_id
stringlengths 40
40
| text
stringlengths 0
9.75k
|
|---|---|
2f991be8d35e4c1a45bfb0d646673b1ef5239a1f | मशीन लर्निंग मॉडल जे तरह से व्यवहार करो हय, ओकरा समझे से सिस्टम डिजाइनर और अंतिम उपयोगकर्ता दुनु के कई तरह से सशक्त बनवो हय: मॉडल चयन में, सुविधा इंजीनियरिंग में, भविष्यवाणियों पर भरोसा करे और कार्य करे के लिए, और अधिक सहज उपयोगकर्ता इंटरफ़ेस में। येई प्रकार, व्याख्यात्मकता मशीन लर्निंग में एगो महत्वपूर्ण चिंता बन गेल हई, अउर व्याख्या योग्य मॉडल के क्षेत्र में काम में नया रुचि मिलल हई। कुछ अनुप्रयोगों में, ऐसन मॉडल गैर-व्याख्या योग्य के रूप में सटीक होवो हय, और इ प्रकार ओकर पारदर्शिता के लिए पसंद कियल जा हय। जब ऊ सटीक न होतई, तब भी ऊ अभीयो प्राथमिकता देल जा सकई हई जब व्याख्यात्मकता सर्वोपरि महत्व के होई हई। हालांकि, व्याख्या योग्य मॉडल तक मशीन लर्निंग के सीमित करनाई अक्सर एगो गंभीर सीमा होई हई। इ पत्र में हम मॉडल-अज्ञेयवादी दृष्टिकोण के उपयोग करके मशीन लर्निंग भविष्यवाणिय के व्याख्या करे के लिए तर्क देवो हय। मशीन लर्निंग मॉडल के ब्लैकबॉक्स फ़ंक्शन के रूप में मानकर, इ दृष्टिकोण मॉडल, स्पष्टीकरण और प्रतिनिधित्व के चयन में महत्वपूर्ण लचीलापन प्रदान करो हय, विभिन्न प्रकार के उपयोगकर्ता और मॉडल के लिए डिबगिंग, तुलना और इंटरफेस में सुधार करो हय। हम ऐसन विधियों के लिए मुख्य चुनौतियों के भी रेखांकित करो हय, और हाल ही में पेश कियल गेल मॉडल-अज्ञेयवादी स्पष्टीकरण दृष्टिकोण (एलआईएमई) के समीक्षा करो हय जे इ चुनौतियों के संबोधित करो हय। |
546add32740ac350dda44bab06f56d4e206622ab | गहरी तंत्रिका नेटवर्क छवि वर्गीकरण में प्रभावशाली प्रयोगात्मक परिणाम प्राप्त कैले हई, लेकिन विरोधी व्यवधान के संबंध में आश्चर्यजनक रूप से अस्थिर हो सकई हई, अर्थात, इनपुट छवि में न्यूनतम परिवर्तन जे नेटवर्क के गलत वर्गीकरण करे के कारण बनई हई। स्वचालित कार के लिए धारणा मॉड्यूल और एंड-टू-एंड नियंत्रक सहित संभावित अनुप्रयोगों के साथ, यह उनकी सुरक्षा के बारे में चिंताएं उठाता है। हम संतोषजनकता मॉड्यूल सिद्धांत (एसएमटी) के आधार पर फीड-फॉरवर्ड बहु-परत तंत्रिका नेटवर्क के लिए एक नया स्वचालित सत्यापन ढांचा विकसित कर रहल हई। हम छवि हेरफेर पर ध्यान केंद्रित करो हय, जैसे कि खरोंच या कैमरा कोण या प्रकाश परिस्थितियों में परिवर्तन, और छवि वर्गीकरण निर्णय के लिए सुरक्षा के परिभाषित करो हय। वर्गीकरण के अपरिवर्तनीयता के संदर्भ में मूल छवि के हेरफेर के संबंध में छवियों के एक क्षेत्र के भीतर जो एकर करीब हय। हम विच्छेदन के नियोजित करके क्षेत्र के संपूर्ण खोज के सक्षम करई हई, अउर विश्लेषण के परत से परत प्रसारित करई हई। हमार विधि सीधे नेटवर्क कोड के साथ काम करई हई अउर, मौजूदा विधियों के विपरीत, गारंटी दे सकई हई कि प्रतिकूल उदाहरण, यदि ऊ मौजूद छलई, त देल गेल क्षेत्र अउर हेरफेर के परिवार के लेल पाएल जाई छलई। यदि पायल जा हय, तओ प्रतिकूल उदाहरण के मानव परीक्षक के दिखायल जा सको हय और/या नेटवर्क के ठीक करे के लिए उपयोग कियल जा सको हय। हम जेड 3 के उपयोग करके तकनीक के लागू करई हई अउर उनकर मूल्यांकन अत्याधुनिक नेटवर्क पर करई हई, जोनमे नियमित अउर गहन सीखल नेटवर्क शामिल छलई। हम विरोधात्मक उदाहरण के खोज करे और नेटवर्क के मजबूती के अनुमान लगावे के लिए मौजूदा तकनीकों के साथ तुलना भी करो हय। |
8db9df2eadea654f128c1887722c677c708e8a47 | ई प्रासंगिक जानकारी पर ध्यान केंद्रित करे के लेल ध्यान मॉडल पर हालिया काम के भी एकीकृत करई हई, येई प्रकार एम्बेडेड हार्डवेयर पर तैनाती के लेल कम्प्यूटेशनल जटिलता के कम करई हई। फ्रेमवर्क के परीक्षण TORCS नामक एक ओपन सोर्स 3D कार रेसिंग सिम्युलेटर में कियल गलय हल। हमार सिमुलेशन परिणाम जटिल सड़क वक्रता और अन्य वाहन के सरल बातचीत के परिदृश्य में स्वायत्त युद्धाभ्यास के सीखना प्रदर्शित करई छलई। परिचय एगो रोबोट कार जे स्वायत्त ड्राइव करई हई कृत्रिम बुद्धि के एगो लंबा लक्ष्य छलई। एक वाहन के चलावे के लिए एक मानव चालक से उच्च स्तर के कौशल, ध्यान और अनुभव के आवश्यकता होवो हय। यद्यपि कंप्यूटर मनुष्य के तुलना में निरंतर ध्यान और ध्यान केंद्रित करे में अधिक सक्षम हय, पूर्ण रूप से स्वायत्त ड्राइविंग के खातिर एक स्तर के बुद्धि के आवश्यकता होवो हय जे एआई एजेंट द्वारा अब तक प्राप्त कैल गेलय हय। एगो स्वायत्त ड्राइविंग एजेंट के बनावे में शामिल कार्य के 3 श्रेणी में विभाजित कैल जा सकई हई, जैसन कि चित्र 1 में देखावल गेल हईः 1) मान्यताः आसपास के वातावरण के घटक के पहचान करनाई। एकर उदाहरण पैदल यात्री के पता लगावे, यातायात संकेत के पहचान करे आदि हय। हालाँकि तुच्छ से बहुत दूर, डीप लर्निंग (डीएल) एल्गोरिदम में प्रगति के लिए धन्यवाद, आज कल मान्यता एक अपेक्षाकृत आसान कार्य है, जो कई ऑब्जेक्ट डिटेक्शन और वर्गीकरण समस्याओं में मानव स्तर की मान्यता या उससे ऊपर तक पहुंच गई है। डीप लर्निंग मॉडल कच्चे इनपुट डेटा से जटिल सुविधा प्रतिनिधित्व सीख सको हय, हाथ से तैयार सुविधा के आवश्यकता के छोड़ दे हय। [१५] [२] [७] इ संबंध में, संवहन तंत्रिका नेटवर्क (सीएनएन) शायद सबसे सफल गहरी सीखने के मॉडल हय, और एलेक्सनेट [8] के बाद से इमेजनेट चुनौती पर हर जीतने वाला प्रविष्टि के आधार बनल हय। ई सफलता के स्वचालित ड्राइविंग के लेल लेन और वाहन पहचान में दोहराएल गेल हई। 2) भविष्यवाणी: एगो स्वायत्त ड्राइविंग एजेंट के लेल अपन वातावरण के पहचान करनाई पर्याप्त ना हई; एकरा आंतरिक मॉडल बनावे में सक्षम होए के चाहि जे पर्यावरण के भविष्य के स्थिति के भविष्यवाणी करई हई। समस्या के इ वर्ग के उदाहरण में पर्यावरण के मानचित्र बनावे या कोनो वस्तु के ट्रैक करे के शामिल हय। भविष्य के भविष्यवाणी करे में सक्षम होवे के लेल, अतीत के जानकारी के एकीकृत करनाई महत्वपूर्ण छलई। येई प्रकार, आवर्ती न्यूरल नेटवर्क (आरएनएन) येई वर्ग के समस्या के लेल आवश्यक छलई। लॉन्ग-शॉर्ट टर्म मेमोरी (एलएसटीएम) नेटवर्क [5] आरएनएन के ऐसन एगो श्रेणी हई जेकर उपयोग एंड-टू-एंड सीन लेबलिंग सिस्टम में कैल जाई छलई। हाल ही में, डीपट्रैकिंग मॉडल में ऑब्जेक्ट ट्रैकिंग प्रदर्शन में सुधार के लिए आरएनएन के उपयोग कैल गेलय हय। 3) योजनाः एक कुशल मॉडल के निर्माण जो भविष्य के ड्राइविंग क्रिया के अनुक्रम के योजना बनावे के लिए मान्यता और भविष्यवाणी के शामिल करो हय जे वाहन के सफलतापूर्वक नेविगेट करे में सक्षम बनावो हय। योजना तीनों के सबसे कठिनो काम हय। कठिनाई पर्यावरण (मान्यता) और एकर गतिशीलता (पूर्वानुमान) के समझे के मॉडल के क्षमता के एकीकरण में निहित हय, जेकरा से एकरा भविष्य के कार्रवाई के योजना बनावे में सक्षम बनायल जा सको हय ताकि इ अवांछित स्थितियों (जरिमाना) से बचे और अपन गंतव्य (इनाम) के लिए सुरक्षित रूप से ड्राइव करे। चित्र 1: उच्च स्तर के स्वायत्त ड्राइविंग कार्य रेनफोर्समेंट लर्निंग (आरएल) फ्रेमवर्क [17] [20] के उपयोग नियंत्रण कार्य में लंबा समय से कैल जाई छलई। आरएल के डीएल के साथ मिश्रण के मानव-स्तर के नियंत्रण प्राप्त करे के लिए सबसे आशाजनक दृष्टिकोण में से एक होवे के बात पर ध्यान देल गेलय हल [9]. [12] और [11] में, डीप क्यू नेटवर्क्स (डीक्यूएन) मॉडल के उपयोग करके एटारी गेम पर इ मानव स्तर के नियंत्रण के प्रदर्शन कैल गेलय हल, जेकरा मे आरएल योजना भाग के लिए जिम्मेदार हय जबकि डीएल प्रतिनिधित्व सीखने के भाग के लिए जिम्मेदार हय। बाद में, आंशिक अवलोकन योग्य परिदृश्यों [4] के लिए खाता बनावे के लिए मिश्रण में आरएनएन के एकीकृत कियल गलय हल। स्वायत्त ड्राइविंग के लिए सूचना के एकीकरण के आवश्यकता होवो हय। 02 53 2v 1 [ st at .M L ] 8 A pr 2 01 7 से कई सेंसर से। कुछ कम आयामी हय, जैसे कि एलआईडीएआर, जबकि अन्य उच्च आयामी हय, जैसे कि कैमरा। हालांकि, इ विशेष उदाहरण में ध्यान देने योग्य हय कि यद्यपि कच्चे कैमरा छवियां उच्च आयामी हय, स्वायत्त ड्राइविंग कार्य के प्राप्त करे के लिए आवश्यक उपयोगी जानकारी बहुत कम आयाम के हय। उदाहरण के लेल, दृश्य के महत्वपूर्ण हिस्सा जे ड्राइविंग निर्णय के प्रभावित करई हई, चलैत वाहन, आगे के सड़क पर खाली स्थान, कर्ब के स्थिति आदि तक ही सीमित छलई। यहां तक कि वाहन के सूक्ष्म विवरण भी महत्वपूर्ण नए हय, काहेकी समस्या के लिए केवल ओकर स्थानिक स्थान वास्तव में आवश्यक हय। येहिलेल, प्रासंगिक जानकारी के लेल मेमोरी बैंडविड्थ बहुत कम हई। यदि इ प्रासंगिक जानकारी के निकाले के जा सको हय, जबकि अन्य गैर-प्रासंगिक भाग के फ़िल्टर कियल जा हय, तओ इ स्वायत्त ड्राइविंग सिस्टम के सटीकता और दक्षता दुनहु में सुधार करतय। एकरा अलावा, ई सिस्टम के गणना अउर मेमोरी आवश्यकता के कम करतई, जे एम्बेडेड सिस्टम पर महत्वपूर्ण बाधा हई जोनमे स्वायत्त ड्राइविंग नियंत्रण इकाई होई हई। ध्यान मॉडल येई तरह के सूचना फ़िल्टरिंग प्रक्रिया के लेल एगो प्राकृतिक फिट हई। हाल ही में, इ मॉडल के [23] और [10] में छवि मान्यता के लिए सफलतापूर्वक तैनात कैल गेल रहई, जोनमे आरएल के छवि के भाग के प्राप्त करे के लेल आरएनएन के जौरे मिश्रित कैल गेल रहई। येई तरह के मॉडल के आसानी से डीक्यूएन [11] अउर डीप रिकर्सिव क्यू नेटवर्क (डीआरक्यूएन) [4] मॉडल में विस्तारित अउर एकीकृत कैल गेल हई। इ एकीकरण [16] में करल गेलई हल। ध्यान मॉडल के सफलता हमरा स्वायत्त ड्राइविंग करे के लेल कच्चे संवेदी जानकारी से निम्न स्तर के जानकारी के निष्कर्षण के लेल प्रस्तावित करे के लेल प्रेरित करई हई। इ पत्र में, हम एगो अंत-अंत स्वायत्त ड्राइविंग मॉडल के लेल एगो ढांचा प्रस्तावित करई हई जे कच्चे सेंसर इनपुट में लेई हई अउर ड्राइविंग क्रिया के आउटपुट करई हई। मॉडल आंशिक रूप से अवलोकन योग्य परिदृश्य के संभाले में सक्षम हय। एकरा अलावा, हम ध्यान मॉडल में हालिया प्रगति के एकीकृत करे के प्रस्ताव रखई हई ताकि प्राप्त सेंसर डेटा से केवल प्रासंगिक जानकारी के निकालल जा सके, येई प्रकार एकरा वास्तविक समय के एम्बेडेड सिस्टम के लेल उपयुक्त बनाएल जाए। इ कागज के मुख्य योगदान: 1) गहरी सुदृढीकरण सीख के हालिया प्रगति के एक सर्वेक्षण प्रस्तुत करनाई और 2) ऑटोमोटिव समुदाय के गहरी सुदृढीकरण सीख के उपयोग करके स्वयंचलित ड्राइविंग के अंत करे के लिए एक ढांचा पेश करनाई। ई पेपर के दू भाग में विभाजित कइल गेल हल । पहला भाग डीप रेनफोर्समेंट लर्निंग एल्गोरिदम के सर्वेक्षण प्रदान करो हय, पारंपरिक एमडीपी ढांचे और क्यू-लर्निंग से शुरू होवा हय, जेकर बाद डीक्यूएन, डीआरक्यूएन और डीप अटेंशन रिकर्सिव क्यू नेटवर्क (डीएआरक्यूएन) होवो हय। पेपर के दूसरे भाग में प्रस्तावित ढांचे के वर्णन कैल गेल हई जे गहरी सुदृढीकरण सीखना में हाल के प्रगति के एकीकृत करई हई। अंत में, हम निष्कर्ष निकाललई कि भविष्य के काम के लेल दिशा-निर्देश अउर सुझाव देल गेलई। पुनरावर्तन सीखने के समीक्षा पुनरावर्तन सीखने के एक व्यापक अवलोकन के लिए, कृपया रिच सटन के पाठ्यपुस्तक के दूसरे संस्करण [18] देखें। हम इ खंड में महत्वपूर्ण विषय के संक्षिप्त रूप से प्रस्तुत करे के इरादा रखई छी। सुदृढीकरण सीखने के ढांचा के [17] में एगो मॉडल के रूप में तैयार कैल गेल रहई ताकि एगो एजेंट के अनुसरण करे योग्य सर्वोत्तम नीति (किसी देल गेल राज्य में करे के सर्वोत्तम कार्रवाई) प्रदान कैल जा सके, ताकि कुल संचित पुरस्कार के अधिकतम कैल जा सके जब एजेंट वर्तमान से ओई नीति के पालन करई हई अउर जब तक कि कोनो टर्मिनल राज्य तक न पहुंच जाए। आरएल प्रतिमान ड्राइविंग के लेल प्रेरणा एगो बहु-एजेंट बातचीत समस्या हई। एक मानव चालक के रूप में, भारी यातायात में लेन बदलने के बजाय अन्य कारों के साथ कोई बातचीत के बिना एक लेन के भीतर रहना बहुत आसान हय। बाद वाला अन्य ड्राइवर के व्यवहार में अंतर्निहित अनिश्चितता के कारण अधिक कठिन हय। इंटरैक्टिंग वाहनों के संख्या, उनकर ज्यामितीय विन्यास और ड्राइवरों के व्यवहार में बड़ी भिन्नता हो सको हय और सभी परिदृश्यों के संपूर्ण कवरेज के साथ एक पर्यवेक्षित सीखने डेटासेट के डिजाइन करना चुनौतीपूर्ण हय। मानव चालक दोसर चालक के व्यवहार के समझे के लेल कोनो प्रकार के ऑनलाइन सुदृढीकरण सीखनाई के नियोजित करई हई जैसे कि की ऊ रक्षात्मक चाहे आक्रामक, अनुभवी चाहे अनुभवहीन हई, आदि। ई विशेष रूप से ओई परिदृश्य में उपयोगी हई जेकरा लेल बातचीत के आवश्यकता होई हई, अर्थात् एगो गोल चक्कर में प्रवेश करनाई, ट्रैफिक लाइट के बिना जंक्शन के नेविगेट करनाई, भारी यातायात के दौरान लेन परिवर्तन करनाई, आदि। स्वायत्त ड्राइविंग में मुख्य चुनौती वोकर कर्नर के मामलों से निपटना हय जे एक मानव चालक के लिए भी अप्रत्याशित हय, जैसे कि जीपीएस के बिना एक अज्ञात क्षेत्र में खो जाने से उबरना या बाढ़ या जमीन पर एक सिंकहोल के उपस्थिति जैसे आपदा के स्थिति से निपटना। आरएल प्रतिमान अज्ञात क्षेत्र के मॉडल करई हई अउर कार्रवाई करके अपन अनुभव से सीखई हई। एकर अतिरिक्त, आरएल गैर-विभेदी लागत कार्यों के संभाले में सक्षम हो सको हय जे पर्यवेक्षित सीखने के समस्या के लिए चुनौति पैदा कर सको हय। वर्तमान में, स्वायत्त ड्राइविंग के लिए मानक दृष्टिकोण प्रणाली के अलग-अलग उप-समस्याओं में विघटित करना हय, आमतौर पर पर्यवेक्षित-सीखे वाला ऑब्जेक्ट डिटेक्शन, दृश्य ओडोमेट्री, आदि और फेर पिछला चरण के सभी परिणाम के संयोजित करे के लिए एक पोस्ट प्रोसेसिंग परत होवो हय। इ दृष्टिकोण के जौरे दू मुख्य मुद्दा हईः पहला, जे उप-समस्या के हल कैल जाई हई ऊ स्वायत्त ड्राइविंग से बेसी कठिन हो सकई हई। उदाहरण के लेल, कोनो व्यक्ति शब्दार्थ विभाजन द्वारा वस्तु पता लगाबे के समाधान कर सकई हई जे चुनौतीपूर्ण अउर अनावश्यक दुनु हई। मानव ड्राइवर ड्राइविंग के दौरान सभे दृश्य वस्तु के नापसंद ना करई हई अउर ओकरा वर्गीकृत ना करई हई, केवल सबसे प्रासंगिक के। दोसर, अलग-अलग उप-समस्या के सुसंगत रूप से संयोजन न कैल जा सकई हई ताकि कोनो लक्ष्य के प्राप्त कैल जा सके। सुदृढीकरण सीखना के एक मजबूत एआई प्रतिमान मानल जा हय जेकर उपयोग मशीन के पर्यावरण के साथे बातचीत और ओकर गलतियों से सीखकर सिखाने के लिए कियल जा सको हय। एकर कथित उपयोगिता के बावजूद, एकरा अभी तक ऑटोमोटिव अनुप्रयोग में सफलतापूर्वक लागू नए कियल गेलय हा। एटारी गेम और गूगल डीपमाइंड द्वारा गो के सीख के सफल प्रदर्शन से प्रेरित होके, हम डीप रिइनफोर्समेंट लर्निंग के उपयोग करके स्वायत्त ड्राइविंग के लिए एक ढांचा प्रस्तावित करई हई। ई विशेष रूप से प्रासंगिक हई काहेकी दोसर वाहन, पैदल यात्री अउर सड़क निर्माण सहित पर्यावरण के जौरे मजबूत बातचीत के चलते स्वायत्त ड्राइविंग के पर्यवेक्षित सीखने के समस्या के रूप में पेश करनाई मुश्किल हई। चूंकि ई स्वायत्त ड्राइविंग के लेल शोध के एगो अपेक्षाकृत नया क्षेत्र हई, हम गहरा सुदृढीकरण सीखना के एगो संक्षिप्त सिंहावलोकन प्रदान करई हई अउर फेर हमर प्रस्तावित ढांचा के वर्णन करई छियई। इ सूचना एकीकरण के लिए पुनरावर्ती तंत्रिका नेटवर्क के शामिल करो हय, जे कार के आंशिक रूप से अवलोकन योग्य परिदृश्य के संभाले में सक्षम करो हय। |
a4d513cfc9d4902ef1a80198582f29b8ba46ac28 | ई रिपोर्ट एआई के दुर्भावनापूर्ण उपयोग से संभावित सुरक्षा खतरे के परिदृश्य के सर्वेक्षण करई हई, अउर येई खतरा के बेहतर पूर्वानुमान, रोकथाम अउर कम करे के तरीका के प्रस्ताव करई छलई। एआई के डिजिटल, भौतिक अउर राजनीतिक डोमेन में खतरा परिदृश्य के प्रभावित करे के तरीका के विश्लेषण करे के बाद, हम एआई शोधकर्ता अउर दोसर हितधारक के लेल चार उच्च-स्तरीय सिफारिश करई छियई। हम आगे के शोध के लेल कैगो आशाजनक क्षेत्र के भी सुझाव देई हई जे रक्षा के पोर्टफोलियो के विस्तार कर सकई हई, चाहे हमला के कम प्रभावी चाहे निष्पादित करे के लेल कठिन बना सकई हई। अंत में, हम हमलावरों और रक्षकों के दीर्घकालिक संतुलन पर चर्चा करते हैं, लेकिन निर्णायक रूप से हल नहीं करते हैं। |
b5a047dffc3d70dce19de61257605dfc8c69535c | जटिल, वास्तविक दुनिया के समस्या के समाधान के लिए व्यापक रूप से उपयोग कैल जाए वाला अउर प्रभावी साधन के रूप में डीप न्यूरल नेटवर्क सामने अलई। हालांकि, सुरक्षा-महत्वपूर्ण प्रणालि पर उनकर आवेदन में एगो प्रमुख बाधा उनकर व्यवहार के बारे में औपचारिक गारंटी प्रदान करे में बहुत कठिनाई छलो। हम गहरे तंत्रिका नेटवर्क के गुणों के सत्यापित करे (या काउंटर-उदाहरण प्रदान करे) के लिए एक उपन्यास, स्केलेबल और कुशल तकनीक प्रस्तुत करो हय। तकनीक सिम्पलेक्स विधि पर आधारित हय, जे गैर-उग्र सुधारित रैखिक इकाई (ReLU) सक्रियण फ़ंक्शन के संभाले के लिए विस्तारित हय, जे कई आधुनिक तंत्रिका नेटवर्क में एक महत्वपूर्ण घटक हय। सत्यापन प्रक्रिया तंत्रिका नेटवर्क के समग्र रूप से संबोधित करो हय, बिना कोनो सरलीकृत धारणा के। हम मानव रहित विमान (एसीएएस एक्सयू) के लेल अगली पीढ़ी के हवाई टकराव से बचाव प्रणाली के प्रोटोटाइप डीप न्यूरल नेटवर्क कार्यान्वयन पर अपन तकनीक के मूल्यांकन कलई। परिणाम दिखावो हय कि हमर तकनीक सफलतापूर्वक ओई नेटवर्क के गुण के साबित कर सको हय जे मौजूदा विधियों के उपयोग करके सत्यापित सबसे बड़े नेटवर्क के तुलना में परिमाण के एक क्रम हय। |
b4bd9fab8439da4939a980a950838d1299a9b030 | उपयोग के पूर्ण नियम और शर्तेंः http://pubsonline.informs.org/page/terms-and-conditions इ लेख के उपयोग केवल अनुसंधान, शिक्षण और/या निजी अध्ययन के उद्देश्यों के लिए कियल जा सको हय। यदि अन्यथा नोट न कैल गेल हो, त प्रकाशक के स्पष्ट स्वीकृति के बिना वाणिज्यिक उपयोग चाहे व्यवस्थित डाउनलोड (रोबोट या अन्य स्वचालित प्रक्रिया द्वारा) प्रतिबंधित हई। अधिक जानकारी के लेल, [email protected]. प्रकाशक लेख के सटीकता, पूर्णता, व्यापारिकता, एक विशेष उद्देश्य के लिए उपयुक्तता, या गैर-उल्लंघन के वारंटी या गारंटी नहीं देता है। उत्पाद चाहे प्रकाशन के विवरण, या संदर्भ, या इ लेख में विज्ञापन के शामिल करनाई न तो गारंटी के गठन करई हई, न ही ओई उत्पाद, प्रकाशन चाहे सेवा के बारे में कैल गेल दावा के समर्थन, समर्थन चाहे समर्थन के अर्थ हई। © 1990 INFORMS एगो |
5288d14f6a3937df5e10109d4e23d79b7ddf080f | |
c9946fedf333df0c6404765ba6ccbf8006779753 | स्वायत्त ड्राइविंग चालक के सुविधा प्रदान करे अउर सुरक्षा बढ़ाबे के क्षमता देखाई देले हई। अपन वर्तमान यातायात प्रणाली में स्वायत्त ड्राइविंग के पेश करे के दौरान, एगो महत्वपूर्ण मुद्दा स्वायत्त वाहन के वास्तविक मानव ड्राइवर के जैसन प्रतिक्रिया करे में सक्षम बनावे के हई। इ सुनिश्चित करे के लिए कि भविष्य के एक स्वायत्त वाहन मानव ड्राइवर के तरह काम करतय, इ पेपर एक वाहन गति योजना मॉडल के प्रस्ताव करो हय, जे इ दर्शावो हय कि वास्तविक सिग्नल वाले चौराहे में यातायात वातावरण के आकलन के आधार पर ड्राइवर कैसे वाहन के नियंत्रित करो हय। प्रस्तावित गति योजना मॉडल में पैदल यात्री के इरादा के पता लगावे, अंतराल के पता लगावे और वाहन गतिशील नियंत्रण के कार्य शामिल हय। तीनों कार्य वास्तविक यातायात वातावरण से एकत्रित वास्तविक डेटा के विश्लेषण के आधार पर बनावल गेलय हय। अंत में, ई पेपर वास्तविक पैदल यात्रियों और मानव ड्राइवरों के व्यवहार के साथ हमर मॉडल के व्यवहार के तुलना करके प्रस्तावित विधि के प्रदर्शन के प्रदर्शन करो हय। प्रयोगात्मक परिणाम से पता चलई हई कि हमार प्रस्तावित मॉडल पैदल यात्री के क्रॉसिंग इरादा के लेल 85% पहचान दर प्राप्त कर सकई हई। एकरा अलावा, प्रस्तावित गति योजना मॉडल द्वारा नियंत्रित वाहन और वास्तविक मानव-चालित वाहन चौराहों पर अंतराल स्वीकृति के संबंध में अत्यधिक समान हय। |
061356704ec86334dbbc073985375fe13cd39088 | इ काम में हम बड़े पैमाने पर छवि मान्यता सेटिंग में एकर सटीकता पर संवहन नेटवर्क गहराई के प्रभाव के जांच करो हय। हमार मुख्य योगदान बढ़ल गहराई के नेटवर्क के एक गहन मूल्यांकन हय, जे दर्शावो हय कि पूर्व-कला विन्यास पर एक महत्वपूर्ण सुधार गहराई के 16-19 वजन परतों तक धकेलके प्राप्त कैल जा सको हय। ई निष्कर्ष हमर इमेजनेट चैलेंज 2014 के सबमिशन के आधार रहई, जहां हमर टीम स्थानीयकरण अउर वर्गीकरण ट्रैक में क्रमशः पहिला अउर दोसर स्थान हासिल कलई। हम इ भी दिखावो हय कि हमर प्रतिनिधित्व अन्य डेटासेट के लिए अच्छा तरह से सामान्यीकृत हय, जे अत्याधुनिक परिणाम प्राप्त करो हय। महत्वपूर्ण रूप से, हम कंप्यूटर विजन में गहरी दृश्य प्रतिनिधित्व के उपयोग पर आगे के शोध के सुविधा के लिए अपन दो सर्वश्रेष्ठ प्रदर्शन ConvNet मॉडल के सार्वजनिक रूप से उपलब्ध करा देलई हई। |
14318685b5959b51d0f1e3db34643eb2855dc6d9 | हम एगो डीप कन्वॉल्यूशनल न्यूरल नेटवर्क आर्किटेक्चर के प्रस्ताव रखई हई जेकर कोडनेम इंसेप्शन हई जे इमेजनेट लार्ज-स्केल विजुअल रिकग्निशन चैलेंज 2014 (आईएलएसवीआरसी 14) में वर्गीकरण अउर पता लगावे के लेल कला के नया स्थिति प्राप्त करई हई। इ वास्तुकला के मुख्य पहचान नेटवर्क के भीतर कंप्यूटिंग संसाधन के बेहतर उपयोग हय। सावधानीपूर्वक तैयार डिजाइन द्वारा, हम गणना बजट के स्थिर रखैत नेटवर्क के गहराई और चौड़ाई में वृद्धि कलई। गुणवत्ता के अनुकूलित करे के लिए, वास्तुशिल्प निर्णय हेबियन सिद्धांत और बहु-स्केल प्रसंस्करण के अंतर्ज्ञान पर आधारित हलय। ILSVRC14 के लेल हमर सबमिशन में उपयोग कैल गेल एगो विशेष अवतार के GoogLeNet कहल जाई हई, एगो 22 परत के गहरी नेटवर्क, जेकर गुणवत्ता के वर्गीकरण अउर पता लगावे के संदर्भ में मूल्यांकन कैल जाई छलई। |
1827de6fa9c9c1b3d647a9d707042e89cf94abf0 | डीप न्यूरल नेटवर्क के प्रशिक्षण येई तथ्य से जटिल होई हई कि प्रशिक्षण के दौरान प्रत्येक परत के इनपुट के वितरण बदल जाई हई, काहेकी पिछला परत के पैरामीटर बदल जाई छलई। ई कम सीखने के दर अउर सावधानीपूर्वक पैरामीटर आरंभिकरण के आवश्यकता के कारण प्रशिक्षण के धीमा कर देई हई, अउर संतृप्त गैर-रैखिकता के जौरे मॉडल के प्रशिक्षित करनाई बहुत कठिन बना देई हई। हम इ घटना के आंतरिक सह-परिवर्तनीय पलायन के रूप में संदर्भित करो हय, और परत इनपुट के सामान्यीकरण करके समस्या के संबोधित करो हय। हमर विधि अपन ताकत के मॉडल वास्तुकला के एक हिस्सा में सामान्यीकरण करे से और प्रत्येक प्रशिक्षण मिनी-बैच के लिए सामान्यीकरण करे से प्राप्त करो हय। बैच सामान्यीकरण हमरा अधिक उच्च शिक्षा दर के उपयोग करे के अनुमति देई हई अउर प्रारंभिककरण के बारे में कम सावधान रहइ के अनुमति देई हई, अउर कुछ मामला में ड्रॉप आउट के आवश्यकता के समाप्त कर देई छलई। एक अत्याधुनिक छवि वर्गीकरण मॉडल पर लागू, बैच सामान्यीकरण 14 गुना कम प्रशिक्षण चरणों के साथ समान सटीकता प्राप्त करो हय, और मूल मॉडल के एक महत्वपूर्ण मार्जिन से हरा देवो हय। बैच-सामान्यीकृत नेटवर्क के एक समूह के उपयोग करके, हम इमेजनेट वर्गीकरण पर सबसे अच्छा प्रकाशित परिणाम पर सुधार करो हय: 4.82% शीर्ष-5 परीक्षण त्रुटि तक पहुंचना, मानव रेटर के सटीकता से अधिक हय। |
6e80768219b2ab5a3247444cfb280e8d33d369f0 | इ पेपर में एक अल्ट्रा-वाइडबैंड (UWB) पावर डिवाइडर के डिजाइन कैल गेल हई। ई पावर डिवाइडर के यूडब्ल्यूबी प्रदर्शन एगो कॉनफ्रेटेड माइक्रोस्ट्रिप लाइन के उपयोग करके प्राप्त कैल जाई हई जेकरा मे घातीय अउर दीर्घवृत्तीय खंड शामिल होई हई। एक स्वचालित समानांतर डिजाइन प्रक्रिया प्राप्त करे के लिए मोटे अनाज समानांतर माइक्रो-आनुवंशिक एल्गोरिथ्म (पीएमजीए) और सीएसटी माइक्रोवेव स्टूडियो के संयोजन कियल जा हय। विधि के उपयोग यूडब्ल्यूबी पावर डिवाइडर के अनुकूलित करे के लेल कैल जाई हई। अनुकूलित पावर डिवाइडर के निर्माण और मापा जा हय। मापा गेल परिणाम पूरे यूडब्ल्यूबी (3.1-10.6 गीगाहर्ट्ज) पर अपेक्षाकृत कम सम्मिलन हानि, अच्छा वापसी हानि, और आउटपुट पोर्ट के बीच उच्च अलगाव दिखावो हय। |
2532d0567c8334e4cadf282a73ffe399c1c32476 | प्रदर्शन माप तब प्राप्त पुरस्कार के योग हय। उदाहरण के लिए, जब एक भैंस चारा खोजो हय, तओ प्रत्येक समय चरण में इनाम फ़ंक्शन उड़ल दूरी (ऋणात्मक रूप से भारित) और निगल गेल अमृत के कुछ संयोजन हो सको हय। सुदृढीकरण सीखना (आरएल) विधि अनिवार्य रूप से मार्कोव निर्णय प्रक्रिया (एमडीपी) के हल करे के लिए ऑनलाइन एल्गोरिदम हय। एक एमडीपी के पुरस्कार फ़ंक्शन और एक मॉडल द्वारा परिभाषित कैल जा हय, अर्थात, प्रत्येक संभावित कार्रवाई पर सशर्त राज्य संक्रमण संभावनाएं। आरएल एल्गोरिदम मॉडल-आधारित हो सको हय, जहां एजेंट एक मॉडल, या मॉडल-मुक्त सीखो हय - उदाहरण के लिए, क्यू-लर्निंग वाटकिंसः 1989 के उद्धृत करो हय, जे केवल एक फ़ंक्शन क्यू ((s) के सीखो हय, ए) राज्य में कार्रवाई करे के दीर्घकालिक मूल्य के निर्दिष्ट करो हय और ओकर बाद इष्टतम रूप से कार्य करो हय। अपन सफलता के बावजूद, आरएल विधि के काफी हद तक पूर्ण रूप से अवलोकन योग्य एमडीपी तक सीमित रखल गेल हई, जोनमे प्रत्येक राज्य में संवेदी इनपुट राज्य के पहचान करे के लेल पर्याप्त छलई। जाहिर हइ, वास्तविक दुनिया में, हमेशे आंशिक रूप से देखे योग्य एमडीपी (पीओएमडीपी) से निपटे के चाही । एस्ट्रोम (1965) साबित कलई कि पीओएमडीपी में इष्टतम निर्णय समय के प्रत्येक बिंदु पर विश्वास राज्य बी पर निर्भर करई हई, अर्थात, सभे संभावित वास्तविक राज्यों पर बाद के संभावना वितरण, अब तक के सभे सबूत के देखते हुए। Parr और Russell (1995) बी के संभावनाओं के एक वेक्टर के रूप में स्पष्ट प्रतिनिधित्व के उपयोग करके एक बहुत ही सरल POMDP RL एल्गोरिथ्म के वर्णन करो हय, और मैककॉलम (1993) हाल के धारणा अनुक्रम के उपयोग करके विश्वास राज्य के अनुमान लगावे के एक तरीका दिखावो हय। इ दुनहु दृष्टिकोण के बड़ी संख्या में राज्य चर और दीर्घकालिक काल के निर्भरता वाला स्थितिय के लिए स्केल करे के संभावना नय हय। जे आवश्यक हई ऊ मॉडल के कॉम्पैक्ट रूप से प्रतिनिधित्व करे के तरीका हई अउर मॉडल अउर प्रत्येक नया अवलोकन के देखते हुए विश्वास के स्थिति के कुशलता से अपडेट करे के तरीका हई। डायनामिक बेयसन नेटवर्क (डीन और कानाज़ावा, 1989) में कुछ आवश्यक गुण प्रतीत होवो हय; विशेष रूप से, उनके पास कैलमैन फ़िल्टर और छिपे हुए मार्कोव मॉडल जैसे अन्य दृष्टिकोणों पर महत्वपूर्ण लाभ हय। आरेख 1 में देखावल गेलय, नया सेंसर सूचना के आगमन के रूप में विश्वास राज्य के प्रतिनिधित्व और अद्यतन करे के लिए डीबीएन के उपयोग करो हय। बी के लेल एगो प्रतिनिधित्व देल गेल हई, इनाम संकेत के उपयोग क्यू-प्रकार्य के सीखने के लेल कैल जाई हई जे कुछ ब्लैक-बॉक्स फ़ंक्शन अनुमानक जैसे कि तंत्रिका नेटवर्क द्वारा प्रतिनिधित्व कैल जाई छलई। बशर्ते हम हाइब्रिड (डि- ई वार्ता एगो सीखल एजेंट के लेल एगो बहुत सरल "आधार रेखा आर्किटेक्चर" के प्रस्ताव रखई हई जे स्थैतिक, आंशिक रूप से अवलोकन योग्य वातावरण के संभाल सकई हई। आर्किटेक्चर आंशिक रूप से सीखने के साथ-साथ आंशिक प्रक्रिया के ग्राफिकल मॉडल के रूप में प्रदर्शित करे के विधि के उपयोग करो हय। हम संवेदी इनपुट से ऐसन प्रतिनिधित्व के मापदंड अउर संरचना के अध्ययन करे अउर पिछला संभावना के गणना करे के तरीका पर चर्चा करबई। कुछ खुला समस्या ईहां तकले रहई हई जब तक कि हम पूरा एजेंट के परीक्षण न कर सकई छी; जब हम पैमाना पर विचार करई छी त अउर उत्पन्न होई छलई। भाषण के दोसर विषय ई होबे के हई कि क्या सुदृढीकरण सीखना जानवर अउर मानव के सीख के एगो अच्छा मॉडल प्रदान कर सकई हई। ई सवाल के जवाब देवे लागी, हमे उलटा सुदृढीकरण सीखना चाहि: देखल गेल व्यवहार के देखते, कौन सा इनाम संकेत, अगर कोय हइ, अनुकूलित कैल जा हय? ई COLT, UAI, और ML समुदायों के लिए एक बहुत ही दिलचस्प समस्या प्रतीत होवो हय, और मार्कोव निर्णय प्रक्रिया के संरचनात्मक अनुमान के शीर्षक के तहत अर्थसांख्यिकी में संबोधित कियल गलय हा। 1 अनिश्चित वातावरण में सीखना एआई बुद्धिमान एजेंट के निर्माण के बारे में हय, अर्थात, सिस्टम जे एक वातावरण में प्रभावी ढंग से (कुछ प्रदर्शन माप के अनुसार) समझो हय और कार्य करो हय। हम दोसर जगह तर्क देले हई कि रसेल अउर नॉर्विग (1995) कि अधिकांश एआई शोध ऐसन वातावरण पर केंद्रित छलई जे स्थिर, निर्धारात्मक, असतत अउर पूर्ण रूप से अवलोकन योग्य छलई। जब वास्तविक दुनिया में, पर्यावरण गतिशील, स्थैतिक, निरंतर और आंशिक रूप से अवलोकन योग्य होवो हय, तओ क्या कैल जाए के चाहि? ई पेपर एनएसएफ @ I-9634215), ओएनआर (N00014-97-l-0941) और एआर0 (DAAH04-96-1-0341) द्वारा समर्थित विभिन्न शोध प्रयासों पर आधारित है। व्यक्तिगत या कक्षा के उपयोग के लिए इ कार्य के सभी या भाग के डिजिटल या हार्ड कॉपी करे के अनुमति बिना शुल्क के देल जाई हई, बशर्ते कि प्रतिलिपि प्रोलिट या वाणिज्यिक लाभ के लेल न बनावल जाए या वितरित न कैल जाए अउर प्रतिलिपि में ई नोटिस अउर पहला पृष्ठ पर पूरा उद्धरण हो। अन्यथा, प्रतिलिपि बनावे के लेल। पुनप्रकाशन करे के लेल, सर्वर पर पोस्ट करे के लेल चाहे सूची में पुनर्वितरण करे के लेल, पहिले विशेष अनुमति अउर/या शुल्क के आवश्यकता होई हई। COLT 98 मैडिसन WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 हाल के वर्षों में, सुदृढीकरण सीखना (जिसे न्यूरोडायनामिक प्रोग्रामिंग भी कहल जा हय) स्वचालित रूप से एजेंटों के निर्माण के लिए एक दृष्टिकोण के रूप में तेजी से प्रगति कैलकय हय (सटन, 1988; केलब्लिंग एट अल, 1996; बर्ट्सकेस और त्सीसिकलिस, 1996) । मूल विचार ई हई कि प्रदर्शन माप एजेंट के एगो इनाम फ़ंक्शन के रूप में उपलब्ध करावल जाई हई जे प्रत्येक राज्य के लेल इनाम के निर्दिष्ट करई हई जेकरा माध्यम से एजेंट गुजरई हई। |
6f20506ce955b7f82f587a14301213c08e79463b | |
d14ddc01cff72066c6655aa39f3e207e34fb8591 | ई पेपर माइक्रोइलेक्ट्रोमैकेनिकल सिस्टम (एमईएमएस) पर आधारित रेडियो-फ्रिक्वेंसी (आरएफ) प्रौद्योगिकी के एक अपेक्षाकृत नया क्षेत्र से संबंधित हकय। आरएफ एमईएमएस नया उपकरण और घटकों के एक वर्ग प्रदान करो हय जे पारंपरिक (आमतौर पर अर्धचालक) उपकरण के सापेक्ष बेहतर उच्च आवृत्ति प्रदर्शन प्रदर्शित करो हय, और जे नया सिस्टम क्षमता के सक्षम करो हय। एकर अलावा, एमईएमएस उपकरण के डिजाइन और निर्माण बहुत बड़े पैमाने पर एकीकरण के समान तकनीक द्वारा कियल जा हय, और एकरा पारंपरिक बैच-प्रसंस्करण विधियों द्वारा निर्मित कियल जा सको हय। इ पेपर में, एकमात्र उपकरण जे संबोधित कैल गेल हई ऊ इलेक्ट्रोस्टैटिक माइक्रोस्विच हई - शायद प्रतिमान आरएफ-एमईएमएस उपकरण। अपन बेहतर प्रदर्शन विशेषता के माध्यम से, माइक्रोस्विच के कई मौजूदा सर्किट और सिस्टम में विकसित कैल जा रहल हई, जोनमे रेडियो फ्रंट-एंड, कैपेसिटर बैंक अउर टाइम-डिलैट नेटवर्क शामिल छलई। अल्ट्रा-लो-पावर अपव्यय और बड़े पैमाने पर एकीकरण के साथ संयुक्त बेहतर प्रदर्शन के लिए नई प्रणाली कार्यक्षमता के भी सक्षम बनाना चाहिए। इ पर विचार कैल गेलय दो संभावना अर्ध-ऑप्टिकल बीम स्टीयरिंग और विद्युत रूप से पुनः विन्यास योग्य एंटीना हय। |
9d5f36b92ac155fccdae6730660ab44d46ad501a | जोखिम समानता एक आवंटन विधि हय जेकर उपयोग विविध पोर्टफोलियो के निर्माण करे के लिए कियल जा हय जे अपेक्षित रिटर्न के कोनो भी धारणा पर निर्भर नए करो हय, इ प्रकार जोखिम प्रबंधन के रणनीति के केंद्र में रखो हय। ई समझाबई हई कि 2008 में वैश्विक वित्तीय संकट के बाद जोखिम समानता एगो लोकप्रिय निवेश मॉडल काहे बन गेलई। हालांकि, जोखिम समानता के भी आलोचना कियल गलय हा काहेकी इ पोर्टफोलियो प्रदर्शन के बजाय जोखिम एकाग्रता के प्रबंधन पर केंद्रित हय, और इ खातिर सक्रिय प्रबंधन के तुलना में निष्क्रिय प्रबंधन के करीब मानल जा हय। इ लेख में, हम देखई छियई कि जोखिम समानता पोर्टफोलियो में अपेक्षित रिटर्न के धारणा के कैसे पेश कैल जाए। एकरा करे के लेल, हम एगो सामान्यीकृत जोखिम माप पर विचार करई छी जे पोर्टफोलियो रिटर्न अउर अस्थिरता दुनु के ध्यान में रखई हई। हालांकि, प्रदर्शन और अस्थिरता योगदान के बीच व्यापार-बंद कुछ कठिनाई पैदा करो हय, जबकि जोखिम बजटिंग समस्या के स्पष्ट रूप से परिभाषित कैल जाना चाहि। ऐसन जोखिम बजटिंग पोर्टफोलियो के सैद्धांतिक गुण के प्राप्त करे के बाद, हम इ नया मॉडल के परिसंपत्ति आवंटन पर लागू करई हियई। सबसे पहले, हम दीर्घकालिक निवेश नीति और रणनीतिक परिसंपत्ति आवंटन के निर्धारण पर विचार करते हैं। फिर हम गतिशील आवंटन पर विचार करते हैं और दिखाते हैं कि अपेक्षित रिटर्न पर निर्भर जोखिम समानता फंड कैसे बनाएं। |
006df3db364f2a6d7cc23f46d22cc63081dd70db | एगो तदर्थ नेटवर्क वायरलेस मोबाइल मेजबान के एगो संग्रह हई जे कोनो स्थापित बुनियादी ढांचे चाहे केंद्रीकृत प्रशासन के सहायता के बिना एक अस्थायी नेटवर्क बनाबई हई। ऐसन वातावरण में, प्रत्येक मोबाइल होस्ट के वायरलेस ट्रांसमिशन के सीमित सीमा के कारण, एक पैकेट के अपन गंतव्य तक प्रेषित करे में एक मोबाइल होस्ट के लिए अन्य मेजबान के सहायता लेना आवश्यक हो सको हय। ई पेपर तदर्थ नेटवर्क में रूटिंग के लेल एगो प्रोटोकॉल प्रस्तुत करई हई जे गतिशील स्रोत रूटिंग के उपयोग करई हई। जब होस्ट गति अक्सर होवो हय, तओ प्रोटोकॉल रूटिंग परिवर्तन के लिए जल्दी से अनुकूल होवो हय, फिर भी ओई अवधि के दौरान कम या कोई ओवरहेड के आवश्यकता होवो हय जेकरा मे मेजबान कम बार स्थानांतरित होवो हय। एगो तदर्थ नेटवर्क में संचालित मोबाइल मेजबान के पैकेट-स्तर के सिमुलेशन के परिणाम के आधार पर, प्रोटोकॉल विभिन्न पर्यावरणीय परिस्थिति जैसे होस्ट घनत्व अउर आंदोलन दर पर अच्छा प्रदर्शन करई छलई। सिमुलेटेड मेजबान आंदोलन के उच्चतम दर के अलावा सभे के लेल, प्रोटोकॉल के ओवरहेड काफी कम हई, 24 मोबाइल मेजबान के नेटवर्क में मध्यम आंदोलन दर के लेल प्रेषित कुल डेटा पैकेट के केवल 1% तक गिरई छई। सभे मामला में, उपयोग कैल जाए वाला मार्ग अउर इष्टतम मार्ग लंबाई के बीच लंबाई में अंतर नगण्य हई, अउर अधिकांश मामला में, मार्ग लंबाई औसतन 1.01 के कारक के भीतर इष्टतम हई। |
25a26b86f4a2ebca2b154effbaf894aef690c03c | हाल ही में पर्यवेक्षित सीखने के एल्गोरिदम में महत्वपूर्ण रुचि रहल हई जे पाठ सीखने के कार्य के लेल लेबल कैल गेल अउर अनलेबल डेटा के संयोजन करई हई। सह-प्रशिक्षण सेटिंग [1] डेटासेट पर लागू होवो हय जेकरा मे ओकर विशेषता के दो असंबद्ध सेट में प्राकृतिक रूप से अलग कैल गेलय हा। हम प्रदर्शित करई हई कि जब लेबल अउर अनलेबल डेटा से सीखई हई, त एल्गोरिदम स्पष्ट रूप से विशेषता के एगो प्राकृतिक स्वतंत्र विभाजन के लाभ उठावई हई जे एल्गोरिदम से बेहतर प्रदर्शन करई हई जे न करई हई। जब एक प्राकृतिक विभाजन मौजूद नए होवो हय, तओ सह-प्रशिक्षण एल्गोरिदम जे एक विशेषता विभाजन के निर्माण करो हय, विभाजन के उपयोग नए करे वाला एल्गोरिदम के बेहतर प्रदर्शन कर सको हय। ई परिणाम इ समझावे में मदद करो हय कि सह-प्रशिक्षण एल्गोरिदम प्रकृति में भेदभावपूर्ण काहे हय और उनकर एम्बेडेड वर्गीकरण के धारणा के लिए मजबूत काहे हय। |
78beead3a05f7e8f2dc812298f813c5bacdc3061 | |
1d6889c44e11141cc82ef28bba1afe07f3c0a2b4 | पिछला कुछ वर्षों में इंटरनेट ऑफ थिंग्स (आईओटी) के व्यापक अनुप्रयोग देखल गेलय हय और एकरा हर क्षेत्र में पायल जा सको हय। IoT के संदर्भ में उपकरण के बीच सुरक्षित संचार के सक्षम करे के लेल प्रमाणीकरण अउर उपयोग नियंत्रण महत्वपूर्ण अउर महत्वपूर्ण कार्यक्षमता छलई। IoT नेटवर्क में कम बिजली वाला उपकरण के गतिशीलता, गतिशील नेटवर्क टोपोलॉजी और कमजोर भौतिक सुरक्षा सुरक्षा सुरक्षा कमजोरियों के संभावित स्रोत हय। ई संसाधन सीमित अउर वितरित आईओटी वातावरण में प्रमाणीकरण अउर पहुंच नियंत्रण हमला प्रतिरोधी अउर हल्का बनाबे के वादा करई हई। ई कागज प्रोटोकॉल मूल्यांकन और प्रदर्शन विश्लेषण के साथे पहचान प्रमाणीकरण और क्षमता आधारित अभिगम नियंत्रण (आईएसीएसी) मॉडल प्रस्तुत करई हई। मैन-इन-द-मिडिल, रिप्ले अउर सेवा (डीओएस) के अस्वीकृति हमला से आईओटी के सुरक्षा के लेल, पहुंच नियंत्रण के लेल क्षमता के अवधारणा के पेश कैल गेल हई। इ मॉडल के नवीनता इ हय कि, इ IoT उपकरण के लिए प्रमाणीकरण और अभिगम नियंत्रण के एक एकीकृत दृष्टिकोण प्रस्तुत करो हय। हमर निष्कर्ष के पुष्टि करे और समर्थन करे के लिए अन्य संबंधित अध्ययन के परिणाम के भी विश्लेषण कियल गलय हा। अंत में, प्रस्तावित प्रोटोकॉल के मूल्यांकन सुरक्षा प्रोटोकॉल सत्यापन उपकरण के उपयोग करके कैल गेल हई अउर सत्यापन परिणाम से पता चलई हई कि आईएसीएसी उपरोक्त हमलों के खिलाफ सुरक्षित हई। ई पेपर दोसर के तुलना में गणना के समय के संदर्भ में प्रोटोकॉल के प्रदर्शन विश्लेषण पर भी चर्चा करई हई जर्नल ऑफ साइबर सिक्योरिटी एंड मोबिलिटी, वॉल्यूम। 1, 309-348 के लेल। c © 2013 रिवर पब्लिशर्स. सब अधिकार सुरक्षित . 310 पी.एन. हई महल एट अल। मौजूदा हल. एकरा अलावा, ई पेपर आईओटी में चुनौति के संबोधित करई हई अउर आईओटी नेटवर्क के वास्तविक दृश्य देवे के लेल उपयोग के मामला के जौरे सुरक्षा हमला के मॉडलिंग कैल गेल हई। |
310b72fbc3d384ca88ca994b33476b8a2be2e27f | हम सिनटिमेंट एनालाइजर (एसए) प्रस्तुत करऽ हिअइ जे ऑनलाइन टेक्स्ट दस्तावेज़ से कोनो विषय के बारे में सिनटिमेंट (या राय) निकालऽ हइ। कोनो विषय के बारे में पूरा दस्तावेज़ के भावना के वर्गीकृत करे के बजाय, एसए देल गेल विषय के सभे संदर्भ के पता लगाबई हई, अउर प्राकृतिक भाषा प्रसंस्करण (एनएलपी) तकनीक के उपयोग कैके प्रत्येक संदर्भ में भावना के निर्धारित करई हई। हमार भावना विश्लेषण में 1) एगो विषय विशिष्ट विशेषता शब्द निष्कर्षण, 2) भावना निष्कर्षण, और 3) संबंध विश्लेषण द्वारा (विषय, भावना) संघ शामिल हय। एसए विश्लेषण के लेल दू भाषाई संसाधन के उपयोग करई हईः भावना शब्दकोश अउर भावना पैटर्न डेटाबेस। एल्गोरिदम के प्रदर्शन के ऑनलाइन उत्पाद समीक्षा लेख (डिजिटल कैमरा और संगीत समीक्षा) पर सत्यापित कैल गेल रहई, अउर सामान्य वेब पेज अउर समाचार लेख सहित अधिक सामान्य दस्तावेज पर। |
59d9160780bf3eac8c621983a36ff332a3497219 | स्वचालित भावना विश्लेषण के कैगो दृष्टिकोण शब्द के एगो बड़का शब्दकोश के जौरे शुरू होई हई जे उनकर पूर्व ध्रुवीयता (जेकरा अर्थ संबंधी अभिविन्यास भी कहल जाई हई) के जौरे चिह्नित होई हई। हालांकि, वाक्यांश के प्रासंगिक ध्रुवीयता जेजा कोनो शब्द के एगो विशेष उदाहरण देखाई देई हई, शब्द के पहिले के ध्रुवीयता से काफी अलग हो सकई हई। सकारात्मक शब्द के उपयोग नकारात्मक भावना के व्यक्त करे वाला वाक्यांश में कैल जाई हई, चाहे एकरा विपरीत। एकर अलावा, अक्सर ऐसन शब्द जे सकारात्मक या नकारात्मक हई, संदर्भ से बाहर होई हई, संदर्भ में तटस्थ होई हई, जेकर अर्थ हई कि ऊ भावना के व्यक्त करे के लेल उपयोग न कैल जाई छलई। ई काम के लक्ष्य पूर्व और प्रासंगिक ध्रुवीयता के बीच स्वचालित रूप से अंतर करनाई हई, येई कार्य के लेल कौन-कौन सी विशेषता महत्वपूर्ण हई, ई समझे पर ध्यान केंद्रित करे के जौरे। काहेकी समस्या के एक महत्वपूर्ण पहलू ई पहचान कर रहल हई कि ध्रुवीय शब्द के उपयोग तटस्थ संदर्भ में कैल जा रहल हई, तटस्थ अउर ध्रुवीय उदाहरण के बीच अंतर करे के लेल विशेषता के मूल्यांकन कैल जाई हई, जौरे सकारात्मक अउर नकारात्मक प्रासंगिक ध्रुवीयता के बीच अंतर करे के लेल विशेषता के भी मूल्यांकन कैल जाई छलई। मूल्यांकन में कई मशीन लर्निंग एल्गोरिदम में सुविधा के प्रदर्शन के आकलन करनाई शामिल हई। एक के छोड़के सभे सीखने के एल्गोरिदम के लेल, सभे सुविधा के संयोजन एक जौरे सर्वोत्तम प्रदर्शन प्रदान करई छलई। मूल्यांकन के एगो दोसर पहलू ई विचार करई हई कि तटस्थ उदाहरण के उपस्थिति सकारात्मक अउर नकारात्मक ध्रुवीयता के बीच अंतर करे के लेल सुविधा के प्रदर्शन के कैसे प्रभावित करई हई। इ प्रयोग से पता चलई हई कि तटस्थ उदाहरण के उपस्थिति येई विशेषता के प्रदर्शन के बहुत कम कर देई हई, अउर ई कि शायद सभे ध्रुवीयता वर्ग में प्रदर्शन में सुधार करे के सबसे अच्छा तरीका सिस्टम के क्षमता में सुधार करनाई हई जब कोनो उदाहरण तटस्थ होई हई। |
7c89cbf5d860819c9b5e5217d079dc8aafcba336 | इ पत्र में, हम वाक्य-स्तर वर्गीकरण के एक केस स्टडी के वर्णन करो हय जेकरा मे टैगिंग निर्देशों के चार न्यायाधीश द्वारा विकसित और उपयोग कियल जा हय। वॉल स्ट्रीट जर्नल के खंडों के व्यक्तिपरक या उद्देश्य के रूप में वर्गीकृत करे के लिए। चार न्यायाधीश के बीच समझौता के विश्लेषण कैल जाई हई, अउर ओई विश्लेषण के आधार पर, प्रत्येक खंड के अंतिम वर्गीकरण देल जाई छलई। वर्गीकरण के लिए अनुभवजन्य समर्थन प्रदान करे के लिए, व्यक्तिपरक श्रेणी और क्वर्क एट अल द्वारा निर्धारित एक बुनियादी अर्थशास्त्रीय वर्ग के बीच डेटा में सहसंबंध के मूल्यांकन कियल जा हय। (1985). के रूप में हल |
9141d85998eadb1bca5cca027ae07670cfafb015 | भावनाओं (मतों के भावनात्मक भागों) के पहचानना एक चुनौतीपूर्ण समस्या हय। हम एगो प्रणाली प्रस्तुत कर रहलिए ह, जे, एगो विषय देल गेल, स्वचालित रूप से ओई लोग के खोजबीन करई हई जे ओई विषय के बारे में राय रखई हई अउर प्रत्येक राय के भावना। प्रणाली में शब्द भावना के निर्धारित करे के लेल एगो मॉड्यूल अउर एगो वाक्य के भीतर भावना के संयोजन के लेल दोसर शामिल हई। हम शब्द अउर वाक्य स्तर पर भावना के वर्गीकृत अउर संयोजित करे के विभिन्न मॉडल के जौरे प्रयोग करई हई, आशाजनक परिणाम के जौरे। |
c2ac213982e189e4ad4c7f60608914a489ec9051 | एनोटेटेड अरबी पाठ के एगो बड़ पैमाना के कोरपस विकसित करे के हमर तीन साल के अनुभव से, हमर पेपर निम्नलिखित के संबोधित करतई: (ए) प्रासंगिक अरबी भाषा के मुद्दा के समीक्षा जैसन कि ऊ पद्धतिगत विकल्प से संबंधित हई, (बी) पेन इंग्लिश ट्रीबैंक शैली के दिशानिर्देश के उपयोग करे के हमर विकल्प के व्याख्या करथिन, (अरबी भाषी एनोटेटर के एगो नया व्याकरणिक समस्या से निपटे के लेल आवश्यक) (स) कैगो तरीका देखावो कि मानव एनोटेशन महत्वपूर्ण हई अउर स्वचालित विश्लेषण मुश्किल हई, जोनमे वर्णनात्मक विश्लेषक अउर मानव एनोटेटर दुनु द्वारा वर्तनी संबंधी अस्पष्टता के संभालनाई शामिल हई; (घ) मानव एनोटेशन के एगो उदाहरण दी; अरबी ट्रीबैंक पद्धति, शब्दकोश विश्लेषण और टैगिंग और वाक्यविन्यास विश्लेषण दोनों में एक विशेष निर्माण पर ध्यान केंद्रित करे और पूरी एनोटेशन प्रक्रिया के माध्यम से विस्तार से ओकर अनुसरण करे, और अंत में, (ई) अब तक की हासिल कैल गेलय हय और क्या करना बाकी हय, के साथ निष्कर्ष निकालो। |
e33a3487f9b656631159186db4b2aebaed230b36 | चूंकि डिजिटल प्लेटफॉर्म आज लगभग हर उद्योग के बदल रहल हई, येईसे ऊ धीरे-धीरे मुख्यधारा के सूचना प्रणाली (आईएस) साहित्य में अपन रास्ता खोज रहल हई। डिजिटल प्लेटफॉर्म अपन वितरित प्रकृति अउर संस्थान, बाजार अउर प्रौद्योगिकि के जौरे परस्पर जुड़ल होए के कारण एगो चुनौतीपूर्ण शोध वस्तु हई। प्लेटफ़ॉर्म नवाचार के तेजी से बढ़ते पैमाने, प्लेटफ़ॉर्म आर्किटेक्चर के बढ़ती जटिलता और कई अलग-अलग उद्योगों में डिजिटल प्लेटफ़ॉर्म के प्रसार के परिणामस्वरूप नई अनुसंधान चुनौतियां उत्पन्न होलय हा। ई पेपर आईएस में डिजिटल प्लेटफॉर्म अनुसंधान के लेल एगो शोध एजेंडा विकसित करई हई। हम शोधकर्ताओं के सिफारिश करो हय कि (1) विश्लेषण के इकाई, डिजिटलीकरण के डिग्री और डिजिटल प्लेटफार्मों के सामाजिक-तकनीकी प्रकृति के निर्दिष्ट करे वाला स्पष्ट परिभाषा प्रदान करके वैचारिक स्पष्टता के आगे बढ़ावे के कोशिश करो; (2) विभिन्न वास्तुशिल्प स्तरों और विभिन्न उद्योग सेटिंग्स में प्लेटफार्मों के अध्ययन करके डिजिटल प्लेटफॉर्म अवधारणा के उचित स्कोपिंग के परिभाषित करो; और (3) एम्बेडेड केस स्टडी, अनुदैर्ध्य अध्ययन, डिजाइन अनुसंधान, डेटा-संचालित मॉडलिंग और दृश्य तकनीक के नियोजित करके पद्धतिगत कठोरता के आगे बढ़ाओ। व्यापार क्षेत्र में वर्तमान विकास के विचार में, हम आगे के शोध के लेल छह प्रश्न के सुझाव देई हई: (1) की प्लेटफॉर्म येईजा रहलो? ; (2) प्लेटफार्म के डिजाइन कैसे होवे के चाही ? ; (3) डिजिटल प्लेटफार्म उद्योग के कइसे बदल दे हइ ? ; (4) डेटा-संचालित दृष्टिकोण डिजिटल प्लेटफॉर्म अनुसंधान के कैसे सूचित कर सको हय? ; (5) शोधकर्ता के डिजिटल प्लेटफार्म के लिए सिद्धांत कैसे विकसित करे के चाही? ; और (6) डिजिटल प्लेटफॉर्म रोजमर्रा के जीवन के कैसे प्रभावित करो हय? |
1be8cab8701586e751d6ed6d186ca0b6f58a54e7 | सिस्टम विनिर्देश के उपयोगिता आवश्यकता के पूर्णता पर आंशिक रूप से निर्भर करो हय। हालांकि, सभे आवश्यक आवश्यकता के सूचीबद्ध करनाई मुश्किल हई, खासकर जब आवश्यकता अप्रत्याशित वातावरण के जौरे बातचीत करई हई। एगो आदर्श पर्यावरणीय दृष्टिकोण के जौरे बनल एगो विनिर्देश अधूरा हई यदि येइमे गैर-आदर्श व्यवहार के संभाले के लेल आवश्यकता शामिल ना होई हई। अक्सर अपूर्ण आवश्यकता के कार्यान्वयन, परीक्षण, या तैनाती के बाद भी बदतर तकले पता नए चलो हय। आवश्यकता विश्लेषण के दौरान कैल जाए के बाद भी, अपूर्ण आवश्यकता के पता लगाना आमतौर पर त्रुटि के लिए प्रवण, थकाऊ और मैनुअल कार्य हय। ई पेपर पदानुक्रमित आवश्यकता मॉडल के प्रतीकात्मक विश्लेषण के उपयोग कैले अपूर्ण आवश्यकता अपघटन के पता लगाबे के लेल एगो डिजाइन-टाइम दृष्टिकोण एरेस के परिचय देई हई। हम उद्योग-आधारित ऑटोमोटिव अनुकूली क्रूज कंट्रोल सिस्टम के आवश्यकता मॉडल के लिए एरेस के लागू करके अपन दृष्टिकोण के चित्रित करई हियई। एरेस डिजाइन-समय पर अपूर्ण आवश्यकता अपघटन के विशिष्ट उदाहरणों के स्वचालित रूप से पता लगा सको हय, जेकरा मे से कई सूक्ष्म हय और मैन्युअल रूप से या परीक्षण के साथे पता लगावल मुश्किल होतय। |
155ed7834a8a44a195b80719985a8b4ca11e6fdc | बहु-इनपुट बहु-आउटपुट (एमआईएमओ) रडार पारंपरिक चरणबद्ध-सरणी रडार प्रणालियों के ऊपर तरंग रूप विविधता के माध्यम से बेहतर प्रदर्शन प्राप्त कर सको हय। जब एक एमआईएमओ रडार ऑर्थोगोनल तरंग रूपा के प्रसारित करो हय, तओ स्कैटर से प्रतिबिंबित सिग्नल एक दूसर से रैखिक रूप से स्वतंत्र होवो हय। इसलिए, अनुकूली प्राप्त फिल्टर, जैसे कि कैपोन और आयाम और चरण अनुमान (एपीईएस) फिल्टर, के सीधे एमआईएमओ रडार अनुप्रयोगों में नियोजित कियल जा सको हय। हालांकि, उच्च स्तर के शोर और मजबूत गंदगी स्नैपशॉट के कमी के कारण डेटा-निर्भर बीमफॉर्मर के पता लगाने के प्रदर्शन के काफी खराब कर देई हई। पुनरावर्ती अनुकूली दृष्टिकोण (आईएए), एक गैर-पैरामीटर और उपयोगकर्ता पैरामीटर-मुक्त भारित न्यूनतम-वर्ग एल्गोरिथ्म, हाल ही में कई निष्क्रिय और सक्रिय संवेदन अनुप्रयोगों में बेहतर रिज़ॉल्यूशन और हस्तक्षेप अस्वीकृति प्रदर्शन प्रदान करे के लिए दिखाया गेलय हल। इ पत्र में, हम देखई हई कि कैसे आईएए के नाजुक अउर गैर-निरपेक्ष इंट्रापल्स डॉपलर मामला में, एमआईएमओ रडार इमेजिंग के लेल विस्तारित कैल जा सकई हई, अउर हम आईएए के कुछ सैद्धांतिक अभिसरण गुण भी स्थापित करई छियई। एकर अलावा, हम एगो नियमित IAA एल्गोरिथ्म के प्रस्ताव रखई हई, जेकरा IAA-R के रूप में संदर्भित कैल जाई हई, जे सिग्नल मॉडल में अप्रतिबंधित अतिरिक्त शोर शब्द के लेल लेखांकन करके IAA से बेहतर प्रदर्शन कर सकई हई। एकल-इनपुट बहु-आउटपुट (एसआईएमओ) रडार पर एमआईएमओ रडार के बेहतर प्रदर्शन के प्रदर्शित करे के लेल संख्यात्मक उदाहरण प्रस्तुत कैल गेल हई, अउर लक्ष्य इमेजिंग के लेल प्रस्तावित आईएए-आर विधि के जौरे प्राप्त कैल गेल बेहतर प्रदर्शन के अउर उजागर करई छलो। |
0cfe588996f1bc319f87c6f75160d1cf1542d9a9 | |
20efcba63a0d9f12251a5e5dda745ac75a6a84a9 | |
ccaab0cee02fe1e5ffde33b79274b66aedeccc65 | परिवहन के एगो परिकल्पित भविष्य के रूप में, स्व-ड्राइविंग कार के सामाजिक, आर्थिक, इंजीनियरिंग, कंप्यूटर विज्ञान, डिजाइन अउर नैतिकता सहित विभिन्न दृष्टिकोण से चर्चा कैल जा रहल हई। एक ओर, सेल्फ-ड्राइविंग कार नया इंजीनियरिंग समस्याएं पेश करो हय जेकरा धीरे-धीरे सफलतापूर्वक हल कैल जा रहले हा। दोसर तरफ, सामाजिक अउर नैतिक समस्या के आम तौर पर एगो आदर्श रूप से अनसुलझी निर्णय लेबे के समस्या के रूप में प्रस्तुत कैल जाई हई, जेकरा ट्रॉली समस्या कहल जाई हई, जे काफी भ्रामक छलई। हम तर्क दे हती कि नया तकनीक के विकास के लेल एगो लागू इंजीनियरिंग नैतिक दृष्टिकोण के जरूरत हई; दृष्टिकोण के लागू कैल जाए के चाहि, जेकर अर्थ हई कि एकरा जटिल वास्तविक दुनिया के इंजीनियरिंग समस्या के विश्लेषण पर ध्यान केंद्रित करे के चाहि। सेल्फ-ड्राइविंग कार के नियंत्रण के लेल सॉफ्टवेयर महत्वपूर्ण भूमिका निभई हई; येहिलेल, सॉफ्टवेयर इंजीनियरिंग समाधान के नैतिक अउर सामाजिक विचार के गंभीरता से ध्यान में रखई चाहि। इ पत्र में हम नियामक साधनों, मानकों, डिजाइन और घटकों, प्रणालियों और सेवाओं के कार्यान्वयन पर एक नज़दीकी नज़र डालते हैं और हम व्यावहारिक सामाजिक और नैतिक चुनौतियों के प्रस्तुत करते हैं, जिनका पूरा कैल जाना चाहिए, साथ ही सॉफ्टवेयर इंजीनियरिंग के लिए नई अपेक्षाएं भी हैं। |
288c67457f09c0c30cadd7439040114e9c377bc3 | अग्रवाल, इमीलिंस्की अउर स्वामी द्वारा पेश कैल गेल संघ नियम, संबंध के 90% पंक्तियन के लेल रूप के नियम हई, अगर पंक्ति में सेट डब्ल्यू में स्तंभ में 1 मान होई हई, त एकर कॉलम बी में भी 1 होई छलई। डेटा के बड़का संग्रह से संघ नियम के खोजे के लेल कुशल विधि मौजूद छलई। हालांकि, खोजल गेल नियम के संख्या एतना बड़ हो सकई हई कि नियम सेट के ब्राउज़ करनाई अउर एकरा से दिलचस्प नियम खोजनाई उपयोगकर्ता के लेल काफी कठिन हो सकई हई। हम देखई हई कि कैसे नियम टेम्पलेट के एगो सरल औपचारिकता दिलचस्प नियम के संरचना के आसानी से वर्णन करनाई संभव बनाबई हई। हम नियम के दृश्यता के उदाहरण भी देई हई, अउर देखाई हई कि एगो दृश्यता उपकरण नियम टेम्पलेट के जौरे कैसे इंटरफेस करई हई। |
384bb3944abe9441dcd2cede5e7cd7353e9ee5f7 | |
47f0f6a2fd518932734cc90936292775cc95aa5d | |
b336f946d34cb427452517f503ada4bbe0181d3c | वीडियो समझ में हालिया प्रगति और वर्षों में अस्थायी कार्रवाई स्थानीयकरण में सुधार के निरंतर दर के बावजूद, इ अभीयो स्पष्ट नए हय कि केतना दूर (या करीब? हम इ समस्या के हल करे के खातिर सोचम । एकरा लेल, हम वीडियो में समय संबंधी क्रिया डिटेक्टर के प्रदर्शन के विश्लेषण करे अउर एकल स्केलर मीट्रिक से परे विभिन्न विधियों के तुलना करे के लेल एगो नया नैदानिक उपकरण पेश करई छी। हम नवीनतम ActivityNet एक्शन स्थानीयकरण चुनौती में शीर्ष पुरस्कृत प्रविष्टियों के प्रदर्शन के विश्लेषण करके अपने उपकरण के उपयोग के उदाहरण देते हैं। हमर विश्लेषण से पता चलई हई कि काम करे के लेल सबसे अधिक प्रभावशाली क्षेत्र हईः उदाहरण के आसपास के समय के संदर्भ के बेहतर ढंग से संभाले के लेल रणनीति, w.r.t. के मजबूती में सुधार उदाहरण पूर्ण और सापेक्ष आकार, और स्थानीयकरण त्रुटियों को कम करने के लिए रणनीतियाँ। एकरा अलावा, हमर प्रयोगात्मक विश्लेषण से पता चलई हई कि एनोटेटर के बीच असहमति क्षेत्र में प्रगति के प्राप्त करे के लेल एगो प्रमुख बाधा न हई। हमार निदान उपकरण सार्वजनिक रूप से उपलब्ध हई ताकि दोसर शोधकर्ता के दिमाग के उनकर एल्गोरिदम के बारे में अतिरिक्त अंतर्दृष्टि के जौरे ईंधन बनल रहे। |
160404fb0d05a1a2efa593c448fcb8796c24b873 | प्रतिनिधित्व के अनुकरण सिद्धांत के एक ढांचे के रूप में विकसित और पता लगायल गलय हा जे मस्तिष्क के विभिन्न प्रकार के प्रतिनिधित्व कार्य के स्पष्ट रूप से संश्लेषित कर सको हय। ई फ्रेमवर्क नियंत्रण सिद्धांत (फॉरवर्ड मॉडल) अउर सिग्नल प्रोसेसिंग (कल्मन फिल्टर) से निर्माण पर आधारित छलई। ई विचार ई हई कि शरीर अउर पर्यावरण के जौरे सरल रूप से जुड़ले के अलावा, मस्तिष्क तंत्रिका सर्किट के निर्माण करई हई जे शरीर अउर पर्यावरण के मॉडल के रूप में कार्य करई हई। स्पष्ट संवेदी-मोटर सगाई के दौरान, इ मॉडल संवेदी प्रतिक्रिया के उम्मीद प्रदान करे और संवेदी जानकारी के बढ़ावे और संसाधित करे के लिए, शरीर और पर्यावरण के समानांतर प्रभाव प्रतियों द्वारा संचालित होवो हय। इ मॉडल के इमेजरी के उत्पादन करे, विभिन्न कार्यों के परिणाम के अनुमान लगावे और मोटर योजना के मूल्यांकन और विकसित करे के लिए ऑफ-लाइन भी चलायल जा सको हय। ई ढांचा शुरू में मोटर नियंत्रण के संदर्भ में विकसित कैल गेल हई, जहां ई देखाएल गेल हई कि शरीर के समानांतर चलई वाला आंतरिक मॉडल प्रतिक्रिया देरी के समस्या के प्रभाव के कम कर सकई हई। समान तंत्र प्रभाव प्रतिलिपि के माध्यम से एमुलेटर के ऑफ-लाइन ड्राइविंग के रूप में मोटर इमेजरी के लेल जिम्मेदार हो सकई हई। मोटर-विजुअल लूप के एमुलेटर के ऑफ-लाइन ड्राइविंग के रूप में दृश्य इमेजरी के लिए खाता बनावे के लिए ढांचे के विस्तार कैल गेल हई। हम इ भी दिखवावो हय कि ऐसन प्रणालियॉ कैसे एक modal spatial imagery प्रदान कर सको हय। दृश्य धारणा सहित धारणा, संवेदी इनपुट के अपेक्षा के बनावे और व्याख्या करे के लिए उपयोग कैल जाए वाला ऐसन मॉडल से उत्पन्न होवो हय। हम संक्षेप में दोसर संज्ञानात्मक कार्य के रूपरेखा तैयार करके समाप्त करबई जे येई ढांचा के भीतर संश्लेषित कैल जा सकई हई, जोनमे तर्क, मन के घटना के सिद्धांत अउर भाषा शामिल छलई। |
65c85498be307ee940976db668dae4546943a4c8 | |
761f2288b1b0cea385b0b9a89bb068593d94d6bd | 3डी चेहरा पहचान उद्योग और अकादमिक दोनों में एक रुझान अनुसंधान दिशा बन गलय हा। ई पारंपरिक 2 डी चेहरा पहचान से लाभ प्राप्त करई हई, जैसे कि प्राकृतिक पहचान प्रक्रिया अउर अनुप्रयोग के एगो विस्तृत श्रृंखला। एकरा अलावा, 3 डी चेहरा पहचान प्रणाली मंद रोशनी में और चेहरे के स्थिति और भाव के साथ मानव चेहरे के सही पहचान कर सकई हई, ऐसन परिस्थिति में 2 डी चेहरा पहचान प्रणाली के संचालन करे में बहुत कठिनाई होतई। ई पेपर 3 डी चेहरा पहचान अनुसंधान डोमेन में इतिहास और सबसे हालिया प्रगति के सारांशित करई हई। सीमांत अनुसंधान परिणामों के तीन श्रेणियों में पेश कियल गलय हा: स्थिति-अपरिवर्तनीय मान्यता, अभिव्यक्ति-अपरिवर्तनीय मान्यता और आवरण-अपरिवर्तनीय मान्यता। भविष्य के शोध के बढ़ावा देवे के लेल, ई पेपर सार्वजनिक रूप से उपलब्ध 3 डी चेहरा डेटाबेस के बारे में जानकारी एकत्र करई हई। ई पेपर महत्वपूर्ण खुला समस्या के भी सूचीबद्ध करई हई। |
2d2b1f9446e9b4cdb46327cda32a8d9621944e29 | हाल के वर्षों में सोशल नेटवर्किंग साइट पर भागीदारी नाटकीय रूप से बढ़ गलय हा। फ्रेंडस्टर, ट्राइब, या फेसबुक जैसन सेवाएं लाखों व्यक्तियों के ऑनलाइन प्रोफाइल बनावे और दोस्तों के विशाल नेटवर्क के साथ व्यक्तिगत जानकारी साझा करे के अनुमति देवो हय - और, अक्सर, अज्ञात संख्या में अजनबियों के। ई पत्र में हम ऑनलाइन सामाजिक नेटवर्क में सूचना के प्रकटीकरण के पैटर्न अउर ओकर गोपनीयता निहितार्थ के अध्ययन करई हई। हम 4,000 से अधिक कार्नेगी मेलन विश्वविद्यालय के छात्रों के ऑनलाइन व्यवहार के विश्लेषण कर रहलिए ह, जे कॉलेज के लेल लोकप्रिय सोशल नेटवर्किंग साइट में शामिल हो गेल ह। हम उनकर खुलासा करे वाला जानकारी के मात्रा के मूल्यांकन करई हई अउर साइट के गोपनीयता सेटिंग्स के उनकर उपयोग के अध्ययन करई हई। हम उनकर गोपनीयता के विभिन्न पहलु पर संभावित हमलों पर प्रकाश डालई हई, अउर हम देखई हई कि उपयोगकर्ता के केवल एक न्यूनतम प्रतिशत अत्यधिक पारगम्य गोपनीयता प्राथमिकता के बदलई छलई। |
e9c525679fed4dad85699d09b5ce1ccaffe8f11d | |
192687300b76bca25d06744b6586f2826c722645 | ई पेपर में हम गहरी गॉसियन प्रक्रिया (जीपी) मॉडल के परिचय दे हकिअइ। डीप जीपी गॉस्सियन प्रक्रिया मैपिंग पर आधारित एगो गहरी विश्वास नेटवर्क हई। डेटा के एक बहुभिन्नरूपी जीपी के आउटपुट के रूप में मॉडलिंग कियल जा हय। ऊ गैशियन प्रक्रिया के इनपुट तब एगो दोसर जीपी द्वारा शासित होई हई। एक एकल परत मॉडल एक मानक GP या GP लुप्त चर मॉडल (GP-LVM) के बराबर हय। हम अनुमानित भिन्नता हाशिए पर रखकर मॉडल में अनुमान लगवाबई। ई मॉडल के सीमांत संभावना पर एगो सख्त निचला सीमा के परिणाम हई जेकरा हम मॉडल चयन के लेल उपयोग करई हई (प्रति परत परत अउर नोड के संख्या) । गहरी विश्वास नेटवर्क आमतौर पर अनुकूलन के लिए स्थैतिक ढाल वंश के उपयोग करके अपेक्षाकृत बड़े डेटा सेट पर लागू होवो हय। हमार पूरा तरह से बेयसन उपचार डेटा दुर्लभ होवे पर भी गहरे मॉडल के आवेदन के अनुमति देवो हय। हमर भिन्नता के बाउंड द्वारा मॉडल चयन से पता चलई हई कि पांच परत के पदानुक्रम के औचित्य हई जब केवल 150 उदाहरण वाला अंक डेटा सेट के मॉडलिंग कैल जाई हई। |
2cac0942a692c3dbb46bcf826d71d202ab0f2e02 | हम एगो मान्यता मॉडल के जौरे गहरी गॉस्सीयन प्रक्रिया के बढ़ाके एगो स्केलेबल गहरी गैर-पैरामीटर जनरेटिव मॉडल विकसित करई छलई। अनुमान एक उपन्यास स्केलेबल वैरिएशनल फ्रेमवर्क में करल जा हई जहां वैरिएशनल पाश्चात्य वितरण के बहुपरत पर्सेप्ट्रॉन के माध्यम से पुनर्व्यवस्थित कैल जा हई। इ पुनर्गठन के प्रमुख पहलू इ हय कि इ परिवर्तनशील पैरामीटर के प्रसार के रोक सको हय जे अन्यथा नमूना आकार के अनुपात में रैखिक रूप से बढ़ो हय। हम भिन्नता के निचला सीमा के एगो नया सूत्र निकालई हई जे हमरा अधिकांश गणना के ऐसन तरीका से वितरित करे के अनुमति देई हई जे मुख्यधारा के गहरी सीखने के कार्य के आकार के डेटासेट के संभाले में सक्षम बनाबई हई। हम विभिन्न प्रकार के चुनौति पर विधि के प्रभावशीलता दिखावो हय जेकरा मे गहरी अनसुप्रबंधित सीखना और गहरे बेयसन अनुकूलन शामिल हय। |
722fcc35def20cfcca3ada76c8dd7a585d6de386 | कैफे मल्टीमीडिया वैज्ञानिक अउर व्यवसायी के अत्याधुनिक गहरी सीखने के एल्गोरिदम अउर संदर्भ मॉडल के संग्रह के लेल एगो स्वच्छ अउर संशोधित ढांचा प्रदान करई छलई। फ्रेमवर्क बीएसडी-लाइसेंस प्राप्त सी ++ लाइब्रेरी हय जेकरा मे पायथन और मैटलैब बाइंडिंग्स के प्रशिक्षण और सामान्य-उद्देश्य के संवहन तंत्रिका नेटवर्क और अन्य गहरे मॉडल के कुशलता से कमोडिटी आर्किटेक्चर पर तैनात करे के लिए हय। कैफे CUDA GPU कंप्यूटेशन द्वारा उद्योग और इंटरनेट-स्केल मीडिया आवश्यकताओं के अनुरूप है, एक K40 या Titan GPU (प्रति छवि लगभग 2 ms) पर एक दिन में 40 मिलियन से अधिक छवियों को संसाधित करता है। वास्तविक कार्यान्वयन से मॉडल प्रतिनिधित्व के अलग करके, कैफे प्रोटोटाइप मशीन से क्लाउड वातावरण में विकास और तैनाती के आसानी के लिए प्लेटफार्मों के बीच प्रयोग और निर्बाध स्विचिंग के अनुमति देवो हय। कैफे के रखरखाव और विकास बर्कले विजन एंड लर्निंग सेंटर (बीवीएलसी) द्वारा गिटहब पर योगदानकर्ता के एक सक्रिय समुदाय के मदद से कियल जा हय। ई चल रहल अनुसंधान परियोजना, बड़ पैमाना के औद्योगिक अनुप्रयोग, और दृष्टि, भाषण और मल्टीमीडिया में स्टार्ट-अप प्रोटोटाइप के शक्ति प्रदान करई हई। |
fd50fa6954e1f6f78ca66f43346e7e86b196b137 | बढ़ते शहरीकरण प्रक्रिया के साथ, शहरी स्थान में लोग के गतिविधि के व्यवस्थित रूप से मॉडलिंग के एक महत्वपूर्ण सामाजिक-आर्थिक कार्य के रूप में मान्यता देल जा रहले हय। विश्वसनीय डेटा स्रोत के कमी के कारण ई काम कै साल पहिले लगभग असंभव हलइ, लेकिन भू-टैग वाला सोशल मीडिया (जीटीएसएम) डेटा के उद्भव एकरा पर नया प्रकाश डाल रहले हे। हाल ही में, जीटीएसएम डेटा से भौगोलिक विषयों के खोज करे पर फलदायी अध्ययन होलय हा। हालांकि, ओकर उच्च कम्प्यूटेशनल लागत अउर लुप्त विषय के बारे में मजबूत वितरण धारणा ओकरा जीटीएसएम के शक्ति के पूरा तरह से उजागर करे से रोकई हई। ई खाई के पाट करे के लेल, हम क्रॉसमैप, एगो उपन्यास क्रॉसमोडल प्रतिनिधित्व सीखने के विधि प्रस्तुत करई हई जे विशाल जीटीएसएम डेटा के जौरे शहरी गतिशीलता के उजागर करई हई। क्रॉसमैप सबसे पहिले लोग के गतिविधि के आधार पर स्थान-समय हॉटस्पॉट के पता लगावे के लेल एगो त्वरित मोड खोज प्रक्रिया के नियोजित करई हई। ऊ पता लगावल गेल हॉटस्पॉट न केवल स्थान-समय भिन्नता के संबोधित करो हय, बल्कि जीटीएसएम डेटा के दुर्लभता के भी काफी हद तक कम करो हय। पता लगावल गेल हॉटस्पॉट के जौरे, क्रॉसमैप फेर संयुक्त रूप से सभे स्थानिक, काल संबंधी अउर पाठ संबंधी इकाई के एके स्थान में दू अलग-अलग रणनीति के उपयोग करइत एम्बेड करई हईः एगो पुनर्निर्माण-आधारित अउर दोसर ग्राफ-आधारित। दुनहु रणनीति अपन सह-घटना और पड़ोस संबंध के एन्कोडिंग करके इकाइ के बीच संबंध के कैप्चर करई हई, अउर येई तरह के संबंध के संरक्षित करे के लेल निम्न-आयामी प्रतिनिधित्व के सीखई हई। हमार प्रयोग से पता चलई हई कि क्रॉसमैप न केवल गतिविधि पुनर्प्राप्ति अउर वर्गीकरण के लेल अत्याधुनिक विधि के बेहतर प्रदर्शन करई हई, बल्कि बहुत बेहतर दक्षता भी प्राप्त करई हई। |
ce8d99e5b270d15dc09422c08c500c5d86ed3703 | मानव पैदल के विश्लेषण एगो आंतरिक पैदल हस्ताक्षर के खोजे में मदद करई हई जेकरा माध्यम से व्यापक मानव पहचान अउर चिकित्सा विकार समस्या के जांच व्यापक स्पेक्ट्रम में कैल जा सकई हई। पैदल जैवमीट्रिक एगो अइसन अनौपचारिक सुविधा प्रदान करई हई जेकरा द्वारा वीडियो पैदल डेटा के विषय के पूर्व जागरूकता के बिना बड़ दूरी पर कैप्चर कैल जा सकई हई। इ पेपर में, किनेक्ट एक्सबॉक्स डिवाइस के साथ मानव पैदल विश्लेषण के अध्ययन करे के लिए एक नया तकनीक के संबोधित कैल गेलय हय। ई सुनिश्चित कर हई कि हम स्वचालित पृष्ठभूमि घटाव तकनीक के जौरे विभाजन त्रुटि के कम कर देई हई। निकट से समान मानव कंकाल मॉडल के पृष्ठभूमि से घटाएल गेल पैदल छविय से उत्पन्न कैल जा सकई हई, जोनमे सह-परिवर्तनीय स्थिति द्वारा बदलल गेल हई, जैसे कि पैदल गति में परिवर्तन अउर कपड़ा के प्रकार में भिन्नता। पैदल हस्ताक्षर के विषय के कंकाल मॉडल के बाएं कूल्हे, बाएं घुटने, दाएं कूल्हे और दाएं घुटने के संयुक्त कोण प्रक्षेपवक्र से कैप्चर कैल गेल हई। Kinect पैदल डेटा पर प्रयोगात्मक सत्यापन के तुलना सेंसर आधारित बायोमेट्रिक सूट, इंटेलिजेंट गैट ऑसिलेशन डिटेक्टर (IGOD) के हमर इन-हाउस विकास से कैल गेल हई। इ जांच के प्रयास कैल गेलय हय कि क्या इ सेंसर आधारित बायोमेट्रिक सूट के किनेक्ट डिवाइस के साथ बदलल जा सको हय या नए। फीचर वेक्टर के भेदभावपूर्ण शक्ति के देखे के लेल प्रशिक्षण पैदल हस्ताक्षर पर फिशर भेदभाव विश्लेषण के लागू कैल गेल हई। Naïve Bayesian वर्गीकरणकर्ता Kinect सेंसर द्वारा कैप्चर कैल गेलय सीमित डेटासेट पर त्रुटि के अनुमान के साथे एक उत्साहजनक वर्गीकरण परिणाम प्रदर्शित करो हय। |
582ea307db25c5764e7d2ed82c4846757f4e95d7 | फलन के सन्निकटन के पैरामीटर स्थान के बजाय फलन स्थान में संख्यात्मक अनुकूलन के दृष्टिकोण से देखल जा हय। चरणबद्ध योज्य विस्तार और सबसे अधिक उतरती न्यूनतमकरण के बीच एक संबंध बनायल जा हय। कोनो भी मानदंड के आधार पर योज्य विस्तार के लेल एगो सामान्य ढाल (अवरोहण / संवर्धन) प्रतिमान विकसित कैल गेल हई। कम से कम वर्ग, न्यूनतम पूर्ण विचलन, और प्रतिगमन के लिए ह्यूबर एम हानि कार्यों के लिए विशिष्ट एल्गोरिदम प्रस्तुत कियल गलय हा, और वर्गीकरण के लिए बहु-वर्ग लॉजिस्टिक संभावना के लिए। विशेष संवर्द्धन विशेष मामला के लिए व्युत्पन्न कियल गलय हा जेजा व्यक्तिगत योजक घटक निर्णय के पेड़ होवो हय, और ऐसन "ट्रीबूस्ट" मॉडल के व्याख्या करे के लिए उपकरण प्रस्तुत कियल गलय हा। निर्णय पेड़ों के ढाल बढ़ावे से प्रतिगमन और वर्गीकरण के लिए प्रतिस्पर्धी, अत्यधिक मजबूत, व्याख्या योग्य प्रक्रिया उत्पन्न होवो हय, जे विशेष रूप से साफ डेटा से कम खनन के लिए उपयुक्त होवो हय। इ दृष्टिकोण और फ्रॉइड और शेपियर 1996 के बढ़ावा देवे वाला विधियों, और फ्राइडमैन, हैस्टी और टिबशिरानी 1998 के बीच संबंध पर चर्चा कैल गेलय हय। 1 फलन अनुमान फलन अनुमान समस्या में एगो प्रणाली हई जेकरा मे एगो यादृच्छिक \output" या \response" चर y अउर यादृच्छिक \input" या \explanatory" चर के एगो सेट x = fx1;; xng होई हई। ज्ञात (y;x) {मान के एक \training" नमूना fyi;xig N 1 के देखते हुए, लक्ष्य एक फ़ंक्शन F (x) के प्राप्त करना हय जे x से y के मैप करो हय, इ तरह से कि सभी (y;x) {मान के संयुक्त वितरण पर, कुछ निर्दिष्ट हानि फ़ंक्शन (y; F (x)) के अपेक्षित मूल्य को कम से कम कर देवल जा हय। F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) अक्सर नियोजित हानि फ़ंक्शन (y; F) में y 2 R (रिग्रेशन) के लिए squared{error (y F ) और पूर्ण त्रुटि jy F शामिल हय, और नकारात्मक द्विपद लॉगॉमी{likelihood, log1 + e 2y F), जब y 2 f 1 g 1; (वर्गीकरण) । एगो आम प्रक्रिया ई हई कि F (x) के फलन F (x;P) के एगो पैरामीटरित वर्ग के सदस्य मानल जाए, जहां P = fP1; P2; g पैरामीटर के एगो सेट हई। ई पेपर में हम फॉर्म के "अतिरिक्त" विस्तार पर ध्यान केंद्रित करे के चाहई छी। |
6a7c63a73724c0ca68b1675e256bb8b9a35c94f4 | जेस्टोर संग्रहण के आपके उपयोग से जेस्टोर के उपयोग के नियम और शर्तों के आपके स्वीकृति के संकेत मिलो हय, जे http://www.jstor.org/about/terms.html पर उपलब्ध हय। जेएसटीओआर के उपयोग के नियम और शर्तें, आंशिक रूप से प्रदान करो हय कि जब तक कि आप पूर्व अनुमति प्राप्त नए कर लेवे हय, आप कोनो पत्रिका के पूरा अंक या लेख के कई प्रतियां डाउनलोड नए कर सको हय, और आप जेएसटीओआर संग्रह में सामग्री के उपयोग केवल अपन व्यक्तिगत, गैर-वाणिज्यिक उपयोग के लिए कर सको हय। ई काम के आगे के उपयोग के बारे में कृपया प्रकाशक से संपर्क करथिन। प्रकाशक के संपर्क जानकारी http://www.jstor.org/journals/econosoc.html पर प्राप्त कैल जा सकई हई। जेएसटीओआर संचरण के कोनो हिस्सा के प्रत्येक प्रति में ओई तरह के कॉपीराइट नोटिस शामिल होए के चाहि जे ऐसन संचरण के स्क्रीन या मुद्रित पृष्ठ पर दिखाई देई हई। |
8eca169f19425c76fa72078824e6a91a5b37f470 | कम लागत और उच्च प्रदर्शन वाला रडार प्रणालि के सफल डिजाइन के लिए सटीक और कुशल प्रणाली सिमुलेशन एक प्रमुख आवश्यकता हय। इ पेपर में हम आवृत्ति-संचालित निरंतर-तरंग रडार प्रणालि के लिए एक नया बहुमुखी सिमुलेशन वातावरण प्रस्तुत करो हय। सामान्य हार्डवेयर सिमुलेशन के अलावा इ सिग्नल संश्लेषण से बेसबैंड तक एकीकृत प्रणाली सिमुलेशन और अवधारणा विश्लेषण के कवर करो हय। एकरा मे एगो लचीला परिदृश्य जनरेटर, सटीक शोर मॉडलिंग शामिल हई, अउर सिग्नल प्रोसेसिंग एल्गोरिदम के विकास अउर परीक्षण के लेल सिमुलेशन डेटा के कुशलता से वितरित करई हई। एक एकीकृत 77-जीएचजेड रडार प्रोटोटाइप के लिए सिमुलेशन और माप परिणामों के तुलना में दो अलग-अलग परिदृश्यों पर सिमुलेटर के क्षमता के दर्शायल जा हय। |
71337276460b50a2cb37959a2d843e593dc4fdcc | एक नया गैर-पृथक तीन-पोर्ट कनवर्टर (एनआई-टीपीसी) के प्रस्ताव कैल गेल हई जे एक पीवी पोर्ट, एक द्विदिश बैटरी पोर्ट अउर एक लोड पोर्ट के इंटरफेस करई हई। तीनों पोर्टों में से कोई दो के बीच एकल चरण के बिजली रूपांतरण प्राप्त कैल जा हय। टोपलॉजी पारंपरिक संरचना के द्विदिशात्मक शक्ति प्रवाह पथ के दो एकदिशात्मक में अलग करके प्राप्त कैल जाई हई। तीनों पोर्टों में से दो को पीवी के लिए अधिकतम बिजली कटाई या बैटरी के लिए चार्ज नियंत्रण प्राप्त करने के लिए कसके विनियमित कियल जा सको हय, और एक ही समय में लोड वोल्टेज को स्थिर रखो हय, जबकि तीसरा पोर्ट कनवर्टर के पावर असंतुलन के भरपाई करे के लिए लचीला छोड़ल जा हय। संचालन स्थिति के विश्लेषण कैल जाई हई। बहु-नियामक प्रतिस्पर्धा नियंत्रण रणनीति के प्रस्तुत कैल गेल हई जब पीवी इनपुट पावर में उतार-चढ़ाव होई हई त स्वायत्त अउर सुचारू रूप से राज्य स्विचिंग प्राप्त कैल जाई छलई। विश्लेषण के प्रयोगात्मक परिणाम द्वारा सत्यापित कैल गेल हई। |
ac8877b0e87625e26f52ab75e84c534a576b1e77 | डिजिटल दुनिया में, व्यवसाय के अधिकारियों के सूचना और सूचना प्रबंधन के रणनीतिक महत्व के बारे में जागरूकता बढ़लई हे। ई सीआईओ के लेल नेतृत्व के अवसर अउर चुनौती दुनु पेश करई छई। सीआईओ के पद के हाशिए पर ना रखे के लेल अउर व्यावसायिक मूल्य सृजन में सीआईओ के योगदान के बढ़ावे के लेल, ऊ लोग के सक्षम आईटी उपयोगिता प्रबंधक होए के परे जाए के चाहि अउर अपन कंपनी के एगो मजबूत सूचना उपयोग संस्कृति बनावे में मदद करे में सक्रिय भूमिका निभए के चाहि। ई लेख के उद्देश्य नेतृत्व के दृष्टिकोण के बेहतर समझ प्रदान करनाई हई जे सीआईओ अउर व्यवसाय के अधिकारी अपन कंपनी के सूचना अभिविन्यास के बेहतर करे के लेल अपना सकई हई। चार केस अध्ययन से हमनी के निष्कर्ष के आधार पर, हम चार-चतुर्थांश नेतृत्व-स्थिति ढांचा बनयले हई। ई ढांचा सीआईओ के दृष्टिकोण से बनल हई अउर ई दर्शाबई हई कि एगो सीआईओ अपन रणनीतिक फोकस के प्राप्त करे के लेल कंपनी के सूचना अभिविन्यास के विकसित करे में नेता, अनुयायी चाहे गैर-खिलाड़ी के रूप में कार्य कर सकई हई। लेख दिशानिर्देश के साथ समाप्त होवो हय जे सीआईओ अपन कंपनियों के सूचना उन्मुखीकरण पहल के शुरू करे या बनाए रखे में अपन नेतृत्व चुनौति के स्थिति में मदद करे के लिए उपयोग कर सको हय और सीआईओ के विशेष परिस्थितियों के आधार पर विशिष्ट नेतृत्व दृष्टिकोण के सिफारिश करो हय। |
5c6b51bb44c9b2297733b58daaf26af01c98fe09 | पेपर व्यवस्थित रूप से दो फीचर निष्कर्षण एल्गोरिदम के तुलना ग्राहक समीक्षा में टिप्पणी कैल गेलय उत्पाद विशेषता के खनन के लिए करो हय। पहला दृष्टिकोण [17] पीओएस पैटर्न के एक सेट के लागू करके और लॉग संभावना अनुपात परीक्षण के आधार पर उम्मीदवार सेट के छंटाई करके उम्मीदवार विशेषता के पहचान करो हय। दूसरा दृष्टिकोण [11] अक्सर विशेषता के पहचान करे के लिए संघ नियम खनन अउर दुर्लभ विशेषता के पहचान करे के लेल भावनात्मक शब्द के उपस्थिति पर आधारित एगो युरेस्टिक के लागू करई हई। हम उपभोक्ता इलेक्ट्रॉनिक उपकरण के संबंध में पांच उत्पाद विशिष्ट दस्तावेज़ संग्रह पर एल्गोरिदम के प्रदर्शन के मूल्यांकन करई हई। हम त्रुटि के विश्लेषण करई हई अउर एल्गोरिदम के लाभ अउर सीमा पर चर्चा करई हई। |
623fd6adaa5585707d8d7339b5125185af6e3bf1 | वर्तमान अध्ययन इंटरनेट गेमिंग डिसऑर्डर (आईजीडी) के लेल हस्तक्षेप के एगो अर्ध-प्रयोगात्मक, संभावनावादी अध्ययन छलई। एक सौ चार माता-पिता अउर उनकर किशोर बच्चा के नामांकित कैल गेलई अउर चार उपचार समूह में से एगो में आवंटित कैल गेलई; अकेले 7-दिवसीय सिरीराज थेरेप्यूटिक रेजिडेंशियल कैंप (एस-टीआरसी), अकेले गेम एडिक्शन (पीएमटी-जी) के लेल 8-सप्ताह के पेरेंट मैनेजमेंट ट्रेनिंग, संयुक्त एस-टीआरसी अउर पीएमटी-जी, अउर बुनियादी मनोशिक्षा (नियंत्रण) । आईजीडी के गंभीरता के गेमिंग एडिक्शन स्क्रीनिंग टेस्ट (जीएएसटी) द्वारा मापल गेलय हल। हस्तक्षेप के बाद 1, 3, और 6 महीने में, क्रमशः, < 0. 001, 0. 002, और 0. 005 के पी मान के साथ, GAST स्कोर में समूहों के बीच औसत अंतर सांख्यिकीय रूप से महत्वपूर्ण था। सभी समूहों में नियंत्रण समूह के तुलना में सुधार हलय। व्यसनी या संभवतः व्यसनी समूह में रहे वाला किशोर के प्रतिशत एस-टीआरसी, पीएमटी-जी, और संयुक्त समूह में 50% से कम रहई। निष्कर्ष में, एस-टीआरसी अउर पीएमटी-जी दुनु आईजीडी के लेल प्रभावी मनोसामाजिक हस्तक्षेप रहई अउर अकेले बुनियादी मनोशिक्षा से बेहतर रहई। |
aca437e9e2a453c84a38d716ca9a7a7683ae58b6 | ई पेपर अंतर्ज्ञानी यांत्रिकी के उपयोग करके ऑब्जेक्ट स्थिरता और सुरक्षा के तर्क द्वारा 3 डी दृश्य समझ के लिए एक नया दृष्टिकोण प्रस्तुत करई हई। हमार दृष्टिकोण एक सरल अवलोकन के उपयोग करो हय, कि मानव डिजाइन द्वारा, स्थैतिक दृश्य में वस्तु गुरुत्वाकर्षण क्षेत्र में स्थिर होवे चाहि और मानव गतिविधियों जैसे विभिन्न भौतिक गड़बड़ी के संबंध में सुरक्षित होवे चाहि। ई धारणा सभे दृश्य श्रेणिय के लेल लागू हई अउर दृश्य समझ में प्रशंसनीय व्याख्या (पार्स) के लेल उपयोगी बाधा के प्रस्तुत करई हई। गहराई कैमरों द्वारा एक स्थिर दृश्य के लिए कैप्चर कैल गेलय एक 3 डी बिंदु बादल के देखते हुए, हमर विधि में तीन चरण शामिल हय: (i) वोक्सल से ठोस 3 डी वॉल्यूमेट्रिक आदिम के पुनर्प्राप्त करना; (ii) स्थिरता और दृश्य के अनुकूलित करके अस्थिर आदिम के शारीरिक रूप से स्थिर वस्तु में समूहीकृत करके तर्कसंगत स्थिरता; और (iii) मानव गतिविधि, हवा या भूकंप जैसे भौतिक गड़बड़ी के तहत वस्तु के लिए भौतिक जोखिम के मूल्यांकन करके तर्कसंगत सुरक्षा। हम एगो उपन्यास सहज भौतिकी मॉडल के अपनाबई हई अउर दृश्य में प्रत्येक आदिम अउर वस्तु के ऊर्जा परिदृश्य के एगो डिस्कनेक्टिविटी ग्राफ (डीजी) द्वारा प्रतिनिधित्व करई हई। हम एगो संपर्क ग्राफ बनाबई हई जेकरा मे नोड्स 3 डी वॉल्यूमेट्रिक प्राइमटिव अउर किनार समर्थन संबंध के प्रतिनिधित्व करई हई। फेर हम स्वेंडसन-वांग कट एल्गोरिथ्म के उपयोग कर के संपर्क ग्राफ के समूह में विभाजित करबो, जेकरा में से प्रत्येक स्थिर वस्तु हई। एक स्थिर दृश्य में असुरक्षित वस्तु के पता लगावे के लिए, हमर विधि दृश्य में छिपी और स्थित कारण (परेशानी) के अनुमान लगो हय, और फिर संभावित प्रभाव के भविष्यवाणी करे के लिए सहज भौतिक यांत्रिकी के परिचय देवो हय (जैसे, गिरना) । प्रयोग में, हम प्रदर्शित करई हई कि एल्गोरिथ्म (i) ऑब्जेक्ट सेगमेंटेशन, (ii) 3 डी वॉल्यूमेट्रिक रिकवरी, अउर (iii) दोसर अत्याधुनिक विधि के संबंध में दृश्य समझ के लेल काफी बेहतर प्रदर्शन प्राप्त करई हई। हम अंतर्ज्ञानी यांत्रिकी मॉडल से सुरक्षा भविष्यवाणी के मानव निर्णय के साथ तुलना करो हय। |
7e9507924ceebd784503fd25128218a7119ff722 | हमार दृष्टिकोण प्रत्येक पाठ्य कॉर्पस के विषय ग्राफ के रूप में मॉडल करई हई। येई ग्राफ के फेर से लगातार ग्राफ मिलान विधि के उपयोग कैके मिलान कैल जाई छलई। अगला, हम एक स्तर-विवरण (एलओडी) विज़ुअलाइज़ेशन विकसित करो हय जे पठनीयता और स्थिरता दोनों के संतुलन करो हय। तदनुसार, परिणामी दृश्यता उपयोगकर्ता के मिलान किए गए ग्राफ के कई दृष्टिकोणों से समझने और विश्लेषण करने के क्षमता में सुधार करो हय। ग्राफ मिलान एल्गोरिथ्म में मीट्रिक लर्निंग और फीचर चयन के शामिल करके, हम उपयोगकर्ता के अपन सूचना आवश्यकता के आधार पर ग्राफ मिलान परिणाम के इंटरैक्टिव रूप से संशोधित करे के अनुमति देई हई। हम अपन दृष्टिकोण के समाचार लेख, ट्वीट अउर ब्लॉग डेटा सहित विभिन्न प्रकार के डेटा पर लागू कैले हई। मात्रात्मक मूल्यांकन और वास्तविक दुनिया के केस अध्ययन हमर दृष्टिकोण के वादा के प्रदर्शित करो हय, विशेष रूप से विभिन्न स्तर के विस्तार पर विषय-ग्राफ-आधारित पूर्ण तस्वीर के जांच के समर्थन में। ई पेपर समाचार, ब्लॉग, या माइक्रो-ब्लॉग जैसे कई स्रोत में चर्चा कैल गेलय प्रासंगिक विषयों के पूर्ण तस्वीर के विश्लेषण करे के लिए एक दृश्य विश्लेषण दृष्टिकोण प्रस्तुत करो हय। पूर्ण चित्र में कैगो सामान्य विषय शामिल हई जेकरा कैगो स्रोत द्वारा कवर कैल जाई हई, जौरे प्रत्येक स्रोत से विशिष्ट विषय के जौरे। |
b04a503487bc6505aa8972fd690da573f771badb | डीप न्यूरल पर्सेप्शन और कंट्रोल नेटवर्क के सेल्फ ड्राइविंग वाहन के एक प्रमुख घटक होवे के संभावना हय। ई मॉडल के व्याख्या करे योग्य होवे के जरूरत हइ - ओकरा अपन व्यवहार के लेल तर्कसंगत व्याख्या करे में आसान होवे के चाही - ताकि यात्री, बीमा कंपनी, कानून लागू करे वाला, डेवलपर आदि, समझ सकइ कि कौन-सा व्यवहार विशेष के ट्रिगर कइलके हल । इ जगह के उपयोग विजुअल स्पष्टीकरण के लेल कैल जाई हई। ई स्पष्टीकरण एगो छवि के वास्तविक समय के हाइलाइट कैल गेल क्षेत्र के रूप लेई हई जे नेटवर्क के आउटपुट (स्टीयरिंग कंट्रोल) के कारण प्रभावित करई हई। हमर दृष्टिकोण दू चरण के हइ । पहले चरण में, हम इमेज से स्टीयरिंग एंगल तक एगो कन्वॉल्यूशन नेटवर्क के एंड-टू-एंड प्रशिक्षित करे के लेल एगो दृश्य ध्यान मॉडल के उपयोग करई छियई। ध्यान मॉडल छवि क्षेत्र के उजागर करो हय जे संभावित रूप से नेटवर्क के आउटपुट के प्रभावित करो हय। एकरा में से कुछ वास्तविक प्रभाव हय, लेकिन कुछ झूठे प्रभाव भी हय। फेर हम इ निर्धारित करे के लेल एगो कारणवा फिल्टरिंग चरणवा के लागू कर हई कि कोनसा इनपुट क्षेत्र वास्तव में आउटपुट के प्रभावित कर हई। ई अधिक संक्षिप्त दृश्य स्पष्टीकरण उत्पन्न करो हय और नेटवर्क के व्यवहार के अधिक सटीक रूप से उजागर करो हय। हम अपन मॉडल के प्रभावशीलता के 16 घंटे के ड्राइविंग के तीन डेटा सेट पर प्रदर्शित कर रहलिए ह। हम पहिले देखई हई कि ध्यान के जौरे प्रशिक्षण अंत-से-अंत नेटवर्क के प्रदर्शन के नीचा ना रखई हई। फेर हम देखबई कि नेटवर्क विभिन्न प्रकार के सुविधा पर कारण से संकेत देई हई जे ड्राइविंग के दौरान मनुष्य द्वारा उपयोग कैल जाई हई। |
4954bb26107d69eb79bb32ffa247c8731cf20fcf | विशेषता-आधारित एन्क्रिप्शन (एबीई) [13] उपयोगकर्ता के विशेषताओं के आधार पर डिक्रिप्शन क्षमता निर्धारित करो हय। एगो बहु-प्राधिकरण एबीई योजना में, कैगो विशेषता-प्राधिकरण विशेषता के विभिन्न सेट के निगरानी करई हई अउर उपयोगकर्ता के अनुरूप डिक्रिप्शन कुंजी जारी करई हई, अउर एन्क्रिप्टर के आवश्यकता हो सकई हई कि कोनो उपयोगकर्ता संदेश के डिक्रिप्ट करे से पहिले प्रत्येक प्राधिकरण से उपयुक्त विशेषता के लेल कुंजी प्राप्त करई छलो। चेस [5] एगो बहु-प्राधिकरण एबीई योजना देलकय जेकरा मे एगो विश्वसनीय केंद्रीय प्राधिकरण (सीए) और वैश्विक पहचानकर्ता (जीआईडी) के अवधारणा के उपयोग कैल गेलय हल। हालांकि, ओई निर्माण में सीए के पास प्रत्येक सिफरटेक्स्ट के डिक्रिप्ट करे के शक्ति होई हई, जे कई संभावित रूप से अविश्वसनीय प्राधिकरण पर नियंत्रण वितरित करे के मूल लक्ष्य के विपरीत छलई। एकरा अलावा, ओई निर्माण में, एक सुसंगत जीआईडी के उपयोग से अधिकारियों के उपयोगकर्ता के सभी विशेषताओं के साथ एक पूर्ण प्रोफ़ाइल बनावे के लेल अपन जानकारी के संयोजन करे के अनुमति मिलई रहई, जे उपयोगकर्ता के गोपनीयता के अनावश्यक रूप से जोखिम में डालई छलई। ई पेपर में, हम एगो ऐसन समाधान प्रस्तावित करई हई जे विश्वसनीय केंद्रीय प्राधिकरण के हटा देई हई, अउर उपयोगकर्ता के गोपनीयता के सुरक्षा करई हई, प्राधिकरण के विशिष्ट उपयोगकर्ता पर अपन जानकारी के एकत्रित करे से रोकई हई, येई प्रकार एबीई के अभ्यास में अधिक उपयोगी बनाबई हई। |
25098861749fe9eab62fbe90c1ebeaed58c211bb | इ पत्र में हम नया दृष्टिकोण से बूस्टिंग विधियों के अध्ययन कर हियई। हम इफ्रॉन एट अल के हालिया काम पर निर्माण करो हय। इ दिखावे के लिए कि गुणांक वेक्टर पर एक l1 बाधा के साथे लगभग (और कुछ मामलों में बिल्कुल) अपने नुकसान मानदंड के कम कर दे हय। ई घाटा मानदंड के नियमित रूप से फिट करे के रूप में जल्दी से रुकले के साथ बढ़ावा देवे के सफलता के समझे में मदद करो हय। दो सबसे आम उपयोग कैल जाए वाला मानदंड (एक्सपोनेंशियल और द्विपद लॉग-समानता) के लेल, हम आगे देखबई कि जैसन कि बाधा ढीला हो जाई हई-या समतुल्य रूप से जैसन कि बूस्टिंग पुनरावृत्ति आगे बढ़ई हई-समाधान एकजुट होई हई (पृथक होए योग्य मामला में) एगो l1- इष्टतम अलग हाइपर-प्लेन के लेल। हम साबित कर हई कि ई l1-उत्तम पृथक्करण हाइपर-प्लेन में प्रशिक्षण डेटा के न्यूनतम l1-मार्जिन के अधिकतम करे के गुण हई, जैसन कि बूस्टिंग साहित्य में परिभाषित कैल गेल हई। बूस्टिंग और कर्नेल सपोर्ट वेक्टर मशीन के बीच एक दिलचस्प मौलिक समानता उभरती हय, काहेकी दोनों के उच्च-आयामी भविष्यवाणी अंतरिक्ष में नियमित अनुकूलन के लिए विधियों के रूप में वर्णित कियल जा सको हय, गणना के व्यावहारिक बनावे के लिए एक कम्प्यूटेशनल ट्रिक के उपयोग करके, और मार्जिन-अधिकतम समाधान के लिए अभिसरण। जबकि ई कथन एसवीएम के ठीक से वर्णन करई हई, ई केवल लगभग बूस्टिंग पर लागू होई हई। |
0825788b9b5a18e3dfea5b0af123b5e939a4f564 | शब्द के वेक्टर स्पेस प्रतिनिधित्व के सीखे के लेल हालिया विधि वेक्टर अंकगणित के उपयोग कैले सूक्ष्म-अनाकार शब्दार्थ अउर वाक्यविन्यास नियमितता के कैप्चर करे में सफल हो गेल हई, लेकिन येई नियमितता के उत्पत्ति अपारदर्शी बनल छलई। हम शब्द वेक्टर में ऐसन नियमितता के उभरले के लेल आवश्यक मॉडल गुण के विश्लेषण अउर स्पष्ट कर हई। परिणाम एक नया वैश्विक लॉगबिलिनियर प्रतिगमन मॉडल हय जे साहित्य में दो प्रमुख मॉडल परिवार के लाभ के जोड़ो हय: वैश्विक मैट्रिक्स फैक्टराइजेशन और स्थानीय संदर्भ विंडो विधियां। हमार मॉडल पूरे विरल मैट्रिक्स या एगो बड़का कॉर्पस में व्यक्तिगत संदर्भ विंडो पर न बल्कि शब्द-शब्द सह-घटना मैट्रिक्स में केवल गैर-शून्य तत्व पर प्रशिक्षण देके सांख्यिकीय जानकारी के कुशलता से लाभ उठावई हई। मॉडल अर्थपूर्ण सबस्ट्रक्चर के साथ एक वेक्टर स्पेस उत्पन्न करो हय, जैसन कि हाल के शब्द सादृश्य कार्य पर 75% के प्रदर्शन द्वारा प्रमाणित कैल गेलय हय। ई समानता कार्य अउर नामित इकाई मान्यता पर संबंधित मॉडल के भी बेहतर प्रदर्शन करई हई। |
326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5 | हम सामग्री-आधारित छवि पुनर्प्राप्ति के लेल दू वितरण, पृथ्वी मूवर के दूरी (ईएमडी) के बीच एगो मीट्रिक के गुण के जांच करई हई। ईएमडी न्यूनतम लागत पर आधारित हय जे एक वितरण के दूसरे में बदले के लिए भुगतान कैल जाए चाहि, एक सटीक अर्थ में, और पहली बार पेलेग, वेरमैन और रोम द्वारा कुछ दृष्टि समस्याओं के लिए प्रस्तावित कियल गेलय हल। छवि पुनर्प्राप्ति लागी, हम इ विचार के वितरण के लेल एगो प्रतिनिधित्व योजना के जौरे जोड़ई हई जे वेक्टर क्वांटिज़ेशन पर आधारित छलई। इ संयोजन एगो छवि तुलना ढांचा के ओर ले जाई हई जे अक्सर अन्य पहिले प्रस्तावित विधि के तुलना में बेहतर धारणा समानता के लेल जिम्मेदार होई हई। ईएमडी रैखिक अनुकूलन से परिवहन समस्या के समाधान पर आधारित हय, जेकर लिए कुशल एल्गोरिदम उपलब्ध हय, और स्वाभाविक रूप से आंशिक मिलान के अनुमति देवो हय। ई हिस्टोग्राम मिलान तकनीक से अधिक मजबूत हई, येईसे ई वितरण के चर-लंबाई प्रतिनिधित्व पर काम कर सकई हई जे क्वान्टिज़ेशन अउर हिस्टोग्राम के विशिष्ट दोसर बाइनिंग समस्या से बचे के लेल काम करई हई। जब समान कुल द्रव्यमान के साथ वितरण के तुलना करे के लिए उपयोग कैल जा हय, तओ ईएमडी एक वास्तविक मीट्रिक होवो हय। इ पेपर में हम रंग और बनावट के अनुप्रयोग पर ध्यान केंद्रित करो हय, और हम अन्य दूरी के साथ ईएमडी के पुनर्प्राप्ति प्रदर्शन के तुलना करो हय। |
508d8c1dbc250732bd2067689565a8225013292f | स्थानीय पल्स वेव वेल्थ (पीडब्ल्यूवी) के लिए एक उपन्यास दोहरी फोटोपलेटिसमोग्राफ (पीपीजी) जांच और माप प्रणाली के प्रस्तावित और प्रदर्शित कियल गलय हा। विकसित जांच डिजाइन दो आसन्न माप बिंदु (28 मिमी दूर) से रक्त धड़कन प्रसार तरंगों के गैर-आक्रामक पता लगाने के लिए प्रतिबिंब PPG ट्रांसड्यूसर का उपयोग करता है। बीट-टू-बीट स्थानीय पीडब्लूवी माप के लिए लगातार अधिग्रहित दोहरी पल्स तरंग रूप के बीच पारगमन समय देरी के उपयोग कैल गेल रहई। पीपीजी जांच डिजाइन के मान्य करे और स्थानीय पीडब्लूवी माप प्रणाली विकसित करे के लिए 10 स्वस्थ स्वयंसेवकों (8 पुरुष और 2 महिला, 21 से 33 वर्ष के आयु) पर एक इन-विवो प्रयोगात्मक सत्यापन अध्ययन कैल गेलय हल। प्रस्तावित प्रणाली कैरोटिड स्थानीय पीडब्ल्यूवी के कई विषयों से मापे में सक्षम हलय। प्रारंभिक कैरोटिस पीडब्ल्यूवी के बीट-टू-बीट भिन्नता 10 में से 7 व्यक्तियों के लिए 7. 5% से कम हलय, अध्ययन के दौरान 16% के अधिकतम बीट-टू-बीट भिन्नता देखल गेलय हल। व्यायाम के बाद के वसूली अवधि के दौरान बीट-टू-बीट कैरोटिड स्थानीय पीडब्ल्यूवी और ब्रैचियल रक्तचाप (बीपी) मानों में भिन्नता के भी जांच कियल गलय हल। इंट्रा- सब्जेक्ट स्थानीय पीडब्ल्यूवी भिन्नता और ब्रेसियल बीपी पैरामीटर के बीच एक सांख्यिकीय रूप से महत्वपूर्ण सहसंबंध देखल गेलय (आर > 0. 85, पी < 0. 001) । परिणाम ने कैरोटिड धमनी से निरंतर बीट-टू-बीट स्थानीय पीडब्ल्यूवी माप के लिए प्रस्तावित पीपीजी जांच के व्यवहार्यता के प्रदर्शित कैलकय। ऐसन गैर-आक्रामक स्थानीय पीडब्ल्यूवी माप इकाई के संभावित रूप से निरंतर एम्बुलेटरी बीपी माप के लेल उपयोग कैल जा सकई हई। |
79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6 | ई पेपर गहराई मानचित्र के अनुक्रम से मानव क्रिया के पहचान करे के एगो विधि प्रस्तुत करई हई। विशेष रूप से, हम क्रिया के गतिशीलता के स्पष्ट रूप से मॉडल करे के लेल एगो क्रिया ग्राफ के उपयोग करई हई अउर 3 डी बिंदु के एगो बैग के उपयोग प्रमुख मुद्रा के एगो सेट के विशेषता देवे के लेल करई हई जे क्रिया ग्राफ में नोड्स के अनुरूप होई हई। एकर अलावा, हम गहराई मानचित्र से 3 डी बिंदु के बैग के नमूना लेवे के लिए एक सरल, लेकिन प्रभावी प्रक्षेपण आधारित नमूनाकरण योजना के प्रस्ताव करो हय। प्रयोगात्मक परिणाम से पता चललई कि गहराई मानचित्र से केवल 1% 3 डी बिंदु के नमूना ले के 90% से अधिक पहचान सटीकता प्राप्त कैल गेल रहई। 2 डी सिल्हूट आधारित मान्यता के तुलना में, मान्यता त्रुटि आधा हो गेलय हल। एकर अलावा, हम सिमुलेशन के माध्यम से ऑक्ल्यूशन से निपटे के लेल पॉइंट्स पोस्चर मॉडल के बैग के क्षमता के प्रदर्शन करई छलई। |
46fd85775cab39ecb32cf2e41642ed2d0984c760 | पेपर एआई रोबोट के कानूनी स्थिति पर आज के बहस के जांच करो हय, और केतना बार विद्वान और नीति निर्माता इ कृत्रिम एजेंट के कानूनी एजेंट के कानूनी व्यक्ति के स्थिति के साथ भ्रमित करो हय। क्षेत्र में वर्तमान रुझान के ध्यान में रखके, कागज एक दोहरे रुख के सुझाव देवो हय। सबसे पहले, नीति निर्माता जटिल वितरित जिम्मेदारी के मामला में अनुबंध और व्यापार कानून में एआई रोबोट के गतिविधियों के लिए जवाबदेही और दायित्व के नया रूपों के स्थापित करे के संभावना पर गंभीरता से विचार करतय, उदाहरण के लिए, कानूनी एजेंसी के नया रूप। दोसर, निकट भविष्य में एआई रोबोट के पूर्ण कानूनी व्यक्तित्व प्रदान करे के कोनो भी परिकल्पना के खारिज कर देबे के चाहि। हालाँकि, सोफिया के साथ हम कैसे व्यवहार करे, जे अक्टूबर 2017 में सऊदी अरब, किसी भी देश की नागरिकता प्राप्त करने वाला पहला एआई अनुप्रयोग बन गया? स्वीकारोक्ति से, केकरो, या कुछ के कानूनी व्यक्ति के रूप में प्रदान करनाई - हमेशा के तरह - एगो अत्यधिक संवेदनशील राजनीतिक मुद्दा हई जे केवल तर्कसंगत विकल्प अउर अनुभवजन्य साक्ष्य पर निर्भर ना करई छलई। विवेक, मनमानी, अउर ईहां तक कि विचित्र निर्णय भी येई संदर्भ में एगो भूमिका निभई हई। हालांकि, कानूनी प्रणालि जे मानवीय अउर कृत्रिम संस्था के, जैसे निगम के, उनकर स्थिति प्रदान करई हई, ओई मानक कारण से, हमनही के एआई रोबोट के कानूनी व्यक्तित्व के लेल आज के खोज में पक्ष लेबे में मदद करई हई। की नागरिक सोफिया वास्तव में सचेत हइ, या अपमानजनक विद्वान के फंदा आउ तीर के सहन करे में सक्षम हइ? |
0943ed739c909d17f8686280d43d50769fe2c2f8 | हम मानव व्यवहार के विश्लेषण और संश्लेषण के लिए एक दृष्टिकोण के रूप में कार्रवाई-प्रतिक्रिया सीखना प्रस्तावित करो हय। ई प्रतिमान अतीत अउर भविष्य के घटना के बीच या समय के अनुक्रम के देखके एगो क्रिया अउर ओकर प्रतिक्रिया के बीच कारण-कारण मैपिंग के खुलासा करई हई। हम इ पद्धति के मानव संपर्क के विश्लेषण करे और बाद में मानव व्यवहार के संश्लेषण करे के लिए लागू करो हय। अवधारणात्मक माप के एक समय श्रृंखला के उपयोग कैके, एगो प्रणाली स्वचालित रूप से एगो मानव प्रतिभागी (एक क्रिया) से इशारा के बीच एगो मानचित्रण के खुलासा करई हई अउर दोसर प्रतिभागी से बाद के इशारा (एगो प्रतिक्रिया) के। एगो संभाव्य मॉडल के मानव संपर्क के डेटा से एगो उपन्यास अनुमान तकनीक, सशर्त अपेक्षा अधिकतमकरण (सीईएम) के उपयोग करके प्रशिक्षित कैल जाई हई। सिस्टम एगो ग्राफिकल इंटरैक्टिव चरित्र के चलाबई हई जे संभावित रूप से उपयोगकर्ता के व्यवहार के लेल सबसे संभावित प्रतिक्रिया के भविष्यवाणी करई हई अउर एकरा इंटरैक्टिव रूप से करई हई। येई प्रकार, प्रतिभागी के जोड़ी में मानव संपर्क के विश्लेषण करे के बाद, सिस्टम ओकरा में से एगो के प्रतिस्थापित करे अउर एकल शेष उपयोगकर्ता के जौरे बातचीत करे में सक्षम छलो। |
272216c1f097706721096669d85b2843c23fa77d | हम एडम, निचले क्रम के क्षणों के अनुकूली अनुमानों के आधार पर स्थैतिक उद्देश्य कार्यों के प्रथम-क्रम ढाल-आधारित अनुकूलन के लिए एक एल्गोरिथ्म पेश करते हैं। विधि लागू करे में सीधा हय, कम्प्यूटेशनल रूप से कुशल हय, मेमोरी के आवश्यकता कम हय, ग्रेडिएंट के विकर्ण पुनर्मूल्यांकन के लिए अपरिवर्तनीय हय, और ऊ समस्या के लिए उपयुक्त हय जे डेटा और / या पैरामीटर के संदर्भ में बड़ हय। विधि गैर-स्थिर उद्देश्यों और बहुत शोर और/या पतले ढाल के साथ समस्याओं के लिए भी उपयुक्त हय। हाइपर-पैरामीटर के सहज व्याख्या हय और आमतौर पर एकरा थोड़ा ट्यूनिंग के आवश्यकता होवो हय। संबंधित एल्गोरिदम से कुछ कनेक्शन पर चर्चा कैल गेल हई, जेकरा पर एडम के प्रेरणा मिलल रहई। हम एल्गोरिथ्म के सैद्धांतिक अभिसरण गुण के भी विश्लेषण करो हय और अभिसरण दर पर एक खेद प्रदान करो हय जे ऑनलाइन उत्तोलन फ्रेमवर्क के तहत सबसे अच्छा ज्ञात परिणाम के तुलना में तुलनात्मक हय। अनुभवजन्य परिणाम प्रदर्शित करो हय कि एडम अभ्यास में अच्छा काम करो हय और अन्य स्थैतिक अनुकूलन विधियों के अनुकूल तुलना करो हय। अंत में, हम AdaMax, अनंतता मानदंड पर आधारित एडम के एक संस्करण पर चर्चा करते हैं। |
05aba481e8a221df5d8775a3bb749001e7f2525e | हम सबग्रैडिएंट विधियों के एक नया परिवार प्रस्तुत करो हय जे पहले के पुनरावृत्ति में देखल गेल डेटा के ज्यामिति के ज्ञान के गतिशील रूप से शामिल करो हय ताकि अधिक सूचनात्मक ग्रेडिएंट-आधारित सीखने के प्रदर्शन कैल जा सके। रूपक रूप से, अनुकूलन हमरा बहुत भविष्यवाणिक लेकिन शायद ही कभी देखे जाए वाला विशेषता के रूप में Haystacks में n ईडल के खोजे के अनुमति देई हई। हमार प्रतिमान स्टोचैस्टिक अनुकूलन और ऑनलाइन सीखने में हालिया प्रगति से निकलले हई जे एल्गोरिदम के ढाल चरण के नियंत्रित करे के लेल निकटवर्ती फलन के नियोजित करई हई। हम निकटवर्ती फ़ंक्शन के अनुकूलनशील रूप से संशोधित करे के लिए एक उपकरण के वर्णन और विश्लेषण करो हय, जे सीखने के दर के सेट करे के काफी सरल बनावो हय और परिणाम में गारंटी के गारंटी होवो हय जे सबसे अच्छा निकटवर्ती फ़ंक्शन के रूप में साबित रूप से अच्छा होवो हय जेकरा बाद में चुनल जा सको हय। हम आम आउर महत्वपूर्ण नियामक फ़ंक्शन अउर डोमेन प्रतिबंध के जौरे अनुभवजन्य जोखिम न्यूनीकरण समस्या के लेल कैगो कुशल एल्गोरिदम देई हई। हम प्रयोगात्मक रूप से अपन सैद्धांतिक विश्लेषण के अध्ययन करई हई अउर देखई हई कि अनुकूली उप-वर्गीय विधि अत्याधुनिक, फिर भी गैर-अनुकूली, उप-वर्गीय एल्गोरिदम के बेहतर प्रदर्शन करई हई। |
f2bc77fdcea85738d1062da83d84dfa3371d378d | ई पेपर चिप-टू-चिप अनुप्रयोगों के लिए 90-एनएम सीएमओएस में 6.25-जीबी/एस 14-एमडब्ल्यू ट्रांसीवर के वर्णन कर हई। ट्रांसीवर में बिजली के खपत के कम करे के लेल कैगो सुविधा शामिल हई, जोनमे एगो साझा एलसी-पीएलएल घड़ी गुणक, एगो इंडक्टर-लोड कैल गेल अनुनाद घड़ी वितरण नेटवर्क, एगो कम-और प्रोग्राम करे योग्य स्विंग वोल्टेज-मोड ट्रांसमीटर, सॉफ्टवेयर-नियंत्रित घड़ी और डेटा रिकवरी (सीडीआर) अउर रिसीवर के भीतर अनुकूली समकक्षता, अउर सीडीआर के लेल एगो उपन्यास पीएलएल-आधारित चरण रोटेटर शामिल हई। ई डिज़ाइन -15 डीबी या एकरा से बड़ बिट-त्रुटि दर 10-15 या एकरा से कम पर चैनल क्षीणन के साथ काम कर सकई हई, जबकि प्रति ट्रांसीवर 2.25 एमडब्ल्यू/जीबी/एस से कम के खपत करई छई। |
9da870dbbc32c23013ef92dd9b30db60a3cd7628 | 3 डी आकार के गैर-कठोर पंजीकरण एक आवश्यक कार्य हय जे बढ़ते महत्व के रूप में कमोडिटी गहराई सेंसर गतिशील दृश्य के स्कैनिंग के लिए अधिक व्यापक रूप से उपलब्ध हो जा हय। गैर-कठोर पंजीकरण कठोर पंजीकरण के तुलना में बहुत अधिक चुनौतीपूर्ण हय काहेकी इ एक एकल वैश्विक परिवर्तन के बजाय स्थानीय परिवर्तन के एक सेट के अनुमान लगावो हय, और इ प्रकार कम निर्धारण के कारण ओवरफिटिंग मुद्दा के लिए प्रवण हय। पिछला विधियों में सामान्य ज्ञान स्थानीय रूपांतरण अंतर पर एक l2-मानक नियमितकरण लागू करना हय। हालांकि, l2-मानक नियमितकरण भारी-पूंछ वितरण के साथ समाधान के प्रति विचलित और शोर के ओर झुकाव कर हय, जे परिवर्तन अंतर पर गॉसियन वितरण के खराब अच्छाई-फिट द्वारा सत्यापित हय। एकर विपरीत, लाप्लासियन वितरण रूपांतरण अंतर के जौरे अच्छी तरह से फिट होई हई, जे एगो विरलता पूर्व के उपयोग के सुझाव देइ हई। हम रूपांतरण अनुमान के लिए एक l1-मानक नियमित मॉडल के साथ एक दुर्लभ गैर-कठोर पंजीकरण (SNR) विधि के प्रस्ताव करो हय, जेकरा संवर्धित लैग्रेंजियन ढांचे के तहत एक वैकल्पिक दिशा विधि (ADM) द्वारा प्रभावी रूप से हल कैल जा हय। हम मजबूत अउर प्रगतिशील पंजीकरण के लेल एगो बहु-रिज़ॉल्यूशन योजना के भी डिजाइन करई छी। सार्वजनिक डेटासेट अउर स्कैन कैल गेल डेटासेट दुनु पर परिणाम हमर विधि के श्रेष्ठता देखाई देई हई, विशेष रूप से बड़का पैमाना के विरूपण के जौरे-जौरे आउटलाइर अउर शोर के संभाले में। |
e36ecd4250fac29cc990330e01c9abee4c67a9d6 | इ पत्र में एक उपन्यास का-बैंड दोहरे-बैंड दोहरे-सर्कल रूप से ध्रुवीकृत एंटीना सरणी प्रस्तुत कैल गेल हई। एक कॉम्पैक्ट एन्युलर रिंग स्लॉट के साथ का-बैंड डाउनलिंक आवृत्तियों के लिए बाएं हाथ के परिपत्र ध्रुवीकरण और का-बैंड अपलिंक आवृत्तियों के लिए दाएं हाथ के परिपत्र ध्रुवीकरण वाला एक दोहरे-बैंड एंटीना के एहसास कियल जा हय। क्रमिक घूर्णन तकनीक के लागू करके, अच्छा प्रदर्शन के साथे 2 × 2 सबरै प्राप्त कैल जा हय। ई पत्र डिजाइन प्रक्रिया के वर्णन करो हय और सिमुलेशन और माप परिणाम के प्रस्तुत करो हय। |
0bb71e91b29cf9739c0e1334f905baad01b663e6 | ई पेपर में एलटीई नेटवर्क में तैनात बैटरी संचालित उपकरण के लिए ऊर्जा खपत के कम करे के लेल शेड्यूलिंग अउर ट्रांसमिट पावर कंट्रोल के जांच कैल गेल हई। मशीन-प्रकार के ग्राहक के एक विशाल संख्या के लिए कुशल शेड्यूलिंग के सक्षम करे के लिए, एक उपन्यास वितरित योजना के प्रस्ताव दिहल गेलय हय ताकि मशीन नोड्स स्थानीय क्लस्टर बना सको और क्लस्टर-हेड्स के माध्यम से बेस-स्टेशन के साथ संवाद कर सको। फिर, एलटीई नेटवर्क में अपलिंक शेड्यूलिंग और पावर कंट्रोल पेश कैल जाई हई अउर क्लस्टर-हेड्स अउर बेस-स्टेशन के बीच संचार के लेल उपयोग कैल जाए वाला लाइफटाइम-जागरूक समाधान के जांच कैल जाई छलई। सटीक समाधान के अलावा, कम जटिलता वाला उप-इष्टतम समाधान इ काम में प्रस्तुत कैल गेल हई जे बहुत कम कम्प्यूटेशनल जटिलता के जौरे निकट-इष्टतम प्रदर्शन प्राप्त कर सकई हई। प्रदर्शन मूल्यांकन से पता चलई हई कि प्रस्तावित प्रोटोकॉल के उपयोग कैके नेटवर्क के जीवनकाल के काफी विस्तार कैल गेल हई। |
6dc4be33a07c277ee68d42c151b4ee866108281f | संपीड़न माप से सह-विचलन मैट्रिक्स के अनुमान विज्ञान और इंजीनियरिंग के विभिन्न क्षेत्र में हाल ही में काफी शोध प्रयास के आकर्षित कैलकय हा। छोट संख्या में अवलोकन के कारण, सह-विचलन मैट्रिक्स के अनुमान एगो गंभीर रूप से गलत समस्या हई। इ सह-विचलन मैट्रिक्स के संरचना के बारे में पूर्व जानकारी के शोषण करके दूर कैल जा सको हय। ई पेपर संपीड़ित माप के तहत उच्च-आयामी सह-विचलन मैट्रिक्स अनुमान समस्या के उत्तल सूत्रों और संबंधित समाधानों के एक वर्ग प्रस्तुत करो हय, सकारात्मक अर्ध-परिभाषितता के अलावा समाधान पर टोप्लित्ज़, विरलता, शून्य-पैटर्न, निम्न रैंक, या निम्न अनुक्रमित रैंक संरचना लगावो हय। अनुकूलन समस्या के हल करे के लेल, हम संवर्धित लैग्रेंजियन संकोचन एल्गोरिथ्म (सीओवीएएलएसए) द्वारा सह-भिन्नता के परिचय देई हई, जे स्प्लिट संवर्धित लैग्रेंजियन संकोचन एल्गोरिथ्म (एसएएलएसए) के एगो उदाहरण हई। हम अत्याधुनिक एल्गोरिदम के साथ तुलना में अपने दृष्टिकोण के प्रभावशीलता के चित्रित करो हय। |
05357314fe2da7c2248b03d89b7ab9e358cbf01e | सब अधिकार सुरक्षित . प्रकाशक के लिखित अनुमति के बिना इ पुस्तक के कौनो भी भाग के कौनो भी रूप में किसी भी इलेक्ट्रॉनिक या यांत्रिक माध्यम से (फोटोकोपी, रिकॉर्डिंग, या सूचना भंडारण और पुनर्प्राप्ति सहित) दोहरायल नए जा सको हय। |
06d0a9697a0f0242dbdeeff08ec5266b74bfe457 | हम प्राकृतिक भाषा के पेड़ के संरचना के लिए एक नया पीढ़ीगत मॉडल प्रस्तुत करो हय जेकरा मे शब्दार्थ (शब्दकोश पर निर्भरता) और वाक्यविन्यास संरचना के अलग-अलग मॉडल के साथ स्कोरिंग कैल जा हय। इ कारककरण वैचारिक सादगी, घटक मॉडल के अलग-अलग सुधार के लिए सीधा अवसर प्रदान करो हय, और समान, गैर-कारक मॉडल के समान प्रदर्शन के स्तर के करीब हय। सबसे महत्वपूर्ण बात, अन्य आधुनिक पार्सिंग मॉडल के विपरीत, कारक मॉडल एक अत्यधिक प्रभावी पार्सिंग एल्गोरिथ्म के साथ सुसज्जित हय, जे एक कुशल, सटीक अनुमान के संभव बनावो हय। |
8f76334bd276a2b92bd79203774f292318f42dc6 | ई पेपर एगो L-आकार के जांच द्वारा पोषित गोलाकार सींग एंटीना से संबंधित हई। 50 ओमेगा समाक्षीय केबल के साथ ब्रॉडबैंड मिलान के लिए डिजाइन प्रक्रिया, और अक्षीय अनुपात और लाभ में एंटीना प्रदर्शन प्रस्तुत कैल गेल हई। इ पेपर के सिमुलेशन परिणाम एनसॉफ्ट एचएफएसएस 9.2 के उपयोग करके प्राप्त कैल गेलय हल। |
41c987b8a7e916d56fed2ea7311397e0f2286f3b | नेटवर्क स्तर पर क्वांटिज़ेशन पर केंद्रित पारंपरिक दृष्टिकोण के विपरीत, इ काम में हम टेंसर स्तर पर क्वांटिज़ेशन प्रभाव के कम करे के प्रस्ताव रखई हई। हम कम परिशुद्धता नेटवर्क में क्वांटिज़ेशन शोर और क्लिपिंग विकृति के बीच व्यापार-बंद के विश्लेषण करो हय। हम विभिन्न टेंसर के आंकड़ों के पहचान कर हई, और क्लिपिंग के कारण माध्य-वर्ग-त्रुटि गिरावट के लेल सटीक अभिव्यक्ति प्राप्त कर हई। इ अभिव्यक्तियों के अनुकूलित करके, हम मानक क्वांटिज़ेशन योजनाओं पर उल्लेखनीय सुधार दिखाते हैं जे आमतौर पर क्लिपिंग से बचे हय। उदाहरण के लिए, केवल सटीक क्लिपिंग मानों के चयन से, VGG16-BN के क्वांटिज़ेशन के लिए 4-बिट सटीकता के लिए 40% से अधिक सटीकता सुधार प्राप्त होता है। हमार परिणाम के प्रशिक्षण अउर अनुमान समय दुनहु में तंत्रिका नेटवर्क के क्वांटिज़ेशन के लेल कैगो अनुप्रयोग छलई। एक तात्कालिक अनुप्रयोग कम सटीकता वाले त्वरक के लिए न्यूरल नेटवर्क के तेजी से तैनाती के लिए समय लेने वाले ठीक ट्यूनिंग या पूर्ण डेटासेट की उपलब्धता के बिना है। |
1bde4205a9f1395390c451a37f9014c8bea32a8a | रेंज इमेज में क्वेरी कैल गेल ऑब्जेक्ट के पहचानना और स्थानीयकृत करना रोबोटिक हेरफेर और नेविगेशन के लिए एक महत्वपूर्ण भूमिका निभो हय। भले ही एकर लगातार अध्ययन कैल गेल हई, लेकिन ई अभीयो ऑक्ल्यूशन अउर गंदगी वाला दृश्य के लेल एगो चुनौतीपूर्ण कार्य हई। |
242caa8e04b73f56a8d4adae36028cc176364540 | हम 3 डी सेंसर पर लागू वोट-आधारित मुद्रा अनुमान एल्गोरिथ्म के प्रस्ताव करो हय, जे कई रोबोटिक्स, कंप्यूटर विजन और गेमिंग अनुप्रयोगों में अपन 2 डी समकक्षों के तेजी से बदल रहले हा। हाल ही में इ दिखाल गेलय हल कि एक मतदान ढांचे में उन्मुख 3 डी बिंदुओं के एक जोड़ी, जे सामान्य के साथ वस्तु के सतह पर बिंदु हय, तेजी से और मजबूत मुद्रा अनुमान के सक्षम करो हय। यद्यपि उन्मुख सतह बिंदु पर्याप्त वक्रता परिवर्तन वाला वस्तु के लेल भेदभावपूर्ण हई, ऊ कैगो औद्योगिक अउर वास्तविक दुनिया के वस्तु के लेल पर्याप्त रूप से कॉम्पैक्ट अउर भेदभावपूर्ण ना हई जे ज्यादातर समतल हई। चूंकि किनारे 2 डी पंजीकरण में प्रमुख भूमिका निभावो हय, 3 डी में गहराई विसंगति महत्वपूर्ण हय। इ पत्र में, हम मुद्रा अनुमान एल्गोरिदम के एगो परिवार के जांच और विकास करई हई जे इ सीमा जानकारी के बेहतर उपयोग करई हई। उन्मुख सतह बिंदुअन के अतिरिक्त, हम दू अन्य आदिमवन के उपयोग कर है: दिशावन के साथे सीमा बिंदुअन और सीमा रेखा खंडवन। हमार प्रयोग से पता चलई हई कि इ सावधानी से चुनल गेल आदिम अधिक जानकारी के कॉम्पैक्ट रूप से एन्कोड करई हई अउर येई प्रकार औद्योगिक भाग के एगो विस्तृत वर्ग के लेल उच्च सटीकता प्रदान करई हई अउर तेजी से गणना के सक्षम करई हई। हम प्रस्तावित एल्गोरिथ्म और एक 3 डी सेंसर के उपयोग करके एक व्यावहारिक रोबोट कचरा-छोड़ने वाला प्रणाली प्रदर्शित करते हैं। |
5df318e4aac5313124571ecc7e186cba9e84a264 | आधिकारिक मोबाइल ऐप बाजार में बार-बार मैलवेयर पैठ के बढ़ल संख्या अंतिम उपयोगकर्ता के व्यक्तिगत अउर संवेदनशील जानकारी के गोपनीयता अउर गोपनीयता के लेल एगो उच्च सुरक्षा खतरा पैदा करई छलई। अंत उपयोगकर्ता उपकरण के विरोधी ऐप्स के शिकार होए से बचावे से अकादमिक और उद्योग में सुरक्षा शोधकर्ता / इंजीनियर के लिए एक तकनीकी और अनुसंधान चुनौती पेश करो हय। एप बाजार में तैनात सुरक्षा प्रथाओं और विश्लेषण जांच के बावजूद, मैलवेयर सुरक्षा के माध्यम से घुसपैठ करो हय और उपयोगकर्ता उपकरण के संक्रमित करो हय। मैलवेयर के विकास में ई परिष्कृत अउर गतिशील रूप से बदलई छई सॉफ्टवेयर आमतौर पर वैध ऐप्स के रूप में भेस में होई छलई। अत्यधिक उन्नत भटकने वाली तकनीकों के उपयोग, जैसे कि एन्क्रिप्टेड कोड, अस्पष्टता और गतिशील कोड अपडेट, आदि, उपन्यास मैलवेयर में पायल जाए वाला सामान्य प्रथा हय। गतिशील कोड अपडेट के भटकल उपयोग के साथ, एक सौम्य ऐप के रूप में दिखावे वाला एक मैलवेयर विश्लेषण जांच के दरकिनार कर हय और उपयोगकर्ता के डिवाइस पर स्थापित होवे पर ही एकर दुर्भावनापूर्ण कार्यक्षमता के प्रकट करो हय। ई शोध प्रबंध एंड्रॉइड ऐप्स में गतिशील कोड अपडेट के उपयोग अउर उपयोग तरीका पर एगो गहन अध्ययन प्रदान करई हई। एकरा अलावा, हम एक हाइब्रिड विश्लेषण दृष्टिकोण, स्टैडार्ट, के प्रस्तावित करई हई जे गतिशील कोड अपडेट के उपस्थिति में एप्लिकेशन के विश्लेषण करे के लेल स्थिर विश्लेषण तकनीक के अंतर्निहित कमियों के कवर करे के लेल स्थिर अउर गतिशील विश्लेषण के इंटरलेक्स करई हई। वास्तविक दुनिया के अनुप्रयोग पर हमर मूल्यांकन परिणाम स्टैडार्ट के प्रभावशीलता के प्रदर्शित करो हय। हालांकि, आमतौर पर गतिशील विश्लेषण, और ओई मामले के लिए हाइब्रिड विश्लेषण भी, एप्लिकेशन के व्यवहार के उत्तेजित करे के समस्या लावई हई जे स्वचालित विश्लेषण उपकरण के लेल एगो गैर-तुच्छ चुनौती हई। एकरा लेल, हम एगो बैकवर्ड स्लाइसिंग आधारित लक्षित इंटर-कम्पोनेंट कोड पथ निष्पादन तकनीक, टीआईसीसी के प्रस्तावित करई छी। TeICC ऐप में लक्ष्य बिंदु से शुरू होके कोड पथ के निकाले के लेल एगो बैकवर्ड स्लाइसिंग तंत्र के लाभ उठावई हई। ई एगो सिस्टम निर्भरता ग्राफ के उपयोग कोड पथ के निकाले के लेल करई हई जोनमे इंटर-कम्पोनेंट संचार शामिल छलई। निष्कर्षित कोड पथ के तब संवेदनशील गतिशील व्यवहार के कैप्चर करे, गतिशील कोड अपडेट और अस्पष्टता के हल करे के लिए ऐप संदर्भ के भीतर इंस्ट्रूमेंट और निष्पादित कियल जा हय। TeICC के हमनी के मूल्यांकन से पता चलई हई कि एकरा प्रभावी रूप से अस्पष्टीकृत एंड्रॉइड ऐप्स में इंटर-कम्पोनेंट कोड पथ के लक्षित निष्पादन के लेल उपयोग कैल जा सकई हई। साथ ही, अभी भी विरोधी उपयोगकर्ता के उपकरणों तक पहुंचने की संभावना से इंकार नहीं करते हैं, हम एक ऑन-फोन एपीआई हुकिंग का प्रस्ताव करते हैं |
5ed4b57999d2a6c28c66341179e2888c9ca96a25 | इ लेख में, हम ऐसन एजेंट के विकास के लक्ष्य के लिए काम कर हियई जे जटिल दुनिया में कार्य करनाई सीख सकई हई। हम एगो संभाव्यता, संबंधपरक योजना नियम प्रतिनिधित्व विकसित करई हई जे कॉम्पैक्ट रूप से शोर, गैर-निर्धारक कार्रवाई प्रभाव के मॉडल करई हई, अउर देखबई हई कि ऐसन नियम के प्रभावी ढंग से कैसे सीखल जा सकई हई। सरल योजना डोमेन में प्रयोगों के माध्यम से और यथार्थवादी भौतिकी के साथ एक 3 डी सिम्युलेटेड ब्लॉक दुनिया में, हम प्रदर्शित करो हय कि इ सीखने के एल्गोरिथ्म एजेंटों के प्रभावी रूप से विश्व गतिशीलता के मॉडल करे के अनुमति देवो हय। |
55c769b5829ca88ba940e0050497f4956c233445 | दृश्य ओडोमीटर के गहराई जानकारी द्वारा बढ़ाएल जा सकई हई जैसे कि आरजीबी-डी कैमरा द्वारा प्रदान कैल गेल हई, चाहे कैमरा से जुड़ल लिडार से। हालांकि, इ तरह के गहराई जानकारी सेंसर द्वारा सीमित कैल जा सको हय, दृश्य छवियों में बड़े क्षेत्र छोड़ो हय जहां गहराई उपलब्ध नए हय। यहां, हम कैमरा गति के पुनर्प्राप्ति में गहराई के उपयोग के लिए एक विधि प्रस्तावित करते हैं, भले ही यह दुर्लभ हो। एकर अलावा, विधि पहले से अनुमानित गति के उपयोग करके गति से संरचना द्वारा गहराई के उपयोग करो हय, और प्रमुख दृश्य विशेषता जेकर लिए गहराई अनुपलब्ध हय। इसलिए, विधि आरजीबीडी दृश्य ओडोमीटर के बड़े पैमाने पर, खुले वातावरण में विस्तारित करे में सक्षम हय जेजा गहराई अक्सर पर्याप्त रूप से अधिग्रहित नए कियल जा सको हय। हमार पद्धति के मूल एगो बंडल समायोजन चरण हई जे बैच अनुकूलन में छवियों के एक अनुक्रम के संसाधित करके समानांतर में गति अनुमान के परिष्कृत करई हई। हम तीन सेंसर सेटअप में अपन विधि के मूल्यांकन कैले हई, एगो आरजीबी-डी कैमरा के उपयोग कैले हई, अउर दू कैमरा अउर एगो 3 डी लीडर के संयोजन के उपयोग कैले हई। स्टीरियो विजुअल ओडोमेट्री विधियों के तुलना में सेंसरिंग मोडलिटी के बावजूद, KITTI ओडोमेट्री बेंचमार्क पर हमर विधि के #4 रेटिंग देल गेल हई जे त्रिकोण द्वारा गहराई के पुनर्प्राप्त करई हई। परिणामी औसत स्थिति त्रुटि यात्रा कैल गेल दूरी के 1.14% हई। |
0c668ee24d58ecca165f788d40765e79ed615471 | |
9cccd211c9208f790d71fa5b3499d8f827744aa0 | शैक्षिक डेटा खनन के माध्यम से विभिन्न शैक्षिक उन्मुख समस्याओं के हल कैल जा हय, जे डेटा खनन के सबसे प्रचलित अनुप्रयोग हय। ई पेपर के महत्वपूर्ण लक्ष्य में से एगो ईडीएम पर कैल गेल सबसे हालिया काम के अध्ययन करनाई अउर उनकर गुण अउर दोष के विश्लेषण करनाई हई। ई पेपर सर्वेक्षण कैल गेल लेख में लागू विभिन्न डेटा माइनिंग प्रथा अउर तकनीक के संचयी परिणाम पर भी प्रकाश डालई हई, अउर येई प्रकार शोधकर्ता के ईडीएम पर भविष्य के दिशा पर सुझाव देई हई। एकर अलावा, भविष्य के शोध के लिए सबसे विश्वसनीय एल्गोरिदम के निरीक्षण करे के लिए कुछ वर्गीकरण और क्लस्टरिंग एल्गोरिदम के मूल्यांकन करे के लिए एक प्रयोग भी कियल गलय हल। |
197a7fc2f8d57d93727b348851b59b34ce990afd | एसआरआईएलएम सी ++ लाइब्रेरी, निष्पादन योग्य प्रोग्राम और हेल्पर स्क्रिप्ट के एगो संग्रह हई जेकरा भाषण मान्यता और अन्य अनुप्रयोग के लेल सांख्यिकीय भाषा मॉडल के उत्पादन अउर प्रयोग दुनु के अनुमति देवे के लेल डिज़ाइन कैल गेल हई। गैर-वाणिज्यिक उद्देश्य के लेल SRILM स्वतंत्र रूप से उपलब्ध हई। टूलकिट एन-ग्राम सांख्यिकी के आधार पर विभिन्न प्रकार के भाषा मॉडल प्रकार के निर्माण और मूल्यांकन के समर्थन करो हय, साथे ही कई संबंधित कार्य, जैसे कि सांख्यिकीय टैगिंग और एन-सर्वश्रेष्ठ सूची और शब्द जाली के हेरफेर। ई कागज टूलकिट के कार्यक्षमता के सारांशित करई हई अउर एकर डिजाइन अउर कार्यान्वयन पर चर्चा करई हई, तेजी से प्रोटोटाइप, पुनः प्रयोज्य अउर उपकरण के संयोजन के आसानी पर प्रकाश डालई छलई। |
12f661171799cbd899e1ff4ae0a7e2170c3d547b | सांख्यिकीय भाषा मॉडल भाषण मान्यता अउर दोसर भाषा प्रौद्योगिकि के उद्देश्य के लेल विभिन्न प्राकृतिक भाषा घटना के वितरण के अनुमान लगाबई हई। 1980 में पहिला महत्वपूर्ण मॉडल के प्रस्तावित करे के बाद से, कला के स्थिति में सुधार के लिए कई प्रयास कैल गेलय हय। हम ओकर समीक्षा कर हिअइ, कुछ आशाजनक दिशा के तरफ इशारा कइलिअइ, आउ डेटा के साथे भाषाई सिद्धांत के एकीकरण के लेल बेयसियन दृष्टिकोण के लेल तर्क देलिअइ। |
395f4b41578c3ff5139ddcf9e90eb60801b50394 | सीएमयू सांख्यिकीय भाषा मॉडलिंग टूलकिट के निर्माण और परीक्षण के सुविधा के लिए 2005 में फिर से किराए पर लेवल गेलय हल। ई वर्तमान में 200 से अधिक देशों में अकादमिक सरकार और औद्योगिक प्रयोगशाला में उपयोग में हय। इ पेपर टूलकिट के एक नया संस्करण प्रस्तुत करो हय। हम टूलकिट में लागू कन्वेंशनल भाषा मॉडलिंग तकनीक के रूपरेखा तैयार करो हय और इ कार्यक्षमता के वर्णन करो हय कि नया टूलकिट इ कार्य के लिए पिछले सॉफ्टवेयर के तुलना में अतिरिक्त दक्षता और कार्यक्षमता प्रदान करो हय। अंत में हम एक सरल भाषा मॉडल के निर्माण और परीक्षण में टूलकिट के उपयोग के परीक्षा देवो हय। |
0b8f4edf1a7b4d19d47d419f41cde432b9708ab7 | हम सिलिकॉन से भरल एकीकृत वेव गाइड के निर्माण के लिए एक तकनीक प्रस्तुत करई हई जे कम-हानि वाला उच्च-प्रदर्शन मिलीमीटर-तरंग निष्क्रिय घटकों अउर उच्च लाभ सरणी एंटीना के प्राप्ति के सक्षम करई हई, येई प्रकार अत्यधिक एकीकृत मिलीमीटर-तरंग प्रणालि के प्राप्ति के सुविधा प्रदान करई छलो। प्रस्तावित तकनीक उच्च ज्यामितीय सटीकता और निरंतर धातु के किनारे के दीवारों के साथ आयताकार वेवगइड के एकीकृत करे के लिए एल्यूमीनियम धातुकरण चरणों के साथ गहरी प्रतिक्रियाशील-आयन-एचिंग (डीआरआईई) तकनीक के नियोजित करो हय। एकीकृत आयताकार वेव गाइड के माप परिणाम के 0. 15 डीबी/ एलजी के 105 गीगाहर्ट्ज पर नुकसान के प्रदर्शित करे के सूचना देल गेल हई। एकर अलावा, 105 गीगाहर्ट्ज पर 0.6 डीबीआई सम्मिलन हानि और 80 से 110 गीगाहर्ट्ज तक 15 डीबीआई से बेहतर रिटर्न हानि के साथ अल्ट्रा-वाइडबैंड कोप्लेनार से वेव गाइड संक्रमण के वर्णन और विशेषता कैल गेल हई। 23 GHz के बैंड के भीतर 82 ° के मापा गेल बीम स्टीयरिंग क्षमता और 96 GHz पर 8.5 ° के आधा-शक्ति बीम-चौड़ाई (HPBW) प्राप्त करे वाला एक आवृत्ति स्कैनिंग स्लॉट-वेवगाइड सरणी एंटीना के डिजाइन, एकीकरण और मापा गेल प्रदर्शन के रिपोर्ट कैल गेल हई। अंत में, कम लागत वाला मिमी-वेव सिस्टम लेवल एकीकरण के सुविधा के लेल इ तकनीक के क्षमता के प्रदर्शित करे के लेल, इमेजिंग रडार अनुप्रयोग के लेल एक आवृत्ति-संचालित निरंतर तरंग (एफएमसीडब्ल्यू) ट्रांसमीटर-रिसीव आईसी के फ्लिप-चिप सीधे एकीकृत सरणी पर लगाएल जाई हई अउर प्रयोगात्मक रूप से विशेषता होई हई। |
31864e13a9b3473ebb07b4f991f0ae3363517244 | ई पेपर किनारा के पता लगावे के लेल एगो कम्प्यूटेशनल दृष्टिकोण के वर्णन करई हई। दृष्टिकोण के सफलता किनारे के बिंदु के गणना के लिए लक्ष्यों के एक व्यापक सेट के परिभाषा पर निर्भर करो हय। समाधान के रूप के बारे में न्यूनतम धारणा बनाबे के दौरान डिटेक्टर के वांछित व्यवहार के सीमांत करे के लेल येई लक्ष्य के पर्याप्त सटीक होए के चाहि। हम किनारों के एक वर्ग के लिए पता लगाने और स्थानीयकरण मानदंडों के परिभाषित करो हय, और ऑपरेटर आवेग प्रतिक्रिया पर कार्यात्मक के रूप में इ मानदंडों के लिए गणितीय रूप प्रस्तुत करो हय। तब इ सुनिश्चित करे के लिए एक तीसरा मानदंड जोड़ा जा हय कि डिटेक्टर के पास एक किनारे के लिए केवल एक प्रतिक्रिया हय। हम संख्यात्मक अनुकूलन में मानदंड के उपयोग कई सामान्य छवि सुविधाओं के लिए डिटेक्टर प्राप्त करे के लिए करो हय, जेकरा मे चरण किनारों शामिल हय। चरण किनारों के लिए विश्लेषण के विशेषज्ञता पर, हम पाते हैं कि पता लगाने और स्थानीयकरण प्रदर्शन के बीच एक प्राकृतिक अनिश्चितता सिद्धांत है, जो दो मुख्य लक्ष्य हैं। इ सिद्धांत के साथ हम एक एकल संचालक आकार प्राप्त करो हय जे कोनो भी पैमाने पर इष्टतम हय। इष्टतम डिटेक्टर में एक सरल अनुमानित कार्यान्वयन हय जेकरा मे गाऊशियन-सुचारू छवि के ढाल के परिमाण में किनारों के अधिकतम पर चिह्नित कियल जा हय। हम इ सरल डिटेक्टर के कई चौड़ाई के ऑपरेटर के उपयोग करके विस्तारित कर हई ताकि छवि में अलग-अलग सिग्नल-टू-शोर अनुपात के सामना कैल जा सके। हम विभिन्न पैमाना पर ऑपरेटर से सूचना के सूक्ष्म से मोटे एकीकरण के लिए फीचर संश्लेषण नामक एक सामान्य विधि प्रस्तुत करो हय। अंत में हम देखई हई कि चरण किनारे के डिटेक्टर के प्रदर्शन में काफी सुधार होई हई काहेकी ऑपरेटर बिंदु प्रसार फ़ंक्शन के किनारे के साथ विस्तारित कैल गेल हई। |
b41c45b2ca0c38a4514f0779395ebdf3d34cecc0 | |
7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e | चेहरा जटिल, बहुआयामी, सार्थक दृश्य उत्तेजना के प्रतिनिधित्व करो हय और चेहरा के पहचान के लिए एक कम्प्यूटेशनल मॉडल विकसित करना मुश्किल हय [42]. हम हाइब्रिड न्यूरल नेटवर्क समाधान प्रस्तुत करई हई जे अन्य विधियों के जौरे अनुकूल रूप से तुलना करई हई। सिस्टम स्थानीय छवि नमूनाकरण, एक स्व-संगठित मानचित्र तंत्रिका नेटवर्क और एक संवहन तंत्रिका नेटवर्क के संयोजन करो हय। स्व-संगठित मानचित्र एगो टोपोलॉजिकल अंतरिक्ष में छवि नमूना के एक मात्रिकीकरण प्रदान करई हई जहां मूल स्थान में निकट के इनपुट आउटपुट स्थान में भी पास में होई हई, येई प्रकार छवि नमूना में मामूली परिवर्तन के आयामीकरण और अपरिवर्तनीयता प्रदान करई हई, अउर संक्षारण तंत्रिका नेटवर्क अनुवाद, रोटेशन, पैमाना अउर विरूपण के लेल आंशिक अपरिवर्तनीयता प्रदान करई हई। संवहन नेट कार्य परतों के एक पदानुक्रमित सेट में क्रमिक रूप से बड़ा विशेषता के निकालई हई। हम आत्म-संगठित मानचित्र के स्थान पर कारुनेन-लोएव परिवर्तन के उपयोग करके परिणाम प्रस्तुत करई हई, अउर संवर्तन नेटवर्क के स्थान पर एगो बहु-परत धारणा के उपयोग करई हई। कारुनेन-लोवे रूपांतरण लगभग उतना ही अच्छा प्रदर्शन करो हय (5.3% त्रुटि बनाम 3.8%) । बहु-परत पर्सेप्ट्रॉन बहुत खराब प्रदर्शन करो हय (40% त्रुटि बनाम 3.8%) । विधि तेजी से वर्गीकरण के लिए सक्षम हय, केवल तेजी से, अनुमानित सामान्यीकरण और पूर्व-प्रसंस्करण के आवश्यकता होवो हय, और डेटाबेस पर विचार कैल गेलय eigenfaces दृष्टिकोण [42] के तुलना में लगातार बेहतर वर्गीकरण प्रदर्शन प्रदर्शित करो हय काहेकी प्रशिक्षण डेटाबेस में प्रति व्यक्ति छवियों के संख्या 1 से 5 तक भिन्न होवो हय। प्रति व्यक्ति 5 इमेज के साथ प्रस्तावित विधि और एजेनफेस के परिणामस्वरूप क्रमशः 3.8% और 10.5% त्रुटि होई हई। मान्यता अपन आउटपुट में आत्मविश्वास के माप प्रदान करई हई अउर वर्गीकरण त्रुटि शून्य के करीब होई हई जब केवल 10% उदाहरण के अस्वीकार करई हई। हम 40 व्यक्ति के 400 छवियों के एक डेटाबेस का उपयोग करते हैं, जो कि अभिव्यक्ति, मुद्रा और चेहरे के विवरण में काफी उच्च डिग्री की विविधता शामिल है। हम कम्प्यूटेशनल जटिलता के विश्लेषण करो हय और चर्चा करो हय कि कैसे नया वर्ग के प्रशिक्षित मान्यता के लिए जोड़ा जा सको हय। |
5dd9dc47c4acc9ea3e597751194db52119398ac6 | शिफ्ट रजिस्टर एक प्रकार के अनुक्रमिक तर्क सर्किट हय जेकर उपयोग ज्यादातर डिजिटल डेटा के संग्रहीत करे या सिस्टम के सुरक्षा में सुधार के लिए रेडियो फ्रीक्वेंसी आइडेंटिफिकेशन (आरएफआईडी) अनुप्रयोगों में बाइनरी नंबर के रूप में डेटा के स्थानांतरण के लिए कियल जा हय। इ लेख में एक नया फ्लिप-फ्लॉप के उपयोग करे वाला एक ऊर्जा-कुशल शिफ्ट रजिस्टर के प्रस्तुत कैल गेल हई, जेकर एगो निहित पल्स-ट्रिगर कैल गेल संरचना हई। प्रस्तावित फ्लिप-फ्लॉप में उच्च प्रदर्शन और कम बिजली के विशेषता हय। ई पांच ट्रांजिस्टर द्वारा कार्यान्वित एक नमूनाकरण सर्किट, उदय और पतन पथों के लिए एक सी-एलिमेंट और एक कीपर चरण से बनल हय। एगो संक्रमण स्थिति तकनीक के जौरे चार घडी वाला ट्रांजिस्टर के निष्पादित कैके गति बढ़ाएल जाई छलई। सिमुलेशन परिणाम इ बात के पुष्टि करो हय कि प्रस्तावित टोपोलॉजी क्रमशः 22.7071 और 30.1997 nW के सबसे कम मात्रा में क्रमशः 22 μm2 चिप क्षेत्र के कवर करे वाला समानांतर में-समानांतर में (पीआईपीओ) और सीरियल में-सीरियल आउट (एसआईएसओ) शिफ्ट रजिस्टर के लिए बिजली के खपत करो हय। समग्र डिजाइन में केवल 16 ट्रांजिस्टर शामिल हय और 1.2 वी बिजली आपूर्ति के साथे 130 एनएम पूरक-धातु-ऑक्साइड-सेमीकंडक्टर (सीएमओएस) तकनीक में सिमुलेट कैल गेलय हय। |
d76beb59a23c01c9bec1940c4cec1ca26e00480a | वायु सेना अनुसंधान प्रयोगशाला दू मस्तिष्क-कंप्यूटर इंटरफ़ेस (बीसीआई) के लागू और मूल्यांकन कैलकय हा जे स्थिर-राज्य दृश्य उत्तेजित प्रतिक्रिया के भौतिक उपकरण या कंप्यूटर प्रोग्राम के संचालन के लिए एक नियंत्रण संकेत में अनुवाद करो हय। एगो दृष्टिकोण में, ऑपरेटर मस्तिष्क के प्रतिक्रिया के स्वयं-विनियमित करई हई; दोसर दृष्टिकोण कै गो ले प्रेरित प्रतिक्रिया के उपयोग करई हई। |
8a65dc637d39c14323dccd5cbcc08eed2553880e | ई लेख दक्षिण अफ्रीका में जिला प्रबंधन के समर्थन के लेल स्वास्थ्य सूचना प्रणाली विकसित करे के लेल एगो चल रहल कार्रवाई अनुसंधान परियोजना के प्रारंभिक अवधि (1994-2001) के वर्णन करई हई। पोस्टपार्टहेड दक्षिण अफ्रीका में स्वास्थ्य क्षेत्र के पुनर्निर्माण स्वास्थ्य सेवा वितरण में समानता के लेल प्रयास अउर स्वास्थ्य जिला के आधार पर एगो विकेन्द्रीकृत संरचना के निर्माण। सूचना प्रणाली (आईएस) विकास के संदर्भ में, इ सुधार प्रक्रिया सूचना प्रबंधन के स्थानीय नियंत्रण और एकीकरण के बढ़ाके नया दक्षिण अफ्रीका के लक्ष्य के प्रतिस्थापित करे वाला तरीका से स्वास्थ्य डेटा के मानकीकरण में अनुवाद करो हय। हम कार्रवाई अनुसंधान के लिए अपन दृष्टिकोण के वर्णन करो हय और केस सामग्री के विश्लेषण में अभिनेता-नेटवर्क और संरचना सिद्धांतों से अवधारणा के उपयोग करो हय। आईएस विकास के प्रक्रिया के विस्तृत विवरण और विश्लेषण में, हम मानकीकरण और स्थानीय लचीलापन (स्थानीयकरण) के संतुलन के आवश्यकता पर ध्यान केंद्रित करो हय; मानकीकरण के इस प्रकार विषम अभिनेताओं के एक सरणी के नीचे से ऊपर के संरेखण के रूप में देखल जा हय। सूचना प्रणालि के एक सामाजिक प्रणाली मॉडल के आधार पर, हम आईएस डिजाइन रणनीति के अवधारणा के रूप में विकसित और उपयोग कैल जाई हई, जोनमे ई अभिनेता अपन हित के अनुवाद अउर संरेखित करई हई। हम वैश्विक अउर स्थानीय डेटासेट के एगो मॉड्यूलर पदानुक्रम के एगो ढांचा के रूप में विकसित करई हई, जोन भीतर मानकीकरण अउर स्थानीयकरण के बीच तनाव के समझल अउर संबोधित कैल जा सकई हई। अंत में, हम अन्य देशों में अनुसंधान के परिणामों के संभावित प्रासंगिकता पर चर्चा करते हैं। |
600434c6255c160b53ad26912c1c0b96f0d48ce6 | रैंडम फॉरेस्ट एक कम्प्यूटेशनल रूप से कुशल तकनीक हय जे बड़े डेटासेट पर जल्दी से काम कर सको हय। एकर उपयोग हाल के कैगो शोध परियोजना अउर विभिन्न डोमेन में वास्तविक दुनिया के अनुप्रयोग में कैल गेल हई। हालांकि, संबंधित साहित्य लगभग कोई निर्देश प्रदान नए करो हय कि यादृच्छिक वन के रचना करे के लिए केतना पेड़ के उपयोग कियल जाए के चाहि। यहां रिपोर्ट कैल गेल शोध के विश्लेषण कैल गेल हई कि क्या रैंडम फॉरेस्ट के भीतर पेड़ के इष्टतम संख्या हई, अर्थात, एगो थ्रेसहोल्ड जेकरा से पेड़ के संख्या में वृद्धि से कोई महत्वपूर्ण प्रदर्शन लाभ न होतई, अउर केवल कम्प्यूटेशनल लागत में वृद्धि होतई। हमनी के मुख्य निष्कर्ष हई: जैसन कि पेड़ के संख्या बढ़ई हई, एकर मतलब ई न हई कि जंगल के प्रदर्शन पहिले के जंगल (कम पेड़) के तुलना में काफी बेहतर हई, अउर पेड़ के संख्या के दोगुना करनाई बेकार हई। इ भी कहल संभव हय कि एक सीमा हय जेकर परे कोनो महत्वपूर्ण लाभ नए हय, जब तक कि एक विशाल कम्प्यूटेशनल वातावरण उपलब्ध नए होवो हय। एकर अलावा, कोनो भी जंगल में पेड़ के संख्या के दोगुना करे पर एयूसी लाभ के लेल एगो प्रयोगात्मक संबंध पाएल गेल रहई। एकर अलावा, जैसे-जैसे पेड़ के संख्या बढ़ई हई, गुण के पूरा सेट के उपयोग रैंडम फॉरेस्ट के भीतर कैल जाई हई, जे जैव चिकित्सा डोमेन में दिलचस्प ना हो सकई हई। एकर अलावा, डेटासेट यहां प्रस्तावित घनत्व-आधारित मीट्रिक संभवतः निर्णय पेड़ों पर वीसी आयाम के कुछ पहलुओं के कैप्चर करो हय और कम घनत्व वाला डेटासेट के लिए बड़ी क्षमता वाली मशीन के आवश्यकता हो सको हय जबकि एकर विपरीत भी सच प्रतीत होवो हय। |
4cbadc5f4afe9ac178fd14a6875ef1956a528313 | पिछले कई वर्षों के दौरान प्रौद्योगिकी में प्रगति ने छोटे सेंसर नोड्स के बाकी इंटरनेट के साथ वायरलेस रूप से संवाद करना संभव बना देलकय। येई उपलब्धि के जौरे ऐसन आईपी-सक्षम वायरलेस सेंसर नेटवर्क (आईपी-डब्ल्यूएसएन) के सुरक्षित करे के सवाल सामने अलई अउर तब से ई एगो महत्वपूर्ण शोध विषय हई। ई थीसिस में हम कॉन्टिकी ऑपरेटिंग सिस्टम लागी पूर्व-साझा कुंजी सिफर सूट (टीएलएस पीएसके एईएस 128 सीसीएम 8) के उपयोग करके टीएलएस और डीटीएलएस प्रोटोकॉल के कार्यान्वयन पर चर्चा कर हई। कॉन्टिकी ओएस द्वारा समर्थित प्रोटोकॉल के सेट में केवल एक नया प्रोटोकॉल जोड़ने के अलावा, इ परियोजना हमें इ मूल्यांकन करे के अनुमति देवो हय कि आईपी-डब्ल्यूएसएन के लिए परिवहन-स्तर सुरक्षा और पूर्व-साझा कुंजी प्रबंधन योजनाएं केतना उपयुक्त हय। |
0ab99aa04e3a8340a7552355fb547374a5604b24 | कई नैदानिक कार्य में असामान्यता के पता लगावे के लिए, और समय के साथ माप और परिवर्तन के मात्रा के मापे के लिए प्रारंभिक खोज प्रक्रिया के आवश्यकता होवो हय। कम्प्यूटरीकृत उपकरण, विशेष रूप से छवि विश्लेषण और मशीन लर्निंग, निदान के बेहतर करे के लेल महत्वपूर्ण सक्षमकर्ता हई, उन निष्कर्ष के पहचान के सुविधा प्रदान करके जिनका उपचार के आवश्यकता होई हई अउर विशेषज्ञ के कार्यप्रवाह के समर्थन करे के लेल। येई उपकरण में, गहरी सीखना तेजी से अत्याधुनिक नींव साबित हो रहल हई, जे बेहतर सटीकता के ओर ले जाई छलई। इ डेटा विश्लेषण में नया सीमा के भी खोललकय हा जे प्रगति के दर से पहले कभी नए अनुभव कैलकय हा। ईईपी सीखना सामान्य डेटा विश्लेषण में एक बढ़ता हुआ चलन है और इसे 2013 के 10 सफलता प्रौद्योगिकियों में से एक कहा जाता है [1]। गहरी शिक्षा कृत्रिम तंत्रिका नेटवर्क के एक सुधार हय, जेकरा मे अधिक परतें होवो हय जे उच्च स्तर के अमूर्तता और डेटा से बेहतर भविष्यवाणिय के अनुमति देवो हय [2]। आज तक, इ सामान्य इमेजिंग और कंप्यूटर विजन डोमेन में प्रमुख मशीन-लर्निंग टूल के रूप में उभर रहा हय। विशेष रूप से, संवहन तंत्रिका नेटवर्क (सीएनएन) कंप्यूटर दृष्टि कार्य के एक विस्तृत श्रृंखला के लिए शक्तिशाली उपकरण साबित होलय हा। डीप सीएनएन स्वचालित रूप से कच्चे डेटा (जैसे, छवियों) से प्राप्त मध्य-स्तर और उच्च-स्तर के अमूर्त सीखो हय। हाल के परिणाम इंगित करो हय कि सीएनएन से निकालल गेल सामान्य वर्णक प्राकृतिक छवियों में वस्तु मान्यता और स्थानीयकरण में अत्यंत प्रभावी हय। दुनिया भर में चिकित्सा छवि विश्लेषण समूह तेजी से क्षेत्र में प्रवेश कर रहल हई अउर सीएनएन अउर दोसर गहरी सीखने के पद्धति के विभिन्न प्रकार के अनुप्रयोग में लागू कर रहल हई। आशाजनक परिणाम के उम्मीद कैल जा रहल हई। चिकित्सा इमेजिंग में, कोनो रोग के सटीक निदान और/या आकलन छवि अधिग्रहण और छवि व्याख्या दुनु पर निर्भर करो हय। हाल के वर्षों में इमेज अधिग्रहण में काफी सुधार होलय हा, जेकरा मे उपकरण तेजी से दर और बढ़ल रिज़ॉल्यूशन पर डेटा प्राप्त कर रहले हा। हालाँकि, छवि व्याख्या प्रक्रिया हाल ही में कंप्यूटर प्रौद्योगिकी से लाभान्वित होवे लगलई हे। चिकित्सा छविय के अधिकांश व्याख्या चिकित्सक द्वारा कैल जाई हई; हालांकि, मनुष्य द्वारा छवि व्याख्या एकर व्यक्तिपरकता, दुभाषिय में बड़ भिन्नता अउर थकान के चलते सीमित हई। |
5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70 | बिना पर्यवेक्षण वाला छवि अनुवाद, जेकर उद्देश्य छवियों के दो स्वतंत्र सेटों के अनुवाद करना हय, बिना जोड़े डेटा के सही पत्राचार के खोज करे में चुनौतीपूर्ण हय। मौजूदा कार्य जेनरेटिव एडवर्सियल नेटवर्क (जीएएन) पर निर्माण करो हय, जेकरा से अनुवादित छवियों के वितरण लक्ष्य सेट के वितरण से अलग नय हो सको हय। हालांकि, ऐसन सेट-स्तरीय प्रतिबंध इंस्टेंस-स्तरीय पत्राचार (जैसे, ऑब्जेक्ट ट्रांसफिगरेशन कार्य में संरेखित अर्थिक भाग) । इ सीमा के परिणामस्वरूप अक्सर गलत सकारात्मक होवो हय (जैसे कि ज्यामितीय या अर्थ संबंधी कलाकृतियां), और आगे मोड पतन समस्या के तरफ ले जाई हई। उपरोक्त मुद्दों के संबोधित करे के लिए, हम डीप अटेंशन जीएएन (डीए-जीएएन) द्वारा उदाहरण-स्तर के छवि अनुवाद के लिए एक उपन्यास ढांचे के प्रस्तावित करो हय। ऐसन डिज़ाइन डीए-जीएएन के दो सेट से सैंपल के अनुवाद करे के कार्य के अत्यधिक संरचित लुप्त स्थान में अनुवाद करे के उदाहरण में विघटित करे में सक्षम बनाबई हई। विशेष रूप से, हम संयुक्त रूप से एक गहरे ध्यान एन्कोडर सीखो हय, और उदाहरण-स्तर के पत्राचार के परिणामस्वरूप सीखे गेल उदाहरणों पर भाग लेवे के माध्यम से खोजल जा सको हय। इसलिए, सेट-स्तर और उदाहरण-स्तर दोनों पर प्रतिबंधों का शोषण किया जा सकता है। कई राज्य-ऑफ-द-आर्ट के खिलाफ तुलना हमारे दृष्टिकोण की श्रेष्ठता को प्रदर्शित करती है, और व्यापक अनुप्रयोग क्षमता, उदाहरण के लिए, पोज़ मॉर्फिंग, डेटा एगमेंटेशन, आदि, डोमेन ट्रांसलेशन समस्या के मार्जिन को धक्का देती है। |
f1526054914997591ffdb8cd523bea219ce7a26e | इ साल मार्च में, अमेरिकन स्टैटिस्टिकल एसोसिएशन (एएसए) पी-वैल्यू के सही उपयोग पर एक बयान पोस्ट कैलकय, एक बढ़ता चिंता के जवाब में कि पी-वैल्यू के आमतौर पर गलत उपयोग और गलत व्याख्या कैल जा हय। हमार उद्देश्य एएसए द्वारा देल गेलई येई चेतावनी के एगो भाषा में अनुवाद करनाई हई जे आंकड़ा में गहरा पृष्ठभूमि के बिना चिकित्सकों अउर शोधकर्ता द्वारा अधिक आसानी से समझल जा सकई हई। एकरा अलावा, हम पी-वैल्यू के सीमा के चित्रित करे के इरादा रखई हई, भले ही ओकर उपयोग अउर व्याख्या सही रूप से कैल जाए, अउर उदाहरण के रूप में हाल ही में रिपोर्ट कैल गेलई दू अध्ययन के उपयोग करके अध्ययन के निष्कर्ष के नैदानिक प्रासंगिकता पर अधिक ध्यान आकर्षित करे। हम तर्क दे हियो कि पी-वैल्यू के अक्सर गलत व्याख्या कैल जाई हई। एक आम गलती ई कहई हई कि P < 0.05 के मतलब हई कि शून्य परिकल्पना गलत हई, अउर P ≥ 0.05 के मतलब हई कि शून्य परिकल्पना सत्य हई। 0.05 के पी-वैल्यू के सही व्याख्या ई हई कि यदि शून्य परिकल्पना वास्तव में सत्य रहई, त समान नमूना में अध्ययन के दोहराबे पर समय के 5% में समान चाहे अधिक चरम परिणाम होएत। दोसर शब्द में, पी-वैल्यू शून्य परिकल्पना के लेल डेटा के संभावना के बारे में सूचित करई हई अउर दोसर तरीका से ना। पी-मूल्य से संबंधित एक संभावित विकल्प आत्मविश्वास अंतराल (सीआई) हय। ई प्रभाव के परिमाण अउर ओई प्रभाव के अनुमान लगाएल गेल अनिश्चितता के बारे में अधिक जानकारी प्रदान करई हई। हालांकि, पी-वैल्यू के प्रतिस्थापित करे और वैज्ञानिक परिणाम के गलत व्याख्या के रोकवे के लेल कोनो जादुई गोली ना हई। वैज्ञानिक अउर पाठक दुनु के समान रूप से सांख्यिकीय परीक्षण, पी-मूल्य अउर सीआई के सही, सूक्ष्म व्याख्या के जौरे परिचित होए के चाहि। |
50ca90bc847694a7a2d9a291f0d903a15e408481 | हम मानव इशारा पहचान के लिए कई डेटा मोडल जैसे गहराई वीडियो, स्पष्ट मुद्रा और भाषण पर आधारित एक सामान्यीकृत दृष्टिकोण के प्रस्ताव करो हय। हमनी के प्रणाली में, हर इशारा के बड़े पैमाना पर शरीर के गति और स्थानीय सूक्ष्म गति जैसे हाथ के अभिव्यक्ति में विघटित कैल जा हय। कैगो पैमाना पर सीखना के विचार के समय के आयाम पर भी लागू कैल जाई हई, येई तरह से एगो इशारा के विशेषता गति आवेग, चाहे गतिशील मुद्रा के सेट के रूप में मानल जाई छलई। प्रत्येक मोडलिटी के पहले लघु स्थान-समय ब्लॉक में अलग से संसाधित कैल जा हय, जहां भेदभावपूर्ण डेटा-विशिष्ट विशेषता के या तओ मैन्युअल रूप से निकाला या सीखल जा हय। अंत में, हम बड़े पैमाने पर काल संबंधी निर्भरता, डेटा संलयन और अंततः इशारा वर्गीकरण के मॉडलिंग के लिए एक आवर्ती तंत्रिका नेटवर्क के नियोजित करो हय। 2013 के मल्टीमोडल जेश्चर रिकॉग्निशन डेटासेट पर चैलेंज पर हमर प्रयोग से पता चललई कि कै स्थानिक अउर क्षणिक पैमाना पर कै मोड के उपयोग करे से प्रदर्शन में महत्वपूर्ण वृद्धि होई हई, जोनसे मॉडल के व्यक्तिगत वर्गीकरण के त्रुटि के जौरे-जौरे अलग-अलग चैनल में शोर के मुआवजा मिल सकई हई। |
586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6 | हम विरल विशेषता डिटेक्टर के पदानुक्रम के सीखने के लिए एक अनसुर्क्षित विधि प्रस्तुत करो हय जे छोटा बदलाव और विकृतियों के लिए अपरिवर्तनीय हय। परिणामी विशेषता निष्कर्षक में एकाधिक संवहन फ़िल्टर होवो हय, जेकर बाद एक विशेषता-पूलिंग परत होवो हय जे आसन्न विंडो के भीतर प्रत्येक फ़िल्टर आउटपुट के अधिकतम के गणना करो हय, और एक बिंदु-वार सिग्मोइड गैर-रैखिकता होवो हय। पहिला स्तर से विशेषता के पैच पर समान एल्गोरिथ्म के प्रशिक्षित करके बड़ अउर अधिक अपरिवर्तनीय विशेषता के एगो दोसर स्तर प्राप्त कैल जाई हई। येई विशेषता पर एगो पर्यवेक्षित वर्गीकरणकर्ता के प्रशिक्षण एमएनआईएसटी पर 0.64% त्रुटि अउर कैलिटेक 101 पर 30 प्रशिक्षण नमूना के जौरे 54% औसत मान्यता दर देई हई। जबकि परिणामी वास्तुकला संक्षारक नेटवर्क के समान हय, परत-वार अनसुप्रगमित प्रशिक्षण प्रक्रिया विशुद्ध रूप से पर्यवेक्षित सीखने के प्रक्रिया के परेशान करे वाला अति-पैरामीटरकरण समस्या के कम करो हय, और बहुत कम लेबल कैल गेल प्रशिक्षण नमूने के साथे अच्छा प्रदर्शन करो हय। |
80bcfbb1a30149e636ff1a08aeb715dad6dd9285 | 0.15μm GaN HEMT प्रक्रिया प्रौद्योगिकी के उपयोग करते हुए दो उच्च दक्षता Ka-बैंड पावर एम्पलीफायर MMIC के डिजाइन और प्रदर्शन प्रस्तुत कैल गेल हई। 3 चरण संतुलित एम्पलीफायर के लिए मापा गेल इन-फिक्स्चर सतत तरंग (सीडब्ल्यू) परिणाम 30 गीगाहर्ट्ज पर 11W तक के आउटपुट पावर और 30% पावर एडड इफेक्टिविटी (पीएई) प्रदर्शित करो हय। तीन-चरण के एकल-अंत वाला डिजाइन 6W से अधिक आउटपुट पावर और 34% तक के पीएई उत्पन्न कैलकय। संतुलित और एकल-अंत MMIC के लिए मरने का आकार क्रमशः 3.24 × 3.60mm2 और 1.74 × 3.24mm2 है। |
284de726e700a6c52f9f8fb9f3de4d4b0ff778bb | आवर्ती तंत्रिका नेटवर्क (आरएनएन) गतिशील रूप से बदलते अस्थायी जानकारी के उपयोग करे के क्षमता के कारण भाषण मान्यता के लिए स्वाभाविक रूप से उपयुक्त हकय। डीप आरएनएन के अलग-अलग समय के बारीकियों पर काल संबंधी संबंध के मॉडल करे में सक्षम होवे के तर्क देल गेल हई, लेकिन गायब होए वाला ढाल के समस्या से पीड़ित छलई। इ पेपर में, हम ग्रिड एलएसटीएम ब्लॉक के उपयोग करके स्टैक्ड लॉन्ग शॉर्ट-टर्म मेमोरी (एलएसटीएम) आरएनएन के विस्तार करो हय जे गणना के न केवल समयावधि आयाम के साथे, बल्कि गहराई आयाम के भी तैयार करो हय, इ समस्या के कम करे के खातिर। एकर अलावा, हम गहराई आयाम के अधिक अद्यतित जानकारी प्रदान करे के लिए समय के आयाम पर गहराई आयाम के प्राथमिकता देई हई, काहेकी एकरा से आउटपुट के उपयोग वर्गीकरण के लेल कैल जैतई। हम इ मॉडल के प्राथमिकता ग्रिड LSTM (pGLSTM) कहऽ हियो। चार बड़े डेटासेट (एएमआई, एचकेयूएसटी, गेल और एमजीबी) पर व्यापक प्रयोग इंगित करो हय कि पीजीएलएसटीएम वैकल्पिक गहरे एलएसटीएम मॉडल के बेहतर प्रदर्शन करो हय, स्टैक्ड एलएसटीएम के 4% से 7% सापेक्ष सुधार के साथे हरावो हय, और सभी डेटासेट पर एकदिशात्मक मॉडल के बीच नया बेंचमार्क प्राप्त करो हय। |
Subsets and Splits