_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
45c56dc268a04c5fc7ca04d7edb985caf2a25093 | અલગ સંભાવના વિતરણ સાથે સામાન્ય પરિમાણ અંદાજ પદ્ધતિઓ રજૂ કરે છે, જે ટેક્સ્ટ મોડેલિંગમાં ખાસ રસ ધરાવે છે. મહત્તમ સંભાવના, એપોસ્ટિરીયો અને બેયસિયન અંદાજથી શરૂ કરીને, સંલગ્ન વિતરણ અને બેયસિયન નેટવર્ક્સ જેવી કેન્દ્રીય વિભાવનાઓની સમીક્ષા કરવામાં આવે છે. એક એપ્લિકેશન તરીકે, ડિરિચલેટ હાયપરપૅરામેટર અંદાજની ચર્ચા સહિત ગિબ્સ નમૂના પર આધારિત અંદાજિત અનુમાન અલ્ગોરિધમનો સંપૂર્ણ ડેરિવેશન સાથે ગુપ્ત ડિરિચલેટ ફાળવણી (એલડીએ) નું મોડેલ વિગતવાર સમજાવાયેલ છે. ઇતિહાસઃ સંસ્કરણ 1: મે 2005, સંસ્કરણ 2.4: ઓગસ્ટ 2008. |
9e463eefadbcd336c69270a299666e4104d50159 | |
2e268b70c7dcae58de2c8ff7bed1e58a5e58109a | આ લેખકના ડાયનેમિક પ્રોગ્રામિંગ અને શ્રેષ્ઠ નિયંત્રણ, વોલ્યુમ, પ્રકરણ 4 નું અપડેટ કરેલું સંસ્કરણ છે. II, ચોથી આવૃત્તિ, એથેના સાયન્ટિફિક, 2012. તેમાં નવી સામગ્રીનો સમાવેશ થાય છે, અને તે નોંધપાત્ર રીતે સુધારેલ અને વિસ્તૃત છે (તે કદમાં બમણા કરતા વધારે છે). નવી સામગ્રીનો હેતુ કેટલાક મોડેલોની એકીકૃત સારવાર આપવાનો છે, જે તમામમાં કરારની રચનાનો અભાવ છે જે પ્રકરણ 1 અને 2 ની ડિસ્કાઉન્ટેડ સમસ્યાઓની લાક્ષણિકતા છેઃ હકારાત્મક અને નકારાત્મક ખર્ચ મોડેલો, નિર્ધારિત શ્રેષ્ઠ નિયંત્રણ (અનુકૂળ ડીપી સહિત), સ્ટોકાસ્ટિક ટૂંકી પાથ મોડેલો અને જોખમ-સંવેદનશીલ મોડેલો. અહીં નવી સામગ્રીનો સારાંશ છેઃ |
6d596cb55d99eae216840090b46bc5e49d7aeea5 | અમે રેખીય પ્રણાલીઓના ઉકેલ માટે સંબંધિત ગાઢ મેટ્રિક્સ પરિબળોમાં કહેવાતા લુક-આગળ પદ્ધતિઓ અમલમાં મૂકતી વખતે લોડ-અસંતુલનને દૂર કરવા માટે બે નવલકથા તકનીકો પ્રસ્તાવિત કરીએ છીએ. બંને તકનીકો એવી પરિસ્થિતિને લક્ષ્ય બનાવે છે જ્યાં પરિબળકરણ દરમિયાન બે થ્રેડ ટીમો બનાવવામાં આવે છે/સક્રિય કરવામાં આવે છે, જેમાં દરેક ટીમ સ્વતંત્ર કાર્ય/અભિનયની શાખા કરવા માટે જવાબદાર હોય છે. પ્રથમ તકનીક બે કાર્યો વચ્ચે કામદાર વહેંચણી (ડબ્લ્યુએસ) ને પ્રોત્સાહન આપે છે, જે કાર્યની થ્રેડોને વધુ ખર્ચાળ કાર્ય દ્વારા ઉપયોગ માટે ફરીથી ફાળવવામાં આવે છે. બીજી તકનીક ઝડપી કાર્યને પૂર્ણ કરવાના ધીમી કાર્યને ચેતવણી આપવા માટે પરવાનગી આપે છે, બીજા કાર્યની પ્રારંભિક સમાપ્તિ (ઇટી) અને આગામી પુનરાવર્તનમાં પરિબળકરણ પ્રક્રિયાના સરળ સંક્રમણને અમલમાં મૂકે છે. બે પદ્ધતિઓ મૂળભૂત રેખીય બીજક સબપ્રોગ્રામ્સના નવા નરમ થ્રેડ-સ્તર અમલીકરણ દ્વારા ઉદાહરણિત છે, અને તેમના લાભો આંશિક પિવટિંગ સાથે LU પરિબળકરણના અમલીકરણ દ્વારા આગળ જોઈને વિસ્તૃત છે. ખાસ કરીને, 12 કોર સાથે ઇન્ટેલ-ક્સેન સિસ્ટમ પરના અમારા પ્રાયોગિક પરિણામો WS+ETના સંયોજનના ફાયદા દર્શાવે છે, જે કાર્ય-સમાન સમય આધારિત ઉકેલ સાથે સરખામણીમાં સ્પર્ધાત્મક પ્રદર્શનની જાણ કરે છે. |
7157dda72073ff66cc2de6ec5db056a3e8b326d7 | 25 26 27 28 29 30 31 32 33 34 35 36 લેખ ઇતિહાસઃ 13 ફેબ્રુઆરી 2012 ના રોજ પ્રાપ્ત 18 માર્ચ 2013 ના રોજ સુધારેલા સ્વરૂપમાં પ્રાપ્ત 4 એપ્રિલ 2013 ના રોજ સ્વીકારવામાં આવ્યું ઓનલાઇન ઉપલબ્ધ xxxx |
66903e95f84767a31beef430b2367492ac9cc750 | ઉદ્દેશ્ય આ શ્રેણીમાં બીજા લેખ છે જે બાળપણમાં જાતીય શોષણ (સીએસએ) ની પ્રચલિતતા, સહસંબંધ અને પરિણામોને વર્ણવે છે, જેમાં 18 વર્ષની ઉંમર સુધી અભ્યાસ કરાયેલા 1,000 થી વધુ ન્યૂઝીલેન્ડના બાળકોના જન્મ કોહર્ટનો સમાવેશ થાય છે. આ લેખ 18 વર્ષની ઉંમરે સીએસએના અહેવાલો અને 18 વર્ષની ઉંમરે ડીએસએમ-IV ડાયગ્નોસ્ટિક વર્ગીકરણ વચ્ચેના સંગઠનોની તપાસ કરે છે. પદ્ધતિ ન્યૂઝીલેન્ડના બાળકોના જન્મ સમૂહનો જન્મથી લઈને 16 વર્ષની વય સુધીના વાર્ષિક અંતરાલો પર અભ્યાસ કરવામાં આવ્યો હતો. 18 વર્ષની ઉંમરે 16 વર્ષની ઉંમર પહેલાંના સીએસએના પાછલા અહેવાલો અને એક સાથે માપવામાં આવેલા માનસિક લક્ષણો મેળવવામાં આવ્યા હતા. પરિણામો જેઓએ સીએસએની જાણ કરી હતી તેઓમાં સીએસએની જાણ ન કરનારાઓ કરતા વધારે ડિપ્રેશન, અસ્વસ્થતા ડિસઓર્ડર, વર્તન ડિસઓર્ડર, પદાર્થ ઉપયોગ ડિસઓર્ડર અને આત્મહત્યાના વર્તનના દર હતા (પી <. 002). સીએસએની હદ અને ડિસઓર્ડરનું જોખમ વચ્ચે સુસંગત સંબંધો હતા, જેમાં સીએસએની જાણ કરનારાઓ સાથે સંભોગમાં ડિસઓર્ડરનું સૌથી વધુ જોખમ હતું. આ પરિણામો ચાલુ રહ્યા જ્યારે તારણોને ભવિષ્યમાં માપવામાં આવેલા બાળપણના કુટુંબ અને સંબંધિત પરિબળો માટે ગોઠવવામાં આવ્યા હતા. CSA અને બિન- એક સાથે માપવામાં આવેલ વિકૃતિઓ વચ્ચે સમાન પરંતુ ઓછા સ્પષ્ટ સંબંધો જોવા મળ્યા હતા. તારણો સૂચવે છે કે સીએસએ, અને ખાસ કરીને ગંભીર સીએસએ, યુવાન પુખ્ત વયના લોકોમાં માનસિક વિકારના વધતા જોખમને જોડે છે, જ્યારે ભવિષ્યમાં માપવામાં આવેલા ગૂંચવણભર્યા પરિબળો માટે યોગ્ય ભથ્થું આપવામાં આવે છે. |
8df383aae16ce1003d57184d8e4bf729f265ab40 | નવી માઇક્રોસ્ટ્રીપ-લાઇન-ફીડ બ્રોડબેન્ડ સર્ક્યુલરલી પોલરાઇઝ્ડ (સીપી) રિંગલ-રીંગ સ્લોટ એન્ટેના (એઆરએસએ) ની રચના કરવાની દરખાસ્ત કરવામાં આવી છે. હાલના રિંગ સ્લોટ એન્ટેનાની સરખામણીમાં અહીં રચાયેલ એઆરએસએમાં ઘણી મોટી સીપી બેન્ડવિડ્થ છે. પ્રસ્તાવિત ડિઝાઇનની મુખ્ય લાક્ષણિકતાઓમાં વિશાળ રિંગ સ્લોટ, જમીનવાળી ટોપી આકારના પેચની જોડી અને વિકૃત વક્ર ફીડિંગ માઇક્રોસ્ટ્રીપ લાઇનનો સમાવેશ થાય છે. એલ અને એસ બેન્ડમાં એફઆર 4 સબસ્ટ્રેટ્સનો ઉપયોગ કરીને ડિઝાઇન કરવામાં આવેલી એઆરએસએમાં અનુક્રમે 46% અને 56% જેટલી મોટી 3-ડીબી એક્સિયલ-રેશિયો બેન્ડવિડ્થ (એઆરબીડબ્લ્યુ) હોય છે, જ્યારે એલ બેન્ડમાં આરટી 5880 સબસ્ટ્રેટનો ઉપયોગ કરીને 65% હોય છે. આ 3-ડીબી એક્સિયલ-રેશિયો બેન્ડ્સમાં, વીએસડબલ્યુઆર ≤ 2 સાથેના ઇમ્પેડન્સ મેચિંગ પણ પ્રાપ્ત થાય છે. |
95e873c3f64a9bd8346f5b5da2e4f14774536834 | સબસ્ટ્રેટ ઇન્ટિગ્રેટેડ વેવગાઇડ (SIW) એચ-પ્લેન સેક્ટરલ હોર્ન એન્ટેના, નોંધપાત્ર રીતે સુધારેલ બેન્ડવિડ્થ સાથે રજૂ કરવામાં આવે છે. ઓપરેશનલ બેન્ડવિડ્થને વધારવા માટે મલ્ટીલેયર સબસ્ટ્રેટની અંદર બાજુની ફ્લેર દિવાલ પર વીઆસની સરળ વ્યવસ્થાથી બનેલી કોણીય રિજ દાખલ કરવામાં આવે છે. એન્ટેના માળખા માટે પ્રસારિત તરંગ પૂરું પાડવા માટે એક સરળ ફીડ રૂપરેખાંકન સૂચવવામાં આવે છે. પ્રસ્તાવિત એન્ટેનાને બે જાણીતા પૂર્ણ-તરંગ પેકેજો, એન્સોફ્ટ એચએફએસએસ અને સીએસટી માઇક્રોવેવ સ્ટુડિયો દ્વારા સિમ્યુલેટેડ કરવામાં આવે છે, જે અલગ સંખ્યાત્મક પદ્ધતિઓ પર આધારિત છે. સિમ્યુલેશન પરિણામો વચ્ચે ગાઢ સંમતિ પ્રાપ્ત થાય છે. આ એન્ટેના 18થી 40 ગીગાહર્ટ્ઝની ફ્રીક્વન્સી રેન્જમાં સારી રેડિયેશન અને 2.5થી ઓછી વીએસડબલ્યુઆર દર્શાવે છે. |
12a376e621d690f3e94bce14cd03c2798a626a38 | આ કાગળ દ્રશ્ય પદાર્થ શોધ માટે મશીન શિક્ષણ અભિગમ વર્ણવે છે જે અત્યંત ઝડપથી છબીઓ પ્રક્રિયા કરવા અને ઉચ્ચ શોધ દર હાંસલ કરવા માટે સક્ષમ છે. આ કાર્ય ત્રણ મુખ્ય યોગદાન દ્વારા અલગ પડે છે. પ્રથમ એ છે કે એક નવી છબી રજૂઆતની રજૂઆત છે જેને Integral Image કહેવાય છે જે આપણા ડિટેક્ટર દ્વારા ઉપયોગમાં લેવાતા લક્ષણોને ખૂબ જ ઝડપથી ગણતરી કરવાની મંજૂરી આપે છે. બીજો એક શીખવાની અલ્ગોરિધમનો છે, જે એડાબૂસ્ટ પર આધારિત છે, જે મોટા સમૂહમાંથી થોડી સંખ્યામાં મહત્વપૂર્ણ દ્રશ્ય સુવિધાઓની પસંદગી કરે છે અને અત્યંત કાર્યક્ષમ વર્ગીકરણકર્તા આપે છે. ત્રીજો યોગદાન એ "કાસ્કેડ" માં વધુને વધુ જટિલ વર્ગીકરણકારોના સંયોજન માટેની એક પદ્ધતિ છે જે છબીના પૃષ્ઠભૂમિ પ્રદેશોને ઝડપથી નકારી કાઢવાની મંજૂરી આપે છે જ્યારે આશાસ્પદ ઑબ્જેક્ટ જેવા પ્રદેશો પર વધુ ગણતરી ખર્ચ કરે છે. કાસ્કેડને એક ઑબ્જેક્ટ-વિશિષ્ટ ફોકસ-ઓફ-એટેન્શન મિકેનિઝમ તરીકે જોવામાં આવે છે જે અગાઉના અભિગમોથી વિપરીત આંકડાકીય ગેરંટી આપે છે કે નિકાલ કરેલા પ્રદેશોમાં રસની ઑબ્જેક્ટ હોવાની શક્યતા નથી. ચહેરાના શોધના ક્ષેત્રમાં સિસ્ટમ શ્રેષ્ઠ અગાઉની સિસ્ટમોની તુલનામાં શોધ દર આપે છે. રીઅલ-ટાઇમ એપ્લિકેશન્સમાં ઉપયોગમાં લેવાતા, ડિટેક્ટર છબી વિભેદક અથવા ત્વચા રંગની શોધનો આશરો લીધા વિના 15 ફ્રેમ્સ પ્રતિ સેકન્ડ ચાલે છે. |
51f0e3fe5335e2c3a55e673a6adae646f0ad6e11 | સોશિયોલોજિસ્ટ્સ ઘણીવાર સામાજિક પ્રક્રિયાઓને ચલો વચ્ચેની ક્રિયાપ્રતિક્રિયા તરીકે મોડેલ કરે છે. અમે એક વૈકલ્પિક અભિગમની સમીક્ષા કરીએ છીએ જે સામાજિક જીવનને અનુકૂલનશીલ એજન્ટો વચ્ચેની ક્રિયાપ્રતિક્રિયાઓ તરીકે મોડેલ કરે છે જે તેઓ પ્રાપ્ત કરેલા પ્રભાવના પ્રતિભાવમાં એકબીજાને પ્રભાવિત કરે છે. આ એજન્ટ આધારિત મોડેલો (એબીએમ) દર્શાવે છે કે કેવી રીતે સરળ અને અનુમાનિત સ્થાનિક ક્રિયાપ્રતિક્રિયાઓ પરિચિત પરંતુ રહસ્યમય વૈશ્વિક દાખલાઓ પેદા કરી શકે છે, જેમ કે માહિતીનું પ્રસાર, ધોરણોનો ઉદભવ, સંમેલનોનું સંકલન અથવા સામૂહિક ક્રિયામાં ભાગ લેવો. ઉભરતા સામાજિક દાખલાઓ પણ અનપેક્ષિત રીતે દેખાઈ શકે છે અને પછી જ નાટ્યાત્મક રૂપે પરિવર્તન અથવા અદૃશ્ય થઈ શકે છે, જેમ કે ક્રાંતિ, બજાર ક્રેશ, ફેશન્સ અને ખોરાકની ઉન્મત્તતામાં થાય છે. એબીએમ સૈદ્ધાંતિક લીવરેજ પૂરું પાડે છે જ્યાં રસના વૈશ્વિક દાખલાઓ વ્યક્તિગત લક્ષણોના એકત્રીકરણ કરતાં વધુ હોય છે, પરંતુ તે જ સમયે, રિલેશનલ સ્તરે માઇક્રોફાઉન્ડેશન્સના નીચેથી ગતિશીલ મોડેલ વિના ઉભરતી પેટર્નને સમજી શકાતી નથી. અમે કોમ્પ્યુટેશનલ સમાજશાસ્ત્રમાં factors થી actors માંના શિફ્ટના સંક્ષિપ્ત ઐતિહાસિક સ્કેચથી શરૂ કરીએ છીએ જે દર્શાવે છે કે કેવી રીતે એજન્ટ-આધારિત મોડેલિંગ મૂળભૂત રીતે કમ્પ્યુટર સિમ્યુલેશનના અગાઉના સમાજશાસ્ત્રીય ઉપયોગોથી અલગ છે. ત્યારબાદ અમે સ્થાનિક ક્રિયાપ્રતિક્રિયામાંથી સામાજિક માળખું અને સામાજિક વ્યવસ્થાના ઉદભવ પર ધ્યાન કેન્દ્રિત કરેલા તાજેતરના યોગદાનની સમીક્ષા કરીએ છીએ. આ નવી પદ્ધતિની પ્રશંસા કરવામાં સમાજશાસ્ત્ર અન્ય સામાજિક વિજ્ઞાનથી પાછળ રહી ગયું છે, તેમ છતાં, અમે સમીક્ષા કરેલા કાગળોમાં વિશિષ્ટ સમાજશાસ્ત્રનું યોગદાન સ્પષ્ટ છે. પ્રથમ, સૈદ્ધાંતિક રસ ગતિશીલ સામાજિક નેટવર્ક્સ પર ધ્યાન કેન્દ્રિત કરે છે જે એજન્ટ ક્રિયાપ્રતિક્રિયા દ્વારા આકાર આપે છે અને આકાર આપે છે. બીજું, એબીએમનો ઉપયોગ વર્ચ્યુઅલ પ્રયોગો કરવા માટે થાય છે જે નેટવર્ક ટોપોલોજી, સામાજિક સ્તરીકરણ અથવા અવકાશી ગતિશીલતા જેવા માળખાકીય પરિબળોને ચાલાકી કરીને મેક્રોસોસિઓલોજિકલ સિદ્ધાંતોનું પરીક્ષણ કરે છે. આ અભિગમની સમૃદ્ધ સમાજશાસ્ત્રીય સંભાવનાને સાકાર કરવા માટે અમે અમારી સમીક્ષાને શ્રેણીબદ્ધ ભલામણો સાથે સમાપ્ત કરીએ છીએ. |
b73cdb60b2fe9fb317fca4fb9f5e1106e13c2345 | |
aa0c01e553d0a1ab40c204725d13fe528c514bba | મનુષ્ય અને રોબોટ વચ્ચેની સુવ્યવસ્થિત અને સલામત ક્રિયાપ્રતિક્રિયાઓ માટે બંને ભાગીદારોએ એકબીજાની ક્રિયાઓની અપેક્ષા રાખવી જરૂરી છે. માનવ ઉદ્દેશ નિષ્કર્ષ માટેનો એક સામાન્ય અભિગમ એ છે કે દેખરેખવાળા વર્ગીકરણકારો સાથે જાણીતા ધ્યેયો તરફ ચોક્કસ ટ્રેકટોરીનું મોડેલિંગ કરવું. જો કે, આ અભિગમો સંભવિત ભાવિ હલનચલનને ધ્યાનમાં લેતા નથી અને તેઓ ચળવળના સંકેતોનો ઉપયોગ કરતા નથી, જેમ કે વાંચનીય અને અનુમાનિત ગતિ. આ પદ્ધતિઓની બાટલીનું ગટુ સામાન્ય માનવ ચળવળના ચોક્કસ મોડેલનો અભાવ છે. આ કાર્યમાં, અમે એક શરતી વૈવિધ્યસભર ઓટોએન્કોડર રજૂ કરીએ છીએ જે ભૂતકાળની ફ્રેમ્સની વિંડો આપવામાં આવતી ભાવિ માનવ ગતિની વિંડોની આગાહી કરવા માટે તાલીમ આપવામાં આવે છે. આરજીબી ઊંડાઈની છબીઓમાંથી મેળવેલ હાડપિંજર ડેટાનો ઉપયોગ કરીને, અમે બતાવીએ છીએ કે કેવી રીતે આ નિરીક્ષણ વિનાના અભિગમનો ઉપયોગ 1660 એમએસ સુધીની ઑનલાઇન ગતિ આગાહી માટે થઈ શકે છે. વધુમાં, અમે લક્ષ્ય-વિશિષ્ટ તાલીમ ડેટાના ઉપયોગ વિના ગતિની શરૂઆત પછી પ્રથમ 300-500 એમએસની અંદર ઑનલાઇન લક્ષ્ય આગાહીનું નિદર્શન કરીએ છીએ. આપણા સંભાવનાવાદી અભિગમનો ફાયદો એ છે કે શક્ય ભાવિ ગતિના નમૂનાઓ દોરવાની સંભાવના છે. છેલ્લે, અમે તપાસ કરીએ છીએ કે કેવી રીતે હલનચલન અને ગતિશીલ સંકેતો શીખેલા નીચા પરિમાણીય મૅનિફોલ્ડ પર રજૂ થાય છે. |
cbbf72d487f5b645d50d7d3d94b264f6a881c96f | આ કાગળમાં 65 એનએમ સીએમઓએસ ટેકનોલોજીમાં ડબલ્યુ-બેન્ડમાં પ્રથમ સંપૂર્ણ ઓન-ચિપ સંકલિત ઊર્જા હાર્વેસ્ટર અને રેક્ટેના રજૂ કરવામાં આવી છે. આ ડિઝાઇન 1-સ્તરીય ડિકસન વોલ્ટેજ મલ્ટીપ્લાયર પર આધારિત છે. રેક્ટેનામાં ઓન-ચિપ સંકલિત ડાઇપોલ એન્ટેના હોય છે, જેમાં સબસ્ટ્રેટની નીચે રિફ્લેક્ટર હોય છે, જે દિશા અને પ્રાપ્ત લાભને વધારવા માટે હોય છે. ઊર્જા હાર્વેસ્ટર અને રેક્ટેના 94 ગીગાહર્ટ્ઝ પર અનુક્રમે 10% અને 2% ની પાવર કન્વર્ઝન કાર્યક્ષમતા પ્રાપ્ત કરે છે. સ્ટેન્ડ-અલોન હાર્વેસ્ટ પેડ્સ સહિત માત્ર 0.0945mm2નો વિસ્તાર ધરાવે છે, જ્યારે સંપૂર્ણ રીતે સંકલિત રેક્ટેના 0.48mm2ના ન્યૂનતમ ચિપ વિસ્તારને કબજે કરે છે. |
30667550901b9420e02c7d61cdf8fa7d5db207af | |
6cdb6ba83bfaca7b2865a53341106a71e1b3d2dd | સોશિયલ મીડિયા સર્વવ્યાપક બની રહ્યું છે અને સંસ્થાઓ તેમના ધ્યેયોને પહોંચી વળવા માટે ઉપયોગમાં લેતા અન્ય તમામ પ્રકારના મીડિયાની જેમ સંચાલિત કરવાની જરૂર છે. જો કે, સોશિયલ મીડિયા તેમના સામાજિક નેટવર્ક માળખું અને સમાનતાવાદી પ્રકૃતિને કારણે કોઈપણ પરંપરાગત અથવા અન્ય ઓનલાઇન મીડિયાથી મૂળભૂત રીતે અલગ છે. આ તફાવતોને યોગ્ય વિશ્લેષણ અને અનુગામી વ્યવસ્થાપન માટે પૂર્વશરત તરીકે અલગ માપન અભિગમની જરૂર છે. યોગ્ય સોશિયલ મીડિયા મેટ્રિક્સ વિકસાવવા અને ત્યારબાદ યોગ્ય ડેશબોર્ડ્સ બનાવવા માટે, અમે ત્રણ નવલકથા ઘટકો ધરાવતી ટૂલ કીટ પ્રદાન કરીએ છીએ. પ્રથમ, અમે સૈદ્ધાંતિક રીતે એક સંપૂર્ણ માળખું ઉતારીએ છીએ અને પ્રસ્તાવિત કરીએ છીએ જે માર્કેટિંગ, મનોવિજ્ઞાન અને સમાજશાસ્ત્રના સિદ્ધાંતો પર આધારિત છે, જે સામાજિક મીડિયાના મુખ્ય ઘટકોને આવરી લે છે. અમે આ તત્વોને - એટલે કે પ્રેરણા, સામગ્રી, નેટવર્ક માળખું, અને સામાજિક ભૂમિકાઓ અને ક્રિયાપ્રતિક્રિયાઓ - તાજેતરના સંશોધન અભ્યાસો સાથે ટેકો અને વિગતવાર ચાલુ રાખીએ છીએ. બીજું, અમારા સૈદ્ધાંતિક માળખા, સાહિત્ય સમીક્ષા અને વ્યવહારુ અનુભવના આધારે, અમે નવ માર્ગદર્શિકા સૂચવીએ છીએ જે યોગ્ય સોશિયલ મીડિયા મેટ્રિક્સ ડિઝાઇન કરવા અને સમજદાર સોશિયલ મીડિયા ડેશબોર્ડ બનાવવા માટે મૂલ્યવાન સાબિત થઈ શકે છે. ત્રીજું, માળખું અને માર્ગદર્શિકાના આધારે અમે સંચાલકીય સૂચનો કાઢીએ છીએ અને ભવિષ્યના સંશોધન માટે એક એજન્ડા સૂચવીએ છીએ. © 2013 ડાયરેક્ટ માર્કેટિંગ એજ્યુકેશનલ ફાઉન્ડેશન, ઇન્ક. એલ્સેવીયર ઇન્ક દ્વારા પ્રકાશિત બધા અધિકારો અનામત છે. |
3c9598a2be80a88fccecde80e6f266af7907d7e7 | |
ab3d0ea202b2641eeb66f1d6a391a43598ba22b9 | આ સંદર્ભમાં રીઇનફોર્સમેન્ટ લર્નિંગ (આરએલ) ને મશીનોના ન્યુરલ નિયંત્રકોની અનુકૂલન તકનીક તરીકે ગણવામાં આવે છે. ધ્યેય એ છે કે એક્ટર-ક્રિટિક અલ્ગોરિધમ્સને વધારાની પૃષ્ઠભૂમિ ગણતરીઓના ખર્ચે સમાન ગુણવત્તાની નીતિઓ મેળવવા માટે ઓછા એજન્ટ-પર્યાવરણની ક્રિયાપ્રતિક્રિયાની જરૂર પડે. અમે અનુભવની પુનરાવર્તનની ભાવનામાં આ લક્ષ્યને પ્રાપ્ત કરવાનો પ્રસ્તાવ મૂક્યો છે. આ સંદર્ભમાં અગાઉના અનુભવ પર આધારિત બદલાતી નીતિની સુધારણા દિશાની અંદાજ પદ્ધતિ આવશ્યક છે. અમે એક પ્રસ્તાવ છે કે જે સંકુચિત મહત્વ નમૂના ઉપયોગ કરે છે. અમે તે પ્રકારનાં અંદાજકર્તાઓની પૂર્વગ્રહની સીમાઓ મેળવીએ છીએ અને સાબિત કરીએ છીએ કે આ પૂર્વગ્રહ અસ્પષ્ટ રીતે અદૃશ્ય થઈ જાય છે. પ્રયોગાત્મક અભ્યાસમાં અમે ક્લાસિક એક્ટરક્રિટિક પર અમારા અભિગમને લાગુ કરીએ છીએ અને શીખવાની ગતિમાં 20 ગણો વધારો મેળવીએ છીએ. |
71e258b1aeea7a0e2b2076a4fddb0679ad2ecf9f | "ઇન્ટરનેટ ઑફ થિંગ્સ" (આઇઓટી) ઉપકરણો અને સોફ્ટવેર માટે અભૂતપૂર્વ સ્કેલ પર માહિતી શેર કરવાની તકો ખોલે છે. જો કે, આટલું મોટું ઇન્ટરકનેક્ટેડ નેટવર્ક સિસ્ટમ ડેવલપર્સ અને વપરાશકર્તાઓ માટે નવા પડકારો ઉભા કરે છે. આ લેખમાં, અમે આઇઓટી સિસ્ટમની સ્તરવાળી આર્કિટેક્ચરનો પ્રસ્તાવ મૂક્યો છે. આ મોડેલનો ઉપયોગ કરીને, અમે દરેક સ્તરના પડકારોને ઓળખવા અને મૂલ્યાંકન કરવાનો પ્રયાસ કરીએ છીએ. અમે કેટલીક હાલની તકનીકોની પણ ચર્ચા કરીએ છીએ જેનો ઉપયોગ આ આર્કિટેક્ચરને સુરક્ષિત બનાવવા માટે થઈ શકે છે. |
61f4f67fc0e73fa3aef8628aae53a4d9b502d381 | ઇન્ફોર્મેશન મેક્સિમાઇઝિંગ GAN (ઇન્ફોગાન) જનરેટરના આઉટપુટને તેના ઇનપુટના ઘટક સાથે જોડે છે જેને છુપાયેલા કોડ્સ કહેવામાં આવે છે. આઉટપુટને આ ઇનપુટ ઘટક સાથે જોડવાની ફરજ પાડીને, અમે આઉટપુટ પ્રતિનિધિત્વની કેટલીક મિલકતોને નિયંત્રિત કરી શકીએ છીએ. GANમાં ભેદભાવક અને જનરેટરને સંયુક્ત રીતે તાલીમ આપતી વખતે નેશ સંતુલન શોધવું ખૂબ જ મુશ્કેલ છે. અમે ઇન્ફોગેનનો ઉપયોગ કરીને છબીઓ બનાવવા માટે કેટલાક સફળ અને અસફળ રૂપરેખાંકનો શોધી કાઢીએ છીએ. અર્થઘટન કરી શકાય તેવા ચલો જનરેટિવ મોડેલોમાં ઉપયોગી છે. જનરેટિવ એડવાસરીઅલ નેટવર્ક્સ (જીએએન) એ જનરેટિવ મોડેલો છે જે તેમના ઇનપુટમાં લવચીક છે. |
41289566ac0176dced2312f813328ad4c0552618 | મોબાઇલ પ્લેટફોર્મની પ્રચલિતતા, એન્ડ્રોઇડનો મોટો માર્કેટ શેર, વત્તા એન્ડ્રોઇડ માર્કેટની ખુલ્લીપણા તેને મૉલવેર હુમલાઓ માટે એક ગરમ લક્ષ્ય બનાવે છે. એકવાર માલવેર નમૂનાની ઓળખ થઈ જાય પછી, તેના દૂષિત હેતુ અને આંતરિક કાર્યને ઝડપથી જાહેર કરવું મહત્વપૂર્ણ છે. આ પેપરમાં અમે ડ્રોઇડસ્કોપ રજૂ કરીએ છીએ, જે એન્ડ્રોઇડ વિશ્લેષણ પ્લેટફોર્મ છે જે વર્ચ્યુઅલાઈઝેશન-આધારિત મૉલવેર વિશ્લેષણની પરંપરાને ચાલુ રાખે છે. વર્તમાન ડેસ્કટોપ મૉલવેર વિશ્લેષણ પ્લેટફોર્મથી વિપરીત, ડ્રોઇડસ્કોપ ઓએસલેવલ અને જાવા-લેવલ સિમેન્ટીક્સ બંનેને એક સાથે અને સીમલેસ રીતે પુનઃનિર્માણ કરે છે. કસ્ટમ વિશ્લેષણની સુવિધા માટે, ડ્રોઇડસ્કોપ ત્રણ સ્તરવાળી API ની નિકાસ કરે છે જે એન્ડ્રોઇડ ડિવાઇસના ત્રણ સ્તરોને પ્રતિબિંબિત કરે છેઃ હાર્ડવેર, ઓએસ અને ડાલ્વિક વર્ચ્યુઅલ મશીન. ડ્રોઇડસ્કોપની ટોચ પર, અમે વધુ વિકાસશીલ વિશ્લેષણ સાધનો વિકસાવ્યા છે જે વિગતવાર મૂળ અને ડાલ્વિક સૂચના ટ્રેસ, પ્રોફાઇલ API- સ્તરની પ્રવૃત્તિ, અને જાવા અને મૂળ ઘટકો બંને દ્વારા માહિતી લીક થવાનું ટ્રેક કરે છે. આ સાધનો વાસ્તવિક દુનિયાના માલવેર નમૂનાઓનું વિશ્લેષણ કરવામાં અસરકારક સાબિત થયા છે અને વ્યાજબી રીતે નીચા પ્રદર્શન ઓવરહેડ્સનો ભોગ બને છે. |
05ca17ffa777f64991a8da04f2fd03880ac51236 | આ કાગળમાં આપણે નબળાઈ સહીઓ બનાવવાની સમસ્યાનું અન્વેષણ કરીએ છીએ. સંવેદનશીલતાની સહી આપેલ સંવેદનશીલતાના તમામ શોષણ સાથે મેળ ખાય છે, પૉલિમોર્ફિક અથવા મેટામોર્ફિક વેરિઅન્ટ્સ પણ. અમારું કાર્ય અગાઉના અભિગમોથી અલગ છે, પ્રોગ્રામનાં અર્થશાસ્ત્ર અને શોષણના અર્થશાસ્ત્ર અથવા વાક્યરચનાને બદલે નમૂનાના શોષણ દ્વારા ઉપયોગમાં લેવામાં આવતી નબળાઈ પર ધ્યાન કેન્દ્રિત કરીને. અમે બતાવીએ છીએ કે નબળાઈના અર્થશાસ્ત્ર એક ભાષાને વ્યાખ્યાયિત કરે છે જેમાં તમામ અને માત્ર તે ઇનપુટ્સ છે જે નબળાઈનો ઉપયોગ કરે છે. સંવેદનશીલતા સહી સંવેદનશીલતા ભાષાનું પ્રતિનિધિત્વ (દા. ત. , નિયમિત અભિવ્યક્તિ) છે. એક્સપ્લોટ-આધારિત સહીઓથી વિપરીત, જેની ભૂલ દર ફક્ત જાણીતા પરીક્ષણ કેસો માટે જ પ્રયોગાત્મક રીતે માપવામાં આવી શકે છે, નબળાઈ સહીની ગુણવત્તા તમામ શક્ય ઇનપુટ્સ માટે ઔપચારિક રીતે આંકવામાં આવી શકે છે. અમે નબળાઈ સહીની ઔપચારિક વ્યાખ્યા પૂરી પાડીએ છીએ અને નબળાઈ સહીઓ બનાવવા અને મેળ ખાતી કમ્પ્યુટેશનલ જટિલતાની તપાસ કરીએ છીએ. અમે પણ વ્યવસ્થિત રીતે નબળાઈ સહીઓ ડિઝાઇન જગ્યા અન્વેષણ. અમે નબળાઈ-સહી બનાવટમાં ત્રણ કેન્દ્રીય મુદ્દાઓ ઓળખી કાઢીએ છીએઃ કેવી રીતે નબળાઈ સહી એ ઇનપુટ્સના સમૂહનું પ્રતિનિધિત્વ કરે છે જે નબળાઈનો ઉપયોગ કરી શકે છે, નબળાઈ કવરેજ (એટલે કે, નબળા પ્રોગ્રામ પાથની સંખ્યા) જે સહી બનાવટ દરમિયાન અમારા વિશ્લેષણના વિષય છે, અને કેવી રીતે આપેલ પ્રતિનિધિત્વ અને કવરેજ માટે નબળાઈ સહી બનાવવામાં આવે છે. અમે ડેટા-ફ્લોના નવા વિશ્લેષણ અને વર્તમાન તકનીકોના નવલકથા અપનાવવાનો પ્રસ્તાવ મૂક્યો છે જેમ કે સંવેદનશીલતા સહીઓને આપમેળે ઉત્પન્ન કરવા માટે અવરોધ ઉકેલ. અમે અમારી તકનીકો ચકાસવા માટે એક પ્રોટોટાઇપ સિસ્ટમ બનાવી છે. અમારા પ્રયોગો દર્શાવે છે કે અમે એક જ શોષણનો ઉપયોગ કરીને સ્વયંચાલિત રીતે નબળાઈ સહી પેદા કરી શકીએ છીએ જે અગાઉના શોષણ આધારિત સહીઓ કરતાં ઘણી ઊંચી ગુણવત્તા ધરાવે છે. વધુમાં, અમારી તકનીકોમાં અન્ય ઘણી સુરક્ષા એપ્લિકેશન્સ છે, અને તેથી સ્વતંત્ર રસ હોઈ શકે છે |
6fece3ef2da2c2f13a66407615f2c9a5b3737c88 | આ કાગળમાં એક ગતિશીલ નિયંત્રક માળખું અને અલગ અલગ સમયના સંકર સિસ્ટમોને સ્થિર કરવા માટે એક વ્યવસ્થિત ડિઝાઇન પ્રક્રિયાનો પ્રસ્તાવ છે. પ્રસ્તાવિત અભિગમ નિયંત્રણ લ્યાપુનોવ ફંક્શન્સ (સીએલએફ) ની વિભાવના પર આધારિત છે, જે ઉપલબ્ધ હોય ત્યારે, સ્થિર રાજ્ય-પ્રતિક્રિયા નિયંત્રણ કાયદાને ડિઝાઇન કરવા માટે વાપરી શકાય છે. સામાન્ય રીતે, સતત અને અલગ અલગ રાજ્યો બંનેને સંડોવતા હાઇબ્રિડ ગતિશીલ સિસ્ટમો માટે સીએલએફનું નિર્માણ અત્યંત જટિલ છે, ખાસ કરીને બિન-વિશિષ્ટ અલગ ગતિશીલતાની હાજરીમાં. તેથી, અમે હાઇબ્રિડ કંટ્રોલ લ્યાપુનોવ ફંક્શનની નવલકથા રજૂ કરીએ છીએ, જે સીએલએફના એક અલગ અને સતત ભાગની રચનાત્મક ડિઝાઇનને મંજૂરી આપે છે, અને અમે ઔપચારિક રીતે સાબિત કરીએ છીએ કે હાઇબ્રિડ સીએલએફનું અસ્તિત્વ ક્લાસિકલ સીએલએફના અસ્તિત્વની બાંયધરી આપે છે. હાઇબ્રિડ સી.એલ.એફ.ને સંશ્લેષણ કરવા માટે એક રચનાત્મક પ્રક્રિયા પૂરી પાડવામાં આવે છે, જેમાં હાઇબ્રિડ સિસ્ટમની ગતિશીલતાને ચોક્કસ નિયંત્રક ગતિશીલતા સાથે વિસ્તૃત કરવામાં આવે છે. અમે બતાવીએ છીએ કે આ સંશ્લેષણ પ્રક્રિયા ગતિશીલ નિયંત્રક તરફ દોરી જાય છે જે એક રીસીવિંગ હોરાઇઝન કંટ્રોલ સ્ટ્રેટેજી દ્વારા અમલમાં આવી શકે છે, અને તે સંકળાયેલ ઑપ્ટિમાઇઝેશન સમસ્યા હાઇબ્રિડ સિસ્ટમ્સના એકદમ સામાન્ય વર્ગ માટે સંખ્યાત્મક રીતે વ્યવહારુ છે, જે વાસ્તવિક દુનિયાના કાર્યક્રમોમાં ઉપયોગી છે. ક્લાસિકલ હાઇબ્રિડ રીસીડિંગ હોરાઇઝન કંટ્રોલ અલ્ગોરિધમ્સની તુલનામાં, સૂચિત અભિગમને સામાન્ય રીતે બંધ-લૂપ સિસ્ટમની અસમપ્રમાણતાની સ્થિરતાની બાંયધરી આપવા માટે ટૂંકા આગાહી ક્ષિતિજની જરૂર પડે છે, જે કમ્પ્યુટેશનલ બોજમાં ઘટાડો કરે છે, જેમ કે બે ઉદાહરણો દ્વારા દર્શાવવામાં આવ્યું છે. |
3b3c153b09495e2f79dd973253f9d2ee763940a5 | મશીન લર્નિંગ પદ્ધતિઓની લાગુ પડવાની ક્ષમતા ઘણી વખત ઉપલબ્ધ લેબલ કરેલા ડેટાની માત્રા દ્વારા અને ઇનપુટ ડેટા વેક્ટર્સ માટે સારી આંતરિક રજૂઆતો અને સારી સમાનતા માપદંડ ઉત્પન્ન કરવા માટે ડીસિગ્નેરની ક્ષમતા (અથવા અક્ષમતા) દ્વારા મર્યાદિત છે. આ થીસિસનો ઉદ્દેશ આ બે મર્યાદાઓને ઘટાડવાનો છે, જેમાં સારા આંતરિક પ્રતિનિધિત્વ અને અવિરત લક્ષણ પદાનુક્રમોને લેબલવાળા ડેટામાંથી શીખવા માટે અલ્ગોરિધમનો પ્રસ્તાવ છે. આ પદ્ધતિઓ પરંપરાગત દેખરેખવાળા શિક્ષણ અલ્ગોરિધમ્સથી આગળ વધે છે, અને અસુરક્ષિત અને અર્ધ-સર્વેક્ષિત શિક્ષણ પર આધાર રાખે છે. ખાસ કરીને, આ કાર્ય "ઊંડા શિક્ષણ" પદ્ધતિઓ પર ધ્યાન કેન્દ્રિત કરે છે, જે પદાનુક્રમિક મોડેલોને તાલીમ આપવા માટેની તકનીકો અને સિદ્ધાંતોનો સમૂહ છે. હાયરાર્કીક મોડલ્સ લક્ષણ હાયરાર્કીનું ઉત્પાદન કરે છે જે સંક્ષિપ્ત અને કાર્યક્ષમ રીતે અવલોકન કરેલ ડેટા વેરિયેબલ્સ વચ્ચેના જટિલ બિન-રેખીય પરાધીનતાઓને પકડી શકે છે. તાલીમ પછી, આ મોડ્સને રીઅલ-ટાઇમ સિસ્ટમ્સમાં ઉપયોગમાં લઈ શકાય છે કારણ કે તેઓ બિન-રેખીય પરિવર્તનોના ક્રમ દ્વારા ઇનપુટના ખૂબ જ ઝડપી આગળ પ્રસાર દ્વારા પ્રતિનિધિત્વની ગણતરી કરે છે. જ્યારે લેબલવાળા ડેટાની અછત પરંપરાગત સુપરવાઇઝ્ડ અલ્ગોરિધમ્સનો ઉપયોગ કરવાની મંજૂરી આપતી નથી, ત્યારે અંડર-સર્વેસ્ડ અથવા અર્ધ-સર્વેસ્ડ અલ્ગોરિધમ્સનો ઉપયોગ કરીને પદાનુક્રમની દરેક સ્તરને નીચેથી શરૂ કરીને ક્રમમાં તાલીમ આપી શકાય છે. એકવાર દરેક સ્તરને તાલીમ આપવામાં આવે છે, ત્યારે સમગ્ર સિસ્ટમ અંતથી અંત સુધીની ફેશનમાં ફાઇન-ટ્યુન કરી શકાય છે. અમે કેટલાક અસુરક્ષિત અલ્ગોરિધમ્સ પ્રસ્તાવિત કરીએ છીએ જેનો ઉપયોગ આવા લક્ષણ હાયરાર્કીઝને તાલીમ આપવા માટે બિલ્ડિંગ બ્લોક તરીકે થઈ શકે છે. અમે એવા અલ્ગોરિધમ્સની તપાસ કરીએ છીએ જે વિરલ અતિપૂર્ણ પ્રતિનિધિત્વ અને કેટલાક સ્વરૂપો ઉત્પન્ન કરે છે જે જાણીતા અને શીખ્યા પરિવર્તનો માટે અસ્થિર છે. આ અલ્ગોરિધમ્સ ઊર્જા- |
447ce2aecdf742cf96137f8bf7355a7404489178 | આ પત્રમાં, નવા પ્રકારનાં બ્રોડબેન્ડ સબસ્ટ્રેટ ઇન્ટિગ્રેટેડ વેવગાઇડ (એસઆઈડબ્લ્યુ) પોલાણ-આધારિત પેચ એન્ટેના અને મિલીમીટર વેવ (એમએમડબ્લ્યુ) માટે એરેની તપાસ અને અમલીકરણ કરવામાં આવે છે. પ્રસ્તાવિત એન્ટેનામાં એક લંબચોરસ પેચ છે જેમાં એક પાછળની એસઆઈડબલ્યુ પોલાણ છે. બેન્ડવિડ્થ અને રેડિયેશન કાર્યક્ષમતા વધારવા માટે, પોલાણ તેની TE210 સ્થિતિમાં પડઘો પાડવાની રચના કરવામાં આવી છે. પ્રસ્તાવિત એન્ટેનાના આધારે, 4 × 4 એરે પણ ડિઝાઇન કરવામાં આવી છે. પ્રસ્તાવિત એન્ટેના અને એરે બંને પ્રમાણભૂત પ્રિન્ટેડ સર્કિટ બોર્ડ (પીસીબી) પ્રક્રિયા સાથે બનાવવામાં આવે છે, જેમાં સપાટ સર્કિટ સાથે સરળ સંકલનનો ફાયદો છે. એન્ટેના તત્વની માપવામાં આવેલી બેન્ડવિડ્થ (gadS11gad ≤ -10 dB) 15% કરતા વધારે છે અને એન્ટેના એરેની આશરે 8.7% છે. માપવામાં આવેલી ટોચની લાભો તત્વ માટે 6.5 ડીબીઆઇ અને એરે માટે 17.8 ડીબીઆઇ છે, અને અનુરૂપ સિમ્યુલેટેડ રેડિયેશન કાર્યક્ષમતા અનુક્રમે 83.9% અને 74.9% છે. પ્રસ્તાવિત એન્ટેના અને એરે મિલીમીટર-વેવ એપ્લિકેશન્સ માટે તેના વ્યાપક બેન્ડ, ઉચ્ચ કાર્યક્ષમતા, ઓછી કિંમત, ઓછી પ્રોફાઇલ વગેરેના ગુણધર્મોને કારણે આશાસ્પદ છે. |
429d0dd7192450e2a52a8ae7f658a5d99222946e | આ કાગળમાં કોમ્પેક્ટ, ઓછી કિંમત અને ઉચ્ચ રેડિયેશન કાર્યક્ષમતા એન્ટેના માળખું, સપાટ વેવગાઇડ, સબસ્ટ્રેટ ઇન્ટિગ્રેટેડ વેવગાઇડ (એસઆઇડબલ્યુ), ડીએલઇક્રીક રેઝોનર એન્ટેના (ડીઆરએ) રજૂ કરવામાં આવે છે. SIW એ ઉચ્ચ Q- વેવગાઇડ છે અને DRA એ ઓછી નુકશાન રેડિયેટર છે, પછી SIW-DRA મિલિમીટર-વેવ બેન્ડ પર ઉચ્ચ રેડિયેશન કાર્યક્ષમતા સાથે ઉત્તમ એન્ટેના સિસ્ટમ બનાવે છે, જ્યાં વાહક નુકશાન પ્રભુત્વ ધરાવે છે. એન્ટેનાના પ્રદર્શન પર વિવિધ એન્ટેના પરિમાણોની અસરનો અભ્યાસ કરવામાં આવે છે. મિલીમીટર-વેવ બેન્ડમાં બે અલગ અલગ સ્લોટ ઓરિએન્ટેશન પર આધારિત એસઆઈડબલ્યુ-ડીઆરએ માટે પ્રાયોગિક ડેટા રજૂ કરવામાં આવે છે અને અમારા પ્રસ્તાવિત એન્ટેના મોડેલને માન્ય કરવા માટે સિમ્યુલેટેડ એચએફએસએસ પરિણામો સાથે સરખાવાય છે. એક સારો કરાર પ્રાપ્ત થાય છે. SIW-DRA સિંગલ એલિમેન્ટ માટે માપવામાં આવેલ ગેઇન 5.51 ડીબી, -19 ડીબી મહત્તમ ક્રોસ પોલરાઇઝ્ડ રેડિયેશન લેવલ અને 95% કરતા વધારેની કુલ ગણતરી (એચએફએસએસનો ઉપયોગ કરીને સિમ્યુલેટેડ) રેડિયેશન કાર્યક્ષમતા દર્શાવે છે. |
0cb2e8605a7b5ddb5f3006f71d19cb9da960db98 | આધુનિક ઊંડા ન્યુરલ નેટવર્ક્સમાં મોટી સંખ્યામાં પરિમાણો હોય છે, જે તેમને તાલીમ આપવા માટે ખૂબ જ મુશ્કેલ બનાવે છે. અમે ડીએસડી, એક ઘન-સ્પેર્સ-ઘન તાલીમ પ્રવાહ, ઊંડા ન્યુરલ નેટવર્ક્સને નિયમિત કરવા અને વધુ સારી ઑપ્ટિમાઇઝેશન પ્રદર્શન પ્રાપ્ત કરવા માટે પ્રસ્તાવિત કરીએ છીએ. પ્રથમ ડી (ડેન્સ) પગલામાં, અમે જોડાણ વજન અને મહત્વ જાણવા માટે ગાઢ નેટવર્કને તાલીમ આપીએ છીએ. એસ (સ્પેર્સ) પગલામાં, અમે નાના વજન સાથે બિનમહત્વપૂર્ણ જોડાણોને કાપીને અને સ્પેર્સિટી પ્રતિબંધને ધ્યાનમાં રાખીને નેટવર્કને ફરીથી તાલીમ આપીને નેટવર્કને નિયમિત કરીએ છીએ. અંતિમ ડી (રી-ડેન્સ) પગલામાં, અમે સ્પેર્સિટી પ્રતિબંધને દૂર કરીને મોડેલની ક્ષમતામાં વધારો કરીએ છીએ, શૂન્યથી કાપવામાં આવેલા પરિમાણોને ફરીથી શરૂ કરીએ છીએ અને સમગ્ર ગાઢ નેટવર્કને ફરીથી તાલીમ આપીએ છીએ. પ્રયોગો દર્શાવે છે કે ડીએસડી તાલીમ છબી વર્ગીકરણ, કૅપ્શન જનરેશન અને ભાષણ ઓળખના કાર્યો પર સી.એન.એન.એસ. , આર.એન.એન. અને એલ.એસ.ટી.એમ. ની વિશાળ શ્રેણી માટે કામગીરીમાં સુધારો કરી શકે છે. ImageNet પર, DSDએ અનુક્રમે 1.1%, VGG-16 4.3%, ResNet-18 1.2% અને ResNet-50 1.1% દ્વારા ટોપ 1 ચોકસાઈમાં સુધારો કર્યો છે. ડબ્લ્યુએસજે93 ડેટાસેટ પર, ડીએસડીએ ડીપસ્પીચ અને ડીપસ્પીચ2 ડબ્લ્યુઇઆર 2.0% અને 1.1% દ્વારા સુધારો કર્યો. ફ્લિકર-8K ડેટાસેટ પર, ડીએસડીએ ન્યુરલટૉક બ્લુ સ્કોરમાં 1.7 થી વધુનો સુધારો કર્યો છે. ડીએસડીનો ઉપયોગ વ્યવહારમાં કરવો સરળ છેઃ તાલીમ સમયે, ડીએસડી માત્ર એક વધારાનું હાયપર-પેરમીટર લે છેઃ એસ સ્ટેપમાં સ્પેર્સિટી રેશિયો. પરીક્ષણ સમયે, ડીએસડી નેટવર્ક આર્કિટેક્ચરને બદલતું નથી અથવા કોઈ અનુમાન ઓવરહેડને સહન કરતું નથી. ડીએસડી પ્રયોગોના સતત અને નોંધપાત્ર પ્રદર્શન લાભ શ્રેષ્ઠ સ્થાનિક શ્રેષ્ઠ શોધવા માટે વર્તમાન તાલીમ પદ્ધતિઓની અપૂરતીતા દર્શાવે છે, જ્યારે ડીએસડી અસરકારક રીતે વધુ સારા ઉકેલ શોધવા માટે શ્રેષ્ઠ ઑપ્ટિમાઇઝેશન પ્રદર્શન પ્રાપ્ત કરે છે. ડીએસડી મોડેલો ડાઉનલોડ કરવા માટે ઉપલબ્ધ છે https://songhan.github.io/DSD. |
6fd329a1e7f513745e5fc462f146aa80c6090a1d | વેરેબલ સેન્સરનો ઉપયોગ કરીને મેળવેલા રેકોર્ડિંગમાં અમાન્ય ડેટાની ઓળખ ખાસ કરીને મહત્વપૂર્ણ છે કારણ કે મોબાઇલ દર્દીઓ પાસેથી મેળવેલા ડેટા, સામાન્ય રીતે, બિન-મોબાઇલ દર્દીઓ પાસેથી મેળવેલા ડેટા કરતાં વધુ ઘોંઘાટીયા છે. આ કાગળમાં, અમે સિગ્નલ ક્વોલિટી ઇન્ડેક્સ (એસક્યુઆઇ) રજૂ કરીએ છીએ, જેનો હેતુ એ મૂલ્યાંકન કરવાનો છે કે શું વેરેબલ સેન્સર્સનો ઉપયોગ કરીને એકત્રિત ઇલેક્ટ્રોકાર્ડિયોગ્રામ (ઇસીજી) અને ફોટોપ્લેથિસ્મોગ્રામ (પીપીજી) સિગ્નલોથી વિશ્વસનીય હૃદય દર (એચઆર) મેળવી શકાય છે. આલ્ગોરિધમ્સને મેન્યુઅલી લેબલ કરેલા ડેટા પર માન્ય કરવામાં આવ્યા હતા. ઇસીજી માટે 94% અને PPG માટે 91% અને 95% ની સંવેદનશીલતા અને વિશિષ્ટતા પ્રાપ્ત થઈ છે. વધુમાં, અમે એસક્યુઆઇના બે કાર્યક્રમો પ્રસ્તાવિત કરીએ છીએ. પ્રથમ, અમે દર્શાવ્યું છે કે, એસક્યુઆઇનો ઉપયોગ કરીને ઊર્જા બચત વ્યૂહરચના માટે ટ્રિગર તરીકે, ઇસીજી માટે 94% સુધી રેકોર્ડિંગ સમય ઘટાડવો શક્ય છે અને પીપીજી માટે 93% માત્ર માન્ય મહત્વપૂર્ણ સંકેત ડેટાના ન્યૂનતમ નુકશાન સાથે. બીજું, અમે બતાવીએ છીએ કે કેવી રીતે એસક્યુઆઇનો ઉપયોગ પીપીજીમાંથી શ્વસન દર (આરઆર) ના અંદાજમાં ભૂલ ઘટાડવા માટે થઈ શકે છે. બે એપ્લિકેશન્સની કામગીરીનું મૂલ્યાંકન હોસ્પિટલના દર્દીઓ પર ક્લિનિકલ અભ્યાસમાંથી એકત્રિત કરવામાં આવેલા ડેટા પર કરવામાં આવ્યું હતું, જે સહાય વિના ચાલવા સક્ષમ હતા. |
ef8070a37fb6f0959acfcee9d40f0b3cb912ba9f | છેલ્લા ત્રણ દાયકામાં, માહિતી પ્રણાલી (આઇએસ) સંશોધનના ક્ષેત્રમાં એક પદ્ધતિયુક્ત બહુમતીવાદ વિકસિત થયો છે. વિવિધ શાખાઓ અને ઘણા સંશોધન સમુદાયો પણ આ ચર્ચામાં ફાળો આપે છે. જો કે, સમાન સંશોધન વિષય પર કામ કરવું અથવા સમાન ઘટનાનો અભ્યાસ કરવો એ જરૂરી નથી કે પરસ્પર સમજણ સુનિશ્ચિત કરે. ખાસ કરીને આ બહુ-શિસ્ત અને આંતરરાષ્ટ્રીય સંદર્ભમાં, વિવિધ સંશોધકો દ્વારા કરવામાં આવેલી જ્ઞાનતંત્રોની ધારણાઓ મૂળભૂત રીતે અલગ હોઈ શકે છે. આ ધારણાઓ સંશોધનની માન્યતા, વિશ્વસનીયતા, ગુણવત્તા અને સખતાઇ જેવા ખ્યાલોને કેવી રીતે સમજવામાં આવે છે તેના પર નોંધપાત્ર અસર કરે છે. આમ, જ્ઞાનતંત્રોની ધારણાઓનું વ્યાપક પ્રકાશન, વાસ્તવમાં, લગભગ ફરજિયાત છે. આથી, આ કાગળનો ઉદ્દેશ એક જ્ઞાનતંત્રોલક્ષી માળખું વિકસાવવાનો છે જેનો ઉપયોગ આઇએસ સંશોધનમાં જ્ઞાનતંત્રોલક્ષી ધારણાઓનું વ્યવસ્થિત વિશ્લેષણ કરવા માટે થઈ શકે છે. આઇએસ સંશોધનના દાખલાઓને ઓળખવા અને વર્ગીકૃત કરવાનો પ્રયાસ કરવાને બદલે, આ સંશોધનનો હેતુ આઇએસના સંદર્ભમાં જ્ઞાનતંત્રોની વ્યાપક ચર્ચા કરવાનો છે. તે અલગ અલગ આઈએસ અભિગમો અને પદ્ધતિઓ વચ્ચે સમાનતા તેમજ તફાવતો ઓળખવા માટેનો આધાર બનાવવામાં ફાળો આપવાનો પ્રયાસ કરે છે. જ્ઞાનતંત્રોલક્ષી માળખાને દર્શાવવા માટે, વિભાવનાત્મક મોડેલિંગ માટે સર્વસંમતિ લક્ષી અર્થઘટનવાદી અભિગમનો ઉપયોગ એક ઉદાહરણ તરીકે કરવામાં આવે છે. |
25e989b45de04c6086364b376d29ec11008360a3 | માનવીઓ વિકાસના પ્રારંભિક તબક્કામાં તેમના સૌથી મૂળભૂત ભૌતિક ખ્યાલો મેળવે છે, અને સમગ્ર જીવન દરમિયાન તેમના સાહજિક ભૌતિકશાસ્ત્રને સમૃદ્ધ અને વિસ્તૃત કરવાનું ચાલુ રાખે છે કારણ કે તેઓ વધુ અને વિવિધ ગતિશીલ વાતાવરણમાં ખુલ્લા છે. અમે એક પદાનુક્રમિક બેઝિયન માળખું રજૂ કરીએ છીએ કે કેવી રીતે લોકો બહુવિધ સ્તરે ભૌતિક પરિમાણો શીખી શકે છે. સિદ્ધાંત સંપાદનના અગાઉના બેયસિયન મોડેલો (ટેનનબૌમ, કેમ્પ, ગ્રિફિથ્સ અને ગુડમેન, 2011) ના વિપરીત, અમે વધુ અભિવ્યક્ત સંભાવનાત્મક પ્રોગ્રામ રજૂઆતો સાથે કામ કરીએ છીએ જે સમય જતાં ગતિશીલ દ્રશ્યોમાં વસ્તુઓ કેવી રીતે ક્રિયાપ્રતિક્રિયા કરે છે તે નિયંત્રિત કરતી દળો અને ગુણધર્મો શીખવા માટે યોગ્ય છે. અમે અમારા મોડેલની સરખામણી માનવ શીખનારાઓ સાથે કરીએ છીએ, જે ટૂંકા ફિલ્મો આપવામાં આવેલ નવલકથા માઇક્રોવર્લ્ડ્સમાં બહુવિધ ભૌતિક પરિમાણોનો અંદાજ કાઢવાનો પડકારરૂપ કાર્ય કરે છે. આ કાર્ય માટે લોકોને બહુવિધ ક્રિયાપ્રતિક્રિયા ભૌતિક કાયદાઓ અને ગુણધર્મો વિશે એક સાથે કારણ આપવાની જરૂર છે. લોકો સામાન્ય રીતે આ વાતાવરણમાં શીખવા માટે સક્ષમ હોય છે અને તેમના ચુકાદાઓમાં સુસંગત હોય છે. છતાં તેઓ વ્યવસ્થિત ભૂલો પણ કરે છે જે લોકો આ ગણતરીની માંગણીને મર્યાદિત કમ્પ્યુટેશનલ સંસાધનો સાથે ઉકેલવામાં અંદાજ કાઢે છે. અમે બે અંદાજો પ્રસ્તાવિત કરીએ છીએ જે ટોપ-ડાઉન બેઝિયન અભિગમને પૂરક બનાવે છે. એક અંદાજ મોડેલ વધુ નીચેથી ઉપર સુવિધા આધારિત અનુમાન યોજના પર આધાર રાખે છે. બીજા અંદાજમાં ભૌતિક-પરિમાણીય અવકાશમાં શોધ માટે તેના પ્રારંભિક બિંદુ તરીકે લક્ષણ-આધારિત નિષ્કર્ષને લઈને નીચેથી ઉપર અને ઉપરથી નીચેના અભિગમોની શક્તિને જોડે છે. |
6f0144dc7ba19123ddce8cdd4ad0f6dc36dd4ef2 | આંતરરાષ્ટ્રીય માર્ગદર્શિકાઓ જાતિ ડિસફોરિયા (જીડી) ધરાવતા કિશોરોમાં ગોનાડોટ્રોપિન- રિલીઝિંગ હોર્મોન (જીએનઆરએચ) એગોનિસ્ટ્સનો ઉપયોગ તરુણાવસ્થાને દબાવવા માટે ભલામણ કરે છે. જાતિ ડિસ્ફોરિક કિશોરો પોતે આ પ્રારંભિક તબીબી હસ્તક્ષેપ વિશે કેવી રીતે વિચારે છે તે વિશે થોડું જાણીતું છે. આ અભ્યાસનો હેતુ (1) નેધરલેન્ડ્સમાં લિંગ ડિસ્ફોરિક કિશોરોના પુખ્તવયના દમનના ઉપયોગ અંગેના વિચારને સ્પષ્ટ કરવા માટે હતો; (2) તપાસ કરવા માટે કે શું લિંગ ડિસ્ફોરિક કિશોરોના વિચાર સારવાર ટીમોમાં કામ કરતા વ્યાવસાયિકોથી અલગ છે, અને જો એમ હોય તો કઈ રીતે. આ જાતિય અભ્યાસ લિંગ ડિસ્ફોરિક કિશોરોના પ્રારંભિક સારવાર અંગેના વિચારણાઓને ઓળખવા માટે રચાયેલ હતો. એક સિવાય તમામ 13 કિશોરોને તરુણાવસ્થાના દમન સાથે સારવાર આપવામાં આવી હતી; પાંચ કિશોરો ટ્રાન્સ છોકરીઓ હતા અને આઠ ટ્રાન્સ છોકરાઓ હતા. તેમની ઉંમર 13 થી 18 વર્ષની વચ્ચે હતી, સરેરાશ ઉંમર 16 વર્ષ અને 11 મહિના હતી, અને સરેરાશ ઉંમર 17 વર્ષ અને 4 મહિના હતી. ત્યારબાદ, કિશોરોના વિચારની સરખામણી જીડી સાથેના યુવાનોની સારવાર કરતા ક્લિનિક્સના મંતવ્યો સાથે કરવામાં આવી હતી. લિંગ ડિસ્ફોરિક કિશોરો સાથેની મુલાકાતોમાંથી, ત્રણ થીમ્સ ઉભરી આવીઃ (1) તરુણાવસ્થા દમન શરૂ કરવા માટે યોગ્ય નીચલી વય મર્યાદા શું છે તે નક્કી કરવાની મુશ્કેલી. મોટાભાગના કિશોરોને યોગ્ય વય મર્યાદા નક્કી કરવામાં મુશ્કેલી પડી અને તેને એક દુવિધા તરીકે જોયા; (2) તરુણાવસ્થાને દબાવી દેવાની લાંબા ગાળાની અસરો પર માહિતીનો અભાવ. મોટાભાગના કિશોરોએ જણાવ્યું હતું કે લાંબા ગાળાના ડેટાની અછત તેમને તરુણાવસ્થાને દબાવવા માંગતા અટકાવશે નહીં; (3) સામાજિક સંદર્ભની ભૂમિકા, જેના માટે બે પેટા-થીમ્સ હતાઃ (એ) મીડિયા-ધ્યાન, ટેલિવિઝન અને ઇન્ટરનેટ પર; (બી) લાદવામાં આવેલા સ્ટીરિયોટાઇપ. કેટલાક કિશોરો સામાજિક સંદર્ભની ભૂમિકા વિશે હકારાત્મક હતા, પરંતુ અન્ય લોકોએ તેના વિશે શંકા વ્યક્ત કરી હતી. ક્લિનિક્સની તુલનામાં, કિશોરો સારવારના દૃષ્ટિકોણમાં વધુ સાવચેત હતા. જીડીમાં તરુણાવસ્થા દબાવવાનો ઉપયોગ કરતી વખતે લિંગ ડિસ્ફોરિક કિશોરોને અવાજ આપવો મહત્વપૂર્ણ છે. અન્યથા, વ્યાવસાયિકો તેમના વાસ્તવિક વિચારણાઓ બદલે કિશોરોના મંતવ્યો વિશે ધારણાઓ પર આધારિત કાર્ય કરી શકે છે. અમે અન્ય દેશોમાં લિંગ ડિસ્ફોરિક કિશોરો પાસેથી વધુ ગુણાત્મક સંશોધન ડેટા એકત્રિત કરવાની પ્રોત્સાહિત કરીએ છીએ. |
446573a346acdbd2eb8f0527c5d73fc707f04527 | |
6e6f47c4b2109e7824cd475336c3676faf9b113e | અમે દલીલ કરીએ છીએ કે દ્રશ્ય વર્ણનાત્મક ભાષા કમ્પ્યુટર વિઝન સંશોધકોને વિશ્વ વિશેની માહિતી અને લોકો કેવી રીતે વિશ્વનું વર્ણન કરે છે તે વિશેની માહિતી આપે છે. આ સ્ત્રોતમાંથી સંભવિત લાભ આજે સરળતાથી ઉપલબ્ધ ભાષા ડેટાના વિશાળ જથ્થાને કારણે વધુ નોંધપાત્ર બને છે. અમે એક એવી સિસ્ટમ રજૂ કરીએ છીએ જે આપમેળે છબીઓમાંથી કુદરતી ભાષાના વર્ણનો ઉત્પન્ન કરે છે જે મોટા પ્રમાણમાં ટેક્સ્ટ ડેટા અને કમ્પ્યુટર દ્રષ્ટિથી ઓળખ અલ્ગોરિધમ્સના વિશ્લેષણથી મેળવેલા બંને આંકડાઓનો ઉપયોગ કરે છે. આ સિસ્ટમ છબીઓ માટે સંબંધિત વાક્યો ઉત્પન્ન કરવામાં ખૂબ અસરકારક છે. તે વર્ણનો પણ પેદા કરે છે જે અગાઉના કાર્ય કરતાં ચોક્કસ છબી સામગ્રી માટે વધુ સાચું છે. |
9a0fff9611832cd78a82a32f47b8ca917fbd4077 | |
9e5a13f3bc2580fd16bab15e31dc632148021f5d | આ કાગળમાં લો-પ્રોફાઇલ સબસ્ટ્રેટ ઇન્ટિગ્રેટેડ વેવગાઇડ (એસઆઇડબલ્યુ) પોલાણ-આધારિત સ્લોટ એન્ટેનાની બેન્ડવિડ્થ ઉન્નત પદ્ધતિ રજૂ કરવામાં આવી છે. બેન્ડવિડ્થ વૃદ્ધિ એસઆઇડબલ્યુ-આધારિત પોલાણમાં બે હાઇબ્રિડ સ્થિતિઓને એક સાથે ઉત્તેજિત કરીને અને જરૂરી આવર્તન શ્રેણીમાં તેમને મર્જ કરીને પ્રાપ્ત થાય છે. આ બે હાઇબ્રિડ મોડ્સ, જેમના પ્રબળ ક્ષેત્રો એસઆઇડબલ્યુ પોલાણના જુદા જુદા ભાગોમાં સ્થિત છે, તે બે અલગ અલગ સંયોજનો છે. આ ડિઝાઇન પદ્ધતિ પ્રયોગો દ્વારા માન્ય કરવામાં આવી છે. અગાઉ પ્રસ્તુત કરાયેલા એસઆઇડબલ્યુ પોલાણ-આધારિત સ્લોટ એન્ટેનાની સરખામણીમાં, પ્રસ્તાવિત એન્ટેનાની અપૂર્ણાંક અવબાધ બેન્ડવિડ્થ 1.4% થી 6.3% સુધી વધારી દેવામાં આવી છે, તેની ગેઇન અને રેડિયેશન કાર્યક્ષમતામાં પણ થોડો સુધારો કરવામાં આવ્યો છે 6.0 ડીબીઆઇ અને 90%, અને તેની એસઆઇડબલ્યુ પોલાણનું કદ લગભગ 30% જેટલું ઘટાડવામાં આવ્યું છે. પ્રસ્તાવિત એન્ટેનામાં ક્રોસ પોલરાઇઝેશનનું સ્તર ઓછું અને આગળથી પાછળના ગુણોત્તરનું પ્રમાણ વધારે છે. તે હજી પણ નીચા પ્રોફાઇલ, નીચા ફેબ્રિકેશન ખર્ચ અને સપાટ સર્કિટ સાથે સરળ સંકલનનાં ફાયદા જાળવી રાખે છે. |
4c68e7eff1da14003cc7efbfbd9a0a0a3d5d4968 | અમલીકરણ વિજ્ઞાનમાં સૈદ્ધાંતિક અભિગમોનો વધુ ઉપયોગ કરવા તરફ પ્રગતિ થઈ છે, જે કેવી રીતે અને શા માટે અમલીકરણ સફળ થાય છે અથવા નિષ્ફળ જાય છે તે વધુ સારી સમજણ અને સમજૂતી પૂરી પાડે છે. આ લેખનો ઉદ્દેશ એક એવી વર્ગીકરણની દરખાસ્ત કરવાનો છે જે અમલીકરણ વિજ્ઞાનમાં સિદ્ધાંતો, મોડેલો અને માળખાની વિવિધ કેટેગરીઓ વચ્ચે તફાવત કરે છે, અમલીકરણ સંશોધન અને વ્યવહારમાં સંબંધિત અભિગમોની યોગ્ય પસંદગી અને એપ્લિકેશનને સરળ બનાવવા અને અમલીકરણ સંશોધકો વચ્ચે આંતર-શિસ્ત સંવાદને પ્રોત્સાહન આપવા માટે. અમલીકરણ વિજ્ઞાનમાં ઉપયોગમાં લેવાતા સૈદ્ધાંતિક અભિગમોમાં ત્રણ મુખ્ય ઉદ્દેશો છેઃ સંશોધનને વ્યવહારમાં અનુવાદિત કરવાની પ્રક્રિયાનું વર્ણન અને / અથવા માર્ગદર્શન (પ્રક્રિયા મોડેલો); અમલીકરણના પરિણામો (નિર્ધારક માળખાં, ક્લાસિક સિદ્ધાંતો, અમલીકરણ સિદ્ધાંતો) પર શું પ્રભાવ પાડે છે તે સમજવું અને / અથવા સમજાવવું; અને અમલીકરણનું મૂલ્યાંકન (મૂલ્યાંકન માળખાં). આ લેખમાં ત્રણ મુખ્ય ઉદ્દેશો હાંસલ કરવા માટે સૈદ્ધાંતિક અભિગમોની પાંચ શ્રેણીઓ સૂચવવામાં આવી છે. આ શ્રેણીઓને હંમેશા સાહિત્યમાં અલગ પ્રકારનાં અભિગમો તરીકે ઓળખવામાં આવતી નથી. જ્યારે કેટલાક સિદ્ધાંતો, મોડેલો અને માળખા વચ્ચે ઓવરલેપ છે, ત્યારે સંબંધિત અભિગમોની પસંદગીને સરળ બનાવવા માટે તફાવતોની જાગૃતિ મહત્વપૂર્ણ છે. મોટાભાગના નિર્ધારક માળખા અમલીકરણના પ્રયત્નો કરવા માટે મર્યાદિત "કેવી રીતે" સહાય પૂરી પાડે છે કારણ કે નિર્ધારકો સામાન્ય રીતે અમલીકરણ પ્રક્રિયાને માર્ગદર્શન આપવા માટે પૂરતી વિગતવાર પ્રદાન કરવા માટે ખૂબ સામાન્ય હોય છે. અને જ્યારે સંશોધનનો વ્યવહારમાં અનુવાદ કરવા માટેના અવરોધો અને સક્ષમકર્તાઓને સંબોધવાની સુસંગતતાનો ઉલ્લેખ ઘણા પ્રક્રિયા મોડેલોમાં કરવામાં આવે છે, આ મોડેલો અમલીકરણની સફળતા સાથે સંકળાયેલા ચોક્કસ નિર્ધારકોને ઓળખતા નથી અથવા વ્યવસ્થિત રીતે માળખું આપતા નથી. વધુમાં, પ્રક્રિયા મોડેલો અમલીકરણના પ્રયત્નોની સમયસર શ્રેણીને ઓળખે છે, જ્યારે નિર્ણાયક માળખા સ્પષ્ટપણે અમલીકરણની પ્રક્રિયા પરિપ્રેક્ષ્ય લેતા નથી. |
00a7370518a6174e078df1c22ad366a2188313b5 | ઓપ્ટિકલ પ્રવાહની ગણતરી સ્થાનિક રીતે કરી શકાતી નથી, કારણ કે એક બિંદુ પર માત્ર એક સ્વતંત્ર માપન છબી ક્રમમાંથી ઉપલબ્ધ છે, જ્યારે પ્રવાહની ગતિમાં બે ઘટકો છે. બીજી મર્યાદા જરૂરી છે. ઓપ્ટિકલ ફ્લો પેટર્ન શોધવા માટેની એક પદ્ધતિ રજૂ કરવામાં આવી છે જે ધારે છે કે તેજસ્વીતા પેટર્નની દેખીતી ગતિ છબીમાં લગભગ દરેક જગ્યાએ સરળતાથી બદલાય છે. એક પુનરાવર્તિત અમલીકરણ દર્શાવવામાં આવ્યું છે જે સંખ્યાબંધ કૃત્રિમ છબી ક્રમો માટે ઓપ્ટિકલ પ્રવાહની સફળતાપૂર્વક ગણતરી કરે છે. આ અલ્ગોરિધમનો મજબૂત છે કે તે છબી ક્રમોને નિયંત્રિત કરી શકે છે જે અવકાશ અને સમયમાં ખૂબ જ અસ્પષ્ટ રીતે ક્વોન્ટાઇઝ્ડ છે. તે તેજસ્વીતા સ્તર અને એડિટિવ અવાજના ક્વોન્ટિઝેશન માટે પણ સંવેદનશીલ નથી. ઉદાહરણો શામેલ છે જ્યાં છબીમાં એકલ બિંદુઓ અથવા રેખાઓ સાથે સરળતાની ધારણાનું ઉલ્લંઘન કરવામાં આવે છે. |
2315fc6c2c0c4abd2443e26a26e7bb86df8e24cc | અમે એક મોટા, ઊંડા કન્વોલ્યુશનલ ન્યુરલ નેટવર્કને ImageNet LSVRC-2010 સ્પર્ધામાં 1.2 મિલિયન ઉચ્ચ રીઝોલ્યુશન છબીઓને 1000 વિવિધ વર્ગોમાં વર્ગીકૃત કરવા માટે તાલીમ આપી હતી. પરીક્ષણ ડેટા પર અમે અનુક્રમે 37.5% અને 17.0%ના ટોપ-1 અને ટોપ-5 ભૂલ દર પ્રાપ્ત કર્યા છે, જે અગાઉના સ્ટેટ ઓફ ધ આર્ટ કરતા નોંધપાત્ર રીતે વધુ છે. ન્યુરલ નેટવર્ક, જેમાં 60 મિલિયન પરિમાણો અને 650,000 ન્યુરોન્સ છે, તેમાં પાંચ કન્વોલ્યુશનલ સ્તરોનો સમાવેશ થાય છે, જેમાંથી કેટલાક મેક્સ-પૂલિંગ સ્તરો દ્વારા અનુસરવામાં આવે છે, અને અંતિમ 1000-વે સોફ્ટમેક્સ સાથે ત્રણ સંપૂર્ણપણે જોડાયેલા સ્તરો. તાલીમ ઝડપી બનાવવા માટે, અમે નોન-સેચ્યુરેટિંગ ન્યુરોન્સ અને ખૂબ જ કાર્યક્ષમ GPU અમલીકરણનો ઉપયોગ કર્યો છે. સંપૂર્ણ રીતે જોડાયેલા સ્તરોમાં ઓવરફિટ ઘટાડવા માટે અમે તાજેતરમાં વિકસિત નિયમિતકરણ પદ્ધતિનો ઉપયોગ કર્યો છે જેને "ડ્રોપઆઉટ" કહેવામાં આવે છે જે ખૂબ અસરકારક સાબિત થયું છે. અમે આ મોડેલના એક પ્રકારને ILSVRC-2012 સ્પર્ધામાં પણ દાખલ કર્યો હતો અને બીજા શ્રેષ્ઠ પ્રવેશ દ્વારા પ્રાપ્ત 26.2% ની તુલનામાં 15.3% ની ટોચની 5 પરીક્ષણ ભૂલ દર પ્રાપ્ત કરી હતી. |
1bc49abe5145055f1fa259bd4e700b1eb6b7f08d | અમે દસ્તાવેજોના નિષ્કર્ષણ સારાંશ માટે રિકરન્ટ ન્યુરલ નેટવર્ક (આરએનએન) આધારિત સિક્વન્સ મોડેલ, સમમા રુનર રજૂ કરીએ છીએ અને બતાવીએ છીએ કે તે સ્ટેટ ઓફ ધ આર્ટ કરતા વધુ સારી અથવા તુલનાત્મક કામગીરી પ્રાપ્ત કરે છે. અમારા મોડેલમાં ખૂબ જ અર્થઘટન કરવાનો વધારાનો ફાયદો છે, કારણ કે તે માહિતી સામગ્રી, અગ્રતા અને નવીનતા જેવા અમૂર્ત લક્ષણો દ્વારા વિભાજિત તેની આગાહીઓની વિઝ્યુલાઇઝેશનને મંજૂરી આપે છે. અમારા કામનો બીજો નવલકથા યોગદાન એ અમારા નિષ્કર્ષણ મોડેલની અમૂર્ત તાલીમ છે જે માનવ પેદા કરેલા સંદર્ભ સારાંશ પર એકલા તાલીમ આપી શકે છે, વાક્ય-સ્તરના નિષ્કર્ષણ લેબલ્સની જરૂરિયાતને દૂર કરે છે. |
3e4bd583795875c6550026fc02fb111daee763b4 | આ કાગળમાં, અમે ફોટો-વાસ્તવવાદી ચહેરાની છબીઓને સંશ્લેષણ કરવા માટે ચહેરાના સ્કેચને ઉલટાવી દેવા માટે ઊંડા ન્યુરલ નેટવર્ક્સનો ઉપયોગ કરીએ છીએ. અમે પહેલા અર્ધ-સિમ્યુલેટેડ ડેટાસેટનું નિર્માણ કરીએ છીએ જેમાં વિવિધ શૈલીઓ અને અનુરૂપ ચહેરાની છબીઓ સાથે કમ્પ્યુટર દ્વારા બનાવેલ ચહેરાના સ્કેચની ખૂબ મોટી સંખ્યા છે, જે હાલના અનલિમિટેડ ચહેરાના ડેટા સેટ્સને વિસ્તૃત કરીને છે. પછી અમે મોડેલોને તાલીમ આપીએ છીએ જે કમ્પ્યુટર દ્વારા જનરેટ કરેલા સ્કેચ અને હાથથી દોરેલા સ્કેચ બંને પર અત્યાધુનિક પરિણામો પ્રાપ્ત કરે છે જેમ કે બેચ નોર્મલાઇઝેશન, ઊંડા શેષ શિક્ષણ, દ્રષ્ટિ નુકશાન અને સ્ટોકાસ્ટિક ઑપ્ટિમાઇઝેશન જેવા ગહન શિક્ષણમાં તાજેતરની પ્રગતિને અમારા નવા ડેટાસેટ સાથે સંયોજનમાં. અમે આખરે અમારા મોડેલોના સંભવિત કાર્યક્રમોને સુંદર કલા અને ફોરેન્સિક આર્ટ્સમાં દર્શાવ્યા છે. હાલના પેચ આધારિત અભિગમોથી વિપરીત, અમારા ઊંડા-ન્યુરલ નેટવર્ક આધારિત અભિગમનો ઉપયોગ ફોટોરીયલિસ્ટિક ચહેરાની છબીઓને સંશ્લેષણ કરવા માટે કરી શકાય છે, જેમાં ચહેરાના સ્કેચને જંગલીમાં ઉલટાવી દેવામાં આવે છે. |
2fd9f4d331d144f71baf2c66628b12c8c65d3ffb | વર્ગીકરણ પદ્ધતિમાં તાજેતરમાં થયેલા સૌથી મહત્વપૂર્ણ વિકાસમાં બુસ્ટિંગ એક છે. તાલીમ ડેટાના ફરીથી વજનિત વર્ઝન પર ક્રમિક રીતે વર્ગીકરણ અલ્ગોરિધમનો લાગુ કરીને અને પછી આ રીતે ઉત્પન્ન થયેલા વર્ગીકરણકારોના ક્રમનું વજનિત બહુમતી મત લેતા કામ કરે છે. ઘણા વર્ગીકરણ અલ્ગોરિધમ્સ માટે, આ સરળ વ્યૂહરચનાના પરિણામે પ્રભાવમાં નાટ્યાત્મક સુધારા થાય છે. અમે બતાવીએ છીએ કે આ રહસ્યમય ઘટના જાણીતા આંકડાકીય સિદ્ધાંતો, એટલે કે એડિટિવ મોડેલિંગ અને મહત્તમ સંભાવનાના સંદર્ભમાં સમજી શકાય છે. બે-વર્ગની સમસ્યા માટે, બૂસ્ટિંગને લોજિસ્ટિક સ્કેલ પર એડિટિવ મોડેલિંગની એક અંદાજ તરીકે જોવામાં આવે છે, જેમાં મહત્તમ બર્નુલી સંભાવનાનો ઉપયોગ માપદંડ તરીકે થાય છે. અમે વધુ સીધી અંદાજો વિકસાવીએ છીએ અને બતાવીએ છીએ કે તેઓ લગભગ સમાન પરિણામો પ્રદર્શિત કરે છે. મલ્ટીનોમિયલ સંભાવના પર આધારિત સીધી મલ્ટીક્લાસ સામાન્યીકરણો ઉતરી આવે છે જે મોટાભાગની પરિસ્થિતિઓમાં બુસ્ટિંગના અન્ય તાજેતરમાં પ્રસ્તાવિત મલ્ટીક્લાસ સામાન્યીકરણો સાથે તુલનાત્મક પ્રદર્શન દર્શાવે છે, અને કેટલાકમાં ખૂબ શ્રેષ્ઠ છે. અમે બુસ્ટિંગમાં નાના ફેરફારની ભલામણ કરીએ છીએ જે ગણતરીને ઘટાડી શકે છે, ઘણીવાર 10 થી 50 ના પરિબળો દ્વારા. છેલ્લે, અમે આ આંતરદૃષ્ટિને નિર્ણયના વૃક્ષોને વધારવા માટે વૈકલ્પિક રચના બનાવવા માટે લાગુ કરીએ છીએ. આ અભિગમ, શ્રેષ્ઠ-પ્રથમ કાપવામાં આવેલા વૃક્ષના ઇન્ડક્શન પર આધારિત છે, ઘણી વખત વધુ સારી કામગીરી તરફ દોરી જાય છે, અને એકંદર નિર્ણય નિયમના અર્થઘટનયોગ્ય વર્ણનો પૂરા પાડી શકે છે. તે કમ્પ્યુટેશનલી પણ ખૂબ ઝડપી છે, જે તેને મોટા પાયે ડેટા માઇનિંગ એપ્લિકેશન્સ માટે વધુ યોગ્ય બનાવે છે. |
573ae3286d050281ffe4f6c973b64df171c9d5a5 | અમે અવ્યવસ્થિત દ્રશ્યોમાં મોટી સંખ્યામાં વિવિધ વર્ગોની વસ્તુઓ શોધવાની સમસ્યાને ધ્યાનમાં લઈએ છીએ. પરંપરાગત અભિગમોને બહુવિધ સ્થળો અને સ્કેલ પર, છબી પર વિવિધ વર્ગીકરણકારોની બેટરી લાગુ કરવાની જરૂર છે. આ ધીમું હોઈ શકે છે અને ઘણાં તાલીમ ડેટાની જરૂર પડી શકે છે કારણ કે દરેક વર્ગીકરણકારને ઘણી જુદી જુદી છબી સુવિધાઓની ગણતરીની જરૂર છે. ખાસ કરીને, સ્વતંત્ર રીતે તાલીમ પામેલા ડિટેક્ટર્સ માટે, (રનટાઇમ) કમ્પ્યુટેશનલ જટિલતા અને (ટ્રેનિંગ-ટાઇમ) નમૂના જટિલતા સ્કેલ રેખીય રીતે શોધી શકાય તેવા વર્ગોની સંખ્યા સાથે. અમે મલ્ટિટાસ્ક લર્નિંગ પ્રક્રિયા રજૂ કરીએ છીએ, જે બુસ્ટેડ નિર્ણય સ્ટમ્પ્સ પર આધારિત છે, જે સામાન્ય લક્ષણો શોધીને કમ્પ્યુટેશનલ અને નમૂનાની જટિલતાને ઘટાડે છે જે વર્ગો (અને / અથવા દૃશ્યો) માં વહેંચી શકાય છે. દરેક વર્ગના ડિટેક્ટર્સને સ્વતંત્ર રીતે નહીં પણ સંયુક્ત રીતે તાલીમ આપવામાં આવે છે. આપેલ પ્રદર્શન સ્તર માટે, આવશ્યક સુવિધાઓની કુલ સંખ્યા અને તેથી, વર્ગીકરણકારની રનટાઇમ ખર્ચ, વર્ગોની સંખ્યા સાથે આશરે લોગરીથમિક રીતે સ્કેલ કરવા માટે જોવા મળે છે. સંયુક્ત તાલીમ દ્વારા પસંદ કરેલા લક્ષણો સામાન્ય ધાર જેવા લક્ષણો છે, જ્યારે દરેક વર્ગને અલગથી તાલીમ દ્વારા પસંદ કરેલા લક્ષણો વધુ ઑબ્જેક્ટ-વિશિષ્ટ હોય છે. સામાન્ય લક્ષણો વધુ સારી રીતે સામાન્ય બનાવે છે અને મલ્ટિક્લાસ ઑબ્જેક્ટ ડિટેક્શનની કમ્પ્યુટેશનલ કિંમતને નોંધપાત્ર રીતે ઘટાડે છે |
1e75a3bc8bdd942b683cf0b27d1e1ed97fa3b4c3 | ગૌસિયન પ્રક્રિયાઓ રાજ્ય અવકાશના મોડેલોમાં અજ્ઞાત ગતિશીલતાના પૂર્વ ધારણાઓની લવચીક સ્પષ્ટીકરણ માટે પરવાનગી આપે છે. અમે ગૌસિયન પ્રક્રિયા રાજ્ય અવકાશ મોડેલોમાં કાર્યક્ષમ બેઝિયન શિક્ષણ માટે એક પ્રક્રિયા રજૂ કરીએ છીએ, જ્યાં પ્રતિનિધિત્વ અગાઉના કોવેરેન્સ માળખામાંથી મેળવેલ આશરે સ્વયં-કાર્યના સમૂહ પર સમસ્યાને પ્રસ્તુત કરીને રચાય છે. આ મોડેલોના પરિવાર હેઠળ શીખવાની કાળજીપૂર્વક તૈયાર કરાયેલ કણ એમસીએમસી અલ્ગોરિધમનો ઉપયોગ કરીને હાથ ધરવામાં આવી શકે છે. આ યોજના ગણતરીની દ્રષ્ટિએ કાર્યક્ષમ છે અને તેમ છતાં સમસ્યાની સંપૂર્ણ બેયસિયન સારવાર માટે પરવાનગી આપે છે. પરંપરાગત સિસ્ટમ ઓળખ સાધનો અથવા હાલની શીખવાની પદ્ધતિઓની સરખામણીમાં, અમે સ્પર્ધાત્મક કામગીરી અને મોડેલમાં અનિશ્ચિતતાઓની વિશ્વસનીય માત્રાત્મકતા દર્શાવે છે. |
142a799aac35f3b47df9fbfdc7547ddbebba0a91 | અમે રંગ ડેટામાં મોડેલ આધારિત 6D પોઝ રિફાઇનમેન્ટ માટે એક નવલકથા અભિગમ રજૂ કરીએ છીએ. કોન્ટૂર આધારિત પોઝ ટ્રેકિંગના સ્થાપિત વિચાર પર નિર્માણ, અમે એક ઊંડા ન્યુરલ નેટવર્કને અનુમાનિત કરવા માટે શીખવીએ છીએ અનુવાદ અને પરિભ્રમણ અપડેટ. મૂળમાં, અમે એક નવું દ્રશ્ય નુકશાન પ્રસ્તાવિત કરીએ છીએ જે પદાર્થની રૂપરેખાને ગોઠવીને પોઝ અપડેટને ચલાવે છે, આમ કોઈપણ સ્પષ્ટ દેખાવ મોડેલની વ્યાખ્યાને ટાળીને. અગાઉના કામથી વિપરીત અમારી પદ્ધતિ પત્રવ્યવહાર મુક્ત, સેગ્મેન્ટેશન મુક્ત છે, ઓક્લૂઝન સંભાળી શકે છે અને ભૌમિતિક સમપ્રમાણતા તેમજ દ્રશ્ય અસ્પષ્ટતા માટે અજ્ઞાની છે. વધુમાં, અમે રફ પ્રારંભિકકરણ તરફ મજબૂત મજબૂતતા અવલોકન કરીએ છીએ. આ અભિગમ વાસ્તવિક સમયમાં ચાલી શકે છે અને ઊંડાણ ડેટાની જરૂરિયાત વિના 3D ICP ની નજીક આવે તેવી પોઝ ચોકસાઈ ઉત્પન્ન કરે છે. વધુમાં, અમારા નેટવર્ક્સને શુદ્ધ સંશ્લેષિત ડેટાથી તાલીમ આપવામાં આવે છે અને http://campar.in.tum પર રિફાઇનમેન્ટ કોડ સાથે પ્રકાશિત કરવામાં આવશે. de/Main/FabianManhardt પુનરાવર્તિતતાની ખાતરી કરવા માટે. |
046bf6fb90438335eaee07594855efbf541a8aba | શહેરીકરણની ઝડપી પ્રગતિથી ઘણા લોકોના જીવનમાં આધુનિકતા આવી છે, પરંતુ ટ્રાફિક જામ, ઊર્જા વપરાશ અને પ્રદૂષણ જેવી મોટી સમસ્યાઓ પણ ઉભી થઈ છે. શહેરી કમ્પ્યુટિંગનો ઉદ્દેશ શહેરોમાં પેદા થયેલા ડેટા (દા. ત. , ટ્રાફિક ફ્લો, માનવ ગતિશીલતા અને ભૌગોલિક ડેટા) નો ઉપયોગ કરીને આ મુદ્દાઓને સંબોધવાનો છે. શહેરી કમ્પ્યુટિંગ શહેરી સેન્સિંગ, ડેટા મેનેજમેન્ટ, ડેટા એનાલિટિક્સ અને સેવા પ્રદાનને લોકોની જીવન, શહેરની કામગીરીની સિસ્ટમ્સ અને પર્યાવરણમાં અવિરત અને સતત સુધારણા માટે પુનરાવર્તિત પ્રક્રિયામાં જોડે છે. શહેરી કમ્પ્યુટિંગ એ એક આંતરશાખાકીય ક્ષેત્ર છે જ્યાં કોમ્પ્યુટર વિજ્ઞાન શહેરી જગ્યાઓના સંદર્ભમાં પરિવહન, સિવિલ એન્જિનિયરિંગ, પર્યાવરણ, અર્થતંત્ર, ઇકોલોજી અને સમાજશાસ્ત્ર જેવા પરંપરાગત શહેર સંબંધિત ક્ષેત્રોને મળે છે. આ લેખમાં સૌ પ્રથમ શહેરી કમ્પ્યુટિંગની વિભાવના રજૂ કરવામાં આવી છે, જેમાં કોમ્પ્યુટર વિજ્ઞાનના દ્રષ્ટિકોણથી તેના સામાન્ય માળખા અને મુખ્ય પડકારોની ચર્ચા કરવામાં આવી છે. બીજું, અમે શહેરી કમ્પ્યુટિંગના કાર્યક્રમોને સાત કેટેગરીમાં વર્ગીકૃત કરીએ છીએ, જેમાં શહેરી આયોજન, પરિવહન, પર્યાવરણ, ઊર્જા, સામાજિક, અર્થતંત્ર અને જાહેર સલામતી અને સુરક્ષાનો સમાવેશ થાય છે, દરેક કેટેગરીમાં પ્રતિનિધિ દૃશ્યો રજૂ કરે છે. ત્રીજું, અમે ચાર ગણોમાં શહેરી કમ્પ્યુટિંગમાં જરૂરી લાક્ષણિક તકનીકોનો સારાંશ આપીએ છીએ, જે શહેરી સેન્સિંગ, શહેરી ડેટા મેનેજમેન્ટ, વિવિધ ડેટામાં જ્ઞાન સંમિશ્રણ અને શહેરી ડેટા વિઝ્યુલાઇઝેશન વિશે છે. છેલ્લે, અમે શહેરી કમ્પ્યુટિંગના ભવિષ્ય પર એક દૃષ્ટિકોણ આપીએ છીએ, કેટલાક સંશોધન વિષયો સૂચવે છે જે કોઈક રીતે સમુદાયમાં ખૂટે છે. |
970b4d2ed1249af97cdf2fffdc7b4beae458db89 | દરરોજ લગભગ એક અબજ ઓનલાઇન વિડિઓઝ જોવામાં આવે છે, કમ્પ્યુટર વિઝન સંશોધનમાં ઉભરતી નવી સીમા વિડિઓમાં ઓળખ અને શોધ છે. જ્યારે હજારો છબી કેટેગરી ધરાવતી મોટા સ્કેલેબલ સ્થિર છબી ડેટાસેટ્સના સંગ્રહ અને એનોટેશનને ઘણો પ્રયાસ કરવામાં આવ્યો છે, ત્યારે માનવ ક્રિયા ડેટાસેટ્સ ખૂબ પાછળ છે. વર્તમાન કાર્યવાહી માન્યતા ડેટાબેઝમાં દસ અલગ અલગ કાર્યવાહી કેટેગરીનો સમાવેશ થાય છે, જે એકદમ નિયંત્રિત શરતો હેઠળ એકત્રિત કરવામાં આવે છે. આ ડેટા સેટ્સ પરની અત્યાધુનિક કામગીરી હવે ટોચમર્યાદાની નજીક છે અને તેથી નવા બેંચમાર્કની રચના અને નિર્માણની જરૂર છે. આ મુદ્દાને સંબોધવા માટે અમે 51 એક્શન કેટેગરી સાથે અત્યાર સુધીનો સૌથી મોટો એક્શન વિડીયો ડેટાબેઝ એકત્રિત કર્યો છે, જેમાં કુલ મળીને ડિજિટાઇઝ્ડ ફિલ્મોથી લઈને યુટ્યુબ સુધીના વિવિધ સ્રોતોમાંથી કાઢવામાં આવેલી લગભગ 7,000 મેન્યુઅલી એનોટેટેડ ક્લિપ્સ છે. અમે આ ડેટાબેઝનો ઉપયોગ ક્રિયા ઓળખ માટે બે પ્રતિનિધિ કમ્પ્યુટર વિઝન સિસ્ટમ્સના પ્રદર્શનનું મૂલ્યાંકન કરવા અને વિવિધ પરિસ્થિતિઓ જેમ કે કેમેરા ગતિ, દૃશ્ય, વિડિઓ ગુણવત્તા અને ઓક્લૂઝન હેઠળ આ પદ્ધતિઓની મજબૂતાઈની શોધ કરવા માટે કરીએ છીએ. |
3087289229146fc344560478aac366e4977749c0 | માહિતી સિદ્ધાંતનો ઉપયોગ તાજેતરમાં કરવામાં આવ્યો છે, જેથી અમુક સંવેદનાત્મક, દ્રષ્ટિની અને દ્રષ્ટિ-મોટર કાર્યોમાં માણસની ક્ષમતાને અત્યાર સુધી શક્ય છે તે કરતાં વધુ ચોક્કસ રીતે સ્પષ્ટ કરી શકાય (5, 10, 13, 15, 17, 18). આ કાગળમાં જણાવેલ પ્રયોગો માનવ મોટર સિસ્ટમમાં સિદ્ધાંતને વિસ્તૃત કરે છે. આ સમયે માત્ર મૂળભૂત ખ્યાલો, માહિતીની માત્રા, ઘોંઘાટ, ચેનલ ક્ષમતા અને માહિતી પ્રસારણ દરની લાગુતાની તપાસ કરવામાં આવશે. તાજેતરના લેખકો (4,11, 20, 22) દ્વારા ઘડવામાં આવેલા આ ખ્યાલો સાથે સામાન્ય પરિચિતતા ધારવામાં આવે છે. સખત રીતે કહીએ તો, આપણે માણસની મોટર સિસ્ટમને વર્તણૂકીય સ્તરે તેના સંકળાયેલ સંવેદનાત્મક પદ્ધતિઓથી અલગ કરી શકતા નથી. આપણે ફક્ત સમગ્ર રીસેપ્ટર-ન્યુરલ-ઇફેક્ટર સિસ્ટમના વર્તનનું વિશ્લેષણ કરી શકીએ છીએ. કેવી રીતે- |
64305508a53cc99e62e6ff73592016d0b994afd4 | આરડીએફનો ઉપયોગ સેમેન્ટીક વેબ અને ડેટા એક્સચેન્જ માટે ડેટા એન્કોડ કરવા માટે વધુને વધુ થાય છે. વિવિધ અભિગમોને અનુસરીને આરડીએફ ડેટા મેનેજમેન્ટને સંબોધિત કરતી મોટી સંખ્યામાં કાર્યો કરવામાં આવ્યા છે. આ કાગળમાં અમે આ કાર્યોની ઝાંખી આપી છે. આ સમીક્ષામાં કેન્દ્રિય ઉકેલો (જેને વેરહાઉસિંગ અભિગમ તરીકે ઓળખવામાં આવે છે), વિતરણ ઉકેલો અને તકનીકો કે જે લિંક કરેલા ડેટાને ક્વેરી કરવા માટે વિકસાવવામાં આવી છે. દરેક શ્રેણીમાં, વધુ વર્ગીકરણ આપવામાં આવે છે જે વાચકોને વિવિધ અભિગમોની ઓળખની લાક્ષણિકતાઓ સમજવામાં મદદ કરશે. |
6162ab446003a91fc5d53c3b82739631c2e66d0f | |
29f5ecc324e934d21fe8ddde814fca36cfe8eaea | પરિચય સ્તન કેન્સર (બીસી) એ સ્ત્રીઓમાં સૌથી સામાન્ય કેન્સર છે, જે તેમના જીવનના કેટલાક તબક્કે તમામ મહિલાઓને લગભગ 10% અસર કરે છે. તાજેતરના વર્ષોમાં, ઘટના દર વધતો જાય છે અને ડેટા દર્શાવે છે કે નિદાન પછી પાંચ વર્ષ પછી જીવન ટકાવી રાખવાનો દર 88% અને નિદાન પછી 10 વર્ષ પછી 80% છે. સ્તન કેન્સરની પ્રારંભિક આગાહી એ અનુવર્તી પ્રક્રિયામાં સૌથી મહત્વપૂર્ણ કાર્યોમાંનું એક છે. ડેટા માઇનિંગ પદ્ધતિઓ ખોટા હકારાત્મક અને ખોટા નકારાત્મક નિર્ણયોની સંખ્યા ઘટાડવામાં મદદ કરી શકે છે [2,3]. પરિણામે, ડેટાબેઝમાં જ્ઞાન શોધ (કેડીડી) જેવી નવી પદ્ધતિઓ તબીબી સંશોધકો માટે એક લોકપ્રિય સંશોધન સાધન બની છે, જે મોટી સંખ્યામાં ચલો વચ્ચેના દાખલાઓ અને સંબંધો ઓળખવા અને તેનો ઉપયોગ કરવાનો પ્રયાસ કરે છે, અને ડેટાસેટમાં સંગ્રહિત ઐતિહાસિક કેસોનો ઉપયોગ કરીને રોગના પરિણામની આગાહી કરે છે. |
261e841c8e0175586fb193b1a199cefaa8ecf169 | કેવી રીતે મોર્ફોલોજિકલ રીઇન્ફ્લેક્શન જેવા કાર્યોમાં ઊંડા શિક્ષણને લાગુ કરવું જોઈએ, જે બીજાને મેળવવા માટે એક શબ્દમાળાને સ્ટોકાસ્ટિકલી એડિટ કરે છે? આવા સિક્વન્સ-ટુ-સિક્વન્સ કાર્યો માટેનો એક તાજેતરનો અભિગમ એ છે કે ઇનપુટ સ્ટ્રિંગને વેક્ટરમાં સંકુચિત કરવું જે પછી રિકરન્ટ ન્યુરલ નેટવર્ક્સનો ઉપયોગ કરીને આઉટપુટ સ્ટ્રિંગ જનરેટ કરવા માટે વપરાય છે. તેનાથી વિપરીત, અમે પરંપરાગત આર્કિટેક્ચર રાખવાનો પ્રસ્તાવ રાખીએ છીએ, જે તમામ શક્ય આઉટપુટ શબ્દમાળાઓને સ્કોર કરવા માટે સીમિત-રાજ્ય ટ્રાન્સડ્યુસરનો ઉપયોગ કરે છે, પરંતુ રિકરન્ટ નેટવર્ક્સની મદદથી સ્કોરિંગ ફંક્શનને વધારવા માટે. દ્વિદિશિત એલએસટીએમનો સ્ટેક ઇનપુટ શબ્દમાળાને ડાબેથી જમણે અને જમણેથી ડાબેથી વાંચે છે, જેથી ઇનપુટ સંદર્ભનો સારાંશ આપવામાં આવે જેમાં ટ્રાન્સડ્યુસર આર્ક લાગુ પડે છે. અમે આ શીખી સુવિધાઓને ટ્રાન્સડ્યુસર સાથે સંરેખિત આઉટપુટ શબ્દમાળાઓ પર સંભાવના વિતરણને વ્યાખ્યાયિત કરવા માટે, વજનવાળા સીમિત-રાજ્ય ઓટોમેટના સ્વરૂપમાં જોડીએ છીએ. આ સુવિધાઓના હાથ-એન્જીનિયરિંગને ઘટાડે છે, ઇનપુટ સ્ટ્રિંગમાં અનલિમિટેડ સંદર્ભની તપાસ કરવા માટે શીખેલા લક્ષણોને પરવાનગી આપે છે, અને હજી પણ ગતિશીલ પ્રોગ્રામિંગ દ્વારા ચોક્કસ અનુમાનને મંજૂરી આપે છે. અમે મોર્ફોલોજિકલ રીઇન્ફ્લેક્શન અને લેમ્મેટિઝેશનના કાર્યો પર અમારી પદ્ધતિને સમજાવીએ છીએ. |
8f69384b197a424dfbd0f60d7c48c110faf2b982 | |
014b191f412f8496813d7c358ddd11d8512f2005 | ઉચ્ચ રીઝોલ્યુશનની છબીવાળા રડાર એક જ નિરીક્ષણમાંથી વિસ્તૃત પદાર્થોની ગતિ અને દિશાના અંદાજ માટે નવી તકો ખોલે છે. રડાર સેન્સર માત્ર રેડિયલ વેગને માપે છે, તેથી સામાન્ય રીતે પદાર્થની વેગ વેક્ટર નક્કી કરવા માટે ટ્રેકિંગ સિસ્ટમનો ઉપયોગ થાય છે. સ્થિર વેગનો અંદાજ શરૂઆતમાં કેટલાક ફ્રેમ્સ પછી કરવામાં આવે છે, પરિણામે ક્રોસ-ટ્રાફિક જેવી ચોક્કસ પરિસ્થિતિઓમાં પ્રતિક્રિયા આપવા માટે નોંધપાત્ર સમયનો નુકસાન થાય છે. નીચેના કાગળ વિસ્તૃત લક્ષ્યના વેગ વેક્ટર નક્કી કરવા માટે એક મજબૂત અને મોડેલ-મુક્ત અભિગમ રજૂ કરે છે. કાલમેન ફિલ્ટરથી વિપરીત, તેને સમય અને જગ્યામાં ડેટા એસોસિએશનની જરૂર નથી. તેના વેગ વેક્ટરના ત્વરિત (~ 50 એમએસ) અને પૂર્વગ્રહ મુક્ત અંદાજ શક્ય છે. અમારો અભિગમ અવાજ અને સિગ્નલમાં વ્યવસ્થિત ફેરફારો (દા. ત. , વ્હીલ્સના માઇક્રો-ડોપ્લર) ને નિયંત્રિત કરી શકે છે. તે માત્ર રેડિયલ વેગમાં જ નહીં, પણ અઝીમથ સ્થિતિમાં પણ રડાર સેન્સરની માપન ભૂલો સાથે વ્યવહાર કરવા માટે શ્રેષ્ઠ છે. આ પદ્ધતિની ચોકસાઈ બહુવિધ રડાર સેન્સર્સના સંમિશ્રણ દ્વારા વધે છે. |
ad6d5e4545c60ec559d27a09fbef13fa538172e1 | અદ્યતન ડ્રાઈવર સહાયક પ્રણાલીઓ અને સ્વયં સંચાલિત ડ્રાઇવિંગમાં, રડાર પર આધારિત વિશ્વસનીય પર્યાવરણની દ્રષ્ટિ અને ઑબ્જેક્ટ ટ્રેકિંગ મૂળભૂત છે. ઉચ્ચ રીઝોલ્યુશન રડાર સેન્સર ઘણીવાર ઑબ્જેક્ટ દીઠ બહુવિધ માપન પૂરા પાડે છે. આ કિસ્સામાં પરંપરાગત પોઇન્ટ ટ્રેકિંગ અલ્ગોરિધમ્સ હવે લાગુ પડતી નથી, વિસ્તૃત ઑબ્જેક્ટ ટ્રેકિંગ માટે નવલકથા અભિગમો છેલ્લા કેટલાક વર્ષોમાં ઉભરી આવ્યા છે. જો કે, તેઓ મુખ્યત્વે લીડર એપ્લિકેશન્સ માટે રચાયેલ છે અથવા રડારની વધારાની ડોપ્લર માહિતીને અવગણવા. ડોપ્લર માહિતીનો ઉપયોગ કરીને ક્લાસિક રડાર આધારિત ટ્રેકિંગ પદ્ધતિઓ મોટે ભાગે સમાંતર ટ્રાફિકના બિંદુ ટ્રેકિંગ માટે રચાયેલ છે. આ કાગળમાં પ્રસ્તુત માપન મોડેલ સમાંતર અને ક્રોસ ટ્રાફિક સહિતના મનસ્વી ટ્રાફિક દૃશ્યોમાં આશરે લંબચોરસ આકારના વાહનોને ટ્રેક કરવા માટે વિકસાવવામાં આવ્યું છે. ગતિશીલ સ્થિતિ ઉપરાંત, તે પદાર્થની ભૌમિતિક સ્થિતિને નક્કી કરવા અને ટ્રેક કરવાની મંજૂરી આપે છે. ડોપ્લર માહિતીનો ઉપયોગ મોડેલમાં એક મહત્વપૂર્ણ ઘટક છે. વધુમાં, તેને માપન પૂર્વ પ્રક્રિયા, ડેટા ક્લસ્ટરીંગ, અથવા સ્પષ્ટ ડેટા એસોસિયેશનની જરૂર નથી. ઑબ્જેક્ટ ટ્રેકિંગ માટે, માપન મોડેલ માટે અનુકૂળ રાઓ-બ્લેકવેલિઝ્ડ કણો ફિલ્ટર (આરબીપીએફ) રજૂ કરવામાં આવે છે. |
965f8bb9a467ce9538dec6bef57438964976d6d9 | મેકઅપ અને છુપાયેલા દેખાવ હેઠળ સમાન વિષયોને ઓળખતી વખતે સ્વચાલિત માનવ ચહેરાની ઓળખ અલ્ગોરિધમ્સની ચોકસાઈ નોંધપાત્ર રીતે ઘટાડી શકે છે. સુરક્ષા અને સર્વેલન્સમાં વધારો કરવા માટે વધતા જતા અવરોધોને કારણે ચહેરાને ઓળખવા માટે ઉપયોગમાં લેવાતા અલ્ગોરિધમ્સની ચોકસાઈમાં વધારો કરવાની જરૂર છે. આ કાગળમાં ચહેરાના ચિત્રો માટે એક નવો ડેટાબેઝ રજૂ કરવામાં આવ્યો છે. આ ડેટાબેઝમાં 410 જુદા જુદા વિષયોની 2460 છબીઓ છે અને વાસ્તવિક પર્યાવરણ હેઠળ હસ્તગત કરવામાં આવે છે, મેકઅપ પર ધ્યાન કેન્દ્રિત કરે છે અને કોવેરીએટ્સને છુપાવે છે અને દરેક છબી માટે ગ્રાઉન્ડ સત્ય (આંખની ચશ્મા, ગોગલ, મૂછ, દાઢી) પણ પ્રદાન કરે છે. આ વિકસિત અલ્ગોરિધમ્સને ચહેરાની ઓળખ દરમિયાન આવા મહત્વપૂર્ણ છુપાવેલ લક્ષણની ઓળખ માટે તેમની ક્ષમતાને આપમેળે જથ્થાત્મક રીતે સક્ષમ કરી શકે છે અમે બે લોકપ્રિય વ્યાપારી મેચર્સ અને તાજેતરના પ્રકાશનોના તુલનાત્મક પ્રાયોગિક પરિણામો પણ રજૂ કરીએ છીએ. અમારા પ્રાયોગિક પરિણામો સૂચવે છે કે આ મેચર્સની ક્ષમતામાં નોંધપાત્ર પ્રદર્શન બગાડ આ ચહેરાઓને આપમેળે ઓળખવામાં. અમે આ મેચર્સમાંથી ચહેરાની શોધની ચોકસાઈનું વિશ્લેષણ પણ કરીએ છીએ. પ્રાયોગિક પરિણામો આ કોવેરીએટ્સ હેઠળ ચહેરાને ઓળખવામાં પડકારોને રેખાંકિત કરે છે. આ નવા ડેટાબેઝની ઉપલબ્ધતા જાહેર ક્ષેત્રમાં મેકઅપ અને છુપાયેલા ચહેરાઓને ઓળખવામાં ખૂબ જરૂરી સંશોધન અને વિકાસને આગળ વધારવામાં મદદ કરશે. |
f8e32c5707df46bfcd683f723ad27d410e7ff37d | |
32c8c7949a6efa2c114e482c830321428ee58d70 | આ લેખમાં અદ્યતન જીપીયુ-આધારિત હાઇ-થ્રુપુટ કમ્પ્યુટિંગ સિસ્ટમોની ક્ષમતાઓની ચર્ચા કરવામાં આવી છે અને સિંગલ-ચિપ સમાંતર-કમ્પ્યુટિંગ સિસ્ટમ્સને સ્કેલ કરવા માટેના પડકારોને ધ્યાનમાં લેવામાં આવ્યા છે, જેમાં ઉચ્ચ અસરવાળા ક્ષેત્રો પર પ્રકાશ પાડવામાં આવ્યો છે જેને કમ્પ્યુટિંગ સંશોધન સમુદાય સંબોધિત કરી શકે છે. એનવીડિયા રિસર્ચ એક હેટરોજેનસ હાઇ-પર્ફોર્મન્સ કમ્પ્યુટિંગ સિસ્ટમ માટે આર્કિટેક્ચરની તપાસ કરી રહ્યું છે જે આ પડકારોને સંબોધિત કરવા માગે છે. |
8890bb44abb89601c950eb5e56172bb58d5beea8 | ધ્યેયલક્ષી સંવાદ નીતિ શીખવી સામાન્ય રીતે સુપરવાઇઝ્ડ લર્નિંગ અલ્ગોરિધમ્સ સાથે ઑફલાઇન અથવા રિઇનફોર્સમેન્ટ લર્નિંગ (આરએલ) સાથે ઓનલાઇન કરવામાં આવે છે. વધુમાં, જેમ જેમ કંપનીઓ ગ્રાહકો અને પ્રશિક્ષિત માનવ એજન્ટો વચ્ચે સંવાદ ટ્રાન્સક્રિપ્ટની વિશાળ માત્રા એકઠા કરે છે, એન્કોડર-ડેકોડર પદ્ધતિઓ લોકપ્રિયતા મેળવી છે કારણ કે એજન્ટ ઉચ્ચારણોને ઉચ્ચારણ-સ્તરનાં એનોટેશન્સની જરૂરિયાત વિના સીધા દેખરેખ તરીકે ગણવામાં આવે છે. જો કે, આવા અભિગમોની એક સંભવિત ખામી એ છે કે તેઓ સંવાદ-સ્તરના વિચારણાઓને ધ્યાનમાં લીધા વિના આગામી એજન્ટ ઉચ્ચારણ પેદા કરે છે. આ ચિંતાને ઉકેલવા માટે, આ કાગળમાં બિન-અનુભવી કોર્પોરાથી શીખવા માટે ઑફલાઇન આરએલ પદ્ધતિનું વર્ણન કરવામાં આવ્યું છે જે ઉચ્ચારણ અને સંવાદ સ્તર બંને પર ધ્યેય-લક્ષી નીતિને ઑપ્ટિમાઇઝ કરી શકે છે. અમે એક નવલકથા પુરસ્કાર કાર્ય રજૂ કરીએ છીએ અને ઑનલાઇન વપરાશકર્તા ક્રિયાપ્રતિક્રિયા અથવા સ્પષ્ટ રાજ્ય જગ્યા વ્યાખ્યાની જરૂર વગર ઑફલાઇન નીતિ શીખવા માટે નીતિ અને નીતિની બહાર બંનેનો ઉપયોગ કરીએ છીએ. |
589d84d528d353a382a42e5b58dc48a57d332be8 | રટગર્સ એન્કલે એ સ્ટુઅર્ટ પ્લેટફોર્મ-પ્રકારના હેપ્ટિક ઇન્ટરફેસ છે જે પુનર્વસવાટમાં ઉપયોગ માટે રચાયેલ છે. આ સિસ્ટમ દર્દીના પગ પર છ ડિગ્રીની સ્વતંત્રતા (ડીઓએફ) પ્રતિકારક દળો પૂરી પાડે છે, વર્ચ્યુઅલ રિયાલિટી આધારિત કસરતોના જવાબમાં. રટગર્સ એન્કલે નિયંત્રકમાં એમ્બેડેડ પેન્ટિયમ બોર્ડ, ન્યુમેટિક સોલેનોઇડ વાલ્વ, વાલ્વ નિયંત્રકો અને સંકળાયેલ સિગ્નલ કન્ડિશનિંગ ઇલેક્ટ્રોનિક્સ છે. અમારા કેસ સ્ટડીમાં ઉપયોગમાં લેવાતી પુનર્વસન કવાયતમાં લૂપ્સ દ્વારા વર્ચ્યુઅલ એરક્રાફ્ટનું પાયલોટ કરવું શામેલ છે. કસરતની મુશ્કેલી લૂપની સંખ્યા અને પ્લેસમેન્ટ, વર્ચ્યુઅલ પર્યાવરણમાં વિમાનની ઝડપ અને હપ્ટીક ઇન્ટરફેસ દ્વારા પ્રદાન કરવામાં આવેલા પ્રતિકારની ડિગ્રીના આધારે પસંદ કરી શકાય છે. કવાયતના ડેટાને પારદર્શક રીતે, રીઅલ ટાઇમમાં, ઓરેકલ ડેટાબેઝમાં સંગ્રહિત કરવામાં આવે છે. આ ડેટામાં કસરત દરમિયાન અને ત્યારબાદના પુનર્વસન સત્રો દરમિયાન પગની સ્થિતિ, દળો અને યાંત્રિક કાર્યનો સમાવેશ થાય છે. પૂર્ણ થયેલી લૂપ્સની સંખ્યા અને તે કરવા માટેનો સમય પણ ઓનલાઇન સંગ્રહિત છે. આ પદ્ધતિનો ઉપયોગ કરીને સ્ટ્રોક પછી નવ મહિનાના દર્દીનો કેસ અભ્યાસ રજૂ કરવામાં આવ્યો છે. પરિણામો દર્શાવે છે કે, છ પુનર્વસન સત્રો દરમિયાન, દર્દીએ તાકાત અને સહનશક્તિના ક્લિનિકલ માપદંડોમાં સુધારો કર્યો છે, જે રટગર્સ એંકલ દ્વારા માપવામાં આવેલ ટોર્ક અને પાવર આઉટપુટ વધારો સાથે સારી રીતે અનુરૂપ છે. સિમ્યુલેશન દરમિયાન કાર્યની ચોકસાઈ અને સંકલનમાં અને દર્દીની ચાલવાની અને સીડી ચડવાની ક્ષમતામાં પણ નોંધપાત્ર સુધારો થયો હતો. |
67161d331d496ad5255ad8982759a1c853856932 | આ કાગળમાં પૂરની આપત્તિઓ સામે જાહેર જનતાને ચેતવણી આપવા માટે વહેલી ચેતવણી આપતી પૂર વ્યવસ્થા માટે આર્કિટેક્ચરનો પ્રસ્તાવ મૂકવામાં આવ્યો છે. અસરકારક પ્રારંભિક ચેતવણી પ્રણાલી વિકસાવવી જોઈએ જેમાં ચાર ઘટકો વચ્ચે જોડાણો હોય છે, જે જોખમનું મૂલ્યાંકન કરવા માટે સચોટ ડેટા સંગ્રહ, જોખમોની દેખરેખ સેવાઓ વિકસાવવી, જોખમ સંબંધિત માહિતી પર સંચાર અને સમુદાયની પ્રતિભાવ ક્ષમતાઓની હાજરી છે. આ પ્રોજેક્ટમાં વાયરલેસ સેન્સર નેટવર્કનો ઉપયોગ કરીને પાણીના સ્તરનું દૂરસ્થ નિરીક્ષણ કરવામાં આવ્યું છે. આ પ્રોજેક્ટમાં ગ્લોબલ સિસ્ટમ ફોર મોબાઇલ કમ્યુનિકેશન (જીએસએમ) અને શોર્ટ મેસેજ સર્વિસ (એસએમએસ) નો ઉપયોગ સેન્સરથી ડેટાને કોમ્પ્યુટર સુધી પહોંચાડવા માટે કરવામાં આવે છે અથવા સંબંધિત પીડિતોને તેમના મોબાઇલ ફોન દ્વારા સીધા ચેતવણી આપવામાં આવે છે. આશા છે કે, પ્રસ્તાવિત આર્કિટેક્ચરને આગળ વધારીને કાર્યરત પ્રણાલીમાં વિકસિત કરી શકાય, જે સમુદાય માટે ફાયદાકારક રહેશે અને પૂરની આપત્તિના કિસ્સામાં જીવન બચાવવા માટે સાવચેતીભર્યું પગલું તરીકે કામ કરશે. |
a5de09243b4b12fc4bcf4db56c8e38fc3beddf4f | તાજેતરના અભ્યાસો દર્શાવે છે કે એન્ટરપ્રાઇઝ સોશિયલ સિસ્ટમ્સ (ઇએસએસ) ના અમલીકરણથી સંસ્થાઓને સામાજિક વ્યવસાયના નવા દાખલામાં તબદીલ કરવામાં આવશે, જેના પરિણામે વિશાળ આર્થિક વળતર અને સ્પર્ધાત્મક લાભ થશે. સામાજિક વ્યવસાય કામ કરવાની અને સંગઠિત કરવાની એક સંપૂર્ણપણે નવી રીત બનાવે છે, જે સામાજિક સહયોગ, આંતરિક જ્ઞાન વહેંચણી, સ્વૈચ્છિક રીતે સામૂહિક ભાગીદારી, ફક્ત થોડા નામ દ્વારા વર્ગીકૃત થયેલ છે. આથી, ઇએસએસના અમલીકરણમાં કામ કરવાની અને સંગઠિત કરવાની નવી રીતની વિશિષ્ટતાને સંબોધિત કરવી જોઈએ. જો કે, આ મોટા એન્ટરપ્રાઇઝ સિસ્ટમોના અમલીકરણ વિશે જ્ઞાનની અછત છે. આ કાગળનો ઉદ્દેશ ઇએસએસના અમલીકરણના શાસન મોડેલનો અભ્યાસ કરવાનો છે. નૉર્વેમાં વિશ્વની અગ્રણી ઊર્જા કંપની સ્ટેટક્રાફ્ટ ખાતે "સ્ટ્રીમ" નામના સામાજિક ઇન્ટ્રાનેટના અમલીકરણની તપાસ કરવા માટે એક કેસ સ્ટડી હાથ ધરવામાં આવી છે. સ્ટ્રીમના ગવર્નન્સ મોડલમાં કોર્પોરેટ કોમ્યુનિકેશન, માનવ સંસાધન અને આઇટી વચ્ચે ગાઢ સહયોગ અને જવાબદારી પર ભાર મૂકવામાં આવ્યો છે, જે ઇએસએસના અમલીકરણના ગવર્નન્સમાં નમૂનારૂપ પરિવર્તનનો અર્થ છે. અમલીકરણમાં લાભો અને પડકારો પણ ઓળખવામાં આવે છે. અભ્યાસમાં પ્રાપ્ત જ્ઞાન અને સમજણના આધારે, કંપનીને ઇએસએસના અમલીકરણના સંચાલનમાં સુધારણામાં સહાય કરવા માટે ભલામણો પ્રસ્તાવિત કરવામાં આવે છે. આ અભ્યાસથી ઇએસએસના અમલીકરણના સંચાલન અંગે જ્ઞાન/કૌશલ્ય પ્રદાન કરવામાં આવશે. |
5ca6217b3e8353778d05fe58bcc5a9ea79707287 | ઈ-ગવર્નન્સ દરેક સરકારના એજન્ડાનો એક અભિન્ન હિસ્સો બની ગયું છે. ઘણી સરકારોએ સરકારી કામગીરી પર તેની નોંધપાત્ર અસરો અને પ્રભાવોને સ્વીકાર્યા છે. ટેકનોલોજીનો મંત્ર વધુ સર્વવ્યાપક બન્યો છે, તેથી સરકારે સેવાઓની ગુણવત્તા વધારવા, વધુ સારી પારદર્શિતા અને વધુ જવાબદારી માટે તેની એજન્સીઓ અને વિભાગોમાં ઇ-ગવર્નન્સ નીતિ શરૂ કરવાનો નિર્ણય લીધો છે. મલેશિયાની વાત કરીએ તો ઈ-ગવર્નમેન્ટની લહેરથી સરકાર પ્રેરિત છે, કારણ કે તેની સ્થાપનાથી જાહેર સેવાઓની ગુણવત્તામાં સુધારો થઈ શકે છે, અને તેની આંતરિક કામગીરી પણ સુધારી શકાય છે. આ ગુણાત્મક અભ્યાસ ઈ-સરકાર પહેલોના અમલીકરણની સ્થિતિને કેસ સ્ટડી તરીકે તપાસશે અને ઈ-સરકારમાં તેના ઉત્કૃષ્ટ પ્રદર્શનને ધ્યાનમાં રાખીને દક્ષિણ કોરિયાની સરકારને બેંચમાર્ક સ્ટડી તરીકે ઉપયોગ કરીને આ તારણોનું તુલનાત્મક મૂલ્યાંકન પણ કરશે. આ અભ્યાસના તારણો જાહેર વહીવટના દ્રષ્ટિકોણથી સુધારણાના સંભવિત ક્ષેત્રોને પ્રકાશિત કરશે અને આ તુલનાત્મક અભિગમથી પણ, ઇ-સરકારના પ્રોજેક્ટ્સની સફળતા સુનિશ્ચિત કરવા માટે મલેશિયા દક્ષિણ કોરિયાની પદ્ધતિઓમાંથી કેટલાક પાઠ શીખી શકે છે. |
2b2c30dfd3968c5d9418bb2c14b2382d3ccc64b2 | ડીબીપીડિયા એ વિકિપીડિયામાંથી માળખાગત માહિતી કાઢવા અને આ માહિતીને વેબ પર ઉપલબ્ધ કરાવવા માટે એક સમુદાય પ્રયાસ છે. ડીબીપીડિયા તમને વિકિપીડિયામાંથી મેળવેલા ડેટાસેટ્સ સામે સુસંસ્કૃત ક્વેરીઝ પૂછવા અને વેબ પરના અન્ય ડેટાસેટ્સને વિકિપીડિયા ડેટા સાથે લિંક કરવાની મંજૂરી આપે છે. અમે ડીબીપીડિયા ડેટાસેટ્સના નિષ્કર્ષણનું વર્ણન કરીએ છીએ, અને કેવી રીતે પરિણામી માહિતી માનવ અને મશીન વપરાશ માટે વેબ પર પ્રકાશિત થાય છે. અમે ડીબીપીડિયા સમુદાયમાંથી કેટલીક ઉભરતી એપ્લિકેશન્સનું વર્ણન કરીએ છીએ અને બતાવીએ છીએ કે કેવી રીતે વેબસાઇટ લેખકો તેમની સાઇટ્સની અંદર ડીબીપીડિયા સામગ્રીને સરળ બનાવી શકે છે. છેલ્લે, અમે વેબ પરના અન્ય ખુલ્લા ડેટાસેટ્સ સાથે ડીબીપીડિયાને એકબીજા સાથે જોડવાની વર્તમાન સ્થિતિ રજૂ કરીએ છીએ અને ખુલ્લા ડેટાના ઉભરતા વેબ માટે ડીબીપીડિયા કેવી રીતે કેન્દ્ર તરીકે સેવા આપી શકે છે તેની રૂપરેખા આપીએ છીએ. |
92930f4279b48f7e4e8ec2edc24e8aa65c5954fd | અમે મની લોન્ડરિંગ વિરોધી કામગીરીની શોધની પ્રક્રિયાને ટેકો આપવા માટે બેંક ક્લાયન્ટ્સની રૂપરેખા માટે ડેટા માઇનિંગ અભિગમ રજૂ કરીએ છીએ. અમે સૌ પ્રથમ એકંદર સિસ્ટમ આર્કિટેક્ચર રજૂ કરીએ છીએ, અને પછી આ કાગળ માટે સંબંધિત ઘટક પર ધ્યાન કેન્દ્રિત કરીએ છીએ. અમે નાણાકીય સંસ્થાના વાસ્તવિક વિશ્વના ડેટા પર કરવામાં આવેલા પ્રયોગોનું વિગતવાર વર્ણન કરીએ છીએ, જે અમને ક્લાયન્ટ્સને ક્લસ્ટરોમાં જૂથબદ્ધ કરવાની મંજૂરી આપે છે અને પછી વર્ગીકરણ નિયમોનો સમૂહ ઉત્પન્ન કરે છે. અમે સ્થાપના કરેલ ક્લાયન્ટ પ્રોફાઇલ્સ અને પેદા કરેલા વર્ગીકરણ નિયમોની સુસંગતતા અંગે ચર્ચા કરીએ છીએ. નિર્ધારિત એકંદર એજન્ટ આધારિત આર્કિટેક્ચર અનુસાર, આ નિયમોને શંકાસ્પદ વ્યવહારોના સંકેત માટે જવાબદાર બુદ્ધિશાળી એજન્ટોના જ્ઞાનના આધારમાં સામેલ કરવામાં આવશે. |
8985000860dbb88a80736cac8efe30516e69ee3f | સ્માર્ટ હોમ સેન્સરનો ઉપયોગ કરીને માનવ પ્રવૃત્તિની ઓળખ સ્માર્ટ વાતાવરણમાં સર્વવ્યાપક કમ્પ્યુટિંગના પાયા પૈકી એક છે અને એમ્બિયન્ટ સહાયિત વસવાટના ક્ષેત્રમાં તીવ્ર સંશોધનનો વિષય છે. ડેટા સેટ્સની વધતી જતી સંખ્યાને કારણે મશીન લર્નિંગ પદ્ધતિઓની જરૂર છે. આ કાગળમાં, અમે એક ઊંડા શિક્ષણ મોડેલ રજૂ કરીએ છીએ જે કોઈ પણ પૂર્વ જ્ઞાનનો ઉપયોગ કર્યા વિના માનવ પ્રવૃત્તિઓનું વર્ગીકરણ કરવાનું શીખે છે. આ હેતુ માટે, ત્રણ વાસ્તવિક વિશ્વ સ્માર્ટ હોમ ડેટાસેટ્સ પર લાંબા ગાળાની ટૂંકા ગાળાની મેમરી (એલએસટીએમ) રિકરન્ટ ન્યુરલ નેટવર્ક લાગુ કરવામાં આવી હતી. આ પ્રયોગોના પરિણામો દર્શાવે છે કે પ્રસ્તાવિત અભિગમ ચોકસાઈ અને પ્રભાવની દ્રષ્ટિએ હાલના લોકો કરતાં વધુ સારી કામગીરી કરે છે. |
b31f0085b7dd24bdde1e5cec003589ce4bf4238c | ડોમેન અનુકૂલન (ડીએ) એ ટ્રાન્સફર લર્નિંગ છે જેનો ઉદ્દેશ સ્રોત અને લક્ષ્ય વચ્ચે ડેટા વિતરણ અસંગતતા હોવા છતાં સ્રોત ડેટામાંથી લક્ષ્ય ડેટા પર અસરકારક આગાહી શીખવાનો છે. અમે આ કાગળમાં ક્રોસ ડોમેન વિઝ્યુઅલ ઓળખ માટે એક નવલકથા અનસર્વેસ્ડ ડીએ પદ્ધતિ રજૂ કરીએ છીએ જે એકસાથે સૈદ્ધાંતિક રીતે સ્થાપિત ભૂલ બાઉન્ડના ત્રણ શરતોને શ્રેષ્ઠ બનાવે છે. ખાસ કરીને, સૂચિત ડીએ પદ્ધતિ પુનરાવર્તિત રીતે છુપાયેલા વહેંચાયેલ સુવિધા સબસ્પેસને શોધે છે જ્યાં સ્રોત ડોમેન અને લક્ષ્ય ડોમેન વચ્ચેના ડેટા વિતરણના અંતર માત્ર મોટા ભાગના રાજ્ય-ઓફ-ધ-આર્ટ ડીએ પદ્ધતિઓ તરીકે જ નહીં, પણ ભેદભાવપૂર્ણ શિક્ષણને સરળ બનાવવા માટે આંતર-વર્ગ અંતર પણ વધે છે. વધુમાં, સૂચિત ડીએ પદ્ધતિ વહેંચાયેલ સબસ્પેસમાં પ્રાપ્ત સુવિધાઓમાંથી વર્ગના લેબલ્સને ઓછી કરે છે જ્યારે સ્રોત ડેટા પરની આગાહીની ભૂલોને ઘટાડે છે અને સ્રોત અને લક્ષ્ય વચ્ચે લેબલ સુસંગતતાની ખાતરી કરે છે. નકારાત્મક જ્ઞાનના પ્રસારને વધુ ટાળવા માટે ડેટા આઉટલિવર્સ પણ ગણવામાં આવે છે. વ્યાપક પ્રયોગો અને ઊંડાણપૂર્વકના વિશ્લેષણ સૂચિત ડીએ પદ્ધતિની અસરકારકતાની ચકાસણી કરે છે જે પ્રમાણભૂત ડીએ બેંચમાર્ક પર સતત ડીએ પદ્ધતિઓ કરતાં વધુ સારી કામગીરી કરે છે, એટલે કે, 12 ક્રોસ ડોમેન ઇમેજ વર્ગીકરણ કાર્યો. |
b9bc9a32791dba1fc85bb9d4bfb9c52e6f052d2e | ઉચ્ચ પરિમાણીય રૂપરેખાંકન જગ્યાઓમાં સિંગલ-ક્વેરી પાથ પ્લાનિંગ સમસ્યાઓનું નિરાકરણ કરવા માટે એક સરળ અને કાર્યક્ષમ રેન્ડમાઇઝ્ડ અલ્ગોરિધમનો રજૂ કરવામાં આવ્યો છે. આ પદ્ધતિ બે રેપિડલી-એક્સપ્લોરિંગ રેન્ડમ ટ્રી (આરઆરટી) ને વધારીને કામ કરે છે જે પ્રારંભ અને ધ્યેય રૂપરેખાંકનોમાં મૂળ ધરાવે છે. વૃક્ષો દરેક તેમની આસપાસની જગ્યાનું અન્વેષણ કરે છે અને સરળ લોભી હેરીસ્ટિકના ઉપયોગ દ્વારા એકબીજા તરફ આગળ વધે છે. જોકે મૂળરૂપે માનવ હાથની ગતિની યોજના બનાવવા માટે ડિઝાઇન કરવામાં આવી હતી (જે 7-DOF ગતિશાસ્ત્રની સાંકળ તરીકે મોડેલ કરવામાં આવી હતી) અથડામણ મુક્ત પકડ અને મેનિપ્યુલેશન કાર્યોની સ્વચાલિત ગ્રાફિક એનિમેશન માટે, આ અલ્ગોરિધમનો વિવિધ પાથ આયોજન સમસ્યાઓ માટે સફળતાપૂર્વક લાગુ કરવામાં આવ્યો છે. ગણતરીના ઉદાહરણોમાં 2D અને 3D માં કઠોર પદાર્થો માટે અથડામણ મુક્ત ગતિ પેદા કરવી અને 3D વર્કસ્પેસમાં 6-DOF PUMA હાથ માટે અથડામણ મુક્ત મેનિપ્યુલેશન ગતિ શામેલ છે. કેટલાક મૂળભૂત સૈદ્ધાંતિક વિશ્લેષણ પણ રજૂ કરવામાં આવે છે. |
d967d9550f831a8b3f5cb00f8835a4c866da60ad | |
6a686b525a84a87ca3e4d90a6704da8588e84344 | આ સંદેશા એક ક્રમિક તબક્કાના ખોરાક નેટવર્કનો ઉપયોગ કરીને બ્રોડબેન્ડ પરિપત્રિક રીતે ધ્રુવીકૃત (સીપી) 2 × 2 પેચ એરે રજૂ કરે છે. ત્રણ ઓપરેટિંગ મોડ્સને જોડીને, અક્ષીય ગુણોત્તર (એઆર) અને ઇમ્પેડન્સ બેન્ડવિડ્થ બંનેને અગાઉ પ્રકાશિત ક્રમિક-ફીડ સિંગલ-લેયર પેચ એરેની તુલનામાં વિસ્તૃત અને વિશાળ કરવામાં આવે છે. આ ત્રણ સીપી ઓપરેટિંગ મોડ્સને ટ્યુન કરવામાં આવે છે અને પેચ તત્વોના ટંકશાળ ખૂણાઓ અને અનુક્રમિક તબક્કાના ખોરાક નેટવર્કને ઑપ્ટિમાઇઝ કરીને મેળ ખાતા હોય છે. પ્રાયોગિક રીતે ડિઝાઇનને માન્ય કરવા માટે સૂચિત પેચ એરેનો એક પ્રોટોટાઇપ બનાવવામાં આવ્યો છે. માપવામાં આવેલી -10-ડીબી ઇમ્પેડન્સ બેન્ડવિડ્થ 1.03 ગીગાહર્ટ્ઝ (5.20-6.23 ગીગાહર્ટ્ઝ) છે, અને માપવામાં આવેલી 3-ડીબી એઆર બેન્ડવિડ્થ 0.7 ગીગાહર્ટ્ઝ (5.25-5.95 ગીગાહર્ટ્ઝ) છે, અથવા 12.7% જે 5.5 ગીગાહર્ટ્ઝની કેન્દ્ર આવર્તનને અનુરૂપ છે. માપવામાં આવેલ પીક ગેઇન આશરે 12 ડીબીઆઇસી છે અને એઆર બેન્ડવિડ્થમાં ગેઇન વેરિએશન 3 ડીબીથી ઓછું છે. |
d97e3655f50ee9b679ac395b2637f6fa66af98c7 | ઊર્જા સંરક્ષણને પ્રોત્સાહન આપવા માટે એક વ્યૂહરચના તરીકે 30 વર્ષથી વધુ સમયથી પ્રતિસાદનો અભ્યાસ કરવામાં આવ્યો છે, જેમાં અભ્યાસો વ્યાપક રીતે અલગ અલગ પરિણામોની જાણ કરે છે. સાહિત્યની સમીક્ષાઓ સૂચવે છે કે પ્રતિસાદની અસરકારકતા તે કેવી રીતે અને કોને આપવામાં આવે છે તેના પર આધાર રાખે છે; તેમ છતાં, પ્રદાન કરેલા પ્રતિસાદના પ્રકાર અને અભ્યાસ પદ્ધતિ બંનેમાં વિવિધતાએ નિષ્કર્ષ કાઢવાનું મુશ્કેલ બનાવ્યું છે. વર્તમાન લેખમાં ભૂતકાળમાં થિયરીકલ અને પ્રયોગમૂલક સંશોધનનું વિશ્લેષણ કરવામાં આવ્યું છે, જેમાં પ્રતિક્રિયા અને પર્યાવરણલક્ષી વર્તણૂક બંનેને ધ્યાનમાં રાખીને ઉકેલાયેલા મુદ્દાઓની ઓળખ કરવામાં આવી છે. આ સાથે, ઊર્જાના ઉપયોગ વિશે પ્રતિક્રિયા ક્યારે અને કેવી રીતે સૌથી વધુ અસરકારક છે તે અંગેની પૂર્વધારણાઓની તપાસ કરવા માટે 1976 અને 2010 વચ્ચે પ્રકાશિત 42 પ્રતિક્રિયા અભ્યાસોના મેટા-વિશ્લેષણનો ઉપયોગ કરવામાં આવ્યો છે. પરિણામો સૂચવે છે કે પ્રતિસાદ એકંદરે અસરકારક છે, આર = . 071, પી < . 001, પરંતુ અસરોમાં નોંધપાત્ર તફાવત સાથે (આર - -080 થી . 480 સુધી બદલાય છે). આ સંબંધને મધ્યમ કરવા માટે કેટલાક સારવાર ચલો મળી આવ્યા હતા, જેમાં આવર્તન, માધ્યમ, સરખામણી સંદેશ, સમયગાળો અને અન્ય હસ્તક્ષેપો (દા. ત. , ધ્યેય, પ્રોત્સાહન) સાથે સંયોજનનો સમાવેશ થાય છે. એકંદરે, પરિણામો ઊર્જા સંરક્ષણને પ્રોત્સાહન આપવા માટે આશાસ્પદ વ્યૂહરચના તરીકે પ્રતિક્રિયાના વધુ પુરાવા પૂરા પાડે છે અને સૂચવે છે કે ભવિષ્યના સંશોધનોમાં કેવી રીતે અને કોના માટે પ્રતિક્રિયા સૌથી વધુ અસરકારક છે તે શોધવા માટે ધ્યાન કેન્દ્રિત કરવું જોઈએ. |
697754f7e62236f6a2a069134cbc62e3138ac89f | |
ee654db227dcb7b39d26bec7cc06e2b43b525826 | |
54e7e6348fc8eb27dd6c34e0afbe8881eeb0debd | વિજ્ઞાન, કલા અને સંસ્કૃતિની સીમાઓથી આગળ વધતા, સામગ્રી આધારિત મલ્ટીમીડિયા માહિતી પુનઃપ્રાપ્તિ સમગ્ર વિશ્વમાં મીડિયાની અસંખ્ય વિવિધતા દ્વારા શોધ માટે નવા દાખલાઓ અને પદ્ધતિઓ પ્રદાન કરે છે. આ સર્વેક્ષણમાં કન્ટેન્ટ-આધારિત મલ્ટીમીડિયા માહિતી પુનઃપ્રાપ્તિ પર 100+ તાજેતરના લેખોની સમીક્ષા કરવામાં આવી છે અને વર્તમાન સંશોધન દિશામાં તેમની ભૂમિકાની ચર્ચા કરવામાં આવી છે જેમાં બ્રાઉઝિંગ અને શોધ પેરાડિગમ્સ, વપરાશકર્તા અભ્યાસો, લાગણીશીલ કમ્પ્યુટિંગ, શિક્ષણ, સિમેન્ટીક ક્વેરીઝ, નવી સુવિધાઓ અને મીડિયા પ્રકારો, ઉચ્ચ પ્રદર્શન અનુક્રમણિકા અને મૂલ્યાંકન તકનીકોનો સમાવેશ થાય છે. વર્તમાન તકનીકી સ્થિતિના આધારે, અમે ભવિષ્ય માટે મુખ્ય પડકારોની ચર્ચા કરીએ છીએ. |
2902e0a4b12cf8269bb32ef6a4ebb3f054cd087e | કાર્ય-સંબંધિત ગાણિતિક મોડેલને શ્રેષ્ઠ બનાવવું એ આંકડાકીય અને શિક્ષણ ક્ષેત્રોમાં સૌથી મૂળભૂત પદ્ધતિઓ પૈકી એક છે. જો કે, સામાન્ય રીતે રચાયેલ યોજનાકીય પુનરાવર્તનો વાસ્તવિક દુનિયાની એપ્લિકેશન્સમાં જટિલ ડેટા વિતરણની તપાસ કરવા માટે મુશ્કેલ હોઈ શકે છે. તાજેતરમાં, તાલીમ ઊંડા પ્રસાર (એટલે કે, નેટવર્ક્સ) કેટલાક ચોક્કસ કાર્યોમાં આશાસ્પદ પ્રદર્શન મેળવ્યું છે. દુર્ભાગ્યવશ, હાલના નેટવર્ક ઘણીવાર હ્યુરિસ્ટિક રીતે બનાવવામાં આવે છે, તેથી સિદ્ધાંત આધારિત અર્થઘટનો અને નક્કર સૈદ્ધાંતિક સમર્થનની અભાવ છે. આ કાર્યમાં, અમે આ વિવિધ પદ્ધતિઓ (એટલે કે, મોડેલ ઑપ્ટિમાઇઝેશન અને ઊંડા પ્રસાર) વચ્ચેના અંતરને દૂર કરવા માટે પ્રચાર અને ઑપ્ટિમાઇઝેશન આધારિત ડીપ મોડેલ (પીઓડીએમ) નામના નવા નમૂનાને પ્રદાન કરીએ છીએ. એક તરફ, અમે મોડેલ ઑપ્ટિમાઇઝેશન માટે ઊંડે પ્રશિક્ષિત સોલ્વર તરીકે PODM નો ઉપયોગ કરીએ છીએ. આ હાલના નેટવર્ક આધારિત પુનરાવર્તનોથી અલગ, જેમાં ઘણી વખત સૈદ્ધાંતિક તપાસનો અભાવ હોય છે, અમે પડકારરૂપ બિન-સંકુચિત અને બિન-સુંવાળી દૃશ્યોમાં પીઓડીએમ માટે કડક સંકલન વિશ્લેષણ પ્રદાન કરીએ છીએ. બીજી તરફ, મોડેલની મર્યાદાઓને હળવી કરીને અને અંતથી અંત સુધીની તાલીમ આપીને, અમે ડોમેન જ્ઞાન (મોડેલ તરીકે ઘડવામાં આવેલ) અને વાસ્તવિક ડેટા વિતરણ (નેટવર્ક્સ દ્વારા શીખ્યા) ને સંકલિત કરવા માટે પીઓડીએમ આધારિત વ્યૂહરચના પણ વિકસાવીએ છીએ, પરિણામે વાસ્તવિક વિશ્વની પડકારરૂપ એપ્લિકેશનો માટે એક સામાન્ય એસેમ્બલી ફ્રેમવર્ક છે. વ્યાપક પ્રયોગો અમારા સૈદ્ધાંતિક પરિણામોની ચકાસણી કરે છે અને આ રાજ્ય-ઓફ-ધ-આર્ટ અભિગમો સામે પીઓડીએમની શ્રેષ્ઠતા દર્શાવે છે. |
5dca5aa024f513801a53d9738161b8a01730d395 | અજ્ઞાત વાતાવરણનો નકશો બનાવવો અને તે નકશાનો ઉપયોગ નેવિગેટ કરવા માટે કરવો એ મોબાઇલ રોબોટિક્સ સંશોધનમાં એક મુખ્ય સમસ્યા છે. આ કાગળ સોનારનો ઉપયોગ કરીને અનુકૂલનશીલ રીતે સમવર્તી મેપિંગ અને સ્થાનિકીકરણ (સીએમએલ) કેવી રીતે કરવું તે સમસ્યાને સંબોધિત કરે છે. સ્ટોકાસ્ટિક મેપિંગ એ સીએમએલનો એક લક્ષણ-આધારિત અભિગમ છે જે વિસ્તૃત કલ્મન ઇટરને વાહનોના સ્થાન અને પર્યાવરણીય મેપિંગને સમાવવા માટે સામાન્ય બનાવે છે. અમે સ્ટોકાસ્ટિક મેપિંગના અમલીકરણનું વર્ણન કરીએ છીએ જે નકશામાં નવી સુવિધાઓને પ્રારંભ કરવા, નકશા સુવિધાઓ સાથે મેચ માપન કરવા અને જૂની સુવિધાઓને કાઢી નાખવા માટે વિલંબિત નજીકના પાડોશી ડેટા એસોસિએશન વ્યૂહરચનાનો ઉપયોગ કરે છે. અમે અનુકૂલનશીલ સેન્સિંગ માટે એક મેટ્રિક રજૂ કરીએ છીએ જે ફિશર માહિતીના સંદર્ભમાં વ્યાખ્યાયિત છે અને નકશામાં વાહન અને સુવિધાના અંદાજોની ભૂલ અક્ષાંશોના ક્ષેત્રોનો સરવાળો રજૂ કરે છે. રોબોટની દરેક સંભવિત ક્રિયા માટે મેટ્રિકનો અંદાજ કાઢવા માટે સેન્સર રીડિંગ્સ અને અપેક્ષિત ડેડ-રીડિંગ ભૂલોનો ઉપયોગ કરવામાં આવે છે, અને ક્રિયા જે સૌથી ઓછી કિંમત (એટલે કે, મહત્તમ માહિતી) આપે છે તે પસંદ કરવામાં આવે છે. આ ટેકનિકને સિમ્યુલેશન, હવામાં સોનાર પ્રયોગો અને પાણીની અંદર સોનાર પ્રયોગો દ્વારા દર્શાવવામાં આવે છે. પરિણામો બતાવવામાં આવે છે 1) ગતિના અનુકૂલનશીલ નિયંત્રણ અને 2) ગતિના અનુકૂલનશીલ નિયંત્રણ અને સ્કેનિંગ. વાહન પર્યાવરણમાં પસંદગીપૂર્વક વિવિધ પદાર્થોની શોધ કરે છે. આ અનુકૂલનશીલ અલ્ગોરિધમનો પ્રદર્શન સીધી રેખા ગતિ અને રેન્ડમ ગતિ કરતાં વધુ સારી હોવાનું દર્શાવવામાં આવ્યું છે. |
5eb1e4bb87b0d99d62f171f1eede90c98bf266ab | વાયરલેસ પાવર ટ્રાન્સફર એ વાયરલેસ સેન્સર નેટવર્કમાં ઊર્જાની સમસ્યાઓને મૂળભૂત રીતે ઉકેલવા માટે એક આશાસ્પદ તકનીક છે. આવી ટેકનોલોજીને અસરકારક રીતે કામ કરવા માટે, નેટવર્કની અંદર મુસાફરી કરવા માટે ચાર્જર વહન કરવા માટે વાહનની જરૂર છે. બીજી તરફ, એ વાત સારી રીતે માન્ય છે કે સ્થિર કરતાં મોબાઇલ બેઝ સ્ટેશન નોંધપાત્ર લાભ આપે છે. આ કાગળમાં, અમે વાયરલેસ ચાર્જિંગ વાહન પર મોબાઇલ બેઝ સ્ટેશનને સહ-સ્થિત કરવાની એક રસપ્રદ સમસ્યાની તપાસ કરીએ છીએ. અમે એક ઓપ્ટિમાઇઝેશન સમસ્યાનો અભ્યાસ કરીએ છીએ જે સંયુક્ત રીતે મુસાફરીના માર્ગ, સ્ટોપ પોઇન્ટ, ચાર્જિંગ શેડ્યૂલ અને ફ્લો રૂટીંગને ઑપ્ટિમાઇઝ કરે છે. અમારું અભ્યાસ બે તબક્કામાં કરવામાં આવે છે. પ્રથમ, અમે એક આદર્શ સમસ્યાનો અભ્યાસ કરીએ છીએ જે શૂન્ય મુસાફરી સમય ધારે છે, અને આ આદર્શ સમસ્યા માટે સાબિતીથી નજીકના શ્રેષ્ઠ ઉકેલ વિકસાવે છે. બીજા પગલામાં, અમે બતાવીએ છીએ કે કેવી રીતે બિન-શૂન્ય મુસાફરી સમય સાથે વ્યવહારુ ઉકેલ વિકસાવવો અને આ ઉકેલ અને મૂળ સમસ્યાના અજ્ઞાત શ્રેષ્ઠ ઉકેલ વચ્ચેના પ્રદર્શન અંતરને માપવા. |
229547ed3312ee6195104cdec7ce47578f92c2c6 | આ કાગળમાં એ વાતની તપાસ કરવામાં આવી છે કે કેવી રીતે કંપનીઓની ગતિશીલ ક્ષમતાઓ ઉદ્યોગમાં વિવિધ કંપનીઓની કામગીરીના ઉદભવને સમજાવી શકે છે. વ્યૂહાત્મક અને સંગઠનાત્મક સિદ્ધાંત બંનેમાંથી આંતરદૃષ્ટિને સંશ્લેષણ કરીને, ગતિશીલ ક્ષમતાઓના ચાર પ્રભાવ-સંબંધિત લક્ષણો સૂચવવામાં આવે છેઃ ગતિશીલ ક્ષમતા જમાવટનો સમય, વૈકલ્પિક સંસાધન રૂપરેખાંકનોની શોધના ભાગરૂપે નકલ, ગતિશીલ ક્ષમતા જમાવટનો ખર્ચ, અને ગતિશીલ ક્ષમતાઓ જમાવવાનું શીખવું. સૈદ્ધાંતિક દરખાસ્તો વિકસિત કરવામાં આવે છે જે સૂચવે છે કે કેવી રીતે આ લક્ષણો વિભેદક ફર્મ પ્રદર્શનના ઉદભવમાં ફાળો આપે છે. એક ઔપચારિક મોડલ રજૂ કરવામાં આવ્યું છે જેમાં ગતિશીલ ક્ષમતાને રૂટિનના સમૂહ તરીકે મોડેલ કરવામાં આવે છે જે પરિવર્તનની કંપનીની ઉત્ક્રાંતિ પ્રક્રિયાઓનું માર્ગદર્શન આપે છે. મોડેલનું સિમ્યુલેશન ગતિશીલ ક્ષમતાના જમાવટ દ્વારા પરિવર્તનની પ્રક્રિયામાં સમજ આપે છે, અને સૈદ્ધાંતિક દરખાસ્તોના શુદ્ધિકરણને મંજૂરી આપે છે. આ અભ્યાસની એક રસપ્રદ શોધ એ છે કે જો ગતિશીલ ક્ષમતાઓ કંપનીઓ વચ્ચે સમાન હોય તો પણ, જો ગતિશીલ ક્ષમતાના જમાવટના ખર્ચ અને સમય કંપનીઓ વચ્ચે અલગ હોય તો કંપનીઓ વચ્ચે મજબૂત કામગીરી તફાવતો ઊભી થઈ શકે છે. |
b533b13910cc0de21054116715988783fbea87cc | આ દિવસોમાં ઈન્ટરનેટ દ્વારા જાહેર અને વ્યાપારી સેવાઓનો ઉપયોગ વધતો જાય છે, જેથી માહિતીની સુરક્ષા સમાજમાં વધુ મહત્વનો મુદ્દો બની જાય છે. બીજી રીતે, કેટલીક ડેટા માઇનિંગ તકનીકો પણ ઘૂસણખોરી શોધવામાં ફાળો આપે છે. ઘુસણખોરીની શોધ માટે ઉપયોગમાં લેવાતી કેટલીક ડેટા માઇનિંગ તકનીકોને બે વર્ગોમાં વર્ગીકૃત કરી શકાય છેઃ દુરુપયોગ ઘુસણખોરીની શોધ અને અસામાન્ય ઘુસણખોરીની શોધ. દુરુપયોગ હંમેશા જાણીતા હુમલાઓ અને હાનિકારક પ્રવૃત્તિઓનો ઉલ્લેખ કરે છે જે સિસ્ટમની જાણીતી સંવેદનશીલતાને શોષણ કરે છે. અસાધારણતાનો સામાન્ય રીતે અર્થ થાય છે સામાન્ય પ્રવૃત્તિ જે ઘૂસણખોરીને સૂચવી શકે છે. આ કાગળમાં, ઘુસણખોરીની શોધ માટે ડેટા માઇનિંગ તકનીકોનો ઉપયોગ કરીને 23 સંબંધિત કાગળોની તુલના કરવામાં આવી છે. અમારા કાર્યમાં ડેટા માઇનિંગ અને સોફ્ટ કમ્પ્યુટિંગ તકનીકો જેમ કે આર્ટિફિશિયલ ન્યુરલ નેટવર્ક (એએનએન), સપોર્ટ વેક્ટર મશીન (એસવીએમ) અને મલ્ટીવેરીએટ એડેપ્ટિવ રીગ્રેસન સ્પ્લિન (એમએઆરએસ) વગેરેનો સારાંશ આપવામાં આવ્યો છે. આ કાગળમાં આઇડીએસ ડેટા માઇનિંગ તકનીકો અને ઘુસણખોરીની શોધ માટે ઉપયોગમાં લેવાતા ટ્યુપલ્સ વચ્ચેની તુલના બતાવવામાં આવી છે. તે 23 સંબંધિત કાગળોમાં, 7 સંશોધન કાગળો એએનએનનો ઉપયોગ કરે છે અને 4 એસવીએમનો ઉપયોગ કરે છે, કારણ કે એએનએન અને એસવીએમ અન્ય મોડેલો અને માળખા કરતાં વધુ વિશ્વસનીય છે. આ ઉપરાંત, 8 સંશોધનો DARPA1998 ટુપલ્સનો ઉપયોગ કરે છે અને 13 સંશોધનો KDDCup1999 નો ઉપયોગ કરે છે, કારણ કે પ્રમાણભૂત ટુપલ્સ અન્ય કરતા વધુ વિશ્વસનીય છે. વર્તમાન સમયમાં ઘુસણખોરીની તપાસ માટે કોઈ શ્રેષ્ઠ મોડલ નથી. જો કે, આ કાગળમાં ઘૂસણખોરીની શોધ માટે ભવિષ્યના સંશોધન દિશાઓ શોધવી જોઈએ. કીવર્ડ્સ- ઘૂસણખોરી શોધ, ડેટા માઇનિંગ, એએનએન |
a69fd2ad66791ad9fa8722a3b2916092d0f37967 | વધુમાં, ઉદાહરણ શહેરી લેઆઉટ ટુકડાઓ મિશ્રણ કરવાની ક્ષમતા નવી કૃત્રિમ સામગ્રી પેદા કરવા માટે એક શક્તિશાળી માર્ગ પૂરો પાડે છે. અમે અમારી સિસ્ટમનું પ્રદર્શન શહેરી લેઆઉટ્સ બનાવીને કરીએ છીએ, જે વાસ્તવિક દુનિયાના શહેરોના ઉદાહરણના ટુકડાઓનો ઉપયોગ કરે છે, દરેક સેંકડોથી હજારો શહેરના બ્લોક્સ અને પાર્સલ્સથી લઇને. અમે ઉદાહરણ દ્વારા શહેરી લેઆઉટનું સંશ્લેષણ કરવા માટે એક ઇન્ટરેક્ટિવ સિસ્ટમ રજૂ કરીએ છીએ. અમારી પદ્ધતિ એક સાથે માળખું આધારિત સંશ્લેષણ અને છબી આધારિત સંશ્લેષણ બંને કરે છે જેથી એક સંપૂર્ણ શહેરી લેઆઉટ ઉત્પન્ન થાય જેમાં એક વિશ્વસનીય શેરી નેટવર્ક અને એર-વ્યુ ઇમેજરી હોય. અમારા અભિગમ વાસ્તવિક વિશ્વના શહેરી વિસ્તારોના માળખું અને છબી ડેટા અને સંશ્લેષણ અલ્ગોરિધમનોનો ઉપયોગ કરે છે, જે સરળતાથી અને ઉદાહરણ દ્વારા જટિલ લેઆઉટ્સને સરળતાથી અને ઇન્ટરેક્ટિવ રીતે પેદા કરવા માટે કેટલાક ઉચ્ચ-સ્તરની કામગીરી પૂરી પાડે છે. વપરાશકર્તા નીચા સ્તરની માળખાકીય વિગતો વિશે ચિંતા કર્યા વિના જોડાવા, વિસ્તૃત કરવા અને મિશ્રણ જેવા ઓપરેશન્સના ક્રમ દ્વારા નવા શહેરી લેઆઉટ્સ બનાવી શકે છે. |
9b8be6c3ebd7a79975067214e5eaea05d4ac2384 | અમે બતાવીએ છીએ કે ઢાળ વંશ સ્થાનિક લઘુત્તમકર્તામાં સંલગ્ન થાય છે, લગભગ ચોક્કસપણે રેન્ડમ પ્રારંભિક સાથે. આને ગતિશીલ પ્રણાલી સિદ્ધાંતમાંથી સ્થિર બહુવચન પ્રમેય લાગુ કરીને સાબિત કરવામાં આવે છે. |
75235e03ac0ec643e8a784f432e6d1567eea81b7 | છેલ્લા એક દાયકામાં સંશોધનના રસનું કેન્દ્ર બિંદુ ખાણકામ ડેટા સ્ટ્રીમ્સ છે. હાર્ડવેર અને સોફ્ટવેર એડવાન્સિસ દ્વારા સંશોધનના આ ક્ષેત્રના મહત્વમાં યોગદાન આપ્યું છે, જે ડેટા જનરેશનને પહેલાં કરતાં વધુ ઝડપી રજૂ કરે છે. આ ઝડપથી પેદા થતા ડેટાને ડેટા સ્ટ્રીમ્સ તરીકે ઓળખવામાં આવે છે. ક્રેડિટ કાર્ડ વ્યવહારો, ગૂગલ શોધ, શહેરમાં ફોન કોલ્સ અને અન્ય ઘણા લોકો લાક્ષણિક ડેટા સ્ટ્રીમ્સ છે. ઘણી મહત્વપૂર્ણ એપ્લિકેશન્સમાં, આ સ્ટ્રીમિંગ ડેટાને રીઅલ ટાઇમમાં વિશ્લેષણ કરવું અનિવાર્ય છે. પરંપરાગત ડેટા માઇનિંગ તકનીકો ડેટા સ્ટ્રીમ માઇનિંગની જરૂરિયાતોને પહોંચી વળવા માટે નિષ્ફળ રહી છે. રેન્ડમાઇઝેશન, અંદાજ અને અનુકૂલનનો ઉપયોગ નવી તકનીકો વિકસાવવા અથવા બહાર નીકળતા લોકોનો ઉપયોગ કરવા માટે સ્ટ્રીમિંગ પર્યાવરણમાં કાર્ય કરવા માટે કરવામાં આવે છે. આ કાગળમાં ડેટા સ્ટ્રીમ માઇનિંગના ક્ષેત્રમાં મુખ્ય લક્ષ્યો અને કલાની સ્થિતિની સમીક્ષા કરવામાં આવી છે. ભવિષ્યની સમજ પણ રજૂ કરવામાં આવે છે. સી © 2011 વિલી પિરિઓડિકલ્સ, ઇન્ક. |
2327ad6f237b37150e84f0d745a05565ebf0b24d | બિટકોઇન એ પ્રથમ ડિજિટલ ચલણ છે જે વ્યાપકપણે અપનાવવામાં આવ્યું છે. જ્યારે પેસૂડોનીમ વચ્ચે ચૂકવણી કરવામાં આવે છે, ત્યારે બિટકોઇન મજબૂત ગોપનીયતા બાંયધરીઓ આપી શકતું નથીઃ ચુકવણી વ્યવહારો જાહેર વિકેન્દ્રિત ખાતાવહીમાં નોંધાયેલા છે, જેમાંથી ઘણી માહિતી કા beી શકાય છે. ઝીરો સિક્કો (મીર્સ અને અન્ય, આઇઇઇઇ એસ એન્ડ પી 2013) ચુકવણીની ઉત્પત્તિથી વ્યવહારોને અનલિંક કરીને આમાંના કેટલાક ગોપનીયતા મુદ્દાઓને સંબોધિત કરે છે. તેમ છતાં, તે હજુ પણ ચૂકવણીના લક્ષ્યો અને રકમોને જાહેર કરે છે, અને કાર્યક્ષમતામાં મર્યાદિત છે. આ કાગળમાં, અમે મજબૂત ગોપનીયતા બાંયધરીઓ સાથે સંપૂર્ણ લેડર આધારિત ડિજિટલ ચલણનું નિર્માણ કરીએ છીએ. અમારા પરિણામો શૂન્ય-જ્ઞાનના સંક્ષિપ્ત બિન-ઇન્ટરેક્ટિવ દલીલો (ઝેક-એસએનઆરકે) માં તાજેતરના પ્રગતિને વેગ આપે છે. પ્રથમ, અમે વિકેન્દ્રિત અનામી ચુકવણી યોજનાઓ (ડીએપી યોજનાઓ) ની રચના અને નિર્માણ કરીએ છીએ. ડીએપી યોજના વપરાશકર્તાઓને ખાનગી રીતે સીધા જ એકબીજાને ચૂકવણી કરવાની મંજૂરી આપે છેઃ અનુરૂપ વ્યવહાર ચુકવણીની ઉત્પત્તિ, લક્ષ્યસ્થાન અને સ્થાનાંતરિત રકમ છુપાવે છે. અમે બાંધકામની સુરક્ષાની ઔપચારિક વ્યાખ્યાઓ અને પુરાવાઓ પ્રદાન કરીએ છીએ. બીજું, અમે ઝીરો કેશ બનાવીએ છીએ, અમારા ડીએપી યોજનાના નિર્માણનું વ્યવહારુ ઉદાહરણ. ઝીરો કેશમાં, વ્યવહારો 1 કેબી કરતા ઓછા હોય છે અને ચકાસવા માટે 6 એમએસ કરતા ઓછા સમય લાગે છે - ઓછા અનામિક ઝીરો સિક્કા કરતાં વધુ કાર્યક્ષમ અને સાદા બીટ સિક્કા સાથે સ્પર્ધાત્મક. |
3d08280ae82c2044c8dcc66d2be5a72c738e9cf9 | હું એક વર્ણસંકર મેટ્રિક્સ પરિબળ મોડેલ રજૂ વપરાશકર્તાઓ અને વસ્તુઓ તેમના સામગ્રી લક્ષણો ગુપ્ત પરિબળો રેખીય સંયોજનો તરીકે રજૂ કરે છે. આ મોડેલ કોલ્ડ-સ્ટાર્ટ અથવા સ્પાઇસ ઇન્ટરેક્શન ડેટા દૃશ્યોમાં (વપરાશકર્તા અને આઇટમ મેટાડેટા બંનેનો ઉપયોગ કરીને) સહયોગી અને સામગ્રી આધારિત મોડેલો બંનેને વટાવી દે છે, અને ઓછામાં ઓછા એક શુદ્ધ સહયોગી મેટ્રિક્સ ફેક્ટરીકરણ મોડેલ તરીકે પણ કરે છે જ્યાં ક્રિયાપ્રતિક્રિયા ડેટા પુષ્કળ છે. વધુમાં, મોડેલ દ્વારા ઉત્પાદિત ફીચર એમ્બેડિંગ્સ શબ્દ એમ્બેડિંગ અભિગમોની યાદ અપાવે છે તે રીતે સિમેન્ટીક માહિતીને એન્કોડ કરે છે, જે તેમને ટેગ ભલામણો જેવી સંબંધિત કાર્યોની શ્રેણી માટે ઉપયોગી બનાવે છે. |
25d1a2c364b05e0db056846ec397fbf0eacdca5c | મેટ્રિક્સ ફેક્ટરીઝેશન આધારિત પદ્ધતિઓ દ્વિપક્ષીય ડેટા વિશ્લેષણમાં લોકપ્રિય બની છે, જ્યાં એક મૂળભૂત સમસ્યા, ઉદાહરણ તરીકે, શબ્દ-દસ્તાવેજ મેટ્રિક્સ આપવામાં આવેલ દસ્તાવેજ ક્લસ્ટરીંગ અથવા સહ-ક્લસ્ટરીંગ શબ્દો અને દસ્તાવેજો કરવા માટે છે. બિન-નકારાત્મક મેટ્રિક્સ ત્રિ-પરિભાષક (એનએમટીએફ) કો-ક્લસ્ટરીંગ માટે એક આશાસ્પદ સાધન તરીકે ઉભરી આવે છે, જેમાં તમામ પરિબળ મેટ્રિક્સ બિન-નકારાત્મક હોવા માટે પ્રતિબંધિત છે, એટલે કે, યુ પી 0; એસ પી 0; વી પી 0: આ કાગળમાં અમે ઓર્થોગોનલ એનએમટીએફ માટે ગુણાકાર અપડેટ્સ વિકસાવીએ છીએ જ્યાં એક્સ યુએસવીને ઓર્થોગોનાલિટી પ્રતિબંધો, યુયુ 1⁄4 આઇ; અને વીવી 1⁄4 આઇ સાથે અનુસરવામાં આવે છે, સ્ટીફેલ મૅનિફોલ્ડ્સ પર સાચા ઢાળનો ઉપયોગ કરીને. વિવિધ દસ્તાવેજ ડેટા સેટ્સ પરના પ્રયોગો દર્શાવે છે કે અમારી પદ્ધતિ દસ્તાવેજ ક્લસ્ટરીંગ માટે સારી રીતે કામ કરે છે અને શબ્દો અને દસ્તાવેજોના સહ-ક્લસ્ટરીંગ દ્વારા બહુવિધ શબ્દોને જાહેર કરવામાં ઉપયોગી છે. 2010 એલ્સેવીયર લિ. બધા અધિકારો અનામત છે. |
461ac81b6ce10d48a6c342e64c59f86d7566fa68 | આ પ્રકાશનમાં એવા પ્રકાશન લેખો છે જેના માટે IEEE પાસે કૉપિરાઇટ નથી. આ લેખો માટે IEEE Xplore પર સંપૂર્ણ લખાણ ઉપલબ્ધ નથી. |
c03fb606432af6637d9d7d31f447e62a855b77a0 | જોકે એવા પુરાવા છે કે શૈક્ષણિક રીતે સફળ વિદ્યાર્થીઓ તેમના અભ્યાસમાં વ્યસ્ત છે, વિદ્યાર્થીની સંડોવણીને સ્પષ્ટ રીતે વ્યાખ્યાયિત કરવું મુશ્કેલ છે. વિદ્યાર્થીઓની સંડોવણીને સામાન્ય રીતે બે પરિમાણો, સામાજિક અને શૈક્ષણિક તરીકે સમજવામાં આવે છે. સોશિયલ મીડિયા અને ડિજિટલ ટેકનોલોજીનો ઝડપથી ઉપયોગ થવાથી વિદ્યાર્થીઓની સંલગ્નતા વધારવા માટે તેનો ઉપયોગ કરવામાં રસ વધ્યો છે. આ પેપરમાં પ્રથમ વર્ષના મનોવિજ્ઞાનના વિદ્યાર્થીઓમાં ફેસબુકના ઉપયોગની તપાસ કરવામાં આવી છે અને અહેવાલ આપવામાં આવ્યો છે કે મોટાભાગના વિદ્યાર્થીઓ (94%) પાસે ફેસબુક એકાઉન્ટ્સ છે અને દરરોજ સરેરાશ એક કલાક ફેસબુક પર વિતાવે છે, તેમ છતાં તેનો ઉપયોગ મુખ્યત્વે સામાજિક હોવાનું જાણવા મળ્યું છે. વ્યક્તિત્વના પરિબળોએ ઉપયોગના દાખલાઓને પ્રભાવિત કર્યા, વધુ પ્રમાણિક વિદ્યાર્થીઓ ઓછા પ્રમાણિક વિદ્યાર્થીઓ કરતાં ફેસબુકનો ઉપયોગ કરતા હતા. આ કાગળ એવી દલીલ કરે છે કે, શૈક્ષણિક સગાઈને વધારવા માટે સામાજિક સગાઈને પ્રોત્સાહન આપવાને બદલે, એવું લાગે છે કે ફેસબુક વિક્ષેપકારક પ્રભાવ તરીકે કાર્ય કરે છે. |
171071069cb3b58cfe8e38232c25bfa99f1fbdf5 | સોશિયલ નેટવર્કિંગ સાઇટ્સથી પોતાને રજૂ કરવાની એક નવી રીત મળી છે. આ સાયબર સોશિયલ સાધન વ્યક્તિત્વ અને ઓળખની તપાસ માટે વિશ્લેષણની નવી સાઇટ પ્રદાન કરે છે. વર્તમાન અભ્યાસમાં તપાસ કરવામાં આવી છે કે કેવી રીતે નાર્સિસીઝમ અને આત્મસન્માન સામાજિક નેટવર્કિંગ વેબસાઇટ ફેસબુક પર પ્રગટ થાય છે . યૉર્ક યુનિવર્સિટીમાં 100 ફેસબુક વપરાશકર્તાઓ પાસેથી આત્મસન્માન અને નાર્સીસિસ્ટિક વ્યક્તિત્વ સ્વ-અહેવાલો એકત્રિત કરવામાં આવી હતી. સહભાગી વેબ પૃષ્ઠોને સ્વ-પ્રમોશનલ સામગ્રી સુવિધાઓના આધારે કોડેડ કરવામાં આવ્યા હતા. સહસંબંધ વિશ્લેષણમાં જાણવા મળ્યું છે કે નાર્સિસીઝમમાં ઉચ્ચ અને આત્મસન્માનમાં નીચલા વ્યક્તિઓ વધુ ઓનલાઇન પ્રવૃત્તિ સાથે સંકળાયેલા હતા તેમજ કેટલીક સ્વ-પ્રમોશનલ સામગ્રી. જાતિના તફાવતો વ્યક્તિગત ફેસબુક વપરાશકર્તાઓ દ્વારા પ્રસ્તુત સ્વ-પ્રમોશનલ સામગ્રીના પ્રકારને પ્રભાવિત કરે છે. સોશિયલ નેટવર્કિંગ વેબ સાઇટ્સ પર નાર્સિસીઝમ અને આત્મસન્માનના સૂચિતાર્થો અને ભાવિ સંશોધન દિશાઓ પર ચર્ચા કરવામાં આવે છે. |
5e30227914559ce088a750885761adbb7d2edbbf | સોશિયલ નેટવર્કિંગમાં જોડાવા માટે કિશોરો વ્યક્તિગત માહિતી આપવાની સ્વતંત્રતા આપશે. ત્યારબાદ, જ્યારે તેમના માતાપિતા તેમના જર્નલો વાંચે છે ત્યારે તેઓ આશ્ચર્યચકિત થાય છે. યુવાનો દ્વારા ઓનલાઇન પોસ્ટ કરવામાં આવેલી વ્યક્તિગત માહિતીથી સમુદાયો આક્રોશિત છે અને કોલેજો કેમ્પસ અને બહાર વિદ્યાર્થીઓની પ્રવૃત્તિઓ પર નજર રાખે છે. કિશોરો અને વિદ્યાર્થીઓ દ્વારા વ્યક્તિગત માહિતી પોસ્ટ કરવાથી પરિણામ આવે છે. આ લેખમાં, સોશિયલ નેટવર્કમાં ગોપનીયતા મુદ્દાઓ પર ઉશ્કેરાટની ચર્ચા કરવામાં આવશે, જેમાં ગોપનીયતા વિરોધાભાસ, ખાનગી વિરુદ્ધ જાહેર જગ્યા અને સોશિયલ નેટવર્કિંગ ગોપનીયતા મુદ્દાઓ વર્ણવવામાં આવશે. છેલ્લે પ્રાઇવસીના પ્રસ્તાવિત ઉકેલો અને પ્રાઇવસી વિરોધાભાસને ઉકેલવામાં મદદ કરવા માટે જે પગલાં લઈ શકાય છે તેની ચર્ચા કરવામાં આવશે. |
6c394f5eecc0371b43331b54ed118c8637b8b60d | બહુ-વિભાગીય પાવર ડિવાઇડરની એક નવીન ડિઝાઇન સૂત્ર વ્યાપક અલગતા પ્રદર્શન મેળવવા માટે ઉતરી આવે છે. આ રચના સૂત્ર સિંગલી ટર્મિનેટેડ ફિલ્ટર ડિઝાઇન થિયરી પર આધારિત છે. આ કાગળમાં પ્રસ્તાવિત ડિઝાઇન સૂત્રની માન્યતા દર્શાવવા માટે મલ્ટી-સેક્શન પાવર ડિવાઇડરના કેટલાક સિમ્યુલેશન અને પ્રાયોગિક પરિણામો રજૂ કરવામાં આવ્યા છે. પ્રયોગો બહુ-ઓક્ટેવ આઇસોલેશન લાક્ષણિકતા સાથે મલ્ટી-સેક્શન પાવર ડિવાઇડરની ઉત્તમ કામગીરી દર્શાવે છે. |
d12e3606d94050d382306761eb43b58c042ac390 | પ્લેસમેન્ટ પરીક્ષણોમાં વિદ્યાર્થીઓની સફળતા (અથવા નિષ્ફળતા) તરફ દોરી જતા પરિબળોને સમજવું એ એક રસપ્રદ અને પડકારરૂપ સમસ્યા છે. કેન્દ્રિય પ્લેસમેન્ટ પરીક્ષણો અને ભવિષ્યની શૈક્ષણિક સિદ્ધિઓને સંબંધિત ખ્યાલો માનવામાં આવે છે, પ્લેસમેન્ટ પરીક્ષણો પાછળના સફળતા પરિબળોનું વિશ્લેષણ શૈક્ષણિક સિદ્ધિને સમજવા અને સંભવિત રીતે સુધારવામાં મદદ કરી શકે છે. આ અભ્યાસમાં, તુર્કીમાં સેકન્ડરી એજ્યુકેશન ટ્રાન્ઝિશન સિસ્ટમમાંથી મોટા અને ફીચર-સમૃદ્ધ ડેટાસેટનો ઉપયોગ કરીને અમે માધ્યમિક શિક્ષણ પ્લેસમેન્ટ ટેસ્ટના પરિણામોની આગાહી કરવા માટે મોડેલો વિકસાવ્યા છે, અને તે આગાહી મોડેલો પર સંવેદનશીલતા વિશ્લેષણનો ઉપયોગ કરીને અમે સૌથી મહત્વપૂર્ણ આગાહી કરનારાઓને ઓળખ્યા છે. પરિણામો દર્શાવે છે કે C5 નિર્ણય વૃક્ષ અલ્ગોરિધમનો હોલ્ડ-આઉટ નમૂના પર 95% ચોકસાઈ સાથે શ્રેષ્ઠ આગાહી છે, ત્યારબાદ સહાયક વેક્ટર મશીનો (91% ચોકસાઈ સાથે) અને કૃત્રિમ ન્યુરલ નેટવર્ક્સ (89% ચોકસાઈ સાથે) છે. લોજિસ્ટિક રીગ્રેસન મોડલ્સ 82 ટકાની ચોકસાઈ સાથે ચારમાંથી સૌથી ઓછા સચોટ હોવાનું બહાર આવ્યું છે. સંવેદનશીલતા વિશ્લેષણથી જાણવા મળ્યું છે કે અગાઉના પરીક્ષણનો અનુભવ, વિદ્યાર્થીને શિષ્યવૃત્તિ છે કે નહીં, વિદ્યાર્થીના ભાઈ-બહેનોની સંખ્યા, અગાઉના વર્ષોમાં ગ્રેડ પોઇન્ટ સરેરાશ એ પ્લેસમેન્ટ ટેસ્ટના સ્કોર્સના સૌથી મહત્વપૂર્ણ આગાહી કરનારાઓમાં છે. 2012 એલ્સેવીયર લિ. બધા અધિકારો અનામત છે. |
75859ac30f5444f0d9acfeff618444ae280d661d | મલ્ટીબાયોમેટ્રિક સિસ્ટમોને મોટા પાયે બાયોમેટ્રિક એપ્લિકેશન્સ (દા. ત. એફબીઆઇ-આઇએએફઆઈએસ, ભારતમાં યુઆઈડીએઆઈ સિસ્ટમ) માં વધુને વધુ ઉપયોગમાં લેવામાં આવી રહી છે કારણ કે તેમાં યુનિબાયોમેટ્રિક સિસ્ટમ્સની તુલનામાં ઓછા ભૂલ દર અને મોટા પાયે વસ્તી કવરેજ જેવા કેટલાક ફાયદા છે. જો કે, મલ્ટીબાયોમેટ્રિક સિસ્ટમ્સને દરેક વપરાશકર્તા માટે બહુવિધ બાયોમેટ્રિક નમૂનાઓ (દા. ત. , ફિંગરપ્રિન્ટ, આઇરિસ અને ચહેરો) ના સંગ્રહની જરૂર છે, જે વપરાશકર્તાની ગોપનીયતા અને સિસ્ટમ સુરક્ષા માટે જોખમ વધારે છે. વ્યક્તિગત નમૂનાઓને સુરક્ષિત કરવાની એક પદ્ધતિ એ છે કે બાયોમેટ્રિક ક્રિપ્ટોસિસ્ટમનો ઉપયોગ કરીને અનુરૂપ નમૂનામાંથી પેદા થયેલ સુરક્ષિત સ્કેચને જ સંગ્રહિત કરવું. આ માટે બહુવિધ સ્કેચની સંગ્રહની જરૂર છે. આ કાગળમાં, અમે એક જ સુરક્ષિત સ્કેચ તરીકે વપરાશકર્તાના બહુવિધ નમૂનાઓને એક સાથે સુરક્ષિત કરવા માટે સુવિધા-સ્તરનું સંમિશ્રણ માળખું પ્રસ્તાવિત કરીએ છીએ. અમારા મુખ્ય યોગદાનમાં નીચેનાનો સમાવેશ થાય છેઃ (1) બે જાણીતા બાયોમેટ્રિક ક્રિપ્ટોસિસ્ટમ્સ, એટલે કે, અસ્પષ્ટ તિજોરી અને અસ્પષ્ટ પ્રતિબદ્ધતાનો ઉપયોગ કરીને પ્રસ્તાવિત સુવિધા-સ્તર ફ્યુઝન ફ્રેમવર્કનું વ્યવહારુ અમલીકરણ અને (2) બે અલગ અલગ ડેટાબેઝ (એક વાસ્તવિક અને એક વર્ચ્યુઅલ મલ્ટીમોડલ ડેટાબેઝ) પર આધારિત પ્રસ્તાવિત મલ્ટીબાયોમેટ્રિક ક્રિપ્ટોસિસ્ટમ્સમાં મેચિંગ ચોકસાઈ અને સુરક્ષા વચ્ચેના વેપાર-બંધનું વિગતવાર વિશ્લેષણ, જેમાં દરેક ત્રણ સૌથી લોકપ્રિય બાયોમેટ્રિક મોડલ્સ, એટલે કે, ફિંગરપ્રિન્ટ, આઇરિસ અને ચહેરો છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે અહીં પ્રસ્તાવિત બંને મલ્ટીબાયોમેટ્રિક ક્રિપ્ટોસિસ્ટમ્સ તેમની યુનિબાયોમેટ્રિક સમકક્ષોની તુલનામાં ઉચ્ચ સુરક્ષા અને મેચિંગ પ્રદર્શન ધરાવે છે. |
98e03d35857f66c34fa79f3ea0dd2b4e3b670044 | |
65227ddbbd12015ba8a45a81122b1fa540e79890 | વેબ પેજનું મહત્વ સ્વાભાવિક રીતે એક વ્યક્તિલક્ષી બાબત છે, જે વાચકોના હિતો, જ્ઞાન અને વલણ પર આધાર રાખે છે. પરંતુ વેબ પેજનું મહત્વ હજુ પણ ઘણું છે. આ પેપરમાં પેજરેન્કનું વર્ણન કરવામાં આવ્યું છે, જે વેબ પેજને ઉદ્દેશ્યપૂર્વક અને યાંત્રિક રીતે રેટિંગ આપવાની એક પદ્ધતિ છે, જે અસરકારક રીતે માનવ રસ અને ધ્યાનને માપવા માટે છે. અમે પેજરેન્કને એક આદર્શ રેન્ડમ વેબ સર્ફર સાથે સરખાવીએ છીએ. અમે બતાવીએ છીએ કે મોટી સંખ્યામાં પૃષ્ઠો માટે પેજરેન્કની ગણતરી કેવી રીતે કરવી. અને, અમે બતાવીએ છીએ કે કેવી રીતે પેજરેન્કને શોધ અને વપરાશકર્તા નેવિગેશનમાં લાગુ કરવું. |
0a202f1dfc6991a6a204eaa5e6b46d6223a4d98a | કોઈ પણ લક્ષણ આધારિત દ્રષ્ટિ પ્રણાલી કામ કરી શકે નહીં જ્યાં સુધી સારી સુવિધાઓ ઓળખવામાં અને ફ્રેમથી ફ્રેમ સુધી ટ્રેક કરી શકાતી નથી. જોકે ટ્રેકિંગ પોતે મોટે ભાગે એક ઉકેલી સમસ્યા છે, તે સુવિધાઓ પસંદ કરી રહ્યા છે જે સારી રીતે ટ્રેક કરી શકાય છે અને વિશ્વમાં ભૌતિક બિંદુઓને અનુરૂપ છે તે હજુ પણ મુશ્કેલ છે. અમે એક સુવિધા પસંદગી માપદંડ પ્રસ્તાવિત કરીએ છીએ જે બાંધકામ દ્વારા શ્રેષ્ઠ છે કારણ કે તે ટ્રેકર કેવી રીતે કાર્ય કરે છે તેના પર આધારિત છે, અને સુવિધા મોનિટરિંગ પદ્ધતિ જે ઓક્લુઝન, ડિસ્ક્લોઝર અને સુવિધાઓને શોધી શકે છે જે વિશ્વમાં પોઇન્ટ્સને અનુરૂપ નથી. આ પદ્ધતિઓ એક નવા ટ્રેકિંગ અલ્ગોરિધમનો પર આધારિત છે જે અગાઉના ન્યૂટન-રાફસન શૈલીની શોધ પદ્ધતિઓને વિસ્તૃત કરે છે જે નવી છબી પરિવર્તનો હેઠળ કામ કરે છે. અમે અનેક સિમ્યુલેશન અને પ્રયોગો સાથે કામગીરી પરીક્ષણ. |
4f640c1338840f3740187352531dfeca9381b5c3 | માઇનિંગ ક્રમિક પેટર્નનો મુદ્દો તાજેતરમાં [એએસ 95] માં રજૂ કરવામાં આવ્યો હતો. અમને ક્રમોનો ડેટાબેઝ આપવામાં આવે છે, જ્યાં દરેક ક્રમ વ્યવહાર-સમય દ્વારા ક્રમાંકિત વ્યવહારોની સૂચિ છે, અને દરેક વ્યવહાર એ વસ્તુઓનો સમૂહ છે. સમસ્યા એ છે કે વપરાશકર્તા દ્વારા નિર્ધારિત લઘુત્તમ આધાર સાથે તમામ ક્રમિક પેટર્ન શોધવાનું છે, જ્યાં પેટર્નનો આધાર ડેટા-ક્રમની સંખ્યા છે જેમાં પેટર્ન શામેલ છે. ક્રમિક પેટર્નનું ઉદાહરણ છે કે %% ગ્રાહકોએ એક વ્યવહારમાં _BAR_ફાઉન્ડેશન અને _BAR_રિંગવર્લ્ડ ખરીદ્યા, ત્યારબાદ _BAR_સેકન્ડ ફાઉન્ડેશન પછીના વ્યવહારમાં. અમે સમસ્યાને નીચે પ્રમાણે સામાન્ય કરીએ છીએ. પ્રથમ, અમે સમયની મર્યાદાઓ ઉમેરીએ છીએ જે પેટર્નમાં અડીને આવેલા તત્વો વચ્ચે લઘુત્તમ અને / અથવા મહત્તમ સમયનો સમયગાળો નિર્દિષ્ટ કરે છે. બીજું, અમે એ પ્રતિબંધને હળવા કરીએ છીએ કે ક્રમિક પેટર્નના એક તત્વમાંની વસ્તુઓ એ જ વ્યવહારમાંથી આવવી જોઈએ, તેના બદલે તે વસ્તુઓ વ્યવહારોના સમૂહમાં હાજર રહેવાની મંજૂરી આપે છે, જેની વ્યવહાર-સમય વપરાશકર્તા-વિશિષ્ટ સમય વિંડોની અંદર હોય છે. ત્રીજું, વસ્તુઓ પર વપરાશકર્તા-ડેડ વર્ગીકરણ (એક પદાનુક્રમ છે) આપવામાં આવે છે, અમે અનુક્રમિક પેટર્નને વર્ગીકરણના તમામ સ્તરો પર વસ્તુઓ શામેલ કરવાની મંજૂરી આપીએ છીએ. અમે જીએસપી રજૂ કરીએ છીએ, એક નવો અલ્ગોરિધમનો જે આ સામાન્ય ક્રમિક પેટર્ન શોધે છે. સિન્થેટીક અને વાસ્તવિક જીવનના ડેટાનો ઉપયોગ કરીને પ્રયોગાત્મક મૂલ્યાંકન સૂચવે છે કે જીએસપી [AS95] માં પ્રસ્તુત એપ્રિઓરીઅલ અલ્ગોરિધમનો કરતાં વધુ ઝડપી છે. જીએસપી ડેટા-ક્રમની સંખ્યા સાથે રેખાંકિત રીતે સ્કેલ કરે છે, અને સરેરાશ ડેટા-ક્રમ કદના સંદર્ભમાં ખૂબ જ સારી સ્કેલ-અપ ગુણધર્મો ધરાવે છે. આ ઉપરાંત, કમ્પ્યુટર સાયન્સ વિભાગ, વિસ્કોન્સિન યુનિવર્સિટી, મેડિસન. |
4282abe7e08bcfb2d282c063428fb187b2802e9c | ફિલર્સનો ઉપયોગ કરનારા દર્દીઓની સંખ્યામાં ધીમે ધીમે વધારો થતાં બિન- તબીબી વ્યાવસાયિકો અથવા બિનઅનુભવી ડોકટરો દ્વારા સારવાર કરનારા દર્દીઓની સંખ્યામાં પણ વધારો થઈ રહ્યો છે, જેના પરિણામે ગૂંચવણો સર્જાઈ છે. અમે અહીં 2 દર્દીઓની જાણ કરીએ છીએ જેમણે ફિલર ઇન્જેક્શન લીધા પછી તીવ્ર ગૂંચવણો અનુભવી હતી અને એડીપસ- ડેરિવેટેડ સ્ટેમ સેલ (એડીએસસી) ઉપચાર સાથે સફળતાપૂર્વક સારવાર કરવામાં આવી હતી. કેસ 1 એક 23 વર્ષીય સ્ત્રી દર્દી હતી જેને બિન- તબીબી વ્યવસાયી દ્વારા તેના કપાળ, ગ્લેબેલા અને નાકમાં ફિલર (રેસ્ટિલેન) નું ઇન્જેક્શન આપવામાં આવ્યું હતું. તેના ઇન્જેક્શનના એક દિવસ પછી, 3 × 3 સે. મી. ચામડીના નેક્રોસિસ સાથે બળતરા જોવા મળી હતી. કેસ 2 એક 30 વર્ષની મહિલા હતી જેને ખાનગી ક્લિનિકમાં તેના નાકના પીઠ અને ટોચ પર હાયલરોનિક એસિડ જેલ (જુવેડર્મ) નું ફિલર ઇન્જેક્શન આપવામાં આવ્યું હતું. દરેક દર્દીના પેટમાં ઉપકૂળ પેશીમાંથી મેળવેલ એડીએસસી સમાવતી દ્રાવણનું ઉપકૂળ અને ત્વચા સ્તરે જખમમાં ઇન્જેક્શન આપવામાં આવ્યું હતું. વધારાની સારવાર વિના ઘા સાજા થયા. સતત ફોલો- અપ સાથે, બંને દર્દીઓને માત્ર 6 મહિના પછીના દંડ રેખીય ડાઘોનો અનુભવ થયો. એડીપસ-ઉત્પન્ન સ્ટેમ સેલ્સનો ઉપયોગ કરીને, અમે સફળતાપૂર્વક ભરણ ઇન્જેક્શન પછી ત્વચા નક્રોસિસની તીવ્ર ગૂંચવણોનો ઉપચાર કર્યો, પરિણામે ખૂબ ઓછા નિશાન, અને વધુ સંતોષકારક પરિણામો પ્રાપ્ત થયા માત્ર ઘા હીલિંગમાં જ નહીં, પણ એસ્થેટિક્સમાં પણ. |
3198e5de8eb9edfd92e5f9c2cb325846e25f22aa | |
bdf434f475654ee0a99fe11fd63405b038244f69 | સેંકડો હજારો કેદીઓની સજા અને દેખરેખ નક્કી કરવા માટે સમગ્ર યુએસએમાં પુનરાવર્તિતતા આગાહીના સ્કોર્સનો ઉપયોગ કરવામાં આવે છે. પુનરાવર્તિતતા આગાહીના સ્કોર્સના આવા એક જનરેટર નોર્થપોઇન્ટેના કોરેક્શનલ અપરાધી મેનેજમેન્ટ પ્રોફાઇલિંગ ફોર વૈકલ્પિક સજા (કોમ્પાસ) સ્કોર છે, જેનો ઉપયોગ કેલિફોર્નિયા અને ફ્લોરિડા જેવા રાજ્યોમાં થાય છે, જે અગાઉના સંશોધનોએ બતાવ્યું છે કે કેટલાક ન્યાયના માપદંડો અનુસાર કાળા કેદીઓ સામે પૂર્વગ્રહ છે. આ વંશીય પૂર્વગ્રહને કાબૂમાં રાખવા માટે, અમે એક વિરોધી રીતે પ્રશિક્ષિત ન્યુરલ નેટવર્ક રજૂ કરીએ છીએ જે પુનરાવૃત્તિની આગાહી કરે છે અને વંશીય પૂર્વગ્રહને દૂર કરવા માટે પ્રશિક્ષિત છે. જ્યારે આપણે આપણા મોડેલના પરિણામોને COMPAS સાથે સરખાવીએ છીએ, ત્યારે આપણે આગાહીની ચોકસાઈ મેળવીએ છીએ અને ન્યાયના ત્રણ માપદંડોમાંથી બેને પ્રાપ્ત કરવા માટે નજીક આવીએ છીએઃ સમાનતા અને અવરોધોની સમાનતા. અમારું મોડેલ કોઈ પણ આગાહી અને વસ્તી વિષયક માટે સામાન્ય થઈ શકે છે. આ સંશોધનનો ભાગ પુનરાવર્તનની આગાહી જેવા ઉચ્ચ-સ્ટેક વાસ્તવિક દુનિયાના એપ્લિકેશનમાં વૈજ્ઞાનિક પ્રતિકૃતિ અને સરળતાના ઉદાહરણમાં ફાળો આપે છે. |
33fad977a6b317cfd6ecd43d978687e0df8a7338 | આ કાગળ સ્થાનિક દ્વિસંગી પેટર્ન અને નમૂના અને પ્રોટોટાઇપ વિતરણોના બિન-પરિમાણીય ભેદભાવ પર આધારિત ગ્રે-સ્કેલ અને રોટેશન ઇન્વારીએન્ટ ટેક્સચર વર્ગીકરણ માટે સૈદ્ધાંતિક રીતે ખૂબ જ સરળ, છતાં કાર્યક્ષમ, મલ્ટી-રિઝોલ્યુશન અભિગમ રજૂ કરે છે. આ પદ્ધતિ એ માન્યતા પર આધારિત છે કે ચોક્કસ સ્થાનિક દ્વિસંગી પેટર્ન, જેને એકસમાન કહેવામાં આવે છે, તે સ્થાનિક છબી રચનાની મૂળભૂત ગુણધર્મો છે અને તેમના ઘટના હિસ્ટોગ્રામ ખૂબ શક્તિશાળી રચના સુવિધા હોવાનું સાબિત થયું છે. અમે એક સામાન્ય ગ્રે-સ્કેલ અને રોટેશન ઇન્વૅરિયેન્ટ ઓપરેટર પ્રસ્તુતિ મેળવીએ છીએ જે ખૂણાની જગ્યાના કોઈપણ ક્વોન્ટિઝેશન અને કોઈપણ અવકાશી રીઝોલ્યુશન માટે એકસમાન પેટર્ન શોધવાની મંજૂરી આપે છે અને મલ્ટી-રિઝોલ્યુશન વિશ્લેષણ માટે બહુવિધ ઓપરેટરોને સંયોજિત કરવાની પદ્ધતિ રજૂ કરે છે. ગ્રે-સ્કેલ ભિન્નતાની દ્રષ્ટિએ પ્રસ્તાવિત અભિગમ ખૂબ જ મજબૂત છે કારણ કે ઓપરેટર, વ્યાખ્યા દ્વારા, ગ્રે સ્કેલના કોઈપણ મોનોટોનિક રૂપાંતરણ સામે અસ્થિર છે. બીજો ફાયદો એ છે કે કોમ્પ્યુટેશનલ સરળતા છે કારણ કે ઓપરેટરને નાના પડોશમાં થોડા ઓપરેશન્સ અને લુકઅપ ટેબલ સાથે અનુભવી શકાય છે. રોટેશન ઇન્વારીએન્સની સાચી સમસ્યાઓમાં મેળવેલ ઉત્તમ પ્રાયોગિક પરિણામો, જ્યાં વર્ગીકૃતકર્તાને એક ચોક્કસ રોટેશન એંગલ પર તાલીમ આપવામાં આવે છે અને અન્ય રોટેશન એંગલ્સના નમૂનાઓ સાથે પરીક્ષણ કરવામાં આવે છે, તે દર્શાવે છે કે સરળ રોટેશન ઇન્વારીએન્ટ સ્થાનિક દ્વિસંગી પેટર્નના ઘટના આંકડા સાથે સારી ભેદભાવ પ્રાપ્ત કરી શકાય છે. આ ઓપરેટરો સ્થાનિક છબી રચનાના અવકાશી રૂપરેખાંકનને દર્શાવે છે અને સ્થાનિક છબી રચનાના વિપરીતતાને દર્શાવતા રોટેશન ઇન્વેરિએન્ટ વિભેદક માપ સાથે સંયોજન કરીને કામગીરીમાં વધુ સુધારો કરી શકાય છે. આ ઓર્થોગોનલ માપનો સંયુક્ત વિતરણ રોટેશન ઇન્વારીએન્ટ ટેક્સચર વિશ્લેષણ માટે ખૂબ શક્તિશાળી સાધનો તરીકે દર્શાવવામાં આવે છે. ઇન્ડેક્સ ટર્મ્સ નોનપૅરામેટ્રિક, ટેક્સચર વિશ્લેષણ, આઉટેક્સ, બ્રોડાત્ઝ, વિતરણ, હિસ્ટોગ્રામ, વિપરીત. |
8ade5d29ae9eac7b0980bc6bc1b873d0dd12a486 | |
12a97799334e3a455e278f2a995a93a6e0c034bf | આ કાગળમાં ચીની શબ્દ સેગમેન્ટેશન માટે એમ્બેડિંગ મેચિંગ અભિગમનો પ્રસ્તાવ છે, જે પરંપરાગત ક્રમ લેબલિંગ ફ્રેમવર્કને સામાન્ય બનાવે છે અને વિતરણ પ્રતિનિધિત્વનો લાભ લે છે. તાલીમ અને આગાહી અલ્ગોરિધમ્સમાં રેખીય-સમયની જટિલતા છે. પ્રસ્તાવિત મોડેલના આધારે, એક લોભી સેગમેન્ટર વિકસિત અને બેંચમાર્ક કોર્પોરેટ પર મૂલ્યાંકન કરવામાં આવે છે. પ્રયોગો દર્શાવે છે કે અમારા લોભી સેગમેન્ટર અગાઉના ન્યુરલ નેટવર્ક આધારિત શબ્દ સેગમેન્ટર્સ કરતાં સુધારેલા પરિણામો પ્રાપ્ત કરે છે, અને તેનું પ્રદર્શન રાજ્ય-ઓફ-ધ-આર્ટ પદ્ધતિઓ સાથે સ્પર્ધાત્મક છે, તેના સરળ સુવિધા સમૂહ અને તાલીમ માટે બાહ્ય સંસાધનોની ગેરહાજરી હોવા છતાં. |
Subsets and Splits