવ પર કાર્યકારી તરીકે આ માપદંડ માટે ગાણિતિક સ્વરૂપો રજૂ કરીએ છીએ. પછી ત્રીજા માપદંડને ઉમેરવામાં આવે છે જેથી ખાતરી થાય કે ડિટેક્ટરને એક ધાર પર માત્ર એક જ પ્રતિભાવ મળે છે. અમે સંખ્યાત્મક ઓપ્ટિમાઇઝેશનમાં માપદંડનો ઉપયોગ કેટલાક સામાન્ય છબી સુવિધાઓ માટે ડિટેક્ટર્સને ઉતારીએ છીએ, જેમાં પગલાની ધારનો સમાવેશ થાય છે. વિશ્લેષણને પગથિયાં ધાર પર વિશેષતા આપતા, અમે શોધીએ છીએ કે શોધ અને સ્થાનિકીકરણ પ્રદર્શન વચ્ચે કુદરતી અનિશ્ચિતતા સિદ્ધાંત છે, જે બે મુખ્ય ધ્યેયો છે. આ સિદ્ધાંતથી આપણે એક ઓપરેટર આકાર મેળવીએ છીએ જે કોઈપણ સ્કેલ પર શ્રેષ્ઠ છે. શ્રેષ્ઠ ડિટેક્ટરમાં એક સરળ અંદાજિત અમલીકરણ છે જેમાં ગાઉસિયન-સ્મૂથ કરેલી છબીના ઢાળની તીવ્રતામાં ધારને મહત્તમ પર ચિહ્નિત કરવામાં આવે છે. અમે આ સરળ ડિટેક્ટરને વિસ્તૃત કરીએ છીએ વિવિધ પહોળાઈના ઓપરેટરોનો ઉપયોગ કરીને છબીમાં વિવિધ સિગ્નલ-થી-અવાજ ગુણોત્તર સાથે સામનો કરવા માટે. અમે એક સામાન્ય પદ્ધતિ રજૂ કરીએ છીએ, જેને લક્ષણ સંશ્લેષણ કહેવામાં આવે છે, વિવિધ સ્કેલ પર ઓપરેટરોની માહિતીના દંડથી રફ સંકલન માટે. છેલ્લે અમે બતાવીએ છીએ કે પગથિયાં ધાર ડિટેક્ટર કામગીરી નોંધપાત્ર રીતે સુધારે છે કારણ કે ઓપરેટર પોઇન્ટ સ્પ્રેડ ફંક્શન ધાર સાથે વિસ્તૃત છે. |
b41c45b2ca0c38a4514f0779395ebdf3d34cecc0 | |
7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e | ચહેરાઓ જટિલ, બહુપરિમાણીય, અર્થપૂર્ણ દ્રશ્ય ઉત્તેજનાનું પ્રતિનિધિત્વ કરે છે અને ચહેરાની ઓળખ માટે કોમ્પ્યુટેશનલ મોડેલ વિકસાવવું મુશ્કેલ છે [42]. અમે હાઇબ્રિડ ન્યુરલ નેટવર્ક સોલ્યુશન રજૂ કરીએ છીએ જે અન્ય પદ્ધતિઓ સાથે અનુકૂળ રીતે સરખાવે છે. આ પ્રણાલી સ્થાનિક છબી નમૂના, સ્વ-સંગઠિત નકશા ન્યુરલ નેટવર્ક અને કન્વોલ્યુશનલ ન્યુરલ નેટવર્કને જોડે છે. સ્વ-સંયોજન નકશા છબીના નમૂનાઓને ટોપોલોજિકલ જગ્યામાં ક્વોન્ટિઝેશન પૂરું પાડે છે જ્યાં મૂળ જગ્યામાં નજીકના ઇનપુટ્સ પણ આઉટપુટ સ્પેસમાં નજીક છે, આમ છબીના નમૂનામાં નાના ફેરફારોને પરિમાણીયતા રેડક્શન અને અસ્થિરતા પૂરી પાડે છે, અને કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક ટ્રાન્સલેશન, રોટેશન, સ્કેલ અને વિકૃતિ માટે આંશિક અસ્થિરતા પૂરી પાડે છે. કન્વોલ્યુશનલ નેટ વર્ક સ્તરોના હાયરાર્કીક સમૂહમાં ક્રમશઃ મોટી સુવિધાઓ કાઢે છે. અમે સ્વયં-સંગઠિત નકશાને બદલે કાર્હુનન-લોએવ પરિવર્તક અને સંક્રમણ નેટવર્કને બદલે મલ્ટી-લેયર પર્સેપ્ટ્રોનનો ઉપયોગ કરીને પરિણામો રજૂ કરીએ છીએ. કાર્હુનન-લોવેવ પરિવર્તન લગભગ એટલું જ સારું કામ કરે છે (5.3% ભૂલ વિરુદ્ધ 3.8%). મલ્ટી-લેયર પર્સપટ્રોન ખૂબ નબળી કામગીરી કરે છે (40% ભૂલ વિરુદ્ધ 3.8%). આ પદ્ધતિ ઝડપી વર્ગીકરણ માટે સક્ષમ છે, માત્ર ઝડપી, આશરે સામાન્યીકરણ અને પૂર્વ-પ્રોસેસિંગની જરૂર છે, અને સતત ડેટાબેઝ પર ઇજિનેફેસિસ અભિગમ [42] કરતાં વધુ સારી વર્ગીકરણ કામગીરી દર્શાવે છે, કારણ કે તાલીમ ડેટાબેઝમાં વ્યક્તિ દીઠ છબીઓની સંખ્યા 1 થી 5 સુધી બદલાય છે. વ્યક્તિ દીઠ 5 ઈમેજ સાથે પ્રસ્તાવિત પદ્ધતિ અને સ્વયં-પ્રતિમાઓ અનુક્રમે 3.8% અને 10.5% ભૂલનું પરિણામ આપે છે. આ ઓળખકર્તા તેના આઉટપુટમાં વિશ્વાસનું માપ પૂરું પાડે છે અને જ્યારે 10% જેટલા ઉદાહરણોને નકારી કાઢવામાં આવે ત્યારે વર્ગીકરણ ભૂલ શૂન્યની નજીક આવે છે. અમે 40 વ્યક્તિઓની 400 છબીઓનો ડેટાબેઝનો ઉપયોગ કરીએ છીએ જેમાં અભિવ્યક્તિ, પોઝ અને ચહેરાની વિગતોમાં ખૂબ ઊંચી ડિગ્રીની વિવિધતા છે. અમે કોમ્પ્યુટેશનલ જટિલતાનું વિશ્લેષણ કરીએ છીએ અને ચર્ચા કરીએ છીએ કે કેવી રીતે નવા વર્ગોને પ્રશિક્ષિત ઓળખકર્તામાં ઉમેરી શકાય છે. |
5dd9dc47c4acc9ea3e597751194db52119398ac6 | શિફ્ટ રજિસ્ટર એ એક પ્રકારનું અનુક્રમિક તર્કસંગત સર્કિટ છે જેનો ઉપયોગ મોટાભાગે ડિજિટલ ડેટા સ્ટોર કરવા અથવા સિસ્ટમની સુરક્ષા સુધારવા માટે રેડિયો ફ્રીક્વન્સી આઇડેન્ટિફિકેશન (આરએફઆઈડી) એપ્લિકેશન્સમાં દ્વિસંગી સંખ્યાઓના રૂપમાં ડેટા ટ્રાન્સફર કરવા માટે થાય છે. આ લેખમાં એક નવા ફ્લિપ-ફ્લોપનો ઉપયોગ કરીને એક પાવર-કાર્યક્ષમ શિફ્ટ રજિસ્ટર રજૂ કરવામાં આવ્યું છે, જેમાં એક અસ્પષ્ટ પલ્સ-ટ્રિગર માળખું છે. પ્રસ્તાવિત ફ્લિપ-ફ્લોપમાં ઉચ્ચ પ્રદર્શન અને ઓછી શક્તિની લાક્ષણિકતાઓ છે. તે પાંચ ટ્રાન્ઝિસ્ટર દ્વારા અમલમાં આવેલા નમૂનાકરણ સર્કિટ, ઉછેર અને પતન પાથ માટે સી-એલિમેન્ટ અને કીપર સ્ટેજથી બનેલો છે. ચાર ઘડિયાળવાળા ટ્રાન્ઝિસ્ટરને એક સાથે સંક્રમણ સ્થિતિ તકનીક સાથે ચલાવીને ઝડપમાં વધારો કરવામાં આવે છે. સિમ્યુલેશનનું પરિણામ એ પુષ્ટિ કરે છે કે પ્રસ્તાવિત ટોપોલોજી અનુક્રમે 22.7071 અને 30.1997 એનડબલ્યુની સૌથી ઓછી શક્તિનો ઉપયોગ કરે છે. આ સમગ્ર ડિઝાઇનમાં માત્ર 16 ટ્રાન્ઝિસ્ટરનો સમાવેશ થાય છે અને તે 1.2 વી વીજ પુરવઠો સાથે 130 એનએમ પૂરક-મેટલ-ઓક્સાઇડ-સેમિકન્ડક્ટર (સીએમઓએસ) તકનીકમાં સિમ્યુલેટેડ છે. |
d76beb59a23c01c9bec1940c4cec1ca26e00480a | એર ફોર્સ રિસર્ચ લેબોરેટરીએ બે મગજ-કમ્પ્યુટર ઇન્ટરફેસો (બીસીઆઈ) નો અમલ કર્યો છે અને તેનું મૂલ્યાંકન કર્યું છે જે સ્થિર-રાજ્ય દ્રશ્ય ઉત્પન્ન પ્રતિભાવને ભૌતિક ઉપકરણ અથવા કમ્પ્યુટર પ્રોગ્રામ ચલાવવા માટે નિયંત્રણ સંકેતમાં અનુવાદિત કરે છે. એક અભિગમમાં, ઓપરેટરો મગજના પ્રતિભાવને સ્વયં-નિયમન કરે છે; અન્ય અભિગમ બહુવિધ ઉત્તેજિત પ્રતિસાદોનો ઉપયોગ કરે છે. |
8a65dc637d39c14323dccd5cbcc08eed2553880e | આ લેખમાં દક્ષિણ આફ્રિકામાં જિલ્લા વ્યવસ્થાપનને ટેકો આપવા માટે આરોગ્ય માહિતી પ્રણાલીઓ વિકસાવવા માટે ચાલુ કાર્યવાહી સંશોધન પ્રોજેક્ટના પ્રારંભિક સમયગાળા (1994-2001) નું વર્ણન કરવામાં આવ્યું છે. તત્કાલીન દક્ષિણ આફ્રિકામાં આરોગ્ય ક્ષેત્રનું પુનર્નિર્માણ આરોગ્ય સેવા વિતરણમાં સમાનતા માટે પ્રયત્નશીલ છે અને આરોગ્ય જિલ્લાઓના આધારે વિકેન્દ્રિત માળખું બનાવવું. ઇન્ફોર્મેશન સિસ્ટમ્સ (આઇએસ) વિકાસની દ્રષ્ટિએ, આ સુધારણા પ્રક્રિયા આરોગ્ય ડેટાના માનકીકરણમાં અનુવાદિત થાય છે જે માહિતીના સંચાલનના સ્થાનિક નિયંત્રણ અને એકીકરણને વધારતા નવા દક્ષિણ આફ્રિકાના લક્ષ્યોને લખે છે. અમે ક્રિયા સંશોધન માટે અમારા અભિગમનું વર્ણન કરીએ છીએ અને કેસ સામગ્રીનું વિશ્લેષણ કરવામાં અભિનેતા-નેટવર્ક અને માળખાગત સિદ્ધાંતોના ખ્યાલોનો ઉપયોગ કરીએ છીએ. આઈએસ વિકાસની પ્રક્રિયાના વિગતવાર વર્ણન અને વિશ્લેષણમાં, અમે માનકીકરણ અને સ્થાનિક ક્ષમતાઓ (સ્થાનિકીકરણ) વચ્ચે સંતુલન કરવાની જરૂરિયાત પર ધ્યાન કેન્દ્રિત કરીએ છીએ; માનકીકરણને આમ અસમાન અભિનેતાઓની શ્રેણીની નીચેથી ઉપર ગોઠવણી તરીકે જોવામાં આવે છે. માહિતી પ્રણાલીઓના સામાજિક પ્રણાલીના મોડેલ પર નિર્માણ કરીને, અમે આઇએસ ડિઝાઇન વ્યૂહરચનાને વિકસિત અને ઉપયોગમાં લેવાય છે, જે પ્રક્રિયાઓની ખેતી તરીકે છે, જેના દ્વારા આ અભિનેતાઓ તેમના હિતોનું ભાષાંતર અને ગોઠવણ કરે છે. અમે વૈશ્વિક અને સ્થાનિક ડેટાસેટ્સની મોડ્યુલર હાયરાર્કીને એક માળખા તરીકે વિકસિત કરીએ છીએ, જેમાં માનકીકરણ અને સ્થાનિકીકરણ વચ્ચેના તણાવને સમજી શકાય છે અને તેનો ઉકેલ લાવી શકાય છે. છેલ્લે, અમે અન્ય દેશોમાં સંશોધનનાં પરિણામોની સંભવિત સુસંગતતા અંગે ચર્ચા કરીએ છીએ. |
600434c6255c160b53ad26912c1c0b96f0d48ce6 | રેન્ડમ ફોરેસ્ટ એક કમ્પ્યુટેશનલી કાર્યક્ષમ તકનીક છે જે મોટા ડેટાસેટ્સ પર ઝડપથી કાર્ય કરી શકે છે. તેનો ઉપયોગ વિવિધ ક્ષેત્રોમાં ઘણા તાજેતરના સંશોધન પ્રોજેક્ટ્સ અને વાસ્તવિક દુનિયાની એપ્લિકેશનમાં કરવામાં આવ્યો છે. જો કે, સંબંધિત સાહિત્ય રેન્ડમ ફોરેસ્ટ બનાવવા માટે કેટલા વૃક્ષોનો ઉપયોગ કરવો જોઈએ તે અંગે લગભગ કોઈ દિશા નિર્દેશો આપતા નથી. અહીં જણાવેલ સંશોધન વિશ્લેષણ કરે છે કે રેન્ડમ ફોરેસ્ટમાં વૃક્ષોની શ્રેષ્ઠ સંખ્યા છે કે નહીં, એટલે કે, એક થ્રેશોલ્ડ જેમાંથી વૃક્ષોની સંખ્યામાં વધારો કરવાથી નોંધપાત્ર પ્રભાવ લાભ નહીં મળે, અને માત્ર કમ્પ્યુટેશનલ ખર્ચમાં વધારો થશે. અમારા મુખ્ય નિષ્કર્ષ છેઃ જેમ જેમ વૃક્ષોની સંખ્યા વધે છે, તેનો અર્થ એ નથી કે જંગલનું પ્રદર્શન અગાઉના જંગલો (ઓછી વૃક્ષો) કરતાં નોંધપાત્ર રીતે વધુ સારું છે, અને વૃક્ષોની સંખ્યા બમણી કરવી તે મૂલ્યવાન નથી. તે પણ શક્ય છે કે ત્યાં એક થ્રેશોલ્ડ છે જે પછી કોઈ નોંધપાત્ર લાભ નથી, જ્યાં સુધી એક વિશાળ કમ્પ્યુટેશનલ પર્યાવરણ ઉપલબ્ધ ન હોય. વધુમાં, કોઈ પણ જંગલમાં વૃક્ષોની સંખ્યા બમણી થતાં AUC લાભ માટે પ્રાયોગિક સંબંધ જોવા મળ્યો હતો. વધુમાં, જેમ જેમ વૃક્ષોની સંખ્યા વધે છે, તેમ તેમ રેન્ડમ ફોરેસ્ટમાં લક્ષણોનો સંપૂર્ણ સેટ ઉપયોગમાં લેવાય છે, જે બાયોમેડિકલ ડોમેનમાં રસપ્રદ ન હોઈ શકે. વધુમાં, અહીં પ્રસ્તાવિત ડેટાસેટ્સ ડેન્સિટી-આધારિત મેટ્રિક્સ કદાચ નિર્ણયના વૃક્ષો પર વીસી પરિમાણના કેટલાક પાસાઓને પકડી રાખે છે અને ઓછી ઘનતાવાળા ડેટાસેટ્સને મોટી ક્ષમતાવાળા મશીનોની જરૂર પડી શકે છે, જ્યારે વિપરીત પણ સાચું લાગે છે. |
4cbadc5f4afe9ac178fd14a6875ef1956a528313 | છેલ્લા કેટલાક વર્ષોમાં ટેકનોલોજીમાં થયેલી પ્રગતિએ નાના સેન્સર નોડ્સને બાકીના ઇન્ટરનેટ સાથે વાયરલેસ રીતે વાતચીત કરવાનું શક્ય બનાવ્યું છે. આ સિદ્ધિ સાથે આઇપી-સક્ષમ વાયરલેસ સેન્સર નેટવર્ક્સ (આઇપી-ડબ્લ્યુએસએન) ને સુરક્ષિત કરવાનો પ્રશ્ન ઉભો થયો અને ત્યારથી તે એક મહત્વપૂર્ણ સંશોધન વિષય છે. આ થીસમાં અમે કોન્ટિકી ઓપરેટિંગ સિસ્ટમ માટે પૂર્વ-શેર્ડ કી સાઇફર સ્યુટ (ટીએલએસ પીએસકે સાથે એઇએસ 128 સીસીએમ 8) નો ઉપયોગ કરીને ટીએલએસ અને ડીટીએલએસ પ્રોટોકોલ્સના અમારા અમલીકરણની ચર્ચા કરીએ છીએ. કોન્ટીકી ઓએસ દ્વારા સમર્થિત પ્રોટોકોલ સમૂહમાં ફક્ત એક નવો પ્રોટોકોલ ઉમેરવા ઉપરાંત, આ પ્રોજેક્ટ અમને મૂલ્યાંકન કરવાની મંજૂરી આપે છે કે આઇપી-ડબ્લ્યુએસએન માટે પરિવહન-સ્તર સુરક્ષા અને પૂર્વ-વહેંચાયેલ કી મેનેજમેન્ટ યોજનાઓ કેટલી યોગ્ય છે. |
0ab99aa04e3a8340a7552355fb547374a5604b24 | ઘણા ડાયગ્નોસ્ટિક કાર્યોને અસાધારણતા શોધવા અને સમય જતાં માપ અને ફેરફારોની ગણતરી કરવા માટે પ્રારંભિક શોધ પ્રક્રિયાની જરૂર છે. કોમ્પ્યુટરાઈઝડ ટૂલ્સ, ખાસ કરીને ઇમેજ એનાલિસિસ અને મશીન લર્નિંગ, નિદાનને સુધારવા માટે ચાવીરૂપ સક્ષમ છે, જે શોધની ઓળખને સરળ બનાવે છે જેને સારવારની જરૂર હોય છે અને નિષ્ણાતના વર્કફ્લોને ટેકો આપે છે. આ સાધનોમાં, ઊંડા શિક્ષણ ઝડપથી રાજ્ય-ઓફ-ધ-આર્ટ પાયો સાબિત થઈ રહ્યું છે, જે સુધારેલી ચોકસાઈ તરફ દોરી જાય છે. ડેટા વિશ્લેષણમાં પણ તે નવી સીમાઓ ખોલી છે, જે અગાઉ ક્યારેય ન હતી. D EEP શીખવાની સામાન્ય માહિતી વિશ્લેષણ એક વધતી વલણ છે અને 10 ની એક તરીકે ઓળખવામાં આવી છે 2013 ની નવીનતમ તકનીકો [1]. ડીપ લર્નિંગ એ કૃત્રિમ ન્યુરલ નેટવર્ક્સનું એક સુધારણા છે, જેમાં વધુ સ્તરોનો સમાવેશ થાય છે જે ઉચ્ચ સ્તરના અમૂર્તતા અને ડેટામાંથી સુધારેલી આગાહીઓને મંજૂરી આપે છે. આજ સુધી, તે સામાન્ય ઇમેજિંગ અને કમ્પ્યુટર વિઝન ડોમેન્સમાં અગ્રણી મશીન-લર્નિંગ ટૂલ તરીકે ઉભરી રહ્યું છે. ખાસ કરીને, કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ (સીએનએન) એ કમ્પ્યુટર વિઝન કાર્યોની વિશાળ શ્રેણી માટે શક્તિશાળી સાધનો સાબિત થયા છે. ડીપ સીએનએન કાચા ડેટા (દા. ત. , છબીઓ) માંથી મેળવેલા મધ્યમ-સ્તર અને ઉચ્ચ-સ્તરના અમૂર્ત સ્વરૂપોને આપમેળે શીખે છે. તાજેતરના પરિણામો દર્શાવે છે કે સીએનએનમાંથી કાઢવામાં આવેલા સામાન્ય વર્ણનકર્તાઓ કુદરતી છબીઓમાં ઑબ્જેક્ટ ઓળખ અને સ્થાનિકીકરણમાં અત્યંત અસરકારક છે. વિશ્વભરમાં તબીબી છબી વિશ્લેષણ જૂથો ઝડપથી આ ક્ષેત્રમાં પ્રવેશ કરી રહ્યા છે અને વિવિધ પ્રકારના કાર્યક્રમોમાં સીએનએન અને અન્ય ઊંડા શિક્ષણ પદ્ધતિઓનો ઉપયોગ કરી રહ્યા છે. આશાસ્પદ પરિણામો મળી રહ્યા છે. તબીબી ઇમેજિંગમાં, રોગનું ચોક્કસ નિદાન અને / અથવા મૂલ્યાંકન છબી સંપાદન અને છબી અર્થઘટન બંને પર આધારિત છે. તાજેતરના વર્ષોમાં ઇમેજ એક્વિઝિશનમાં નોંધપાત્ર સુધારો થયો છે, જેમાં ઉપકરણો વધુ ઝડપી દરે અને વધેલા રીઝોલ્યુશન પર ડેટા મેળવે છે. જો કે, તાજેતરમાં જ કોમ્પ્યુટર ટેકનોલોજીથી છબી અર્થઘટન પ્રક્રિયાને ફાયદો થવાનું શરૂ થયું છે. તબીબી છબીઓની મોટાભાગની અર્થઘટન ચિકિત્સકો દ્વારા કરવામાં આવે છે; જો કે, મનુષ્ય દ્વારા છબી અર્થઘટન તેની વ્યક્તિલક્ષીતા, દુભાષિયાઓ વચ્ચે મોટા ફેરફારો અને થાકને કારણે મર્યાદિત છે. |
5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70 | બે સ્વતંત્ર સમૂહોની છબીઓનું અનુવાદ કરવાનો હેતુ ધરાવતો અસુરક્ષિત છબી અનુવાદ, જોડીવાળા ડેટા વિના યોગ્ય પત્રવ્યવહાર શોધવામાં પડકારરૂપ છે. વર્તમાન કાર્યો જનરેટિવ એડવાસરીઅલ નેટવર્ક્સ (જીએએન) પર નિર્માણ કરે છે, જેમ કે અનુવાદિત છબીઓનું વિતરણ લક્ષ્ય સમૂહના વિતરણથી અસ્પષ્ટ છે. જો કે, આવા સેટ-સ્તરના પ્રતિબંધો ઉદાહરણ-સ્તરના પત્રવ્યવહાર (દા. ત. ઑબ્જેક્ટ ટ્રાન્સફિગ્યુરેશન કાર્યમાં સંરેખિત સિમેન્ટીક ભાગો). આ મર્યાદા ઘણીવાર ખોટા હકારાત્મક પરિણામો (દા. ત. ભૌમિતિક અથવા અર્થપૂર્ણ વસ્તુઓ), અને આગળ મોડ પતન સમસ્યા તરફ દોરી જાય છે. ઉપરોક્ત મુદ્દાઓને સંબોધવા માટે, અમે ડીપ એટેન્શન GAN (DA-GAN) દ્વારા ઉદાહરણ-સ્તર છબી અનુવાદ માટે એક નવલકથા માળખું પ્રસ્તાવિત કરીએ છીએ. આ પ્રકારની ડિઝાઇન DA-GAN ને બે સેટ્સમાંથી નમૂનાઓનું અનુવાદ કરવાનું કાર્ય અત્યંત માળખાગત ગુપ્ત જગ્યામાં અનુવાદના ઉદાહરણોમાં વિભાજિત કરવા માટે સક્ષમ બનાવે છે. ખાસ કરીને, અમે સંયુક્ત રીતે એક ઊંડા ધ્યાન એન્કોડર શીખીએ છીએ, અને ઉદાહરણ-સ્તરના પત્રવ્યવહારને પરિણામે શીખી ઉદાહરણો પર હાજરી આપીને શોધી શકાય છે. તેથી, સેટ-લેવલ અને ઇન્સ્ટન્સ-લેવલ બંને પર પ્રતિબંધોનો ઉપયોગ કરી શકાય છે. અનેક અદ્યતન પદ્ધતિઓ સાથેની સરખામણીઓ આપણા અભિગમની શ્રેષ્ઠતા દર્શાવે છે અને વ્યાપક એપ્લિકેશન ક્ષમતા, ઉદાહરણ તરીકે, પોઝ મોર્ફિંગ, ડેટા એગ્મેન્ટમેન્ટ વગેરે, ડોમેન ટ્રાન્સલેશન સમસ્યાના માર્જિનને દબાણ કરે છે. |
f1526054914997591ffdb8cd523bea219ce7a26e | આ વર્ષે માર્ચમાં, અમેરિકન સ્ટેટિસ્ટિકલ એસોસિએશન (એએસએ) એ પી-વેલ્યુના યોગ્ય ઉપયોગ અંગે એક નિવેદન પોસ્ટ કર્યું હતું, જેમાં પી-વેલ્યુનો સામાન્ય રીતે દુરુપયોગ અને ખોટી અર્થઘટન કરવામાં આવે છે તે અંગે વધતી ચિંતાનો જવાબ આપ્યો હતો. અમારો ઉદ્દેશ એએસએ દ્વારા આપવામાં આવેલી આ ચેતવણીઓને એવી ભાષામાં અનુવાદિત કરવાનો છે જે આંકડામાં ઊંડી પૃષ્ઠભૂમિ વિના ક્લિનિક્સ અને સંશોધકો દ્વારા વધુ સરળતાથી સમજી શકાય. વધુમાં, અમે પી-વેલ્યુની મર્યાદાઓને સમજાવવા માગીએ છીએ, જ્યારે તેનો ઉપયોગ અને અર્થઘટન યોગ્ય રીતે કરવામાં આવે છે, અને ઉદાહરણ તરીકે તાજેતરમાં અહેવાલ આપેલા બે અભ્યાસોનો ઉપયોગ કરીને અભ્યાસના તારણોની ક્લિનિકલ સુસંગતતા પર વધુ ધ્યાન આપવું. અમે દલીલ કરીએ છીએ કે પી-મૂલ્યોને ઘણી વખત ખોટી રીતે અર્થઘટન કરવામાં આવે છે. એક સામાન્ય ભૂલ એ છે કે P < 0.05 નો અર્થ એ છે કે નલ પૂર્વધારણા ખોટી છે, અને P ≥ 0.05 નો અર્થ એ છે કે નલ પૂર્વધારણા સાચી છે. 0.05 ની પી-વેલ્યુની સાચી અર્થઘટન એ છે કે જો શૂન્ય પૂર્વધારણા ખરેખર સાચી હોય, તો સમાન નમૂનામાં અભ્યાસનું પુનરાવર્તન કરતી વખતે સમાન અથવા વધુ આત્યંતિક પરિણામ 5% વખત થશે. બીજા શબ્દોમાં કહીએ તો, પી-વેલ્યુ નલ પૂર્વધારણાને આપવામાં આવેલી માહિતીની સંભાવના વિશે માહિતી આપે છે અને અન્ય રીતે નહીં. પી-વેલ્યુ સાથે સંબંધિત એક સંભવિત વિકલ્પ વિશ્વાસ અંતરાલ (સીઆઇ) છે. તે અસરની તીવ્રતા અને તે અસત્યતા વિશે વધુ માહિતી પૂરી પાડે છે જેની સાથે તે અસરનો અંદાજ કરવામાં આવ્યો હતો. જો કે, પી-વેલ્યુને બદલવા અને વૈજ્ઞાનિક પરિણામોના ખોટા અર્થઘટનને રોકવા માટે કોઈ જાદુઈ બુલેટ નથી. વૈજ્ઞાનિકો અને વાચકોએ પોતાને આંકડાકીય પરીક્ષણો, પી-વેલ્યુ અને સીઆઇના યોગ્ય, સૂક્ષ્મ અર્થઘટન સાથે પરિચિત થવું જોઈએ. |
50ca90bc847694a7a2d9a291f0d903a15e408481 | અમે માનવ હાવભાવ ઓળખ માટે એક સામાન્ય અભિગમ પ્રસ્તાવિત કરીએ છીએ જે બહુવિધ ડેટા મોડલિટીઝ પર આધારિત છે જેમ કે ઊંડાણ વિડિઓ, સ્પષ્ટ પોઝ અને ભાષણ. આપણી પ્રણાલીમાં, દરેક હાવભાવને મોટા પાયે શરીરની હિલચાલ અને સ્થાનિક સૂક્ષ્મ હલનચલન જેમ કે હાથની સંકલન તરીકે વિઘટિત કરવામાં આવે છે. બહુવિધ સ્કેલ પર શીખવાનો વિચાર સમયના પરિમાણ પર પણ લાગુ પડે છે, જેમ કે હાવભાવને લાક્ષણિક ગતિ આવેગ અથવા ગતિશીલ વલણોના સમૂહ તરીકે ગણવામાં આવે છે. દરેક મોડલિટીને પ્રથમ ટૂંકા અવકાશી-સમયના બ્લોક્સમાં અલગથી પ્રક્રિયા કરવામાં આવે છે, જ્યાં ભેદભાવપૂર્ણ ડેટા-વિશિષ્ટ સુવિધાઓ ક્યાં તો મેન્યુઅલી કાઢવામાં આવે છે અથવા શીખી છે. છેલ્લે, અમે મોટા પાયે કાલ આધારિત આધારભૂતપણાઓ, ડેટા ફ્યુઝન અને આખરે હાવભાવ વર્ગીકરણ માટે એક રિકરન્ટ ન્યુરલ નેટવર્કનો ઉપયોગ કરીએ છીએ. મલ્ટીમોડલ ગેસ્ટ રિકોગ્નિશન ડેટાસેટ પર 2013 ના પડકાર પરના અમારા પ્રયોગોએ દર્શાવ્યું છે કે બહુવિધ અવકાશી અને સમયસરના સ્કેલ પર બહુવિધ મોડલ્સનો ઉપયોગ કરવાથી પ્રભાવમાં નોંધપાત્ર વધારો થાય છે, જે મોડેલને વ્યક્તિગત વર્ગીકરણકારોની ભૂલો તેમજ અલગ ચેનલોમાં ઘોંઘાટની ભરપાઈ કરવાની મંજૂરી આપે છે. |
586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6 | અમે વિરલ લક્ષણ ડિટેક્ટર્સની પદાનુક્રમ શીખવા માટે એક નિરીક્ષણ પદ્ધતિ રજૂ કરીએ છીએ જે નાના શિફ્ટ અને વિકૃતિઓ માટે અસ્થિર છે. પરિણામી લક્ષણ નિષ્કર્ષક બહુવિધ સંકોચન ફિલ્ટર્સ ધરાવે છે, ત્યારબાદ એક લક્ષણ-પૂલિંગ સ્તર છે જે અડીને વિંડોઝમાં દરેક ફિલ્ટર આઉટપુટની મહત્તમ ગણતરી કરે છે, અને બિંદુ-સમજશકિત સિગ્મોઇડ બિન-રેખીયતા. પ્રથમ સ્તરના લક્ષણોના પેચ પર સમાન અલ્ગોરિધમનો તાલીમ આપીને મોટા અને વધુ અસ્થિર લક્ષણોનું બીજું સ્તર મેળવવામાં આવે છે. આ લક્ષણો પર દેખરેખ રાખનાર વર્ગીકરણકારને તાલીમ આપવી એ એમએનઆઇએસટી પર 0.64% ભૂલ અને કેલ્ટેક 101 પર સરેરાશ 54% માન્યતા દર આપે છે, જેમાં વર્ગ દીઠ 30 તાલીમ નમૂનાઓ છે. જ્યારે પરિણામી આર્કિટેક્ચર કન્વોલ્યુશનલ નેટવર્ક્સ જેવું જ છે, ત્યારે લેયર-વૈજ્ઞાનિક નિરીક્ષણ વિનાની તાલીમ પ્રક્રિયા ઓવર-પૅરામેટરાઇઝેશન સમસ્યાઓને દૂર કરે છે જે શુદ્ધ નિરીક્ષણ કરેલ શિક્ષણ પ્રક્રિયાઓને પલટાવતા હોય છે, અને ખૂબ ઓછા લેબલવાળા તાલીમ નમૂનાઓ સાથે સારી કામગીરી આપે છે. |
80bcfbb1a30149e636ff1a08aeb715dad6dd9285 | 0.15μm GaN HEMT પ્રક્રિયા ટેકનોલોજીનો ઉપયોગ કરીને બે ઉચ્ચ કાર્યક્ષમતા Ka-બેન્ડ પાવર એમ્પ્લીફાયર MMICs ની ડિઝાઇન અને કામગીરી રજૂ કરવામાં આવી છે. 3-સ્તર સંતુલિત એમ્પ્લીફાયર માટે માપવામાં આવેલ ઇન-ફિક્ચર સતત તરંગ (સીડબલ્યુ) પરિણામો 30 ગીગાહર્ટ્ઝ પર 11W સુધીની આઉટપુટ પાવર અને 30% પાવર એડિટ કાર્યક્ષમતા (પીએઇ) દર્શાવે છે. ત્રણ તબક્કાની સિંગલ-એન્ડેડ ડિઝાઇન 6W થી વધુ આઉટપુટ પાવર અને 34% સુધીની PAE ઉત્પન્ન કરે છે. સંતુલિત અને સિંગલ-એન્ડેડ એમએમઆઈસી માટે મરીનું કદ અનુક્રમે 3.24 × 3.60 મીમી 2 અને 1.74 × 3.24 મીમી 2 છે. |
284de726e700a6c52f9f8fb9f3de4d4b0ff778bb | પુનરાવર્તિત ન્યુરલ નેટવર્ક્સ (આરએનએન) ગતિશીલ રીતે બદલાતી સમયની માહિતીનો ઉપયોગ કરવાની તેમની ક્ષમતાને કારણે વાણી ઓળખ માટે કુદરતી રીતે યોગ્ય છે. ડીપ આરએનએનો વિવાદ કરવામાં આવ્યો છે કે તે અલગ અલગ સમયની દાણાદારતા પર ક્ષણિક સંબંધોને મોડેલ કરવા માટે સક્ષમ છે, પરંતુ તે અદૃશ્ય થઈ ગયેલી ઢાળની સમસ્યાઓનો સામનો કરે છે. આ કાગળમાં, અમે ગ્રીડ એલએસટીએમ બ્લોક્સનો ઉપયોગ કરીને સ્ટેક્ડ લાંબી ટૂંકા ગાળાની મેમરી (એલએસટીએમ) આરએનએનો વિસ્તાર કરીએ છીએ જે આ મુદ્દાને ઘટાડવા માટે માત્ર સમયાંતરે પરિમાણ જ નહીં, પણ ઊંડાણ પરિમાણ સાથે પણ ગણતરી કરે છે. વધુમાં, અમે ઊંડાઈ પરિમાણને સમયના એક પર પ્રાથમિકતા આપીએ છીએ જેથી ઊંડાઈ પરિમાણ વધુ અપડેટ માહિતી પૂરી પાડી શકે, કારણ કે તેમાંથી આઉટપુટ વર્ગીકરણ માટે ઉપયોગમાં લેવામાં આવશે. અમે આ મોડેલને અગ્રતા ગ્રીડ એલએસટીએમ (પીજીએલએસટીએમ) કહીએ છીએ. ચાર મોટા ડેટા સેટ્સ (AMI, HKUST, GALE, અને MGB) પર વ્યાપક પ્રયોગો સૂચવે છે કે pGLSTM વૈકલ્પિક ઊંડા LSTM મોડેલોને આગળ ધપાવે છે, 4% થી 7% સંબંધિત સુધારણા સાથે સ્ટેક્ડ LSTM ને હરાવીને, અને તમામ ડેટા સેટ્સ પર એક-દિશાના મોડેલોમાં નવા બેંચમાર્ક પ્રાપ્ત કરે છે. |
Subsets and Splits